[发明专利]基于个体历史与群体当前行为融合的频道推荐方法

说明书

本发明公开了一种基于个体历史与群体当前行为融合的频道推荐方法，首先构建群体当前观看频道状态矩阵，用于描述当前每个频道的特征，其特征包括每个频道当前的观看人数及每个频道的在线观看人数增长速率；再针对个体用户构建其个人的历史观看频道状态矩阵，用于描述在过去时间段内该用户的观看频道特征，包括该用户观看每个频道的次数以及每个被观看频道的权重；最后将群体当前频道状态矩阵和个体历史观看频道状态矩阵送入推荐融合计算模块，并使用交集选取法或距离选取法计算每个用户当前时刻可能观看的频道，把最有可能观看的N个频道推送至该用户。

技术领域

本发明涉及IPTV领域，特别涉及一种基于个体历史与群体当前行为融合的频道推荐方法。

背景技术

IPTV是一种可交互型的网络电视，基于IPTV的电视频道推荐有着诱人的应用前景。随着IPTV和互联网电视直播技术的发展，用户可以观看越来越多的电视频道，因此传统的电视节目指南(EPG)已经不能满足人们及时发现其感兴趣的频道的使用需求。近年来，人们开始研究针对IPTV的个性化推荐系统，然而大多数推荐系统只是针对于点播节目而并非直播推荐，因为直播频道的以下特点导致对其进行推荐更为复杂：

时效性：电视直播内容只会在特定的时间窗口内播放，如果用户想观看某个节目，需要在特定的时间区域内观看该直播频道，而点播节目不限制时间区域，用户可以在任意时间进行观看。

复杂性：一个IPTV账户通常是家庭共享，即多人共享同一个账号，这使得在不同时间段内，用户的喜好不同，从而更难捕捉用户的行为。

噪声：直播频道的观看记录相较点播有更多的噪声数据。在直播情况下，用户会有很多快速切换的行为和广告跳过，这些噪声数据会对用户的推荐结果进行干扰。

基于以上IPTV直播频道的特点，在上百个直播频道中挖掘用户喜欢的频道显得较为复杂。因此推荐系统需要帮助用户在上百个频道中找到其喜欢的直播频道并非易事。推荐系统需要对用户的历史观看行为进行深度分析，并建立合适的模型，来对用户进行相应的推荐，目前的推荐算法主要是使用协同过滤或一些其它的相关机器学习方法进行推荐。协同过滤能够根据其他用户喜欢的频道对目标用户进行推荐，解决冷启动的问题。机器学习的方法现在也开始应用于IPTV的节目推荐上，例如使用k-means等方法先对用户进行聚类，并融合协同过滤的方法对用户进行推荐。但是，这些方法要么需要额外的用户评分信息，要么需要大量的机器计算耗时，目前直接针对直播频道的有效推荐算法依然甚少发现。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于个体历史与群体当前行为融合的频道推荐方法，结合用户的历史观看行为及用户的群体观看行为来为每个用户进行个性化频道推荐。

本发明的目的通过以下的技术方案实现：一种基于个体历史与群体当前行为融合的频道推荐方法，包括：

针对总体用户，设计一个当前频道状态矩阵生成器(101)，用于描述用户在观看IPTV时每个频道的当前状态；针对个人用户，设计一个个性化历史状态矩阵生成器(102)，用于描述每个用户在一定历史时间内，每个历史观看频道的状态，并将101所构建出的当前频道状态矩阵及102所构建的个性化历史状态矩阵送入用户推荐计算模块(103)，该模块所用的推荐算法可为每个用户生成推荐的节目列表，并送入推送模块(104)为用户进行独立推送。

一、对于当前频道状态矩阵生成器(101)的构建，包含以下步骤：

1.选取时间窗口Δt。

2.对全体用户观看情况下，统计当前时间窗口[t-Δt，t)内，每个频道的频道热度p_i。p_i为每个频道在时间窗口内的观看人数。

3.对全体用户观看情况下，统计当前时间窗口[t-Δt，t)内，每个频道在线人数的增长速率r_i，r_i的计算公式如下：