实现精准组合推荐的机顶盒盲操作方法和系统

暂无

实现精准组合推荐的机顶盒盲操作方法和系统\n技术领域\n[0001] 本发明属于广播电视通讯技术领域，具体涉及一种实现精准组合推荐的机顶盒盲操作方法和能够实现该方法的操作系统。\n背景技术\n[0002] 电视是目前家庭最广泛使用的信息获取工具之一，目前电视机统一采用遥控器作为操控电视的配件。在进行遥控时需要进入屏幕菜单层层选择，才能够播放需要收看的节目。目前，遥控器操作方式越来越受到人们的厌弃，因其操作繁琐，而且遥控器自身不易寻找，为人们带来了麻烦。现在也有厂家开发手机APP对电视进行遥控，但其功能基本是遥控器按键的移植，并无新意，在实际操作时，用户依然需要按照各种层次目录选择节目观看。\n为了提高用户便利度，当前的电视节目供应商多在电视界面上展示节目推荐列表，以协助用户快速定位热点节目，以期达到宣传推广效果。但目前的节目推荐一般简单地推荐全体用户点播率最高或是广告商推送的节目，导致每个用户的推荐节目单完全相同，不能满足目前人们日益增长的个性化需求。\n发明内容\n[0003] 为解决上述问题，本发明公开了一种能够实现精准组合推荐的机顶盒盲操作方法和系统，充分满足用户个性化推荐需求。\n[0004] 其中，实现精准组合推荐的机顶盒盲操作方法，包括如下步骤：\n[0005] 步骤A，用户选择服务种类；\n[0006] 步骤B，根据服务识别码和用户身份信息从数据库中获得用户选择服务种类下的历史使用数据，并进行行为建模，获得用户的喜好：\n[0007] 步骤B-1，定义服务中的不同类型；\n[0008] 步骤B-2，建立每个服务内容对应每个类型的权值矩阵Mij，其中i表示服务内容，j表示该服务内容对应的类型；\n[0009] 步骤B-3，定义用户对某个服务内容的喜好如下：\n[0010]\n[0011] 其中Sj表示用户对j服务内容类型的喜好，Ti为用户对服务内容i的历史操作数据，Mij表示服务内容i对应类型j的权重值；\n[0012] 步骤B-4，统计用户对服务内容i的历史操作数据，并将历史操作数据依次排序，选择出历史操作数据排名靠前的服务内容，依照服务内容喜好公式计算用户对服务内容类型j的喜好Sj，其中i为历史操作数据排名靠前的服务内容；\n[0013] 步骤C，计算排名推荐度Ri和关联推荐指数CF(X,Y)，结合步骤B计算出的用户对服务内容类型的喜好做加权计算，最终获得综合的推荐结果：\n[0014] 步骤C-1，定义排名推荐分子值Vij，通过计算所有Vij值的累加得到频道的排名推荐度Ri；\n[0015] 步骤C-2，定义关联推荐分子值Qm(n)，然后通过下式依此计算出目标用户X与其他用户Y收看频道的关联推荐指数CF：\n[0016]\n[0017] 其中X＝(Q1(X)，Q2(X)，Q3(X)，Qm(X))，Y＝(Q1(Y)，Q2(Y)，Q3(Y)，Qm(Y))，E(X)为X的期望值，E(Y)为Y的期望值；\n[0018] 步骤C-3，通过下式计算得出最终推荐结果：\n[0019] FR＝Ri*Sj+CF(X,Y)*Sj，\n[0020] 其中，Sj为排名靠前的若干类型；\n[0021] 步骤D，将最终的推荐结果列表下发到用户的机顶盒端，并在电视上进行显示。\n[0022] 进一步的，所述步骤A中用户通过APP界面选择服务种类。\n[0023] 进一步的，所述步骤D之后还包括以下步骤：\n[0024] 用户摇动手机，当前优先显示的服务内容切换至顺序排位在下一位的服务内容，并显示在电视机上。\n[0025] 进一步的，所述服务种类包括频道、点播和业务。\n[0026] 进一步的，所述服务种类为频道时，服务内容为各个频道，所述历史操作数据Ti＝该频道收看时长/所有频道收看时长，所述排名推荐分子值Vij为Vij＝用户j收看频道i的时长/用户j所有频道收看总时长，所述关联推荐分子值Qm(n)＝用户n收看频道m的时长/用户n所有频道收看总时长；\n[0027] 所述服务种类为点播时，服务内容为各点播节目，所述历史操作数据为过去一段时间内用户点播次数；将用户j订购节目i的行为设定为该节目的排名推荐分子值Vij＝1，用户j未订购节目i的行为设定为该节目的排名推荐分子值Vij＝0；若用户n点播节目m，则基于用户n，节目m的关联推荐分子值Qm(n)＝1；若用户n未点播节目x，则基于用户n，节目x的关联推荐分子值Qx(n)＝0；\n[0028] 所述服务种类为业务时，服务内容为各增值业务，所述历史操作数据为过去一段时间内用户业务打开次数；Vij＝用户j打开业务i的频次/该用户所有业务打开的总频次；若用户n订购增值业务m，则基于用户n，增值业务m的关联推荐分子值Qm(n)＝1；若用户n未订购增值业务x，则基于用户n，增值业务x的关联推荐分子值Qx(n)＝0。