[發(fā)明專利]一種基于特征相似性度量的三階段組合黨建視頻推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711266644.5
• 申請(qǐng)日: 2017-12-05
• 公開(kāi)（公告）號(hào): CN107818183B
• 公開(kāi)（公告）日: 2021-07-13
• 發(fā)明（設(shè)計(jì)）人: 曹子成;王順?lè)?/a>;李維華;阮小利;何敏
• 申請(qǐng)（專利權(quán)）人: 云南大學(xué)
• 主分類號(hào): G06F16/735
• 分類號(hào): G06F16/735
• 代理公司: 云南凌云律師事務(wù)所 53207
• 代理人: 董建國(guó)

1.一種基于特征相似性度量的三階段組合黨建視頻推薦方法，其特征在于包括以下步驟：

步驟1：對(duì)黨建視頻內(nèi)容進(jìn)行特征篩選與提取，并對(duì)內(nèi)容特征數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理；

步驟1.1：對(duì)黨建視頻集進(jìn)行初始定義，其中表示第個(gè)源視頻，每個(gè)源視頻都具有的相關(guān)屬性：標(biāo)題，內(nèi)容，點(diǎn)擊量與時(shí)長(zhǎng)，針對(duì)黨建視頻觀看的用戶集進(jìn)行初始定義，其中表示某一個(gè)用戶，提取視頻關(guān)聯(lián)的用戶總數(shù)為，黨建視頻推送的最終對(duì)象：黨員群體，是已知具有不同職業(yè)的特定人群，其中表示某職業(yè)屬性的某個(gè)黨員；

步驟1.2：對(duì)于網(wǎng)絡(luò)中存儲(chǔ)的海量黨建視頻，對(duì)其進(jìn)行篩選，主要篩選的特征包括：目標(biāo)年限，字幕，時(shí)長(zhǎng)；

步驟1.3：抽取字幕內(nèi)容，將其作為源視頻文本內(nèi)容特征主要的源提取目標(biāo)；

步驟1.4：將抽取出的每個(gè)字幕內(nèi)容文本，逐一分割成句子，去除文本中的格式，標(biāo)點(diǎn)，停用詞，遍歷所有字幕內(nèi)容文本生成內(nèi)容特征：；

步驟1.5：將內(nèi)容特征數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理；而后，生成黨建視頻目標(biāo)內(nèi)容特征，其中為第個(gè)黨建視頻目標(biāo)內(nèi)容特征；

步驟2：提取單一用戶對(duì)黨建視頻的歷史偏好記錄學(xué)習(xí)偏好特征，遍歷用戶集的偏好記錄后，提取用戶集中用戶的偏好特征并運(yùn)用Rocchio算法生成對(duì)應(yīng)每一用戶擬推薦的黨建視頻；

步驟2.1：設(shè)某用戶對(duì)某個(gè)黨建視頻做出相關(guān)點(diǎn)擊觀看，已知此用戶對(duì)某個(gè)內(nèi)容特征的黨建視頻點(diǎn)擊，記為偏好喜歡，這對(duì)其他黨建視頻記為偏好不喜歡，擬計(jì)算該用戶的偏好記為：；

步驟2.2：運(yùn)用Rocchio反饋算法：；其中與為正負(fù)反饋權(quán)重，目的是控制判定結(jié)果和原始用戶偏好向量之間的平衡，，分別表示偏好集與中的已知實(shí)例；

步驟2.3：應(yīng)用余弦相似度計(jì)算與的相似性，對(duì)于某個(gè)給定的，使用與的相似度來(lái)代表用戶對(duì)黨建視頻的喜好度；

步驟2.4：遍歷所有用戶，得到對(duì)應(yīng)每一用戶擬推薦的黨建視頻；

步驟3：將用戶在黨建視頻內(nèi)容特征中歷史行為記錄的變化轉(zhuǎn)化為反饋偏好特征，重新將此類偏好特征加入偏好特征學(xué)習(xí)過(guò)程中；跳轉(zhuǎn)步驟2并更新偏好特征；

