本發(fā)明涉及推薦技術(shù)領(lǐng)域，尤其涉及一種iptv節(jié)目推薦方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的飛速發(fā)展，互聯(lián)網(wǎng)電視也變得越來越普及。互聯(lián)網(wǎng)終端背后通常為單個成員，因此互聯(lián)網(wǎng)的推薦都是針對單個成員的興趣而言，只需推薦感興趣的即可。而iptv存在著自身的特殊性，每個iptv終端背后會有多個成員，因此，將互聯(lián)網(wǎng)領(lǐng)域的推薦方法應(yīng)用到iptv領(lǐng)域上，效果會大打折扣。雖然iptv上已經(jīng)有一些推薦算法，但都沒有通過區(qū)分多成員來進(jìn)行推薦。由于iptv終端背后擁有多個成員，iptv終端的興趣是背后成員興趣的耦合，但每個成員存在著自身的收視規(guī)律，會在一些固定的時間段收看一些固定的內(nèi)容。因此，通過分析終端的觀看場景，基于觀看場景進(jìn)行推薦，能夠較好地處理iptv終端的多成員情況。

精確分析出每個終端的觀看場景是推薦的基礎(chǔ)和關(guān)鍵。分析得到用戶的觀看場景后，基于觀看場景進(jìn)行推薦能夠提高推薦的準(zhǔn)確性和針對性。下面分別從觀看場景分析和基于觀看場景的推薦兩個方面介紹相關(guān)的研究工作。

在針對觀看場景的研究中，現(xiàn)有的研究在時間維度的處理上有所局限，對于時間段的劃分也較為主觀，難以清楚的表現(xiàn)用戶的興趣變化；對于每一個觀看場景的興趣，只是對用戶歷史紀(jì)錄的簡單統(tǒng)計(jì)，難以準(zhǔn)確表示用戶的興趣。在專利《一種節(jié)目推薦裝置、系統(tǒng)和方法》中，對每一天劃分播放時段，記錄每一個播放時段對應(yīng)的播放頻道及播放節(jié)目，從而得到每一個播放時段的興趣頻道。在專利《一種個性化節(jié)目定制播放方法和裝置》中，根據(jù)用戶歷史收視紀(jì)錄生成節(jié)目單，通過將一天劃分為不同時長且依時序連續(xù)的若干時間段，將節(jié)目單按照相同的方法劃分為若干子節(jié)目單。上述專利都將用戶的收視以天為單位劃分為多個時段，沒有考慮到用戶收視每一天之間的差距。

在針對觀看場景的推薦中，現(xiàn)有研究只是利用發(fā)現(xiàn)的觀看場景，采用基于內(nèi)容的推薦，直接推薦用戶感興趣的內(nèi)容，忽略了用戶之間的相似性。在《網(wǎng)絡(luò)電視推薦節(jié)目的方法與系統(tǒng)》專利中，根據(jù)不同收看時間內(nèi)用戶喜好節(jié)目類型，查詢當(dāng)前正在播放用戶喜好節(jié)目類型的頻道和節(jié)目名稱，生成節(jié)目清單，推送至用戶；在《一種電視節(jié)目推薦裝置及方法》中，根據(jù)個人喜好設(shè)定節(jié)目推薦表，節(jié)目推薦表包含了用戶不同時間段的興趣，當(dāng)推薦時，在節(jié)目推薦表中搜索播放時間與當(dāng)前時刻匹配的節(jié)目，并按照喜好度推薦給用戶。上述專利根據(jù)用戶當(dāng)前的興趣，直接推薦給用戶感興趣的節(jié)目，沒有考慮用戶之間或節(jié)目之間的相似性進(jìn)行推薦，難以發(fā)現(xiàn)用戶潛在的興趣，使得推薦的內(nèi)容有限。此外，在推薦具體節(jié)目時，大多數(shù)基于協(xié)同過濾的個性化推薦只是針對點(diǎn)播節(jié)目進(jìn)行處理，忽略了廣電用戶大多數(shù)的直播行為。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種iptv節(jié)目推薦方法，基于觀看場景進(jìn)行推薦，能夠較好地處理iptv終端的多成員情況，提高了推薦的精確度；同時，還采用直播和點(diǎn)播融合的推薦策略，使得用戶得到更加全面的推薦內(nèi)容。

