一种视频智能推荐方法及其系统的制作方法
【技术领域】
[0001] 本发明涉及本发明设计涉及文本挖掘领域，特别涉及一种视频智能推荐方法及其 系统。
【背景技术】
[0002] 随着移动互联网的发展，网络数据量呈指数增长，已经难W通过人工手动方式从 中筛选需要的信息。用户面对过量的信息很难找到自己真正感兴趣的内容，而内容提供商 也很难把优质的内容准确推送给感兴趣的用户。
[0003] 视频网站面临着信息过载的问题，比如化uTube目前有数十亿视频条目，而且每 分钟都有近1500分钟时长的视频被上传，而专业视频网站Sohu等也有近几十万的高质量 视频，用户也很难从中找到自己真正感兴趣的内容；同时提高用户的观看和停留时间也非 常重要，所W推荐系统被认为是解决该些问题的有效方法，它对用户的历史行为进行挖掘， 对用户兴趣进行建模，并对用户未来的行为进行预测，从而建立了用户和内容的关系。
[0004] 目前的现有技术存在的问题在于推荐无法实现个性化，推荐效率低，推荐内容更 新速度慢，用户体验差等。
【发明内容】
[0005] 本发明所要解决的技术问题在于提供一种视频智能推荐方法及其系统，W解决现 有技术中存在的问题：推荐效果依赖于工作人员的经验；推荐无法实现个性化，只能进行 群体性推荐；推荐效率低，推荐内容更新速度慢；用户体验差，因为无法实现个性化推荐所 W有很多用户并不喜欢。
[0006] 为达上述目的，本发明提供的一种视频智能推荐方法，所述方法包括：
[0007] 数据预处理步骤；对数据库中影视数据进行预处理，生成影视信息；
[0008] 影视列表生成步骤；根据所述影视信息，通过基于内容的推荐和/或基于协同的 推荐，生成相似影视列表；
[0009] 最优用户推荐列表生成步骤：根据所述相似影视列表，生成用户推荐列表，并通 过推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。
[0010] 上述视频智能推荐方法，所述数据预处理步骤还包括：
[0011] 历史记录生成步骤；对数据库中的用户观看历史记录进行信息提取，生成用户观 看历史记录信息；
[0012] 影视属性生成步骤；对数据库中的视频数据进行信息提取，生成影视属性信息。
[0013] 上述视频智能推荐方法，所述影视列表生成步骤还包括：
[0014] 基于内容的推荐步骤：根据所述影视属性信息通过所述基于内容的推荐方法生成 基于内容的相似影视列表，用于生成所述相关影视推荐；及/或
[0015] 基于协同的推荐步骤：根据所述历史记录信息通过所述基于协同的推荐方法生成 基于协同的相似影视列表。
[0016] 上述视频智能推荐方法，所述基于内容的推荐步骤还包括：
[0017] 基于内容向量构建步骤；根据所述影视属性信息，构建基于内容的影视向量；
[0018] 基于内容邻域计算步骤；根据所述基于内容的影视向量计算向量之间的相似度， 生成基于内容的相似影视列表。
[0019] 上述视频智能推荐方法，所述基于协同的推荐步骤还包括：
[0020] 基于协同向量构建步骤；根据所述历史记录信息，构建基于协同的影视向量；
[0021] 基于协同邻域计算步骤；根据所述基于协同的影视向量计算向量之间的相似度， 生成基于协同的相似影视列表。
[0022] 上述视频智能推荐方法，所述最优用户推荐列表生成步骤还包括：
[0023] 用户推荐列表生成步骤：对所述基于协同的相似影视列表进行归一化，并合并生 成所述用户推荐列表；
[0024] 推荐效果评估步骤；通过所述推荐效果评估方法修正所述基于协同的推荐方法采 用的参数，用于产生最优的所述个性化影视推荐。
[0025] 本发明还一种视频智能推荐系统，采用如所述视频智能推荐方法，所述系统包 括：
[0026] 数据预处理模块；对数据库中影视数据进行预处理，生成影视信息；
[0027] 影视列表生成模块；根据所述影视信息，通过基于内容的推荐和/或基于协同的 推荐，生成相似影视列表；
[0028] 用户推荐列表生成模块：根据所述相似影视列表，生成用户推荐列表，并通过推荐 效果评估方法调整参数，生成针对用户的最优个性化影视推荐。
[0029] 上述视频智能推荐系统，所述数据预处理模块还包括：
[0030] 历史记录生成模块；对数据库中的用户观看历史记录进行信息提取，生成用户观 看历史记录信息；
[0031] 影视属性生成模块；对数据库中的视频数据进行信息提取，生成影视属性信息。
[0032] 上述视频智能推荐系统，所述影视列表生成模块还包括：
[0033] 基于内容的推荐模块：根据所述影视属性信息通过所述基于内容的推荐方法生成 基于内容的相似影视列表，用于生成所述相关影视推荐；及/或
