[发明专利]基于社交网络的弱关系和强关系的视频推荐方法

说明书

本发明公开了一种基于社交网络的弱关系和强关系的视频推荐方法，包括以下步骤：1)基于弱关系好友的影响力计算用户对视频的第一预估点击概率；2)基于不同亲密度的强关系好友对视频的行为特征计算第二预估点击概率；3)线性融合第一和第二预估点击概率，得到预估点击概率；4)基于用户对视频的行为观察值以及预估点击概率构造损失函数；5)采用随机梯度算法对步骤1)‑4)中的特征参数进行优化，使损失函数最小化，最终得到用户对视频的点击概率；6)向用户推荐点击概率最高的N个视频。本发明的视频推荐方法结合了与用户相关的弱关系好友和强关系好友进行视频推荐，并将好友的行为特征作用于预测模型，从而能够提高视频推荐的准确性。

技术领域

本发明涉及信息技术领域，具体涉及一种视频推荐方法。

背景技术

视频推荐在学术研究中一直是一个热门的研究主题，视频推荐与用户点击率和视频流行度密切相关。随着社交软件Facebook、Twitter、微博的兴起，基于社交网络的特性对视频传播普及的影响成为新的研究热点。传统研究工作中，根据视频的历史浏览总数预测视频将来的流行度(浏览数)，认为视频的流行度随着时间呈现线性增长，所以可以根据视频在不同时间段的流行度相较于前一个时间段的增量作为特征，训练线性回归模型预测视频将来的流行度。此外还有基于多阶段的时序预测视频流行度的在线学习的模型，利用视频在社交网络中的动态传播的特性，以及在每一个划分的传播的时间段内预测视频的流行度。

在社交网络中的发布的视频中可能包含标签、是否是大V认证的人发布、文本长度等特征，根据用户历史点击的视频来估算出用户对新视频的潜在兴趣值。但是传统模型并没有考虑到用户之间的交互信息，比如提及、点赞、转发、评论、回复。在社交网络中决定用户是否点击一个视频，很大程度上取决于视频贡献者在社交网络中的位置，而与视频的内容无关。视频贡献者是指对视频有过用户行为，比如发布、转发、点赞、收藏等。而且人们更易于接受朋友推荐的物品。在传统工作中提出了一种基于朋友关系聚簇的LBM(LatticeBoltzmann Method)模型，该模型首先根据用户与双向朋友之间的互动频繁程度，采用KMeans算法将用户的好友分为亲密好友、熟悉好友、不熟悉好友，然后在不同朋友关系中，采用LBM算法训练朋友的用户行为特征的权重。最后累加不同簇中的朋友行为权重，得到视频最后被该用户点击的概率。但是该模型中，只考虑了朋友关系即双向关注的强关系，但是没有考虑到单向关注的弱关系。

社交网络中的社交关系主要有强关系网络和弱关系网络。强关系网络中，用户可能是现实的朋友关系，比如家人、同学、同事等，强关系主要体现的是用户对好友的亲密度。弱关系是一种虚拟关系，一般用户之间并不认识，更能体现用户的偏爱兴趣。而像微博、Twitter这样的社交网络，是以用户的弱关系为主的。目前基于社交网络的预测视频流行度以及用户点击率的工作中，还没有考虑将强关系和弱关系这两种社交关系联合起来。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于社交网络的弱关系和强关系的视频推荐方法，通过融合弱关系好友的偏爱和强关系好友的亲密度，进一步基于所有好友进行视频推荐。

技术方案：为实现上述目的，本发明的基于社交网络的弱关系和强关系的视频推荐的方法包括以下步骤：

1)基于用户的弱关系好友的影响力、用户与弱关系好友的相关度以及弱关系好友对视频的行为特征，计算用户对该视频的第一预估点击概率；

2)基于不同亲密度的强关系好友对视频的行为特征，计算用户对该视频的第二预估点击概率；

3)线性融合第一预估点击概率和第二预估点击概率，得到用户对视频的预估点击概率；

4)基于用户对视频的行为观察值以及用户对视频的预估点击概率，构造损失函数；

5)采用随机梯度算法对步骤1)-4)中的特征参数进行优化，使损失函数的值最小化，当损失函数的值满足预定条件时，停止优化，最终得到用户对视频的点击概率；