[发明专利]一种基于时间感知的面向电视盒子点播视频的推荐方法

权利要求书

1.一种基于时间感知的面向电视盒子点播视频的推荐方法，其特征在于，包括如下步骤：

S10.对训练数据按时间顺序来进行划分，将其划分为不同时间槽的训练数据，统计得到关于时间槽t、每个视频的点击量向量b_t的数据；

S20.输入时间槽的类别数量ω，对ω进行假设，然后对时间槽按类别进行聚类划分；

S30.为每一个时间槽聚类后的类别构建对应的局部矩阵,使用属于该类别的所有时间槽的局部矩阵来构造局部交互矩阵；

S40.局部矩阵产生一个属于这些时间槽的用户集合，通过这个用户集和从全量数据中过滤出包含这些用户的历史数据，并依此构建全局交互矩阵；

S50.将局部交互矩阵、全局交互矩阵统一并进行协同分解计算出隐因子向量x_u和y_i，其中，x_u为用户u的隐因子向量，y_i为视频i的隐因子向量；

S60.使用上述两个隐因子向量进行内积运算可以重构出预测的评分矩阵，根据预测评分矩阵给用户生成推荐列表。

2.根据权利要求1所述的基于时间感知的面向电视盒子点播视频的推荐方法，其特征在于，人工划分的时间槽的划分逻辑如下：

ω为3、4、8；时间槽类别数量ω＝3对应的逻辑划分策略为{工作日的早上和下午，周末的早上和下午，所有时间的晚上}；时间槽类别数量ω＝4对应的逻辑划分策略为{早上+下午，晚上+凌晨}×{工作日，周末}；时间槽类别数量ω＝8对应的逻辑划分策略为{早上，下午，晚上，凌晨}×{工作日，周末}。

3.根据权利要求2所述的基于时间感知的面向电视盒子点播视频的推荐方法，其特征在于，所述的时间槽t的类别对应的具体时间段如下，

凌晨代表0:00am-5:00am；早上代表6:00am-11:00am；下午代表12:00pm-5:00pm；晚上代表6:00pm-11:00pm。

4.根据权利要求1所述的基于时间感知的面向电视盒子点播视频的推荐方法，其特征在于，所述将局部交互矩阵、全局交互矩阵统一并进行协同分解计算出隐因子向量x_u和y_i的具体步骤包括：

S501.生成的时间感知矩阵分解模型的目标函数如下：

其中，为时间段j内构成的用户集，为时间段j对应的视频集，c_u，i为用户u对视频i在全局时间下喜爱的置信度，c′_u，i为用户u对视频i在局部时间下喜爱的置信度，为用户u在时间段j内的隐因子向量，y_i，j为视频i在时间段j内的隐因子向量；p_u，i，j表示用户u对视频i在时间段j内全局的偏好系数，p′_u，i，j表示用户u对视频i在时间段j内局部的偏好系数；j指的是ω个时间类别中的第j^th个；λ项是正则项，负责防止模型过拟合；α和β是平衡全局和局部影响力的超参数；

S502.对时间感知矩阵分解模型的目标函数进行变换，先假定y_i，j是已知量，则x_u，j的求解表达式可以表示为：

同理可得y_i，j，

其中，X和Y为时间段j内迭代求解的用户、视频的隐因子向量矩阵，C为时间段j内置信度矩阵；p_u，j为用户u在时间段j内全局的偏好系数，p′_u，j为用户u在时间段j内局部的偏好系数，p_i，j为视频i在时间段j内全局的偏好系数，p′_i，j为视频i在时间段j内局部的偏好系数；λ项是正则项，负责防止模型过拟合；I为单位矩阵。

5.根据权利要求1所述的基于时间感知的面向电视盒子点播视频的推荐方法，其特征在于，所述S60的具体步骤包括如下：

S601.根据隐因子向量预测用户对所有视频打分，得出评分预测值：

隐因子向量存在于空间中，维度k也是一个超参数；和y_i，j*为模型在时间段j内的最优隐因子向量；

S602.整合并计算隐式反馈数据下用户u对已观看的视频i的偏好，得到隐式反馈评分：

其中，ratio_u，i，j代表一个视频i可能被用户u看过j遍，episodes代表一个连续型的剧集；代表非连续型视频构成的集合，代表连续型视频构成的集合；

S603.通过最小化预测值和隐式反馈评分之间的差来优化时间感知矩阵分解模型；

S604.交替地更新两个隐因子向量，直到优化结果符合优化的停止条件，得到最终的目标结果，然后对预测的评分矩阵进行重构，预测评分越高代表推荐重要性越强；

S605.根据预测评分矩阵给用户生成推荐列表。