[发明专利]一种分类个性化推荐方法

说明书

技术领域

本发明涉及电视视频领域，尤其涉及一种分类个性化推荐方法。

背景技术

推荐系统存在很多推荐算法，不乏像协同过滤一样比较成熟的算法，但在不同的应用场景，基于不同的数据应用时并不能完全满足需求。在使用全网的视频作为推荐内容时，不可避免的遇到了用户-视频关联矩阵稀疏问题。

发明内容

鉴于目前存在的上述不足，本发明提供一种分类个性化推荐方法，能够基于用户的长期观看历史行为和整个片库分类进行个性化推荐。

为达到上述目的，本发明的实施例采用如下技术方案：

一种分类个性化推荐方法，所述分类个性化推荐方法包括以下步骤：

获取可供推荐的影视元数据并进行分类；

对分类后的进行相似影视检索以获得候选影视；

通过排序权重对候选影视进行相似排序；

进行用户行为聚类并根据聚类结果生成分类推荐候选影视；

对候选影视进行分类排序后获得用于显示的推荐结果。

依照本发明的一个方面，所述获取可供推荐的影视元数据包括：获取互联网数据、深度EPG数据和点播元数据，以形成统一影视元数据管理库。

依照本发明的一个方面，所述进行相似影视检索以获得候选影视包括：将每一部影视元数据转换成向量，对向量的元素进行加权，再将影视库的所有影视进行转换，用所有向量构建KD-Tree，遍历所有向量，每个影视使用KD-Tree检索到最相似的k部影视作为候选影视。

依照本发明的一个方面，所述进行用户行为聚类包括：对用户观看过的影片使用聚类算法进行粗聚类。

依照本发明的一个方面，所述进行用户行为聚类并根据聚类结果生成混合推荐候选影视包括：从聚类结果的每个簇中提取质心向量v，簇id cid、簇内影片个数cn、最近的观看时间tl，提取出来的信息作为用户画像。遍历获取到的簇质心向量，每个簇用质心向量从构建好的KD-Tree中搜索k个近邻作为候选影片。

依照本发明的一个方面，所述进行用户行为聚类并根据聚类结果生成混合推荐候选影视包括：对于每个类型影视的每个簇，将簇的质心向量作为一个影视向量计算相似推荐结果作为该簇的候选结果。

依照本发明的一个方面，所述对候选影视进行排序后获得用于显示的推荐结果包括：每个类别分别对所有簇根据簇内观看记录数量降序排列，填入对应簇的相似推荐结果，即得到推荐结果。

依照本发明的一个方面，所述获取可供推荐的影视元数据并进行分类包括：将影视元数据分成5类，每一个类别根据用户该类别的观看记录计算推荐结果。

依照本发明的一个方面，所述分类的5个类别为：电影，电视剧，纪录片，动漫和综艺。

本发明实施的优点：本发明所述的分类个性化推荐方法包括以下步骤：获取可供推荐的影视元数据并进行分类；对分类后的进行相似影视检索以获得候选影视；通过排序权重对候选影视进行相似排序；进行用户行为聚类并根据聚类结果生成分类推荐候选影视；对候选影视进行分类排序后获得用于显示的推荐结果；对影片类别的划分，分类别单独计算推荐内容，对用户行为进行聚类建立用户画像，使用聚类获得的用户画像生成推荐结果；基于用户的长期观看历史行为(家庭成员用户画像基本保持不变)和整个片库，分别提取电影、电视剧、综艺等兴趣特征，分类进行个性化推荐；基于内容推荐，不受用户-影片关联矩阵稀疏问题影响，具有良好的解释性和推荐效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所述的一种分类个性化推荐方法示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种分类个性化推荐方法，所述分类个性化推荐方法包括以下步骤：

步骤S1：获取可供推荐的影视元数据并进行分类；

在实际应用中，所述获取可供推荐的影视元数据包括：获取互联网数据、深度EPG数据和点播元数据，以形成统一影视元数据管理库。