[发明专利]一种基于TDC-LDA模型的IPTV用户行为模式挖掘方法

说明书

本发明公开了一种基于TDC‑LDA模型的IPTV用户行为模式挖掘方法，该方法首先用概率生成模型的思想来假设用户具体行为模式中的观看的节目、观看的时间点和观看时长的生成过程，建立TDC‑LDA模型；其次，用Gibbs采样的方式进行模型拟合，推导隐变量条件概率的采样公式以及用户‑行为模式矩阵、兴趣主题‑节目矩阵和时段‑时间点矩阵的计算公式；然后，根据TDC‑LDA模型的Gibbs采样过程，得到每一个用户的行为模式矩阵、兴趣主题‑节目矩阵和时段‑时间点矩阵；最后，通过用户的收视行为模式分布，给用户做出推荐。本发明提出了一种新的TDC‑LDA用户收视行为模式挖掘模型，在现有的cLDA模型的基础上加入了观看时长信息。

技术领域

本发明涉及IPTV用户行为模式的挖掘方法，具体是一种基于TDC-LDA模型的IPTV用户行为模式挖掘方法。

背景技术

随着互联网的发展，IPTV(网络协议电视)迅速普及，其海量的视频资源及优质的服务吸引了广大用户。IPTV利用宽带网将多媒体信息传递给用户，为用户提供包括数字电视在内的多种交互式服务。它在传统电视的基础上，加入点播、回看等交互功能，这使得电视观众与电视服务提供商之间有了更好的互动。然而，随着网络信息承载量的飞速增长，IPTV中的视频资源层出不穷，这不但给用户寻找节目造成了一定的困扰，也直接影响了用户对IPTV平台的满意度。为了给用户提供更好的收视服务，电视服务提供商可以通过大数据分析用户行为，为用户建模。IPTV用户行为建模可以通过分析用户行为来优化网络规划，进而提升IPTV系统的性能；可以通过挖掘用户收视兴趣，给IPTV用户提供诸如个性化电子菜单、节目推荐、个性化情景广告等服务，以此提升用户收视体验。

现有的用户收视行为模式挖掘方法大致分为两类。一类是通过适当抽象节目类别信息，将收看节目归纳为不同类型，从而建立用户兴趣模型。其中，《AIMED：A personalizedTV recommendation system》是一种利用人工神经网络技术结合用户的活动、兴趣和心情等属性构建的推荐系统，该系统可以预测用户对IPTV节目的偏好。《Towards TVRecommender System:Experiments with User Modeling》通过应用矢量空间模型和信息检索中的聚类假设来建立用户收视兴趣模型。《Recommender System of iptv tv programusing ontology and k-means clustering》通过本体论和K-means聚类算法为用户建模然后进行推荐。另一类方法是基于主题模型LDA算法的改进。LDA(Latent Dirichletallocation，潜在狄利克雷分配)是一种基于概率模型的文本主题建模方法。当不考虑收看时间时，可以把一个IPTV用户当成一篇文档，IPTV节目当成词语，用户由其观看的IPTV节目记录表示。例如，隐式反馈LDA模型结合IPTV用户收视过程中的点播、收藏和浏览等行为，采用LDA联合建模为用户做推荐。TMUD模型将两个LDA模型通过主题连接成为一个统一的模型，用于相似用户群分组和IPTV节目推荐。考虑到一个IPTV用户对应一个家庭，不同的家庭成员会在不同时段观看节目，张娅等人(Zhang Y,Chen W,Zha H,et al.A Time-TopicCoupled LDA Model for IPTV User Behaviors[J].IEEE Transactions onBroadcasting,2015,61(1):56-65.)提出基于时间耦合主题模型(cLDA)的IPTV用户建模方法，该模型通过对用户收视节目与收视时间点的联合建模，挖掘IPTV用户在每个时段的收视兴趣主题。

以上基于LDA模型的改进算法在用户行为建模方面取得了良好的效果，但这些方法忽略了对节目观看时长的利用，而节目的观看时长在很大程度上反映用户对节目的喜爱程度。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于TDC-LDA模型的IPTV用户行为模式挖掘方法。