申请/专利权人：杭州联汇科技股份有限公司

申请日：2019-04-19

公开（公告）日：2021-04-27

公开（公告）号：CN109936770B

主分类号：H04N21/466(20110101)

分类号：H04N21/466(20110101);H04N21/25(20110101);H04N21/475(20110101)

优先权：

专利状态码：有效-授权

法律状态：2021.04.27#授权;2019.07.19#实质审查的生效;2019.06.25#公开

摘要：本发明公开了一种基于矩阵在线补全和节目特征的节目推荐方法，其包括以下步骤：包括以下步骤：S01、读取每个节目的特征；S02、计算各个节目之间的相关性；S03、通过迭代法求解目标函数得到补全矩阵X；S04、依据补全矩阵X针对目标受众选择节目进行推荐。新节目入库或观众进行评分以后可以实时调整评分矩阵，推送针对性强，准确度高。本方案适用于多媒体节目平台的筛选和推荐。

主权项：1.一种基于矩阵在线补全和节目特征的节目推荐方法，其特征在于，包括以下步骤：S01、读取每个节目的特征，记第i个节目的特征是fi，第j个节目的特征是fj；S02、计算各个节目之间的相关性，第i个节目和第j个节目的相关性记为simfi，fj；S03、通过迭代法求解以下目标函数： 得到补全矩阵X；S04、依据补全矩阵X针对目标受众选择节目进行推荐；在时刻t0，t1，…，tk，观测矩阵分别是M0，M1，…，Mk，观测的指标集分别是Ω0，Ω1，…，Ωk，其中则第k个时刻tk新出现的评分值的指标是Ωk-Ωk-1；表示时刻tk新出现的评分值对应的节目的指标集；PΩ：是投影算子，m为节目总数，n为观众总数， ||·||F是矩阵的Frobenious范数，λ是正则化参数，rankX是X的秩；μ为正则化参数，Xiu和Xju分别为补全矩阵中用户u对第i个节目和第j个节目的评价分值。

