[发明专利]一种网络节目聚合及节目推荐系统和方法

说明书

技术领域

本发明涉及网络多媒体领域，具体地说，是涉及一种网络节目聚合及节目推荐系统和方法。

背景技术

随着我国广播电视事业的蓬勃发展，中央、省、地县的多级节目播出体系已逐步完善，频道数量在不断增加，在目前编码与调制制式下，有线数字电视系统的传输容量可以达到500～600套节目。这虽然满足了各种用户的观看需求，但也让用户在这么多节目中找到自己真正喜欢的节目变得困难。同时，用户希望能看到更多自己喜欢的节目，但目前的节目来源却很单一，因此，如何获取丰富的节目源也是一个需要考虑的问题。鉴于以上，网络节目聚合及节目推荐系统的建立具有重要的意义。

网络聚合是指将互联网上的海量信息与资源(如博客、论坛、影视、音乐、文件等)在进行人工或机器的内容挑选、分析、分类的基础上，为用户提供有用的、更具针对性的信息。网络聚合不是简单的信息堆积，而是对海量信息进行深度挖掘分析之后的分类、挑选，它提高了资源优势且降低了获取资源的成本。

个性化推荐系统是一种特殊的数据挖掘系统，主要体现在推荐系统的实时性、交互性上。它通过学习用户的兴趣爱好，向用户推荐符合其兴趣的信息。系统不仅要根据用户以往的历史记录，还要结合当前的行为动作做出反应，并根据与用户交互的反馈结果更新推荐的结果。节目推荐技术主要有两种：隐式过滤和显式推荐。隐式过滤是通过综合用户自己手动输入的喜好和观察用户的浏览行为近似的推测出用户对哪些信息感兴趣或不感兴趣，进而将用户更感兴趣的信息过滤优先推荐给用户。显式推荐是根据用户对以往看过的节目的评价打分来预测为用户对未观看节目的兴趣，从而给用户推荐更为感兴趣的节目。

现有的用户喜好建模方法主要包括以下几种类型：

(1)手动建模：手动建模是指在建立用户模型时由用户自己手动输入和选择自己感兴趣的类型、项目、列表等。

(2)显式建模：显式建模是指由用户提供与自己兴趣相关的示例及其类别属性来建立用户模型的建模方法。一般通过要求用户在浏览的过程中对浏览过的节目进行打分反馈，用户对已欣赏过的示例给出1-5分的评价，从而记录体现用户对该示例的喜恶度。显式用户模型可以通过学习算法得到用户喜好模型，精确度较高。

(3)隐式建模(也称自动用户建模)：隐式建模是指根据用户的浏览行为自动构建用户模型并且在建模过程无需用户主动提供信息的建模方法。该建模方法改进了显式建模方法中的示例攻取途径，将其转化为无需用户标注的自动示例获取方法。通过对用户选择的超链接或浏览行为的观察近似地推测出用户对哪些信息感兴趣或不感兴趣，进而根据推测得到的感兴趣与不感兴趣的信息构建用户模型。该建模方法由于无需用户主动提供信息，因而不会造成对用户的干扰，有利于提高个性化服务系统的易用性，是用户建模技术发展的趋势。

在电视节目推荐领域，目前国际上有很多组织都致力于个性化节目推荐的研究，最著名的当属TV-Advisor系统，该系统能够利用用户的显式反馈自动调整用户特征，然后向用户推荐符合其特征的电视节目。此外，还有基于内容推荐的P-EPG系统和Multi-Agent系统，它们不仅能够利用显式反馈信息，还能够从用户收视记录中自动提取用户的隐形反馈信息，能更全面的反映用户的兴趣特征。而PTV系统和TV-Scout系统则在应用基于内容推荐机制的同时引入基于协作过滤的推荐技术，使推荐的节目更加匹配用户的兴趣。

现有的用户喜好建模方法存在以下不足：

1、对于手动建模，首先，这种建模方式完全依赖于用户的个人主动行为，大大降低了用户使用的积极性。再者，使用该建模方式需要用户在应用过程中自我提炼喜好，无法顾及到用户兴趣度一般的喜好，喜好的峰值点与谷点的过渡不足，无法全面的体现用户的喜好。另外，当用户的喜好出现转移和改变时，就不得不依赖用户自行修改当初的喜好设置。

2、对于显式建模，其存在一个较大的问题，即“冷启动”，具体是指对于刚刚注册的用户，打分反馈没有或过少，因而无法从中得出成型的喜好模型，在建模起初会存在明显的推荐误偏差。

3、对于隐式建模，通过用户的浏览行为仅能得到用户对相应信息感兴趣与否的推断，而得不到用户感兴趣的程度。该建模方法就目前的实际反馈来看，自动建模获取信息的准确度有些不足。

现有的电视节目推荐系统都取得了较好的效果，但还是有以下一些不足之处：

1、主动性不强。由于目前采用的推荐技术主要是基于内容的搜索和分类浏览技术，因此用户必须输入关键词或是按类别手动查找才能得到相关信息，不能根据用户行为给用户提供主动的推荐。