[發明專利]基于顯隱性潛在因子模型的電視產品精準推薦方法及系統

有效

• 申請號: 201910085589.2
• 申請日: 2019-01-29
• 公開（公告）號: CN109963175B
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 奚琪;桂智杰;李創;項永明;楊萍
• 申請（專利權）人: 中國人民解放軍戰略支援部隊信息工程大學
• 主分類號: H04N21/258
• 分類號: H04N21/258;H04N21/25;H04N21/845;H04N21/81;H04L29/08;G06K9/62
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 陳勇

本發明涉及推薦技術領域，公開基于顯隱性潛在因子模型的電視產品精準推薦方法，包括：對電視產品正題名通過正則表達式進行處理，設計爬蟲策略，對所需的外部數據進行爬取；根據電視產品和用戶人群的不同特征，分別建立針對電視產品和用戶的分類模型，從而實現對爬取的外部數據中不同電視產品和用戶自動標簽標注，得到標注標簽后的電視產品信息和標注標簽后的用戶信息；從而得出顯性潛在因子，根據顯性潛在因子得出隱性潛在因子，基于顯性潛在因子及隱性潛在因子構建顯隱性潛在因子模型；基于構建的顯隱性潛在因子模型進行電視產品的推薦。本發明還公開基于顯隱性潛在因子模型的電視產品精準推薦系統。本發明提高了推薦的準確度。

技術領域

本發明涉及推薦技術領域，特別涉及基于顯隱性潛在因子模型的電視產品精準推薦方法及系統。

背景技術

隨著互聯網的快速發展，信息呈現爆炸增長的趨勢，每天都有無數的信息涌入千家萬戶。此形勢下的“三網融合”為傳統廣播電視媒介的發展帶來了機遇，廣播電視運營商可以從每個用戶的歷史信息和實時互動信息來獲取有用的信息，但從大量信息中找到用戶感興趣的信息是非常困難的。為了解決這一問題，推薦系統通過分析用戶的相關數據，包括個人社會屬性、瀏覽日志等，來挖掘用戶的喜愛偏好，從而為用戶提供個性化的服務。

推薦系統的主要作用有：分析用戶行為、篩選有用信息、生成個性化推薦等。基于用戶行為分析而得到的推薦系統在各種銷售、娛樂、生活平臺都大放異彩，對人們的生活模式和質量有很大的影響和提高。如亞馬遜、淘寶、網易云音樂、愛奇藝等主流應用，都有著推薦系統的支撐。

在傳統電視媒體和網絡電視領域上，推薦系統發揮著不可替代的作用。在線視頻網站公司Netflix在2006年開辦的Netflix Prize比賽更是吸引了無數團隊投入到推薦系統的研究中，對推薦系統的發展有著非凡的意義。而現如今，推薦系統的性能更是直接關系到公司運營的利益，所以盡管推薦系統已經取得了不俗的進展，并已經廣泛應用于各信息化公司和人們的生活之中，但對于推薦系統的準確度卻也在不斷提出更高的要求。

推薦系統中最為關鍵的就是推薦算法，目前，按照推薦方法可以分為兩類：基于內容的推薦算法和協同過濾算法。

基于內容的推薦算法是直接分析產品內容，并根據目標用戶過去的喜好推薦相似內容的產品，這種推薦算法簡單直接，但是使用范圍有限，只是用于有現有顯著標簽的產品。此類算法存在的問題是無法推薦用戶從未接觸類別產品。

協同過濾推薦算法的主要思想是通過尋找目標用戶的相似用戶，根據其他用戶的歷史瀏覽信息，產生該用戶對項目的喜好程度預測值，然后進行推薦。目前，協同過濾算法根據相似對象不同又分為兩種：基于用戶相似和基于項目相似的協同過濾算法。從原理上看，協同過濾算法可以推薦用戶以前從未接觸類別的商品。但是，此類算法存在矩陣稀疏性問題，由于產品數量過多，用戶瀏覽記錄較少。在這種情況下，推薦系統難以產生精確的推薦結果。

由于協同過濾算法目前存在的一些問題，大量研究人員做了許多研究工作，提出了潛在因子模型，神經網絡模型和圖模型等解決方案。其中，目前比較流行且效率較高的是潛在因子模型LFM(Latent Factor Model)。

潛在因子模型的基本方法是將用戶和項目的不同潛在特征(Class)映射到相同的潛在因子空間，該算法的推薦指數為用戶-潛在因子矩陣和潛在因子-項目矩陣的內積。算法矩陣分解過程如下：

其中，定義P為用戶潛在因子矩陣，Q為項目潛在因子矩陣，為評分矩陣。矩陣中評分越高，就可以認為用戶對該項目喜好程度越高。該模型本質上是矩陣分解問題，為了解決該問題，已經有許多研究人員做了大量工作，提供了許多改進和變種方案。但是，在LFM模型中，分解得到的特征是無法解釋的，這些特征往往是通過數學計算得到的而不是人為指定的。