兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法技术

本发明专利技术公开了一种兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，该方法通过构建用户观看节目的偏好模型，确定用户在不同时间段内对节目类型的偏好，然后采用构建张量以及张量分解的方式，挖掘用户、节目类型与时间段的潜在关联，从而进行准确有效地个性化推荐。与已有推荐算法相比，本发明专利技术方法能提供更佳的推荐精度和更高的召回率。

Personalized recommendation method for IPTV TV programs with temporal context and implicit feedback

The invention discloses a personalized recommendation method for IPTV TV programs, which considers both time context and implicit feedback. By constructing a preference model for viewing programs, the method determines the preference of users for program types in different time periods, and then uses the construction tensor and tensor decomposition method to mine users and program types. The potential relationship between type and time period, so as to make personalized recommendation accurately and effectively. Compared with the existing recommendation algorithm, the present method can provide better recommendation accuracy and higher recall rate.

【技术实现步骤摘要】
兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法
本专利技术涉及IPTV服务领域，具体涉及一种兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法。
技术介绍
近年来，随着“三网融合”的快速推进，多元化的个性化服务呼声渐高。电信网络、有线网络和计算机网络相互渗透，逐步融合成统一的信息通信网络，在智能交通、环境保护、政府工作、公共安全等领域均得到关注。作为“三网融合”中最重要的应用之一，IPTV已拥有大量用户。通过IPTV服务，用户可以随时收看任何感兴趣的电视节目。为提高用户对IPTV的满意度，IPTV运营商正在提供各种个性化观看服务，如电视直播(LiveTV)，视频点播(VOD)，Catch-upTV等。这些服务为用户提供了多种观看选择：电视直播正如普通的广播电视一样，用户可以观看现场直播的视频；VOD是对电视直播节目的补充，用户可以随时观看任何预先录制的视频，通常是电影、电视连续剧、综艺节目或卡通片等；而新近引入的Catch-upTV允许用户观看几天前(例如3天)直播的任何视频。IPTV大大增加了用户选择电视节目的灵活性。但是，在数千部电影、电视剧或其他节目中选择时，用户经常将面临信息过载的问题。若花太长时间才能来找到中意的电视节目，用户的观看体验将会大幅度降低。因此，需要个性化推荐系统来帮助用户快速找到他们喜欢看的电视节目，从而提升用户对IPTV的满意度。目前，在众多诸如视频流媒体(如Netflix，YouTube)，音乐流媒体(如Spotify，Pandora)，销售产品服务(如Amazon，Booking)和社交网络(如Facebook，Linkedin)等商业领域，推荐系统都占有一席之地。但是，IPTV的精准推荐面临多重挑战。首先，出于隐私保护，IPTV服务提供商通常仅拥有的用户数据受限。其次，绝大多数用户收看的电视节目非常少，导致收集到的数据非常稀疏。第三，没有对电视节目的明确评价(如分数)，无法推导出用户的观看偏好。第四，IPTV观看数据受家庭构成的影响，用户日志往往是杂乱和不完整的。现有技术中提出一些电视节目推荐算法，但是这些算法均适用于特定场景，其中例如PopularItems算法、UserPopularItems算法、协同过滤算法与基于内容过滤的推荐算法均利用用户、电视节目的二维关系进行节目推荐。但是，电视节目观看是家庭行为，观看时间亦为推荐应考虑的重要因素。基于上下文感知的推荐算法虽然结合了不同环境下的用户偏好，但未考虑维度间的潜在语义相关性。基于SVD的推荐算法在未获得用户对新节目的评价数据前，无法对其进行推荐。
技术实现思路
针对现有算法存在的问题，本专利技术的目的是提供一种兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，以实现准确有效地个性化电视节目推荐。为了实现上述任务，本专利技术采用以下技术方案：兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，包括以下步骤：步骤1，构建用户观看节目的偏好模型所述的偏好模型包括用户在某一时间段对节目类型的忠诚度以及兴趣度，其中，所述的忠诚度为用户在某一时间段观看某类型节目的时长与该类型节目的实际播放时长之比，所述的兴趣度为用户在某一时间段观看某类型节目的时长与用户观看所有节目类型的总时长之比；根据偏好模型确定用户在不同时间段对节目类型的偏好值；步骤2，构建张量以表示用户、节目类型、时间段之间的关系，其中张量中的每一项代表用户在某一时间段内对某一节目类型的偏好值；步骤3，将所述的张量进行分解、重构，获得所述张量的近似张量，根据所述张量和近似张量构建损失函数，并对所述损失函数进行正则化，得到目标函数；求解所述的目标函数，根据求解结果确定最佳近似张量；步骤4，将所述的最佳近似张量中的元素作为预测结果，根据预测结果向用户推荐节目类型。进一步地，所述的偏好值的确定过程包括：为所述的忠诚度、兴趣度分别赋予不同的权值，并将赋予权值后的忠诚度、兴趣度之和作为所述的偏好值。进一步地，为所述的忠诚度赋予的权值大于为所述的兴趣度赋予的权值。进一步地，步骤2中所述的张量A表示为：其中，i表示用户，j表示节目类型，d表示时间段，M表示用户个数，N表示节目类型个数，L表示时间段的个数。进一步地，步骤3所述的近似张量的获得方法包括：将所述的张量A分解为核心张量S和各因子矩阵(U,G,T)的模积，对核心张量S和各因子矩阵(U,G,T)进行初始化，得到U∈RM×du，G∈RN×dg，T∈RL×dt，S∈Rdu×dg×dt；其中，du、dg和dt均为正整数值，且满足du<<M,dg<<N,dt<<L，R表示实数集；根据初始化后的核心张量S和各因子矩阵(U,G,T)，利用下式对张量A进行重构，以获得近似张量上式中，S×UU表示张量S与矩阵U的U-模积，×GG、×TT分别表示G-模积、T-模积。进一步地，步骤3中所述的损失函数的表达式为：上式中，D为标记值，A中的每一项ai,j,d代表用户i在时间段d对节目j的偏好值，如果该项ai,j,d非零，则将D置为1，否则将D置为0。进一步地，步骤3中所述的目标函数的表达式为：上式中，表示Frobenius范数，变量λ和σ为不同的调整参数。进一步地，步骤3中所述的求解所述的目标函数，包括：从初始化后得到的U、G、T、S中随机选取一组各项元素均为实数的矩阵Ui,*、Gj,*、Td,*、S*来近似表示U、G、T、S，通过对目标函数的每个分量分别取偏导，得到下面的等式：上面的公式中，表示Kronecker积；通过上面的等式计算出偏导数结果后，对Ui,*、Gj,*、Td,*、S*进行更新，更新后再利用上面的等式重新计算偏导数结果，直至目标函数收敛，使目标函数收敛时的Ui,*、Gj,*、Td,*、S*作为最佳的U、G、T、S，从而得到最佳近似张量。一种兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐，包括依次连接的构建偏好模型模块、构建张量模块、确定最佳近似张量模块以及推荐模块，这些模块分别用于实现权利要求1中步骤1至步骤4所述的过程。本专利技术与现有技术相比具有以下技术特点：1.本专利技术分析了不同时期用户的观看偏好，增加了时间维度来跟踪家庭成员的动态观看行为，构建了用户观看的偏好模型，使得用户观看偏好被挖掘的更加准确。2.本专利技术通过张量分解挖掘用户、电视节目和观看时间三者之间的潜在关联，使得本方法能进行准确有效地个性化推荐。附图说明图1为本专利技术的方法流程图；图2为张量分解算法的流程图；图3为六个推荐方法的精度比较图；图4为六个推荐方法的召回率比较图；图5为六个推荐方法F-score性能比较图。图3至图5中的六个推荐方法，分别为本专利技术提供的推荐方法、随机推荐方法Random、受欢迎的节目推荐方法Popular、基于用户受欢迎的节目推荐方法UserPopular、基于奇异值分解的推荐算法SVD以及基于上下文感知的推荐算法Context-aware。具体实施方式本专利技术提供了一种兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，采用三维张量来表示用户-观看时段-节目类型之间的关系，采用高阶奇异值分解算法，挖掘用户、观看时段以及节目类型之本文档来自技高网...

