一种节目推荐方法和流媒体节目系统

暂无

一种节目推荐方法和流媒体节目系统\n技术领域\n[0001] 本发明属于流媒体业务技术领域，具体涉及一种节目推荐方法和流媒体节目系统。\n背景技术\n[0002] 目前大部分的音视频业务系统中对内容的推荐方式都比较简单，没有根据用户的口味进行个性推荐。例如IPTV和移动流媒体系统中的简单推荐。已有的推荐方式大致可分为两种：一种是根据节目被播放的次数产生热度，做了一个排行榜，其局限性在于：考虑因素单一，往往是采用自动加1的模式，不具有智能性。另一类是采用基于节目提供商对节目主观判断方法，主要依赖于节目新颖程度和已观看用户对节目的历史评价分析，挖掘出用户对节目兴趣，并根据发现的模式对用户进行节目推荐。其局限性在于：没有对用户的播放行为进行建模，缺乏对用户偏好的有效处理，推荐的精度不高。\n发明内容\n[0003] 本发明的目的是提供一种节目推荐方法和流媒体节目系统，提高了节目推荐的精确度。\n[0004] 为实现上述目的，本发明采用了以下技术方案：一种节目推荐方法，包括步骤：\n[0005] 根据用户的节目播放行为生成节目的属性权重值；\n[0006] 根据所述节目的属性权重值向用户推荐节目。\n[0007] 优选的，根据用户的节目播放行为生成节目的属性权重值包括步骤：\n[0008] 根据用户的播放行为建立该用户的节目推荐表，所述节目推荐表以节目的属性权重值排列；\n[0009] 统计用户播放的所有节目的属性的总和，然后计算用户节目推荐表中各个权重的平均值。\n[0010] 优选的，所述计算用户节目推荐表中各个权重的平均值包括步骤：用户退出节目系统时，提示用户反馈节目推荐表满意度，根据用户反馈的满意度，计算用户节目推荐表中的各个权重的平均值。\n[0011] 优选的，根据用户反馈的满意度，计算用户节目推荐表中的各个权重的平均值具体为：如果用户反馈的满意度为偏低，则增加权重平均值；如果用户反馈的满意度为正好，则权重平均值不变；如果用户反馈的满意度偏高，则降低权重平均值。\n[0012] 优选的，通过设置定时启动任务，定时启动系统自动重新计算和更新系统中的用户节目推荐表。\n[0013] 优选的，所述的方法，还包括步骤：搜索和该用户播放行为相似的用户，从相似用户的用户节目推荐表中选择推荐节目加入该用户的节目推荐表中。\n[0014] 一种流媒体业务系统，包括业务管理平台和数据库，所述业务管理平台包括用户播放行为分析模块，所述用户播放行为分析模块与数据库连接，所述用户播放行为分析模块根据用户的节目播放行为生成节目的属性权重值，以及根据所述节目的属性权重值向用户推荐节目。\n[0015] 优选的，所述用户行为分析模块根据用户的播放行为建立该用户的节目推荐表，所述节目推荐表以节目的属性权重值排列；以及统计用户播放的所有节目的其中某一属性的总和，然后计算用户节目推荐表中各个权重的平均值。\n[0016] 优选的，所述业务管理平台在用户退出节目系统时，还用于提示用户反馈节目推荐表满意度，如果用户反馈的满意度为偏低，则增加权重平均值；如果用户反馈的满意度为正好，则权重的平均值不变；如果用户反馈的满意度偏高，则降低权重的平均值。\n[0017] 优选的，所述业务管理平台还包括定时模块，与用户行为分析模块连接，用于定时启动任务，定时启动系统自动重新计算和更新系统中的用户节目推荐表。\n[0018] 优选的，所述业务管理平台还包括搜索模块，所述搜索模块用于搜索和该用户行为播放行为相似的用户，从相似用户的用户节目推荐表中选择推荐节目加入该用户的节目推荐表中。\n[0019] 与现有技术相比，本发明通过分析用户对节目播放行为和节目属性，计算用户对节目的偏好，向用户推荐节目，提高了推荐的精确度。\n附图说明\n[0020] 图1为本发明实施例提供的一种节目推荐方法流程图；\n[0021] 图2为本发明实施例提供的一种流媒体业务系统框图。\n具体实施方式\n[0022] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。\n[0023] 本发明的核心思想是：根据用户节目播放行为建立数学模型，设计节目智能推荐系统，通过分析用户的播放历史记录和节目特性，识别用户的偏好，向用户推荐满意的节目，提高推荐的精确度，具有较好的智能性。