一种基于用户集合的视频点播节目推荐方法技术

本发明专利技术公开了一种基于用户集合的视频点播节目推荐方法，包括：1）收集海量用户的观看记录，设置基本用户类型并匹配影片分类标签，为不同基本用户类型设置影片分类标签权重表；2）收集用户的观看记录，经计算得到待推荐用户的模型FUser（Li），确定待推荐用户的类型并将相应的影片分类标签权重表作为过滤法则；3）收集用户的观看记录，使用ALS算法生成影片推荐列表，通过过滤法则生成最终影片推荐列表。本方法在面向电视端用户的视频推荐的准确率和覆盖率十分高，不容易受到热门视频的影响，避免了用户所收到视频推荐信息重复的现象；本方法在ALS推荐算的基础上结合了电视端用户的特征，优化了推荐结果，提高了电视端用户的观看体验。

【技术实现步骤摘要】

本专利技术涉及互联网视频聚合
，具体来说，涉及一种基于用户集合的视频点播节目推荐方法。
技术介绍
随着互联网技术的发展，如何将海量视频推送给用户已成为亟待解决的问题，而现有的电视端互联网视频推荐算法大都基于传统电商网站提出的基于买家的协同过滤或基于商品的协同过滤。这两种方法相对简单，实现容易，但是推荐准确度与覆盖率都不是很理想。当前，视频领域的推荐算法大都是衍生自基于买家的协同过滤法(基于用户的协同过滤法)，其方法特点是根据海量用户观看视频的记录计算出视频相似度矩阵(该矩阵能反映两两视频之间的相似度)，然后根据单个用户的观看记录，分别选出与用户看过的视频相似的若干个视频。最终推荐的视频是根据相似度排序后最相似的前若干个视频。然而该算法很容易受到热门视频的影响，用户收到的推荐视频往往是大多数人看过的热门视频。因此可能导致将用户看过的视频再次推荐给用户，而且，由于推荐的影片热度很高还会导致片库影片推荐覆盖率低的问题。事实上，有很多算法针对热度问题加入了惩罚因子的修正，然而该算法的原理还会导致另外一个问题，即在推荐了一段时间后，每个用户收到的推荐内容雷同。究其原因是该方法是通过用户行为来模糊推断用户特征，并未利用真实用户特征，特别是电视端用户特征。针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
针对相关技术中的上述技术问题，本专利技术提出一种基于用户集合的视频点播节目推荐方法，用于解决上述技术问题。为实现上述技术目的，本专利技术的技术方案是这样实现的：一种基于用户集合的视频点播节目推荐方法，包括：S1收集海量用户的观看记录，设置基本用户类型并匹配影片分类标签，为不同基本用户类型各设置一张影片分类标签权重表；S2收集海量用户的观看记录以及待推荐用户的观看记录，经计算得到待推荐用户的模型FUser(Li)，确定待推荐用户的类型并将相应的影片分类标签权重表作为过滤法则；S3收集海量用户的观看记录以及待推荐用户的观看记录，使用ALS算法生成影片推荐列表，通过过滤法则将影片推荐列表重新排序，生成最终影片推荐列表。进一步的，步骤S1包括：S11收集海量用户的观看记录，将用户分为5个基本用户类型，为每种类型的用户匹配影片分类标签；S12根据每种类型用户所包含的影片分类标签，确定各个影片分类标签的权重值，最终为5个基本用户类型各生成一张影片分类标签权重表。进一步的，步骤S2包括：S21收集海量用户的观看记录以及待推荐用户的观看记录，经计算得到待推荐用户的模型FUser(Li)；S22根据待推荐用户的模型FUser(Li)，确定待推荐用户的类型；S23如果待推荐用户的类型属于5个基本用户类型，则将该用户类型对应的影片分类标签权重表作为过滤法则；S24如果待推荐用户的类型不属于5个基本用户类型，则计算出与其最贴近的两个基本用户类型，对该两个基本用户类型的影片分类标签权重表进行加权得到新的影片分类标签权重表作为过滤法则。进一步的，在步骤S24中，如果待推荐用户的类型不属于5个基本用户类型，则根据余弦距离计算出与其最贴近的两个基本用户类型。进一步的，步骤S3包括：S31收集海量用户的观看记录以及待推荐用户的观看记录，使用ALS算法生成影片推荐列表；S32将影片推荐列表中的影片按照过滤规则中的分类权重值进行降序排列，生成最终影片推荐列表。进一步的，在步骤S31中，使用ALS算法生成影片推荐列表具体包括：S311收集用户观看影片的记录，并根据用户观看影片的记录对影片进行打分；S312根据各个影片的得分，生成影片推荐列表。进一步的，在步骤S311中，用户观看影片的记录指用户观看的影片名称以及观看影片的时长。本专利技术的有益效果：本方法在面向电视端用户的视频推荐的准确率和覆盖率十分高，不容易受到热门视频的影响，避免了用户所收到视频推荐信息重复的现象；本方法在ALS推荐算的基础上结合了电视端用户的特征，优化了推荐结果，提高了电视端用户的观看体验。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例所述的一种基于用户集合的视频点播节目推荐方法的流程框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，根据本专利技术实施例所述的一种基于用户集合的视频点播节目推荐方法，包括：S1收集海量用户的观看记录，设置基本用户类型并匹配影片分类标签，为不同基本用户类型各设置一张影片分类标签权重表；S2收集海量用户的观看记录以及待推荐用户的观看记录，经计算得到待推荐用户的模型FUser(Li)，确定待推荐用户的类型并将相应的影片分类标签权重表作为过滤法则；S3收集海量用户的观看记录以及待推荐用户的观看记录，使用ALS算法生成影片推荐列表，通过过滤法则将影片推荐列表重新排序，生成最终影片推荐列表。其中，步骤S1进一步包括：S11收集海量用户的观看记录，将用户分为5个基本用户类型，为每种类型的用户匹配影片分类标签；S12根据每种类型用户所包含的影片分类标签，确定各个影片分类标签的权重值，最终为5个基本用户类型各生成一张影片分类标签权重表。其中，步骤S2进一步包括：S21收集海量用户的观看记录以及待推荐用户的观看记录，经计算得到待推荐用户的模型FUser(Li)；S22根据待推荐用户的模型FUser(Li)，确定待推荐用户的类型；S23如果待推荐用户的类型属于5个基本用户类型，则将该用户类型对应的影片分类标签权重表作为过滤法则；S24如果待推荐用户的类型不属于5个基本用户类型，则计算出与其最贴近的两个基本用户类型，对该两个基本用户类型的影片分类标签权重表进行加权得到新的影片分类标签权重表作为过滤法则。其中，在步骤S24中，如果待推荐用户的类型不属于5个基本用户类型，则根据余弦距离计算出与其最贴近的两个基本用户类型。其中，步骤S3进一步包括：S31收集海量用户的观看记录以及待推荐用户的观看记录，使用ALS算法生成影片推荐列表；S32将影片推荐列表中的影片按照过滤规则中的分类权重值进行降序排列，生成最终影片推荐列表。其中，在步骤S31中，使用ALS算法生成影片推荐列表具体包括：S311收集用户观看影片的记录，并根据用户观看影片的记录对影片进行打分；S312根据各个影片的得分，生成影片推荐列表。其中，在步骤S311中，用户观看影片的记录指用户观看的影片名称以及观看影片的时长。为了方便理解本专利技术的上述技术方案，以下通过具体使用方式上对本专利技术的上述技术方案进行详细说明。在具体使用时，假设计算得到的待推荐用户的用户模型为FUser＝(0.3,0.2,0.1,1,0)，则一种可能为该家庭是个刚有孩子，年轻人自己带小孩(没有老人)的家庭。而该用户恰好为5种基本类型用户之一。计算得到该用户所属的基本用户类型的所对应的影片分类权重表如表1所示，过滤本文档来自技高网...

