[發明專利]基于社交網絡的弱關系和強關系的視頻推薦方法

有效

• 申請號: 201710371550.8
• 申請日: 2017-05-23
• 公開（公告）號: CN107220328B
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 趙悅;葉保留;陸桑璐
• 申請（專利權）人: 南京大學
• 主分類號: G06F16/735
• 分類號: G06F16/735;G06Q50/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 許丹丹

本發明公開了一種基于社交網絡的弱關系和強關系的視頻推薦方法，包括以下步驟：1)基于弱關系好友的影響力計算用戶對視頻的第一預估點擊概率；2)基于不同親密度的強關系好友對視頻的行為特征計算第二預估點擊概率；3)線性融合第一和第二預估點擊概率，得到預估點擊概率；4)基于用戶對視頻的行為觀察值以及預估點擊概率構造損失函數；5)采用隨機梯度算法對步驟1)?4)中的特征參數進行優化，使損失函數最小化，最終得到用戶對視頻的點擊概率；6)向用戶推薦點擊概率最高的N個視頻。本發明的視頻推薦方法結合了與用戶相關的弱關系好友和強關系好友進行視頻推薦，并將好友的行為特征作用于預測模型，從而能夠提高視頻推薦的準確性。

技術領域

本發明涉及信息技術領域，具體涉及一種視頻推薦方法。

背景技術

視頻推薦在學術研究中一直是一個熱門的研究主題，視頻推薦與用戶點擊率和視頻流行度密切相關。隨著社交軟件Facebook、Twitter、微博的興起，基于社交網絡的特性對視頻傳播普及的影響成為新的研究熱點。傳統研究工作中，根據視頻的歷史瀏覽總數預測視頻將來的流行度(瀏覽數)，認為視頻的流行度隨著時間呈現線性增長，所以可以根據視頻在不同時間段的流行度相較于前一個時間段的增量作為特征，訓練線性回歸模型預測視頻將來的流行度。此外還有基于多階段的時序預測視頻流行度的在線學習的模型，利用視頻在社交網絡中的動態傳播的特性，以及在每一個劃分的傳播的時間段內預測視頻的流行度。

在社交網絡中的發布的視頻中可能包含標簽、是否是大V認證的人發布、文本長度等特征，根據用戶歷史點擊的視頻來估算出用戶對新視頻的潛在興趣值。但是傳統模型并沒有考慮到用戶之間的交互信息，比如提及、點贊、轉發、評論、回復。在社交網絡中決定用戶是否點擊一個視頻，很大程度上取決于視頻貢獻者在社交網絡中的位置，而與視頻的內容無關。視頻貢獻者是指對視頻有過用戶行為，比如發布、轉發、點贊、收藏等。而且人們更易于接受朋友推薦的物品。在傳統工作中提出了一種基于朋友關系聚簇的LBM(LatticeBoltzmann Method)模型，該模型首先根據用戶與雙向朋友之間的互動頻繁程度，采用KMeans算法將用戶的好友分為親密好友、熟悉好友、不熟悉好友，然后在不同朋友關系中，采用LBM算法訓練朋友的用戶行為特征的權重。最后累加不同簇中的朋友行為權重，得到視頻最后被該用戶點擊的概率。但是該模型中，只考慮了朋友關系即雙向關注的強關系，但是沒有考慮到單向關注的弱關系。

社交網絡中的社交關系主要有強關系網絡和弱關系網絡。強關系網絡中，用戶可能是現實的朋友關系，比如家人、同學、同事等，強關系主要體現的是用戶對好友的親密度。弱關系是一種虛擬關系，一般用戶之間并不認識，更能體現用戶的偏愛興趣。而像微博、Twitter這樣的社交網絡，是以用戶的弱關系為主的。目前基于社交網絡的預測視頻流行度以及用戶點擊率的工作中，還沒有考慮將強關系和弱關系這兩種社交關系聯合起來。

發明內容

發明目的：為了克服現有技術中存在的不足，本發明提供一種基于社交網絡的弱關系和強關系的視頻推薦方法，通過融合弱關系好友的偏愛和強關系好友的親密度，進一步基于所有好友進行視頻推薦。

技術方案：為實現上述目的，本發明的基于社交網絡的弱關系和強關系的視頻推薦的方法包括以下步驟：

1)基于用戶的弱關系好友的影響力、用戶與弱關系好友的相關度以及弱關系好友對視頻的行為特征，計算用戶對該視頻的第一預估點擊概率；

2)基于不同親密度的強關系好友對視頻的行為特征，計算用戶對該視頻的第二預估點擊概率；

3)線性融合第一預估點擊概率和第二預估點擊概率，得到用戶對視頻的預估點擊概率；

4)基于用戶對視頻的行為觀察值以及用戶對視頻的預估點擊概率，構造損失函數；

5)采用隨機梯度算法對步驟1)-4)中的特征參數進行優化，使損失函數的值最小化，當損失函數的值滿足預定條件時，停止優化，最終得到用戶對視頻的點擊概率；