\n[0024] (1)在运营商管理平台的上载步骤中增加节目属性(请发明人说明节目属性具体包括哪些属性)设定，假定节目为m，则一条节目入库信息为Gm＝(Attribute 1，Attribute2，Attribue3，...)，其中Attribute为对应属性的权重值，系统增加一张节目属性权重表。所述属性是指影片包含的类型，比如动作、爱情、科幻、恐怖等。\n[0025] (2)在系统中增加一张节目热度统计表(现有移动流媒体和IPTV中一般都已存在)，当用户播放完成某节目，则该节目热度值自动加1，假定热度信息定义为HOT＝(Content_m，Hot_value，Date)，其中Content_m为节目名称，Hot_value为热度值，Date为时间日期。\n[0026] 请参阅图1所示，图1是本发明实施例提供的一种节目推荐方法流程图，包括以下步骤：\n[0027] S101：当某用户登陆流媒体业务系统时，判断该用户是否为首次登陆，如果是首次登陆用户，进入步骤S102；如果不是首次登陆用户，进入步骤S104。\n[0028] S102：直接推荐目前热度最高的若干个(比如10个)节目给用户，转入步骤S104。\n[0029] S103：从数据库的用户节目推荐表中取该用户的节目推荐表，供用户选择播放。\n[0030] S104：当用户播放节目结束时热度自动加一权重单位。\n[0031] 假定用户节目推荐表一条记录信息，其中W表示节目某属性的总权重，AllValue表示用户总播放次数，Content表示推荐节目，Rm＝(W1，W2，W3...AllValue，Content1，Content2，...)。\n[0032] S105：将用户播放行为入库，假设入库信息为Action＝(UserID，Content，Date)，入库前将该用户历史信息全部清空。\n[0033] S106：用户行为入库之后，将用户当天更新推荐的定时任务入库，首先查询该用户推荐更新定时任务数据当天是否已经入库，如果已经入库则不需要再次入库，否则将定时任务入库，假设入库信息为Task＝(Userid，Date)，其中Userid为用户ID，Date为时间日期。当用户播放再次播放其他节目时，跳转到步骤S105。\n[0034] S107：当用户退出整个流媒体业务系统时，提示用户反馈节目推荐表满意情况。优选的，提示信息：节目权重n，选择：偏高，偏低，正好，将用户反馈信息入用户反馈数据表FB＝(UserID，W1，W2，...)，其中W可定义三种状态值-1、0、1，分别表示偏低、正好、偏高。\n[0035] S108-S110：推荐系统通过定时任务，比如在每天在凌晨整体业务量小的时候，启动用户节目推荐表的计算和更新。遍历当天用户推荐更新定时任务表，把当天上系统服务过的用户逐条取出来计算用户行为值后删除Task表中该条记录。\n[0036] 本实施例中，基本算法为： 其中i表示用户当天播放的节\n目内容顺序值，n初始值为1，为用户一天中播放节目数目的累加值。例如：当天播放了10个影片，那么n＝9，i的取值为[1，9]，Attribute表示影片的属性，Atrribute_Wj表示用户当天播放的所有影片中第j个属性的权重值总和。，更新用户节目推荐表(Rm表)中该用户的权重值(W值和AllValue)，基本计算方法：使用计算出来的值更新Rm表字段Rm.Wj＝Rm.Wj+Atrribute_Wj，Rm.n＝Rm.n+1。\n[0037] 进一步，计算Rm表中各个权重W的平均权重Average(Wi)＝Rm.Wi/n，综合计算反馈表(FB)中数据和平均权重数据Average(Wi)。\n[0038] 优选的，本实施例中，如果用户反馈的满意度为偏低，则增加对应的权重平均值；\n如果用户反馈的满意度为正好，则对应的权重平均值不变；如果用户反馈的满意度偏高，则降低对应的权重平均值。比如W值如果为-1，则Average(Wi)*120％，超出Average(Wi)的满分值以满分算；如果为0，则Average(Wi)不变；如果为1，则Average(Wi)*80％。