視頻推薦方法及裝置制造方法
【專利摘要】本發(fā)明公開(kāi)了一種視頻推薦方法及裝置，包括：根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)以及按照推薦度進(jìn)行排序的多個(gè)待推薦視頻；根據(jù)推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中；根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度；根據(jù)用戶偏好滿足度修正用戶偏好參數(shù)，根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序；按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶。本發(fā)明通過(guò)實(shí)時(shí)計(jì)算的用戶偏好滿足度動(dòng)態(tài)修正用戶偏好參數(shù)，解決了視頻推薦的單一性問(wèn)題。
【專利說(shuō)明】視頻推薦方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及互聯(lián)網(wǎng)【技術(shù)領(lǐng)域】，具體涉及一種視頻推薦方法及裝置。
【背景技術(shù)】
[0002]視頻推薦是視頻網(wǎng)站幫助用戶查找并觀看某個(gè)特定領(lǐng)域視頻的方法和工具。相對(duì)于傳統(tǒng)的視頻目錄瀏覽方式或者視頻搜索方式，視頻推薦能夠在用戶不確定合適的搜索詞的情況下，通過(guò)分析用戶歷史行為，發(fā)現(xiàn)用戶需求的特定領(lǐng)域，在該領(lǐng)域內(nèi)進(jìn)行推薦，避免了搜索詞的輸入和層次目錄的多次點(diǎn)擊過(guò)程，使得查找并觀看某個(gè)特定類型的視頻更加簡(jiǎn)
單容易。
[0003]現(xiàn)有的視頻推薦技術(shù)主要有兩種:基于視頻(VIDEO)協(xié)同過(guò)濾推薦技術(shù)和基于用戶(COOKIE)協(xié)同過(guò)濾推薦技術(shù)。前者通過(guò)計(jì)算視頻和視頻的相似度，將與觀影記錄視頻最相似的視頻推薦給用戶。而后者則是基于觀影記錄，計(jì)算用戶相似度，將相似的用戶最近看過(guò)的視頻推薦給用戶。這兩種方法都是基于用戶的興趣模型，計(jì)算候選視頻與用戶興趣的相似度，推薦最相似的N個(gè)視頻給用戶。
[0004]上述視頻推薦技術(shù)的典型問(wèn)題就是推薦單一性問(wèn)題。在初次推薦時(shí)，視頻站點(diǎn)基于用戶觀影歷史，分析用戶偏好，根據(jù)用戶偏好推薦用戶喜歡的視頻。由于用戶還沒(méi)有點(diǎn)擊和觀看過(guò)符合自身偏好的視頻，因此對(duì)推薦視頻認(rèn)可程度比較高。但持續(xù)推薦時(shí)，用戶已經(jīng)點(diǎn)擊過(guò)滿足個(gè)人偏好的視頻，用戶偏好得到了一定程度的滿足，因此偏好需求強(qiáng)度發(fā)生了變更。此時(shí)再按照初次推薦時(shí)的用戶偏好進(jìn)行推薦，將不能滿足用戶最新的推薦需求，導(dǎo)致用戶流失。

【發(fā)明內(nèi)容】

[0005]鑒于上述問(wèn)題，提出了本發(fā)明以便提供一種克服上述問(wèn)題或者至少部分地解決上述問(wèn)題的視頻推薦方法和相應(yīng)的視頻推薦裝置。
[0006]根據(jù)本發(fā)明的一個(gè)方面，提供了一種視頻推薦方法，包括:根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)以及按照推薦度進(jìn)行排序的多個(gè)待推薦視頻；根據(jù)推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中；根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度；根據(jù)用戶偏好滿足度修正用戶偏好參數(shù)，根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序；將其它還未寫入推薦列表的待推薦視頻作為當(dāng)前待推薦視頻；按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶。
[0007]根據(jù)本發(fā)明的另一方面，提供了一種視頻推薦裝置，包括:視頻獲取模塊，適于根據(jù)用戶觀看視頻的歷史記錄信息，獲取按照推薦度進(jìn)行排序的多個(gè)待推薦視頻；用戶偏好參數(shù)計(jì)算模塊，適于根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)；推薦列表生成模塊，適于根據(jù)推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中；用戶偏好滿足度計(jì)算模塊，適于根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度；用戶偏好參數(shù)修正模塊，適于根據(jù)用戶偏好滿足度修正用戶偏好參數(shù);視頻排序模塊，適于根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序；視頻推薦模塊，適于在推薦列表生成模塊將所述多個(gè)待推薦視頻都已寫入推薦列表中之后，按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶。
[0008]根據(jù)本發(fā)明提供的視頻推薦方法及裝置，在視頻推薦的過(guò)程中根據(jù)實(shí)時(shí)計(jì)算的用戶偏好滿足度動(dòng)態(tài)修正用戶偏好參數(shù)，在推薦一個(gè)滿足用戶偏好的視頻后用戶偏好需求得到一定的滿足的情況下，通過(guò)修正用戶偏好參數(shù)生成新的用戶偏好，進(jìn)而推薦滿足新的用戶偏好的視頻，解決了視頻推薦的單一性問(wèn)題。
[0009]上述說(shuō)明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說(shuō)明書的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本發(fā)明的【具體實(shí)施方式】。
【專利附圖】

【附圖說(shuō)明】
[0010]通過(guò)閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對(duì)于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對(duì)本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號(hào)表示相同的部件。在附圖中:
[0011]圖1示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的視頻推薦方法的流程圖；
[0012]圖2示出了根據(jù)本發(fā)明另一個(gè)實(shí)施例的視頻推薦方法的流程圖；