【技术保护点】
一种基于用户集合的视频点播节目推荐方法，其特征在于，包括：S1收集海量用户的观看记录，设置基本用户类型并匹配影片分类标签，为不同基本用户类型各设置一张影片分类标签权重表；S2收集海量用户的观看记录以及待推荐用户的观看记录，经计算得到待推荐用户的模型FUser（Li），确定待推荐用户的类型并将相应的影片分类标签权重表作为过滤法则；S3收集海量用户的观看记录以及待推荐用户的观看记录，使用ALS算法生成影片推荐列表，通过过滤法则将影片推荐列表重新排序，生成最终影片推荐列表。

【技术特征摘要】
1.一种基于用户集合的视频点播节目推荐方法，其特征在于，包括：S1收集海量用户的观看记录，设置基本用户类型并匹配影片分类标签，为不同基本用户类型各设置一张影片分类标签权重表；S2收集海量用户的观看记录以及待推荐用户的观看记录，经计算得到待推荐用户的模型FUser（Li），确定待推荐用户的类型并将相应的影片分类标签权重表作为过滤法则；S3收集海量用户的观看记录以及待推荐用户的观看记录，使用ALS算法生成影片推荐列表，通过过滤法则将影片推荐列表重新排序，生成最终影片推荐列表。2.根据权利要求1所述的基于用户集合的视频点播节目推荐方法，其特征在于，步骤S1进一步包括：S11收集海量用户的观看记录，将用户分为5个基本用户类型，为每种类型的用户匹配影片分类标签；S12根据每种类型用户所包含的影片分类标签，确定各个影片分类标签的权重值，最终为5个基本用户类型各生成一张影片分类标签权重表。3.根据权利要求2所述的基于用户集合的视频点播节目推荐方法，其特征在于，步骤S2进一步包括：S21收集海量用户的观看记录以及待推荐用户的观看记录，经计算得到待推荐用户的模型FUser（Li）；S22根据待推荐用户的模型FUser（Li），确定待推荐用户的类型；S23如果待推荐用户的类型属于5个基本...

【专利技术属性】
技术研发人员：童奥，梁炬，
申请(专利权)人：北京魔力互动科技有限公司，
类型：发明
国别省市：北京;11