[發(fā)明專利]視頻終端的新用戶推薦方法

有效

• 申請?zhí)枺?/td>: 201410531149.2
• 申請日: 2014-10-10
• 公開（公告）號: CN104317835B
• 公開（公告）日: 2018-01-16
• 發(fā)明（設(shè)計）人: 陳春;寧立;張涌
• 申請（專利權(quán)）人: 中國科學(xué)院深圳先進技術(shù)研究院
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 深圳市銘粵知識產(chǎn)權(quán)代理有限公司44304
• 代理人: 孫偉峰

技術(shù)領(lǐng)域

本發(fā)明涉及計算機中視頻推薦技術(shù)領(lǐng)域，尤其涉及一種基于決策樹的視頻終端的新用戶推薦方法。

背景技術(shù)

互聯(lián)網(wǎng)和計算機技術(shù)的迅猛發(fā)展把人類帶到了前所未有的一個信息爆炸的時代，海量的數(shù)據(jù)在帶給我們便利的同時，也使得信息的發(fā)現(xiàn)越來越難，在這樣的情形下，搜索引擎(Google，百度等等)成為大家快速找到目標信息的最好途徑。在用戶對自己需求相對明確的時候，用搜索引擎很方便的通過關(guān)鍵字搜索很快的找到自己需要的信息。但搜索引擎并不能完全滿足用戶對信息發(fā)現(xiàn)的需求，那是因為在很多情況下，用戶其實并不明確自己的需要，或者他們的需求很難用簡單的關(guān)鍵字來表述。又或者他們需要更加符合他們個人口味和喜好的結(jié)果，因此出現(xiàn)了推薦系統(tǒng)。如今，隨著推薦技術(shù)的不斷發(fā)展，推薦引擎已經(jīng)在電子商務(wù)(E-commerce，例如Amazon，當當網(wǎng))和一些基于social的社會化站點(包括音樂，電影和圖書分享，例如豆瓣，Mtime等)都取得很大的成功。這也進一步的說明了，Web2.0環(huán)境下，在面對海量的數(shù)據(jù)，用戶需要這種更加智能的，更加了解他們需求，口味和喜好的信息發(fā)現(xiàn)機制。

一般情況下，推薦系統(tǒng)所需要的數(shù)據(jù)源包括：要推薦物品或內(nèi)容的元數(shù)據(jù)，例如關(guān)鍵字，基因描述等；系統(tǒng)用戶的基本信息，例如性別，年齡等；用戶對物品或者信息的偏好，根據(jù)應(yīng)用本身的不同，可能包括用戶對物品的評分，用戶查看物品的記錄，用戶的購買記錄等。其實這些用戶的偏好信息可以分為兩類：

1.顯式的用戶反饋：這類是用戶在網(wǎng)站上自然瀏覽或者使用網(wǎng)站以外，顯式的提供反饋信息，例如用戶對物品的評分，或者對物品的評論。

2.隱式的用戶反饋：這類是用戶在使用網(wǎng)站是產(chǎn)生的數(shù)據(jù)，隱式的反應(yīng)了用戶對物品的喜好，例如用戶購買了某物品，用戶查看了某物品的信息等等。

顯式的用戶反饋能準確的反應(yīng)用戶對物品的真實喜好，但需要用戶付出額外的代價，而隱式的用戶行為，通過一些分析和處理，也能反映用戶的喜好，只是數(shù)據(jù)不是很精確，有些行為的分析存在較大的噪音。但只要選擇正確的行為特征，隱式的用戶反饋也能得到很好的效果，只是行為特征的選擇可能在不同的應(yīng)用中有很大的不同，例如在電子商務(wù)的網(wǎng)站上，購買行為其實就是一個能很好表現(xiàn)用戶喜好的隱式反饋。

1.根據(jù)推薦引擎的數(shù)據(jù)源

其實這里講的是如何發(fā)現(xiàn)數(shù)據(jù)的相關(guān)性，根據(jù)不同的數(shù)據(jù)源發(fā)現(xiàn)數(shù)據(jù)相關(guān)性的方法可以分以下幾種：

1).根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度，這種被稱為基于人口統(tǒng)計學(xué)的推薦(Demographic-based Recommendation)。

2).根據(jù)推薦物品或內(nèi)容的元數(shù)據(jù)，發(fā)現(xiàn)物品或者內(nèi)容的相關(guān)性，這種被稱為基于內(nèi)容的推薦(Content-based Recommendation)。

3).根據(jù)用戶對物品或者信息的偏好，發(fā)現(xiàn)物品或者內(nèi)容本身的相關(guān)性，或者是發(fā)現(xiàn)用戶的相關(guān)性，這種被稱為基于協(xié)同過濾的推薦(Collaborative Filtering-based Recommendation)。

2.根據(jù)推薦模型的建立方式

可以想象在海量物品和用戶的系統(tǒng)中，推薦引擎的計算量是相當大的，要實現(xiàn)實時的推薦務(wù)必需要建立一個推薦模型，關(guān)于推薦模型的建立方式可以分為以下幾種：

1).基于物品和用戶本身的，這種推薦引擎將每個用戶和每個物品都當作獨立的實體，預(yù)測每個用戶對于每個物品的喜好程度，這些信息往往是用一個二維矩陣描述的。由于用戶感興趣的物品遠遠小于總物品的數(shù)目，這樣的模型導(dǎo)致大量的數(shù)據(jù)空置，即我們得到的二維矩陣往往是一個很大的稀疏矩陣。同時為了減小計算量，我們可以對物品和用戶進行聚類，然后記錄和計算一類用戶對一類物品的喜好程度，但這樣的模型又會在推薦的準確性上有損失。

2).基于關(guān)聯(lián)規(guī)則的推薦(Rule-based Recommendation)：關(guān)聯(lián)規(guī)則的挖掘已經(jīng)是數(shù)據(jù)挖掘中的一個經(jīng)典的問題，主要是挖掘一些數(shù)據(jù)的依賴關(guān)系，典型的場景就是“購物籃問題”，通過關(guān)聯(lián)規(guī)則的挖掘，我們可以找到哪些物品經(jīng)常被同時購買，或者用戶購買了一些物品后通常會購買哪些其他的物品，當我們挖掘出這些關(guān)聯(lián)規(guī)則之后，我們可以基于這些規(guī)則給用戶進行推薦。