[0013]圖3示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的視頻推薦裝置的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0014]下面將參照附圖更詳細(xì)地描述本公開(kāi)的示例性實(shí)施例。雖然附圖中顯示了本公開(kāi)的示例性實(shí)施例，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開(kāi)而不應(yīng)被這里闡述的實(shí)施例所限制。相反，提供這些實(shí)施例是為了能夠更透徹地理解本公開(kāi)，并且能夠?qū)⒈竟_(kāi)的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。
[0015]圖1示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的視頻推薦方法100的流程圖。如圖1所示，方法100始于步驟S101，其中根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)以及按照推薦度進(jìn)行排序的多個(gè)待推薦視頻。用戶觀看視頻的歷史記錄信息反映了用戶的偏好和興趣，因此可以根據(jù)用戶觀看視頻的歷史記錄信息進(jìn)行用戶興趣分析，獲得初始的用戶偏好參數(shù)，也可稱為用戶興趣向量。另外，基于用戶觀看視頻的歷史記錄信息，可以獲得多個(gè)待推薦視頻，這多個(gè)待推薦視頻是按照推薦度由高至低的順序進(jìn)行排序的?？衫矛F(xiàn)有技術(shù)中提供了很多方法，例如協(xié)同過(guò)濾方法來(lái)獲得N個(gè)待推薦視頻。
[0016]隨后，方法100進(jìn)入步驟S102，其中根據(jù)推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中；根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度；根據(jù)用戶偏好滿足度修正用戶偏好參數(shù)，根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序；將其它還未寫入推薦列表的待推薦視頻作為當(dāng)前待推薦視頻。
[0017]本步驟為迭代執(zhí)行的步驟，當(dāng)所有待推薦視頻都寫入推薦列表中時(shí)，本步驟迭代執(zhí)行結(jié)束。[0018]隨后，方法100進(jìn)入步驟S103，其中按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶。
[0019]在本發(fā)明實(shí)施例提供的視頻推薦方法中，在獲得按照推薦度進(jìn)行排序的多個(gè)待推薦視頻之后，并不是按照現(xiàn)有技術(shù)的方法直接根據(jù)已經(jīng)按照推薦度的高低排好的順序向用戶推薦視頻，而是在視頻推薦的過(guò)程中根據(jù)實(shí)時(shí)計(jì)算的用戶偏好滿足度動(dòng)態(tài)修正用戶偏好參數(shù)，在推薦一個(gè)滿足用戶偏好的視頻后用戶偏好需求得到一定的滿足的情況下，通過(guò)修正用戶偏好參數(shù)生成新的用戶偏好，進(jìn)而推薦滿足新的用戶偏好的視頻，也就是說(shuō)，用戶偏好參數(shù)隨著視頻的推薦會(huì)逐步調(diào)整，進(jìn)而對(duì)應(yīng)的調(diào)整視頻推薦的順序，從而很好地適應(yīng)了用戶推薦的需求變化。
[0020]圖2示出了根據(jù)本發(fā)明另一個(gè)實(shí)施例的視頻推薦方法200的流程圖。如圖2所示，方法200始于步驟S201，其中根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)以及按照推薦度進(jìn)行排序的多個(gè)待推薦視頻。具體地，用戶觀看視頻的歷史記錄信息至少包括用戶已觀看的視頻的視頻標(biāo)簽內(nèi)容及視頻標(biāo)簽權(quán)重。對(duì)于一個(gè)視頻來(lái)說(shuō)，視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重是一一對(duì)應(yīng)的，視頻標(biāo)簽內(nèi)容描述了該視頻的特征，視頻標(biāo)簽權(quán)重表明特征的重要性，通過(guò)對(duì)一個(gè)視頻的全部視頻標(biāo)簽權(quán)重進(jìn)行比較，可以明確知道該視頻的主要特征和次要特征。本方法中視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重是預(yù)先標(biāo)注的，視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重可通過(guò)觀看視頻的所有用戶的投票和/或打分來(lái)確定。
[0021]舉例而言，假設(shè)用戶觀看過(guò)電影“地下鐵”、“加勒比海盜:黑珍珠號(hào)的詛咒”、“最后決戰(zhàn)”，那么用戶觀看視頻的歷史記錄信息至少包括:
[0022]“地下鐵”，視頻標(biāo)簽內(nèi)容:“呂克貝松、克里斯托弗.蘭伯特、地下鐵、警匪”，視頻標(biāo)簽權(quán)重:0.5,0.2,0.2,0.1 ；
[0023]“加勒比海盜:黑珍珠號(hào)的詛咒”，視頻標(biāo)簽內(nèi)容:“科幻、歐美、加勒比海盜:黑珍珠號(hào)的詛咒、動(dòng)作”，視頻標(biāo)簽權(quán)重:0.3,0.2,0.3,0.2。
[0024]“最后決戰(zhàn)”，視頻標(biāo)簽內(nèi)容:“呂克貝松、法國(guó)、科幻、讓.雷諾”，視頻標(biāo)簽權(quán)重:0.4、0.1、0.2、0.3。
[0025]本步驟中，基于用戶觀看視頻的歷史記錄信息，可以獲得多個(gè)待推薦視頻，這多個(gè)待推薦視頻是按照推薦度由高至低的順序進(jìn)行排序的?？衫矛F(xiàn)有技術(shù)中提供了很多方法，例如協(xié)同過(guò)濾方法來(lái)獲得η個(gè)待推薦視頻,用Uem1Utem2...;611111來(lái)表示。對(duì)于不同的方法，本步驟中的推薦度指代的有所不同。對(duì)于基于視頻協(xié)同過(guò)濾推薦方法，推薦度指代的是視頻和視頻的相似度；對(duì)于基于用戶協(xié)同過(guò)濾推薦方法，推薦度指代的是用戶相似度。在上面的示例中，利用協(xié)同過(guò)濾方法可獲得推薦度從高到低進(jìn)行排序的三部電影=Uem1 ?,第五元素”、Item2 碧海藍(lán)天”、Item3:“12只猴子”。
