电视节目的推荐方法及其系统

暂无

电视节目的推荐方法及其系统\n技术领域\n[0001] 本发明涉及智能电视，特别涉及一种电视节目的推荐方法及其系统。\n背景技术\n[0002] Internet的迅猛发展将人类带入了信息社会和网络经济时代，对企业发展和个人生活都产生了深刻的影响。在电子商务的虚拟环境下，商家所提供的商品种类和数量越来越多，面对商品信息的“海洋”，消费者很难快速有效地挑选出所需要的商品。在这种背景下，推荐系统（Recommender Systems）应运而生，它是根据用户的特征，比如兴趣爱好，推荐满足用户要求的对象，也称个性化推荐系统（Personalized Recommender Systems）。\n[0003] 对于电视节目同样存在这样的问题，越来越多的频道和越来越丰富的节目内容让电视观众很难选择。传统的导航已经不能满足电视用户的需求，而现在电视台都已经有了电子节目菜单（EPG，ElectronicProgramGuid），可以方便地得到电视台在未来一段时间内将要播出的内容。为了方便用户能快速查找到喜欢的节目，产生了电视直播推荐系统，其根据不同电视用户群体的喜好和习惯推荐相应的电视节目。现有的电视推荐分为非个性化推荐和个性化推荐。非个性化推荐就是将当时的热播电视频道或者与用户观看的电视频道类似的电视频道推荐给用户。此推荐方式根据当前电视节目热播的程度来推荐具有一定的效果，但是并不一定能够满足用户的需求；而且由于目前电视台的节目种类非常丰富，单纯的电视频道的相关推荐也不能保证在特定时段电视节目的相关性，所以相对于个性化推荐，非个性化推荐劣势较大。个性化推荐是通过记录单个用户的观看历史，并对该用户的观看行为进行分析，从而得到用户的喜好，进而对用户进行有针对性的推荐，相比非个性化推荐，这种推荐目标性强，准确度大大提升。\n[0004] 但是，现有的电视直播中个性化推荐系统大都是针对电视频道的推荐，由于终端（如电视机顶盒）对用户的行为通常只能记录用户观看电视时的跳台行为，所以大多数直播的个性化推荐是针对用户对频道的观看行为直接推荐频道的。同样由于频道节目种类丰富，不同时段的节目类型不一，推荐效果不能得到保证。而针对节目的推荐，是记录用户在换台时间段内所有观看的节目内容来分析，由于电视用户群体的差异性，推荐给当前用户观看的节目可能是其他用户喜欢的类型，不一定是当前用户想要观看的，所以用户行为记录会有用户非自主发生的行为，这样的行为推荐出的结果质量也不高。\n发明内容\n[0005] 鉴于上述现有技术的不足之处，本发明的目的在于提供一种电视节目的推荐方法及其系统，对用户跳台行为进行分析，综合频道推荐和节目推荐，提高了用户喜好度分析的准确度，保证了推荐节目的质量。\n[0006] 为了达到上述目的，本发明采取了以下技术方案：\n[0007] 一种电视节目的推荐方法，其包括：\n[0008] A、客户端获取用户跳台数据并传输给服务端；\n[0009] B、服务端对所述用户跳台数据进行日志分析获取用户行为数据，根据用户跳台数据进行热门频道、用户喜好和相似度分析获得频道推荐结果；\n[0010] C、服务端对所述用户行为数据进行特征权重分析、以及对EPG节目数据进行相似度分析获得节目推荐结果；\n[0011] D、综合所述频道推荐结果和节目推荐结果调整电视频道列表；\n[0012] 根据用户跳台数据进行热门频道、用户喜好和相似度分析获得频道推荐结果具体包括：\n[0013] B21、根据所述用户跳台数据统计观看人数最多的频道，生成热门频道排名；统计单个用户在各个时段观看各个频道的时长并排序，生成用户喜好频道排名；统计用户的观看行为对用户进行聚类分析，生成相似用户表；\n[0014] B22、根据用户喜好频道排名修正相似用户表，再进行用户协同过滤生成协同过滤频道推荐表；\n[0015] B23、将热门频道排名、用户喜好频道排名和协同过滤频道推荐表进行融合、过滤、排序后生成频道推荐结果；根据热门频道排名和用户喜好频道排名进行习惯建模，生成用户频道习惯模型；\n[0016] 