本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：

一種iptv節(jié)目推薦方法，包括：

根據(jù)用戶的觀看日志，構(gòu)建用戶收視矩陣；

對用戶收視矩陣依次進(jìn)行低秩去噪、周期性壓縮與觀看模式提取，從而獲得用戶的周期性觀看場景；

將周期性觀看場景中的每一觀看模式作為一興趣用戶，并構(gòu)建所有興趣用戶的評分矩陣；

對當(dāng)前觀看模式進(jìn)行識別，從而確定當(dāng)前興趣用戶，再采用聯(lián)合推薦策略，從歷史影料庫和當(dāng)前直播的節(jié)目中推薦用戶感興趣的節(jié)目，生成推薦列表推送給用戶。

所述根據(jù)用戶的觀看日志，構(gòu)建用戶收視矩陣包括：

獲取用戶的觀看日志，通過劃分節(jié)目類型和時間段，根據(jù)每一天收視紀(jì)錄的時間和收看節(jié)目的類型，將用戶一定天數(shù)的收視紀(jì)錄表示為矩陣的形式。

定義n表示節(jié)目類型的數(shù)目，t表示每一天被劃分的時間段數(shù)目，則用戶i第s天的收視紀(jì)錄表示為dis∈r^t×n，其中，dis(t,n)表示在時間段t收看類型節(jié)目n的時間占時間段t時長的比例；

定義l＝t×n，將每一天的收視紀(jì)錄表示為一個向量對于用戶i，其s天收視紀(jì)錄矩陣表示為則所有用戶的s天收視紀(jì)錄矩陣表示為nu表示用戶的數(shù)目。

所述對用戶收視矩陣依次進(jìn)行低秩去噪、周期性壓縮與觀看模式提取，從而獲得用戶的周期性觀看場景包括：

利用低秩矩陣恢復(fù)模型，除去用戶收視矩陣中的噪聲，得到理想收視矩陣；

對于理想收視矩陣中每一天的收視向量，以一周為周期，按照周一到周日的規(guī)則劃分為7個集合，依次連接個集合的中心，得到一周收視矩陣；

利用凝聚層次聚類算法，對一周收視矩陣進(jìn)行觀看模式提取，利用時間上和內(nèi)容上的對應(yīng)關(guān)系，得到周期性觀看場景。

用戶i的s天收視紀(jì)錄矩陣為ui，其包含理想收視矩陣xi，與誤差矩陣ei：

ui＝xi+ei；

利用低秩矩陣恢復(fù)模型去除誤差矩陣ei，從而得到理想收視矩陣xi；

對于理想收視矩陣的集合，按照周一到周日的規(guī)則重新劃分，將所有天的收視向量劃分為7個集合，分別表示為wi1、wi2、wi3、wi4、wi5、wi6、wi7，則用戶理想收視的集合可重新表示為：

針對每一個集合，對集合中所有的元素取平均值，作為相應(yīng)集合的代表向量fij，從而將周一到周日中的每一天的收視用一個代表向量進(jìn)行表示，依次連接各代表向量，得到用戶的一周收視矩陣，用戶i一周收視矩陣為fi＝(fi1，fi2，…，fi7)；

對于用戶的一周收視矩陣，采用凝聚層級聚類合并其中相鄰且相似的時間段，將合并后的時間段作為相應(yīng)用戶的一個觀看模式，得到周期性觀看場景；其中，凝聚層級聚類的過程如下：

