一種基於機頂盒的數位電視節目推薦方法及系統的製作方法
2023-09-22 23:06:40 1
專利名稱：一種基於機頂盒的數位電視節目推薦方法及系統的製作方法
技術領域：
本發明涉及數字家庭技術領域，具體涉及到一種基於機頂盒的數位電視節目推薦方法及系統。
背景技術：
隨著數位電視技術的快速發展，有線數位電視系統在目前編碼與調製制式下可以達到500 600套節目的傳輸容量。將出現電視用戶在如此眾多的節目中無法挑選他們感興趣的內容的問題。為徹底解決這種電視信息「過載」問題，電子節目指南必須具有智能性， 它能夠根據用戶的興趣、愛好和規律自動提前向用戶推薦電視節目，同時它還能自動跟蹤用戶興趣的變化而對所推薦的電視節目作出調整，這就是數位電視節目推薦系統的概念。在電視節目推薦系統領域，TV-Advisor系統利用用戶的顯性反饋自動調整用戶特徵，從而向用戶推薦符合其特徵的電視節目；P-EPG(Personal-Electronic Program Guide)系統和Multi-Agent系統在利用顯性反饋信息的同時，從用戶收視記錄中自動提取用戶的隱形反饋信息，從而更好更全面地反映用戶興趣特徵。上述兩個系統都是基於內容的推薦系統。PTV(Personal TV)系統和TV-Scout系統在應用基於內容的推薦機制的同時引入合作過濾機制，使得推薦的節目更加符合用戶的心願。
發明內容
本發明提供了一種基於機頂盒的數位電視節目推薦系統，該系統是基於內容過濾和合作過濾混合方式的個人電視節目推薦系統來進行操作的，由以下四個功能模塊組成， 分別是用戶特性文件模塊、節目特性文件模塊、合作過濾模塊、推薦模塊；其中，節目特性文件模塊從節目分類，節目製作信息，節目內容信息，節目播出信息方面來描述；其中，節目製作信息包括主要演員、導演、製作商、製作年代等；節目內容信息包括對節目內容的文字描述；節目播出信息包括節目的播出頻道、播出時間等；用戶特性文件模塊描述用戶對電視節目的喜好、不喜好和要求；推薦模塊採用基於內容相似度匹配的推薦機制，也可以採用基於合作過濾模塊的推薦機制；基於內容的推薦機制通過計算用戶特徵向量與節目特徵向量之間的相似度，然後將相似度高的節目推薦給用戶；合作過濾模塊通過尋找與特定用戶有相似愛好的k個近鄰，將系統推薦給這k個近鄰的電視節目中具有較高頻率的節目也推薦給該用戶。在計算相似度的過程時，還必須考慮分量特性在相似度計算中的權重；合作過濾的關鍵在於近鄰的選取，但是近鄰的選取要求該用戶具有較長時間的收視記錄，因此，對於新註冊用戶，系統還必須依賴基於內容的推薦機制，同時對於用戶興趣的突然變化，合作過濾推薦機制也無法作出及時的反應；所以，完善的個人電視節目推薦系統必須將基於內容的推薦機制和基於合作過濾的推薦機制有機地結合起來。用戶特性文件模塊中由於需要反映用戶對電視節目不確定的需求或喜好，所以對用戶特性的描述必需用到模糊集的概念；另外，由於電視節目所包含的領域廣泛，用戶對電視節目的喜好會發生變化，為動態地捕捉用戶的這種變化，必需引入反饋的概念，使用戶特
4性文件自適應地隨用戶興趣的變化而變化。初始用戶特性的獲取有2種方式第1種方式是在用戶註冊成為推薦系統的用戶時要求用戶向系統提供系統設計的調查問卷，第2種方式是根據社會調查信息給予用戶初始特性，必要時需要將兩種方式結合起來；在第1種方式中，用戶需要提供的信息分為兩類第1類是用戶的基本信息，包括性別、職業、年齡，收看電視的時間、喜好節目的類別等硬性信息；第2類是用戶曾經看過的最喜歡的電視節目和最不喜歡的電視節目等軟性信息；用戶特性文件的自動更新依賴於用戶信息的反饋和反饋信息的提取。