[0026]另外，初始的用戶偏好參數(shù)也是基于用戶觀看視頻的歷史記錄信息而獲得的。具體來(lái)說(shuō),根據(jù)用戶觀看的視頻的視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重獲取用戶標(biāo)簽內(nèi)容和用戶標(biāo)簽權(quán)重；初始的用戶偏好參數(shù)為針對(duì)用戶標(biāo)簽內(nèi)容的用戶標(biāo)簽權(quán)重組成的向量，用Htag1,tag2, tag3...tagm) = Ct1, t2 , t3...tm)來(lái)表示,其中 tag1; tag2, tag3...tagm 分別為 m 個(gè)用戶標(biāo)簽內(nèi)容，t1；t2, t3...tm分別為m個(gè)用戶標(biāo)簽內(nèi)容對(duì)應(yīng)的用戶標(biāo)簽權(quán)重。用戶偏好參數(shù)與用戶觀看的視頻的視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重有關(guān)，同時(shí)還與用戶所觀看某視頻的頻次、近期觀看某視頻的次數(shù)等參數(shù)有關(guān)，并且用戶標(biāo)簽權(quán)重的總和為I。用戶偏好參數(shù)反映了用戶對(duì)哪些類型的視頻感興趣，上述向量也可稱為用戶興趣向量，由用戶興趣向量構(gòu)建的模型為用戶興趣模型。在上面的示例中，根據(jù)用戶觀看過(guò)的三部電影的信息，得到一組用戶標(biāo)簽內(nèi)容:“呂克貝松、科幻、法國(guó)、動(dòng)作”以及對(duì)應(yīng)的用戶標(biāo)簽權(quán)重:0.4,0.3,0.1,0.2，即初始的用戶偏好參數(shù)為r (呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.4,0.3,0.l,0.2)o
[0027]隨后，方法200進(jìn)入方法步驟202，其中根據(jù)推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中?？蛇x地，將當(dāng)前待推薦視頻中推薦度最高的待推薦視頻作為第一待推薦視頻寫入推薦列表。在執(zhí)行完步驟S201之后進(jìn)入本步驟時(shí)，步驟S201所獲取到多個(gè)待推薦視頻作為本步驟中的當(dāng)前待推薦視頻。由于在步驟S201中多個(gè)待推薦視頻已經(jīng)按照推薦度由高至低的順序進(jìn)行了排序，本步驟選取其中推薦度最高的第一待推薦視頻寫入推薦列表中。在上述示例中，首先將“第五元素”寫入推薦列表中。
[0028]隨后，方法200進(jìn)入步驟S203，其中根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度。其中第一待推薦視頻的特征向量為針對(duì)第一待推薦視頻的視頻標(biāo)簽內(nèi)容的視頻標(biāo)簽權(quán)重組成的向量，用item_tag Ctag1, tag2, tag3...tagk)= (S1,s2, s3...sk)來(lái)表示，其中tag1； tag2, tag3...tagk分別為待推薦視頻的k個(gè)視頻標(biāo)簽內(nèi)容，S1, s2, S3...Sk分別為待推薦視頻的k個(gè)視頻標(biāo)簽內(nèi)容對(duì)應(yīng)的視頻標(biāo)簽權(quán)重。對(duì)于上述η個(gè)待推薦視頻，它們的特征向量分別表示為item_tagl、item_tag2、...、item_tagn。在上述示例中，設(shè)“第五元素”的視頻標(biāo)簽內(nèi)容為:“呂克貝松、科幻、第五元素、布魯斯威利斯”，對(duì)應(yīng)的視頻標(biāo)簽權(quán)重為:0.6,0.2,0.1,0.1，則item_tagl (呂克貝松，科幻，第五元素，布魯斯威利斯)=(0.6,0.2,0.1,0.1);“碧海藍(lán)天”的視頻標(biāo)簽內(nèi)容為:“呂克貝松、法國(guó)、碧海藍(lán)天、LucBesson、經(jīng)典”，對(duì)應(yīng)的視頻標(biāo)簽權(quán)重為:0.6、0.1,0.1,0.1,0.1，則item_tag2 (呂克貝松，法國(guó)，碧海藍(lán)天，LucBesson,經(jīng)典)=(0.6,0.1,0.1,0.1,0.1);“12只猴子”的視頻標(biāo)簽內(nèi)容為:“科幻、布魯斯威利斯、12只猴子、經(jīng)典”，對(duì)應(yīng)的視頻標(biāo)簽權(quán)重為:0.4,0.3,0.2、
0.1，則item_tag3 (科幻，布魯斯威利斯，12只猴子，經(jīng)典)=(0.4，0.3，0.2，0.1)。
[0029]本步驟進(jìn)一步包括:根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到第一待推薦視頻與用戶偏好的相似度；然后，根據(jù)第一待推薦視頻的特征向量和相似度，計(jì)算得到用戶偏好滿足度。
[0030]具體來(lái)說(shuō)，如果在步驟S202中將第一待推薦視頻Uem1推薦給了用戶，那么本步驟首先將根據(jù)Item1的特征向量item_tagl和初始的用戶偏好參數(shù)r計(jì)算Uem1與用戶偏好的相似度sim_iteml。統(tǒng)計(jì)分析所述第一待推薦視頻的視頻標(biāo)簽內(nèi)容和用戶標(biāo)簽內(nèi)容，由于用戶偏好參數(shù)所對(duì)應(yīng)的用戶標(biāo)簽內(nèi)容與第一待推薦視頻Uem1的視頻標(biāo)簽內(nèi)容不盡相同，因此在計(jì)算相似度之前應(yīng)該將特征向量item_tagl和用戶偏好參數(shù)進(jìn)行插值處理，所述插值處理為在沒(méi)有統(tǒng)計(jì)分析得到的標(biāo)簽內(nèi)容的相應(yīng)位置插入預(yù)設(shè)值。在上述示例中，初始的用戶偏好參數(shù)為r (呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.4,0.3,0.1,0.2), Item1 “第五元素”的特征向量item_tagl (呂克貝松，科幻，第五元素，布魯斯威利斯)=(0.6,0.2,0.1,0.1),統(tǒng)計(jì)用戶偏好參數(shù)所對(duì)應(yīng)的所有用戶標(biāo)簽內(nèi)容和第一待推薦視頻Uem1的所有視頻標(biāo)簽內(nèi)容得到:呂克貝松，科幻，法國(guó)，動(dòng)作，第五元素，布魯斯威利斯，其中用戶偏好參數(shù)所對(duì)應(yīng)的用戶標(biāo)簽內(nèi)容中沒(méi)有“布魯斯威利斯”和“第五元素”，待推薦視頻Uem1的視頻標(biāo)簽內(nèi)容中沒(méi)有“法國(guó)”和“動(dòng)作”。本發(fā)明中插值處理就是在用戶偏好參數(shù)和第一待推薦視頻的特征向量的特定位置插入預(yù)設(shè)值，其中特定位置指的是沒(méi)有統(tǒng)計(jì)得出的標(biāo)簽內(nèi)容的位置，預(yù)設(shè)值優(yōu)選為O。在上述示例中，經(jīng)過(guò)插值處理后，用戶偏好參數(shù)為r (呂克貝松，科幻，法國(guó)，動(dòng)作，第五元素，布魯斯威利斯)=(0.4,0.3,0.1,0.2,0,0), Item1 “第五元素”的特征向量為item_tagl (呂克貝松，科幻，法國(guó)，動(dòng)作，第五元素，布魯斯威利斯)=(0.6，0.2，O，O，0.1，