\n[0029] 本发明还公开了实现精准组合推荐的机顶盒盲操作系统，能够实现上述操作方法，具体包括服务识别子系统、数据建模子系统、推荐分析子系统和推荐管理子系统，所述服务识别子系统用于接收用户选择的服务种类信息和身份信息，并识别用户选择的服务种类，标记服务识别码，并将信息传输至数据建模子系统，所述数据建模子系统根据服务识别码和用户身份信息从数据库中调取该用户在所选择的此项服务中的的历史使用数据，进行行为建模，得到用户对服务的类型喜好；所述推荐分析子系统根据服务识别码采用组合推荐策略挖掘相应服务类型的用户数据，并计算出最优的推荐结果，所述组合推荐策略根据计算得到的排名推荐度和关联推荐指数，结合数据建模子系统得到的用户对服务内容类型的喜好做加权计算；所述推荐管理子系统用于将最终的推荐结果数据由推荐管理子系统下发到用户的机顶盒端，在电视上进行显示。\n[0030] 进一步的，所述推荐管理子系统用于在用户在同一服务类型中进行选项切换操作时显示切换后的推荐结果。\n[0031] 进一步的，还包括移动终端，所述移动终端上安装有APP，用户通过APP进行服务内容选择操作和服务内容切换操作。\n[0032] 与现有技术相比，本发明具有如下优点和有益效果：\n[0033] 本发明能够从用户历史数据中获得用户类型偏好，并通过后台大数据挖掘，结合用户普遍选择排名和关联度，得到推荐结果，并将用户喜好类型和推荐结果相结合，得到既符合用户喜好又充分结合热点服务排名的个性化推荐服务信息，推荐结果精准。同时，本发明提供了简单易行的控制方法，通过摇动手机即可依次切换个性化推荐信息中所推荐的服务内容，提升用户体验度，操作十分方便，便于推广和应用。\n附图说明\n[0034] 图1为本发明系统架构图。\n具体实施方式\n[0035] 以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。\n[0036] 本发明基于现有广电机顶盒和后台服务器架构，并在此基础上结合时下流行的移动终端(手机、PAD等)实现，如图1所示，用户通过移动终端进行服务种类选择后，用户选择信息和用户身份信息一同传输至后台智能挖掘与个性化推荐系统，系统根据用户所选择的业务种类和用户信息，从后台数据库中筛选、调取相关数据(收视数据和订购数据)进行行为建模与推荐分析计算，最终输出用户当前选择的服务种类下的用户个性化推荐信息并下发至用户绑定的机顶盒端。\n[0037] 后台智能挖掘与个性化推荐系统融合大数据挖掘和个性化推荐技术实现内容的精准推送，系统结构包括服务识别子系统、数据建模子系统、推荐分析子系统和推荐管理子系统。其中服务识别子系统用于接收用户选择的服务种类信息和身份信息，并识别用户选择的服务种类(频道/点播/业务)，标记服务识别码，然后将处理后的信息(服务识别码和用户身份信息)传输至数据建模子系统中进行针对性的数据调取与行为建模。数据建模子系统根据服务识别码和用户身份信息从数据库中调取该用户在所选择的此项业务中的的历史使用数据，结合广电业务分类数据字典进行行为建模，并推导出用户对业务的类型偏好。\n推荐分析子系统根据服务识别码在大数据系统中根据推荐策略挖掘相应服务类型的用户数据，通过大量不同维度的信息(内容信息、用户信息、历史信息)来评估用户的偏好，并计算出最优的推荐结果。推荐管理子系统用于将最终的推荐结果数据由推荐管理子系统下发到用户的机顶盒端，在电视上进行显示，且在用户在同一服务类型中进行选项切换时进行响应并显示切换后的推荐结果。\n[0038] 具体的说，本发明开发了江苏有线专属定制APP，该APP供用户在移动终端上下载后与用户使用的机顶盒绑定，移动终端能够与机顶盒进行双向通信，APP中具备“摇一摇”功能界面，该功能界面上有“频道”、“点播”、“业务”等几种不同的服务种类，用户可以根据需求选择其中一类服务。用户进行选择后，选择的业务种类(“摇频道”/“摇点播”/“摇业务”)和用户身份信息(如机顶盒号、智能卡号、用户名等)即被传输至智能挖掘与个性化推荐系统的服务识别子系统中。