[发明专利]基于媒体内容的推荐的属性加权

说明书

本发明的各实施例总体上涉及基于媒体内容的推荐的属性加权。具体地，公开了用于部分基于有多少用户实际查看或倾听媒体内容以及有多少用户“喜欢”内容或表明对内容的偏好来向内容的属性自动分配权重的技术。内容项可以是任何类型的音频或视频媒体内容(诸如，歌曲、视频或电影)以及书写内容(诸如，书籍、文章、日记、广告或杂志)。基于内容项的用户偏好之间的相似性确定第一相似性得分。基于内容项的一个或多个公共属性之间的相似性确定第二相似性得分。这些属性被分配表示消费了对应内容的用户数的评级。接着，使用例如线性方程回归技术基于第一相似性得分和第二相似性得分向每个属性分配权重。

技术领域

本公开总体上涉及数据处理领域，并且更加具体地涉及用于向媒体内容项的属性自动分配权重以生成基于内容的推荐的技术。

背景技术

对于媒体内容的给定主体，诸如在线视频、数字音乐、电子书、新闻网站和其他数字媒体，可以使用推荐系统来提供针对用户的个人偏好和兴趣定制的建议。一种类型的推荐是基于内容的推荐，其基于内容项的各种属性之间的相似性。这些属性可以包括例如“种类”、“流派”、“演员”、“艺术家”、“描述”等。可以通过使用例如Jaccard索引测量属性之间的距离来计算内容项的相似性。取决于如人对相关联的内容的指明的偏好测量的这些属性对人的重要性，不同的属性可以被分配相对权重，这些权重用于计算两个或更多个内容项之间的相似性。然而，确定属性权重的当前方法遭受可能不利地影响基于内容的推荐的质量和准确性的大量缺陷。

附图说明

附图并非意图按比例绘制。在附图中，在各种附图中图示的每个相同或者几乎相同的部件用相似的数字来表示。

图1示出了根据本公开的实施例的示例性基于内容的推荐系统；

图2是根据本公开的实施例的与若干媒体内容项相关联的公共属性的图形表示；

图3是根据本公开的实施例的示例内容属性加权方法的流程图；以及

图4是表示可以用于执行本公开中不同地描述的技术中的任何技术的示例计算设备的框图。

具体实施方式

如先前指出的，现有的内容推荐属性加权技术遭受可能不利地影响基于内容的推荐的质量和准确性的大量缺陷，特别是在数字媒体领域。比如，现有的属性加权技术可能遭受所谓的流行偏见，其中被很多人查看或者访问的内容具有被相似地判断的倾向，而不太流行的内容被处罚，即使不太流行的内容类似于更加流行的内容。这样的流行偏见可以具有将不太流行的内容从推荐中排除的这一影响，而不管不太流行的内容与更加流行的内容的属性之间的相似性。因此，基于这样的现有的属性加权技术的推荐可能将用户主要指向更加流行的内容，这进而可能恶化流行偏见问题。