[发明专利]一种面向大规模用户的网络电视个性化推荐服务方法

摘要

本发明提供了一种面向大规模用户的网络电视个性化推荐服务方法，利用大规模用户及用户属性和行为等数据，实现基于大数据的用户画像建模，并且通过提取时间、地点、天气等情景信息，构建基于大数据的上下文建模。离线计算阶段，通过用户、物品双聚类解决算法可扩展性的问题，并结合矩阵分解、协同过滤等技术训练模型及拟合参数；在线计算阶段，设计基于二次矩阵抽样的增量计算推荐模型，利用新增加的交互数据，实现实时在线推荐。最终，融合离线阶段和在线阶段模型的推荐结果，形成初始的Top‑K推荐列表，再利用基于上下文建模中的信息完成上下文过滤，形成最终的Top‑N推荐列表，提高面向大规模用户的网络电视个性化推荐精度。

主权项

1.一种面向大规模用户的网络电视个性化推荐服务方法，其特征在于，包括以下步骤：步骤1：网络电视用户画像建模：(1)自大规模网络电视用户中完成信息的收集与处理，收集用户的基本属性数据、行为倾向数据及内容偏好数据；(2)对收集到的数据进行预处理，数据处理完成后，通过数据挖掘、文本挖掘、自然语言处理技术对用户未知属性与行为进行预测；(3)利用用户的基本属性信息通过贝叶斯分类算法进行分类，完成用户静态属性建模，利用用户的行为倾向、内容偏好行为信息通过逻辑回归算法进行用户动态行为建模；步骤2：基于余弦相似度的网络电视上下文建模方法：(1)对用户观看视频时的时间、地点和天气情景因素数据进行收集；(2)对用户在不同情境因素条件下观看的视频做相关性分析，利用余弦相似度算法计算视频之间的相关性，基于上下文情景因素对视频影片进行分类，完成上下文建模，为后续的上下文过滤阶段做准备；步骤3：离线计算阶段：离线计算通过面向大规模用户网络电视的双聚类和矩阵分解的协同过滤算法进行；利用聚类技术对大规模用户和资源进行聚类操作，然后对聚类形成的所有簇集进行矩阵分解，以此实现对大规模用户和资源的降维处理，最后利用协同过滤技术训练离线计算模型和拟合参数；步骤4：在线计算阶段：在线阶段通过基于二次矩阵抽样的增量计算推荐算法进行；当新增数据达到设定阈值时，根据新增数据对原始矩阵进行行抽样和列抽样，抽取跟新增用户或物品相关的原始评分，形成稀疏性较低的子矩阵，以此来缓解增量矩阵的数据稀疏问题，完成第一次矩阵抽样；然后在第一次矩阵抽样的基础上，对热门项目进行第二次抽样，形成维度较低的子矩阵，降低算法时间复杂度和计算开销，加快模型训练速度，完成第二次抽样；在离线阶段训练的离线计算模型和拟合参数的基础上进行增量训练以及参数更新，最后形成初始的Top‑K推荐列表；步骤5：上下文过滤阶段：利用上下文信息对步骤4中得到的Top‑K推荐列表过滤优化，通过计算上下文信息之间的相似度，对推荐列表中与当前上下文关联度较小的项目进行过滤，形成新的Top‑N推荐列表，完成网络电视个性化推荐服务。