\n[0039] S111-S112：启动搜索引擎搜索内容表(Gm)权重综合评分和用户计算出来的最终平均权重值最接近的若干个(优选8个)节目(命名为C8)。\n[0040] 进一步，搜索出和本用户权重最接近的若干个用户，优选2个，取这2个用户Action表中最新播放且不同于GM表中C8的节目各1个，一共10个节目，用这10个节目更新Rm表中的Content1...Content10。\n[0041] 重复步骤S108-S112，直到定时更新任务表中的数据全部删除完成。\n[0042] 请参阅图2所示，图2是本发明实施例提供的一种流媒体业务系统框图。流媒体业务系统，包括业务管理平台21和数据库22，所述业务管理平台21包括用户播放行为分析模块210、定时模块211和搜索模块212。\n[0043] 所述用户播放行为分析模块210与数据库22连接，所述用户播放行为分析模块根据用户的节目播放行为生成节目的属性权重值，以及根据所述节目的属性权重值向用户推荐节目。\n[0044] 优选的，所述用户行为分析模块210根据用户的播放行为建立该用户的节目推荐表，所述节目推荐表以节目的属性权重值排列；以及统计用户播放的所有节目的其中某一属性的总和，然后计算用户节目推荐表中各个权重的平均值。\n[0045] 优选的，所述业务管理平台21在用户退出节目系统时，还用于提示用户反馈节目推荐表满意度，用户有三种选择：偏低、正好、偏高。\n[0046] 优选的，所述用户行为分析模块210根据用户反馈的满意度，计算用户节目推荐表中的各个权重的平均权重值具体为：如果用户反馈的满意度为偏低，则增加权重平均值；\n如果用户反馈的满意度为正好，则权重平均值不变；如果用户反馈的满意度偏高，则降低权重平均值。\n[0047] 定时模块212，与用户行为分析模块连接，用于定时启动任务，定时启动系统自动重新计算和更新系统中的用户节目推荐表。\n[0048] 搜索模块213用于搜索和用户行为播放行为相似的节目和用户，综合相似节目和相似用户的行为表选择推荐节目入该用户的节目推荐表。\n[0049] 优选的，所述业务管理平台21在用户退出节目系统时，还用于提示用户反馈节目推荐表满意度。\n[0050] 以现有的IPTV、移动流媒体和P2P等媒体业务系统为例进行说明，现有业务系统中通过EPG/门户页面模块向用户展示节目推荐表。当运营商登陆业务管理系统上载媒体文件时，业务管理系统模块将数据入数据库。当用户播放或下载行为或反馈推荐结束时由EPG/门户页面模块将数据入数据库。推荐系统新增定时任务模块、用户行为分析模块、反馈调整模块和搜索引擎模块。其中由定时任务模块在整业务系统不繁忙时(例如凌晨2:00到早上6:000)触发用户节目推荐表系统，此时先触发用户行为分析模块分析用户当天的行为和反馈将分析的数据写入数据(反馈信息经过反馈调整模块调整)，完成后启动搜索引擎搜索和用户行为相关的节目入节目推荐表数据库。其中业务管理系统模块在上载步骤中增加节目属性设定，假定节目为m，则一条节目入库信息为Gm＝(Attribute1，Attribute2，Attribue3，...)，其中Attribute为对应属性的权重值，系统增加一张节目属性权重表。另外数据库中增加一张节目热度统计表(现有移动流媒体和IPTV中一般都已存在)，当用户播放完成某节目，则由103模块将节目热度值自动加1，假定热度信息定义为HOT＝(Content_m，Hot_value，Date)。\n[0051] 本发明依据用户对节目播放行为和节目属性建立了一个数据模型，并且分别定义各阶段的具体实现方式，综合利用了数据分析原理和数学模型，通过分析用户对节目播放行为和节目属性，计算用户对节目的偏好，向用户推荐节目，提高推荐效率。进一步，系统可以根据用户的反馈信息，进行自动调整，从而提高推荐的精确度，具有较好的智能性。\n[0052] 本发明适用于任何与媒体服务相关的业务运营系统，通过以下具体实施例进一步阐述本发明所述的一种流媒体业务系统中的用户喜好推荐方法，以下对具体实施方式进行详细描述，但不作为对本发明的限定。\n[0053] 以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。