The method and device of multimedia information recommendation provided by the present invention can obtain the historical VOD frequency information of each multimedia information in the user set to be recommended by multimedia. According to the historical VOD frequency information, the probability model is constructed by using Poisson distribution and the probability model is matrix decomposed to obtain. User characteristic matrix and multimedia information characteristic matrix, according to user characteristic matrix and multimedia information characteristic matrix, determine the predicted on-demand frequency of each user in the user set for each multimedia information in the multimedia set, at least according to the predicted on-demand frequency of each multimedia information, from the multimedia set. It is necessary to recommend multimedia information to users. The technical scheme of the invention uses the Poisson model to construct the probability model according to the VOD frequency information of the multimedia information, overcomes the problem that the Gaussian distribution is not suitable for the VOD frequency of the multimedia information, and improves the accuracy of the multimedia information recommendation.
【技术实现步骤摘要】
多媒体信息推荐方法及装置
本申请涉及信息处理
,更具体地说,涉及一种多媒体信息推荐方法及装置。
技术介绍
随着信息技术的发展,涌现了大量的多媒体信息平台,并为用户提供着海量的多媒体信息资源,通过多媒体信息推荐的方式,能够从海量的多媒体信息资源中将适合用户的或用户所需的多媒体信息快速推荐给用户,提高用户获取多媒体信息的效率。目前,基于协同过滤算法的多媒体信息推荐方法,在对用户点播多媒体信息的频率信息进行处理时,通常会将多媒体信息的点播频率信息视为多媒体信息的评分信息,并采用与用户评分行为相匹配的高斯分布模型来构建概率模型。但是,用户对多媒体信息的点播行为通常是一次点播或多次循环点播的情况居多,即用户点播行为并不符合高斯分布,所以,目前采用高斯分布模型来对多媒体信息的点播频率信息进行建模,并不能对多媒体信息的点播频率信息进行很好的拟合,最终导致多媒体信息推荐的准确性较差。因此,目前迫切需要一种能够提高推荐准确性的多媒体信息推荐方案。
技术实现思路
有鉴于此,本申请提供了一种多媒体信息推荐方法及装置,以解决现有多媒体信息推荐方案准确性较差的技术问题。为了实现上述目的,现提出的方案如下:一种多媒体信息推荐方法,包括:获取待进行多媒体推荐的用户集合中,用户对多媒体集合中各条多媒体信息的历史点播频率信息;根据所述历史点播频率信息,使用泊松分布构建包含用户特征矩阵和多媒体信息特征矩阵的概率模型;所述用户特征矩阵包括所述用户集合中每一用户的特征向量,所述多媒体信息特征矩阵包括所述多媒体集合中每一条多媒体信息的特征向量;对所述概率模型进行矩阵分解,以获得所述用户特征矩阵和 ...
【技术保护点】
