電視節(jié)目的推薦方法及其系統(tǒng)

暫無

電視節(jié)目的推薦方法及其系統(tǒng)\n技術(shù)領(lǐng)域\n[0001] 本發(fā)明涉及智能電視，特別涉及一種電視節(jié)目的推薦方法及其系統(tǒng)。\n背景技術(shù)\n[0002] Internet的迅猛發(fā)展將人類帶入了信息社會和網(wǎng)絡(luò)經(jīng)濟(jì)時代，對企業(yè)發(fā)展和個人生活都產(chǎn)生了深刻的影響。在電子商務(wù)的虛擬環(huán)境下，商家所提供的商品種類和數(shù)量越來越多，面對商品信息的“海洋”，消費者很難快速有效地挑選出所需要的商品。在這種背景下，推薦系統(tǒng)（Recommender?Systems）應(yīng)運而生，它是根據(jù)用戶的特征，比如興趣愛好，推薦滿足用戶要求的對象，也稱個性化推薦系統(tǒng)（Personalized?Recommender?Systems）。\n[0003] 對于電視節(jié)目同樣存在這樣的問題，越來越多的頻道和越來越豐富的節(jié)目內(nèi)容讓電視觀眾很難選擇。傳統(tǒng)的導(dǎo)航已經(jīng)不能滿足電視用戶的需求，而現(xiàn)在電視臺都已經(jīng)有了電子節(jié)目菜單（EPG，ElectronicProgramGuid），可以方便地得到電視臺在未來一段時間內(nèi)將要播出的內(nèi)容。為了方便用戶能快速查找到喜歡的節(jié)目，產(chǎn)生了電視直播推薦系統(tǒng)，其根據(jù)不同電視用戶群體的喜好和習(xí)慣推薦相應(yīng)的電視節(jié)目。現(xiàn)有的電視推薦分為非個性化推薦和個性化推薦。非個性化推薦就是將當(dāng)時的熱播電視頻道或者與用戶觀看的電視頻道類似的電視頻道推薦給用戶。此推薦方式根據(jù)當(dāng)前電視節(jié)目熱播的程度來推薦具有一定的效果，但是并不一定能夠滿足用戶的需求；而且由于目前電視臺的節(jié)目種類非常豐富，單純的電視頻道的相關(guān)推薦也不能保證在特定時段電視節(jié)目的相關(guān)性，所以相對于個性化推薦，非個性化推薦劣勢較大。個性化推薦是通過記錄單個用戶的觀看歷史，并對該用戶的觀看行為進(jìn)行分析，從而得到用戶的喜好，進(jìn)而對用戶進(jìn)行有針對性的推薦，相比非個性化推薦，這種推薦目標(biāo)性強，準(zhǔn)確度大大提升。\n[0004] 但是，現(xiàn)有的電視直播中個性化推薦系統(tǒng)大都是針對電視頻道的推薦，由于終端（如電視機(jī)頂盒）對用戶的行為通常只能記錄用戶觀看電視時的跳臺行為，所以大多數(shù)直播的個性化推薦是針對用戶對頻道的觀看行為直接推薦頻道的。同樣由于頻道節(jié)目種類豐富，不同時段的節(jié)目類型不一，推薦效果不能得到保證。而針對節(jié)目的推薦，是記錄用戶在換臺時間段內(nèi)所有觀看的節(jié)目內(nèi)容來分析，由于電視用戶群體的差異性，推薦給當(dāng)前用戶觀看的節(jié)目可能是其他用戶喜歡的類型，不一定是當(dāng)前用戶想要觀看的，所以用戶行為記錄會有用戶非自主發(fā)生的行為，這樣的行為推薦出的結(jié)果質(zhì)量也不高。\n發(fā)明內(nèi)容\n[0005] 鑒于上述現(xiàn)有技術(shù)的不足之處，本發(fā)明的目的在于提供一種電視節(jié)目的推薦方法及其系統(tǒng)，對用戶跳臺行為進(jìn)行分析，綜合頻道推薦和節(jié)目推薦，提高了用戶喜好度分析的準(zhǔn)確度，保證了推薦節(jié)目的質(zhì)量。\n[0006] 為了達(dá)到上述目的，本發(fā)明采取了以下技術(shù)方案：\n[0007] 一種電視節(jié)目的推薦方法，其包括：\n[0008] A、客戶端獲取用戶跳臺數(shù)據(jù)并傳輸給服務(wù)端；\n[0009] B、服務(wù)端對所述用戶跳臺數(shù)據(jù)進(jìn)行日志分析獲取用戶行為數(shù)據(jù)，根據(jù)用戶跳臺數(shù)據(jù)進(jìn)行熱門頻道、用戶喜好和相似度分析獲得頻道推薦結(jié)果；\n[0010] C、服務(wù)端對所述用戶行為數(shù)據(jù)進(jìn)行特征權(quán)重分析、以及對EPG節(jié)目數(shù)據(jù)進(jìn)行相似度分析獲得節(jié)目推薦結(jié)果；\n[0011] D、綜合所述頻道推薦結(jié)果和節(jié)目推薦結(jié)果調(diào)整電視頻道列表；\n[0012] 