CN102780920A

CN102780920A - 电视节目推荐方法及系统

Info

Publication number: CN102780920A
Application number: CN2011101860618A
Authority: CN
Inventors: 赵锐
Original assignee: SHANGHAI HUANXUN COMMUNICATION INSTALLATION ENGINEERING CO LTD
Current assignee: SHANGHAI HUANXUN COMMUNICATION INSTALLATION ENGINEERING CO LTD
Priority date: 2011-07-05
Filing date: 2011-07-05
Publication date: 2012-11-14

Abstract

本发明公开了一种电视节目推荐方法及系统，其中的方法包括：构建电视节目管理云和用户管理云，确定电视节目资源和用户观看行为方式的关联关系；基于所述电视节目管理云和用户管理云，采取节目聚类和用户聚类的双聚类协同过滤算法，得到推荐结果；根据推荐结果向目标用户进行电视节目推荐。本发明，能够对用户提供深度的服务，具有通用性和可靠性的特点，会选择真实数据来证明该平台的易用性和可靠性。

Description

电视节目推荐方法及系统

技术领域

本发明涉及有线电视技术领域，尤其涉及一种电视节目推荐方法及系统。

背景技术

随着“三网融合”技术的逐渐推进，有线电视行业将呈现新的运营模式，有线数字电视将不再是电视节目的唯一提供者，众多的竞争对手，如数字卫星电视、数字地面电视，甚至P2P流媒体视频等将在“三网融合”的契机下，与有线电视一起瓜分市场。在如此激烈的竞争下，如果电视运营商还只是关注电视内容及其带来的增值业务，而对用户的消费行为和应用需求缺乏感知，必将造成收视率低下，用户黏度低，进而影响广告收入，造成资源投入分配的不合理。因此，在新形势下，电视运营商需要在业务深度上进行转变，采取人性化的服务方式，如可以通过用户安装的机顶盒，采集用户的观看习惯、消费行为(如收视率)等数据，并加以分析，从而能够第一时间根据用户特点提供针对性的节目内容(例如推送客户感兴趣的电视剧、电影等，供用户观看)，这样，在加大用户黏度的同时，还可提高其广告投放精准度，进而增加广告收入。

目前常用的电视节目推荐方法是创建用户的兴趣爱好、频道和节目喜好等特征，基于用户的这些信息，产生一个个性化的电子节目引导单，并将该列表推送给用户。在学术界，对于商品(电视节目也是一种商品)推荐的研究可以分为以下三种方法：基于内容的推荐方法，基于协同过滤的推荐方法和组合过滤方法。组合过滤的方法将前两种方法加以集成。

基于内容的推荐是信息过滤技术的延伸和发展，系统通过学习用户的历史兴趣内容来进行相关节目的兴趣预测，需要为用户构建模型来过滤内容，这种方法简单快速，但是对用户推荐的节目存在局限性，只能推荐跟用户历史兴趣内容相关的节目，无法实现兴趣的阶段性跳跃。另外，当有大批量节目被频繁更新插入时，系统的灵活性变得很差，因此，该算法不适合大型的动态系统。

协同过滤方法的思想是通过比较全部用户的评分，搜索整个用户空间来寻找相似的用户，根据邻居的评分预测目标用户的评分。由于协同过滤方法不需要依靠推荐对象的特征抽取来判断用户的兴趣，并能够很好的解决用户兴趣转移问题，推荐个性化程度高，因此被广泛地运用在推荐系统中。最近邻方法在协同过滤中起着非常关键的作用，通过用户-节目评分矩阵来计算用户之间的相似性，来确定目标用的K个最近邻，但是计算最近邻的方法通常有稀疏性和扩展性差的问题。组合的推荐方法组合多个模板方法来取长补短。