用戶信息的反饋分為顯性反饋和隱性反饋兩種，顯性反饋是系統向用戶提供交互操作界面，用戶可對系統提供的推薦結果作出評價，並且用戶隨時可以修改其特性文件的內容，顯性反饋有利於反映用戶突然的興趣變化，對於非交互式電視網絡，即沒有使用STB 的電視網絡，顯性反饋是唯一的反饋方式；隱性反饋依靠STB自動記錄用戶的歷史收視清單，並將這些信息自動反饋給系統以提取有用的信息，隱性反饋更有利於反映用戶漸進式的興趣變化。本發明還提供了一種基於機頂盒的數位電視節目推薦方法，該方法中採用在用戶註冊成為推薦系統用戶時要求用戶向系統提供系統設計的調查問卷，或者根據社會調查信息給予用戶初始特性；特性主要包括用戶的性另I」、職業、年齡、收看電視的時間、喜好節目的類別等硬性信息；以及喜愛的節目和不喜歡的節目，這類為顯性用戶信息，同時提取用戶的隱性信息，包括用戶正在收看的節目，經常看的節目類別等等，提取用戶特性信息後從中抽取用戶特徵向量，同時對節目類別，節目內容也抽取節目特徵向量，然後計算兩者的相似度，根據相似度進行用戶喜愛節目種類和類別進行聚類算法，通過數據挖掘算法K-NN算法找出在歐式距離最相近的K個鄰近節目形成推薦列表，推薦給用戶。上述技術方案可以看出，由於本發明採用了一種基於機頂盒的數位電視節目推薦方法，該方法充分利用了 MPEG視頻流的結構特點和I幀間隔的統計特性，在準確性和效率方面比傳統的算法都有明顯的性能提高。此外，該算法的軟體實現簡單，可移植性能好，易於嵌入其他視頻檢索及分析算法。
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其它的附圖。圖1是本發明的方法流程圖；圖2是本發明的系統模塊圖。
具體實施例方式下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其它實施例，都屬於本發明保護的範圍。
本發明提出了一種基於機頂盒的數位電視節目推薦方法，如圖1所示為本發明方法的流程圖。該方法採用的是自適應濾波算法LMS進行預測的快速I幀搜索方法。該算法充分利用了 MPEG視頻流的結構特點和I幀間隔的統計特性，在準確性和效率方面比傳統的算法都有明顯的性能提高。此外，該算法的軟體實現簡單，可移植性能好，易於嵌入其他視頻檢索及分析算法。該方法中採用在用戶註冊成為推薦系統用戶時要求用戶向系統提供系統設計的調查問卷，或者根據社會調查信息給予用戶初始特性。特性主要包括用戶的性別、職業、年齡、收看電視的時間、喜好節目的類別等硬性信息；以及喜愛的節目和不喜歡的節目，這類為顯性用戶信息，同時提取用戶的隱性信息，包括用戶正在收看的節目，經常看的節目類別等等，提取用戶特性信息後從中抽取用戶特徵向量，同時對節目類別，節目內容也抽取節目特徵向量，然後計算兩者的相似度，根據相似度進行用戶喜愛節目種類和類別進行聚類算法，通過數據挖掘算法K-NN算法找出在歐式距離最相近的K個鄰近節目形成推薦列表，推薦給用戶。本發明提出的一種基於機頂盒的數位電視節目推薦系統，主要是基於內容過濾和合作過濾混合方式的個人電視節目推薦系統來進行操作的，如圖2所示主要由以下四個功能模塊組成用戶特性文件模塊、節目特性文件模塊、合作過濾模塊、推薦模塊。節目特性文件模塊可以從節目分類，節目製作信息，節目內容信息，節目播出信息等幾個方面來描述。其中，節目製作信息包括主要演員、導演、製作商、製作年代等；節目內容信息包括對節目內容的文字描述；節目播出信息包括節目的播出頻道、播出時間等。國家標準和DVB(digital video broadcasting)對電視節目進行了兩層分類。因此可以從 SKservice info rma2t i on，Si)信息中得到電視節目的分類信息。但是由於SI的分類信息不盡完善，並且SI信息有時也無法得到，因此，有必要自己定義更加詳盡更加深入的分類樹。另外，由於同一節目可能會屬於不同的類別，還必需定義每一個節目屬於不同類別的權重。