根據(jù)用戶跳臺數(shù)據(jù)進(jìn)行熱門頻道、用戶喜好和相似度分析獲得頻道推薦結(jié)果具體包括：\n[0013] B21、根據(jù)所述用戶跳臺數(shù)據(jù)統(tǒng)計觀看人數(shù)最多的頻道，生成熱門頻道排名；統(tǒng)計單個用戶在各個時段觀看各個頻道的時長并排序，生成用戶喜好頻道排名；統(tǒng)計用戶的觀看行為對用戶進(jìn)行聚類分析，生成相似用戶表；\n[0014] B22、根據(jù)用戶喜好頻道排名修正相似用戶表，再進(jìn)行用戶協(xié)同過濾生成協(xié)同過濾頻道推薦表；\n[0015] B23、將熱門頻道排名、用戶喜好頻道排名和協(xié)同過濾頻道推薦表進(jìn)行融合、過濾、排序后生成頻道推薦結(jié)果；根據(jù)熱門頻道排名和用戶喜好頻道排名進(jìn)行習(xí)慣建模，生成用戶頻道習(xí)慣模型；\n[0016] 所述步驟C具體包括：\n[0017] C1、對EPG節(jié)目數(shù)據(jù)進(jìn)行特征提取和特征權(quán)重分析，生成特征權(quán)重數(shù)據(jù)庫；對用戶行為數(shù)據(jù)按照時間衰減函數(shù)，結(jié)合特征權(quán)重數(shù)據(jù)庫建立用戶特征模型；\n[0018] C2、從EPG節(jié)目數(shù)據(jù)中提取出節(jié)目的內(nèi)容信息，根據(jù)所述內(nèi)容信息和特征權(quán)重數(shù)據(jù)庫進(jìn)行建模，生成節(jié)目特征模型；\n[0019] C3、對所述EPG節(jié)目數(shù)據(jù)進(jìn)行相關(guān)性計算，生成節(jié)目相關(guān)數(shù)據(jù)庫；\n[0020] C4、獲取實時熱播頻道并按熱度排序獲得熱度排行，結(jié)合EPG節(jié)目數(shù)據(jù)提取出熱播節(jié)目，將所述節(jié)目特征模型與用戶特征模型進(jìn)行匹配得到相關(guān)度排行，再綜合熱度排行獲得初級節(jié)目推薦結(jié)果；結(jié)合初級節(jié)目推薦結(jié)果與節(jié)目相關(guān)數(shù)據(jù)庫生成節(jié)目推薦結(jié)果。\n[0021] 所述的電視節(jié)目的推薦方法中，所述步驟B中，服務(wù)端對跳臺數(shù)據(jù)進(jìn)行日志分析獲取用戶行為數(shù)據(jù)具體包括：\n[0022] B1、根據(jù)跳臺數(shù)據(jù)分析用戶對節(jié)目的觀看頻率和觀看時間，生成用戶行為數(shù)據(jù)；\n[0023] B2、存儲所述用戶行為數(shù)據(jù)。\n[0024] 所述的電視節(jié)目的推薦方法中，所述步驟D具體包括：\n[0025] D1、將節(jié)目推薦結(jié)果轉(zhuǎn)換成頻道排列表，并與頻道推薦結(jié)果融合，生成頻道推薦列表；\n[0026] D2、對頻道推薦列表進(jìn)行重復(fù)節(jié)目選擇、過濾處理，根據(jù)預(yù)設(shè)情況調(diào)整頻道的排序；\n[0027] D3、結(jié)合用戶頻道習(xí)慣模型對頻道推薦列表進(jìn)行修正，生成最終的電視頻道列表。\n[0028] 一種用于實現(xiàn)所述的電視節(jié)目的推薦方法的系統(tǒng)，其包括客戶端和服務(wù)端；\n[0029] 所述客戶端用于獲取用戶跳臺數(shù)據(jù)并傳輸給服務(wù)端；\n[0030] 所述服務(wù)端包括：\n[0031] 日志分析模塊，用于對所述用戶跳臺數(shù)據(jù)進(jìn)行日志分析獲取用戶行為數(shù)據(jù)；\n[0032] 頻道推薦模塊，用于根據(jù)用戶跳臺數(shù)據(jù)進(jìn)行熱門頻道、用戶喜好和相似度分析獲得頻道推薦結(jié)果；\n[0033] 節(jié)目推薦模塊，用于對所述用戶行為數(shù)據(jù)進(jìn)行特征權(quán)重分析、以及對EPG節(jié)目數(shù)據(jù)進(jìn)行相似度分析獲得節(jié)目推薦結(jié)果；\n[0034] 聯(lián)合推薦模塊，用于綜合所述頻道推薦結(jié)果和節(jié)目推薦結(jié)果調(diào)整電視頻道列表。\n[0035] 所述的電視節(jié)目的推薦方法的系統(tǒng)中，所述日志分析模塊包括：\n[0036] 數(shù)據(jù)處理模塊，用于根據(jù)跳臺數(shù)據(jù)分析用戶對節(jié)目的觀看頻率和觀看時間，生成用戶行為數(shù)據(jù)；\n[0037] 存儲模塊，用于存儲所述用戶行為數(shù)據(jù)。