一种IPTV节目推荐方法技术

本发明专利技术一种IPTV节目推荐方法，涉及由服务器执行的方便内容分发与终端用户设备相关的数据的交互式电视，是一种基于隐式评分模型和图游走的协同过滤IPTV节目推荐方法，提出一种三特征隐式评分模型，将用户收视行为数据转化为用户评分数据，再使用加入时间因子函数余弦相似度计算节目的直接相似度，然后使用图游走的方法计算节目的间接相似度，最后重建节目的相似度并对用户进行推荐，克服了现有技术中存在处于大数据环境下，数据稀疏性和兴趣漂移影响到对IPTV节目推荐的准确度的缺陷，以及现有技术均未对用户的兴趣漂移问题进行改善的缺陷。

A Method of IPTV Program Recommendation

The invention provides an IPTV program recommendation method, which relates to interactive TV which is executed by a server to distribute data related to end user equipment. It is a collaborative filtering IPTV program recommendation method based on implicit scoring model and graph walk. A three-feature implicit scoring model is proposed, which converts user's viewing behavior data into user's scoring data, and then uses adding time. The factor function cosine similarity calculates the direct similarity of programs, and then calculates the indirect similarity of programs by using graph walk method. Finally, the similarity of programs is reconstructed and users are recommended. This overcomes the shortcomings of existing technologies in large data environment where data sparsity and interest drift affect the accuracy of IPTV program recommendation, and the existing technologies are not used. The defect of improving the drift of household interest.

