用於社交電視的視頻推薦方法和裝置製造方法
2023-06-07 04:04:51 1
用於社交電視的視頻推薦方法和裝置製造方法
【專利摘要】本發明提出一種用於社交電視的視頻推薦方法和裝置，方法包括：獲取多個用戶的歷史直播數據；根據歷史直播數據獲取每個用戶觀看每個視頻節目的次數信息，根據次數信息生成用戶-節目打分矩陣；獲取n個時間片，根據n個時間片對用戶-節目打分矩陣進行劃分和打分權重調整，以獲取每個時間片對應的用戶-節目-時間片打分矩陣；獲取多個用戶在社交電視平臺上的關注信息並生成用戶社交關係矩陣；根據用戶社交關係矩陣和每個時間片對應的用戶-節目-時間片打分矩陣獲取在每個時間片給每個用戶推薦的第一推薦結果，將第一推薦結果與電子導航菜單中的節目進行匹配，生成第二推薦結果。該方法可在不同時間為不同用戶提供個性化視頻推薦，提升用戶體驗。
【專利說明】用於社交電視的視頻推薦方法和裝置
【技術領域】
[0001]本發明涉及電子信息【技術領域】，特別涉及一種用於社交電視的視頻推薦方法和裝置。
【背景技術】
[0002]長期以來廣播電視是單向廣播式的，人們只能被動地收聽收看電臺播出的節目。然而隨著新媒體的快速發展，傳統電視的「你播我看」模式已不能完全滿足觀眾的需求。
[0003]一種可涉及多種終端互動的電視觀看模式正在興起，這種模式可將電視屏的內容與計算機、平板電腦和手機等其它屏幕的社交媒體(如推特網Twitter和臉譜網Facebook等)進行無縫結合，整合了語音傳播、文字聊天、電視推薦的服務，使用戶、終端和網絡之間互聯，讓電視成為社交媒體終端的一部分，以增加電視的觀看體驗，即所謂的社交電視(Social TV)。社交電視服務能夠在用戶觀看電視(視頻)節目的場景下，提供傳播及社交互動的任何應用社交電視系統在電視內容的基礎上，可整合文字聊天，情境感知，電視推薦，收視率調查，語音傳播，視頻聚會等服務。
[0004]但是，目前許多社交電視平臺的直播電視推薦都是根據人工手動進行編輯。然而隨著用戶行為信息的迅猛增加，大量社交媒體內容充斥著網絡。用戶可以觀看的節目數量也呈爆炸式增長。這種根據人工手動進行編輯的直播推薦方式的存在以下缺點:(1)面對日益豐富的節目內容，根據人工手動進行編輯需要耗費大量時間和人力；(2)這種直播推薦方式對所有用戶的推薦內容都相同，缺乏針對性，從而導致用戶體驗差。
【發明內容】
[0005]本發明旨在至少在一定程度上解決相關技術中的技術問題之一。為此，本發明的第一個目的在於提出一種用於社交電視的視頻推薦方法。該方法避免了人工手動編輯帶來的耗時耗力的問題，實現了在不同時間段為不同用戶提供個性化的直播視頻推薦，大大提升了用戶體驗。
[0006]本發明的第二個目的在於提出一種用於社交電視的視頻推薦裝置。
[0007]為了實現上述目的，本發明第一方面實施例的用於社交電視的視頻推薦方法，包括:獲取多個用戶的歷史直播數據；根據所述歷史直播數據獲取每個用戶觀看每個視頻節目的次數信息，並根據所述次數信息生成用戶-節目打分矩陣；獲取η個時間片，並根據所述η個時間片對所述用戶-節目打分矩陣進行劃分和打分權重調整，以獲取每個時間片對應的用戶-節目-時間片打分矩陣，其中，η為正整數；獲取所述多個用戶在社交電視平臺上的關注信息，並根據所述關注信息生成用戶社交關係矩陣；以及根據所述用戶社交關係矩陣和所述每個時間片對應的用戶-節目-時間片打分矩陣獲取在所述每個時間片給所述每個用戶推薦的第一推薦結果，並將所述第一推薦結果與電子導航菜單中的節目進行匹配，以生成第二推薦結果。
[0008]根據本發明實施例的用於社交電視的視頻推薦方法，由於採用了時間片劃分技術，解決了視頻推薦中的數據稀疏性問題；同時考慮了用戶的社交關係對視頻推薦的影響，使得視頻推薦更具有針對性。從而實現了在不同時間段為不同用戶提供個性化的直播視頻推薦，大大提升了用戶體驗，同時也避免了通過人工手動編輯進行推薦帶來的耗時耗力的問題。
