一种基于粒子群算法的视频推荐方法技术

本发明专利技术公开了一种基于粒子群算法的视频推荐方法，按如下步骤进行：S1、确定视频文件的评价指标；S2、抽取所有视频文件的评价指标；S3、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度；S4、计算每个视频的速度向量并进行更新；S5、根据每个视频文件的当前位置和速度向量更新视频文件的位置，位置更新公式为：xi(t+1)=xi(t)+vi(t+1)；S6、计算维度值将维度值表中最小值的视频文件推荐给用户。本发明专利技术用简单的向量及权重方式来表示用户喜好及影片特征，并利用改进的粒子群算法对相似度匹配过程进行优化，获得更简洁快速的影片推荐效果。

【技术实现步骤摘要】

本专利技术涉及一种视频推荐方法，更具体的说，涉及一种基于粒子群算法的视频推 荐方法。
技术介绍
随着网络上信息数量日益增长，信息超载问题随之发生，人们需要花费大量的时 间才能从网络上找到自己需要的信息。搜索引擎虽然在一定程度上简化了信息的搜索过 程，但是由于其通用的性质，不能满足不同用户差异化的查询请求。为了解决这一问题，推 荐系统应运而生。推荐系统分为通用推荐系统和个性化推荐系统，其中通用推荐系统并不 对个体用户进行推荐，比如商品销量排行榜；个性化推荐系统能实时地为客户提供符合其 个人需要的推荐服务。个性化推荐所采用的推荐方法主要分为两种，一种是协同过滤方法， 一种是基于内容的推荐方法。协同过滤方法的示意图如图1所示:首先找到与此用户有相似兴趣的其他用户， 然后将他们感兴趣的内容推荐给此用户。这种推荐也被称为面向用户的推荐，其核心是计 算用户间相似度并生成最近邻居集。这种方法可以根据用户行为数据的不断积累，来更新 和增加自己的知识，但是同时它也有自己的缺陷:在用户评价很少或没有用户历史数据的 时候，推荐算法准确性差，而且这种算法会带来很大的计算开销。基于内容的推荐系统利用信息内容和用户兴趣的相似性来过滤信息。基于内容的 推荐方法的示意图如图2所示:首先对每个用户都用一个称作兴趣文件的数据结构来描述 其喜好，对每个项目的内容进行特征抽取，形成特征向量；当需要对某个用户进行推荐时， 把该用户的兴趣文件同所有项目的特征矩阵进行比较得到二者的相似度，系统通过相似度 排序推荐项目。这种方法的关键在于待过滤文档的特征提取，用户兴趣文件的表示和相似 度的计算。基于内容的推荐方法是忽略用户行为的，它只是考虑信息和信息之间的相似关 系，最大的优点就是建模和项目间的相似度量可以脱机运行，因此它具有很快的推荐响应 时间，系统简洁有效。目前的视频推荐系统为了达到更高的推荐准确度，多采用复杂的协同过滤算法， 而且用户特征、影片特征及相似度计算复杂，因此会带来很大的系统开销及延时。
技术实现思路
本专利技术所要解决的技术问题是，克服现有技术的缺点，提供一种计算简单、降低系 统开销及延时的基于粒子群算法的视频推荐方法。为了解决以上技术问题，本专利技术提供，其特 征在于，按如下步骤进行:S1、确定视频文件的评价指标，并获取用户对每个评价指标的喜好，建立评价用户 喜好的维度表；同时，根据用户对评价指标的喜好项的个数分配权值，得到用户对评价指标 的重视度权值向量；S2、抽取所有视频文件的评价指标，并根据用户的维度表和兴趣向量表得到所有视频文件的粒子位置向量；S3、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度，匹配度为用户对评价指标的重视度权值向量与视频文件的粒子位置向量的点积，将匹配度最低的视频文件所处位置作为全局最优位置；S4、根据全局最优位置、每个视频文件的历史最优位置和每个视频文件的当前位置，计算每个视频的速度向量并进行更新，速度向量vi (?