0.1)。然后，通過(guò)將插值處理后的用戶偏好參數(shù)和Uem1的特征向量的轉(zhuǎn)置相乘得到Uem1與用戶偏好的相似度sim_iteml,即sim_iteml=r*item_taglT。在上述示例中第五元素”與用戶偏好的相似度為0.3。
[0031]在計(jì)算得到Uem1與用戶偏好的相似度sim_iteml之后,繼續(xù)計(jì)算用戶偏好滿足度iteml_satisfy=sim_iteml*item_tagl。即，用戶偏好滿足度為插值處理后的第一待推薦視頻的特征向量與相似度的乘積。在上述示例中，iteml_satisfy (呂克貝松,科幻,法國(guó)，動(dòng)作，第五元素，布魯斯威利斯)=(0.18，0.06,0,0,0.03，0.03)。
[0032]在步驟S203之后，方法200進(jìn)入步驟S204，其中根據(jù)用戶偏好滿足度修正用戶偏好參數(shù)。在對(duì)用戶偏好參數(shù)進(jìn)行修正之前，首先對(duì)用戶偏好滿足度進(jìn)行處理，去除其中與用戶偏好參數(shù)無(wú)關(guān)的數(shù)值。在上述示例中，由于用戶偏好參數(shù)對(duì)應(yīng)的用戶標(biāo)簽內(nèi)容不包含“第五元素”和“布魯斯威利斯”，因此將這兩項(xiàng)對(duì)應(yīng)的用戶偏好滿足度的數(shù)值去除，得到iteml_satisfy (呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.18，0.06，0，0)。然后，將用戶偏好參數(shù)減去處理后的用戶偏好滿足度得到修正后的用戶偏好參數(shù)，即r=r-1teml_SatiSfy。在上述示例中，修正后的用戶偏好參數(shù)為r (呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.22,0.24,0.1,0.2).由于用戶標(biāo)簽權(quán)重的總和要求為1，因此還需對(duì)修正后的用戶偏好參數(shù)進(jìn)行歸一化處理。
[0033]在步驟S204之后，方法200進(jìn)入步驟S205，其中根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序。具體地，根據(jù)經(jīng)修正的用戶偏好參數(shù)，計(jì)算其它還未寫入推薦列表的待推薦視頻的推薦度，按照該推薦度對(duì)其它還未推薦的待推薦視頻進(jìn)行排序?？蛇x地，計(jì)算其它還未寫入推薦列表的待推薦視頻與用戶偏好的相似度作為推薦度，具體計(jì)算方法可參見(jiàn)上述步驟S203中的相關(guān)描述。在上述示例中，根據(jù)步驟S204得到的修正后的用戶偏好參數(shù)可以看出，用戶對(duì)“呂克貝松”的需求得到滿足，從而降低了對(duì)“呂克貝松”的偏好，而相對(duì)的用戶對(duì)“科幻”的需求得以提升。根據(jù)修正的結(jié)果計(jì)算推薦度時(shí)，“12只猴子”的推薦度會(huì)高于“碧海藍(lán)天”，因此，下一個(gè)要推薦給用戶的電影應(yīng)為“ 12只猴子”，而并非“碧海藍(lán)天”。
[0034]在步驟S205之后，將其它還未寫入推薦列表的待推薦視頻作為當(dāng)前待推薦視頻，方法200跳轉(zhuǎn)進(jìn)入步驟S202，重復(fù)執(zhí)行上述步驟S202-步驟S205，直至η個(gè)待推薦視頻都已寫入推薦列表。
[0035]方法200進(jìn)入步驟S206，按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶，方法200結(jié)束。
[0036]根據(jù)本發(fā)明上述實(shí)施例提供的視頻推薦方法，在視頻推薦的過(guò)程中根據(jù)實(shí)時(shí)計(jì)算的用戶偏好滿足度動(dòng)態(tài)修正用戶偏好參數(shù)，在推薦一個(gè)滿足用戶偏好的視頻后用戶偏好需求得到一定的滿足的情況下，通過(guò)修正用戶偏好參數(shù)生成新的用戶偏好，進(jìn)而推薦滿足新的用戶偏好的視頻，解決了視頻推薦的單一性問(wèn)題。以上述示例為例，用戶喜歡呂克貝松的電影，根據(jù)用戶初始的用戶偏好參數(shù)首先推薦了呂克貝松執(zhí)導(dǎo)的另一部電影“第五元素”，在推薦“第五元素”之后動(dòng)態(tài)修正用戶偏好參數(shù)，用戶對(duì)“呂克貝松”的偏好權(quán)重下降，在權(quán)重值總和為I的情況下，對(duì)“科幻”的偏好權(quán)重相對(duì)提升，繼續(xù)要推薦給用戶的電影則為科幻類電影“12只猴子”?；诒緦?shí)施例的方法，用戶偏好參數(shù)隨著視頻的推薦會(huì)逐步調(diào)整，進(jìn)而對(duì)應(yīng)的調(diào)整視頻推薦的順序，從而很好地適應(yīng)了用戶推薦的需求變化。
[0037]圖3示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的視頻推薦裝置的結(jié)構(gòu)框圖。如圖2所示，該視頻推薦裝置包括:視頻獲取模塊201、用戶偏好參數(shù)計(jì)算模塊202、推薦列表生成模塊203、用戶偏好滿足度計(jì)算模塊204、用戶偏好參數(shù)修正模塊205、視頻排序模塊206以及視頻推薦模塊207。
[0038]視頻獲取模塊201適于根據(jù)用戶觀看視頻的歷史記錄信息，獲取按照推薦度進(jìn)行排序的多個(gè)待推薦視頻。其中，用戶觀看視頻的歷史記錄信息至少包括用戶已觀看的視頻的視頻標(biāo)簽內(nèi)容及視頻標(biāo)簽權(quán)重。對(duì)于一個(gè)視頻來(lái)說(shuō)，視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重是一一對(duì)應(yīng)的，視頻標(biāo)簽內(nèi)容描述了該視頻的特征，視頻標(biāo)簽權(quán)重表明特征的重要性，通過(guò)對(duì)一個(gè)視頻的全部視頻標(biāo)簽權(quán)重進(jìn)行比較，可以明確知道該視頻的主要特征和次要特征。本裝置中視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重是預(yù)先標(biāo)注的,視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重可通過(guò)觀看視頻的所有用戶的投票和/或打分來(lái)確定。
[0039]舉例而言，假設(shè)用戶觀看過(guò)電影“地下鐵”、“加勒比海盜:黑珍珠號(hào)的詛咒”、“最后決戰(zhàn)”，那么用戶觀看視頻的歷史記錄信息至少包括:
[0040]“地下鐵”，視頻標(biāo)簽內(nèi)容:“呂克貝松、克里斯托弗.蘭伯特、地下鐵、警匪”，視頻標(biāo)簽權(quán)重:0.5,0.2,0.2,0.1 ；