聚类就是将数据对象归类，分为多个簇(Cluster)，在同一个簇中的对象具有较高的相似度，而不同簇中的对象差别较大。通过聚类，人们能够识别数据对象密集的和稀疏的区域，因而发现全局的对象分布模式，以及数据属性之间的相互关系。利用聚类常常可以从客户信息库中发现不同的客户群，并且用观看模式来刻画不同的客户群的特征。为了便于寻找目标用户的相似用户，聚类模型首先将现有的用户按照一定的算法分为多个簇，具有相似爱好的用户被分配到相同的簇中，根据现有用户的对某商品的评价得到目标用户对该商品的预测评价。由于聚类模型只是将目标用户与一定数量的簇进行比较而不是整个用户集，因此在扩展性和实现性能上比传统的协同过滤技术略显优势。这也是在研究中引用聚类对数据进行预处理的原因。但是使用单独的聚类算法在推荐质量上并不是很高，当某用户处于一个聚类的边缘时，对该用户的推荐精度比较低。为了更好地给目标用户进行推荐，需要将其分配到与他具有较高相似度的用户所在的簇中，这对簇的要求提高了，簇的数量也会有大的增加。而传统聚类方法都是在行或列上进行聚类，聚类结果都是包含所有行或列的，聚类到的信息属于全局信息，高维数据中的局部信息将很难被发现。为了解决高维数据聚类的问题，Yizong Cheng和George M.Church这两个人于2000年首次提出了双聚类模型及算法。双聚类算法是在数据矩阵的行和列两个方向上同时聚类，不仅能够有效地聚类出全局信息，而且能够高效地在高维数据中发现局部信息。

发明内容

本发明要解决的技术问题是：为了克服上述问题，提供一种电视节目推荐方法及系统。

本发明解决其技术问题所采用的技术方案是：一种电视节目推荐方法，包括：构建电视节目管理云和用户管理云，确定电视节目资源和用户观看行为方式的关联关系；基于所述电视节目管理云和用户管理云，采取节目聚类和用户聚类的双聚类协同过滤算法，得到推荐结果；根据推荐结果向目标用户进行电视节目推荐。

其中，所述电视节目管理云和用户管理云是依据以下参数构建的：电视播放次数、播放频道、播放长度、内容分类、用户观看时间、用户观看次数等，以及这些参数之间的关系。

其中，所述推荐结果是依据以下信息得到的：目标用户浏览统计信息；目标用户对电视节目显示相似兴趣的用户所喜欢的节目；由节目相似度所决定的推荐列表；目标用户选择节目的历史信息。

其中，所述用户聚类和节目聚类的双聚类协同过滤算法的处理过程包括：

(a)输入用户-节目评分矩阵：将用户对电视节目的评分数据组织成用户-节目评分矩阵，作为算法输入；

(b)节目聚类：对用户-节目矩阵里的所有节目进行聚类，根据相似度阈值或者要求聚类的数目K将电视节目聚成K类；

(c)预测未评分节目评分：在每个电视节目类别上使用基于项目的协同过滤算法，计算未评价电视节目的预测值，选取前N个预测值，填入用户-节目矩阵中，形成新的用户-节目矩阵；

(d)生成最近邻居节目集：根据目标节目所在的节目类别或几个类别生成目标节目最近邻居节目集；

(e)产生推荐：通过对目标用户的相似节目评价进行加权平均计算预期；

(f)用户聚类：对用户-节目矩阵里的所有用户进行聚类，根据相似度阈值或者要求聚类的数目U将节目聚成U类；

(g)生成最近用户数据集：根据目标用户所在的用户类别或几个类别生成目标用户最近邻居用户集；

(h)产生推荐：通过对目标用户的邻居用户的节目评价进行加权平均计算预期；

(i)综合用户聚类和节目聚类产生的推荐：加权平均选取前N个节目推荐给目标用户。

其中，以电视节目列表或者浏览建议的形式向目标用户进行电视节目推荐。

一种电视节目推荐系统，其特征在于，包括输入功能模块、推荐处理模块和输出功能模块，其中：所述输入功能模块，用于作为推荐系统和用户交互的窗口，收集用户观看行为偏好数据；所述推荐处理模块，用于构建电视节目管理云和用户管理云，确定电视节目资源和用户观看行为方式的关联关系；并基于所述电视节目管理云和用户管理云，采取节目聚类和用户聚类的双聚类协同过滤算法，得到推荐结果；所述输出功能模块，用于根据推荐结果向目标用户进行电视节目推荐。

