基於社交網絡信息進行電視節目推薦的方法及系統的製作方法
2023-12-08 22:52:26 2
基於社交網絡信息進行電視節目推薦的方法及系統的製作方法
【專利摘要】一種基於社交網絡信息進行電視節目推薦的方法及系統，提取社交網絡中關於各個電視節目的各個用戶評價信息；建立各個用戶與各個電視節目之間的「用戶—電視節目」評價關係；根據「用戶—電視節目」評價關係抽象出用戶的行為事務數據集合；根據用戶的行為事務數據集合通過頻繁項集挖掘算法挖掘出電視節目的頻繁項集；根據所述電視節目的頻繁項集來進行電視節目的推薦。相比現有技術僅僅基於電視節目的內容屬性來進行節目推薦，本發明更加人性化，推薦的節目更加貼近社會熱點，更加貼近用戶個體，利用社交網絡相比電視得到信息的超前性，使電視節目的推薦能夠更加準確。
【專利說明】基於社交網絡信息進行電視節目推薦的方法及系統
【技術領域】
[0001]本發明涉及專門適用於交互式電視內容分發技術，尤其涉及一種基於社交網絡信息進行電視節目推薦的方法及系統。
【背景技術】
[0002]目前，電視頻道越來越多，電視節目及內容也越來越豐富，用戶對電視節目的可選擇性也越來越多，同時，隨著三網融合的發展，電視內容信息量還會進一步膨脹。急劇增長的電視內容信息使用戶從中選擇喜歡的電視內容需要花費的時間越來越多。現有技術智能電視領域的智能節目推薦系統使用戶可以從眾多電視節目中挑選出喜愛的節目，然而，智能節目推薦系統如何給用戶推薦其真正喜愛的節目卻是一個難題，相比網際網路領域而言，電視領域的數據信息量相對有限，推薦智能節目推薦系統無法根據電視領域有限的信息量來獲取用戶的偏好，無法根據用戶的評論去發現各個節目之間的關聯性，因此，現有技術智能節目推薦系統做節目推薦時考慮的信息維度較窄，使其推薦的精確度較低，無法滿足用戶的需要。不可否認的是，現在技術出現了很多推薦方法，如協同推薦、基於內容的推薦等推送方法都可以很方便的應用在電視節目推薦領域中，但是其仍然存在考慮的信息維度不足的缺陷，對於內容之間的隱含關係無法做出識別。總而言之，現有技術智能節目推薦系統還存在以下的不足:
沒有針對個人對電視節目喜好進行推薦，並且不能根據針對電視節目內容的推薦發掘出內容之間的隱含關係，也無法發掘出用戶對內容的主觀評價和隱性關聯。
[0003]因此，現有技術還有待於改進和發展。
【發明內容】
[0004]鑑於上述現有技術的不足之處，本發明為解決現有技術缺陷和不足，提出一種能夠根據社交網絡對關於電視節目的信息進行數據挖掘，為智能電視的節目推薦系統提供更廣維度的數據信息，使智能電視節目推薦系統提高對節目推薦的準確度，使給用戶推送的節目更加人性化，不是簡單的內容屬性推薦。
[0005]本發明解決技術問題所採用的技術方案如下:
一種基於社交網絡信息進行電視節目推薦的方法，包括如下步驟:
提取社交網絡中關於各個電視節目的各個用戶評價信息；
建立各個用戶與各個電視節目之間的「用戶一電視節目」評價關係；
根據「用戶一電視節目」評價關係抽象出用戶的行為事務數據集合；
根據用戶的行為事務數據集合通過頻繁項集挖掘算法挖掘出電視節目的頻繁項集；
根據所述電視節目的頻繁項集來進行電視節目的推薦。
[0006]作為優選方案，所述提取社交網絡中關於各個電視節目的各個用戶評價信息具體步驟是，收集並分類整理各個用戶通過社交網絡發布的推薦、評價、發帖、跟帖信息。
[0007]所述建立各個用戶與各個電視節目之間的「用戶一電視節目」評價關係採用通過對各個用戶評價信息進行語義分析以抽象出「用戶一電視節目」評價關係來實現。
[0008]所述「用戶一電視節目」評價關係為各個用戶對各個電視節目發布的評價信息的量化值，評價信息量化為:_2代表很不喜歡、-1代表不喜歡、O代表普通、I代表喜歡和2代
表很喜歡。