【技术实现步骤摘要】
一种IPTV节目推荐方法
本专利技术的技术方案涉及由服务器执行的方便内容分发与终端用户设备相关的数据的交互式电视，具体地说是一种IPTV节目推荐方法。
技术介绍
随着互联网和广播电视网络的不断发展，IPTV即具有互动点播功能的网络电视逐渐走进了人们的生活。IPTV将数字技术、计算机技术、互联网技术与广播电视技术有机地结合在一个平台，向用户提供了数字广播电视、交互式娱乐平台、资讯平台以及电子商务等多种网络服务，并通过电视机或电脑一类显示终端呈现给用户。伴随着互联网科技的发展，海量的节目引入IPTV平台，为了满足用户的选择需求，IPTV节目的个性化推荐系统应运而生。个性化推荐系统的目的是根据用户的个性化需求将最符合用户喜好的IPTV节目挑选出来并推荐给用户，以减轻用户的选择负担。协同过滤推荐方法是一种目前应用最广泛的IPTV节目推荐方法，它可以在用户没有明确提出自己需求的情况下，根据用户的行为对用户进行IPTV节目推荐。现有技术中，用户对IPTV节目的历史评分是使用协同过滤推荐方法进行IPTV节目推荐的依据。但是在IPTV实际应用中，受到电视平台操作性和传统用户收视习惯等条件的影响，用户往往不愿意给出对节目的直接反馈的评分和喜好信息。同时，由于大数据环境下用户和节目的数量不断增长，协同过滤推荐方法面临着严重的稀疏性问题，并且用户的兴趣随时间发生变化，其造成了IPTV节目推荐准确度的降低。CN108737856A公开了社会关系感知的IPTV用户行为建模与节目推荐方法，该方法考虑节目时长与播放时长比值、观看类型节目时长与所有类型时长比值建立用户偏好模型，并使用张量分解的方法进行推荐，其存在建立的用户偏好模型准确度不高，张量分解方法也会造成信息的丢失，且不能有效的解决稀疏性问题，推荐的准确度降低的缺陷。CN107071578A公开了IPTV节目推荐方法，该方法依据日志文件进行隐式推荐，其存在大数据背景下，日志数据信息量庞大且不断增长，导致该方法使用受到限制的缺陷。CN105430505B公开了一种基于组合策略的IPTV节目推荐方法，该方法直接依赖于评分数据进行推荐，其存在在IPTV平台上，大多数用户没有评分的习惯，日志数据只有用户的收视行为记录的缺陷。CN103297853B公开了一种基于多用户上下文识别的IPTV节目推荐方法，该方法使用聚类的方法进行推荐，其存在聚类的方法受数据稀疏性的影响比较严重，稀疏性会导致推荐准确度降低的缺陷。CN103260061B公开了一种上下文感知的IPTV节目推荐方法，IPTV平台中收视类型可分为直播、点播、回看等，其存在该方法提出的隐式评分模型没有考虑不同的收视类型，忽略收视类型会降低隐式评分的可信度，使用隐语义模型推荐时丢失大量信息，无法缓解稀疏性问题，导致推荐准确度降低的缺陷。总之，在IPTV节目推荐方法的现有技术中存在处于大数据环境下，数据稀疏性和兴趣漂移影响到对IPTV节目推荐的准确度的缺陷，以及现有技术均未对用户的兴趣漂移问题进行改善的缺陷。
技术实现思路
本专利技术所要解决的技术问题是：提供一种IPTV节目推荐方法，是一种基于隐式评分模型和图游走的协同过滤IPTV节目推荐方法，提出一种三特征隐式评分模型，将用户收视行为数据转化为用户评分数据，再使用加入时间因子函数余弦相似度计算节目的直接相似度，然后使用图游走的方法计算节目的间接相似度，最后重建节目的相似度并对用户进行推荐，克服了现有技术中存在处于大数据环境下，数据稀疏性和兴趣漂移影响到对IPTV节目推荐的准确度的缺陷，以及现有技术均未对用户的兴趣漂移问题进行改善的缺陷。