所述步骤C具体包括：\n[0017] C1、对EPG节目数据进行特征提取和特征权重分析，生成特征权重数据库；对用户行为数据按照时间衰减函数，结合特征权重数据库建立用户特征模型；\n[0018] C2、从EPG节目数据中提取出节目的内容信息，根据所述内容信息和特征权重数据库进行建模，生成节目特征模型；\n[0019] C3、对所述EPG节目数据进行相关性计算，生成节目相关数据库；\n[0020] C4、获取实时热播频道并按热度排序获得热度排行，结合EPG节目数据提取出热播节目，将所述节目特征模型与用户特征模型进行匹配得到相关度排行，再综合热度排行获得初级节目推荐结果；结合初级节目推荐结果与节目相关数据库生成节目推荐结果。\n[0021] 所述的电视节目的推荐方法中，所述步骤B中，服务端对跳台数据进行日志分析获取用户行为数据具体包括：\n[0022] B1、根据跳台数据分析用户对节目的观看频率和观看时间，生成用户行为数据；\n[0023] B2、存储所述用户行为数据。\n[0024] 所述的电视节目的推荐方法中，所述步骤D具体包括：\n[0025] D1、将节目推荐结果转换成频道排列表，并与频道推荐结果融合，生成频道推荐列表；\n[0026] D2、对频道推荐列表进行重复节目选择、过滤处理，根据预设情况调整频道的排序；\n[0027] D3、结合用户频道习惯模型对频道推荐列表进行修正，生成最终的电视频道列表。\n[0028] 一种用于实现所述的电视节目的推荐方法的系统，其包括客户端和服务端；\n[0029] 所述客户端用于获取用户跳台数据并传输给服务端；\n[0030] 所述服务端包括：\n[0031] 日志分析模块，用于对所述用户跳台数据进行日志分析获取用户行为数据；\n[0032] 频道推荐模块，用于根据用户跳台数据进行热门频道、用户喜好和相似度分析获得频道推荐结果；\n[0033] 节目推荐模块，用于对所述用户行为数据进行特征权重分析、以及对EPG节目数据进行相似度分析获得节目推荐结果；\n[0034] 联合推荐模块，用于综合所述频道推荐结果和节目推荐结果调整电视频道列表。\n[0035] 所述的电视节目的推荐方法的系统中，所述日志分析模块包括：\n[0036] 数据处理模块，用于根据跳台数据分析用户对节目的观看频率和观看时间，生成用户行为数据；\n[0037] 存储模块，用于存储所述用户行为数据。\n[0038] 所述的电视节目的推荐方法的系统中，所述频道推荐模块包括：\n[0039] 总体数据统计模块，用于根据所述用户跳台数据统计观看人数最多的频道，生成热门频道排名；\n[0040] 分时段统计模块，用于统计单个用户在各个时段观看各个频道的时长并排序，生成用户喜好频道排名；\n[0041] 协同过滤推荐模块，用于统计用户的观看行为对用户进行聚类分析，生成相似用户表；根据用户喜好频道排名修正相似用户表，再进行用户协同过滤生成协同过滤频道推荐表；\n[0042] 习惯建模模块，用于根据热门频道排名和用户喜好频道排名进行习惯建模，生成用户频道习惯模型；\n[0043] 第一结果融合模块，用于将热门频道排名、用户喜好频道排名和协同过滤频道推荐表进行融合、过滤、排序后生成频道推荐结果。