[发明专利]一种基于MCL-HCF算法的电视节目混合推荐方法

说明书

本发明属于电视节目推荐技术领域，公开了一种基于MCL‑HCF算法的电视节目混合推荐方法，首先，采用马尔可夫聚类对各个时间段的电视用户进行聚类，产生不同的群组，追求每个群组里的成员和群主整体的偏好差异最小化，再以群组为单位进行电视节目推荐；然后，使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表；最后，为推荐结果惊喜度和相关性的平衡，对两个推荐列表使用了加权方式进行混合，得到最终的混合推荐结果。本发明降低群组内用户和整个群组之间的偏好差异性；加权混合ItemCF‑IUF和UserCF‑IIF两种推荐算法的结果，解决推荐结果的惊喜度和相关性的矛盾问题；在保持推荐精确度的同时，使推荐节目的惊喜度和相关性达到平衡。

技术领域

本发明属于电视节目推荐技术领域，尤其涉及一种基于MCL-HCF算法的电视节目混合推荐方法。

背景技术

目前，业内常用的现有技术是这样的：自从电视诞生以来，观看电视节目一直都是人类精神生活中的重要组成部分。如今，由于计算机技术和网络技术的飞速发展，人们越来越习惯于在互联网平台上观看视频节目，这也对传统广播电视运营商带来了冲击。对于广播电视运营商而言，客户的流失虽然为其带来了许多挑战，但也带来了新的机遇。现在，付费频道是广播电视的主要业务，也是收入的重要来源。现有技术存在的问题是：在推荐阶段，传统的基于物品的协同过滤和基于用户的协同过滤没有考虑到用户活跃度和物品受众程度对相似度计算的影响，影响最终的推荐效果。具体而言，对于基于物品的协同过滤，活跃的用户相比不活跃的用户，对节目之间相似度的贡献更小，如果不对相似度进行修正，则推荐结果将会趋向于活跃用户的偏好，而忽略不活跃用户的需求；对于基于用户的协同过滤，受众程度高的节目，相对于受众程度低的节目而言，其对用户相似度的贡献更小，如果不对相似度进行修正，则推荐的结果将偏向于热门节目推荐，不能完全反映出用户的真实偏好情况(比如对某些冷门节目的偏好)。ItemCF-IUF给用户推荐的是相似物品，所以其推荐的节目的惊喜度比较低。UserCF-IIF因为是根据用户相似度来推荐的，推荐结果的相关性比较弱。单独使用以上两种算法得到的推荐结果，只能在推荐结果的惊喜度或者相关性上追求单一的偏向，而如果一种算法能够在惊喜度和相关性之间找到合适的平衡点，这将提升推荐系统的用户体验—即推荐结果在遵循用户历史偏好的前提下，能够提升用户的观看兴趣，这也能够提升推荐结果的转化率。如果广播运营商可以准确的知道每个用户的收视偏好，为其推荐相似的电视节目，从而挖掘潜在的付费用户，那么广播电视的竞争力就能得到显著提高。另一方面，大量数据的产生、推荐算法和数据挖掘等技术的出现，为广播电视运营商实现精准推荐提供了技术支持。所以，研究个性化的电视节目推荐方法存在着重要意义。

综上所述，现有技术存在的问题是：在推荐阶段，传统的基于物品的协同过滤和基于用户的协同过滤没有考虑到用户活跃度和物品受众程度对相似度计算的影响，影响最终的推荐效果；ItemCF-IUF给用户推荐的是相似物品，所以其推荐的节目的惊喜度比较低；UserCF-IIF因为是根据用户相似度来推荐的，推荐结果的相关性比较弱。

解决上述技术问题的难度和意义：如果广播运营商可以准确的知道每个用户的收视偏好，为其推荐相似的电视节目，从而挖掘潜在的付费用户，那么广播电视的竞争力就能得到显著提高。另一方面，大量数据的产生、推荐算法和数据挖掘等技术的出现，为广播电视运营商实现精准推荐提供了技术支持。所以，研究个性化的电视节目推荐方法存在着重要意义。

发明内容

针对现有技术存在的问题，本发明提供了一种基于MCL-HCF算法的电视节目混合推荐方法。

本发明是这样实现的，一种基于MCL-HCF算法的电视节目混合推荐方法，所述基于MCL-HCF算法的电视节目混合推荐方法首先，采用马尔可夫聚类对各个时间段的电视用户进行聚类，产生不同的群组，追求每个群组里的成员和群主整体的偏好差异最小化，再以群组为单位进行电视节目推荐；然后，使用基于物品的协同过滤和基于用户的协同过滤算法分别产生推荐列表；最后，为推荐结果惊喜度和相关性的平衡，对两个推荐列表使用了加权方式进行混合，得到最终的混合推荐结果。