1.一种多媒体信息推荐方法,其特征在于,包括:获取待进行多媒体推荐的用户集合中,用户对多媒体集合中各条多媒体信息的历史点播频率信息;根据所述历史点播频率信息,使用泊松分布构建包含用户特征矩阵和多媒体信息特征矩阵的概率模型;所述用户特征矩阵包括所述用户集合中每一用户的特征向量,所述多媒体信息特征矩阵包括所述多媒体集合中每一条多媒体信息的特征向量;对所述概率模型进行矩阵分解,以获得所述用户特征矩阵和所述多媒体信息特征矩阵;根据所述用户特征矩阵及所述多媒体信息特征矩阵,确定所述用户集合中每一用户对所述多媒体集合中各条多媒体信息的预测点播频率;至少根据用户对各条多媒体信息的预测点播频率,从多媒体集合中确定需要向所述用户推荐的多媒体信息。
【技术特征摘要】
1.一种多媒体信息推荐方法,其特征在于,包括:获取待进行多媒体推荐的用户集合中,用户对多媒体集合中各条多媒体信息的历史点播频率信息;根据所述历史点播频率信息,使用泊松分布构建包含用户特征矩阵和多媒体信息特征矩阵的概率模型;所述用户特征矩阵包括所述用户集合中每一用户的特征向量,所述多媒体信息特征矩阵包括所述多媒体集合中每一条多媒体信息的特征向量;对所述概率模型进行矩阵分解,以获得所述用户特征矩阵和所述多媒体信息特征矩阵;根据所述用户特征矩阵及所述多媒体信息特征矩阵,确定所述用户集合中每一用户对所述多媒体集合中各条多媒体信息的预测点播频率;至少根据用户对各条多媒体信息的预测点播频率,从多媒体集合中确定需要向所述用户推荐的多媒体信息。2.根据权利要求1所述的方法,其特征在于,在所述对所述概率模型进行矩阵分解之前,该方法还包括:确定所述多媒体集合中多媒体信息间的相关性,各条多媒体信息间的相关性组成多媒体信息相关性矩阵;和/或,确定所述用户集合中用户间的相关性,各用户间的相关性组成用户相关性矩阵;将所述用户相关性矩阵和/或所述多媒体信息相关性矩阵融合至所述概率模型中,得到融合后的概率模型,用于供后续步骤进行矩阵分解。3.根据权利要求1所述的方法,其特征在于,所述根据所述历史点播频率信息,使用泊松分布构建包含用户特征矩阵和多媒体信息特征矩阵的概率模型,包括:构建所述历史点播频率信息的泊松先验分布,所述泊松先验分布包含用户特征矩阵和多媒体信息特征矩阵;构建用户特征矩阵的Gamma先验分布;构建多媒体信息特征矩阵的Gamma先验分布;对所述泊松先验分布、所述用户特征矩阵的Gamma先验分布和所述多媒体信息特征矩阵的Gamma先验分布进行贝叶斯推断,得到用户特征矩阵和多媒体信息特征矩阵的极大后验概率;根据所述极大后验概率,确定最小化目标函数。4.根据权利要求2所述的方法,其特征在于,所述获取待进行多媒体推荐的用户集合中,用户对多媒体集合中各条多媒体信息的历史点播频率信息,包括:获取表示用户对多媒体的收听频率信息的三元组B,所述三元组B包括用户集合U、多媒体集合I和点播信息矩阵R,所述点播信息矩阵R包括用户集合U中每一用户对多媒体集合I中各条多媒体信息的点播次数;所述确定所述多媒体集合中多媒体信息间的相关性,包括:获取表示多媒体的标签信息的三元组P,所述三元组P包括多媒体集合I、标签集合T和多媒体标签矩阵A,所述多媒体标签矩阵A包括多媒体集合I中每一条多媒体信息是否拥有标签集合T中各标签的信息;计算基于所述三元组P的多媒体集合I中多媒体信息间的相关性;所述确定所述用户集合中用户间的相关性,包括:获取表示用户间的好友关系的二元组Q,所述二元组Q包括用户集合U和好友关系矩阵F,所述好友关系矩阵F包括表示用户集合U中任意两个用户是否为好友的信息;计算基于所述三元组B和所述二元组Q的所述用户集合U中用户间的相关性。5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:根据多媒体集合中每一条多媒体信息的历史评论,确定该条多媒体信息的特征向量;根据用户集合中用户对多媒体集合中各条多媒体信息的历史评论,确定该用户的偏好特征向量;根据用户的偏好特征向量和多媒体集合中各条多媒体信息的特征向量,确定所述用户对各条多媒体信息的偏好程度;所述至少根据用户对各条多媒体信息的预测点播频率,从多媒体集合中确定需要向所述用户推荐的多媒体信息,包括:根据用户对各条多媒体信息的预测点播频率,以及用户对各条多媒体信息的偏好程度,从多媒体集合中确定需要向所述用户推荐的多媒体信息。6.根据权利要求5所述的方法,其特征在于,所述根据多媒体集合中每一条多媒体信息的历史评论,确定该条多媒体信息的特征向量,包括:针对多媒体集合中每一条多媒体信息,从多媒体信息的每一条历史评论中提取特征词及特征词对应的观点词;根据特征词对应的观点词,确定所述观点词对应的评价分类,所述评价分类至少包括:好评和非好评;根据特征词对应观点词的评价分类,统计所述多媒体信息的各条历史评论中相同特征词的好评率;由所述多媒体信...
【专利技术属性】
技术研发人员:蒋军,李新鹏,彭加琪,王松,占立,
申请(专利权)人:科大讯飞股份有限公司,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。