其中，所述推荐处理模块依据以下参数构建电视节目管理云和用户管理云：电视播放次数、播放频道、播放长度、内容分类、用户观看时间、用户观看次数等，以及这些参数之间的关系。

其中，所述推荐处理模块依据以下信息得到推荐结果：目标用户浏览统计信息；目标用户对电视节目显示相似兴趣的用户所喜欢的节目；由节目相似度所决定的推荐列表；目标用户选择节目的历史信息。

其中，所述推荐处理模块基于项目的协同过滤算法实现节目聚类、基于用户的协同过滤算法实现用户聚类。

其中，所述输出功能模块以电视节目列表或者浏览建议的形式向目标用户进行电视节目推荐。

本发明提出的电视节目推荐系统是建立在云计算平台下，且采用双聚类协同过滤推荐算法的一种新型的推荐系统，和以前相关工作不同之处，从理论和实践两个方面，研究在未来资源整合条件下的电视节目推荐问题，最终研究成果将会开发成一个真实的电视节目推荐平台，能够对用户提供深度的服务，具有通用性和可靠性的特点，会选择真实数据来证明该平台的易用性和可靠性。

本发明着眼于基于云计算的数字电视资源管理方式，主要针对现有推荐算法中存在的不足，提出基于双聚类(用户聚类和节目聚类)的协同过滤算法，来改善由于数据稀疏带来的推荐质量不高问题，提高电视节目推荐质量。

附图说明

图1为本发明电视节目推荐方法流程图；

图2为本发明电视节目管理云和“用户管理云架构图；

图3为本发明双聚类协同过滤算法流程图；

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

本发明在现有产品推荐算法基础上，依据云计算技术，提出一种全新的电视节目推荐方法及系统。

云计算的核心思想是，将大量用网络连接的计算资源统一管理和调度，构成一个计算资源池向用户按需服务，提供资源的网络被称为“云”，“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。云计算的原理是，通过使计算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，企业数据中心的运行将与互联网更相似。这使得企业能够将资源切换到需要的应用上，根据需求访问计算机和存储系统。

本发明实施主要包括三个部分：(1)构建电视节目管理和用户管理云平台。其中很重要的目标就是为电视节目资源和电视用户资源管理构建云平台。在该平台下可以有效地组织管理来自不同运营商的电视节目资源，并且对用户提供节目推荐服务，同时可以记录用户观看电视的行为及详细数据。(2)确定电视节目推荐算法。因为节目推荐需要综合考虑用户相似性和节目相似性因素，因此不仅需要寻找节目的近邻，还需要寻找用户的近邻，利用双聚类算法进行用户和节目的协同过滤可以较好地满足该目标。(3)搭建原型系统并开发实际应用。为了充分证明电视节目推荐算法的有效性，需要使用现有的有线电视、IPTV等资源搭建一个“电视节目管理云”和“用户管理云”，并在此基础上运用双聚类协同过滤算法进行节目推荐服务。

参见图1，为本发明电视节目推荐方法流程图，包括：

S101：构建电视节目管理云和用户管理云，确定电视节目资源和用户观看行为方式的关联关系；

S102：基于所述电视节目管理云和用户管理云，采取节目聚类和用户聚类的双聚类协同过滤算法，得到推荐结果；

S103：根据推荐结果向目标用户进行电视节目推荐。

下面结合附图对上述三个部分进行详细介绍。

(1)构建电视节目管理云和用户管理云

主要关注如何使用现有的有线电视、数字电视等资源构建“电视节目管理云”和“用户管理云”。其中重点解决如何有效管理云中的电视节目资源和用户资源，其基本结构如图2所示。

