结合记忆遗忘和记忆增强的用户兴趣分析方法及系统技术方案

本发明专利技术提供一种结合记忆遗忘和记忆增强的用户兴趣分析方法及系统，包括：通过遗忘系数和增强系数结合收视行为指标构建兴趣模型；采集用户的收视数据，获得用户在设定时间段的单位时间的收视行为指标，所述单位时间为一个时刻；通过用户收视行为指标在设定时间段内的衰减规律获得遗忘系数；通过用户收视行为指标在设定时间段内的重复获得增强系数；将上述用户在设定时间段的收视行为指标、遗忘系数和增强系数输入兴趣模型，获得用户的兴趣值。上述方法及系统将记忆遗忘和记忆增强过程相融合，能够更加精准地获得用户兴趣。

User interest analysis method and system based on memory forgetting and memory enhancement

【技术实现步骤摘要】
结合记忆遗忘和记忆增强的用户兴趣分析方法及系统
本专利技术涉及用户兴趣分析
，更具体地，涉及一种结合记忆遗忘和记忆增强的用户兴趣分析方法及系统。
技术介绍
随着互联网和新媒体的快速发展，媒体资源日益丰富，观众的选择也越来越多，用户的行为背后隐藏着用户的收视习惯，基于此的用户兴趣研究对于深入了解用户并继而为用户提供个性化的媒体服务有着重要价值，其中基于用户行为分析的兴趣模型构建是该领域最主要的研究方法。兴趣模型建模的研究最早始于信息检索领域，通过对用户在某个时间周期内相对稳定的信息需求进行形式化描述以表征用户兴趣。根据这一时间周期的长短，用户兴趣分析可分为短期兴趣建模和长期兴趣建模两类。其中前者主要集中于对时间窗口的研究，如固定时间窗口的兴趣漂移和自适应时间窗口算法等，由于短期兴趣的研究受到时间因素的限制无法描述长时间内用户的兴趣变化，因此后来大量的科研精力都被投入到长期兴趣建模中，这个过程中记忆理论受到了学者的大量关注。德国心理学家艾宾浩斯通过实验提出的遗忘曲线反映了人类记忆随时间推移先快后慢衰减的规律，这一规律常常被应用于对用户的兴趣研究中，通过拟合不同形式的遗忘函数，这一理论在教育、交通、生物医学、推荐系统等各个领域都取得了良好的应用效果。然而人类记忆也会随着重复行为产生兴趣增强，针对这一领域目前少有学者研究，因此如何提炼记忆增强规律，并将之与记忆遗忘规律结合以实现基于用户行为的更合理的用户兴趣描述研究是十分有必要的。
技术实现思路
鉴于上述问题，本专利技术提供一种通过分步累积增强的方式将记忆遗忘和记忆增强过程相融合，以更精准地获得用户兴趣的结合记忆遗忘和记忆增强的用户兴趣分析方法及系统。根据本专利技术的一个方面，提供一种结合记忆遗忘和记忆增强的用户兴趣分析方法，包括：通过遗忘系数和增强系数结合收视行为指标通过下式构建兴趣模型其中，为时刻的用户兴趣值，，是遗忘系数，，是增强系数，，是时刻的用户的收视行为指标；采集用户的收视数据，获得用户在设定时间段的单位时间的收视行为指标，所述单位时间为一个时刻；通过用户收视行为在设定时间段内的衰减规律获得遗忘系数；通过用户收视行为在设定时间段内的重复行为获得增强系数；将上述用户在设定时间段的收视行为指标、遗忘系数和增强系数输入兴趣模型，获得用户的兴趣值。优选地，所述通过用户收视行为在设定时间段内的衰减规律获得遗忘系数的步骤包括：通过记忆遗忘曲线获得遗忘系数。进一步，优选地，所述通过记忆遗忘曲线获得遗忘系数的步骤包括：通过下式获得遗忘系数其中，和为遗忘参数。此外，优选地，所述通过记忆遗忘曲线获得遗忘系数的步骤包括：通过下式获得遗忘系数其中，和为遗忘参数。优选地，所述通过用户收视行为在设定时间段内的重复行为获得增强系数的步骤包括：通过下式获得增强系数其中，是自然常数，和为增强参数。优选地，所述通过用户收视行为在设定时间段内的重复行为获得增强系数的步骤包括：通过下式获得增强系数优选地，所述通过遗忘系数和增强系数结合收视行为指标构建兴趣模型的步骤还包括：设置有效时间窗口，通过遗忘系数和增强系数结合收视行为指标通过下式构建兴趣模型其中，为有效时间窗口的长度。优选地，还包括：采用最小二乘法对兴趣模型中的参数进行参数估计，所述参数包括遗忘参数和以及增强参数和。进一步，优选地，还包括：根据用户的兴趣模型的参数值随时间的变化趋势预测用户未来兴趣的发展趋势，参数值随时间变大，用户未来兴趣增加，参数值随时间变小，用户未来兴趣降低。此外，优选地，所述有效时间窗口包括兴趣构建期窗口和记忆时间窗口，所述兴趣构建期窗口表示兴趣模型进行参数估计所需的时间，所述记忆时间窗口表示预测用户下一时刻收视行为所需的历史收视行为的时间，其中，所述兴趣构建期窗口和记忆时间窗口的长度的获取方法包括以下一种或两种，其中，第一种获取方法包括：根据随着兴趣构建期窗口的长度增加，兴趣模型的预测误差的降低趋势获得最佳兴趣构建期窗口的长度，即最佳兴趣构建期；根据随着记忆时间窗口的长度增加，兴趣模型的预测误差的降低趋势获得最佳记忆时间窗口的长度，即最佳记忆时间窗；其中，第二种获取方法包括：通过同时改变兴趣构建期窗口和记忆时间窗口的大小来计算不同时间窗组合下的兴趣模型的预测误差，将最低预测误差对应的时间窗组合作为最佳兴趣构建期和最佳记忆时间窗的组合。此外，优选地，还包括：采用用户历史收视数据一部分作为训练集，一部分作为测试集；通过训练集获得最佳兴趣构建期和最佳记忆时间窗；通过测试集对最佳兴趣构建期和最佳记忆时间窗进行验证调整。优选地，所述最佳兴趣构建期不小于15倍的单位时间，所述最佳记忆时间窗不小于6倍的单位时间。优选地，所述采集用户的收视数据，获得用户在设定时间段的单位时间的收视行为指标的步骤包括：采集用户设定时间段的收视数据：筛选出收视数据为零对应的单位时间；对筛选出的单位时间的收视数据进行零值校正，其中，零值校正的方法包括以下方法中的一种或两种：一种方法是将设定时间段的收视数据的均值作为筛选出的单位时间的收视数据；另一种方法对筛选出的单位时间的收视数据顺序用其后有效的收视数据进行补位填充。根据本专利技术的另一个方面，提供一种结合记忆遗忘和记忆增强的用户兴趣分析系统，包括：模型构建模块，通过遗忘系数和增强系数结合收视行为指标通过下式构建兴趣模型其中，为时刻的用户兴趣值，，是遗忘系数，，是增强系数，，是时刻的用户的收视行为指标；采集模块，采集用户的收视数据，获得用户在设定时间段的单位时间的收视行为指标，所述单位时间为一个时刻；遗忘系数获得模块，通过用户收视行为在设定时间段内的衰减规律获得遗忘系数；增强系数获得模块，通过用户收视行为在设定时间段内的重复行为获得增强系数；兴趣值获得模块，将上述用户在设定时间段的收视行为指标、遗忘系数和增强系数输入兴趣模型，获得用户的兴趣值。优选地，所述遗忘系数获得模块通过下式获得遗忘系数其中，和为遗忘参数。优选地，所述增强系数获得模块通过下式获得增强系数其中，是自然常数，和为增强参数。优选地，所述模型构建模块包括：窗口设置单元，设置有效时间窗口，所述有效时间窗口包括兴趣构建期窗口和记忆时间窗口，所述兴趣构建期窗口表示兴趣模型进行参数估计所需的时间，所述记忆时间窗口表示预测用户下一时刻收视行为所需的历史收视行为的时间；模型构建单元，通过遗忘系数和增强系数结合收视行为指标通过下式构建兴趣模型其中，为有效时间窗口的长度。优选地，还包括以下模块中的一个或多个：参数估计模块，采用最小二乘法对本文档来自技高网...