步驟a、設(shè)置相似度閾值δ，將每一個時間段的數(shù)據(jù)作為一個簇；

步驟b，計(jì)算相似度矩陣，簇之間的相似度采用簇的質(zhì)心來度量，而簇質(zhì)心之間的相似度采用歐式距離來計(jì)算；

步驟c，判斷相似度是否都小于設(shè)定的閾值，如果是，則算法結(jié)束，否則轉(zhuǎn)步驟d；

步驟d，選出相似度最大的兩個簇，將其合并作為一個新的簇，再轉(zhuǎn)步驟b，直至完成。

所述將周期性觀看場景中的每一觀看模式作為一興趣用戶，并構(gòu)建所有興趣用戶的評分矩陣包括：

對于每一用戶，將相應(yīng)的周期性觀看場景中的每一觀看模式作為一興趣用戶，從用戶觀看日志中提取出屬于不同興趣用戶的收視紀(jì)錄，根據(jù)收視紀(jì)錄中各興趣用戶對各節(jié)目觀看的完成度，計(jì)算各興趣用戶對各節(jié)目的評分；

綜合所有用戶計(jì)算得到的評分結(jié)果，構(gòu)建所有興趣用戶的評分矩陣。

利用vi表示用戶i的興趣用戶集合：其中，ni表示用戶i含有的興趣用戶數(shù)目；

從用戶i觀看日志中提取出屬于不同興趣用戶的收視紀(jì)錄，根據(jù)收視紀(jì)錄中各興趣用戶對各節(jié)目觀看的完成度，計(jì)算各興趣用戶對各節(jié)目的評分，評分的范圍為[0,1]，當(dāng)完成度為100％時，評分為1，當(dāng)完成度為0時，評分便為0，完成度和評分在數(shù)值上相同；

定義所有用戶所有的興趣用戶數(shù)目為nv，從而構(gòu)建所有興趣用戶的評分矩陣其中，np為所有節(jié)目的數(shù)目。

所述對當(dāng)前觀看模式進(jìn)行識別，從而確定當(dāng)前興趣用戶包括：

根據(jù)當(dāng)前收視的內(nèi)容信息和時間信息識別當(dāng)前的觀看模式，從而請確定當(dāng)前興趣用戶；

定義ci為用戶i當(dāng)前的收視信息，ci＝(ti,bi)，其中ti表示當(dāng)前收視的時間段，bi表示當(dāng)前收視的內(nèi)容信息，bi為n維數(shù)組；

定義pih為用戶i的第h個興趣用戶的內(nèi)容特征，pih為n維數(shù)組，則用戶i的所有興趣用戶的內(nèi)容特征為

定義tih為用戶i的第h個興趣用戶的時間特征，是興趣用戶包含的時間段的集合，則用戶i的所有興趣用戶的時間特征為

在識別時，如果用戶i已有收視行為，則將bi與pi中每一個興趣用戶的內(nèi)容信息進(jìn)行匹配，計(jì)算兩者之間的距離，距離最小的興趣用戶則為當(dāng)前的興趣用戶vic；如果用戶i還沒有收視行為，則將ti和ti中每一個興趣用戶的時間段集合進(jìn)行匹配，根據(jù)ti的歸屬情況，確定當(dāng)前的興趣用戶vic。

所述采用聯(lián)合推薦策略，從歷史影料庫和當(dāng)前直播的節(jié)目中推薦用戶感興趣的節(jié)目，生成推薦列表推送給用戶包括：

針對iptv的直播和點(diǎn)播特性，采用協(xié)同過濾的推薦算法，利用矩陣分解模型和基于近鄰的方法計(jì)算用戶對節(jié)目的評分，從歷史影料庫和正在直播的節(jié)目中分別選取評分最高的前若干個節(jié)目，生成歷史節(jié)目和直播節(jié)目推薦列表，并推送給用戶。

對于歷史影料庫中的節(jié)目，采用矩陣分解模型計(jì)算評分，將評分矩陣m分解為如下形式：

m＝g^tq

其中，g示用戶因子矩陣，q表示項(xiàng)目因子矩陣，其中k表示節(jié)目隱含的特征數(shù)目，那么當(dāng)前興趣用戶vic對歷史節(jié)目q的評分便可通過下式計(jì)算；