[0034] 基于协同的推荐模块：根据所述历史记录信息通过所述基于协同的推荐方法生成 基于协同的相似影视列表。
[00巧]上述视频智能推荐系统，所述基于内容的推荐模块还包括：
[0036] 基于内容向量构建模块；根据所述影视属性信息，构建基于内容的影视向量；
[0037] 基于内容邻域计算模块；根据所述基于内容的影视向量计算向量之间的相似度， 生成基于内容的相似影视列表。
[0038] 上述视频智能推荐系统，所述基于协同的推荐模块还包括：
[0039] 基于协同向量构建模块；根据所述历史记录信息，构建基于协同的影视向量；
[0040] 基于协同邻域计算模块；根据所述基于协同的影视向量计算向量之间的相似度， 生成基于协同的相似影视列表。
[0041] 上述视频智能推荐系统，所述最优用户推荐列表生成模块还包括：
[0042] 用户推荐列表生成模块：对所述基于协同的相似影视列表进行归一化，并合并生 成所述用户推荐列表；
[0043] 推荐效果评估模块；通过所述推荐效果评估方法修正所述基于协同的推荐方法采 用的参数，用于产生最优的所述个性化影视推荐。
[0044] 本发明解除推荐对工作人员的经验的依赖；充分利用了用户的观看记录，推荐具 有个性化；高效率的推荐，每天更新一次数据使推荐内容每天都不同；提高用户体验，个 性化推荐依据用户喜好针对性强，用户喜欢概率大。与现有技术相比，本发明的有益效果在 于：
[0045] 1.能应对大数据量的影视信息和影视观看记录信息；
[0046] 2.充分利用了大数据中隐藏的用户喜好信息；
[0047] 3.高效率的推荐每天都不同，提高了用户体验。
【附图说明】
[0048] 图1为本发明视频智能推荐方法流程示意图；
[0049] 图2A~图2B为基于内容的推荐详细步骤示意图；
[0050] 图3为本发明一实施例步骤示意图；
[0051] 图4为本发明一实施例详细步骤示意图；
[0052]图5为本发明视频智能推荐系统结构示意图；
[0053] 图6A~图6B为本发明视频智能推荐系统详细结构示意。
[0054] 其中，附图标记：
[00巧]1数据预处理模块 2影视列表生成模块
[0056] 3最优用户推荐列表生成模块
[0057] 11历史记录生成模块 12影视属性生成模块
[005引21基于内容的推荐模块 22基于协同的推荐模块
[0059] 31用户推荐列表生成模块 32推荐效果评估模块
[0060] 211基于内容向量构建模块 212基于内容邻域计算模块
[0061] 221基于协同向量构建模块 222基于协同邻域计算模块
[0062]S1 ~S3、S11 ~S32、S211 ~S222、S101 ~S104、S101-1 ~S103-2:本发明各实 施例的施行步骤
【具体实施方式】
[0063] 下面给出本发明的【具体实施方式】，结合图示对本发明做出了详细描述。
[0064] 本发明的关键技术点为；数据过滤即数据预处理；影视相似性计算；用户推荐列 表计算；推荐效果评估。
[0065] 本发明技术方案的简要描述。
[0066]1、用户观看历史记录W及影视属性信息预处理；
[0067] 2、影视邻域计算，计算每一个影视的相似影视列表；
[0068] 3、依据用户观看历史记录计算用户的推荐列表；
[0069] 4、通过交叉验证计算推荐效果并修正参数直至产生最好推荐。
[0070] 图1为本发明视频智能推荐方法流程示意图，如图1所示，本发明方法包括：
[0071] 数据预处理步骤SI;对数据库中影视数据进行预处理，生成影视信息；
[0072] 影视列表生成步骤S2 ;根据影视信息，通过基于内容的推荐和/或基于协同的推 荐，生成相似影视列表；
[0073] 最优用户推荐列表生成步骤S3 ;根据相似影视列表，生成用户推荐列表，并通过 推荐效果评估方法调整参数，生成针对用户的最优个性化影视推荐。
[0074] 其中，数据预处理步骤S1还包括：
[00巧]历史记录生成步骤S11 ;对数据库中的用户观看历史记录进行信息提取，生成用 户观看历史记录信息；
[0076] 影视属性生成步骤S12 ;对数据库中的视频数据进行信息提取，生成影视属性信 息。
[0077] 其中，影视列表生成步骤S2还包括：
[0078] 基于内容的推荐步骤S21 ;根据影视属性信息通过基于内容的推荐方法生成基于 内容的相似影视列表，用于生成相关影视推荐；及/或
[0079] 基于协同的推荐步骤S22 ;根据历史记录信息通过基于协同的推荐方法生成基于 协同的相似影视列表。
[0080] 本发明输出的最终推荐列表由基于内容的推荐步骤S21或基于协同的推荐步骤 S22完成，或最终推荐列表由基于内容的推荐步骤S21与基于协同的推荐步骤S22共同完 成。
[00