【技术保护点】
1.一种结合记忆遗忘和记忆增强的用户兴趣分析方法，其特征在于，包括：/n通过遗忘系数和增强系数结合收视行为指标通过下式构建兴趣模型/n

【技术特征摘要】
1.一种结合记忆遗忘和记忆增强的用户兴趣分析方法，其特征在于，包括：
通过遗忘系数和增强系数结合收视行为指标通过下式构建兴趣模型



其中，为时刻的用户兴趣值，，是遗忘系数，，是增强系数，，是时刻的用户的收视行为指标；
采集用户的收视数据，获得用户在设定时间段的单位时间的收视行为指标，所述单位时间为一个时刻；
通过用户收视行为在设定时间段内的衰减规律获得遗忘系数；
通过用户收视行为在设定时间段内的重复行为获得增强系数；
将上述用户在设定时间段的收视行为指标、遗忘系数和增强系数输入兴趣模型，获得用户的兴趣值。


2.根据权利要求1所述的用户兴趣分析方法，其特征在于，所述通过用户收视行为在设定时间段内的衰减规律获得遗忘系数的步骤包括：通过记忆遗忘曲线获得遗忘系数，所述通过记忆遗忘曲线获得遗忘系数的步骤包括：
通过下式获得遗忘系数



其中，和为遗忘参数。


3.根据权利要求1所述的用户兴趣分析方法，其特征在于，所述通过用户收视行为在设定时间段内的重复行为获得增强系数的步骤包括：
通过下式获得增强系数



其中，是自然常数，和为增强参数。


4.根据权利要求1所述的用户兴趣分析方法，其特征在于，所述通过遗忘系数和增强系数结合收视行为指标构建兴趣模型的步骤还包括：
设置有效时间窗口，通过遗忘系数和增强系数结合收视行为指标通过下式构建兴趣模型



其中，为有效时间窗口的长度。


5.根据权利要求1-4中任一项所述的用户兴趣分析方法，其特征在于，还包括：
采用最小二乘法对兴趣模型中的参数进行参数估计，所述参数包括遗忘参数和以及增强参数和。


6.根据权利要求5所述的用户兴趣分析方法，其特征在于，还包括：
根据用户的兴趣模型的参数值随时间的变化趋势预测用户未来兴趣的发展趋势，参数值随时间变大，用户未来兴趣增加，参数值随时间变小，用户未来兴趣降低。


7.根据权利要求4所述的用户兴趣分析方法，其特征在于，所述有效时间窗口包括兴趣构建期窗口和记忆时间窗口，所述兴趣构建期窗口表示兴趣模型进行参数估计所需的时间，所述记忆时间窗口表示预测用户下一时刻收视行为所需的历史收视行为的时间，其中，
所述兴趣构建期窗口和记忆...

【专利技术属性】
技术研发人员：殷复莲，苏沛，夏欣雨，冀美琪，王颜颜，李思彤，
申请(专利权)人：中国传媒大学，
类型：发明
国别省市：北京;11