\n[0044] 所述的电视节目的推荐方法的系统中，所述节目推荐模块包括：\n[0045] 特征权重分析模块，用于对EPG节目数据进行特征提取和特征权重分析，生成特征权重数据库；\n[0046] 用户特征建模模块，用于对用户行为数据按照时间衰减函数，结合特征权重数据库建立用户特征模型；\n[0047] 节目内容建模模块，用于从EPG节目数据中提取出节目的内容信息，根据所述内容信息和特征权重数据库进行建模，生成节目特征模型；\n[0048] 节目相关推荐模块，用于对所述EPG节目数据进行相关性计算，生成节目相关数据库；\n[0049] 特征模型匹配模块，用于获取实时热播频道并按热度排序获得热度排行，结合EPG节目数据提取出热播节目，将所述节目特征模型与用户特征模型进行匹配得到相关度排行，再综合热度排行获得初级节目推荐结果\n[0050] 第二结果融合模块，用于结合初级节目推荐结果与节目相关数据库生成节目推荐结果。\n[0051] 所述的电视节目的推荐方法的系统中，所述联合推荐模块包括：\n[0052] 节目频道转化模块，用于将节目推荐结果转换成频道排列表；\n[0053] 推荐融合模块，用于将频道排列表与频道推荐结果融合，生成频道推荐列表；\n[0054] 重选过滤模块，用于对频道推荐列表进行重复节目选择、过滤处理；\n[0055] 处理模块，用于根据预设情况调整频道的排序；\n[0056] 习惯修正模块，用于结合用户频道习惯模型对频道推荐列表进行修正，生成最终的电视频道列表。\n[0057] 相较于现有技术，本发明提供的电视节目的推荐方法及其系统，通过对用户跳台数据进行分析处理，获得基于用户喜好和习惯的频道推荐结果、以及基于特征权重和相似度分析获得节目推荐结果，综合频道推荐结果和节目推荐结果来调整电视频道列表，在当前直播节目中给出观众最想看的节目，提高用户的喜好度分析的准确度，提高了推荐节目的质量。\n附图说明\n[0058] 图1为本发明电视节目的推荐方法较佳实施例的流程图。\n[0059] 图2为本发明实现电视节目的推荐方法的系统较佳实施例的结构框图。\n具体实施方式\n[0060] 本发明提供一种电视节目的推荐方法及其系统，对用户跳台数据进行分析获得跳台行为，能真正反映出用户主动发生的行为，结合直播热度的在播节目推荐，能够解决推荐系统冷启动的问题，并能改善个性化推荐效果。同时，结合基于频道推荐和基于节目内容的个性化兴趣推荐产生了全新的直播节目推荐方式，在当前直播节目中分析出观众最想看的节目，并统一转换为频道列表方式推荐给用户。结合频道和节目内容的推荐达到互补效果，能更加准确地反应出用户的喜好。另外还增加了特殊节目处理，综合考虑了用户的观看习惯，以提高用户行为分析的准确性，保证推荐节目的质量。本发明根据直播节目变化快、实时性要求高的特点，采用离线建模，在线相关性分析等方法，基于观看热度排名，能实时地个性化调整推荐节目列表的顺序，以满足直播节目处理的要求。\n[0061] 为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。\n[0062] 请参阅图1，其为本发明电视节目的推荐方法较佳实施例的流程图。如图1所示，本实施例提供的电视节目的推荐方法包括以下步骤：\n[0063] S100、客户端获取用户跳台数据并传输给服务端。\n[0064] S200、服务端对所述用户跳台数据进行日志分析获取用户行为数据，根据用户跳台数据进行热门频道、用户喜好和相似度分析获得的频道推荐结果。\n[0065] S300、服务端对所述行为数据进行特征权重分析、以及对EPG节目数据进行相似度分析获得节目推荐结果。\n[0066] S400、综合所述频道推荐结果和节目推荐结果调整电视频道列表。\n[0067] 本实施例中，所述客户端为电视机顶盒或电视内部控制系统，能记录用户的跳台行为，所述跳台行为包括用户进入某个频道的系统时间（即跳入时间）和进入的该频道的电视台编号，用户退出某个频道的系统时间（即跳出时间）等。将这些行为收集汇总并处理成统一的格式，形成用户跳台数据。