[发明专利]一种基于协同过滤的视频栏目推荐系统及推荐方法

摘要

一种基于协同过滤的视频栏目推荐系统，包括：用户模型创建模块、用户相似度计算模块、最近邻居集生成模块、栏目评分生成模块和推荐模块。本发明所述推荐方法设置奖励项，增加冷门栏目对用户相似度的作用。本发明所述推荐方法通过用户相似度矩阵M可以减少计算量。本发明所述推荐方法评分采用最近邻居相似度加权平均的方法，更加充分分析用户偏好，挖掘用户潜在兴趣点。

主权项

1.一种基于协同过滤的视频栏目推荐系统，其特征在于，该推荐系统包括：用户模型创建模块、用户相似度计算模块、最近邻居集生成模块、栏目评分生成模块和推荐模块，其中：所述用户模型创建模块，用于获取栏目属性信息，所述属性信息包括用户标识、用户所操作的栏目标识以及用户对栏目的历史操作信息；所述用户相似度计算模块，通过建立相似度矩阵M，计算目标用户与其他用户之间的相似度sim(u,v)，其中，u∈1,2,…,n；v∈1,2,…,n；所述最近邻居集生成模块，将目标用户与其他用户的兴趣相似度进行排名，取值最大的K个用户，得到目标用户的最近邻居集合，K的取值根据实际情况设定；所述栏目评分生成模块，根据所述最近邻居集，获取目标用户对于栏目的预测评分；所述推荐模块，用于根据所述预测评分及预先获取的目标用户对于历史栏目的评分，生成栏目推荐列表进行推荐；所述推荐系统运行中包括如下步骤：步骤S101：创建用户模型将用户对栏目的点击次数作为评分表中的评分值：用户点击过栏目中的任意一个影片即被视为完成一次栏目点击，从用户日志文件中获取较长时间段内用户点击过的所有栏目名称以及每个栏目点击过的次数，整理生成用户观看历史记录表；每条记录的数据格式为：{用户：栏目1[栏目1点击次数]；栏目2[栏目2点击次数]；栏目5[栏目5点击次数]；……；栏目i[栏目i点击次数]}；将上述记录的数据去重处理后存放在数据库A中；步骤S102：计算用户相似度协同过滤算法通过用户观看行为的相似程度来分析计算用户的兴趣相似度，计算公式(1)如下：公式(1)中N_a表示用户a曾经点击过的栏目集合，N_b表示用户b曾经点击过的栏目集合，N_i表示对栏目i有过点击行为的用户集合，k是根据经验设定的固定值，设置为N/5；所述用户相似度计算方法具体包括：根据用户观看影片的历史，建立栏目‑用户的列表，每条记录的数据格式为：{栏目1：用户a，用户b，用户d，用户f，……}，{栏目2：用户b，用户c，用户e，用户f，……}，……{栏目i：用户a，用户b，用户d，用户f，……}；将这些信息整理存放在数据库B中；对于栏目i建立一个N×N的用户相似度矩阵M_i,其中N表示总的用户个数，其中，矩阵M的行和列分别表示用户标识，元素M_ab为1表示用户a和用户b均点击过一共同栏目标识，a∈1,2,…,n；b∈1,2,…,n，n为用户个数；对于栏目1，将M_ab、M_ad、M_af……设置为1，用户两两组合作为矩阵M_i的行列坐标；对于栏目2，将M_bc、M_be、M_bf、M_ce、M_cf……设置为1，用户两两组合作为矩阵M_i的行列坐标，以此类推生成各个栏目矩阵M_i；依次将矩阵M_i乘以奖励项：所述奖励项为：其中，k是根据经验设定的固定值为N/5，N_i表示对栏目i有过点击行为的用户集合，将各个乘以奖励项的矩阵相加得到最终的用户相似度矩阵M；根据矩阵M过滤掉没有点击过相同栏目的用户对，减少计算量；根据计算出的矩阵M，再除以用户观看影片并集，得到最终的用户兴趣相似度；步骤S103：创建最近邻居集合将目标用户与其他用户的兴趣相似度进行排名，取值最大的K个用户，得到目标用户的最近邻居集合N(u,K)，K的取值据实际情况设定；步骤S104：产生栏目评分计算公式(2)如下：对于已经为目标用户推荐过的栏目，根据计算公式(2)获取目标用户对于历史栏目的评分，其中，click(.,u)为用户u的全部点击量，click(l,u)为用户u对栏目l的点击量，l∈1,2,…,m，m为栏目个数，η为第一调节因子；计算公式(3)如下：对于目标用户没有被推荐过的栏目，根据计算公式(3)获取目标用户对未推荐栏目的评分，其中，N(u,K)为K个最近邻居集，click(.,v)为用户v的全部点击量，click(l,v)为用户v对栏目l的点击量，l∈1,2,…,m，m为栏目个数，μ为第二调节因子，sim(v,u)为用户u与用户v之间的相似度，用户v属于最近邻居集中的用户，用户u为目标用户；步骤S105：产生推荐栏目根据上述步骤得出的目标用户对历史栏目的评分，进行评分排名后，得到排名列表A；根据上述步骤预测出目标用户对未推荐栏目的评分，进行评分排名后，得到排名列表B；设定融合比例α，按融合比例α与1‑α分别选取表A与表B排名靠前的栏目；生成初始推荐栏目列表C，进行新的过滤、排名，最后，选择评分最高的TOP‑N个栏目推荐给目标用户；对于调节融合比例α的取值先根据以往经验进行人工设定，之后根据用户对相关推荐系统的反馈结果不断调整，以使推荐结果达到最优。