+1) = ω X vi (t)+cl X rand O x (p i (t)-xi (t))+c2 X rand () x (gi (t)-Xi (t)),其中，ω、C1、C2 是粒子群算法的固有参数,根据仿真验证和经验值，ω取[0，1]之间随机数，Cl和c2分别设定为1.4和0.6时，算法具有较好的收敛效果；Vi(t)为第t次计算得到的视频文件的速度，如果t=l，则Vi(t)=0 ； C1 X rand O x (Pi (t)-Xi (t))为视频文件的当前位置；c2 x rand O x Cgi (t)-Xi (t))为视频文件的历史最差位置；rand()代表生成随机数的函数，这个函数可以随机产生一个[0，I] 之间的数值；pi(t)表示在这一轮进化中第i个粒子的历史最优位置，gi(t)表示在这一轮进化中粒子种群的历史最优位置，xi (t)表示在这一轮进化中第i个粒子的当前位置向量， 这三个值是随着粒子群算法每轮迭代而更新的；粒子群算法迭代一次，更新每个粒子的当前位置，粒子在进化过程中，保存有该粒子历史最优位置；S5、根据每个视频文件的当前位置和速度向量更新视频文件的位置，位置更新公式为,其中，Xi (t)为第1:次计算时的位置，Vi (t+Ι)为第t+Ι次计算时的速度向量；S6、依次将每个视频文件当前位置向量的每个维度和速度向量的每个维度相加， 得到维度值，建立各维度值表，将维度值表中最小值的视频文件推荐给用户。本专利技术技术方案的进一步限定为，步骤SI中所述的视频文件的评价指标为导演、 年代、女主演、男主演和影片类型。进一步地，步骤S5中，每个视频文件更新位置向量时的方法为:最多需要移动5次位置，才移动到下一轮的位置向量上，计算该维度上当前位置向量和速度向量的和，并根据粒子位置在该维度的排序，移动到最近的位置，然后更新当前位置向量。本专利技术的有益效果是:本专利技术提供的，采用基于内容的推荐方法进行影片推荐，用简单的向量及权重方式来表示用户喜好及影片特征，并利用改进的粒子群算法对相似度匹配过程进行优化，获得更简洁快速的影片推荐效果O【附图说明】图1为现有技术中协同过滤算法的示意图；图2为现有技术中基于内容的推荐算法的示意图；图3为本专利技术视频推荐方法的流程图；图4为本专利技术中粒子群算法流程图；图5不同用户数时两种推荐算法推荐准确率比较图；图6不同用户数时两种推荐算法所需时间比较图。【具体实施方式】 实施例1本实施例提供的，视频推荐流程图如图1所示，按如下步骤进行:S1、确定视频文件的评价指标，并获取用户对每个评价指标的喜好，建立评价用户喜好的维度表；同时，根据用户对评价指标的喜好项的个数分配权值，得到用户对评价指标的重视度权值向量，所述的视频文件的评价指标为导演、年代、女主演、男主演和影片类型。S2、抽取所有视频文件的评价指标，并根据用户的维度表和兴趣向量表得到所有视频文件的粒子位置向量。S3、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度，匹配度为用户对评价指标的重视度权值向量与视频文件的粒子位置向量的点积，将匹配度最低的视频文件所处位置作为全局最优位置。S4、根据全局最优位置、每个视频文件的历史最优位置和每个视频文件的当前位置，计算每个视频的速度向量并进行更新，速度向量vi (?+1) = ω X vi (t)+cl X rand O x (p i (t)-xi (t))+c2 X rand () x (gi (t)-Xi (t)),其中，ω、C1、C2 是粒子群算法的固有参数,根据仿真验证和经验值，ω取[0，1]之间随机数，Cl和c2分别设定为1.4和0.6时，算法具有较好的收敛效果；Vi(t)为第t次计算得到的视频文件的速度，如果t=l，则Vi(t)=0 ； C1 X rand O x (Pi (t)-Xi (t))为视频文件的当前位置；c2 x rand O x Cgi (t)-Xi (t))为视频文件的历史最差位置；rand()代表生成随机数的函数，这个函数可以随机产生一个[0，I] 之间的数值；pi(t)表示在这一轮进化中第i个粒子的历史最优位置，gi(t)表示在这一轮进化中粒子种群的历史最优位置，xi (t)表示在这一轮进化中第i个粒子的当前本文档来自技高网...