[0041]“加勒比海盜:黑珍珠號(hào)的詛咒”，視頻標(biāo)簽內(nèi)容:“科幻、歐美、加勒比海盜:黑珍珠號(hào)的詛咒、動(dòng)作”，視頻標(biāo)簽權(quán)重:0.3,0.2,0.3,0.2。
[0042]“最后決戰(zhàn)”，視頻標(biāo)簽內(nèi)容:“呂克貝松、法國(guó)、科幻、讓.雷諾”，視頻標(biāo)簽權(quán)重:
0.4、0.1、0.2、0.3。
[0043]視頻獲取模塊201基于用戶觀看視頻的歷史記錄信息，可以獲得多個(gè)待推薦視頻，這多個(gè)待推薦視頻是按照推薦度進(jìn)行排序的?，F(xiàn)有技術(shù)提供了很多方法，可選地，視頻獲取模塊201適于按照協(xié)同過(guò)濾方法獲取按照推薦度進(jìn)行排序的多個(gè)待推薦視頻。需要說(shuō)明的是，對(duì)于不同的方法，推薦度指代的有所不同。對(duì)于基于視頻協(xié)同過(guò)濾推薦方法，推薦度指代的是視頻和視頻的相似度；對(duì)于基于用戶協(xié)同過(guò)濾推薦方法，推薦度指代的是用戶相似度。在上面的示例中，視頻獲取模塊201利用協(xié)同過(guò)濾方法可獲得推薦度從高到低進(jìn)行排序的三部電影=Uem1 第五元素”、Item2 碧海藍(lán)天”、Item3:“12只猴子”。
[0044]用戶偏好參數(shù)計(jì)算模塊202，適于根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)。初始的用戶偏好參數(shù)也是基于用戶觀看視頻的歷史記錄信息而獲得的。具體來(lái)說(shuō),根據(jù)用戶觀看的視頻的視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重獲取用戶標(biāo)簽內(nèi)容和用戶標(biāo)簽權(quán)重；初始的用戶偏好參數(shù)為針對(duì)用戶標(biāo)簽內(nèi)容的用戶標(biāo)簽權(quán)重組成的向量，用Ktag1,tag2, tag3...tagm) = Ct1, t2, t3...tm)來(lái)表示,其中 tag1; tag2, tag3...tagm 分別為 m 個(gè)用戶標(biāo)簽內(nèi)容，t1；t2, t3...tm分別為m個(gè)用戶標(biāo)簽內(nèi)容對(duì)應(yīng)的用戶標(biāo)簽權(quán)重。用戶偏好參數(shù)與用戶觀看的視頻的視頻標(biāo)簽內(nèi)容和視頻標(biāo)簽權(quán)重有關(guān)，同時(shí)還與用戶所觀看某視頻的頻次、近期觀看某視頻的次數(shù)等參數(shù)有關(guān)，并且用戶標(biāo)簽權(quán)重的總和為I。在上面的示例中，根據(jù)用戶觀看過(guò)的三部電影的信息，得到一組用戶標(biāo)簽內(nèi)容:“呂克貝松、科幻、法國(guó)、動(dòng)作”以及對(duì)應(yīng)的用戶標(biāo)簽權(quán)重:0.4、0.3、0.1、0.2，即初始的用戶偏好參數(shù)為r(呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.4,0.3,0.1,0.2)。[0045]推薦列表生成模塊203，適于根據(jù)所述推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中。具體地，推薦列表生成模塊203適于在當(dāng)前待推薦視頻中選擇推薦度最高者作為第一待推薦視頻寫入推薦列表中。通過(guò)視頻獲取模塊201所獲取到的多個(gè)待推薦視頻作為本模塊中的當(dāng)前待推薦視頻。由于視頻獲取模塊201所獲取的多個(gè)待推薦視頻已經(jīng)按照推薦度進(jìn)行了排序，所以推薦列表生成模塊203選取其中推薦度最高的第一待推薦視頻寫入推薦列表中。在上述示例中，首先將“第五元素”寫入推薦列表中。
[0046]用戶偏好滿足度計(jì)算模塊204，適于根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度。其中待推薦視頻的特征向量為針對(duì)待推薦視頻的視頻標(biāo)簽內(nèi)容的視頻標(biāo)簽權(quán)重組成的向量，用item_tag(tag1； tag2, tag3...tagk)=(s1, s2, s3...sk)來(lái)表示，其中tag1,tag2,tag3...tagk分別為待推薦視頻的k個(gè)視頻標(biāo)簽內(nèi)容,S1, s2, s3...sk分別為待推薦視頻的k個(gè)視頻標(biāo)簽內(nèi)容對(duì)應(yīng)的視頻標(biāo)簽權(quán)重。對(duì)于上述η個(gè)待推薦視頻，它們的特征向量分別表示為item_tagl、item_tag2、...、item_tagn。在上述示例中，設(shè)“第五元素”的視頻標(biāo)簽內(nèi)容為:“呂克貝松、科幻、第五元素、布魯斯威利斯”，對(duì)應(yīng)的視頻標(biāo)簽權(quán)重為:0.6、0.2、0.1,0.1，則item_tagl (呂克貝松，科幻，第五元素，布魯斯威利斯)=(0.6，
0.2,0.1,0.1);“碧海藍(lán)天”的視頻標(biāo)簽內(nèi)容為:“呂克貝松、法國(guó)、碧海藍(lán)天、LucBesson、經(jīng)典”，對(duì)應(yīng)的視頻標(biāo)簽權(quán)重為:0.6、0.1,0.1,0.1,0.1，則item_tag2(呂克貝松，法國(guó)，碧海藍(lán)天，LucBesson，經(jīng)典)=(0.6,0.1,0.1,0.1,0.1) 12只猴子”的視頻標(biāo)簽內(nèi)容為:“科幻、布魯斯威利斯、12只猴子、經(jīng)典”，對(duì)應(yīng)的視頻標(biāo)簽權(quán)重為:0.4,0.3,0.2,0.1，則item_tag3(科幻，布魯斯威利斯，12只猴子，經(jīng)典)=(0.4,0.3,0.2,0.1)。
[0047]進(jìn)一步的，用戶偏好滿足度計(jì)算模塊204包括:相似度計(jì)算子模塊208和用戶偏好滿足度計(jì)算子模塊209。其中相似度計(jì)算子模塊208適于根據(jù)第一待推薦視頻的特征向量和用戶偏好參數(shù)，計(jì)算得到第一待推薦視頻與用戶偏好的相似度；用戶偏好滿足度計(jì)算子模塊209適于根據(jù)第一待推薦視頻的特征向量和相似度，計(jì)算得到用戶偏好滿足度。
[0048]具體來(lái)說(shuō)，如果推薦列表生成模塊203將第一待推薦視頻Uem1推薦給了用戶，那么相似度計(jì)算子模塊208首先統(tǒng)計(jì)分析第一待推薦視頻的視頻標(biāo)簽內(nèi)容和用戶標(biāo)簽內(nèi)容，將第一待推薦視頻的特征向量和用戶偏好參數(shù)分別進(jìn)行插值處理，插值處理為在沒(méi)有統(tǒng)計(jì)分析得到的標(biāo)簽內(nèi)容的相應(yīng)位置插入預(yù)設(shè)值；將插值處理后的用戶偏好參數(shù)與第一待推薦視頻的特征向量的轉(zhuǎn)置相乘得到相似度。具體地，將根據(jù)Item1的特征向量item_tagl和初始的用戶偏好參數(shù)r計(jì)算Uem1與用戶偏好的相似度sim_iteml。由于用戶偏好參數(shù)所對(duì)應(yīng)的用戶標(biāo)簽內(nèi)容與第一待推薦視頻Uem1的視頻標(biāo)簽內(nèi)容不盡相同，因此在計(jì)算相似度之前應(yīng)該將特征向量item_tagl和用戶偏好參數(shù)進(jìn)行插值處理。在上述示例中，初始的用戶偏好參數(shù)為r (呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.4,0.3,0.1,0.2),Item1 “第五元素”的特征向量item_tagl (呂克貝松，科幻，第五元素，布魯斯威利斯)=(0.6,0.2,0.1,0.1)，統(tǒng)計(jì)用戶偏好參數(shù)所對(duì)應(yīng)的所有用戶標(biāo)簽內(nèi)容和第一待推薦視頻Uem1的所有視頻標(biāo)簽內(nèi)容得到:呂克貝松，科幻，法國(guó)，動(dòng)作，第五元素，布魯斯威利斯，其中用戶偏好參數(shù)所對(duì)應(yīng)的用戶標(biāo)簽內(nèi)容中沒(méi)有“布魯斯威利斯”和“第五元素”，第一待推薦視頻Uem1的視頻標(biāo)簽內(nèi)容中沒(méi)有“法國(guó)”和“動(dòng)作”。本發(fā)明中插值處理就是在用戶偏好參數(shù)和第一待推薦視頻的特征向量的特定位置插入預(yù)設(shè)值，其中特定位置指的是沒(méi)有統(tǒng)計(jì)得出的標(biāo)簽內(nèi)容的位置，預(yù)設(shè)值優(yōu)選為O。在上述示例中，經(jīng)過(guò)插值處理后，用戶偏好參數(shù)為r (呂克貝松，科幻，法國(guó)，動(dòng)作，第五元素，布魯斯威利斯)=(0.4,0.3,0.1,0.2,0,0), Item1 “第五元素”的特征向量為item_tagl (呂克貝松，科幻，法國(guó)，動(dòng)作，第五元素，布魯斯威利斯)=(0.6，0.2，0，0，0.1，
0.1)。然后，通過(guò)將插值處理后的用戶偏好參數(shù)和Uem1的特征向量的轉(zhuǎn)置相乘得到Uem1與用戶偏好的相似度sim_iteml,即sim_iteml=r*item_taglT。在上述示例中第五元素”與用戶偏好的相似度為0.3。
[0049]在計(jì)算得到Uem1與用戶偏好的相似度sim_iteml之后,用戶偏好滿足度計(jì)算子模塊209繼續(xù)計(jì)算用戶偏好滿足度iteml_satisfy=sim_iteml*item_tagl。S卩，將插值處理后的第一待推薦視頻的特征向量與相似度相乘得到用戶偏好滿足度。在上述示例中，iteml_satisfy (呂克貝松，科幻，法國(guó)，動(dòng)作，第五元素，布魯斯威利斯)=(0.18,0.06,0,0,
0.03,0.03)。
[0050]用戶偏好參數(shù)修正模塊205，適于根據(jù)用戶偏好滿足度修正用戶偏好參數(shù)。在對(duì)用戶偏好參數(shù)進(jìn)行修正之前，首先對(duì)用戶偏好滿足度進(jìn)行處理，去除其中與用戶偏好參數(shù)無(wú)關(guān)的數(shù)值。在上述示例中，由于用戶偏好參數(shù)對(duì)應(yīng)的用戶標(biāo)簽內(nèi)容不包含“第五元素”和“布魯斯威利斯”，因此將這兩項(xiàng)對(duì)應(yīng)的用戶偏好滿足度的數(shù)值去除，得到iteml_satisfy (呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.18，0.06，0，0)。然后，將用戶偏好參數(shù)減去處理后的用戶偏好滿足度得到修正后的用戶偏好參數(shù)，即r=r-1teml_satisfy。在上述示例中，修正后的用戶偏好參數(shù)為r (呂克貝松，科幻，法國(guó)，動(dòng)作)=(0.22,0.24,0.1,0.2)0由于用戶標(biāo)簽權(quán)重的總和要求為1，因此還需對(duì)修正后的用戶偏好參數(shù)進(jìn)行歸一化處理。
[0051]視頻排序模塊206，適于根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序。具體地，根據(jù)經(jīng)修正的用戶偏好參數(shù)，計(jì)算其它還未寫入推薦列表的待推薦視頻的推薦度，按照該推薦度對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行排序?？蛇x地，計(jì)算其它還未寫入推薦列表的待推薦視頻與用戶偏好的相似度作為推薦度，具體計(jì)算方法可參見(jiàn)上述相似度計(jì)算子模塊208中的相關(guān)描述。在上述示例中，利用用戶偏好參數(shù)修正模塊205得到的修正后的用戶偏好參數(shù)可以看出，用戶對(duì)“呂克貝松”的需求得到滿足，從而降低了對(duì)“呂克貝松”的偏好，而相對(duì)的用戶對(duì)“科幻”的需求得以提升。根據(jù)修正的結(jié)果計(jì)算推薦度時(shí)，“12只猴子”的推薦度會(huì)高于“碧海藍(lán)天”，因此，下一個(gè)要推薦給用戶的電影應(yīng)為“ 12只猴子”，而并非“碧海藍(lán)天”。
[0052]視頻推薦模塊207，適于在推薦列表生成模塊203將多個(gè)待推薦視頻都已寫入推薦列表中之后，按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶。
[0053]根據(jù)本發(fā)明上述實(shí)施例提供的視頻推薦裝置，在視頻推薦的過(guò)程中根據(jù)實(shí)時(shí)計(jì)算的用戶偏好滿足度動(dòng)態(tài)修正用戶偏好參數(shù)，在推薦一個(gè)滿足用戶偏好的視頻后用戶偏好需求得到一定的滿足的情況下，通過(guò)修正用戶偏好參數(shù)生成新的用戶偏好，進(jìn)而推薦滿足新的用戶偏好的視頻，解決了視頻推薦的單一性問(wèn)題。以上述示例為例，用戶喜歡呂克貝松的電影，根據(jù)用戶初始的用戶偏好參數(shù)首先推薦了呂克貝松執(zhí)導(dǎo)的另一部電影“第五元素”，在推薦“第五元素”之后動(dòng)態(tài)修正用戶偏好參數(shù)，用戶對(duì)“呂克貝松”的偏好權(quán)重下降，在權(quán)重值總和為I的情況下，對(duì)“科幻”的偏好權(quán)重相對(duì)提升，繼續(xù)要推薦給用戶的電影則為科幻類電影“12只猴子”?；诒緦?shí)施例的裝置，用戶偏好參數(shù)隨著視頻的推薦會(huì)逐步調(diào)整，進(jìn)而對(duì)應(yīng)的調(diào)整視頻推薦的順序，從而很好地適應(yīng)了用戶推薦的需求變化。