[0009]為了實現上述目的，本發明第二方面實施例的用於社交電視的視頻推薦裝置，包括:歷史數據獲取模塊，用於獲取多個用戶的歷史直播數據；打分矩陣生成模塊，用於根據所述歷史直播數據獲取每個用戶觀看每個視頻節目的次數信息，並根據所述次數信息生成用戶-節目打分矩陣；時間片劃分模塊，用於獲取η個時間片，並根據所述η個時間片對所述用戶-節目打分矩陣進行劃分和打分權重調整，以獲取每個時間片對應的用戶-節目-時間片打分矩陣，其中，η為正整數；社交關係矩陣生成模塊，用於獲取所述多個用戶在社交電視平臺上的關注信息，並根據所述關注信息生成用戶社交關係矩陣；第一推薦結果生成模塊，用於根據所述用戶社交關係矩陣和所述每個時間片對應的用戶-節目-時間片打分矩陣獲取在所述每個時間片給所述每個用戶推薦的第一推薦結果；以及第二推薦結果生成模塊，用於將所述第一推薦結果與電子導航菜單中的節目進行匹配，以生成第二推薦結果。
[0010]本發明實施例的用於社交電視的視頻推薦裝置，由於時間片劃分模塊對用戶-節目打分矩陣進行基於時間片的劃分和打分權重調整，解決了視頻推薦中的數據稀疏性問題；同時社交關係矩陣生成模塊考慮了用戶的社交關係對視頻推薦的影響，使得視頻推薦更具有針對性。從而實現了在不同時間段為不同用戶提供個性化的直播視頻推薦，大大提升了用戶體驗，同時也避免了通過人工手動編輯進行推薦帶來的耗時耗力的問題。
【專利附圖】
【附圖說明】
[0011]圖1是根據本發明一個實施例的用於社交電視的視頻推薦方法的流程圖；
[0012]圖2是根據本發明一個實施例的歷史直播數據和用戶-節目打分矩陣的示意圖；
[0013]圖3是根據本發明一個實施例的用戶-節目-時間片打分矩陣的生成過程示意圖；
[0014]圖4是根據本發明實施例的獲取第一推薦結果的流程圖；
[0015]圖5是根據本發明一個實施例的用於社交電視的視頻推薦裝置的結構示意圖；
[0016]圖6是根據本發明一個實施例的第一推薦結果生成模塊的結構示意圖。
【具體實施方式】
[0017]下面詳細描述本發明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用於解釋本發明，而不能理解為對本發明的限制。
[0018]目前，許多社交電視平臺的直播電視推薦採用人工手動進行編輯的方式，存在耗時耗力、推薦的視頻缺乏針對性等問題。要解決上述問題，可以從以下三個方面著手:(1)如何將用戶在社交電視的視頻播放行為信息應用到推薦中。社交電視平臺向用戶提供了一個電視觀看前，觀看中，觀看後的交流分享平臺。通過相關的信息分享交流，可以促成用戶對節目信息更廣泛，更快的傳播。也可能使得用戶對於內容有更深層次的關注。這些觀眾在社交電視上的言論可以收集起來，進行處理和分析，用於推薦；(2)如何將用戶在社交電視的社交行為信息應用到推薦中。用戶的電視/視頻節目興趣不是單一的。因此其在社交網絡上的交流肯定覆蓋一定數量的。同時社交網絡會有高端影響力者，熱心用戶或鐵桿粉絲，以及當前潮流導向，對用戶的選擇產生影響；(3)直播視頻推薦本身的挑戰，數據稀疏性、實時性等問題。
[0019]為此，本發明提出了一種用於社交電視的視頻推薦方法和裝置。下面參考附圖描述本發明實施例的用於社交電視的視頻推薦方法和裝置。
[0020]圖1是根據本發明一個實施例的用於社交電視的視頻推薦方法的流程圖。
[0021]如圖1所示，本發明實施例的用於社交電視的視頻推薦方法包括以下步驟。
[0022]SlOl，獲取多個用戶的歷史直播數據。
[0023]具體地，獲取多個用戶在社交電視平臺的歷史直播數據，並對歷史直播數據進行預處理，例如，刪去信息缺失、內容無效等噪音，以篩選出有效的歷史直播數據。
[0024]在本發明的實施例中，歷史直播數據包括用戶標識、視頻節目標識、頻道標識、觀看起始時間和觀看結束時間。
[0025]S102，根據歷史直播數據獲取每個用戶觀看每個視頻節目的次數信息，並根據次數信息生成用戶-節目打分矩陣。