其中表示用戶因子矩陣中當(dāng)前興趣用戶vic所屬的列向量，qq表示項(xiàng)目因子矩陣中歷史節(jié)目q對應(yīng)的列向量；

對于當(dāng)前直播節(jié)目，采用基于近鄰的方法計(jì)算評分，利用當(dāng)前興趣用戶vic對相似節(jié)目的收視獲取，定義p為當(dāng)前直播節(jié)目，表示當(dāng)前興趣用戶vic對當(dāng)前直播節(jié)目p的評分，計(jì)算公式如下：

其中，ωpg表示當(dāng)前直播節(jié)目p與節(jié)目g之間的相似度,表示和當(dāng)前直播節(jié)目p相近的節(jié)目集合；

當(dāng)評分計(jì)算完成后，分別從歷史影料庫，以及當(dāng)前直播節(jié)目的所有節(jié)目中挑選出評分最高的前若干個節(jié)目生成點(diǎn)播節(jié)目與直播節(jié)目推薦列表。

由上述本發(fā)明提供的技術(shù)方案可以看出，基于觀看場景進(jìn)行推薦，很好地處理iptv領(lǐng)域中多成員導(dǎo)致的興趣耦合問題；以周為周期建模觀看場景，更精準(zhǔn)地表達(dá)用戶興趣隨時間的變化規(guī)律；在基于觀看場景推薦過程中識別用戶實(shí)時興趣，使推薦更有針對性；在用戶推薦內(nèi)容方面，采用直播和點(diǎn)播融合的推薦策略，使用戶得到更加全面的推薦內(nèi)容。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域的普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他附圖。

圖1為本發(fā)明實(shí)施例提供的一種iptv節(jié)目推薦方法的流程圖；

圖2為本發(fā)明實(shí)施例提供的用戶收視矩陣示意圖；

圖3為本發(fā)明實(shí)施例提供的凝聚層次聚類算法流程框圖；

圖4為本發(fā)明實(shí)施例提供的觀看場景結(jié)果示意圖。

具體實(shí)施方式

下面結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明的保護(hù)范圍。

本發(fā)明公開了一種基于觀看場景的iptv節(jié)目推薦方法，該方法將用戶的觀看場景在時間維度上進(jìn)行擴(kuò)展和延伸，發(fā)現(xiàn)用戶周期性的觀看場景；對于發(fā)現(xiàn)的觀看場景，不直接基于內(nèi)容進(jìn)行推薦，而是根據(jù)觀看場景分割為多個興趣用戶，利用興趣用戶之間的相似性進(jìn)行推薦，同時識別當(dāng)前的觀看場景，實(shí)現(xiàn)更加針對性的推薦；在推薦的內(nèi)容上，并不僅僅局限于點(diǎn)播，而是融合直播和點(diǎn)播，采用聯(lián)合推薦的策略。

如圖1所示，為本發(fā)明實(shí)施例提供的一種iptv節(jié)目推薦方法的流程圖。首先根據(jù)用戶的觀看日志，構(gòu)建用戶收視矩陣；然后，對用戶收視矩陣依次進(jìn)行低秩去噪、周期性壓縮與觀看模式提取，從而獲得用戶的周期性觀看場景；再將周期性觀看場景中的每一觀看模式作為一興趣用戶，并構(gòu)建所有興趣用戶的評分矩陣；當(dāng)需要推薦時，對當(dāng)前觀看模式進(jìn)行識別，從而確定當(dāng)前興趣用戶，再采用聯(lián)合推薦策略，從歷史影料庫和當(dāng)前直播的節(jié)目中推薦用戶感興趣的節(jié)目，生成推薦列表推送給用戶。

下面針對各個步驟做詳細(xì)的說明。

一、構(gòu)建用戶收視矩陣。

本發(fā)明實(shí)施例中，將獲取的用戶的觀看日志，通過劃分節(jié)目類型和時間段，根據(jù)每一天收視紀(jì)錄的時間和收看節(jié)目的類型，將用戶一定天數(shù)的收視紀(jì)錄表示為矩陣的形式。具體來說：

