[发明专利]一种基于组合策略的IPTV节目推荐方法

说明书

本发明提供了一种基于组合策略的IPTV节目推荐方法，数据读取步骤从用户评分数据库读取用户评分数据之后，数据过滤步骤筛选哪些数据归属于哪个推荐步骤；当某节目被用户评分量占总用户量的比例小于参数m时，该节目将使用基于内容的推荐步骤进行推荐，否则将使用协同过滤推荐；推荐结果推送步骤将基于内容的推荐或协同过滤推荐步骤中的N个节目推荐给相应的IPTV用户。

技术领域

本发明涉及通信领域，具体涉及一种基于组合策略的IPTV节目推荐方法。

背景技术

IPTV作为一种新兴的交互式服务技术，在电视节目推荐领域被广泛研究；一开始，面对电视内容信息过载的问题时，大多数系统都是利用电子节目指南(EPG)来解决的，但是单纯使用EPG并不会让人们觉得方便，因为它需要用户不断的进行需求的输入，并且随着电视节目数量的不断增大，电子节目指南(EPG)显得越来越力不从心，于是出现了个人电视节目推荐系统：TV-sout、Multi-agent、P-EPG、基于TV-anytime Metadata的推荐系统、PDPR等。

随着云计算技术的广泛应用，在电视推荐领域中，CPRS和PDPR也都采用了云计算技术，其中CPRS利用用户的人口统计信息使用k-means算法进行聚类，再利用k nearestneighbor(KNN)算法对节目进行分类，但其基于人口统计信息的k-means算法只是使用了用户年龄这一个特征值，所以推荐结果必然是粗糙的；而PDPR系统基于云计算技术收集并分析用户的查看模式(比如使用手机，个人电脑等查看模式)来达到数字电视节目推荐的目的，比如在通讯服务，手机，个人电脑所产生的数据中分析出用户兴趣偏好，其推荐方法依然是基于内容的推荐，具体为分析目标用户对某一节目的观看时间占该节目总时长的比例来确定时间特征值所占的权重值；除去已分析的基于内容推荐的缺点以外，依靠用户观看节目所占时长的比例来确定用户的偏好程度具有很大的不确定性，比如用户可能是开着电视，却做别的事去了，这在生活中非常普遍，或者用户只看了很小一段时间而因为一些事情需要离开，这被系统确定为对该节目有很低的偏好度，然而事实上该用户可能非常喜欢这个节目。

在基于内容的潜语义分析算法，SVD算法，以及基于内容的svd算法中，基于内容的潜语义分析算法在基于内容的算法基础上，额外增加了对节目剧情内容的潜语义分析；SVD算法只是单纯的应用到用户-节目评分矩阵的上；基于内容的SVD算法把SVD分解技术应用在了用户-元数据矩阵W上,W中的元素w_ci表示节目j对于元数据c的相关度(权值)。上述3个算法，并没有有效结合在一起，而是针对某一类问题(比如冷启动)孤立提出的3种算法，并不能有效地同时解决多种问题。并且单纯的SVD算法在计算稀疏性特别大矩阵时，其推荐质量并不理想。

协同过滤的优点是能够处理多种类型的内容，包括结构化或者非结构化的，比如文本，电影，图像等；不需要用户的配置文件或者物品内容数据；可以推荐与用户过去喜欢的物品不相似的，但用户很有可能喜欢的物品。相应地，协同过滤算法也存在不少问题，冷启动问题和稀疏性问题：

冷启动问题：冷启动问题分为用户冷启动和物品冷启动，用户冷启动是指当一个新用户加入系统后，该新用户并没有任何历史数据而无法获得推荐；物品冷启动是指当一个新物品加入系统后，物品并没有被任何人评价过，而无法被推荐出去。

稀疏性问题：每个用户一般都只对很少的物品作出评价，导致物品被评分量占总的物品量的比例极低，在大型电子商务系统中，用户评分的项目一般不会超过项目总数的1％，这将导致推荐结果质量低下。