【技术保护点】
一种基于粒子群算法的视频推荐方法，其特征在于，按如下步骤进行：S1、确定视频文件的评价指标，并获取用户对每个评价指标的喜好，建立评价用户喜好的维度表；同时，根据用户对评价指标的喜好项的个数分配权值，得到用户对评价指标的重视度权值向量；S2、抽取所有视频文件的评价指标，并根据用户的维度表和兴趣向量表得到所有视频文件的粒子位置向量；S3、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度，匹配度为用户对评价指标的重视度权值向量与视频文件的粒子位置向量的点积，将匹配度最低的视频文件所处位置作为全局最优位置；S4、根据全局最优位置、每个视频文件的历史最优位置和每个视频文件的当前位置，计算每个视频的速度向量并进行更新，速度向量vi(t+1)?=?ωⅹvi(t)?+?c1ⅹrand()ⅹ(?pi(t)???xi(t)?)?+?c2ⅹrand()ⅹ(?gi(t)???xi(t)?)，其中，其中，ω、C1、C2是粒子群算法的固有参数；vi(t)为第t次计算得到的视频文件的速度，如果t=1，则vi(t)=0；c1ⅹrand()ⅹ(?pi(t)???xi(t)?)为视频文件的当前位置；c2ⅹrand()ⅹ(?gi(t)???xi(t)?)为视频文件的历史最差位置；粒子群算法迭代一次，更新每个粒子的当前位置，粒子在进化过程中，保存有该粒子历史最优位置；S5、根据每个视频文件的当前位置和速度向量更新视频文件的位置，位置更新公式为：xi(t+1)=?xi(t)+?vi(t+1)，其中，xi(t)为第t次计算时的位置，vi(t+1)为第t+1次计算时的速度向量；S6、依次将每个视频文件当前位置向量的每个维度和速度向量的每个维度相加，得到维度值，建立各维度值表，将维度值表中最小值的视频文件推荐给用户。...

【技术特征摘要】
1.一种基于粒子群算法的视频推荐方法，其特征在于，按如下步骤进行:51、确定视频文件的评价指标，并获取用户对每个评价指标的喜好，建立评价用户喜好的维度表；同时，根据用户对评价指标的喜好项的个数分配权值，得到用户对评价指标的重视度权值向量；52、抽取所有视频文件的评价指标，并根据用户的维度表和兴趣向量表得到所有视频文件的粒子位置向量；53、随机选取三个视频文件作为初始种群，计算三个视频文件的匹配度，匹配度为用户对评价指标的重视度权值向量与视频文件的粒子位置向量的点积，将匹配度最低的视频文件所处位置作为全局最优位置；54、根据全局最优位置、每个视频文件的历史最优位置和每个视频文件的当前位置，计算每个视频的速度向量并进行更新，速度向量vi (t+Ι) = ω X vi (t) + cl x rand () x ( pi (t) - xi (t) ) + c2 X rand () x ( gi (t) - Xi (t))，其中，其中，o、Cl、C2 是粒子群算法的固有参数；Vi(t)为第t次计算得到的视频文件的速度，如果t=l，则Vi(t)=0 ； C1 X rand O x ( Pi (t) ...

【专利技术属性】
技术研发人员：班志远，
申请(专利权)人：南京云川信息技术有限公司，
类型：发明
国别省市：