[0009]所述用戶的行為事務數據集合是各個用戶所感興趣的電視節目的集合。
[0010]所述頻繁項集挖掘算法採用FP-growth算法或Apriori算法實現。
[0011]所述的頻繁項集是各個電視節目之間的關聯關係集合，即「電視節目一電視節目」之間的關聯度。
[0012]所述節目推薦方法還包括挖掘電視節目的非內容信息分析，根據該非內容信息的分析與所述電視節目的頻繁項集來進行電視節目的推薦，所述非內容信息分析包括:根據電視節目內容進行靜態關係分析、主題驅動模型數據分析、電視節目內容間隱含關係分析、各個用戶對各個電視節目發布的評價分析、電視節目內容間的動態相關性分析、用戶行為模型分析和非內容直接相關性分析。
[0013]所述各個用戶對各個電視節目發布的評價分析是根據所述「用戶一電視節目」評價關係，以通過各個用戶對各個電視節目發布的評價信息的量化值的計算得出各個電視節目的用戶主觀評價期望值。
[0014]本發明還提供一種基於社交網絡信息進行節目推薦的系統，所述系統包括: 信息挖掘模塊，用於查找並提取出社交網絡中關於各電視節目的各個用戶評價信息； 分析計算模塊，根據查找信息模塊提取出的用戶評價信息進行分析，以建立各個用戶
與各個電視節目之間的「用戶一電視節目」評價關係；並根據「用戶一電視節目」評價關係計算出用戶的行為事務數據集合；再根據用戶的行為事務數據集合通過頻繁項集挖掘算法挖掘出電視節目的頻繁項集；
推薦模塊，根據分析計算模塊計算出的電視節目的頻繁項集將用戶評價頻繁的電視節目推送到電視端供用戶參考。
[0015]作為系統的進一步改進，所述分析計算模塊還包括:
靜態關係分析模塊，用於根據各電視節目的內容進行兩兩相關性計算，並得到「電視節目一電視節目」之間的關聯度；
主題驅動模型數據分析模塊，用於從社交網絡中獲取與電視節目內容資料庫相關數據並保存；
電視節目內容間隱含關係分析模塊，用於分析得到用戶行為事務數據，分析得到「對象-名詞」標籤矩陣，分析用戶對電視節目的主觀評價並量化；
用戶評價分析模塊，通過各個用戶對各個電視節目發布的評價進行分析，得出用戶對電視節目總體的主觀評價並量化；
動態相關性分析模塊，用於分析電視節目之間的動態相關性；
用戶行為模型分析模塊，根據用戶的歷史行為進行分析得出用戶偏好模型；
非內容直接相關性分析模塊，用於獲取對用戶關於電視節目評價的非直接相關的內容信息，獲取動態熱點詞彙；
所述推薦模塊根據所述靜態分析模塊、主題驅動模型數據分析模塊、電視節目內容間隱含關係分析模塊、用戶評價分析模塊、動態相關性分析模塊、用戶行為模型分析模塊和非內容直接相關性分析模塊所得到的信息確定電視節目的用戶評價關注等級以根據不同用戶進行電視節目推薦。
[0016]與現有技術相比較，本發明方法及系統通過獲取社交網絡中各個不同用戶對各個電視節目的評論來挖掘出用戶與電視節目的評價關係並進行量化處理，同時從中找出各個電視節目之間的內容關聯性，還進一步通過額外的社會影響因素、與電視節目主題相關的其他社會網絡信息，以及用戶的歷史行為來找出用戶與電視節目之間的、電視節目兩兩間的隱含關係，相比現有技術僅僅基於電視節目的內容屬性來進行節目推薦，本發明更加人性化，推薦的節目更加貼近社會熱點，更加貼近用戶個體，利用社交網絡相比電視得到信息的超前性，使電視節目的推薦能夠更加準確，與時下社會熱點契合更加緊密。
【專利附圖】
【附圖說明】
[0017]圖1是本發明基於社交網絡信息進行電視節目推薦的方法之較佳實施例的流程圖。
[0018]圖2是本發明基於社交網絡信息進行電視節目推薦的方法之較佳實施例的工作原理框圖。
[0019]圖3是本發明基於社交網絡信息進行電視節目推薦的方法之實施例中各個電視節目間的關係無向圖。
[0020]圖4是本發明基於社交網絡信息進行電視節目推薦的系統的基本結構框圖。【具體實施方式】