关键问题：对“电视节目管理云和用户管理云”进行建模，包括采用集约的方式存储可用的电视节目资源，使用数学的语言来定义每个节目资源和用户观看电视节目的兴趣爱好和行为方式。提出“电视节目管理云“和“用户管理云”的内容和参数，包括电视播放次数、播放频道、播放长度、内容分类、用户观看时间、用户观看次数等，以及这些参数之间的关系。

该平台包括电视节目管理云(Program Management Cloud，PMC)和用户管理云(User Management Cloud，UMC)，另外还有一个用于节目推荐的推荐引擎(Recommendation Engine，RE)。

电视节目管理云(PMC)存储来自不同运营商的电视节目，服务Agent从PMC向推荐引擎(RE)提供节目内容，并产生相关统计信息，包括用户对节目的喜好、节目收视记录等。

用户管理云(User Management Cloud，UMC)监控目标用户的个人信息、兴趣。UMC支持对用户观看记录和所需资源的管理、调度和安全控制。通常，每个用户的个性化的喜好信息可以通过一些智能设备，如PC、移动电话、便携式电脑来产生。在提出的系统中，每个智能设备独立地向UMC传输观看历史。

推荐引擎(Recommendation Engine，RE)基于以下信息来计算推荐列表：1)由UMC创建的目标用户浏览统计信息；2)和目标用户对电视节目显示相似兴趣的用户所喜欢的节目；3)由节目相似度所决定的推荐列表；4)目标用户选择节目的历史信息。

(2)基于双聚类的电视节目推荐算法

目前数据挖掘技术已经广泛地用于电子商务推荐系统中，推荐算法已经使用了很多数据挖掘算法。其中聚类数据挖掘算法与协同过滤推荐算法的结合有以下两种：基于项目聚类的协同过滤推荐算法和基于用户聚类的协同过滤推荐算法。基于项目聚类的协同过滤算法仅能在目标节目所在的节目类别或几个类别上生成，而不是整个节目空间。这样虽然带来了较快的推荐速度，但是无法解决“跨类型推荐”的问题。基于用户聚类的协同过滤算法在目标用户所在的用户类别或几个类别上生成，虽然推荐速度也较快，但是无法解决数据的稀疏性问题，推荐质量也不高。因此，本发明主要关注如何综合利用用户聚类和节目聚类产生的推荐，避免数据稀疏问题带来的影响和跨类型推荐的问题。

算法的基本流程如图3所示，实现包括以下步骤：

(a)输入用户-节目评分矩阵：将用户对电视节目的评分数据组织成用户-节目评分矩阵，作为算法输入。

(b)节目聚类：对用户-节目矩阵里的所有节目进行聚类，根据相似度阈值或者要求聚类的数目K将电视节目聚成K类。

(c)预测未评分节目评分：在每个电视节目类别上使用基于项目的协同过滤算法，计算未评价电视节目的预测值。选取前N个预测值，填入用户-节目矩阵中，形成新的用户-节目矩阵。