本专利技术解决该技术问题所采用的技术方案是：一种IPTV节目推荐方法，是一种基于隐式评分模型和图游走的协同过滤IPTV节目推荐方法，具体步骤如下：第一步，基于三特征隐式评分模型的IPTV用户收视行为数据的处理：第1.1步，IPTV用户收视行为数据的收集：所需收集的IPTV用户收视行为数据包括，IPTV用户编号、行为开始时间、行为类型、节目收视时长、节目编号、节目名称、节目类型和节目本身时长，其中，行为类型数据包括浏览、点播、直播和收藏，节目类型包括节目所属一级类型、节目所属二级类型，第1.2步，使用三特征隐式评分模型计算IPTV用户对节目的评分：制定基于收视比值、IPTV用户兴趣偏置因子和IPTV节目类型影响因子的三特征隐式评分模型，IPTV用户对节目的隐式评分计算方法如下公式(1)所示，公式(1)中，score(i,j)为IPTV用户i对节目j的隐式评分，scale为IPTV用户i对节目j的收视比值，interest为IPTV用户i兴趣偏置因子，category为节目j类型影响因子，α、β和γ为权重，f为收视比值作用函数、g为IPTV用户兴趣偏置因子作用函数，h为节目类型影响因子作用函数，n为IPTV用户对同一节目观看的次数，进一步设置收视比值作用函数f、IPTV用户兴趣偏置因子作用函数g和节目类型影响因子作用函数h这三个特征作用函数的评分作用以及权重计算方法，表述如下：1)收视比值作用函数f：收视比值即上述第1.1步中收集的“节目收视时长”与“节目本身时长”的比值，收视比值越大，说明IPTV用户对节目的喜好程度也越大，隐式评分越高，收视比值作用函数f的表述方式如下公式(2)所示，公式(2)中，scale为IPTV用户对该节目的收视比值，behave_len为IPTV节目收视时长，item_len为节目本身时长，2)IPTV用户兴趣偏置因子作用函数g：IPTV用户兴趣偏置因子是按照IPTV用户的收视比值的均值将IPTV用户对节目的喜好程度划分为以下两部分，IPTV用户观看某一节目的收视比值高于平均收视比值的视为IPTV用户喜欢该节目，IPTV用户观看某一节目的收视比值低于平均收视比值的视为IPTV用户不喜欢该节目，根据以上定义，IPTV用户兴趣偏置因子的表述方式如下公式(3)所示，公式(3)中，pij代表上述第1.1步中收集的“IPTV用户编号”为i的IPTV用户i对“节目编号”为j的节目j的观看时长和节目j的本身时长的比值，为IPTV用户i的平均收视比值，设maxri为IPTV用户i的最大IPTV用户兴趣偏置因子，minri为IPTV用户i的最小IPTV用户兴趣偏置因子，它们的表述方式分别如下公式(4)和公式(5)所示，归一化后的IPTV用户兴趣偏置因子作用函数g如下公式(6)所示，公式(6)中，为IPTV用户i的IPTV用户兴趣偏置因子平均值，rij为“IPTV用户编号”为i的IPTV用户i对“节目编号”为j的节目j的IPTV用户兴趣偏置因子，当g(interest)为正值时，表示IPTV用户i喜欢该节目，g(interest)＝1则表示IPTV用户i最喜欢该节目，g(interest)为负值时，表示IPTV用户i不喜欢该节目，g(interest)＝-1表示IPTV用户i最不喜欢该节目，3)节目类型影响因子作用函数h：节目类型影响因子用于衡量上述第1.1步中收集的不同“节目类型”对IPTV用户偏好的影响，每个IPTV用户都有自己喜欢的节目类型，当“节目类型”属于IPTV用户喜欢的类型，则增加其隐式评分的值，节目类型影响因子作用函数h的评分方式如本文档来自技高网...