该传输信息可以由移动终端经由机顶盒发送至后台系统中，也可以由移动终端直接通过网络发送至后台系统中。必须说明的是，移动终端操作方式仅仅为一种优选模式，本发明中的智能挖掘与个性化推荐系统也可以与遥控器相结合实现。本例中，用户在APP中选择“频道”服务项目，该信息连同用户身份信息被传输至服务识别子系统中。\n[0039] 所述服务识别子系统对用户选择的服务种类信息进行识别，标记“频道”服务识别码，并将识别码和用户身份信息传输至用户收视行为分析模型中。\n[0040] 建立用户收视行为分析模型的具体步骤如下：\n[0041] 步骤1：根据数据字典定义每个频道的类型，本例中类型包括新闻类、财经类、少儿类、体育类、影视类、生活类、曲艺类、卫视类、科教类、高清类、综艺类和法制类；\n[0042] 步骤2：按照数据字典给频道定义的主副类型，给每个频道(共151个频道)对应的类型设定相应的权重值，频道主类型权重值较高，副类型权重值较低，按照此规则得到各频道中类型权重值如表1所示：\n[0043]\n[0044] 表1.每个频道对应的类型权重值\n[0045] 由此就可以得到每个频道对应每个类型的权值矩阵，我们定义其为Mij，其中i表示频道(i＝CCTV1，CCTV2，CCTV3……)，j表示该频道对应的类型(j＝新闻类，财经类，少儿类，…，法制类)；\n[0046] 步骤3：为了便于建模，对频道收视时长进行归一化操作，定义用户对频道i的收看时长Ti＝该频道收看时长/所有频道收看时长；\n[0047] 步骤4：用户的收视喜好可以通过累计所有频道的总体收看时长来分析，如果再考虑每个频道对于某一频道类型的权重，就可以分析出用户对某一类频道的收视喜好，因此定义用户对某个频道类型的收视喜好为：\n[0048]\n[0049] 其中Sj表示用户对j频道类型的喜好，Ti为用户对频道i的归一化收视时长，Mij表示频道i对应类型j的权重值；\n[0050] 步骤5：统计用户过去一段时间内(如两个月)对各个频道的收看时长Ti，并将所有频道的收看时长依次排序，选择出收看时长前十名的十个频道(前述频道数量仅仅作为示例，本领域内技术人员完全可以根据实际需要调整选择的数量)。在这十个频道的基础上，依照公式(1)计算用户对频道类型j的收视喜好，其中i即对应着收看时长前十名的那十个频道。对于得到的结果Sj再次进行由大到小排序，所对应的频道类型j即为用户最喜爱的频道类型排序。\n[0051] 至此，数据建模子系统完成了对特定用户的频道收视行为建模并得出用户在近期所喜爱的频道类型。所有数据将一同传输至推荐分析子系统进行最终的结果推荐计算。\n[0052] 同样的，当用户选择点播服务时，数据建模过程与频道服务相同，各点播节目也具有类型权重值(本例中与频道类型相同)，从而具有各自的权值矩阵，选择出用户点播次数靠前的部分点播节目，同样采用公式(1)根据权值矩阵和过去一段时间内用户点播次数(采用点播次数来代替公式中的收看时长)来计算用户最喜爱的点播喜好，得到相应的点播喜好类型排序表。当用户选择业务服务时，为各业务设置类型(例如：公共事业、缴费、信息查询、购物等等)权值矩阵，选择出用户业务选择次数靠前的部分业务，并采用用户打开次数来代替收视时长，利用公式1来进行业务喜好计算，得到相应的业务喜好类型排序。\n[0053] 所述推荐分析子系统的计算过程主要分为以下几个步骤：\n[0054] 步骤1：从排名角度进行服务的初步推荐计算。\n[0055] 首先根据内容类型不同统计其最重要的指标的高低来评判该内容类型中各个业务的排名推荐度R。本例中用户摇一摇选项是频道业务，定义排名推荐分子值Vij为Vij＝用户j收看频道i的时长/用户j所有频道收看总时长，这里的时长优选采用当天数据，频道的排名推荐度Ri为所有Vij值的累加。\n[0056] 当用户摇一摇选项是点播服务时，以点播节目的订购次数来计算点播推荐度，在用户和点播节目组成的矩阵中，将用户j订购节目i的行为设定为该节目的排名推荐分子值Vij＝1，用户j未订购节目i的行为设定为该节目的排名推荐分子值Vij＝0，计算分子值时优选采用当天点播数据，排名推荐度Ri为针对节目i所统计的所有用户的Vij值的累加。