[发明专利]一种面向多用户共享的多媒体网络视频推荐方法

说明书

本发明公开了一种面向多用户共享的多媒体网络视频推荐方法，首先，在多用户共享的环境下，利用收集的节目信息构建多用户特征，根据节目特征的相似性、用户观看行为的连续性，构建主导用户标签，实现多用户混合日志的分离，并进行未来会话的周期性多用户识别预测；其次，基于时变LinUCB算法建立用户兴趣挖掘模型来学习用户对每个节目主题的兴趣变化，从并行式计算、自适应控制探索系数、基于LSTM的增量更新三个角度，来增强推荐系统的个性化能力与效率；最后，基于非时变LinUCB算法建立物品质量模型以进一步确保节目质量，并采用交叉加权策略将上述的两个算法集成为最终的推荐系统模型，形成最终的节目推荐列表。本发明保证推荐结果的新颖性与准确性。

技术领域

本发明涉及大数据多媒体网络视频应用技术领域，特别是一种面向多用户共享的多媒体网络视频推荐方法。

背景技术

随着数字时代的到来，智能手机、平板电脑等智能设备以及互联网多媒体视频技术的蓬勃发展，网络视频的数量实现了爆炸式增长。从传统的有线电视，到交互式网络电视(Internet Protocol Television，IPTV)的跨越式发展，网络电视产业迎来了巨大的发展和变化。一方面，IPTV用户规模实现了快速增长。在2014年用户总数仅有三千万左右，2017年超1.21亿，2018年高达1.51亿。另一方面，网络视频的数量激增，内容百花齐放。据国家新闻出版广电总局网络节目备案库的数据统计，2017年新出网络剧555部，共6921集；电影5620部；动画片659部；专业类节目2725档。网络视频平台从以往以单一的网络大电影为主，到自制剧、自制综艺、纪录片等齐头并进，丰富的自制内容满足不同用户群体的消费需求。

从用户角度而言，丰富的视频内容可以给用户更多的资源和选择。但是，过多的资源选择也导致用户面临着信息超载的问题，用户无法准确的从海量的资源中寻找到自己需要的资源，从而导致用户体验质量下降。从运营商/内容提供商角度而言，他们都希望通过提供极具个性化且优质的内容来提高服务质量，精准地定位用户需求，迎合用户喜好，其迫切需要寻找一种更加高质量的个性化推荐系统。

通常来说，推荐系统是一种可以实现主动地从海量信息资源中为用户寻找到其可能感兴趣的内容的工具。本质上，推荐系统就是利用用户的历史行为记录，并结合用户和资源自身的特征，来构建相关的推荐系统模型，最终为用户提供个性化的推荐结果。因此，个性化推荐系统的首要需求就是能够提取出目标用户的日志记录。然而，目前越来越多的账户或设备被多个用户共享。一方面，为了节省成本，朋友之间会共同购买一个视频APP的VIP账号。另一方面，在IPTV应用中，电视设备通常是由家庭用户共享的。这些都可能导致多用户日志记录混在一起，难以分离。遗憾的是，现有的方法往往默认一个用户ID只包含一个单用户，直接将混合的日志记录作为用户的个人信息，也忽略了多个单用户之间的社交信息。

与此同时，针对个性化推荐的问题，已经提出了各种推荐系统，如协同过滤、基于内容的推荐和混合推荐方法等。然而，传统的推荐系统总是为用户推荐很多非常类似于其过去喜好的物品，长此以往，会导致用户只能局限在该类的物品范围中，陷入“信息茧房”。因此需要探索用户可能感兴趣的新主题。即需要一边利用用户的已知兴趣，一边也要能够学习用户兴趣变化来探索用户新的兴趣。在线学习可以解决冷启动问题，积极探索用户的未知兴趣，给用户推荐更多的新物品，故而目前很多的工作都是借鉴多臂老虎机(Multi-Bandit)算法来实现推荐系统。然而，随机或过量的探索又有可能导致推荐系统的准确率降低，同时随机推荐的内容也可能会引起用户的反感。因此，需要获得探索与利用的平衡，并保障推荐物品的质量，在保障推荐系统准确性的同时，不断探索与细化用户兴趣，防止用户在获得新颖物品时反而体验感变差。

高效精准的推荐系统能够帮助运营商和内容提供商给用户提供更好的服务和更好的体验质量。因此，推荐系统的发展一直备受关注。一方面，需要研究如何从当前的多用户共享环境中提取到用户信息。另一方面，为了解决“信息茧房”的问题，需要有效的探索策略来挖掘用户的隐藏兴趣，同时为了保证用户的体验质量，需要确保高质量和高准确率的推荐结果。

发明内容