如圖2所示，定義n表示節(jié)目類型的數(shù)目，t表示每一天被劃分的時間段數(shù)目，則用戶i第s天的收視紀(jì)錄表示為dis∈r^t×n，其中，dis(t,n)表示在時間段t收看類型節(jié)目n的時間占時間段t時長的比例；定義l＝t×n，將每一天的收視紀(jì)錄表示為一個向量對于用戶i，其s天收視紀(jì)錄矩陣表示為則所有用戶的s天收視紀(jì)錄矩陣表示為nu表示用戶的數(shù)目。

示例性的，可以將一天被劃分為24個時間段，每一個小時為一個時間段，將節(jié)目劃分為15個類型，分別為新聞、財(cái)經(jīng)、綜藝、體育、電影、動漫、軍事、電視劇、科教、生活、時尚旅游、親子教育、音樂、老人節(jié)目和少兒節(jié)目。

二、周期性觀看場景發(fā)掘。

所述的周期性觀看場景發(fā)掘是指，發(fā)現(xiàn)用戶興趣周期性的變化規(guī)律，得到用戶在周期內(nèi)不同時間段的興趣。

本發(fā)明實(shí)施例中，利用低秩矩陣恢復(fù)模型，除去用戶收視矩陣中的噪聲，得到理想收視矩陣；對于理想收視矩陣中每一天的收視向量，以一周為周期，按照周一到周日的規(guī)則劃分為7個集合，依次連接個集合的中心，得到一周收視矩陣；利用凝聚層次聚類算法，對一周收視矩陣進(jìn)行觀看模式提取，利用時間上和內(nèi)容上的對應(yīng)關(guān)系，得到周期性觀看場景。

本發(fā)明實(shí)施例中，所述的低秩去噪，是指利用低秩恢復(fù)模型去除用戶收視矩陣中的噪聲。用戶的收視矩陣中包含著噪聲，可表示為理想收視矩陣和噪聲矩陣之和。

具體的，用戶i的s天收視紀(jì)錄矩陣為ui，其包含理想收視矩陣xi(代表用戶的理想收視特征)，與誤差矩陣ei(代表了用戶的實(shí)際收視與該用戶理想收視特征之間的誤差)：

ui＝xi+ei；

由于每個人的作息時間和電視節(jié)目的播放時間都是相對固定的，用戶每一天的收視會有一定的規(guī)律性和重復(fù)性，還會存在一定的稀疏性。因此，理想收視矩陣xi是一個低秩矩陣，誤差矩陣ei是一個稀疏矩陣，從而采用低秩矩陣恢復(fù)模型去除誤差矩陣ei，得到理想收視矩陣xi。

之后，對理想收視矩陣xi進(jìn)行周期性壓縮，可知用戶收視矩陣是所有天的收視紀(jì)錄，需要將其壓縮為一周的形式。對于理想收視矩陣xi，按照周一到周日的規(guī)則重新劃分，將所有天的收視向量劃分為7個集合，分別表示為wi1、wi2、wi3、wi4、wi5、wi6、wi7，則用戶理想收視的集合可重新表示為：

其中wij表示第j個集合，針對每一個收視向量的集合，對集合中所有的元素取平均值，作為相應(yīng)集合的代表向量fij，從而將周一到周日中的每一天的收視用一個代表向量進(jìn)行表示，依次連接各代表向量，得到用戶的一周收視矩陣，用戶i一周收視矩陣為fi＝(fi1，fi2，...，fi7)；

示例性的，可以選取rpca(魯棒主成分分析)低秩模型來獲得低秩矩陣，采取不精確拉格朗自乘子法(ialm)求解rpca低秩模型。通過kmeans聚類算法對周一到周日中每一天的收視向量集合聚類。

最后，從用戶的一周收視矩陣中提取觀看模式，由于用戶收視和節(jié)目的播放時間存在著連續(xù)性的特征，因此，對于用戶的一周收視矩陣，采用凝聚層級聚類合并其中相鄰且相似的時間段，將合并后的時間段作為相應(yīng)用戶的一個觀看模式，得到周期性觀看場景；如圖3所示，凝聚層級聚類的過程如下：

步驟a、設(shè)置相似度閾值δ，將每一個時間段的數(shù)據(jù)作為一個簇；

步驟b，計(jì)算相似度矩陣，簇之間的相似度采用簇的質(zhì)心來度量，而簇質(zhì)心之間的相似度采用歐式距離來計(jì)算；

步驟c，判斷相似度是否都小于設(shè)定的閾值，如果是，則算法結(jié)束，否則轉(zhuǎn)步驟d；

步驟d，選出相似度最大的兩個簇，將其合并作為一個新的簇，再轉(zhuǎn)步驟b，直至完成。

聚類結(jié)果如圖4所示，具有相似收視特征的相鄰時間段被合并在了一起，并相同的線條填充，對于每一天的2點(diǎn)到6點(diǎn)，為一個觀看模式，但收視特征不夠明顯，沒有較多的收視信息，因此沒有進(jìn)行展示。作為示例，可設(shè)置閾值δ為0.5。

三、興趣用戶發(fā)現(xiàn)與構(gòu)建評分矩陣。

本發(fā)明實(shí)施例中，對于每一用戶，將相應(yīng)的周期性觀看場景中的每一觀看模式作為一興趣用戶，從用戶觀看日志中提取出屬于不同興趣用戶的收視紀(jì)錄，根據(jù)收視紀(jì)錄中各興趣用戶對各節(jié)目觀看的完成度，計(jì)算各興趣用戶對各節(jié)目的評分；綜合所有用戶計(jì)算得到的評分結(jié)果，構(gòu)建所有興趣用戶的評分矩陣。

具體來說，發(fā)現(xiàn)用戶存在的觀看場景后，也就知道了用戶在不同時間段的興趣；將用戶觀看場景中每一種觀看模式作為一個興趣用戶，可以用vi表示用戶i的興趣用戶集合：其中，ni表示用戶i含有的興趣用戶數(shù)目。之后，從用戶i觀看日志中提取出屬于不同興趣用戶的收視紀(jì)錄，根據(jù)收視紀(jì)錄中各興趣用戶對各節(jié)目觀看的完成度，計(jì)算各興趣用戶對各節(jié)目的評分，評分的范圍為[0,1]，當(dāng)完成度為100％時，評分為1，當(dāng)完成度為0時，評分邊為0，完成度和評分在數(shù)值上相同。最后，定義所有用戶的所有的興趣用戶數(shù)目為nv，從而構(gòu)建所有興趣用戶的評分矩陣其中，np為所有節(jié)目的數(shù)目；評分矩陣m中的元素表示興趣用戶vi對節(jié)目a的評分。

通過發(fā)現(xiàn)所有的興趣用戶，并構(gòu)建所有興趣用戶的評分矩陣，為推薦時采用協(xié)同過濾的方法做準(zhǔn)備。

四、觀看場景識別與生成推薦列表。

1、觀看場景識別。

本發(fā)明實(shí)施例中，根據(jù)當(dāng)前收視的內(nèi)容信息和時間信息識別當(dāng)前的觀看模式，從而請確定當(dāng)前興趣用戶。定義ci為用戶i當(dāng)前的收視信息，ci＝(ti,bi)，其中ti表示當(dāng)前收視的時間段，bi表示當(dāng)前收視的內(nèi)容信息，bi為n維數(shù)組；定義pih為用戶i的第h個興趣用戶的內(nèi)容特征，pih為n維數(shù)組，則用戶i的所有興趣用戶的內(nèi)容特征為定義tih為用戶i的第h個興趣用戶的時間特征，是興趣用戶包含的時間段的集合，則用戶i的所有興趣用戶的時間特征為在識別時，如果用戶i已有收視行為，則將bi與pi中每一個興趣用戶的內(nèi)容信息進(jìn)行匹配，計(jì)算兩者之間的距離，距離最小的興趣用戶則為當(dāng)前的興趣用戶vic；如果用戶i還沒有收視行為，則將ti和ti中每一個興趣用戶的時間段集合進(jìn)行匹配，根據(jù)ti的歸屬情況，確定當(dāng)前的興趣用戶vic。

示例性的，選取距離的計(jì)算方式可以為歐式距離。

2、生成推薦列表

識別出當(dāng)前的興趣用戶vic后，接下來便能夠針對性的進(jìn)行推薦。本發(fā)明實(shí)施例中，針對iptv的直播和點(diǎn)播特性，采用協(xié)同過濾的推薦算法，利用矩陣分解模型和基于近鄰的方法計(jì)算用戶對節(jié)目的評分，從歷史影料庫和正在直播的節(jié)目中分別選取評分最高的前若干個節(jié)目，生成歷史節(jié)目和直播節(jié)目推薦列表，并推送給用戶。

對于歷史節(jié)目的評分計(jì)算，采用矩陣分解模型計(jì)算評分，將評分矩陣m分解為如下形式：

m＝g^tq

其中，g示用戶因子矩陣，q表示項(xiàng)目因子矩陣，其中k表示節(jié)目隱含的特征數(shù)目，那么當(dāng)前興趣用戶vic對歷史節(jié)目q的評分便可通過下式計(jì)算；

其中，表示用戶因子矩陣中當(dāng)前興趣用戶vic所屬的列向量，qq表示項(xiàng)目因子矩陣中歷史節(jié)目q對應(yīng)的列向量。

對于正在直播節(jié)目評分節(jié)目的計(jì)算，由于還沒有對此節(jié)目的評分，因此采用基于近鄰的的方法計(jì)算當(dāng)前直播節(jié)目的評分。在計(jì)算時，利用當(dāng)前興趣用戶vic對相似節(jié)目的收視獲取，定義p為當(dāng)前直播節(jié)目，表示當(dāng)前興趣用戶vic對當(dāng)前直播節(jié)目p的評分，計(jì)算公式如下：

其中，ωpg表示當(dāng)前直播節(jié)目p與節(jié)目g之間的相似度,表示和當(dāng)前直播節(jié)目p相近的節(jié)目集合；

當(dāng)評分計(jì)算完成后，分別從歷史影料庫，以及當(dāng)前直播節(jié)目的所有節(jié)目中挑選出評分最高的前若干個節(jié)目生成點(diǎn)播節(jié)目與直播節(jié)目推薦列表。

此外，在當(dāng)前直播節(jié)目播放完成后，放入歷史影料庫中，實(shí)時更新歷史影料庫，使推薦更加實(shí)時和全面。

本發(fā)明實(shí)施例上述方案，基于觀看場景進(jìn)行推薦，很好地處理iptv領(lǐng)域中多成員導(dǎo)致的興趣耦合問題；以周為周期建模觀看場景，更精準(zhǔn)地表達(dá)用戶興趣隨時間的變化規(guī)律；在基于觀看場景推薦過程中識別用戶實(shí)時興趣，使推薦更有針對性；在用戶推薦內(nèi)容方面，采用直播和點(diǎn)播融合的推薦策略，使用戶得到更加全面的推薦內(nèi)容。

通過以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到上述實(shí)施例可以通過軟件實(shí)現(xiàn)，也可以借助軟件加必要的通用硬件平臺的方式來實(shí)現(xiàn)。基于這樣的理解，上述實(shí)施例的技術(shù)方案可以以軟件產(chǎn)品的形式體現(xiàn)出來，該軟件產(chǎn)品可以存儲在一個非易失性存儲介質(zhì)(可以是cd-rom，u盤，移動硬盤等)中，包括若干指令用以使得一臺計(jì)算機(jī)設(shè)備(可以是個人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實(shí)施例所述的方法。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。