[0021]為使本發明的目的、技術方案及優點更加清楚、明確，以下參照附圖並舉實施例對本發明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。
[0022]隨著智能電視的普及，智能電視領域的電視節目推薦也成為體現其智能的一個主要方面。現有技術中，電視節目的推薦主要是根據電視節目的基本內容及其屬性來進行節目推薦，這也面臨著推薦的節目不貼近時下社會關注熱點、節目推薦沒有實現個性化推薦，其推薦的原理均是基於電視領域本身的數據，而沒有跟網際網路上浩如煙海的信息有太多聯繫，使智能電視在電視節目的推薦過程中無法實現智能推薦的功能。基於此，本發明提出了一種新的電視節目推薦模式，不再局限於電視領域本身的數據資源，而是從社交網絡(例如微博、推特、Facebook等)中獲取與電視節目有關的信息和數據，比如用戶對電視節目的評論、回帖、日誌等形式的社交網絡信息，從中找出用戶的偏好(包含顯性和隱性的偏好)，以評估各個電視節目之間的相關性(例如體育比賽、電影、音樂等)。以社交網絡中的信息作為推薦電視節目影響因素的原因在於現在越來越多的人願意在社交網絡中去分享電視節目的觀後感，或做各種評論，所以從信息的豐滿度上講，社交網絡遠遠大於電視平臺，對於推薦的準確度來講，這是一個很重要因素，由於社交網絡中信息的廣泛性，在推薦的時候需要從多維度考慮。
[0023]另外社交網絡有另一個重大的優勢是「速度」，其傳播速度遠遠快於電視平臺領域。用社會網絡用戶知識發掘可以大大彌補電視用戶域知識不足的問題。它可以解決電視端智能推薦「冷啟動」的問題。在智能電視冷啟動後即可立即做出準確的節目推薦。[0024]圖1所示為本發明基於社交網絡信息進行電視節目推薦的方法實施例一的流程圖，如圖所示，該方法包括如下步驟:
S100，提取社交網絡中關於各個電視節目的各個用戶評價信息；其具體實現是通過社交網絡對各個用戶發布的推薦、評價、發帖、跟帖信息進行收集並分類整理。
[0025]S200,建立各個用戶與各個電視節目之間的「用戶一電視節目」評價關係；所謂建立「用戶一電視節目」評價關係就是通過各個用戶的評價信息，評價信息包括上述用戶社交網絡發布的關於電視節目的評論，進行語義分析抽象出各個用戶對各個電視節目分別作出的評價，形成一個評價關係表，例如，社交網絡中有5個用戶，評價所針對的是6個電視節目對象，如表1所示，表1中示出了用戶U^u5分別對電視節目Pl、6的評價，當然，也存在用戶對某個電視節目並未進行評價，相應的，用戶與該電視節目之間沒有關係，在表1中用空白格來表示，用戶與電視節目有關係時，為了便於後續的進一步計算處理，需要對該關係進行量化處理，將用戶對電視節目的喜歡程度分為5個層級，分別是-2代表很不喜歡、-1代表不喜歡、O代表普通、I代表喜歡和2代表很喜歡。例如，從表1中可以看到，用戶U1對電視節目P1的喜歡程度為普通級，對電視節目P3喜歡程度為很喜歡。
[0026]
【權利要求】
1.一種基於社交網絡信息進行電視節目推薦的方法，其特徵在於，包括如下步驟: 提取社交網絡中關於各個電視節目的各個用戶評價信息； 建立各個用戶與各個電視節目之間的「用戶一電視節目」評價關係； 根據「用戶一電視節目」評價關係抽象出用戶的行為事務數據集合； 根據用戶的行為事務數據集合通過頻繁項集挖掘算法挖掘出電視節目的頻繁項集； 根據所述電視節目的頻繁項集來進行電視節目的推薦。
2.根據權利要求1所述的基於社交網絡信息進行電視節目推薦的方法，其特徵在於，所述提取社交網絡中關於各個電視節目的各個用戶評價信息具體步驟是，收集並分類整理各個用戶通過社交網絡發布的推薦、評價、發帖、跟帖信息。
3.根據權利要求2所述的基於社交網絡信息進行電視節目推薦的方法，其特徵在於，所述建立各個用戶與各個電視節目之間的「用戶一電視節目」評價關係採用通過對各個用戶評價信息進行語義分析以抽象出「用戶一電視節目」評價關係來實現。