[0054]在此提供的算法和顯示不與任何特定計(jì)算機(jī)、虛擬系統(tǒng)或者其它設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與基于在此的示教一起使用。根據(jù)上面的描述，構(gòu)造這類系統(tǒng)所要求的結(jié)構(gòu)是顯而易見(jiàn)的。此外，本發(fā)明也不針對(duì)任何特定編程語(yǔ)言。應(yīng)當(dāng)明白，可以利用各種編程語(yǔ)言實(shí)現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對(duì)特定語(yǔ)言所做的描述是為了披露本發(fā)明的最佳實(shí)施方式。
[0055]在此處所提供的說(shuō)明書中，說(shuō)明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實(shí)施例可以在沒(méi)有這些具體細(xì)節(jié)的情況下實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對(duì)本說(shuō)明書的理解。
[0056]類似地，應(yīng)當(dāng)理解，為了精簡(jiǎn)本公開(kāi)并幫助理解各個(gè)發(fā)明方面中的一個(gè)或多個(gè)，在上面對(duì)本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個(gè)特征有時(shí)被一起分組到單個(gè)實(shí)施例、圖、或者對(duì)其的描述中。然而，并不應(yīng)將該公開(kāi)的方法解釋成反映如下意圖:即所要求保護(hù)的本發(fā)明要求比在每個(gè)權(quán)利要求中所明確記載的特征更多的特征。更確切地說(shuō)，如下面的權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開(kāi)的單個(gè)實(shí)施例的所有特征。因此，遵循【具體實(shí)施方式】的權(quán)利要求書由此明確地并入該【具體實(shí)施方式】，其中每個(gè)權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。
[0057]本領(lǐng)域那些技術(shù)人員可以理解，可以對(duì)實(shí)施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地改變并且把它們?cè)O(shè)置在與該實(shí)施例不同的一個(gè)或多個(gè)設(shè)備中?？梢园褜?shí)施例中的模塊或單元或組件組合成一個(gè)模塊或單元或組件，以及此外可以把它們分成多個(gè)子模塊或子單元或子組件。除了這樣的特征和/或過(guò)程或者單元中的至少一些是相互排斥之外，可以采用任何組合對(duì)本說(shuō)明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的所有特征以及如此公開(kāi)的任何方法或者設(shè)備的所有過(guò)程或單元進(jìn)行組合。除非另外明確陳述，本說(shuō)明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開(kāi)的每個(gè)特征可以由提供相同、等同或相似目的的替代特征來(lái)代替。
[0058]此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實(shí)施例包括其它實(shí)施例中所包括的某些特征而不是其它特征，但是不同實(shí)施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實(shí)施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實(shí)施例的任意之一都可以以任意的組合方式來(lái)使用。
[0059]本發(fā)明的各個(gè)部件實(shí)施例可以以硬件實(shí)現(xiàn)，或者以在一個(gè)或者多個(gè)處理器上運(yùn)行的軟件模塊實(shí)現(xiàn)，或者以它們的組合實(shí)現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實(shí)踐中使用微處理器或者數(shù)字信號(hào)處理器(DSP )來(lái)實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的視頻推薦裝置中的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實(shí)現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，計(jì)算機(jī)程序和計(jì)算機(jī)程序產(chǎn)品)。這樣的實(shí)現(xiàn)本發(fā)明的程序可以存儲(chǔ)在計(jì)算機(jī)可讀介質(zhì)上，或者可以具有一個(gè)或者多個(gè)信號(hào)的形式。這樣的信號(hào)可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號(hào)上提供，或者以任何其他形式提供。
[0060]應(yīng)該注意的是上述實(shí)施例對(duì)本發(fā)明進(jìn)行說(shuō)明而不是對(duì)本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計(jì)出替換實(shí)施例。在權(quán)利要求中，不應(yīng)將位于括號(hào)之間的任何參考符號(hào)構(gòu)造成對(duì)權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個(gè)”不排除存在多個(gè)這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的計(jì)算機(jī)來(lái)實(shí)現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個(gè)可以是通過(guò)同一個(gè)硬件項(xiàng)來(lái)具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序。可將這些單詞解釋為名稱。
【權(quán)利要求】
1.一種視頻推薦方法，包括:根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)以及按照推薦度進(jìn)行排序的多個(gè)待推薦視頻；根據(jù)所述推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中；根據(jù)所述第一待推薦視頻的特征向量和所述用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度；根據(jù)所述用戶偏好滿足度修正所述用戶偏好參數(shù)，根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序；將其它還未寫入推薦列表的待推薦視頻作為當(dāng)前待推薦視頻；按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶。