\n[0038] 所述的電視節(jié)目的推薦方法的系統(tǒng)中，所述頻道推薦模塊包括：\n[0039] 總體數(shù)據(jù)統(tǒng)計模塊，用于根據(jù)所述用戶跳臺數(shù)據(jù)統(tǒng)計觀看人數(shù)最多的頻道，生成熱門頻道排名；\n[0040] 分時段統(tǒng)計模塊，用于統(tǒng)計單個用戶在各個時段觀看各個頻道的時長并排序，生成用戶喜好頻道排名；\n[0041] 協(xié)同過濾推薦模塊，用于統(tǒng)計用戶的觀看行為對用戶進(jìn)行聚類分析，生成相似用戶表；根據(jù)用戶喜好頻道排名修正相似用戶表，再進(jìn)行用戶協(xié)同過濾生成協(xié)同過濾頻道推薦表；\n[0042] 習(xí)慣建模模塊，用于根據(jù)熱門頻道排名和用戶喜好頻道排名進(jìn)行習(xí)慣建模，生成用戶頻道習(xí)慣模型；\n[0043] 第一結(jié)果融合模塊，用于將熱門頻道排名、用戶喜好頻道排名和協(xié)同過濾頻道推薦表進(jìn)行融合、過濾、排序后生成頻道推薦結(jié)果。\n[0044] 所述的電視節(jié)目的推薦方法的系統(tǒng)中，所述節(jié)目推薦模塊包括：\n[0045] 特征權(quán)重分析模塊，用于對EPG節(jié)目數(shù)據(jù)進(jìn)行特征提取和特征權(quán)重分析，生成特征權(quán)重數(shù)據(jù)庫；\n[0046] 用戶特征建模模塊，用于對用戶行為數(shù)據(jù)按照時間衰減函數(shù)，結(jié)合特征權(quán)重數(shù)據(jù)庫建立用戶特征模型；\n[0047] 節(jié)目內(nèi)容建模模塊，用于從EPG節(jié)目數(shù)據(jù)中提取出節(jié)目的內(nèi)容信息，根據(jù)所述內(nèi)容信息和特征權(quán)重數(shù)據(jù)庫進(jìn)行建模，生成節(jié)目特征模型；\n[0048] 節(jié)目相關(guān)推薦模塊，用于對所述EPG節(jié)目數(shù)據(jù)進(jìn)行相關(guān)性計算，生成節(jié)目相關(guān)數(shù)據(jù)庫；\n[0049] 特征模型匹配模塊，用于獲取實時熱播頻道并按熱度排序獲得熱度排行，結(jié)合EPG節(jié)目數(shù)據(jù)提取出熱播節(jié)目，將所述節(jié)目特征模型與用戶特征模型進(jìn)行匹配得到相關(guān)度排行，再綜合熱度排行獲得初級節(jié)目推薦結(jié)果\n[0050] 第二結(jié)果融合模塊，用于結(jié)合初級節(jié)目推薦結(jié)果與節(jié)目相關(guān)數(shù)據(jù)庫生成節(jié)目推薦結(jié)果。\n[0051] 所述的電視節(jié)目的推薦方法的系統(tǒng)中，所述聯(lián)合推薦模塊包括：\n[0052] 節(jié)目頻道轉(zhuǎn)化模塊，用于將節(jié)目推薦結(jié)果轉(zhuǎn)換成頻道排列表；\n[0053] 推薦融合模塊，用于將頻道排列表與頻道推薦結(jié)果融合，生成頻道推薦列表；\n[0054] 重選過濾模塊，用于對頻道推薦列表進(jìn)行重復(fù)節(jié)目選擇、過濾處理；\n[0055] 處理模塊，用于根據(jù)預(yù)設(shè)情況調(diào)整頻道的排序；\n[0056] 習(xí)慣修正模塊，用于結(jié)合用戶頻道習(xí)慣模型對頻道推薦列表進(jìn)行修正，生成最終的電視頻道列表。\n[0057] 相較于現(xiàn)有技術(shù)，本發(fā)明提供的電視節(jié)目的推薦方法及其系統(tǒng)，通過對用戶跳臺數(shù)據(jù)進(jìn)行分析處理，獲得基于用戶喜好和習(xí)慣的頻道推薦結(jié)果、以及基于特征權(quán)重和相似度分析獲得節(jié)目推薦結(jié)果，綜合頻道推薦結(jié)果和節(jié)目推薦結(jié)果來調(diào)整電視頻道列表，在當(dāng)前直播節(jié)目中給出觀眾最想看的節(jié)目，提高用戶的喜好度分析的準(zhǔn)確度，提高了推薦節(jié)目的質(zhì)量。\n附圖說明\n[0058] 圖1為本發(fā)明電視節(jié)目的推薦方法較佳實施例的流程圖。\n[0059] 圖2為本發(fā)明實現(xiàn)電視節(jié)目的推薦方法的系統(tǒng)較佳實施例的結(jié)構(gòu)框圖。\n具體實施方式\n[0060] 本發(fā)明提供一種電視節(jié)目的推薦方法及其系統(tǒng)，對用戶跳臺數(shù)據(jù)進(jìn)行分析獲得跳臺行為，能真正反映出用戶主動發(fā)生的行為，結(jié)合直播熱度的在播節(jié)目推薦，能夠解決推薦系統(tǒng)冷啟動的問題，并能改善個性化推薦效果。同時，結(jié)合基于頻道推薦和基于節(jié)目內(nèi)容的個性化興趣推薦產(chǎn)生了全新的直播節(jié)目推薦方式，在當(dāng)前直播節(jié)目中分析出觀眾最想看的節(jié)目，并統(tǒng)一轉(zhuǎn)換為頻道列表方式推薦給用戶。結(jié)合頻道和節(jié)目內(nèi)容的推薦達(dá)到互補效果，能更加準(zhǔn)確地反應(yīng)出用戶的喜好。