(d)生成最近邻居节目集：根据目标节目所在的节目类别或几个类别生成目标节目最近邻居节目集。

(e)产生推荐：通过对目标用户的相似节目评价进行加权平均计算预期。

(f)用户聚类：对用户-节目矩阵里的所有用户进行聚类，根据相似度阈值或者要求聚类的数目U将节目聚成U类。

(g)生成最近用户数据集：根据目标用户所在的用户类别或几个类别生成目标用户最近邻居用户集。

(h)产生推荐：通过对目标用户的邻居用户的节目评价进行加权平均计算预期。

(i)综合用户聚类和节目聚类产生的推荐：加权平均选取前N个节目推荐给用户。

详细算法描述如下：

●节目聚类

使用经典的聚类算法——Chameleon算法，算法过程如下：

输入：聚类个数p，包含n个节目/用户的集合。

输出：p个聚类。

算法过程：

1)构造k最近邻图；

2)使用多层图划分算法划分图；

3)repeat；

4)合并关于相对互联性和显贵接近性而言，最好地保存簇的自相似性的簇；

5)直到不再有可以合并的簇。

Chameleon算法接受输入量p；然后将n个数据对象划分为p个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高，而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中距离最近的对象之间的距离进行计算的。对用户-节目矩阵里的节目/用户进行聚类，将节目/用户划分为p个簇，每个簇内包含相似的项节目/用户。根据节目/用户的划分，把原用户-节目矩阵划分为几个子矩阵。聚类完的节目聚类将做为预测未评分节目评分的输入，用户聚类将作为基于用户的协同过滤算法产生推荐的输入。

●预测未评分节目评分

为了使数据集变得更稠密，必须增加用户对节目的评价，但是事实上用户对节目的评价又是非常有限的。所以只能根据已有的信息，通过算法的分析来获取更多的信息。对聚类后的每一个用户-项矩阵，使用基于项目的协同过滤算法。算法过程如下：

输入：p个用户-项矩阵R_tv，邻居项个数NI，推荐项个数N

输出：p个稠密的用户-项矩阵R′_tv

算法过程：

对于每一个用户-项矩阵R_tv

1)对于每一个项i(所有用户都已评价的项除外)

a.计算目标项与其它项的相似度，选取最相似的N个项作为它的邻居。

b.根据目标项已有的评价信息和邻居项的评价信息。使用预测值计算公式计算未评价项的预测值。选取预测值最大的N个预测值作为推荐评价集合。

2)合并v个推荐评价集合。从这个大集合里选取前N个预测值组成最终推荐评价集合。

3)把推荐评价集合里的预测值填入用户-节目矩阵中，形成新的用户-节目矩阵R_tv预测值填入后使得用户-节目矩阵变得稠密，这些新的稠密的矩阵就是节目聚类产生推荐中用到的用户-节目矩阵。

●节目聚类产生推荐

经过节目聚类和预测未评分节目评分后，得到了一个比较好的适用于协同过滤计算的用户-节目矩阵。对每一个用户i，选取他感兴趣的1个矩阵，也就是包含较多这个用户的评价项的矩阵，作为对用户i的推荐产生数据源。在这个基础上，使用基于用户的协同过滤算法，产生推荐项。详细算法描述如下：

输入：1个用户-项矩阵R′_tv，邻居用户个数NU，推荐项个数N

输出：推荐项集合RI

算法过程：

对于每一个目标用户i

1)对于每一个用户-项矩阵R′_tv

a.计算用户i与其它用户的相似度，选取最相似的NU个项作为它的最近邻居。

b.根据用户i已有的评价信息和最近邻居的评价信息，使用预测值计算公式计算未评价项的预测值。选取预测值最大的N个预测值作为推荐评价集合。

2)合并Z个推荐评价集合，从这个大集合里选取前N个预测值组成最终推荐评价集合。

3)把推荐评价集合里的项提取出来，形成用户i的推荐集合RI_i。

●用户聚类产生推荐

对于目标用户i，选取其所在的1个矩阵作为用户-项评分矩阵输入。在这个基础上，使用基于用户的协同过滤算法，产生推荐项。算法过程如下：

输入：1个用户-项矩阵R′_tv邻居用户个数NU，推荐项个数N

输出：推荐项集合RI

算法过程：

对于每一个目标用户i

1)对于每一个用户-项矩阵R′_tv

2)把推荐评价集合里的项提取出来，形成用户i的推荐集合RI_i

●结合节目聚类和用户聚类产生的推荐

对于目标用户i，通过节目聚类产生推荐RI_i1，通过用户聚类产生推荐RI_i2，如果两推荐中有相同节目，则加权求和，最后选择预测值最大的N个预测值组成最终推荐节目集合。

