一种面向家庭用户的网络电视节目推荐方法及装置制造方法及图纸

本发明专利技术公开一种面向家庭用户的网络电视节目推荐方法及装置，通过对各时刻下的家庭用户历史观看节目记录判别出用户角色，重点关注用户的长短期偏好随时间的动态变化，考虑用户的每一次行为内部的有序性和多个行为之间的关联性，能够考虑包含多类用户角色的复杂时序数据形式，将用户角色的嵌入向量输入至用户偏好预测模型，输出用户对所有节目的偏好预测值，利用预测值的大小输出电视节目推荐结果，在考虑节目标签关联性的前提下，提高了推荐的精准性和速度。

【技术实现步骤摘要】
一种面向家庭用户的网络电视节目推荐方法及装置
本专利技术涉及电视节目推荐算法领域，更具体地，涉及一种面向家庭用户的网络电视节目推荐方法及装置。
技术介绍
近年来，推荐系统已经成功应用到了诸多领域。但由于家庭用户里含有多个角色，因此每个时间段内用户的行为可能对应不同的家庭角色，导致传统的推荐系统达不到精准推荐，如当儿童在看电视时，推荐的是老年人的电视节目，这样就失去了推荐系统的重要作用。如专利申请201711426219.8和201310695218.9，目前，构建推荐系统存在着几个主要的挑战：1.如何精准把握用户兴趣：用户兴趣不仅存在多样性，而且会随着时间发生动态变化；对用户兴趣的挖掘需要海量数据，如何合理建模；不同算法模型对用户兴趣的刻画结果不同，如何优化模型；2.冷启动问题：分为用户冷启动和物品冷启动问题：用户冷启动需要解决如何给新用户进行个性化推荐的问题；物品冷启动需要解决如何将新的物品快速推荐给可能对它感兴趣的用户；3.实际应用面临诸多考验：对于视频内容来说，一个用户ID背后可能是一个家庭的成员都在共用，因此如何捕捉到这种家庭用户角色随时间的兴趣变化，为该类家庭用户进行精准推荐是一个考验；4.推荐结果不精准，单调性和重复性高：推荐内容越来越单调，优质内容得不到曝光，而低俗或猎奇的内容可能会赢得大量的推荐曝光，且仅依赖内容分类和标签的推荐质量低下。而传统的推荐算法在设计时并没有主动地考虑到时间因素，并且由于传统的推荐算法都是基于用户的历史行为数据建模，其所产生的推荐结果往往会有偏差，如协同过滤中基于矩阵分解的一系列算法。
技术实现思路
本专利技术为克服上述现有技术所述的推荐结果不精准的缺陷，提供一种面向家庭用户的网络电视节目推荐方法及装置，提高了推荐的精准性和速度。为解决上述技术问题，本专利技术的技术方案如下：一种面向家庭用户的网络电视节目推荐方法，其特征在于，包括如下步骤：S101：读取用户历史行为数据并进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；S102：根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色；所述节目标签即节目类型；S103：构造每个时刻下各类用户角色观看节目的多项式分布矩阵uw(t)，w表示家庭用户角色，并统计每个时刻下所有节目的流行度μi(t)，通过构建对应时刻下节目的流行度矩阵μi(u,t)得出用户对节目的倾向评分加权值矩阵S104：将分类后的用户历史行为yui(t)和倾向评分加权倒数即逆倾向评分加权值，输入至用户偏好预测模型，得到各时刻下对应家庭用户角色的潜在偏好因子θu(t)，并与节目潜在属性因子βi(t)求内积，输出用户对所有节目的偏好预测值即：S105：用交替最小二乘法对机器学习模型进行训练，并按照从大到小的顺序，筛选出用户对物品的偏好预测值排在前K位的对应节目i，作为用户的偏好预测结果并进行推荐，其中K为预设值。优选地，步骤S102中，所述的家庭用户角色预设为老人、成年人、儿童三种。优选地，步骤S103中，倾向评分加权值矩阵为将各时刻下三类家庭用户角色出现的概率与对应时刻下所有节目的流行度矩阵相乘，即通过公式：倾向评分加权值矩阵优选地，步骤S104中，家庭用户观看节目的角色是随时间变化的，将用户和节目映射到共同的低维潜在因子空间中，得到随时间变化的潜在用户偏好因子θu(t)和节目潜在属性因子βi(t)。优选地，步骤S104中，在对用户偏好预测模型训练的过程中，通过目标函数或损失函数训练模型参数θu(t)、βi(t)直至模型收敛，其中目标函数为：其中，yui(t)表示用户u在t时刻对节目i的点击，λθ、λβ为用户项和节目项的正则化系数。优选地，步骤S105中，使用交替最小二乘法对机器学习模型进行训练的步骤如下：步骤S201：假设有一个关于用户偏好预测模型的模型参数θu和βi的目标函数L(θu，βi)；步骤S202：固定βi，计算L(θu，βi)对θu的导数步骤S203：固定θu，计算L(θu，βi)对βi的导数在具体实施例中，利用公式(3)，得到模型的训练参数更新公式为：其中，公式(4)中假设物品潜在属性矩阵是一个随时间变化的大小为|I|×k的矩阵β(t)，其中k为向量维度，|I|为物品数目；对于每个用户u我们定义一个随时间变化的大小为|I|×|I|的对角矩阵Pu(t)，其中y(u)＝yui表示用户u点击了节目i，即用户u的实际偏好；公式(5)中假设用户潜在偏好矩阵是一个随时间变化的大小为|U|×k的矩阵θ(t)，对于每个物品i我们定义一个随时间变化的大小为|U|×|U|的对角矩阵Pi(t)，其中y(i)＝yui表示用户u的所有喜好。由此，通过不断迭代模型参数θu(t)、βi(t)使公式(3)的目标函数最小化，得到模型收敛后用户点击矩阵中缺失项的值，取的内积按从大到小排在前K位对应的节目为用户作推荐。一种面向家庭用户的网络电视节目推荐装置，包括：预处理模块：用于对用户历史行为数据进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；用户角色分类模块：用于根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色，输出当前用户群组角色的潜在偏好因子和节目的潜在属性因子；用户偏好预测值计算模块：用于将当前时刻下的用户潜在偏好因子和节目潜在属性因子输入至用户偏好预测模型中，输出所有节目被点击的概率预测值；推荐结果输出模块：用于按照从大到小的顺序，筛选出偏好预测值排在前K位对应的节目，作为用户的偏好预测结果并进行推荐。优选地，在所述用户角色分类模块中，构造每个时刻下各类用户角色观看节目的多项式分布矩阵，并统计各时刻下所有节目的流行度，通过构建对应时刻下节目的流行度矩阵，得出节目的倾向评分加权值矩阵。优选地，所述用户偏好预测值计算模块利用交替最小二乘法进行训练和优化用户偏好预测模型，并得到各个时刻下的用户潜在偏好因子和节目潜在属性因子。优选地，所述用户偏好预测值计算模块中，训练过程利用因果推断逆倾向评分加权方法降低流行度高的物品的权重，增大流行度低的物品的权重，可以有效解决节目长尾分布问题，消除推荐偏差。与现有技术相比，本专利技术技术方案的有益效果是：本专利技术公开一种面向家庭用户的网络电视节目推荐方法，通过对各时刻下的家庭用户历史观看节目记录判别出用户角色，重点关注用户的长短期偏好随时间的动态变化，考虑用户的每一次行为内部的有序性和多个行为之间的关联性，能够考虑包含多类用户角色的复杂时序数据形式，将用户角色的嵌入向量输入至用户偏好预测模型，输出用户对所有节目的偏好本文档来自技高网...