\n[0068] 在所述步骤S100中，客户端获取用户跳台数据后会进行压缩打包存储，之后会定期地通过专有的通信方式上传用户跳台数据给服务端。\n[0069] 所述服务端为远程服务系统，用于对用户跳台数据和EPG（ElectronicProgramGuide，电子节目菜单）节目数据进行相应的分析处理，具体包括：日志分析流程、频道推荐流程、节目推荐流程和联合推荐流程。应当理解的是，由于客户端为电视机顶盒或电视内部控制系统，每个客户端上报的用户跳台数据基于电视机的使用环境和观看者的类型而具有特定性。服务端会对各个客户端的用户跳台数据进行综合统计分析，再结合每个客户端用户跳台数据的特定性生成相应的电视频道列表反馈给对应的客户端。服务端在对客户端上报的用户跳台数据进行分析处理前，会先将对这些用户跳台数据进行汇总处理，对数据规格进行验证，筛选剔除非法格式和传输错误的数据，之后再进入上述四个流程进行分析。这四个流程体现在上述步骤S200至步骤S400的具体方案中，下面结合步骤S200至步骤S400的具体方案分别阐述这四个流程。\n[0070] 一、日志分析流程\n[0071] 所述步骤S200中，服务端对跳台数据进行日志分析获取用户行为数据具体包括：\n[0072] 步骤201、根据跳台数据分析用户对节目的观看频率和观看时间，生成用户行为数据。具体分析方式包括以下几种：\n[0073] 1、历史行为相关性分析——分析用户历史行为与跳台期间节目的相关性。\n[0074] 2、EPG节目客观评价——通过EPG节目本身的热度和观众评价，客观排名后作为节目本身的质量评价标准，并设定质量高的节目更受观众喜爱。\n[0075] 3、相似用户协同行为过滤——对所有用户的历史行为做协同过滤的分析，判断用户对节目的喜好度，从而判断用户观看此类型节目可能性。\n[0076] 4、用户习惯分析——根据用户特定习惯的周期性判断。\n[0077] 5、特殊行为处理——认为用户开机后选择观看的第一个节目，特别是观看预设时长的第一个节目是用户想观看的。后续选择观看了预设时长的节目也可以认为是用户喜欢的节目类型。所述预设时长为该节目总时间的80%或90%。对跳出时的节目，如果在节目结束时跳出，则认为该节目为用户发生观看行为的节目，如果用户在未看完该节目就提前跳出，则不发生用户的观看行为。关于不发生观看行为的判定还可以采用停留时间，即用户在该节目的停留时间小于或等于该节目总时间的5%，则认为不发生观看行为。\n[0078] 上述特殊行为处理还可以对连续的用户跳台数据做组合连接处理。即一个用户针对一个电视台的两个跳台行为如果在一个预设时间段内，则认为两个观看行为连续，相当于没有跳台。例如播放电视剧时因广告用户跳出湖南卫视、转入安徽卫视，约2分钟后广告结束，用户又切换回湖南卫视，这样就认为没有换台。\n[0079] 步骤202、存储所述用户行为数据。用户行为数据为后续流程提供参考数据。\n[0080] 日志分析流程即是分析用户对跳台期间所有节目的主观性，判断这些节目用户是否观看过（发生观看行为），观看过的节目分析为用户想要及喜欢观看的节目。用户跳台数据针对的是频道，经过日志分析流程生成的用户行为数据针对的是节目。节目的内容从现有的EPG节目数据中可以查询出。用户行为数据即是用户对节目的观看行为。\n[0081] 二、频道推荐流程\n[0082] 所述步骤S200中，根据用户跳台数据进行热门频道、用户喜好和相似度分析获得的频道推荐结果具体包括：\n[0083] 步骤210、根据所述用户跳台数据统计观看人数最多的频道，生成热门频道排名；\n统计单个用户在各个时段观看各个频道的时长并排序，生成用户喜好频道排名；统计用户的观看行为对用户进行聚类分析，生成相似用户表。