【技术保护点】
1.兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，其特征在于，包括以下步骤：步骤1，构建用户观看节目的偏好模型所述的偏好模型包括用户在某一时间段对节目类型的忠诚度以及兴趣度，其中，所述的忠诚度为用户在某一时间段观看某类型节目的时长与该类型节目的实际播放时长之比，所述的兴趣度为用户在某一时间段观看某类型节目的时长与用户观看所有节目类型的总时长之比；根据偏好模型确定用户在不同时间段对节目类型的偏好值；步骤2，构建张量以表示用户、节目类型、时间段之间的关系，其中张量中的每一项代表用户在某一时间段内对某一节目类型的偏好值；步骤3，将所述的张量进行分解、重构，获得所述张量的近似张量，根据所述张量和近似张量构建损失函数，并对所述损失函数进行正则化，得到目标函数；求解所述的目标函数，根据求解结果确定最佳近似张量；步骤4，将所述的最佳近似张量中的元素作为预测结果，根据预测结果向用户推荐节目类型。

【技术特征摘要】
1.兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，其特征在于，包括以下步骤：步骤1，构建用户观看节目的偏好模型所述的偏好模型包括用户在某一时间段对节目类型的忠诚度以及兴趣度，其中，所述的忠诚度为用户在某一时间段观看某类型节目的时长与该类型节目的实际播放时长之比，所述的兴趣度为用户在某一时间段观看某类型节目的时长与用户观看所有节目类型的总时长之比；根据偏好模型确定用户在不同时间段对节目类型的偏好值；步骤2，构建张量以表示用户、节目类型、时间段之间的关系，其中张量中的每一项代表用户在某一时间段内对某一节目类型的偏好值；步骤3，将所述的张量进行分解、重构，获得所述张量的近似张量，根据所述张量和近似张量构建损失函数，并对所述损失函数进行正则化，得到目标函数；求解所述的目标函数，根据求解结果确定最佳近似张量；步骤4，将所述的最佳近似张量中的元素作为预测结果，根据预测结果向用户推荐节目类型。2.如权利要求1所述的兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，其特征在于，所述的偏好值的确定过程包括：为所述的忠诚度、兴趣度分别赋予不同的权值，并将赋予权值后的忠诚度、兴趣度之和作为所述的偏好值。3.如权利要求2所述的兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，其特征在于，为所述的忠诚度赋予的权值大于为所述的兴趣度赋予的权值。4.如权利要求1所述的兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，其特征在于，步骤2中所述的张量A表示为：其中，i表示用户，j表示节目类型，d表示时间段，M表示用户个数，N表示节目类型个数，L表示时间段的个数。5.如权利要求1所述的兼顾时间上下文与隐式反馈的IPTV电视节目个性化推荐方法，其特征在于，步骤3所述的近似张量的获得方法包括：将所述的张量A分解为核心张量S和各因子矩阵(U,G,T)的模积，对核心张量S和各因子矩阵(U,G,T)进行初始化，得到U∈RM×du，G∈RN×...

【专利技术属性】
技术研发人员：尹小燕，王华，米晓倩，刘浩，徐成，许鹏飞，汤战勇，陈晓江，房鼎益，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西,61