[0026]在本發明的實施例中，根據歷史直播數據中的用戶標識、視頻節目標識等信息獲取每個用戶觀看每個視頻節目的次數，然後根據用戶標識、視頻節目標識以及次數生成用戶-節目打分矩陣。
`[0027]具體地，例如，圖2所示為歷史直播數據和用戶-節目打分矩陣的示意圖，用戶-節目打分矩陣記為R。
`[0028]S103，獲取η個時間片，並根據η個時間片對用戶-節目打分矩陣進行劃分和打分權重調整，以獲取每個時間片對應的用戶-節目-時間片打分矩陣，其中，η為正整數。
[0029]具體地，時間片是指一個時間段範圍，例如，時間片I可以是上午8:00-10:00。對用戶-節目打分矩陣R進行時間片的劃分，根據用戶觀看的時間，將歷史直播數據劃分到η個時間片之中。
[0030]更具體地，對於每一個時間片i，都生成基於該時間片i的用戶-節目-時間片打分矩陣Ri，最終獲得η個基於時間片的用戶-節目-時間片打分矩陣R1，R2，…，Rn。圖3所示為基於時間片的用戶-節目-時間片打分矩陣的生成過程。針對每個時間片，提高用戶-節目打分矩陣R中，用戶在該時間片中打分的權重，而該用戶在其餘時間上的打分保持不變。如圖3所示,例如,用戶user4在時間片I光看了節目prog323,則在Rl中提高用戶user4在時間片I上對節目prog323打分的權重，即在時間片I上user4在對節目prog323打分權重由「3」提高至「6」，而在其它的時間片上，user4在對節目pix)g323的打分權重不變，仍為「3」。
[0031]在本發明的實施例中，以時間片I為例，由於時間片I對應的用戶-節目-時間片打分矩陣Rl中的數據，既包括在時間片I上用戶對節目的打分數據，又包括在其他時間片上用戶對節目的打分數據，所以採用時間片劃分技術可以有效解決數據稀疏性問題。
[0032]S104，獲取多個用戶在社交電視平臺上的關注信息，並根據關注信息生成用戶社交關係矩陣。[0033]具體地，用戶的觀看行為以及對直播視頻的選擇，不僅會受到時間片的影響，還會受到潮流導向，以及社交圈好友喜好的影響。一般來講，越親密的社交朋友對目標用戶的直播推薦的影響越大。考慮用戶的社交關係對視頻推薦的影響，可以使得推薦結果更滿足用戶的個性化需求。
[0034]在本發明的實施例中，關注信息包括用戶之間的相互關注信息和用戶之間共同關注的話題信息。例如，用戶I和用戶2在新浪微博中的關係為互相關注，又如，用戶I和用戶3在某論壇裡關注了相同的話題信息。
[0035]更具體地，獲取關注信息後，關注信息進行預處理，刪去欄位缺失的信息以及內容無效的信息，用於後續度量用戶之間的相似度。
[0036]根據關注信息生成用戶社交關係矩陣，記為W。用戶社交關係矩陣W通過下述公式(I)、⑵、(3)獲取:
[0037]wi；J=Comijj.frii；J, C1)
[0038]其中，Wu為用戶社交關係矩陣W中第i行、第j列的元素值，《U表示用戶i與用戶j的關係權重，Comiij表示用戶i與用戶j共同關注話題的權重，fri^.表示用戶i與用戶j之間相互關注的權重；
[0039]
【權利要求】
1.一種用於社交電視的視頻推薦方法，其特徵在於，包括: 獲取多個用戶的歷史直播數據； 根據所述歷史直播數據獲取每個用戶觀看每個視頻節目的次數信息，並根據所述次數信息生成用戶-節目打分矩陣； 獲取η個時間片，並根據所述η個時間片對所述用戶-節目打分矩陣進行劃分和打分權重調整，以獲取每個時間片對應的用戶-節目-時間片打分矩陣，其中，η為正整數； 獲取所述多個用戶在社交電視平臺上的關注信息，並根據所述關注信息生成用戶社交關係矩陣；以及 根據所述用戶社交關係矩陣和所述每個時間片對應的用戶-節目-時間片打分矩陣獲取在所述每個時間片給所述每個用戶推薦的第一推薦結果，並將所述第一推薦結果與電子導航菜單中的節目進行匹配，以生成第二推薦結果。
2.根據權利要求1所述的方法，其特徵在於，所述歷史直播數據包括用戶標識、視頻節目標識、頻道標識、觀看起始時間和觀看結束時間。