另外還增加了特殊節(jié)目處理，綜合考慮了用戶的觀看習(xí)慣，以提高用戶行為分析的準(zhǔn)確性，保證推薦節(jié)目的質(zhì)量。本發(fā)明根據(jù)直播節(jié)目變化快、實時性要求高的特點，采用離線建模，在線相關(guān)性分析等方法，基于觀看熱度排名，能實時地個性化調(diào)整推薦節(jié)目列表的順序，以滿足直播節(jié)目處理的要求。\n[0061] 為使本發(fā)明的目的、技術(shù)方案及效果更加清楚、明確，以下參照附圖并舉實施例對本發(fā)明進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。\n[0062] 請參閱圖1，其為本發(fā)明電視節(jié)目的推薦方法較佳實施例的流程圖。如圖1所示，本實施例提供的電視節(jié)目的推薦方法包括以下步驟：\n[0063] S100、客戶端獲取用戶跳臺數(shù)據(jù)并傳輸給服務(wù)端。\n[0064] S200、服務(wù)端對所述用戶跳臺數(shù)據(jù)進(jìn)行日志分析獲取用戶行為數(shù)據(jù)，根據(jù)用戶跳臺數(shù)據(jù)進(jìn)行熱門頻道、用戶喜好和相似度分析獲得的頻道推薦結(jié)果。\n[0065] S300、服務(wù)端對所述行為數(shù)據(jù)進(jìn)行特征權(quán)重分析、以及對EPG節(jié)目數(shù)據(jù)進(jìn)行相似度分析獲得節(jié)目推薦結(jié)果。\n[0066] S400、綜合所述頻道推薦結(jié)果和節(jié)目推薦結(jié)果調(diào)整電視頻道列表。\n[0067] 本實施例中，所述客戶端為電視機(jī)頂盒或電視內(nèi)部控制系統(tǒng)，能記錄用戶的跳臺行為，所述跳臺行為包括用戶進(jìn)入某個頻道的系統(tǒng)時間（即跳入時間）和進(jìn)入的該頻道的電視臺編號，用戶退出某個頻道的系統(tǒng)時間（即跳出時間）等。將這些行為收集匯總并處理成統(tǒng)一的格式，形成用戶跳臺數(shù)據(jù)。\n[0068] 在所述步驟S100中，客戶端獲取用戶跳臺數(shù)據(jù)后會進(jìn)行壓縮打包存儲，之后會定期地通過專有的通信方式上傳用戶跳臺數(shù)據(jù)給服務(wù)端。\n[0069] 所述服務(wù)端為遠(yuǎn)程服務(wù)系統(tǒng)，用于對用戶跳臺數(shù)據(jù)和EPG（ElectronicProgramGuide，電子節(jié)目菜單）節(jié)目數(shù)據(jù)進(jìn)行相應(yīng)的分析處理，具體包括：日志分析流程、頻道推薦流程、節(jié)目推薦流程和聯(lián)合推薦流程。應(yīng)當(dāng)理解的是，由于客戶端為電視機(jī)頂盒或電視內(nèi)部控制系統(tǒng)，每個客戶端上報的用戶跳臺數(shù)據(jù)基于電視機(jī)的使用環(huán)境和觀看者的類型而具有特定性。服務(wù)端會對各個客戶端的用戶跳臺數(shù)據(jù)進(jìn)行綜合統(tǒng)計分析，再結(jié)合每個客戶端用戶跳臺數(shù)據(jù)的特定性生成相應(yīng)的電視頻道列表反饋給對應(yīng)的客戶端。服務(wù)端在對客戶端上報的用戶跳臺數(shù)據(jù)進(jìn)行分析處理前，會先將對這些用戶跳臺數(shù)據(jù)進(jìn)行匯總處理，對數(shù)據(jù)規(guī)格進(jìn)行驗證，篩選剔除非法格式和傳輸錯誤的數(shù)據(jù)，之后再進(jìn)入上述四個流程進(jìn)行分析。這四個流程體現(xiàn)在上述步驟S200至步驟S400的具體方案中，下面結(jié)合步驟S200至步驟S400的具體方案分別闡述這四個流程。\n[0070] 一、日志分析流程\n[0071] 所述步驟S200中，服務(wù)端對跳臺數(shù)據(jù)進(jìn)行日志分析獲取用戶行為數(shù)據(jù)具體包括：\n[0072] 步驟201、根據(jù)跳臺數(shù)據(jù)分析用戶對節(jié)目的觀看頻率和觀看時間，生成用戶行為數(shù)據(jù)。具體分析方式包括以下幾種：\n[0073] 1、歷史行為相關(guān)性分析——分析用戶歷史行為與跳臺期間節(jié)目的相關(guān)性。\n[0074] 2、EPG節(jié)目客觀評價——通過EPG節(jié)目本身的熱度和觀眾評價，客觀排名后作為節(jié)目本身的質(zhì)量評價標(biāo)準(zhǔn)，并設(shè)定質(zhì)量高的節(jié)目更受觀眾喜愛。\n[0075] 3、相似用戶協(xié)同行為過濾——對所有用戶的歷史行為做協(xié)同過濾的分析，判斷用戶對節(jié)目的喜好度，從而判斷用戶觀看此類型節(jié)目可能性。