\n[0084] 不同年龄层的用户群体喜欢观看的节目类型不同；如老人多喜欢曲艺类节目或都市剧，年轻人喜欢偶像剧，孩子喜欢动画片。基于学习和工作时间，不同时间段观看的用户群体不同；如老人不用上班，一般白天收看节目；孩子放学较早，且动画片多在下午5、6点播放；年轻人白天上班，晚上下班后一般收看8点播放的电视剧。可能某个频道节目从早到晚能满足不同年龄层的用户的需要，因此，热门频道是针对所有用户的热度排名。可能不同频道在不同时间播放的节目分别满足不同用户群体的喜好，因此，用户喜好频道排名能总结出用户更倾向于观看哪个频道。可能一个电视节目能同时得到老人和年轻人的青睐，因此，相似用户表能获得不同用户群体之间都喜好的节目类型。\n[0085] 步骤220、根据用户喜好频道排名修正相似用户表，再进行用户协同过滤生成协同过滤频道推荐表。\n[0086] 经过修正后的相似用户表能更准确的体现用户的喜好，此时的节目类型都是用户喜好的。例如A用户喜欢X、Y型节目，B用户喜欢X、Y、Z型节目。X、Y、Z型节目都在修正后的相似用户表中，Z型节目与X、Y型节目类似，可能用户A不知道Z型节目，所以没有相关的观看行为。通过用户协同过滤后，可认为Z型节目也符合A用户的喜好，可提供参考意见给A用户。用户协同过滤即是一种基于一组兴趣相同的用户进行的推荐，协同过滤频道推荐表则是根据与目标用户兴趣相似的用户的偏好信息产生对目标用户的推荐列表，按时段区分。\n[0087] 步骤230、将热门频道排名、用户喜好频道排名和协同过滤频道推荐表进行融合、过滤、排序后生成频道推荐结果；根据热门频道排名和用户喜好频道排名进行习惯建模，生成用户频道习惯模型。\n[0088] 所述频道推荐结果是综合了热门频道排名、用户喜好频道排名和协同过滤频道推荐表的内容，按时段区分的个性化推荐结果，其能更准确地反应出用户对不同频道的喜好程度。\n[0089] 用户频道的习惯建模主要是通过对用户个人对频道的观看行为分析出用户对该频道观看的一些特殊习惯，包括周期性习惯和持久性习惯。持久性习惯是指某些用户每次打开电视机就会锁定在某些频道观看，对频道在播的节目内容可能不感兴趣，但是没有换台，即没有选择性。这种情况下若分析出用户喜好的节目频道反而不符合用户需求。周期性习惯的分析目的与持久性习惯类似，通过对用户频道观看历史时间序列聚类的周期规则总结用户的观看行为。用户频道习惯建模获得的习惯周期模型是针对一台电视机的多个用户可能出现的、某个用户在特定时段的特定频道固定观看行为。\n[0090] 三、节目推荐流程\n[0091] 所述步骤S300具体包括：\n[0092] 步骤301、对EPG节目数据进行特征提取和特征权重分析，生成特征权重数据库；对用户行为数据按照时间衰减函数，结合特征权重数据库建立用户特征模型；\n[0093] 在EPG节目数据内容中提取特征，并根据电视节目的信息特点和TF-IDF（term frequency–inverse document frequency）算法来对特征赋权，特征权重数据库会用于后期建模。所述特征是指用于描述节目的特征词，如人物、地点、语言、类型等。如果节目播放的是电影，特征可以为演员名、导演名、拍摄地、武侠等。对特征赋权即是统计不同节目中这些特征出现的次数，次数越多、权重越重，从而可以分析用户倾向于某个特征，如某个演员或导演的演视作品，或倾向于武侠类型的影视剧。根据用户的行为数据提取出其观看的节目，然后按照时间衰减函数和特征权重数据库中的特征权重建立用户特征模型。\n[0094] 步骤302、从EPG节目数据中提取出节目的内容信息，根据所述内容信息和特征权重数据库进行建模，生成节目特征模型。\n[0095] 步骤303、对所述EPG节目数据进行相关性计算，生成节目相关数据库。\n[0096] 所述相关性计算具体包括：1、对EPG节目数据中的内容，根据内容的相似度，匹配内容的特征模型，生成基于内容相似度的相关结果。