3.根據權利要求1或2所述的方法，其特徵在於，所述關注信息包括用戶之間的相互關注信息和用戶之間共同關注的話題信息。
4.根據權利要求3所述的方法，其特徵在於，所述用戶社交關係矩陣通過下述公式(1)、(2)、(3)獲取:
wi；J=Comijj.frii；J, Cl) 其中，《U為所述用戶社交關係矩陣W中第i行、第j列的元素值，Wu表示用戶i與用戶j的關係權重，comu表示所述用戶i與所述用戶j共同關注話題的權重，friu表示所述用戶i與所述用戶j之間相互關注的權重；
5.根據權利要求4所述的方法，其特徵在於，所述根據所述用戶社交關係矩陣和所述每個時間片對應的用戶-節目-時間片打分矩陣獲取在所述每個時間片給所述每個用戶推薦的第一推薦結果包括: 對所述用戶社交關係矩陣進行歸一化以獲取歸一化矩陣； 對於所述每個時間片，分別根據所述歸一化矩陣和對應的所述用戶-節目-時間片打分矩陣獲取所述每個時間片對應的評分矩陣，其中，所述評分矩陣中的元素為所述每個用戶對所述每個視頻節目的評分；在所述每個時間片上，分別將所述每個用戶對所述每個視頻節目的評分進行排序，並根據排序結果獲取預設數目的視頻節目作為為所述每個用戶推薦的所述第一推薦結果。
6.根據權利要求5所述的方法，其特徵在於，所述每個用戶對所述每個視頻節目的評分由下述公式獲取:
7.一種用於社交電視的視頻推薦裝置，其特徵在於，包括: 歷史數據獲取模塊，用於獲取多個用戶的歷史直播數據； 打分矩陣生成模塊，用於根據所述歷史直播數據獲取每個用戶觀看每個視頻節目的次數信息，並根據所述次數信息生成用戶-節目打分矩陣； 時間片劃分模塊，用於獲取η個時間片，並根據所述η個時間片對所述用戶-節目打分矩陣進行劃分和打分權重調整，以獲取每個時間片對應的用戶-節目-時間片打分矩陣，其中，η為正整數； 社交關係矩陣生成模塊，用於獲取所述多個用戶在社交電視平臺上的關注信息，並根據所述關注信息生成用戶社交關係矩陣； 第一推薦結果生成模塊，用於根據所述用戶社交關係矩陣和所述每個時間片對應的用戶-節目-時間片打分矩陣獲取在所述每個時間片給所述每個用戶推薦的第一推薦結果；以及 第二推薦結果生成模塊，用於將所述第一推薦結果與電子導航菜單中的節目進行匹配，以生成第二推薦結果。
8.根據權利要求7所述的裝置，其特徵在於，所述歷史直播數據包括用戶標識、視頻節目標識、頻道標識、觀看起始時間和觀看結束時間。
9.根據權利要求7或8所述的裝置，其特徵在於，所述關注信息包括用戶之間的相互關注信息和用戶之間共同關注的話題信息。
10.根據權利要求9所述的裝置，其特徵在於，所述用戶社交關係矩陣通過下述公式(1)、⑵、(3)獲取:
wi；J=Comijj.frii；J, (l) 其中，《U為所述用戶社交關係矩陣W中第i行、第j列的元素值，Wu表示用戶i與用戶j的關係權重，comu表示所述用戶i與所述用戶j共同關注話題的權重，friu表示所述用戶i與所述用戶j之間相互關注的權重；
11.根據權利要求10所述的裝置，其特徵在於，所述第一推薦結果生成模塊包括: 歸一化矩陣獲取單元，用於對所述用戶社交關係矩陣進行歸一化以獲取歸一化矩陣； 評分矩陣獲取單元，用於對於所述每個時間片，分別根據所述歸一化矩陣和對應的所述用戶-節目-時間片打分矩陣獲取所述每個時間片對應的評分矩陣，其中，所述評分矩陣中的元素為所述每個用戶對所述每個視頻節目的評分； 第一推薦結果獲取單元，用於在所述每個時間片上，分別將所述每個用戶對所述每個視頻節目的評分進行排序，並根據排序結果獲取預設數目的視頻節目作為為所述每個用戶推薦的所述第一推薦結果。
12.根據權利要求11所述的裝置，其特徵在於，所述每個用戶對所述每個視頻節目的評分由下述公式獲取:
【文檔編號】H04N21/845GK103888852SQ201410112262
【公開日】2014年6月25日 申請日期:2014年3月24日 優先權日:2014年3月24日
【發明者】丁貴廣, 楊玲玲, 鄧毓楠, 劉強 申請人:清華大學