(3)电视节目推荐原型系统

电视节目推荐原型系统主要由三部分构成：输入功能模块、推荐处理模块与输出功能模块。

电视节目推荐系统的输入功能模块是推荐系统和用户交互的窗口，承担着收集用户观看行为偏好数据的重要任务。该模块通过给用户提供一定的界面和方式，使用户能够方便的使用电视节目网站，同时也必须方便推荐系统收集用户的行为偏好数据。

推荐处理模块是电视节目推荐系统的核心部分。按照上文提出的双聚类协同过滤算法，该模块主要包括以下三个重要的方面：用户管理云的构建、电视节目管理云的构建和推荐引擎。

输出功能模块的主要任务是向用户展示推荐结果。推荐系统在获得用户行为偏好信息后，经过推荐算法的运算后向用户以电视节目列表或者浏览建议的形式进行推荐。

基于双聚类的电视节目推荐系统的性能必须得到原型系统的证明。需要提供一个建立在机顶盒和(或)智能手机上的“电视节目和用户管理云平台”，以及建立在其上的电视节目推荐系统。所有的数据文件都将使用分布式文件系统来存储，在这些数据上的检索也将使用并行计算的模型，利用数学模型分析来证明基于双聚类的电视节目推荐系统的可行性，证明其数据管理的高效性和资源节约性等。

以上所述仅是本的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本的保护范围。

Claims

1.一种电视节目推荐方法，其特征在于，包括：

构建电视节目管理云和用户管理云，确定电视节目资源和用户观看行为方式的关联关系；

基于所述电视节目管理云和用户管理云，采取节目聚类和用户聚类的双聚类协同过滤算法，得到推荐结果；

根据推荐结果向目标用户进行电视节目推荐。

2.根据权利要求1所述方法，其特征在于，所述电视节目管理云和用户管理云是依据以下参数构建的：电视播放次数、播放频道、播放长度、内容分类、用户观看时间、用户观看次数等，以及这些参数之间的关系。

3.根据权利要求1所述方法，其特征在于，所述推荐结果是依据以下信息得到的：

目标用户浏览统计信息；目标用户对电视节目显示相似兴趣的用户所喜欢的节目；由节目相似度所决定的推荐列表；目标用户选择节目的历史信息。

4.根据权利要求1所述方法，其特征在于，所述用户聚类和节目聚类的双聚类协同过滤算法的处理过程包括：

5.根据权利要求1所述方法，其特征在于，以电视节目列表或者浏览建议的形式向目标用户进行电视节目推荐。

6.一种电视节目推荐系统，其特征在于，包括输入功能模块、

推荐处理模块和输出功能模块，其中：

所述输入功能模块，用于作为推荐系统和用户交互的窗口，收集用户观看行为偏好数据；

所述推荐处理模块，用于构建电视节目管理云和用户管理云，确定电视节目资源和用户观看行为方式的关联关系；并基于所述电视节目管理云和用户管理云，采取节目聚类和用户聚类的双聚类协同过滤算法，得到推荐结果；

所述输出功能模块，用于根据推荐结果向目标用户进行电视节目推荐。

7.根据权利要求6所述系统，其特征在于，所述推荐处理模块依据以下参数构建电视节目管理云和用户管理云：电视播放次数、播放频道、播放长度、内容分类、用户观看时间、用户观看次数等，以及这些参数之间的关系。

8.根据权利要求6所述系统，其特征在于，所述推荐处理模块依据以下信息得到推荐结果：

9.根据权利要求6所述系统，其特征在于，所述推荐处理模块基于项目的协同过滤算法实现节目聚类、基于用户的协同过滤算法实现用户聚类。

10.根据权利要求6所述系统，其特征在于，所述输出功能模块以电视节目列表或者浏览建议的形式向目标用户进行电视节目推荐。