2、根据用户行为数据，通过协同过滤相似度计算得到节目相似度。3、将基于内容相似度的相关结果与节目相似度融合得到节目相关数据库。\n[0097] 步骤304、获取实时热播频道并按热度排序，结合EPG节目数据提取出热播节目，将所述节目特征模型与用户特征模型进行匹配得到相关度排行，再综合热度排行获得初级节目推荐；结合初级节目推荐结果与节目相关数据库生成节目推荐结果。\n[0098] 在用户实时请求推荐时，在线获取实时热播频道，将所有频道按热度排序，然后结合EPG节目数据提取当前在播的热播节目。综合初级节目推荐结果与节目相关数据库后再进行过滤、去重和排序，最终生成直播的节目推荐结果\n[0099] 四、联合推荐流程\n[0100] 联合推荐主要是综合频道推荐结果和节目推荐结果。所述步骤S400具体包括：\n[0101] 步骤401、将节目推荐结果转换成频道排列表，并与频道推荐结果融合，生成频道推荐列表。\n[0102] 基于节目推荐结果涉及的是节目排列表，频道推荐结果涉及的是频道信息，最后是要对电视频道列表进行调整，因此需要在EPG节目单中查询，找到与节目推荐结果中的节目相对应的频道，将节目推荐结果的节目排列表转换为频道排列表。\n[0103] 将频道排列表与频道推荐结果融合时，需要先对这两者赋予不同的权重，将按顺序归一化，然后赋权相加，重新排序后得到新的频道推荐列表。\n[0104] 步骤402、对频道推荐列表进行重复节目选择、过滤处理，根据预设情况调整频道的排序。\n[0105] 由于不同频道会播出相同的节目，每个频道的播出进度不同，如一电视剧，有的频道播放到第10集，有的频道已经播放到第20集。可根据用户的观看历史将适当的频道提前，例如用户已观看某电视剧到某一集，则将播放该电视剧下一集的频道放到频道推荐列表前端。其他播放相同电视剧的频道排在频道推荐列表尾端。\n[0106] 根据预设情况调整频道的排序是针对各个电视台当前播出节目的进度，把即将结束的节目的频道过滤到频道推荐列表尾端。该节目结束后能马上显示用户另外喜欢的一个节目，能使用户尽快转入其他节目中，避免用户选择时浪费时间。\n[0107] 步骤403、结合用户频道习惯模型对频道推荐列表进行修正，生成最终的电视频道列表。\n[0108] 用户频道习惯模型是对用户特殊的观看习惯所作出的统计，这些观看习惯具有固定性或时间性，如某些用户观看电视只是固定一个或几个电视台，而对节目本身选择不敏感；再或者在某些时段固定观看一个电视台，如晚上7点收看CCTV1的新闻联播；又或者用户喜欢观看某个电视台播放的连续剧。在这种情况下，为了尊重用户的观看习惯，根据用户的习惯对频道推荐列表做调整，最终生成电视频道列表。\n[0109] 假设频道推荐列表最前面列出的是用户最近常看的一个影视频道，但是系统时间显示为晚上7点，根据用户频道习惯模型获知此时用户更倾向于收看CCTV1的新闻联播；因此，以用户频道习惯模型为准，生成的电视频道列表最前面为CCTV1，接着为该影视频道。\n[0110] 本发明实施例还相应提供一种用于实现所述的电视节目的推荐方法的系统，如图\n2所示，其包括客户端10和服务端20。\n[0111] 所述客户端10用于获取用户跳台数据并传输给服务端20，其为电视机机顶盒或电视机内部控制系统。所述客户端10包括获取模块110和上报模块120，所述获取模块用于记录用户的跳台行为，对跳台行为收集汇总形成跳台数据，并进行压缩打包存储。上报模块\n120上传用户跳台数据给服务端。\n[0112] 所述服务端20包括日志分析模块210、频道推荐模块220、节目推荐模块230和联合推荐模块240，所述日志分析模块210、频道推荐模块220、联合推荐模块240、节目推荐模块\n230依次连接，所述日志分析模块210连接节目推荐模块230。