4.根據權利要求3所述的基於社交網絡信息進行電視節目推薦的方法，其特徵在於，所述「用戶一電視節目」評價關係為各個用戶對各個電視節目發布的評價信息的量化值，評價信息量化為:-2代表很不喜歡、-1代表不喜歡、O代表普通、I代表喜歡和2代表很喜歡。
5.根據權利要求3所述的基於社交網絡信息進行電視節目推薦的方法，其特徵在於，所述用戶的行為事務數據集合是各個用戶所感興趣的電視節目的集合。
6.根據權利要求1所述的基於社交網絡信息進行電視節目推薦的方法，其特徵在於，所述頻繁項集挖掘算法採用`FP-growth算法或Apriori算法實現。
7.根據權利要求6所述的基於社交網絡信息進行電視節目推薦的方法，其特徵在於，所述的頻繁項集是各個電視節目之間的關聯關係集合，即「電視節目一電視節目」之間的關聯度。
8.根據權利要求1至7任一項所述的基於社交網絡信息進行節目推薦的方法，其特徵在於，所述節目推薦方法還包括挖掘電視節目的非內容信息分析，根據該非內容信息的分析與所述電視節目的頻繁項集來進行電視節目的推薦，所述非內容信息分析包括:根據電視節目內容進行靜態關係分析、主題驅動模型數據分析、電視節目內容間隱含關係分析、各個用戶對各個電視節目發布的評價分析、電視節目內容間的動態相關性分析、用戶行為模型分析和非內容直接相關性分析。
9.根據權利要求8所述的基於社交網絡信息進行節目推薦的方法，其特徵在於，所述各個用戶對各個電視節目發布的評價分析是根據所述「用戶一電視節目」評價關係，以通過各個用戶對各個電視節目發布的評價信息的量化值的計算得出各個電視節目的用戶主觀評價期望值。
10.一種基於社交網絡信息進行節目推薦的系統，其特徵在於，所述系統包括: 信息挖掘模塊，用於查找並提取出社交網絡中關於各電視節目的各個用戶評價信息； 分析計算模塊，根據查找信息模塊提取出的用戶評價信息進行分析，以建立各個用戶與各個電視節目之間的「用戶一電視節目」評價關係；並根據「用戶一電視節目」評價關係計算出用戶的行為事務數據集合；再根據用戶的行為事務數據集合通過頻繁項集挖掘算法挖掘出電視節目的頻繁項集； 推薦模塊，根據分析計算模塊計算出的電視節目的頻繁項集將用戶評價頻繁的電視節目推送到電視端供用戶參考。
11.根據權利要求10所述的基於社交網絡信息進行節目推薦的系統，其特徵在於，所述分析計算模塊還包括: 靜態關係分析模塊，用於根據各電視節目的內容進行兩兩相關性計算，並得到「電視節目一電視節目」之間的關聯度； 主題驅動模型數據分析模塊，用於從社交網絡中獲取與電視節目內容資料庫相關數據並保存； 電視節目內容間隱含關係分析模塊，用於分析得到用戶行為事務數據，分析得到「對象-名詞」標籤矩陣，分析用戶對電視節目的主觀評價並量化； 用戶評價分析模塊，通過各個用戶對各個電視節目發布的評價進行分析，得出用戶對電視節目總體的主觀評價並量化； 動態相關性分析模塊，用於分析電視節目之間的動態相關性； 用戶行為模型分析模塊，根據用戶的歷史行為進行分析得出用戶偏好模型； 非內容直接相關性分析模塊，用於獲取對用戶關於電視節目評價的非直接相關的內容信息，獲取動態熱點詞彙； 所述推薦模塊根據所述靜態分析模塊、主題驅動模型數據分析模塊、電視節目內容間隱含關係分析模塊、用戶評價分析模塊、動態相關性分析模塊、用戶行為模型分析模塊和非內容直接相關性分析模塊所得到的信息確定電視節目的用戶評價關注等級以根據不同用戶進行電視節目推薦。`
【文檔編號】H04N21/262GK103533390SQ201210459459
【公開日】2014年1月22日 申請日期:2012年11月15日 優先權日:2012年11月15日
【發明者】董延平, 汪灝泓, 李輝 申請人:Tcl集團股份有限公司