分類信息只能框架性地定義節目屬性，如果需要進一步描述節目特性，文字描述是有益的。對節目特性的描述涉及不同的描述方式，例如有數字型描述(如節目時間等)、文字型描述等，因此在與用戶特性文件的匹配時必需考慮描述方式的對應，並且不同的描述方式需要採用不同的匹配準則例如文字型的採用Boolean準則。用戶特性文件模塊描述用戶對電視節目的喜好、不喜好和要求。由於需要反映用戶對電視節目不確定的需求或喜好，所以對用戶特性的描述必需用到模糊集的概念。另外， 由於電視節目所包含的領域廣泛，用戶對電視節目的喜好會發生變化，為動態地捕捉用戶的這種變化，必需引入反饋的概念，使用戶特性文件自適應地隨用戶興趣的變化而變化。初始用戶特性的獲取有2種方式第1種方式是在用戶註冊成為推薦系統的用戶時要求用戶向系統提供系統設計的調查問卷；第2種方式是根據社會調查信息給予用戶初始特性。必要時需要將兩種方式結合起來。在第1種方式中，用戶需要提供的信息分為兩類第1類是用戶的基本信息，包括性別、職業、年齡，收看電視的時間、喜好節目的類別等硬性信息；第2類是用戶曾經看過的最喜歡的電視節目和最不喜歡的電視節目(數量越多越好)等軟性信息。用戶特性文件的自動更新依賴於用戶信息的反饋和反饋信息的提取。用戶的信息反饋分為顯性反饋和隱性反饋兩種。顯性反饋是系統向用戶提供交互操作界面，用戶可對系統提供的推薦結果作出評價，並且用戶隨時可以修改其特性文件的內容。顯性反饋有利於反映用戶突然的興趣變化，對於非交互式電視網絡(沒有使用STB)，顯性反饋是唯一的反饋方式。隱性反饋依靠STB自動記錄用戶的歷史收視清單，並將這些信息自動反饋給系統以提取有用的信息，隱性反饋更有利於反映用戶漸進式的興趣變化。推薦模塊可以採用基於內容相似度匹配的推薦機制，也可以採用基於合作過濾的推薦機制。基於內容的推薦機制通過計算用戶特徵向量與節目特徵向量之間的相似度，然後將相似度高的節目推薦給用戶。在計算相似度的過程時，還必須考慮分量特性在相似度計算中的權重，基於內容的推薦方法除了利用上述相似度匹配方法之外，也可以採用Bayes 分類算法。由於電視節目內容描述信息有限，因此基於內容的推薦機制不能充分匹配用戶和節目的特性。合作過濾機制通過尋找與特定用戶有相似愛好的k個近鄰，將系統推薦給這k個近鄰的電視節目中具有較高頻率的節目也推薦給該用戶。合作過濾的關鍵在於近鄰的選取，但是近鄰的選取要求該用戶具有較長時間的收視記錄，因此，對於新註冊用戶，系統還必須依賴基於內容的推薦機制，同時對於用戶興趣的突然變化，合作過濾推薦機制也無法作出及時的反應。所以，完善的個人電視節目推薦系統必須將基於內容的推薦機制和基於合作過濾的推薦機制有機地結合起來。作為數位電視節目推薦系統研究的第一步，構建一個結構完整、基於實際播出平臺的系統是必要的，本文依託深圳市有線數位電視平臺真實的頻道、用戶和節目環境，基於顯性用戶特徵，搭建了國內第1個數位電視節目推薦系統。具體實施如下用戶顯性特性文件的定義用戶在申請註冊成為系統用戶的過程中，系統將要求用戶提供兩方面的用戶信息。第1類信息是普通用戶信息，例如姓名、年齡、性別、職業、收入水平、受教育程度、定購的頻道名稱、希望的節目推薦方式包括郵件、手機簡訊、網站主頁等；第2類信息是用戶的收視喜好信息，例如對各頻道的喜好程度、對各收視時間段的喜好程度、對節目類別，包括二級類別的喜好程度、從系統所列演員和導演庫中挑選所喜愛的對象並註明喜好程度等。 第2類特徵是一種定量的用戶特徵，將用於推薦算法的計算。節目特性文件的定義對於一個特定的節目，其特性文件由下列要素組成節目名稱、節目播出的時間以及持續時間、節目播出的頻道、節目第1和第2級類別、演員或主持人信息、導演或製作人信息、節目內容簡介、節目劇照或片花等。在規劃節目特性文件過程中，我們又將其分為動態信息和靜態信息兩種，動態信息主要指各頻道節目的名稱及播出時間，靜態信息主要指節目對應的其他信息，並且採用XML格式對節目特性進行定義。以下是用XML格式對中央電視一臺2005年11月21日晚上19:55至20:47時段節目特性文件的定義示例〈Program channel = 「 13 「 star t = 「 20051121195500 「 stop = 「20051121204700" >〈title > 劇場家風 O) 〈credits〉 王慶祥 王海燕 〈/credits〉
錦萍偷偷跑到幼兒園接出了貝貝！楊正民終於在遊樂場見到了自己的親孫女......〈Content Type)〈Base Type)電視劇〈/Base Type)〈Extended Type)都市生活情感〈/Extended Type)〈/Content Type)在DVB分類與國家分類標準之上，我們結合中國的實際情況，對節目分類進行了調整，定義了電影、電視劇、新聞、財經、文化娛樂、體育健身、戲曲、少兒、科教、動畫、紀錄片、旅遊生活、訪談、軍事、法制、專題16個1級類別，和IM個2級類別。例如電視劇的2 級類別有港臺、日韓、外國、政治題材、歷史題材、都市生活情感題材、公檢法涉案題材、農村題材、少兒題材、部隊生活題材、宮廷戲說題材、武俠神話題材、室內情景喜劇、電視藝術片和動畫片15個。推薦機制基於用戶顯性特徵的推薦方法。顯性推薦指數為E = w[t]r[t]+w[c]r[c] + (l/K) Σ w[i]r[i],w[t],w[c],w[i]分別表示觀看電視喜好的時間、頻道和屬性(屬性有K類)的權重，分別取0. 1、0.2和0.7 ;r[t]、r[c]、r[i]分別表示對應的值。本文基於上述節目特性的實際情況，對上述算法作了調整，具體表示如下E = w[t]r[t]+w[c]r[c]+w[g] Σ w[i]r[i]/w[i]式中的wg表示屬性項的整體權重，時間、頻道與屬性的權重依照測試結果優化分布，各子類屬性的權重將視子類權重的重要程度確定。需要說明的是，上述裝置和系統內的各單元之間的信息交互、執行過程等內容，由於與本發明方法實施例基於同一構思，具體內容可參見本發明方法實施例中的敘述，此處不再贅述。本領域普通技術人員可以理解上述實施例的各種方法中的全部或部分步驟是可以通過程序來指令相關的硬體來完成，該程序可以存儲於一計算機可讀存儲介質中，存儲介質可以包括只讀存儲器(ROM，Read Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或光碟等。以上對本發明實施例所提供的一種基於機頂盒的數位電視節目推薦方法及系統， 進行了詳細介紹，本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用於幫助理解本發明的方法及其核心思想；同時，對於本領域的一般技術人員，依據本發明的思想，在具體實施方式
及應用範圍上均會有改變之處，綜上所述本說明書內容不應理解為對本發明的限制。
權利要求
1.一種基於機頂盒的數位電視節目推薦系統，其特徵在於，該系統是基於內容過濾和合作過濾混合方式的個人電視節目推薦系統來進行操作的，由以下四個功能模塊組成，分別是用戶特性文件模塊、節目特性文件模塊、合作過濾模塊、推薦模塊；其中，節目特性文件模塊從節目分類，節目製作信息，節目內容信息，節目播出信息方面來描述；其中，節目製作信息包括主要演員、導演、製作商、製作年代等 』節目內容信息包括對節目內容的文字描述； 節目播出信息包括節目的播出頻道、播出時間等；用戶特性文件模塊描述用戶對電視節目的喜好、不喜好和要求；推薦模塊採用基於內容相似度匹配的推薦機制，也可以採用基於合作過濾模塊的推薦機制；基於內容的推薦機制通過計算用戶特徵向量與節目特徵向量之間的相似度，然後將相似度高的節目推薦給用戶；合作過濾模塊通過尋找與特定用戶有相似愛好的k個近鄰，將系統推薦給這k個近鄰的電視節目中具有較高頻率的節目也推薦給該用戶。