\n[0076] 4、用戶習(xí)慣分析——根據(jù)用戶特定習(xí)慣的周期性判斷。\n[0077] 5、特殊行為處理——認(rèn)為用戶開機(jī)后選擇觀看的第一個節(jié)目，特別是觀看預(yù)設(shè)時長的第一個節(jié)目是用戶想觀看的。后續(xù)選擇觀看了預(yù)設(shè)時長的節(jié)目也可以認(rèn)為是用戶喜歡的節(jié)目類型。所述預(yù)設(shè)時長為該節(jié)目總時間的80%或90%。對跳出時的節(jié)目，如果在節(jié)目結(jié)束時跳出，則認(rèn)為該節(jié)目為用戶發(fā)生觀看行為的節(jié)目，如果用戶在未看完該節(jié)目就提前跳出，則不發(fā)生用戶的觀看行為。關(guān)于不發(fā)生觀看行為的判定還可以采用停留時間，即用戶在該節(jié)目的停留時間小于或等于該節(jié)目總時間的5%，則認(rèn)為不發(fā)生觀看行為。\n[0078] 上述特殊行為處理還可以對連續(xù)的用戶跳臺數(shù)據(jù)做組合連接處理。即一個用戶針對一個電視臺的兩個跳臺行為如果在一個預(yù)設(shè)時間段內(nèi)，則認(rèn)為兩個觀看行為連續(xù)，相當(dāng)于沒有跳臺。例如播放電視劇時因廣告用戶跳出湖南衛(wèi)視、轉(zhuǎn)入安徽衛(wèi)視，約2分鐘后廣告結(jié)束，用戶又切換回湖南衛(wèi)視，這樣就認(rèn)為沒有換臺。\n[0079] 步驟202、存儲所述用戶行為數(shù)據(jù)。用戶行為數(shù)據(jù)為后續(xù)流程提供參考數(shù)據(jù)。\n[0080] 日志分析流程即是分析用戶對跳臺期間所有節(jié)目的主觀性，判斷這些節(jié)目用戶是否觀看過（發(fā)生觀看行為），觀看過的節(jié)目分析為用戶想要及喜歡觀看的節(jié)目。用戶跳臺數(shù)據(jù)針對的是頻道，經(jīng)過日志分析流程生成的用戶行為數(shù)據(jù)針對的是節(jié)目。節(jié)目的內(nèi)容從現(xiàn)有的EPG節(jié)目數(shù)據(jù)中可以查詢出。用戶行為數(shù)據(jù)即是用戶對節(jié)目的觀看行為。\n[0081] 二、頻道推薦流程\n[0082] 所述步驟S200中，根據(jù)用戶跳臺數(shù)據(jù)進(jìn)行熱門頻道、用戶喜好和相似度分析獲得的頻道推薦結(jié)果具體包括：\n[0083] 步驟210、根據(jù)所述用戶跳臺數(shù)據(jù)統(tǒng)計觀看人數(shù)最多的頻道，生成熱門頻道排名；\n統(tǒng)計單個用戶在各個時段觀看各個頻道的時長并排序，生成用戶喜好頻道排名；統(tǒng)計用戶的觀看行為對用戶進(jìn)行聚類分析，生成相似用戶表。\n[0084] 不同年齡層的用戶群體喜歡觀看的節(jié)目類型不同；如老人多喜歡曲藝類節(jié)目或都市劇，年輕人喜歡偶像劇，孩子喜歡動畫片?；趯W(xué)習(xí)和工作時間，不同時間段觀看的用戶群體不同；如老人不用上班，一般白天收看節(jié)目；孩子放學(xué)較早，且動畫片多在下午5、6點播放；年輕人白天上班，晚上下班后一般收看8點播放的電視劇。可能某個頻道節(jié)目從早到晚能滿足不同年齡層的用戶的需要，因此，熱門頻道是針對所有用戶的熱度排名?？赡懿煌l道在不同時間播放的節(jié)目分別滿足不同用戶群體的喜好，因此，用戶喜好頻道排名能總結(jié)出用戶更傾向于觀看哪個頻道?？赡芤粋€電視節(jié)目能同時得到老人和年輕人的青睞，因此，相似用戶表能獲得不同用戶群體之間都喜好的節(jié)目類型。\n[0085] 步驟220、根據(jù)用戶喜好頻道排名修正相似用戶表，再進(jìn)行用戶協(xié)同過濾生成協(xié)同過濾頻道推薦表。\n[0086] 經(jīng)過修正后的相似用戶表能更準(zhǔn)確的體現(xiàn)用戶的喜好，此時的節(jié)目類型都是用戶喜好的。例如A用戶喜歡X、Y型節(jié)目，B用戶喜歡X、Y、Z型節(jié)目。X、Y、Z型節(jié)目都在修正后的相似用戶表中，Z型節(jié)目與X、Y型節(jié)目類似，可能用戶A不知道Z型節(jié)目，所以沒有相關(guān)的觀看行為。通過用戶協(xié)同過濾后，可認(rèn)為Z型節(jié)目也符合A用戶的喜好，可提供參考意見給A用戶。用戶協(xié)同過濾即是一種基于一組興趣相同的用戶進(jìn)行的推薦，協(xié)同過濾頻道推薦表則是根據(jù)與目標(biāo)用戶興趣相似的用戶的偏好信息產(chǎn)生對目標(biāo)用戶的推薦列表，按時段區(qū)分。\n[0087] 步驟230、將熱門頻道排名、用戶喜好頻道排名和協(xié)同過濾頻道推薦表進(jìn)行融合、過濾、排序后生成頻道推薦結(jié)果；根據(jù)熱門頻道排名和用戶喜好頻道排名進(jìn)行習(xí)慣建模，生成用戶頻道習(xí)慣模型。