一种多媒体应用的推荐方法和系统的制作方法

专利名称：一种多媒体应用的推荐方法和系统的制作方法
技术领域：
本发明涉及网络数据处理领域，特别是涉及一种多媒体应用的推荐方法和系统。
背景技术：
多媒体应用是向用户提供语音或视频等多媒体服务的一种应用。多媒体应用包括频道、聊天室等，频道，是一种互联网平台上提供的语音/视频内容服务产品，例如支持多人语音交流的团队语音通信工具——QQ Talk房间，用户进入频道即可接收到频道提供的语音沟通、游戏讨论、教育、娱乐等服务。聊天室也是一种互联网平台上提供的语音/视频内容服务产品，语音聊天网-9聊聊天室、视频聊天网站-9158. com的9158视频聊天
.罕.-rf* O现有技术在实现多媒体应用推荐时，一般采用两种方式，第一种采用频道/聊天室的名称关键字查找的方式。即用户输入频道/聊天室的关键字查找其所需的频道/聊天室。第二种采用频道/聊天室统一推荐的方式，例如YY语音的频道排行和活动中心，其中，排行榜的方式是非个性化推荐的一种，基本全局的数学统计，给出人气或者流量上的排名。例如点击YY语音软件中的“频道排行”按钮，服务器会返回人气排行最前的频道，或者人工干预后的热门频道，以及分类排行的频道。而活动中心类似一种营销推荐方式，提前预告有相关重大活动的频道或聊天室。例如点击YY语音软件中的“活动中心”，服务器返回近期举行大型活动的频道广告。发明人在研究过程中发现，现有技术中的第一种方式属于用户搜索方式，需要用户输入相关信息，例如频道/聊天室的名称关键字等，需要用户事先知道这些频道/聊天室的相关信息。对于用户不了解的频道或聊天室，则无法推荐给用户。而现有技术中的第二种方式，虽然不需要用户事先了解频道和输入相关信息。但这种推荐要么基于原有的人气排行，要么基于活动广告。对于所有的用户来说，推荐的频道或聊天室都是一样的，没有形成针对用户的个性化推荐。因此，这两种方式都会使得现有技术在进行多媒体应用推荐时的推荐准确度不高，不仅使现有技术在多媒体应用推荐时出现马太效应，进而影响用户与多媒体应用平台的交互效率，而如果用户对于不合适的多媒体应用误点击，就使多媒体应用平台触发一些不必要的用户响应，也影响多媒体应用平台的系统资源的利用。

发明内容
本申请所要解决的技术问题是提供一种多媒体应用的推荐方法，用以解决现有技术中没有形成针对用户的个性化推荐，避免在多媒体应用推荐时出现马太效应，而导致的多媒体应用平台的交互效率低下，影响多媒体应用平台的系统资源的利用的问题。本申请还提供了一种多媒体应用的推荐装置，用以保证上述方法在实际中的实现及应用。为了解决上述问题，本申请公开了一种多媒体应用的推荐方法，该方法包括
多媒体应用推荐列表生成过程依据使用所述多媒体应用的用户的历史行为特征，计算所述用户对应的推荐参数，所述推荐参数表示某个用户对于某至少一个多媒体应用的偏好程度；依据所述当前推荐参数计算至少两个多媒体应用之间的相似度；依据所述相似度生成用户的初始多媒体应用推荐列表；多媒体应用推荐过程在接收到当前用户的推荐请求时，获取所述初始多媒体应用推荐列以在所述当前用户的客户端进行展示。优选的，所述依据使用所述多媒体应用的用户的历史行为特征，计算所述各个用户对应的推荐参数，包括获取使用所述多媒体应用的用户的各个历史行为特征的特征值和权重；依据所述特征值和权重计算所述用户一一对应的推荐参数。优选的，所述依据所述当前推荐参数计算至少两个多媒体应用之间的相似度，包括将用户对于任一个多媒体应用的推荐参数确定为所述任一个多媒体应用的向量;依据各个多媒体应用的向量，采用欧式距离的方式计算至少两个多媒体应用之间的相似度。优选的，还包括接收所述当前用户对于所述初始多媒体应用推荐列表中的多媒体应用的点击数据；依据所述点击数据计算所述初始多媒体应用推荐列表的命中率。优选的，还包括判断所述命中率是否满足预设的推荐条件，如果否，则依据所述命中率调整所述当前用户对应于至少一个多媒体应用的推荐参数。优选的，所述获取所述初始多媒体应用推荐列以在所述当前用户的客户端进行展示，包括获取所述当前用户的初始多媒体应用推荐列表；按照预设优化规则对所述初始多媒体应用推荐列表进行优化；将优化后的多媒体应用推荐列表发送至所述当前用户的客户端进行展示。优选的，所述按照预设优化规则对所述初始多媒体应用推荐列表进行优化，包括过滤所述初始多媒体应用推荐列表中不再提供服务的多媒体应用；判断过滤后的多媒体应用推荐列表中多媒体应用的个数是否满足预设阈值，如果是，则执行所述将优化后的多媒体应用推荐列表发送至所述当前用户的客户端进行展示的步骤；如果否，则获取预设的补足多媒体应用列表，从所述补足多媒体应用列表中按照预设抽取规则抽取预设个数的补足多媒体应用，将所述预设个数的补足多媒体应用添加至所述过滤后的多媒体应用推荐列表中作为优化后的多媒体应用推荐列表。本申请还公开了一种多媒体应用的推荐系统，包括多媒体应用推荐列表生成装置和多媒体应用推荐装置所述多媒体应用推荐列表生成装置包括计算推荐参数单元，用于依据使用所述多媒体应用的用户的历史行为特征，计算所述用户对应的推荐参数，所述推荐参数表示某个用户对于某至少一个多媒体应用的偏好程度；计算相似度单元，用于依据所述当前推荐参数计算至少两个多媒体应用之间的相似度；生成列表单元，依据所述相似度生成用户的初始多媒体应用推荐列表；所述多媒体应用推荐装置，用于获取所述初始多媒体应用推荐列以在所述当前用户的客户端进行展示。优选的，所述计算推荐参数单元包括获取特征值和权重模块，用于获取使用所述多媒体应用的用户的各个历史行为特征的特征值和权重；计算推荐参数模块，用于依据所述特征值和权重计算所述用户一一对应的推荐参数。优选的，所述计算相似度单元包括确定向量模块，用于将用户对于任一个多媒体应用的推荐参数确定为所述任一个多媒体应用的向量；计算相似度模块，用于依据各个多媒体应用的向量，采用欧式距离的方式计算至少两个多媒体应用之间的相似度。优选的，还包括接收点击数据单元，用于接收所述当前用户对于所述初始多媒体应用推荐列表中的多媒体应用的点击数据；计算命中率单元，用于依据所述点击数据计算所述初始多媒体应用推荐列表的命中率。优选的，还包括判断单元，用于判断所述命中率是否满足预设的推荐条件；调整单元，用于在所述判断单元的结果为否的情况下，依据所述命中率调整所述当前用户对应于至少一个多媒体应用的推荐参数。优选的，所述多媒体应用推荐装置，包括获取初始多媒体应用推荐列表单元，用于在接收到当前用户的推荐请求时，获取所述当前用户的初始多媒体应用推荐列表；优化单元，用于按照预设优化规则对所述初始多媒体应用推荐列表进行优化；发送单元，用于将优化后的多媒体应用推荐列表发送至所述当前用户的客户端进行展示。优选的,所述优化单元包括过滤模块，用于过滤所述初始多媒体应用推荐列表中不再提供服务的多媒体应用；判断模块，用于判断过滤后的多媒体应用推荐列表中多媒体应用的个数是否满足预设阈值；触发模块，用于在所述判断模块的结果为是的情况下，触发所述发送模块；获取补足列表模块，用于在所述判断模块的结果为否的情况下，获取预设的补足多媒体应用列表；抽取模块，用于从所述补足多媒体应用列表中按照预设抽取规则抽取预设个数的补足多媒体应用；添加模块，用于将所述预设个数的补足多媒体应用添加至所述过滤后的多媒体应用推荐列表中作为优化后的多媒体应用推荐列表。相对于现有技术，本发明的有益效果为采用本实施例的技术方案，首先，不需要用户对多媒体应用事先了解，也不需要用户输入任何信息，其次，本申请可以数量化用户对多媒体应用的偏好程度作为推荐参数，针对不同的用户计算出了不同的推荐参数，从而可以针对不同用户提供差异化和个性化的多媒体应用的推荐服务，避免在多媒体应用推荐时出现马太效应，发展长尾产品，也提升了多媒体应用推荐的准确性和成功率，进而提升用户与多媒体应用平台的交互效率，也避免了多媒体应用平台触发一些不必要的用户响应的现象，提升多媒体应用平台的系统资源的利用率。


为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请公开的多媒体应用的推荐方法实施例1的流程图；图2为本申请方法实施例1中步骤101的流程图；图3为本申请方法实施例1中步骤102的流程图；图4为本申请方法实施例1中步骤104的流程图；图5为本申请方法实施例1中步骤402的流程图；图6为本申请公开的多媒体应用的推荐方法实施例2的流程图；图7为本申请公开的一种多媒体应用的推荐系统实施例1的结构框图；图8为本申请系统实施例1中计算推荐参数单元701的结构框图；图9为本申请系统实施例1中计算相似度单元702的结构框图；图10为本申请系统实施例1中多媒体应用推荐装置71的结构框图；图11为本申请系统实施例1中优化单元1002的结构框图；图12为本申请公开的一种多媒体应用的推荐系统实施例2的结构框图。
具体实施例方式下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例基于协同过滤的原理实现。协同过滤(CollaborativeFiltering, CF) —般指在海量用户中发掘出一小部分和某一个用户的品位比较类似的，在协同过滤中， 这些被发掘的用户成为邻居，然后根据他们喜欢的其他东西组织成一个排序的目录作为推荐结果返回给当前用户。
参考图1，示出了本申请一种多媒体应用的推荐方法实施例1的流程图，在本实施例中，步骤101 步骤103是多媒体应用推荐列表生成过程，而步骤104则是多媒体应用推荐过程，这两个过程在实际应用中可以是相互独立的，多媒体应用推荐列表生成过程可以周期性的主动进行，而多媒体应用推荐过程可以在用户触发多媒体应用推荐时再进行。本实施例具体可以包括
步骤101 :依据使用多媒体应用的用户的历史行为特征，计算所述用户对应的推荐参数，所述推荐参数表示某个用户对于某至少一个多媒体应用的偏好程度。
在本实施例中，需要依据使用多媒体应用的用户的各个历史行为特征，来计算用户对于某至少一个多媒体应用的偏好程度，即是各用户对应的推荐参数。其中，历史行为特征可以包括用户在多媒体应用(例如频道或聊天室)中停留的时长，用户收藏的多媒体应用，用户在多媒体应用中的角色等级，用户常驻的频道或聊天室等信息。但是在实施本申请时，本领域技术人员可以选择历史行为特征中的任意一种或几种来计算推荐参数，或者也可以再采用其他用户的历史行为特征来计算推荐参数。
具体的，参考图2所示，图2为步骤101的流程图，步骤101在具体实施时可以包括
步骤201 :获取使用所述多媒体应用的用户的各个历史行为特征的特征值和权
首先，对收集的用户的历史行为特征的数据进行归一化，得到各个历史行为特征的特征值。归一化的目标是形成用户对多媒体应用的推荐参数。其中，推荐参数的取值范围可以设置在O到I区间内。
可以理解的是，在对不同的用户的历史行为特征进行取值时，需要使所有特征值落在O到I区间内。其中，对于用户在多媒体应用(例如频道或聊天室)中停留的时长这种历史行为特征，通常最大值和最小值之间差距很大，而且分布不均匀，呈现出长尾特点， 所以对于用户在多媒体应用中停留的时长数据，可以进行降噪处理，从而降低两极数据给取值带来的影响，使时长数据趋向于正态分布。
在对权重进行设置时，本领域技术人员在实施本申请时可以为一个用户的所有历史行为特征默认设置相同的权重，也可以根据实际需求对各个不同的历史行为特征设置不同的权重，只需保证同一个用户的权重之和为I即可。
步骤202 :依据所述特征值和权重计算所述用户一一对应的推荐参数。
在本申请实施例中，在得到用户的各个历史行为特征的特征值和权重之后，可以利用计算公式(I)计算一个用户对某一个多媒体应用的推荐参数
推荐参数=Σ (用户行为特征取值X权重)(I)
可见，推荐参数是与用户和多媒体应用相关的，每一个用户对每一个多媒体应用均存在唯一对应的一个推荐参数，因此推荐参数的输出格式可以为
〈User IDXChannel IDXPreference Value〉
其中，“UserlD”用来唯一标识一个用户，“Channel ID”用来唯一标识一个多媒体 应用，“Preference Value”为推荐参数，表示某个用户对某个多媒体应用的偏好程度，取值 范围在
区间。
在步骤101计算推荐参数后，可以将计算得到的推荐参数进行存储，因为计算推 荐参数和后续向用户推荐多媒体应用未必是时间上紧密连续的，所以需要先将推荐参数进 行存储，以便后续接收到用户的推荐请求时再触发多媒体应用的推荐。需要说明的是，因为 计算推荐参数之后不一定马上执行推荐过程，所以在步骤101之后，不一定马上执行步骤 102，所以只需要步骤102在步骤101之后执行即可，而无需限定步骤102是否在步骤101 之后马上执行。
步骤102 :依据所述当前推荐参数计算至少两个多媒体应用之间的相似度。
在介绍本申请计算相似度的步骤之前，为了方便本领域技术人员了解基于物品的 协同过滤方式，在此先对基于物品的协同过滤方式进行详细介绍。基于物品的协同过滤是 基于用户对物品的偏好相似的物品，然后根据用户的历史偏好向其推荐相似的物品。从计 算的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度， 得到某个物品的相似物品后，根据用户的历史偏好预测当前用户还没有表示偏好的物品， 计算得到一个排序的物品列表作为推荐。例如，对于物品A，根据所有用户的历史偏好，喜欢 物品A的用户都喜欢物品C，就可以得出物品A和物品C比较相似的结论，而用户C喜欢物 品A，那么可以推断出用户C可能也喜欢物品C，就将物品C推荐给用户C。
在获取到推荐参数之后，使用基于物品的协同过滤推荐算法，计算出多媒体应用 (对应于物品)的相似度，从而可以实现通过相似度计算出多媒体应用推荐列表。
具体的，参考图3所示，图3为步骤102的流程图，步骤102在具体实施时可以包 括
步骤301 :将用户对于任一个多媒体应用的推荐参数确定为所述任一个多媒体应 用的向量；
在本申请中对于多媒体应用的相似度的计算，是基于向量(Vector)的，而在用 户-多媒体应用的推荐参数的二维矩阵中，即是将所有用户对某个多媒体应用的推荐参数 作为一个向量来计算频道之间的相似度，即是计算两个向量的距离，距离越近说明这两个 向量也即是这两个多媒体应用的相似度越大。
步骤302 :依据各个多媒体应用的向量，采用欧式距离的方式计算至少两个多媒 体应用之间的相似度。
在确定向量之后，在本申请中可以使用欧式距离计算任意两个多媒体应用之间的 相似度，两个多媒体应用之间的欧式距离的计算公式如下
其中，d(x, y)即是多媒体应用X和y之间的欧式距离，而N为用户的个数。
两个多媒体应用之间的相似度则采用计算公式(3)进行计算J/{.31O:01IO
权利要求
1.一种多媒体应用的推荐方法，其特征在于，该方法包括多媒体应用推荐列表生成过程依据使用所述多媒体应用的用户的历史行为特征，计算所述用户对应的推荐参数，所述推荐参数表示某个用户对于某至少一个多媒体应用的偏好程度；依据所述当前推荐参数计算至少两个多媒体应用之间的相似度；依据所述相似度生成用户的初始多媒体应用推荐列表；多媒体应用推荐过程在接收到当前用户的推荐请求时，获取所述初始多媒体应用推荐列以在所述当前用户的客户端进行展示。
2.根据权利要求1所述的方法，其特征在于，所述依据使用所述多媒体应用的用户的历史行为特征，计算所述各个用户对应的推荐参数，包括获取使用所述多媒体应用的用户的各个历史行为特征的特征值和权重；依据所述特征值和权重计算所述用户一一对应的推荐参数。
3.根据权利要求1所述的方法，其特征在于，所述依据所述当前推荐参数计算至少两个多媒体应用之间的相似度，包括将用户对于任一个多媒体应用的推荐参数确定为所述任一个多媒体应用的向量； 依据各个多媒体应用的向量，采用欧式距离的方式计算至少两个多媒体应用之间的相似度。
4.根据权利要求1所述的方法，其特征在于，还包括接收所述当前用户对于所述初始多媒体应用推荐列表中的多媒体应用的点击数据；依据所述点击数据计算所述初始多媒体应用推荐列表的命中率。
5.根据权利要求4所述的方法，其特征在于，还包括判断所述命中率是否满足预设的推荐条件，如果否，则依据所述命中率调整所述当前用户对应于至少一个多媒体应用的推荐参数。
6.根据权利要求1所述的方法，其特征在于，所述获取所述初始多媒体应用推荐列以在所述当前用户的客户端进行展示，包括获取所述当前用户的初始多媒体应用推荐列表；按照预设优化规则对所述初始多媒体应用推荐列表进行优化；将优化后的多媒体应用推荐列表发送至所述当前用户的客户端进行展示。
7.根据权利要求6所述的方法，其特征在于，所述按照预设优化规则对所述初始多媒体应用推荐列表进行优化，包括过滤所述初始多媒体应用推荐列表中不再提供服务的多媒体应用；判断过滤后的多媒体应用推荐列表中多媒体应用的个数是否满足预设阈值，如果是， 则执行所述将优化后的多媒体应用推荐列表发送至所述当前用户的客户端进行展示的步骤；如果否，则获取预设的补足多媒体应用列表，从所述补足多媒体应用列表中按照预设抽取规则抽取预设个数的补足多媒体应用，将所述预设个数的补足多媒体应用添加至所述过滤后的多媒体应用推荐列表中作为初始多媒体应用推荐列表。
8.一种多媒体应用的推荐系统，其特征在于，包括多媒体应用推荐列表生成装置和多媒体应用推荐装置所述多媒体应用推荐列表生成装置包括计算推荐参数单元，用于依据使用所述多媒体应用的用户的历史行为特征，计算所述用户对应的推荐参数，所述推荐参数表示某个用户对于至少一个多媒体应用的偏好程度； 计算相似度单元，用于依据所述当前推荐参数计算至少两个多媒体应用之间的相似度；生成列表单元，依据所述相似度生成用户的初始多媒体应用推荐列表；所述多媒体应用推荐装置，用于在接收到当前用户的推荐请求时，获取所述初始多媒体应用推荐列以在所述当前用户的客户端进行展示。
9.根据权利要求8所述的系统，其特征在于，所述计算推荐参数单元包括获取特征值和权重模块，用于获取使用所述多媒体应用的用户的各个历史行为特征的特征值和权重；计算推荐参数模块，用于依据所述特征值和权重计算所述用户一一对应的推荐参数。
10.根据权利要求8所述的系统，其特征在于，所述计算相似度单元包括确定向量模块，用于将用户对于任一个多媒体应用的推荐参数确定为所述任一个多媒体应用的向量；计算相似度模块，用于依据各个多媒体应用的向量，采用欧式距离的方式计算至少两个多媒体应用之间的相似度。
11.根据权利要求8所述的系统，其特征在于，还包括接收点击数据单元，用于接收所述当前用户对于所述初始多媒体应用推荐列表中的多媒体应用的点击数据；计算命中率单元，用于依据所述点击数据计算所述初始多媒体应用推荐列表的命中率。
12.根据权利要求11所述的系统，其特征在于，还包括判断单元，用于判断所述命中率是否满足预设的推荐条件；调整单元，用于在所述判断单元的结果为否的情况下，依据所述命中率调整所述当前用户对应于至少一个多媒体应用的推荐参数。
13.根据权利要求8所述的系统，其特征在于，所述多媒体应用推荐装置，包括 获取初始多媒体应用推荐列表单元，用于在接收到当前用户的推荐请求时，获取所述当前用户的初始多媒体应用推荐列表；优化单元，用于按照预设优化规则对所述初始多媒体应用推荐列表进行优化；发送单元，用于将优化后的多媒体应用推荐列表发送至所述当前用户的客户端进行展
14.根据权利要求13所述的系统，其特征在于，所述优化单元包括过滤模块，用于过滤所述初始多媒体应用推荐列表中不再提供服务的多媒体应用；判断模块，用于判断过滤后的多媒体应用推荐列表中多媒体应用的个数是否满足预设阈值；触发模块，用于在所述判断模块的结果为是的情况下，触发所述发送模块；获取补足列表模块，用于在所述判断模块的结果为否的情况下，获取预设的补足多媒体应用列表；抽取模块，用于从所述补足多媒体应用列表中按照预设抽取规则抽取预设个数的补足多媒体应用；添加模块，用·于将所述预设个数的补足多媒体应用添加至所述过滤后的多媒体应用推荐列表中作为优化后的多媒体应用推荐列表。
全文摘要
本申请公开了一种多媒体应用的推荐方法和系统，所述方法包括依据使用多媒体应用的用户的历史行为特征，计算用户对应的推荐参数，推荐参数表示某个用户对于某至少一个多媒体应用的偏好程度；依据所述当前推荐参数计算至少两个多媒体应用之间的相似度；依据相似度生成用户的初始多媒体应用推荐列表；在接收到当前用户的推荐请求时，获取所述初始多媒体应用推荐列以在所述当前用户的客户端进行展示。采用本申请实施例公开的方法和系统，可以针对不同用户提供差异化和个性化的多媒体应用的推荐服务，提升了多媒体应用推荐的准确性和成功率。
文档编号H04L29/06GK102999588SQ201210462079
公开日2013年3月27日 申请日期2012年11月15日 优先权日2012年11月15日
发明者张涛, 王澍敏, 江宇闻, 陈胜凯 申请人:广州华多网络科技有限公司