2.根據權利要求1所述的系統，其特徵在於，用戶特性文件模塊中由於需要反映用戶對電視節目不確定的需求或喜好，所以對用戶特性的描述必需用到模糊集的概念；另外，由於電視節目所包含的領域廣泛，用戶對電視節目的喜好會發生變化，為動態地捕捉用戶的這種變化，必需引入反饋的概念，使用戶特性文件自適應地隨用戶興趣的變化而變化；初始用戶特性的獲取有2種方式第1種方式是在用戶註冊成為推薦系統的用戶時要求用戶向系統提供系統設計的調查問卷，第2種方式是根據社會調查信息給予用戶初始特性，必要時需要將兩種方式結合起來；在第1種方式中，用戶需要提供的信息分為兩類第 1類是用戶的基本信息，包括性別、職業、年齡，收看電視的時間、喜好節目的類別等硬性信息；第2類是用戶曾經看過的最喜歡的電視節目和最不喜歡的電視節目等軟性信息；用戶特性文件的自動更新依賴於用戶信息的反饋和反饋信息的提取。
3.根據權利要求1或2所述的系統，其特徵在於，用戶信息的反饋分為顯性反饋和隱性反饋兩種，顯性反饋是系統向用戶提供交互操作界面，用戶可對系統提供的推薦結果作出評價，並且用戶隨時可以修改其特性文件的內容，顯性反饋有利於反映用戶突然的興趣變化，對於非交互式電視網絡，即沒有使用STB的電視網絡，顯性反饋是唯一的反饋方式；隱性反饋依靠STB自動記錄用戶的歷史收視清單，並將這些信息自動反饋給系統以提取有用的信息，隱性反饋更有利於反映用戶漸進式的興趣變化。
4.根據權利要求1所述的系統，其特徵在於，在計算相似度的過程時，還必須考慮分量特性在相似度計算中的權重；合作過濾的關鍵在於近鄰的選取，但是近鄰的選取要求該用戶具有較長時間的收視記錄，因此，對於新註冊用戶，系統還必須依賴基於內容的推薦機制，同時對於用戶興趣的突然變化，合作過濾推薦機制也無法作出及時的反應；所以，完善的個人電視節目推薦系統必須將基於內容的推薦機制和基於合作過濾的推薦機制有機地結合起來。
5.一種基於機頂盒的數位電視節目推薦方法，其特徵在於，該方法中採用在用戶註冊成為推薦系統用戶時要求用戶向系統提供系統設計的調查問卷，或者根據社會調查信息給予用戶初始特性；特性主要包括用戶的性另U、職業、年齡、收看電視的時間、喜好節目的類別等硬性信息；以及喜愛的節目和不喜歡的節目，這類為顯性用戶信息，同時提取用戶的隱性信息，包括用戶正在收看的節目，經常看的節目類別等等，提取用戶特性信息後從中抽取用戶特徵向量，同時對節目類別，節目內容也抽取節目特徵向量，然後計算兩者的相似度，根據相似度進行用戶喜愛節目種類和類別進行聚類算法，通過數據挖掘算法K-NN算法找出在歐式距離最相近的K個鄰近節目形成推薦列表，推薦給用戶。
全文摘要
本發明公開了一種基於機頂盒的數位電視節目推薦系統，該系統主要是基於內容過濾和合作過濾混合方式的個人電視節目推薦系統來進行操作的，主要由以下四個功能模塊組成用戶特性文件模塊、節目特性文件模塊、合作過濾模塊、推薦模塊。同時，本發明還公開了一種基於機頂盒的數位電視節目推薦方法。通過本發明使得設計中數據準確性和執行效率很高，從而向用戶推薦符合其特徵的電視節目，同時通過基於內容的推薦機制的同時引入合作過濾機制，使得推薦的節目更加符合用戶的心願。
文檔編號G06F17/30GK102184235SQ20111012456
公開日2011年9月14日 申請日期2011年5月13日 優先權日2011年5月13日
發明者關友強, 凌伯輝, 賴增軍, 鍾燦威 申請人:廣州星海傳媒有限公司