步驟3.1：初始化單一用戶的反饋特征為空，即；

步驟3.2：將此用戶觀看的首個(gè)黨建視頻的目標(biāo)內(nèi)容特征添加至中；

步驟3.3：依次遍歷所用此用戶觀看過(guò)的黨建視頻，逐一將目標(biāo)內(nèi)容特征更新至中；

步驟3.4：遍歷，去除冗余內(nèi)容特征；

步驟3.5：重復(fù)上述步驟3.4，直到提取出用戶集中所有用戶的反饋特征；

步驟4：對(duì)用戶屬性與偏好進(jìn)行特征提取；提取用戶集中相同黨建視頻重復(fù)點(diǎn)擊量及視頻跳躍觀看時(shí)長(zhǎng)，以此作為用戶屬性特征；計(jì)算屬性特征的匹配度：；其中，表示與用戶有相同用戶特征信息的用戶子集；為權(quán)重閾值；遍歷用戶集并計(jì)算用戶間的特征信息匹配度；而后，計(jì)算用戶集中每一用戶的偏好相似度；設(shè)定用戶，瀏覽黨建視頻的集合；用戶，瀏覽黨建視頻的集合，其偏好相似度的計(jì)算為：；遍歷用戶集并計(jì)算用戶間的偏好相似度；

步驟5：根據(jù)用戶屬性特征的匹配度與用戶的偏好相似度，設(shè)置閾值權(quán)重：；運(yùn)用k-means算法對(duì)相似特征的用戶集進(jìn)行有效聚類分析，并對(duì)離群用戶進(jìn)行相關(guān)處理；

步驟6：結(jié)合步驟2生成的對(duì)應(yīng)每一用戶擬推薦的黨建視頻和步驟4中的用戶間的偏好相似度，重新聚類生成對(duì)相似用戶集推送的黨建視頻；提取黨建視頻標(biāo)題中的關(guān)鍵詞，將關(guān)鍵詞運(yùn)用余弦相似度度量算法來(lái)匹配不同職業(yè)黨員群體的屬性值，以此作為不同職業(yè)黨員群體的屬性標(biāo)識(shí)符；

步驟6.1：以職業(yè)屬性劃分黨員群體；

步驟6.2：針對(duì)以職業(yè)性質(zhì)劃分完成的黨員子集，建立各子集對(duì)應(yīng)的職業(yè)關(guān)鍵詞詞典，并將詞典中的每一個(gè)關(guān)鍵詞賦予唯一標(biāo)識(shí)符；

步驟6.3：將擬推薦視頻的標(biāo)題關(guān)鍵詞提取出來(lái)，并記錄每個(gè)標(biāo)題關(guān)鍵詞所屬的黨建視頻，分別為這些標(biāo)題關(guān)鍵詞分配唯一的標(biāo)識(shí)符；

步驟6.4：統(tǒng)計(jì)標(biāo)題關(guān)鍵詞與詞典中關(guān)鍵詞相同的詞及對(duì)應(yīng)的詞頻；

步驟6.5：相似度計(jì)算：假設(shè)出現(xiàn)的某個(gè)標(biāo)題關(guān)鍵詞：；出現(xiàn)的詞頻：；某一職業(yè)關(guān)鍵詞詞典中出現(xiàn)的關(guān)鍵詞：；出現(xiàn)的詞頻：；

其中，表示兩個(gè)關(guān)鍵詞集中同一個(gè)詞，是它們分別對(duì)應(yīng)的詞頻，則，它們之間的余弦相似度可以表示為：；

步驟6.6：重復(fù)上述步驟6.5，計(jì)算所有視頻標(biāo)題關(guān)鍵詞與各子集職業(yè)關(guān)鍵詞的相似度；記錄相似度最大值的標(biāo)題關(guān)鍵詞與詞典對(duì)應(yīng)元組；

步驟6.7：將視頻標(biāo)題所屬的黨建視頻歸屬為黨員子集的屬性標(biāo)識(shí)符；

步驟7：計(jì)算相似用戶集擬推薦視頻的標(biāo)題關(guān)鍵詞與已生成的黨員群體屬性標(biāo)簽標(biāo)識(shí)符的相似度，最終將黨建視頻推送至目標(biāo)群體：具有不同職業(yè)身份的黨員群體中。