\n[0088] 所述頻道推薦結(jié)果是綜合了熱門頻道排名、用戶喜好頻道排名和協(xié)同過濾頻道推薦表的內(nèi)容，按時段區(qū)分的個性化推薦結(jié)果，其能更準(zhǔn)確地反應(yīng)出用戶對不同頻道的喜好程度。\n[0089] 用戶頻道的習(xí)慣建模主要是通過對用戶個人對頻道的觀看行為分析出用戶對該頻道觀看的一些特殊習(xí)慣，包括周期性習(xí)慣和持久性習(xí)慣。持久性習(xí)慣是指某些用戶每次打開電視機(jī)就會鎖定在某些頻道觀看，對頻道在播的節(jié)目內(nèi)容可能不感興趣，但是沒有換臺，即沒有選擇性。這種情況下若分析出用戶喜好的節(jié)目頻道反而不符合用戶需求。周期性習(xí)慣的分析目的與持久性習(xí)慣類似，通過對用戶頻道觀看歷史時間序列聚類的周期規(guī)則總結(jié)用戶的觀看行為。用戶頻道習(xí)慣建模獲得的習(xí)慣周期模型是針對一臺電視機(jī)的多個用戶可能出現(xiàn)的、某個用戶在特定時段的特定頻道固定觀看行為。\n[0090] 三、節(jié)目推薦流程\n[0091] 所述步驟S300具體包括：\n[0092] 步驟301、對EPG節(jié)目數(shù)據(jù)進(jìn)行特征提取和特征權(quán)重分析，生成特征權(quán)重數(shù)據(jù)庫；對用戶行為數(shù)據(jù)按照時間衰減函數(shù)，結(jié)合特征權(quán)重數(shù)據(jù)庫建立用戶特征模型；\n[0093] 在EPG節(jié)目數(shù)據(jù)內(nèi)容中提取特征，并根據(jù)電視節(jié)目的信息特點和TF-IDF（term?frequency–inverse?document?frequency）算法來對特征賦權(quán)，特征權(quán)重數(shù)據(jù)庫會用于后期建模。所述特征是指用于描述節(jié)目的特征詞，如人物、地點、語言、類型等。如果節(jié)目播放的是電影，特征可以為演員名、導(dǎo)演名、拍攝地、武俠等。對特征賦權(quán)即是統(tǒng)計不同節(jié)目中這些特征出現(xiàn)的次數(shù)，次數(shù)越多、權(quán)重越重，從而可以分析用戶傾向于某個特征，如某個演員或?qū)а莸难菀曌髌?，或傾向于武俠類型的影視劇。根據(jù)用戶的行為數(shù)據(jù)提取出其觀看的節(jié)目，然后按照時間衰減函數(shù)和特征權(quán)重數(shù)據(jù)庫中的特征權(quán)重建立用戶特征模型。\n[0094] 步驟302、從EPG節(jié)目數(shù)據(jù)中提取出節(jié)目的內(nèi)容信息，根據(jù)所述內(nèi)容信息和特征權(quán)重數(shù)據(jù)庫進(jìn)行建模，生成節(jié)目特征模型。\n[0095] 步驟303、對所述EPG節(jié)目數(shù)據(jù)進(jìn)行相關(guān)性計算，生成節(jié)目相關(guān)數(shù)據(jù)庫。\n[0096] 所述相關(guān)性計算具體包括：1、對EPG節(jié)目數(shù)據(jù)中的內(nèi)容，根據(jù)內(nèi)容的相似度，匹配內(nèi)容的特征模型，生成基于內(nèi)容相似度的相關(guān)結(jié)果。2、根據(jù)用戶行為數(shù)據(jù)，通過協(xié)同過濾相似度計算得到節(jié)目相似度。3、將基于內(nèi)容相似度的相關(guān)結(jié)果與節(jié)目相似度融合得到節(jié)目相關(guān)數(shù)據(jù)庫。\n[0097] 步驟304、獲取實時熱播頻道并按熱度排序，結(jié)合EPG節(jié)目數(shù)據(jù)提取出熱播節(jié)目，將所述節(jié)目特征模型與用戶特征模型進(jìn)行匹配得到相關(guān)度排行，再綜合熱度排行獲得初級節(jié)目推薦；結(jié)合初級節(jié)目推薦結(jié)果與節(jié)目相關(guān)數(shù)據(jù)庫生成節(jié)目推薦結(jié)果。\n[0098] 在用戶實時請求推薦時，在線獲取實時熱播頻道，將所有頻道按熱度排序，然后結(jié)合EPG節(jié)目數(shù)據(jù)提取當(dāng)前在播的熱播節(jié)目。綜合初級節(jié)目推薦結(jié)果與節(jié)目相關(guān)數(shù)據(jù)庫后再進(jìn)行過濾、去重和排序，最終生成直播的節(jié)目推薦結(jié)果\n[0099] 四、聯(lián)合推薦流程\n[0100] 聯(lián)合推薦主要是綜合頻道推薦結(jié)果和節(jié)目推薦結(jié)果。所述步驟S400具體包括：\n[0101] 步驟401、將節(jié)目推薦結(jié)果轉(zhuǎn)換成頻道排列表，并與頻道推薦結(jié)果融合，生成頻道推薦列表。\n[0102] 基于節(jié)目推薦結(jié)果涉及的是節(jié)目排列表，頻道推薦結(jié)果涉及的是頻道信息，最后是要對電視頻道列表進(jìn)行調(diào)整，因此需要在EPG節(jié)目單中查詢，找到與節(jié)目推薦結(jié)果中的節(jié)目相對應(yīng)的頻道，將節(jié)目推薦結(jié)果的節(jié)目排列表轉(zhuǎn)換為頻道排列表。\n[0103] 將頻道排列表與頻道推薦結(jié)果融合時，需要先對這兩者賦予不同的權(quán)重，將按順序歸一化，然后賦權(quán)相加，重新排序后得到新的頻道推薦列表。\n[0104] 步驟402、對頻道推薦列表進(jìn)行重復(fù)節(jié)目選擇、過濾處理，根據(jù)預(yù)設(shè)情況調(diào)整頻道的排序。\n[0105] 由于不同頻道會播出相同的節(jié)目，每個頻道的播出進(jìn)度不同，如一電視劇，有的頻道播放到第10集，有的頻道已經(jīng)播放到第20集?？筛鶕?jù)用戶的觀看歷史將適當(dāng)?shù)念l道提前，例如用戶已觀看某電視劇到某一集，則將播放該電視劇下一集的頻道放到頻道推薦列表前端。其他播放相同電視劇的頻道排在頻道推薦列表尾端。\n[0106] 根據(jù)預(yù)設(shè)情況調(diào)整頻道的排序是針對各個電視臺當(dāng)前播出節(jié)目的進(jìn)度，把即將結(jié)束的節(jié)目的頻道過濾到頻道推薦列表尾端。該節(jié)目結(jié)束后能馬上顯示用戶另外喜歡的一個節(jié)目，能使用戶盡快轉(zhuǎn)入其他節(jié)目中，避免用戶選擇時浪費時間。\n[0107] 步驟403、結(jié)合用戶頻道習(xí)慣模型對頻道推薦列表進(jìn)行修正，生成最終的電視頻道列表。\n[0108] 用戶頻道習(xí)慣模型是對用戶特殊的觀看習(xí)慣所作出的統(tǒng)計，這些觀看習(xí)慣具有固定性或時間性，如某些用戶觀看電視只是固定一個或幾個電視臺，而對節(jié)目本身選擇不敏感；再或者在某些時段固定觀看一個電視臺，如晚上7點收看CCTV1的新聞聯(lián)播；又或者用戶喜歡觀看某個電視臺播放的連續(xù)劇。在這種情況下，為了尊重用戶的觀看習(xí)慣，根據(jù)用戶的習(xí)慣對頻道推薦列表做調(diào)整，最終生成電視頻道列表。\n[0109] 假設(shè)頻道推薦列表最前面列出的是用戶最近?？吹囊粋€影視頻道，但是系統(tǒng)時間顯示為晚上7點，根據(jù)用戶頻道習(xí)慣模型獲知此時用戶更傾向于收看CCTV1的新聞聯(lián)播；因此，以用戶頻道習(xí)慣模型為準(zhǔn)，生成的電視頻道列表最前面為CCTV1，接著為該影視頻道。\n[0110] 本發(fā)明實施例還相應(yīng)提供一種用于實現(xiàn)所述的電視節(jié)目的推薦方法的系統(tǒng)，如圖\n2所示，其包括客戶端10和服務(wù)端20。\n[0111] 所述客戶端10用于獲取用戶跳臺數(shù)據(jù)并傳輸給服務(wù)端20，其為電視機(jī)機(jī)頂盒或電視機(jī)內(nèi)部控制系統(tǒng)。所述客戶端10包括獲取模塊110和上報模塊120，所述獲取模塊用于記錄用戶的跳臺行為，對跳臺行為收集匯總形成跳臺數(shù)據(jù)，并進(jìn)行壓縮打包存儲。上報模塊\n120上傳用戶跳臺數(shù)據(jù)給服務(wù)端。\n[0112] 所述服務(wù)端20包括日志分析模塊210、頻道推薦模塊220、節(jié)目推薦模塊230和聯(lián)合推薦模塊240，所述日志分析模塊210、頻道推薦模塊220、聯(lián)合推薦模塊240、節(jié)目推薦模塊\n230依次連接，所述日志分析模塊210連接節(jié)目推薦模塊230。\n[0113] 所述日志分析模塊210用于對所述用戶跳臺數(shù)據(jù)進(jìn)行日志分析獲得用戶對電視節(jié)目是否觀看的用戶行為數(shù)據(jù)。頻道推薦模塊220根據(jù)用戶跳臺數(shù)據(jù)進(jìn)行熱門頻道、用戶喜好和相似度分析獲得的頻道推薦結(jié)果。節(jié)目推薦模塊230對所述用戶行為數(shù)據(jù)進(jìn)行特征權(quán)重分析、以及對EPG節(jié)目數(shù)據(jù)進(jìn)行相似度分析獲得節(jié)目推薦結(jié)果。聯(lián)合推薦模塊240綜合所述頻道推薦結(jié)果和節(jié)目推薦結(jié)果調(diào)整電視頻道列表。\n[0114] 其中，所述日志分析模塊210包括：\n[0115] 數(shù)據(jù)處理模塊，用于根據(jù)跳臺數(shù)據(jù)分析用戶對節(jié)目的觀看頻率和觀看時間，生成用戶行為數(shù)據(jù)；\n[0116] 存儲模塊，用于存儲所述用戶行為數(shù)據(jù)。\n[0117] 所述頻道推薦模塊220包括：\n[0118] 總體數(shù)據(jù)統(tǒng)計模塊，用于根據(jù)所述用戶跳臺數(shù)據(jù)統(tǒng)計觀看人數(shù)最多的頻道，生成熱門頻道排名；\n[0119] 分時段統(tǒng)計模塊，用于統(tǒng)計單個用戶在各個時段觀看各個頻道的時長并排序，生成用戶喜好頻道排名；\n[0120] 協(xié)同過濾推薦模塊，用于統(tǒng)計用戶的觀看行為對用戶進(jìn)行聚類分析，生成相似用戶表；根據(jù)用戶喜好頻道排名修正相似用戶表，再進(jìn)行用戶協(xié)同過濾生成協(xié)同過濾頻道推薦表；\n[0121] 習(xí)慣建模模塊，用于根據(jù)熱門頻道排名和用戶喜好頻道排名進(jìn)行習(xí)慣建模，生成用戶頻道習(xí)慣模型；\n[0122] 第一結(jié)果融合模塊，用于將熱門頻道排名、用戶喜好頻道排名和協(xié)同過濾頻道推薦表進(jìn)行融合、過濾、排序后生成頻道推薦結(jié)果。\n[0123] 所述節(jié)目推薦模塊230包括：\n[0124] 特征權(quán)重分析模塊，用于對EPG節(jié)目數(shù)據(jù)進(jìn)行特征提取和特征權(quán)重分析，生成特征權(quán)重數(shù)據(jù)庫；\n[0125] 用戶特征建模模塊，用于對用戶行為數(shù)據(jù)按照時間衰減函數(shù)，結(jié)合特征權(quán)重數(shù)據(jù)庫建立用戶特征模型；\n[0126] 節(jié)目內(nèi)容建模模塊，用于從EPG節(jié)目數(shù)據(jù)中提取出節(jié)目的內(nèi)容信息，根據(jù)所述內(nèi)容信息和特征權(quán)重數(shù)據(jù)庫進(jìn)行建模，生成節(jié)目特征模型；\n[0127] 節(jié)目相關(guān)推薦模塊，用于對所述EPG節(jié)目數(shù)據(jù)進(jìn)行相關(guān)性計算，生成節(jié)目相關(guān)數(shù)據(jù)庫；\n[0128] 特征模型匹配模塊，用于獲取實時熱播頻道并按熱度排序，結(jié)合EPG節(jié)目數(shù)據(jù)提取出熱播節(jié)目，將所述節(jié)目特征模型與用戶特征模型進(jìn)行匹配得到相關(guān)度排行，再綜合熱度排行獲得初級節(jié)目推薦結(jié)果\n[0129] 第二結(jié)果融合模塊，用于結(jié)合初級節(jié)目推薦結(jié)果與節(jié)目相關(guān)數(shù)據(jù)庫生成節(jié)目推薦結(jié)果。\n[0130] 所述聯(lián)合推薦模塊240包括：\n[0131] 節(jié)目頻道轉(zhuǎn)化模塊，用于將節(jié)目推薦結(jié)果轉(zhuǎn)換成頻道排列表；\n[0132] 推薦融合模塊，用于將頻道排列表與頻道推薦結(jié)果融合，生成頻道推薦列表；\n[0133] 重選過濾模塊，用于對頻道推薦列表進(jìn)行重復(fù)節(jié)目選擇、過濾處理；\n[0134] 處理模塊，用于根據(jù)預(yù)設(shè)情況調(diào)整頻道的排序；\n[0135] 習(xí)慣修正模塊，用于結(jié)合用戶頻道習(xí)慣模型對頻道推薦列表進(jìn)行修正，生成最終的電視頻道列表。\n[0136] 綜上所述，本發(fā)明的電視節(jié)目的推薦方法及其系統(tǒng)，提出一種綜合頻道推薦和節(jié)目推薦的聯(lián)合推薦方式，對用戶跳臺數(shù)據(jù)進(jìn)行分析處理來獲得用戶主動發(fā)生的觀看行為，確認(rèn)用戶的節(jié)目的喜好；結(jié)合熱門節(jié)目、用戶喜好和用戶相似度對直播節(jié)目進(jìn)行分析獲得頻道推薦結(jié)果，對用戶行為數(shù)據(jù)進(jìn)行特征權(quán)重分析、以及對EPG節(jié)目數(shù)據(jù)進(jìn)行相似度分析獲得節(jié)目推薦結(jié)果，綜合基于頻道的頻道推薦結(jié)果以及基于節(jié)目的個性化的節(jié)目推薦結(jié)果，在當(dāng)前直播節(jié)目中給出觀眾最想看的節(jié)目，轉(zhuǎn)換為電視頻道列表推薦給用戶，這種推薦方式提高了用戶的喜好度分析的準(zhǔn)確度，提高了推薦節(jié)目的質(zhì)量。\n[0137] 可以理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，而所有這些改變或替換都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護(hù)范圍。