全文数据：一种基于矩阵在线补全和节目特征的节目推荐方法技术领域本发明涉及媒体节目评价推送领域，尤其是涉及一种基于矩阵在线补全和节目特征的节目推荐方法。背景技术收看收听音视频等媒体节目是人们常见的娱乐方式之一，随着科技的发展和生活水平的提高，人们更多地在电脑、手机、PAD等基于互联网的设备收听收看节目。为了方便吸引用户收看众多不同的节目，提高收视率，媒体提供方会主动向用户进行推送。如何精准地向用户推送其感兴趣的节目，是大数据时代的重要课题之一。已有的推荐算法往往效率较低，无法满足实时性的要求。而且没有将节目本身的特征信息应用到推荐中，因此推荐准确率不高。尤其是对于刚入库、缺乏足够评价和播放量的节目，如何快速将其向可能感兴趣的群体推送是难以解决的问题。发明内容本发明主要是解决现有技术所存在的推送精准度不足的技术问题，提供一种高精确度、低评价需求的基于矩阵在线补全和节目特征的节目推荐方法。本发明针对上述技术问题主要是通过下述技术方案得以解决的：一种基于矩阵在线补全和节目特征的节目推荐方法，包括以下步骤：S01、读取每个节目的特征，记第i个节目的特征是fi，第j个节目的特征是fj；S02、计算各个节目之间的相关性，第i个节目和第j个节目的相关性记为simfi,fj；S03、通过迭代法求解以下目标函数：得到补全矩阵X；S04、依据补全矩阵X针对目标受众选择节目进行推荐；在时刻t0,t1,…,tk，评分矩阵分别是M0,M1,…,Mk，观测的指标集分别是Ω0,Ω1,…,Ωk，其中则第k个时刻tk新出现的评分值的指标是Ωk-Ωk-1；表示时刻tk新出现的评分值对应的节目的指标集；是投影算子，m为节目总数，n为观众总数，||·||F是矩阵的Frobenious范数，λ是正则化参数，rankX是X的秩；μ为正则化参数，Xiu和Xju分别为评分矩阵中用户u对第i个节目和第j个节目的评价分值。作为优选，采用矩阵的核范数||X||*来代替秩rankX，目标函数为||X||*定义为矩阵的所有奇异值之和。作为优选，步骤S03中，迭代法求解时的初始值为上一个时刻计算得到的补全矩阵Xk-1。作为优选，所述步骤S02中，节目相关性通过以下公式确定：simfi,fj＝1-|fi-fj|fi+fjsimfi,fj为第i个节目和第j个节目的相关性。本发明带来的实质性效果是，新节目入库或观众进行评分以后可以实时调整评分矩阵，推送针对性强，准确度高。附图说明图1是本发明的一种流程图。具体实施方式下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。实施例：系统平台上有着大量的广播节目，因此向受众推荐其感兴趣的广播节目是系统平台具备的一项重要功能。由于受众的兴趣每天都在发生一些变化，我们系统平台中的数据也在不断地更新，例如，新增了一些节目，受众对一些节目进行了打分等等。因此，推荐的实时性对于广播节目推荐的准确度有着非常重要的影响。传统的推荐算法在实时性上表现较差。如果将受众和广播节目看作两个维度，那么受众对节目的评分可以看作一个矩阵，称之为评分矩阵。因为只有一部分受众对某些节目进行了评分，所以评分矩阵中一些位置的元素是未知的。为受众推荐广播节目就需要估计受众对于节目的偏好，即预测评分矩阵中未知的元素，因此未知评分的估计可以转化为一个矩阵补全的问题。在低秩假设下对评分矩阵进行补全，即在限制预测的评分矩阵与已有的评分矩阵在观测集上保持一致的条件下，使得评分矩阵的秩尽可能小。采用低秩假设的原因在于节目之间和受众之间均存在一些相关性，因此，评分矩阵的行和列会呈现出一些相关性，因此其维度较低。设共有m个节目，n个受众，观测矩阵是需要补全的评分矩阵是M中观测的元素指标是在低秩限制条件下，矩阵补全的目标函数如下：其中PΩ:是投影算子，||·||F是矩阵的Frobenious范数，λ是正则化参数，rankX是X的秩。因为rankX在优化上非常困难，所以学术界一般采用矩阵的核范数||X||*来代替秩，其中||X||*定义为矩阵的所有奇异值之和。因此，实际中矩阵补全的目标函数如下：上述已有的基于低秩矩阵补全的评分预测模型模型存在如下缺陷：1在实际中，因为受众对于节目的评分是不断出现的，当出现了一批新的受众对一部分节目的评分之后，系统需要根据这些新的信息立即对整个评分矩阵做出更新调整，从而更准确地预测所有受众对所有节目的评分。因此我们需要解决的实际上是一个在线矩阵补全的问题。2上述模型没有考虑节目的特征信息，仅仅是根据受众的评分进行评估和推荐的。因此，其推荐准确率不高。为此，需要考虑设计基于在线矩阵补全和节目特性的节目推荐。首先，两个节目的相关性越强，即simfi,fj越大，则受众对于这两个节目的评分越相近。通过将作为正则项引入之前的目标函数中，从而将节目的特性和相关性应用到我们的推荐模型中，以提高推荐准确率。因此目标函数变为：然后，为上述目标函数设计在线求解算法，以满足实时推荐的要求。主要方式为在迭代过程中使用上一次迭代的计算结果作为这一次迭代的初始值，从而提高计算效率。为了方便具体流程的叙述，我们先给出如下记号：设在时刻t0,t1,…,tk，评分矩阵分别是M0,M1,…,Mk，观测的指标集分别是Ω0,Ω1,…,Ωk，其中则第k个时刻tk新出现的评分值的指标是Ωk-Ωk-1。设表示时刻tk新出现的评分值对应的节目的指标集。其过程如图1所示：1计算节目之间的相关关系。通过使用基于深度学习的跨媒体数据特征提取模型等方式都能够得到每个节目的特征，或者直接读取节目自带特征。记第i个和第j个节目的特征分别是fi和fj。2计算节目相似性，fi和fj之间的相似性用simfi,fj表示，simfi,fj＝1-|fi-fj|fi+fjsimfi,fj越大表示第i个和第j个节目越相关。3求解当前子问题。在时刻tk，求解如下子问题：从而得到在观测矩阵为Mk的条件下的打分矩阵。该问题可以直接通过迭代法求解。但是出于求解效率的考虑，可以使用上一个时刻的计算得到的预测矩阵为Xk-1为初始值开始迭代计算。这样一来，降低了初始值选取的盲目性，从而大幅度提高了收敛速度和计算效率。4通过使用上述模型，将节目的特征信息应用到节目推荐中，从而提高了推荐的准确性。另外，通过使用在线优化算法，我们可以显著减少计算成本，实现评分矩阵的实时预测，从而达到实时推荐的目的。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。尽管本文较多地使用了评分矩阵、补全矩阵、核范数等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

权利要求：1.一种基于矩阵在线补全和节目特征的节目推荐方法，其特征在于，包括以下步骤：S01、读取每个节目的特征，记第i个节目的特征是fi，第j个节目的特征是fj；S02、计算各个节目之间的相关性，第i个节目和第j个节目的相关性记为simfi,fj；S03、通过迭代法求解以下目标函数：得到补全矩阵X；S04、依据补全矩阵X针对目标受众选择节目进行推荐；在时刻t0,t1,…,tk，评分矩阵分别是M0,M1,…,Mk，观测的指标集分别是Ω0,Ω1,…,Ωk，其中则第k个时刻tk新出现的评分值的指标是Ωk-Ωk-1；表示时刻tk新出现的评分值对应的节目的指标集；是投影算子，m为节目总数，n为观众总数，||·||F是矩阵的Frobenious范数，λ是正则化参数，rankX是X的秩；μ为正则化参数，Xiu和Xju分别为评分矩阵中用户u对第i个节目和第j个节目的评价分值。2.根据权利要求1所述的一种基于矩阵在线补全和节目特征的节目推荐方法，其特征在于，采用矩阵的核范数||X||*来代替秩rankX，目标函数为||X||*定义为矩阵的所有奇异值之和。3.根据权利要求1或2所述的一种基于矩阵在线补全和节目特征的节目推荐方法，其特征在于，步骤S03中，迭代法求解时的初始值为上一个时刻计算得到的补全矩阵Xk-1。4.根据权利要求1所述的一种基于矩阵在线补全和节目特征的节目推荐方法，其特征在于，所述步骤S02中，节目相关性通过以下公式确定：simfi,fj＝1-|fi-fj|fi+fjsimfi,fj为第i个节目和第j个节目的相关性。

百度查询： 杭州联汇科技股份有限公司 一种基于矩阵在线补全和节目特征的节目推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD