[发明专利]一种面向网络电视家庭用户的动态兴趣模型构建方法

说明书

本发明公开了一种面向家庭用户的动态兴趣模型的构建方法，其包括以下步骤：(1)收集用户的电视节目收视信息；(2)对用户收视的节目的电视节目收视信息进行分析处理；(3)统计用户收视电视节目的周数；(4)将用户的收视日期转化为对应的星期后分成多个时间段，得到用户收视电视节目的时间段集以及用户观看的电视节目集；(5)对节目进行主题识别，计算电视节目落在主题的概率；(6)对每个主题的电视节目按照其在该主题的概率进行排序，得到主题的偏好节目，并将该偏好电视节目的特征作为该主题隐含的特征；(7)得到用户在一个星期的不同的星期天数的不同的时间段的收视偏好；(8)按预定的时间间隔对用户的收视偏好进行更新。

技术领域

本发明涉及信息推荐技术，尤其涉及一种面向网络电视家庭用户的动态兴趣模型构建方法。

背景技术

个性化推荐系统是互联网和电子商务发展的产物，它是建立在海量数据挖掘基础上的一种高级商务智能平台，向顾客提供个性化的信息服务和决策支持。近年来已经出现了许多非常成功的大型推荐系统实例，与此同时，个性化推荐系统也逐渐成为学术界的研究热点之一。在个性化推荐系统中，用户兴趣模型是个性化推荐的核心和关键技术，一个良好的用户兴趣模型可以为个性化推荐服务提供更有利的支持。

用户的行为反馈包括：显式行为反馈以及隐式行为反馈，其中，获取用户对信息的显式行为反馈(例如，评分)的成本较高，因而，一般基于用户的隐式行为反馈，例如，点击、分享、收藏等，基于用户的隐式行为反馈次数，提取用户对信息中包含的各信息标签的偏好，得到用户对信息中包含的各信息标签的偏好程度，构建兴趣模型，利用构建的兴趣模型中的信息标签分布，结合待推荐信息包含的信息标签，为用户推荐与其兴趣相吻合的信息。

跟大部分经典的个性化推荐领域不同的是，用户在电视上对所收视的电视节目并没有直接给出评分数据，所以无法对显示评分进行用户的偏好识别。在现有的电视节目推荐系统研究中，大部分是根据用户所收视节目的观看时长和该电视节目的总时长利用隐式评分模型将收视时长转化为用户对该电视节目的评分，从而进行用户的偏好识别。

目前，由于一个家庭的电视终端大多都是由多个家庭成员包括老人、小孩、青年人以及中年人组成的，单单只由单个终端采集到的数据信息实际上是多个家庭成员兴趣的复合，所以用户的收视兴趣具有多样性和多变形。对于同个机顶盒号，其对应的用户往往是由多个家庭成员组成的一组用户，单利用隐式评分模型不能对家庭成员进行识别，往往导致兴趣模型推荐的质量不佳。

发明内容

本发明目的在于，针对现有技术的上述不足，提供一种面向网络电视家庭用户的动态兴趣模型构建方法，该方法通过收集用户在不同的星期天数的不同时间段的收视偏好，分析得出用户在不同的星期天数的不同时间段的兴趣主题，并按照一定的时间间隔进行更新，进而构建构建用户动态兴趣模型，其目的在于实现对家庭用户的组成成员进行身份识别，以及根据用户在不同的时间段对应的收视偏好的识别，从而实现在不同的星期的不同的时间段推荐用户可能感兴趣的电视节目，实现动态推荐的效果。

为实现上述目的，本发明所采用的技术方案是：一种面向家庭用户的动态兴趣模型的构建方法，包括以下步骤：

(1)根据网络电视运营商提供的用户在n个月内的收视信息，并对用户收视信息对应的电视节目的信息进行收集；

(2)根据用户收视每个电视节目的开始时间和结束时间分别计算出每个用户收视的每个电视节目的收视时长，设置收视电视节目的最小时间为5分钟，将用户收视该电视节目的时间设为t，若t＜5分钟，则自动删除掉该条收视信息；

(3)将每个月按星期分为4个星期，每个星期按天分为星期一到星期日，进而得到周数4n；