以下表\n2数据为例说明：\n[0057]\n  点播节目A 点播节目B 点播节目C 点播节目D\n用户1 V11(0) V21(0) V31(1) Vi1(0)\n用户2 V12(0) V22(1) V32(1) Vi2(1)\n用户3 V13(0) V23(1) V33(1) Vi3(1)\n用户4 V14(0) V24(0) V34(1) Vi4(1)\n用户j V1j(1) V2j(0) V3j(1) Vij(0)\n排名推荐度Ri 1 2 5 3\n[0058] 表2\n[0059] 如表2所示，排名推荐度Ri值依次为1,2,5,3根据Ri值的高低，则4个点播节目的推荐顺序为：节目C>节目D>节目B>节目A。当用户选择的是业务服务时，Vij的值定义为Vij＝用户j打开业务i的频次/该用户所有业务打开的总频次，计算分子值时优选采用当天业务打开频次数据，增值业务的排名推荐度Ri为所有Vij值的累加。\n[0060] 步骤2：从关联角度进行服务的推荐计算，将具有相同购买记录、相似收视习惯的用户感兴趣的内容推荐给目标用户，如果一个用户与目标用户存在关联关系，则可以根据此用户的喜好来对目标用户进行推荐或者预测目标用户对某节目的喜好程度。\n[0061] 本例中，用户摇一摇选项是频道业务，定义关联推荐分子值Qm(n)＝用户n收看频道m的时长/用户n所有频道收看总时长，然后通过下式依此计算出目标用户X与其他用户Y收看频道的关联推荐指数CF：\n[0062]\n[0063] 其中X＝(Q1(X)，Q2(X)，Q3(X)，Qm(X))，Y＝(Q1(Y)，Q2(Y)，Q3(Y)，Qm(Y))，E(X)为X的期望值，E(Y)为Y的期望值。\n[0064] CF值越大，说明用户X与Y的相似匹配度越高。\n[0065] 当用户选择的是增值业务时，根据订购数据定义如下：若用户n订购增值业务m，则基于用户n，增值业务m的关联推荐分子值Qm(n)＝1；若用户n未订购增值业务x，则基于用户n，增值业务x的关联推荐分子值Qx(n)＝0，以下表为例说明：\n[0066]\n  增值业务1 增值业务2 增值业务3 增值业务m\n用户1 Q1(1)＝1 Q2(1)＝0 Q3(1)＝1 Qm(1)＝0\n用户2 Q1(2)＝0 Q2(2)＝1 Q3(2)＝0 Qm(2)＝0\n用户n Q1(n)＝1 Q2(n)＝0 Q3(n)＝1 Qm(n)＝1\n[0067] 通过不同用户的各增值业务的关联推荐分子值的统计，分析计算出目标用户X与其他用户Y在使用增值业务的关联匹配度：\n[0068]\n[0069] CF值越大，说明用户X与Y的相似匹配度越高，即可以根据用户Y的业务使用情况来向目标用户X推荐相应的增值业务。因订购情况下Q值定义为1，因此计算出的CF(X,Y)即为增值业务的最终关联推荐指数。\n[0070] 当用户选择的是点播节目时，Qm(n)的取值与增值业务取值规则一样。\n[0071] 步骤3：基于步骤1和步骤2得到的结果为基础备选数据，结合数据建模子系统所计算出的用户对业务的类型偏好结果，采用组合推荐算法得出最终推荐结果。\n[0072] 根据用户的类型偏好Sj筛选出排名靠前的N种类型(N的取值取决于最终所要推荐的数量，一般取N＝最终推荐数量)，然后对这N种类型中每个业务(频道/点播节目/增值业务)进行排名推荐算法和关联推荐算法计算，并将结果Ri和CF(X,Y)分别与该业务所属的业务类型的偏好值Sj相乘，得出加权分数结果FR，具体列式如下：\n[0073] FR＝Ri*Sj+CF(X,Y)*Sj\n[0074] 基于前序步骤，能够得到用户选择的服务(频道、点播、增值业务)的加权分数排序表，取加权分数排序靠前的业务(频道/点播节目/增值业务)作为最终推荐结果列表传输至推荐管理子系统中。最终的推荐结果列表为排名考前的数个频道、数个点播节目、或数个增值业务。\n[0075] 推荐管理子系统将最终的推荐结果列表下发到用户的机顶盒端，在电视上进行显示，显示时可优先显示排序第一的服务内容。用户摇动手机(即挥动手机摇一摇)时，所述推荐管理子系统将当前优先显示的服务内容切换至推荐结果列表中顺序排位在下一位的服务内容，并将该服务内容优先显示在电视机上。当用户确定选择某一个推荐结果时，再由机顶盒向相关的服务系统进行访问请求，并向用户返回服务界面展现详细内容。\n[0076] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。