一种基于时间轴的个性化推荐方法[发明专利]

(12)发明专利申请

(10)申请公布号 CN 1076092 A(43)申请公布日 2018.01.19

(21)申请号 2016107349.6(22)申请日 2016.07.12

(71)申请人 上海视畅信息科技有限公司

地址 201203 上海市松江区永丰街道玉树

路269号5号楼3320室(72)发明人 王世欣　沈婧　王守军　(74)专利代理机构 上海愉腾专利代理事务所

(普通合伙) 31306

代理人 唐海波(51)Int.Cl.

G06F 17/30(2006.01)

权利要求书1页 说明书4页 附图1页

()发明名称

一种基于时间轴的个性化推荐方法

(57)摘要

本发明公开了一种基于时间轴的个性化推荐方法，包括以下步骤：根据观看记录提取时间因子；根据时间因子定义用户行为聚类算法；根据用户行为聚类算法进行用户行为聚类；根据聚类结果使用推荐算法得出用于显示的推荐结果；通过添加时间因子处理方法，使推荐系统在不同时间呈现不同的推荐内容，添加该方法可以使多种推荐算法的推荐结果更加贴合用户的观看习惯；基于时间轴的个性化推荐，基于兴趣特征在时间轴上的分布，可以提高在用户行为具有时间规律情况下的个性化推荐效果。

CN 1076092 ACN 1076092 A

权　利　要　求　书

1/1页

1.一种基于时间轴的个性化推荐方法，其特征在于，所述基于时间轴的个性化推荐方法包括以下步骤：

根据观看记录提取时间因子；

根据时间因子定义用户行为聚类算法；

根据用户行为聚类算法进行用户行为聚类；

根据聚类结果使用推荐算法得出用于显示的推荐结果。2.根据权利要求1所述的基于时间轴的个性化推荐方法，其特征在于，所述根据观看记录提取时间因子包括：将观看记录的时间拆分成多个维度，并用向量表示时间因子。

3.根据权利要求2所述的基于时间轴的个性化推荐方法，其特征在于，所述根据观看记录提取时间因子包括：根据实际情况将所述向量进行标准化。

4.根据权利要求1所述的基于时间轴的个性化推荐方法，其特征在于，所述根据时间因子定义用户行为聚类算法包括：在针对用户行为的聚类算法中添加时间因子。

5.根据权利要求4所述的基于时间轴的个性化推荐方法，其特征在于，所述根据时间因子定义用户行为聚类算法包括：将用户观看过的影片用属性空间的向量进行表示，每一个属性即为在推荐时需要考虑的一个因子，当将处理过的时间因子经加权操作添加到影片向量中后，不同习惯用户的观看记录获得了额外的差异。

6.根据权利要求2所述的基于时间轴的个性化推荐方法，其特征在于，所述根据用户行为聚类算法进行用户行为聚类包括：使用聚类算法对用户行为向量进行聚类，采用合适的聚类算法，加权，即参数调优。

7.根据权利要求6所述的基于时间轴的个性化推荐方法，其特征在于，所述根据用户行为聚类算法进行用户行为聚类包括：计算该时间向量与各簇质心向量均值中时间部分向量的相似度并排序。

8.根据权利要求1至7之一所述的基于时间轴的个性化推荐方法，其特征在于，所述根据聚类结果使用推荐算法得出用于显示的推荐结果包括：使用推荐算法对观看记录影片进行评分/加权操作时将时间相似度加权添加实现单终端多用户/单用户偏好具有时间规律下的精准推荐。

2

CN 1076092 A

说　明　书

一种基于时间轴的个性化推荐方法

1/4页

技术领域

[0001]本发明涉及电视视频领域，尤其涉及一种基于时间轴的个性化推荐方法。背景技术

[0002]对于常用的视频终端，特别是智能电视产品，普遍存在多个用户共同使用一个终端的情况。传统的推荐方法，多用户、单用户不同时间下存在行为差异情况下的推荐效果较差。

发明内容

[0003]鉴于目前存在的上述不足，本发明提供一种基于时间轴的个性化推荐方法，基于兴趣特征在时间轴上的分布，进行个性化推荐。[0004]为达到上述目的，本发明的实施例采用如下技术方案：[0005]一种基于时间轴的个性化推荐方法，所述基于时间轴的个性化推荐方法包括以下步骤：

[0006]根据观看记录提取时间因子；

[0007]根据时间因子定义用户行为聚类算法；

[0008]根据用户行为聚类算法进行用户行为聚类；

[0009]根据聚类结果使用推荐算法得出用于显示的推荐结果。[0010]依照本发明的一个方面，所述根据观看记录提取时间因子包括：将观看记录的时间拆分成多个维度，并用向量表示时间因子。[0011]依照本发明的一个方面，所述根据观看记录提取时间因子包括：根据实际情况将所述向量进行标准化。

[0012]依照本发明的一个方面，所述根据时间因子定义用户行为聚类算法包括：在针对用户行为的聚类算法中添加时间因子。[0013]依照本发明的一个方面，所述根据时间因子定义用户行为聚类算法包括：将用户观看过的影片用属性空间的向量进行表示，每一个属性即为在推荐时需要考虑的一个因子，当将处理过的时间因子经加权操作添加到影片向量中后，不同习惯用户的观看记录获得了额外的差异。

[0014]依照本发明的一个方面，所述根据用户行为聚类算法进行用户行为聚类包括：使用聚类算法对用户行为向量进行聚类，采用合适的聚类算法，加权，即参数调优。[0015]依照本发明的一个方面，所述根据用户行为聚类算法进行用户行为聚类包括：计算该时间向量与各簇质心向量均值中时间部分向量的相似度并排序。[0016]依照本发明的一个方面，所述根据聚类结果使用推荐算法得出用于显示的推荐结果包括：使用推荐算法对观看记录影片进行评分/加权操作时将时间相似度加权添加实现单终端多用户/单用户偏好具有时间规律下的精准推荐。[0017]本发明实施的优点：本发明所述的基于时间轴的个性化推荐方法包括以下步骤：

3

CN 1076092 A

说　明　书

2/4页

根据观看记录提取时间因子；根据时间因子定义用户行为聚类算法；根据用户行为聚类算法进行用户行为聚类；根据聚类结果使用推荐算法得出用于显示的推荐结果；通过添加时间因子处理方法，使推荐系统在不同时间呈现不同的推荐内容，添加该方法可以使多种推荐算法的推荐结果更加贴合用户的观看习惯；基于时间轴的个性化推荐，基于兴趣特征在时间轴上的分布，可以提高在用户行为具有时间规律情况下的个性化推荐效果。附图说明

[0018]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0019]图1为本发明所述的一种基于时间轴的个性化推荐方法示意图。

具体实施方式

[0020]下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。[0021]如图1所示，一种基于时间轴的个性化推荐方法，所述基于时间轴的个性化推荐方法包括以下步骤：[0022]步骤S1：根据观看记录提取时间因子；[0023]在实际应用中，所述根据观看记录提取时间因子包括：将观看记录的时间拆分成多个维度，并用向量表示时间因子。[0024]在实际应用中，所述根据观看记录提取时间因子包括：根据实际情况将所述向量进行标准化。

[0025]将观看记录的时间拆分成多个维度：[0026]日内时间：例如18时则表示为18/24[0027]是否是假期：如果是假期表示为1，不是则表示为0[0028]观看时距离假期开始时间点有多久：如果在周四晚上观看，那么表示为4-6＝-2；而周日观看则表示7-6＝1。

[0029]这样一个周四下午五点观看的影片的时间就可以表示为一个向量：

[0030]

日内时间是否假期17/240

[0031]根据实际情况将该向量进行标准化：

[0032]

距离假期开始2

日内时间是否假期距离假期开始0.700-0.2[0033]步骤S2：根据时间因子定义用户行为聚类算法；

4

CN 1076092 A[0034]

说　明　书

3/4页

在实际应用中，所述根据时间因子定义用户行为聚类算法包括：在针对用户行为

的聚类算法中添加时间因子。在实际应用中，所述根据时间因子定义用户行为聚类算法包括：将用户观看过的影片用属性空间的向量进行表示，每一个属性即为在推荐时需要考虑的一个因子，当将处理过的时间因子经加权操作添加到影片向量中后，不同习惯用户的观看记录获得了额外的差异。

[0035]一个用户观看过的影片可以表示为一个属性空间的一个向量，每一个属性即为在推荐时需要考虑的一个因子，当将处理过的时间因子经加权操作添加到影片向量中后，不同习惯用户的观看记录获得了额外的差异，比如三口之家例子中爸爸和孩子的时间因子差异很大。

[0036]步骤S3：根据用户行为聚类算法进行用户行为聚类；[0037]在实际应用中，所述根据用户行为聚类算法进行用户行为聚类包括：使用聚类算法对用户行为向量进行聚类，采用合适的聚类算法，加权，即参数调优。[0038]在实际应用中，所述根据用户行为聚类算法进行用户行为聚类包括：计算该时间向量与各簇质心向量均值中时间部分向量的相似度并排序。[0039]使用聚类算法对用户行为向量进行聚类，采用合适的聚类算法，加权，即参数调优。

[0040]对三口之家例子的聚类即可得到以下几个簇(仅示例，标签部分列举出影视类型和权值最高的属性名，时间部分列举均值)：

[0041]

影视标签日内时间是否假期动画，冒险0.80电视剧，言情0.90.2纪录片，探索0.61动画，神话0.80[0042]当用户在某一个时间点使用时：

[0043]

距离假期开始-0.3-0.30.5-0.3数量5725

日内时间是否假期距离假期开始0.750-0.4

[0044]计算该时间向量与各簇质心向量均值中时间部分向量的相似度并排序：

[0045]

影视标签日内时间是否假期距离假期开始时间相似度动画，冒险0.80-0.30.85动画，神话0.80-0.30.85电视剧，言情0.90.2-0.30.7纪录片，探索0.610.50.4[0046]步骤S4：根据聚类结果使用推荐算法得出用于显示的推荐结果。[0047]在实际应用中，所述根据聚类结果使用推荐算法得出用于显示的推荐结果包括：使用推荐算法对观看记录影片进行评分/加权操作时将时间相似度加权添加实现单终端多用户/单用户偏好具有时间规律下的精准推荐。

5

CN 1076092 A[0048]

说　明　书

4/4页

对于智能电视等终端，单个用户通常会有比较规律的使用习惯。比如一个三口之

家，爸爸可能只在周末会看记录片，球赛等影片，妈妈会在晚上9-11点看都市、言情等题材电视剧，孩子则在工作日6-7点看动画片。本方法可以将不同用户的行为分离出来，这样在孩子使用终端时推荐的内容更多是动画片，而不是球赛、电视剧等推荐给爸爸妈妈看的影片。

[0049]本发明实施的优点：本发明所述的基于时间轴的个性化推荐方法包括以下步骤：根据观看记录提取时间因子；根据时间因子定义用户行为聚类算法；根据用户行为聚类算法进行用户行为聚类；根据聚类结果使用推荐算法得出用于显示的推荐结果；通过添加时间因子处理方法，使推荐系统在不同时间呈现不同的推荐内容，添加该方法可以使多种推荐算法的推荐结果更加贴合用户的观看习惯；基于时间轴的个性化推荐，基于兴趣特征在时间轴上的分布，可以提高在用户行为具有时间规律情况下的个性化推荐效果。[0050]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

6

CN 1076092 A

说　明　书　附　图

1/1页

图1

7