【技术保护点】
1.一种IPTV节目推荐方法，其特征在于：是一种基于隐式评分模型和图游走的协同过滤IPTV节目推荐方法，具体步骤如下：第一步，基于三特征隐式评分模型的IPTV用户收视行为数据的处理：第1.1步，IPTV用户收视行为数据的收集：所需收集的IPTV用户收视行为数据包括，IPTV用户编号、行为开始时间、行为类型、节目收视时长、节目编号、节目名称、节目类型和节目本身时长，其中，行为类型数据包括浏览、点播、直播和收藏，节目类型包括节目所属一级类型、节目所属二级类型，第1.2步，使用三特征隐式评分模型计算IPTV用户对节目的评分：制定基于收视比值、IPTV用户兴趣偏置因子和IPTV节目类型影响因子的三特征隐式评分模型，IPTV用户对节目的隐式评分计算方法如下公式(1)所示，

【技术特征摘要】
1.一种IPTV节目推荐方法，其特征在于：是一种基于隐式评分模型和图游走的协同过滤IPTV节目推荐方法，具体步骤如下：第一步，基于三特征隐式评分模型的IPTV用户收视行为数据的处理：第1.1步，IPTV用户收视行为数据的收集：所需收集的IPTV用户收视行为数据包括，IPTV用户编号、行为开始时间、行为类型、节目收视时长、节目编号、节目名称、节目类型和节目本身时长，其中，行为类型数据包括浏览、点播、直播和收藏，节目类型包括节目所属一级类型、节目所属二级类型，第1.2步，使用三特征隐式评分模型计算IPTV用户对节目的评分：制定基于收视比值、IPTV用户兴趣偏置因子和IPTV节目类型影响因子的三特征隐式评分模型，IPTV用户对节目的隐式评分计算方法如下公式(1)所示，公式(1)中，score(i,j)为IPTV用户i对节目j的隐式评分，scale为IPTV用户i对节目j的收视比值，interest为IPTV用户i兴趣偏置因子，category为节目j类型影响因子，α、β和γ为权重，f为收视比值作用函数、g为IPTV用户兴趣偏置因子作用函数，h为节目类型影响因子作用函数，n为IPTV用户对同一节目观看的次数，进一步设置收视比值作用函数f、IPTV用户兴趣偏置因子作用函数g和节目类型影响因子作用函数h这三个特征作用函数的评分作用以及权重计算方法，表述如下：1)收视比值作用函数f：收视比值即上述第1.1步中收集的“节目收视时长”与“节目本身时长”的比值，收视比值越大，说明IPTV用户对节目的喜好程度也越大，隐式评分越高，收视比值作用函数f的表述方式如下公式(2)所示，公式(2)中，scale为IPTV用户对该节目的收视比值，behave_len为IPTV节目收视时长，item_len为节目本身时长，2)IPTV用户兴趣偏置因子作用函数g：IPTV用户兴趣偏置因子是按照IPTV用户的收视比值的均值将IPTV用户对节目的喜好程度划分为以下两部分，IPTV用户观看某一节目的收视比值高于平均收视比值的视为IPTV用户喜欢该节目，IPTV用户观看某一节目的收视比值低于平均收视比值的视为IPTV用户不喜欢该节目，根据以上定义，IPTV用户兴趣偏置因子的表述方式如下公式(3)所示，公式(3)中，pij代表上述第1.1步中收集的“IPTV用户编号”为i的IPTV用户i对“节目编号”为j的节目j的观看时长和节目j的本身时长的比值，为IPTV用户i的平均收视比值，设maxri为IPTV用户i的最大IPTV用户兴趣偏置因子，minri为IPTV用户i的最小IPTV用户兴趣偏置因子，它们的表述方式分别如下公式(4)和公式(5)所示，归一化后的IPTV用户兴趣偏置因子作用函数g如下公式(6)所示，公式(6)中，为IPTV用户i的IPTV用户兴趣偏置因子平均值，rij为“IPTV用户编号”为i的IPTV用户i对“节目编号”为j的节目j的IPTV用户兴趣偏置因子，当g(interest)为正值时，表示IPTV用户i喜欢该节目，g(interest)＝1则表示IPTV用户i最喜欢该节目，g(interest)为负值时，表示IPTV用户i不喜欢该节目，g(interest)＝-1表示IPTV用户i最不喜欢该节目，3)节目类型影响因子作用函数h：节目类型影响因子用于衡量上述第1.1步中收集的不同“节目类型”对IPTV用户偏好的影响，每个IPTV用户都有自己喜欢的节目类型，当“节目类型”属于IPTV用户喜欢的类型，则增加其隐式评分的值，节目类型影响因子作用函数h的评分方式如下公式(7)所示，h(category)＝lij/Li(7)，公式(7)中，lij为IPTV用户i观看的与“节目编号”为j的节目j“节目类型”同相同的上述第1.1步中收集的总的“节目收视时长”，Li为IPTV用户i观看所有类型节目的总的“节目收视时长”，4)特征函数权重计算方法：使用熵权法来确定上述特征作用函数的IPTV用户偏好权值，熵权法计算过程如下：首先，将上述第1.2步中所述的IPTV用户的三个特征作用函数的值表示成n×3阶矩阵即B＝(bzk)n×3，z∈[1,n]，其中n表示上述第1.1步中用户行为数据的条数，bzk表示根据第z条用户收视行为数据得到的第k个特征作用函数的值，4.1)用如下公式(8)进行标准化数据处理：公式(8)中，szk为标准化后第z条用户收视行为数据的第k个特征作用函数的大小，max(bk)是第k个特征作用函数的最大值，min(bk)是第k个特征作用函数的最小值，4.2)用如下公式(9)进行计算上述第1.2步中所述的IPTV用户的三个特征作用函数的熵值：公式(9)中，N＝1/ln3,Hk为第k个特征函数的熵值，fzk为对第z条用户收视行为数据的第k个特征作用函数值进行归一化的值，当fzk＝0时，fzklnfzk＝0，4.3)用如下公式(10)进行计算上述第1.2步中所述的IPTV用户的三个特征作用函数的权重系数：公式(10)中，ωk为上述第1.2步中所述的三特征隐式评分模型中的第k个特征作用函数的权重系数，第1.3步，生成IPTV用户评分数据：由上述第1.2步的收视比值、IPTV用户兴趣偏置因子和节目类型影响因子的三特征隐式评分模型的操作结果，将IPTV用户收视行为数据转化为IPTV用户评分数据，所生成IPTV用户评分数据包括：IPTV用户编号、IPTV节目编号、评分、评分时间，其中评分时间即为第1.1步中的行为开始时间，由此完成基于三特征隐式评分模型的IPTV用户收视行为数据的处理；第二步，组成IPTV节目近邻集合：第2.1步，建立IPTV用户节目评分矩阵：利用上述第一步中得到的IPTV用户评分数据，包括：IPTV用户编号、IPTV节目编号、评分、评分时间，建立IPTV用户节目评分矩阵如下公式(1...

【专利技术属性】
技术研发人员：顾军华，谢志坚，张亚娟，武君艳，许馨匀，佘士耀，陈博，张素琪，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津,12