\n[0113] 所述日志分析模块210用于对所述用户跳台数据进行日志分析获得用户对电视节目是否观看的用户行为数据。频道推荐模块220根据用户跳台数据进行热门频道、用户喜好和相似度分析获得的频道推荐结果。节目推荐模块230对所述用户行为数据进行特征权重分析、以及对EPG节目数据进行相似度分析获得节目推荐结果。联合推荐模块240综合所述频道推荐结果和节目推荐结果调整电视频道列表。\n[0114] 其中，所述日志分析模块210包括：\n[0115] 数据处理模块，用于根据跳台数据分析用户对节目的观看频率和观看时间，生成用户行为数据；\n[0116] 存储模块，用于存储所述用户行为数据。\n[0117] 所述频道推荐模块220包括：\n[0118] 总体数据统计模块，用于根据所述用户跳台数据统计观看人数最多的频道，生成热门频道排名；\n[0119] 分时段统计模块，用于统计单个用户在各个时段观看各个频道的时长并排序，生成用户喜好频道排名；\n[0120] 协同过滤推荐模块，用于统计用户的观看行为对用户进行聚类分析，生成相似用户表；根据用户喜好频道排名修正相似用户表，再进行用户协同过滤生成协同过滤频道推荐表；\n[0121] 习惯建模模块，用于根据热门频道排名和用户喜好频道排名进行习惯建模，生成用户频道习惯模型；\n[0122] 第一结果融合模块，用于将热门频道排名、用户喜好频道排名和协同过滤频道推荐表进行融合、过滤、排序后生成频道推荐结果。\n[0123] 所述节目推荐模块230包括：\n[0124] 特征权重分析模块，用于对EPG节目数据进行特征提取和特征权重分析，生成特征权重数据库；\n[0125] 用户特征建模模块，用于对用户行为数据按照时间衰减函数，结合特征权重数据库建立用户特征模型；\n[0126] 节目内容建模模块，用于从EPG节目数据中提取出节目的内容信息，根据所述内容信息和特征权重数据库进行建模，生成节目特征模型；\n[0127] 节目相关推荐模块，用于对所述EPG节目数据进行相关性计算，生成节目相关数据库；\n[0128] 特征模型匹配模块，用于获取实时热播频道并按热度排序，结合EPG节目数据提取出热播节目，将所述节目特征模型与用户特征模型进行匹配得到相关度排行，再综合热度排行获得初级节目推荐结果\n[0129] 第二结果融合模块，用于结合初级节目推荐结果与节目相关数据库生成节目推荐结果。\n[0130] 所述联合推荐模块240包括：\n[0131] 节目频道转化模块，用于将节目推荐结果转换成频道排列表；\n[0132] 推荐融合模块，用于将频道排列表与频道推荐结果融合，生成频道推荐列表；\n[0133] 重选过滤模块，用于对频道推荐列表进行重复节目选择、过滤处理；\n[0134] 处理模块，用于根据预设情况调整频道的排序；\n[0135] 习惯修正模块，用于结合用户频道习惯模型对频道推荐列表进行修正，生成最终的电视频道列表。\n[0136] 综上所述，本发明的电视节目的推荐方法及其系统，提出一种综合频道推荐和节目推荐的联合推荐方式，对用户跳台数据进行分析处理来获得用户主动发生的观看行为，确认用户的节目的喜好；结合热门节目、用户喜好和用户相似度对直播节目进行分析获得频道推荐结果，对用户行为数据进行特征权重分析、以及对EPG节目数据进行相似度分析获得节目推荐结果，综合基于频道的频道推荐结果以及基于节目的个性化的节目推荐结果，在当前直播节目中给出观众最想看的节目，转换为电视频道列表推荐给用户，这种推荐方式提高了用户的喜好度分析的准确度，提高了推荐节目的质量。\n[0137] 可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。