1.一种基于无线接入点情境分类与感知的在线视频推荐方法,其特征在于,包括以下步骤:
S1:根据用户观看记录,训练出协同过滤推荐模型和AP分类模型;
S2:根据训练好的协同过滤推荐模型计算出给定用户的视频推荐列表;
S3:根据AP分类模型对用户所在情境进行估计;
S4:针对每个情境,利用该情境中的视频流行度排名,对上述协同过滤模型计算得出的视频推荐列表进行重排与过滤得到最终的视频推荐列表。
2.根据权利要求1所述的基于无线接入点情境分类与感知的在线视频推荐方法,其特征在于,所述步骤S1中训练出协同过滤推荐模型的具体过程如下:
S111:根据用户观看记录,以视频的观看比例作为用户的隐式评分,生成user-video矩阵Muv,并转化为置信度矩阵:
Cuv=1+αruv
其中,Cuv即为置信度矩阵,α是线性增长系数,ruv是隐式评分;
S112:找如下代价函数的有最优解:
其中,xu为用户u的因子向量,yv为视频v的因子向量,puv为用户u对视频v的偏好系数,λ为规则化系数用于防止过拟合;
S113:所有最优的xu向量组成的矩阵X,以及yv向量组成的矩阵Y即为最终的同过滤推荐模型。
3.根据权利要求2所述的基于无线接入点情境分类与感知的在线视频推荐方法,其特征在于,所述步骤S1中训练出AP分类模型的具体过程如下:
S121:AP特征提取:
一个AP即一个接入点,可以接入多个用户,为了根据观看记录来提取AP的特征,可以使每个AP都当作一个“复合用户”,形成一个AP-video矩阵V,其中,复合用户是指,将属于该AP下的所有用户的观看记录全部合并在一起,当作一个复合而成的虚拟用户,而AP-video矩阵V与上述user-video矩阵M类似,矩阵中的每个元素Vij即表示APi对videoj的隐式反馈评分,然后,对矩阵M进行非负矩阵分解得到W和H矩阵,其中W矩阵的的每个行向量Wi即为APi的特征向量,由此完成了AP的特征提取;
S122:AP分类模型的训练:
1)、提取SSID关键字,确定部分SSID所对应的AP的情境;
2)、以确定情境的AP作为种子,使用k-means聚类算法将特征相似的AP聚在一起,经过多次迭代训练后得到AP分类模型。
4.根据权利要求3所述的基于无线接入点情境分类与感知的在线视频推荐方法,其特征在于,所述步骤S2的具体过程如下:
S211:在矩阵X中找到用户u的因子向量xu;
S212:预测用户u对所有视频的打分:
S213:结合每个打分对应的视频id,输出一个二元组序列Recu,即为协同过滤推荐模型视频推荐列表。
5.根据权利要求4所述的基于无线接入点情境分类与感知的在线视频推荐方法,其特征在于,所述步骤S3的具体过程如下:
S31:通过用户观看记录中的SSID和MAC地址值,确定用户所在的AP;
S32:利用上述AP分类模型,推测用户所在AP的情境。用户情境即为其所属AP的情境。
6.根据权利要求5所述的基于无线接入点情境分类与感知的在线视频推荐方法,其特征在于,所述步骤S4的具体过程如下:
(1)、通过协同过滤推荐模型预测评分
对于用户u,首先通过上述协同过滤推荐模型得到推荐列表Recu,推荐列表Recu是一个二元组数组,其形式为:
其中,vid为视频v的标识符,为协同过滤推荐模型模型预测的,用户u给视频v评分,然后,通过伸缩变换函数fscale,变换到[0,1]之间:
其中,
(2)、计算视频v在情境c下的流行度rpop(c,v):
对情境c下所有视频以观看量作为键值排序:
rpop(c,v)=1-rank(c,v),rank(c,v)∈[0,1]
其中,rank(v)为视频v的相对排名,由于其值为0到1之间,则有rpop(c,v)∈[0,1];
(3)、加权平均计算新评分:
情境c下视频的集合为Sc,若v∈Sc,则新评分为等于协同过滤推荐模型的预测评分与流行度的加权和;否则,新评分等于协同过滤推荐模型的预测评分,即:
其中,β1和β2为权重系数,用于调整情境信息对视频推荐的影响程度;
(4)、根据新评分重新排序:
根据新评分对推荐列表Recu重新排序,得到重排的推荐列表:
最后取出二元组中的视频号vid,即为最终的推荐列表: