一种基于视频内容分析和用户标签的智能推荐方法及系统与流程

本发明涉及计算机数据处理，具体来说，特别涉及一种基于视频内容分析和用户标签的智能推荐方法及系统。

背景技术：

1、信息时代的互联网和多媒体技术发展迅猛，使得数据量激增。这些数据源于我们日常生活中的各种场景，例如电商平台上海量的商品信息，视频网站上数亿级的视频内容等。在如此大规模的数据环境下，用户往往难以快速准确地找到自己感兴趣的信息，因此，如何从大数据中挖掘出用户个性化偏好和需求，成为企业提升用户体验和粘性的重要一环。与此同时，消费者也期待能通过个性化推荐系统，更高效地找到目标内容。所以，基于用户行为数据建立个性化推荐系统，既能满足企业提升用户参与度的需求，也能响应用户在信息超载环境下获得个性化服务的期待。它成为应对大数据环境新挑战的有效方案。

2、个性化视频推荐系统是视频在线服务不可或缺的重要组成部分。随着科技的发展，手机和便携式摄像设备日新月异，直播平台和网络主播兴起蓬勃。这使得视频内容的录制和发布变得更加简单便利，视频种类和数量也呈爆发式增长。当用户面对如此海量的视频资源时，直接通过搜索关键词可能难以快速找到感兴趣的内容。这是因为不一定每个用户都清楚目标视频的完整标题信息。此外，用户的兴趣点和喜好也在不断演化。

3、目前，传统的推荐系统可能主要基于用户的历史行为或总体的用户行为模式进行推荐，这可能无法满足用户个性化和动态变化的需求；而且用户的兴趣和需求可能会随着环境和情境的改变而改变，传统的推荐系统可能无法有效地处理这种动态性，从而会使得会导致推荐效果不佳，无法满足用户的需求。

4、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、有鉴于此，本发明提供一种基于视频内容分析和用户标签的智能推荐方法及系统，以解决上述提及的传统的推荐系统无法满足用户个性化和动态变化的需求以及无法有效地处理动态性的问题。

2、为了解决上述问题，本发明采用的具体技术方案如下：

3、根据本发明的一方面，提供了一种基于视频内容分析和用户标签的智能推荐方法，该基于视频内容分析和用户标签的智能推荐方法包括以下步骤：

4、s1、获取用户历史观看视频数据并进行视频内容分析，确定视频类型；

5、s2、获取用户历史行为数据并进行行为内容分析，生成用户标签；

6、s3、基于通信网络获取用户的位置信息，并对用户的使用状态进行识别；

7、s4、基于视频类型、用户标签和用户的使用状态，并利用混合推荐算法为用户生成推荐列表；

8、s5、收集用户对推荐列表的反馈，并根据反馈优化混合推荐算法。

9、优选的，获取用户历史观看视频数据并进行视频内容分析，确定视频类型包括以下步骤：

10、s11、收集用户的历史观看视频数据，视频数据包括观看视频的总时长和视频总时长；

11、s12、将用户观看视频的总时长少于视频总时长一半的观看视频剔除，得到用户的关注视频；

12、s13、对于每个用户的关注视频，提取视频元数据和视频内容，视频元数据包括标题、描述及上传时间，视频内容包括视频的视觉信息和音频信息；

13、s14、根据提取的视频元数据和视频内容，通过预设的分类模型确定视频的类型。

14、优选的，获取用户历史行为数据并进行行为内容分析，生成用户标签包括以下步骤：

15、s21、收集用户的历史行为数据，包括用户的浏览历史、购买记录、搜索关键词及点击行为；

16、s22、对收集的历史行为数据进行预处理，得到标准化数据，预处理包括去除重复数据、缺失值处理及数据标准化处理；

17、s23、对得到的标准化数据进行特征提取，并通过k-means算法对提取的特征进行分类，对分类后的特征生成用户标签。

18、优选的，基于通信网络获取用户的位置信息，并对用户的使用状态进行识别包括以下步骤：

19、s31、基于通信网络获取用户的手机信令数据，并分析出用户的出行轨迹数据；

20、s32、对用户的每段轨迹进行行为特征提取，并将提取的行为特征构成特征向量，行为特征包括出行距离、出现时间及平均速度；

21、s33、通过模糊c均值聚类算法构建用户状态识别模型；

22、s34、将构成的特征向量作为输入，并输入至用户状态识别模型对用户的使用状态进行识别。

23、优选的，基于通信网络获取用户的手机信令数据，并分析出用户的出行轨迹数据包括以下步骤：

24、s311、从通信网络中获取用户的手机信令数据，并对手机信令数据进行层次化清洗，去除冗余和错误数据；

25、s312、将清洗后手机信令数据与预设的基站数据进行匹配，得到用户所在基站的坐标信息，并将其作为用户的位置信息；

26、s313、利用点到点几何关系分析的道路匹配法将用户位置映射到实际道路网络上，得到用户的初步轨迹；

27、s314、通过时空dbscan聚类算法对用户的初步轨迹进行处理，识别出用户的停留点和移动点；

28、s315、按时间顺序连接停留点和移动点，并根据od原则提取出用户的完整出行轨迹。

29、优选的，利用点到点几何关系分析的道路匹配法将用户位置映射到实际道路网络上，得到用户的初步轨迹包括以下步骤；

30、s3131、获取用户轨迹中的基站定位坐标；

31、s3132、定义匹配误差范围，并在匹配误差范围内搜索基站定位坐标预设范围内的道路网络节点，并将搜索出的道路网络节点作为候选道路节点；

32、s3133、从候选道路节点中选择与基站定位坐标距离最近的节点，作为匹配节点；

33、s3134、将匹配节点作为基站定位坐标在道路网格上的投影点，并将匹配节点的坐标替代基站定位坐标，得到用户的初步轨迹点；

34、s3135、对用户的所有轨迹重复执行s3131-s3134，将所有基站定位坐标映射到道路网络上，得到用户的初步轨迹。

35、优选的，通过模糊c均值聚类算法构建用户状态识别模型包括以下步骤：

36、s331、基于用户出行轨迹，并根据不同出行状态的先验知识，建立出行距离、时间及速度的初始隶属度函数；

37、s332、对每段用户的出行轨迹，计算其在各出行状态下的隶属度，并构建隶属度矩阵；

38、s333、基于初始隶属度矩阵计算初始类中心特征矩阵；

39、基于初始隶属度矩阵计算初始类中心特征矩阵的计算公式为：

40、

41、式中，vj表示第j类中心的特征矩阵；

42、uij表示第i段出行轨迹属于第j类中心的隶属度；

43、xi表示第i段出行轨迹的特征向量；

44、n表示出行轨迹的数量；

45、s334、迭代更新隶属度矩阵和类中心特征矩阵，直至达到预设的收敛条件终止迭代；

46、s335、根据终止时隶属度矩阵，并利用最大隶属度原则判定每段轨迹对应的用户出行状态；

47、s336、重复步骤s331-s336，构建用户状态识别模型。

48、优选的，基于视频类型、用户标签和用户的使用状态，并利用混合推荐算法为用户生成推荐列表包括以下步骤：

49、s41、通过朴素贝叶斯分类算法对视频类型和用户标签进行分析，并建立用户兴趣模型；

50、s42、根据视频类型，提取出视频的内容特征，并建立视频内容模型；

51、s43、根据建立的用户兴趣模型和视频内容模型，通过混合推荐算法计算用户对未观看视频的兴趣程度，并根据兴趣程度高低生成候选视频推荐列表；

52、s44、根据用户的使用状态对候选视频推荐列表进行权重调整，并为用户生成推荐列表。

53、优选的，根据用户的使用状态对候选视频推荐列表进行权重调整，并为用户生成推荐列表包括以下步骤：

54、s441、根据用户的使用状态，为每个使用状态设置状态权重值；

55、s442、根据用户的当前状态和当前状态对应的权重调整候选视频推荐列表，得到用户对未观看视频新的兴趣程度；

56、s443、根据新的兴趣程度高低为用户生成推荐列表。

57、根据本发明的另一方面，提供了一种基于视频内容分析和用户标签的智能推荐系统，该基于视频内容分析和用户标签的智能推荐系统包括：视频数据获取模块、行为数据获取模块、使用状态识别模块、推荐列表生产模块及反馈优化模块；

58、视频数据获取模块，用于获取用户历史观看视频数据并进行视频内容分析，确定视频类型；

59、行为数据获取模块，用于获取用户历史行为数据并进行行为内容分析，生成用户标签；

60、使用状态识别模块，用于基于通信网络获取用户的位置信息，并对用户的使用状态进行识别；

61、推荐列表生产模块，用于基于视频类型、用户标签和用户的使用状态，并利用混合推荐算法为用户生成推荐列表；

62、反馈优化模块，用于收集用户对推荐列表的反馈，并根据反馈优化混合推荐算法。

63、本发明的有益效果为：

64、1、本发明通过分析用户的历史观看视频数据和行为数据，可以生成个性化的用户标签，有助于更精确地理解用户的兴趣和偏好，通过获取用户的位置信息和使用状态，推荐系统可以在特定的使用环境中为用户提供更精准的推荐，通过收集用户对推荐列表的反馈，推荐系统可以不断地学习和优化，从而提高了推荐的准确性和用户的满意度，进而可以提高用户的使用体验。

65、2、本发明通过层次化清洗手机信令数据，可有效去除冗余和错误数据，提高后续分析的准确性，通过匹配基站数据以获取用户所在位置信息，以及将用户位置映射到实际道路网络上，可以提供用户的详细和准确的出行轨迹，对用户每段轨迹进行行为特征提取，可以全面理解用户的行为模式，通过模糊c均值聚类算法构建用户状态识别模型，能够对用户的行为状态进行智能识别，为用户行为预测和服务推荐提供有力的支持。

66、3、本发明通过朴素贝叶斯分类算法对用户标签和视频类型进行分析，建立用户兴趣模型和视频内容模型，可以更准确地了解用户喜好和视频内容特征，为后续推荐提供依据，根据用户当前使用状态设置不同状态的权重，并对候选视频列表进行调整，可以实时反映用户使用状态，生成的推荐列表更贴合用户当下情况，通过考虑了用户多方面信息，同时结合混合推荐算法，可以提高推荐准确率和用户满意度。