【技术保护点】
1.一种面向家庭用户的网络电视节目推荐方法，其特征在于，包括如下步骤：/nS101：读取用户历史行为数据并进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；/nS102：根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色；所述节目标签即节目类型；/nS103：构造每个时刻下各类用户角色观看节目的多项式分布矩阵u

【技术特征摘要】
1.一种面向家庭用户的网络电视节目推荐方法，其特征在于，包括如下步骤：
S101：读取用户历史行为数据并进行预处理，预处理包括筛选活跃用户、清洗脏数据、填充缺失值；所述历史行为数据是用户对网络电视节目点击观看的历史行为记录，包括用户在各个频道上的点播与观看节目的时间序列；
S102：根据节目标签判别电视节目观看日志记录中的各历史节目所对应的家庭用户角色；所述节目标签即节目类型；
S103：构造每个时刻下各类用户角色观看节目的多项式分布矩阵uw(t)，w表示家庭用户角色，并统计每个时刻下所有节目的流行度μi(t)，通过构建对应时刻下节目的流行度矩阵μi(u，t)得出用户对节目的倾向评分加权值矩阵
S104：将分类后的用户历史行为yui(t)和倾向评分加权倒数即逆倾向评分加权值，输入至用户偏好预测模型，得到各时刻下对应家庭用户角色的潜在偏好因子θu(t)，并与节目潜在属性因子βi(t)求内积，输出用户对所有节目的偏好预测值即：



S105：用交替最小二乘法对机器学习模型进行训练，并按照从大到小的顺序，筛选出用户对物品的偏好预测值排在前K位的对应节目i，作为用户的偏好预测结果并进行推荐，其中K为预设值。


2.根据权利要求1所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S102中，所述的家庭用户角色预设为老人、成年人、儿童三种。


3.根据权利要求1所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S103中，倾向评分加权值矩阵为将各时刻下三类家庭用户角色出现的概率与对应时刻下所有节目的流行度矩阵相乘，即通过公式：



得到倾向评分加权值矩阵


4.根据权利要求3所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S104中，家庭用户观看节目的角色是随时间变化的，将用户和节目映射到共同的低维潜在因子空间中，得到随时间变化的潜在用户偏好因子θu(t)和节目潜在属性因子βi(t)。


5.根据权利要求4所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S104中，在对用户偏好预测模型训练的过程中，通过目标函数或损失函数训练模型参数θu(t)、βi(t)直至模型收敛，其中目标函数为：



其中，yui(t)表示用户u在t时刻对节目i的点击，λθ、λβ为用户项和节目项的正则化系数。


6.根据权利要求5所述的一种面向家庭用户的网络电视节目推荐方法，其特征在于，步骤S105中，使用交替最小二乘法对机器学习模型进行训练的步骤如下：
步骤S201：假设有一个关于用户偏好预测模型的模型参数θu和βi的目标函数L(θu，βi...

【专利技术属性】
技术研发人员：温雯，刘芳，蔡瑞初，郝志峰，陈炳丰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44