2.根據(jù)權(quán)利要求1所述的方法，所述用戶觀看視頻的歷史記錄信息包括用戶已觀看的視頻的視頻標(biāo)簽內(nèi)容及視頻標(biāo)簽權(quán)重；所述獲取初始的用戶偏好參數(shù)進(jìn)一步包括:從用戶觀看視頻的歷史記錄信息中提取出用戶標(biāo)簽內(nèi)容和用戶標(biāo)簽權(quán)重；所述初始的用戶偏好參數(shù)為針對(duì)所述用戶標(biāo)簽內(nèi)容的用戶標(biāo)簽權(quán)重組成的向量。
3.根據(jù)權(quán)利要求2所述的方法，所述第一待推薦視頻的特征向量為針對(duì)所述第一待推薦視頻的視頻標(biāo)簽內(nèi)容 的視頻標(biāo)簽權(quán)重組成的向量；所述根據(jù)第一待推薦視頻的特征向量和所述用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度進(jìn)一步包括:根據(jù)所述第一待推薦視頻的特征向量和所述用戶偏好參數(shù)，計(jì)算得到所述第一待推薦視頻與用戶偏好的相似度；根據(jù)所述第一待推薦視頻的特征向量和所述相似度，計(jì)算得到用戶偏好滿足度。
4.根據(jù)權(quán)利要求3所述的方法，所述根據(jù)第一待推薦視頻的特征向量和所述用戶偏好參數(shù)，計(jì)算得到所述第一待推薦視頻與用戶偏好的相似度進(jìn)一步包括:統(tǒng)計(jì)分析所述第一待推薦視頻的視頻標(biāo)簽內(nèi)容和用戶標(biāo)簽內(nèi)容，將所述第一待推薦視頻的特征向量和所述用戶偏好參數(shù)分別進(jìn)行插值處理，所述插值處理為在沒(méi)有統(tǒng)計(jì)分析得到的標(biāo)簽內(nèi)容的相應(yīng)位置插入預(yù)設(shè)值；將插值處理后的用戶偏好參數(shù)與所述第一待推薦視頻的特征向量的轉(zhuǎn)置相乘得到所述相似度。
5.根據(jù)權(quán)利要求4所述的方法，所述根據(jù)第一待推薦視頻的特征向量和所述相似度，計(jì)算得到用戶偏好滿足度進(jìn)一步包括:將插值處理后的第一待推薦視頻的特征向量與所述相似度相乘得到所述用戶偏好滿足度。
6.根據(jù)權(quán)利要求5所述的方法，所述根據(jù)用戶偏好滿足度修正所述用戶偏好參數(shù)進(jìn)一步包括:對(duì)所述用戶偏好滿足度進(jìn)行處理，去除所述用戶偏好滿足度中與用戶偏好參數(shù)無(wú)關(guān)的數(shù)值；將所述用戶偏好參數(shù)減去處理后的所述用戶偏好滿足度得到修正后的用戶偏好參數(shù)。
7.根據(jù)權(quán)利要求1-6任一項(xiàng)所述的方法，所述根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序進(jìn)一步包括:根據(jù)經(jīng)修正的用戶偏好參數(shù)，計(jì)算所述其它還未寫入推薦列表的待推薦視頻的推薦度，按照該推薦度對(duì)所述其它還未寫入推薦列表的待推薦視頻進(jìn)行排序。
8.一種視頻推薦裝置，包括:視頻獲取模塊，適于根據(jù)用戶觀看視頻的歷史記錄信息，獲取按照推薦度進(jìn)行排序的多個(gè)待推薦視頻；用戶偏好參數(shù)計(jì)算模塊，適于根據(jù)用戶觀看視頻的歷史記錄信息，獲取初始的用戶偏好參數(shù)；推薦列表生成模塊，適于根據(jù)所述推薦度，在當(dāng)前待推薦視頻中選擇第一待推薦視頻寫入推薦列表中；用戶偏好滿足度計(jì)算模塊，適于根據(jù)所述第一待推薦視頻的特征向量和所述用戶偏好參數(shù)，計(jì)算得到用戶偏好滿足度；用戶偏好參數(shù)修正模塊，適于根據(jù)所述用戶偏好滿足度修正所述用戶偏好參數(shù)；視頻排序模塊，適于根據(jù)經(jīng)修正的用戶偏好參數(shù)對(duì)其它還未寫入推薦列表的待推薦視頻進(jìn)行重新排序；視頻推薦模塊，適于在所述推薦列表生成模塊將所述多個(gè)待推薦視頻都已寫入推薦列表中之后，按照寫入推薦列表的先后順序，將推薦列表中的待推薦視頻推薦給用戶。
9.根據(jù)權(quán)利要求8所述的裝置，所述用戶觀看視頻的歷史記錄信息包括用戶已觀看的視頻的視頻標(biāo)簽內(nèi)容及視頻標(biāo)簽權(quán)重；所述用戶偏好參數(shù)計(jì)算模塊進(jìn)一步適于:從用戶觀看視頻的歷史記錄信息中提取出用戶標(biāo)簽內(nèi)容和用戶標(biāo)簽權(quán) 重；所述初始的用戶偏好參數(shù)為針對(duì)所述用戶標(biāo)簽內(nèi)容的用戶標(biāo)簽權(quán)重組成的向量。
10.根據(jù)權(quán)利要求9所述的裝置，所述第一待推薦視頻的特征向量為針對(duì)所述第一待推薦視頻的視頻標(biāo)簽內(nèi)容的視頻標(biāo)簽權(quán)重組成的向量；所述用戶偏好滿足度計(jì)算模塊包括:相似度計(jì)算子模塊，適于根據(jù)第一待推薦視頻的特征向量和所述用戶偏好參數(shù)，計(jì)算得到所述第一待推薦視頻與用戶偏好的相似度；用戶偏好滿足度計(jì)算子模塊，適于根據(jù)第一待推薦視頻的特征向量和所述相似度，計(jì)算得到用戶偏好滿足度。
11.根據(jù)權(quán)利要求10所述的裝置，所述相似度計(jì)算子模塊進(jìn)一步適于:統(tǒng)計(jì)分析所述第一待推薦視頻的視頻標(biāo)簽內(nèi)容和用戶標(biāo)簽內(nèi)容，將所述第一待推薦視頻的特征向量和所述用戶偏好參數(shù)分別進(jìn)行插值處理，所述插值處理為在沒(méi)有統(tǒng)計(jì)分析得到的標(biāo)簽內(nèi)容的相應(yīng)位置插入預(yù)設(shè)值；將插值處理后的用戶偏好參數(shù)與第一待推薦視頻的特征向量的轉(zhuǎn)置相乘得到所述相似度。
12.根據(jù)權(quán)利要求11所述的裝置，所述用戶偏好滿足度計(jì)算子模塊進(jìn)一步適于:將插值處理后的第一待推薦視頻的特征向量與所述相似度相乘得到所述用戶偏好滿足度。
13.根據(jù)權(quán)利要求12所述的裝置，所述用戶偏好參數(shù)修正模塊進(jìn)一步適于:對(duì)所述用戶偏好滿足度進(jìn)行處理，去除所述用戶偏好滿足度中與用戶偏好參數(shù)無(wú)關(guān)的數(shù)值；將所述用戶偏好參數(shù)減去處理后的所述用戶偏好滿足度得到修正后的用戶偏好參數(shù)。
14.根據(jù)權(quán)利要求8-13任一項(xiàng)所述的裝置，所述視頻排序模塊進(jìn)一步適于:根據(jù)經(jīng)修正的用戶偏好參數(shù)，計(jì)算所述其它還未寫入推薦列表的待推薦視頻的推薦度，按照該推薦度對(duì)所述其它還未 寫入推薦列表的待推薦視頻進(jìn)行排序。
【文檔編號(hào)】G06F17/30GK103440335SQ201310404269
【公開(kāi)日】2013年12月11日 申請(qǐng)日期:2013年9月6日 優(yōu)先權(quán)日:2013年9月6日
【發(fā)明者】楊浩, 吳凱 申請(qǐng)人:北京奇虎科技有限公司, 奇智軟件（北京）有限公司