本發(fā)明涉及推薦系統(tǒng)與多媒體網(wǎng)絡(luò)領(lǐng)域，更具體地，涉及一種基于無線接入點(diǎn)情境分類與感知的在線視頻推薦方法。

背景技術(shù)：

互聯(lián)網(wǎng)的出現(xiàn)和普及給用戶帶來了大量的信息，滿足了用戶在信息時(shí)代對信息的需求，但隨著網(wǎng)絡(luò)的迅速發(fā)展而帶來的網(wǎng)上信息量的大幅增長，使得用戶在面對大量信息時(shí)無法從中獲得對自己真正有用的那部分信息，對信息的使用效率反而降低了，這就是所謂的信息超載問題。

解決信息超載問題一個(gè)非常有潛力的辦法是推薦系統(tǒng)，它是根據(jù)用戶的信息需求、興趣等，將用戶感興趣的信息、產(chǎn)品等推薦給用戶的個(gè)性化信息推薦系統(tǒng)。和搜索引擎相比，推薦系統(tǒng)通過研究用戶的興趣偏好，進(jìn)行個(gè)性化計(jì)算，由系統(tǒng)發(fā)現(xiàn)用戶的興趣點(diǎn)，從而引導(dǎo)用戶發(fā)現(xiàn)自己的信息需求。一個(gè)好的推薦系統(tǒng)不僅能為用戶提供個(gè)性化的服務(wù)，還能和用戶之間建立密切關(guān)系，讓用戶對推薦產(chǎn)生依賴。

個(gè)性化推薦的基本形式是提供一個(gè)排好序的物品列表。通過這個(gè)物品列表，推薦系統(tǒng)試圖根據(jù)用戶的偏好和其他約束條件來預(yù)測最合適的產(chǎn)品或服務(wù)。為了完成這樣的計(jì)算任務(wù)，推薦系統(tǒng)手機(jī)用于的喜好。這種喜好可以是顯式的，如為產(chǎn)品打分；或者是隱式的，如把觀看某個(gè)視頻的行為作為用戶喜愛這個(gè)視頻的信號。

實(shí)現(xiàn)個(gè)性化推薦的算法有很多，其中一種最流行和最廣泛的方法是協(xié)同過濾。這種方法是找到與用戶有相同品味的用戶，然后將相似用戶過去喜歡的物品推薦給用戶。

在線視頻的普及給用戶帶來了大量的資訊和娛樂信息，極大地改變了用戶獲取信息的方式。但隨著互聯(lián)網(wǎng)的發(fā)展，在線視頻的數(shù)量越來越多，每天都有海量的視頻被上傳和觀看。面對如此海量的視頻，如何有效地獲取視頻這一問題變得越來越突出。一方面，用戶希望更快更好地觀看自己喜好的視頻；另一方面，視頻提供商希望盡可能地滿足用戶的觀看需求，從而增加用戶粘性，提高觀看量。因此，設(shè)計(jì)一種能夠有效地為用戶提供個(gè)性化推薦的視頻推薦系統(tǒng)是十分重要的。

視頻推薦領(lǐng)域已經(jīng)積累了許多技術(shù)，但是大多數(shù)方法只是關(guān)注把最相關(guān)的視頻推薦給用戶，卻忽略了相關(guān)情境信息，如時(shí)間、地點(diǎn)，或陪同觀看的人。而用戶所做的決策往往與當(dāng)時(shí)的情境是相關(guān)的，用戶所處情景不同，所觀看的視頻也會有所不同。例如，在公司里用戶往往看一些較短視頻，而在家里可能偏好看一些較長的娛樂類視頻。因此，在視頻推薦系統(tǒng)里，情境信息整合到推薦方法中，毫無疑問會影響用戶偏好的預(yù)測準(zhǔn)確度。

綜上所述，從在線視頻服務(wù)提供商的角度出發(fā)，為了給用戶提供個(gè)性化的視頻，增加用戶粘度，繼而增加視頻的瀏覽量，在線視頻服務(wù)商需要設(shè)計(jì)一種推薦系統(tǒng)來預(yù)測用戶的喜好。為了實(shí)現(xiàn)更精準(zhǔn)的預(yù)測，還需要結(jié)合一些有效的情境信息來優(yōu)化推薦系統(tǒng)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種更為良好的個(gè)性化視頻推薦服務(wù)的基于無線接入點(diǎn)情境分類與感知的在線視頻推薦方法。

為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：

一種基于無線接入點(diǎn)情境分類與感知的在線視頻推薦方法，包括以下步驟：

S1：根據(jù)用戶觀看記錄，訓(xùn)練出協(xié)同過濾推薦模型和AP分類模型；

S2：根據(jù)訓(xùn)練好的協(xié)同過濾推薦模型計(jì)算出給定用戶的視頻推薦列表；

S3：根據(jù)AP分類模型對用戶所在情境進(jìn)行估計(jì)；

S4：針對每個(gè)情境，利用該情境中的視頻流行度排名，基于后過濾方法，對上述協(xié)同過濾模型計(jì)算得出的視頻推薦列表進(jìn)行重排與過濾。

進(jìn)一步地，所述步驟S1中訓(xùn)練出協(xié)同過濾推薦模型的具體過程如下：

S111：根據(jù)用戶觀看記錄，以視頻的觀看比例作為用戶的隱式評分，生成user-video矩陣M_uv，并轉(zhuǎn)化為置信度矩陣：

C_uv＝1+αr_uv

其中，C_uv即為置信度矩陣，α是線性增長系數(shù)，r_uv是隱式評分；

S112：找如下代價(jià)函數(shù)的有最優(yōu)解：

其中，x_u為用戶u的因子向量，y_v為視頻v的因子向量，p_uv為用戶u對視頻v的偏好系數(shù)，λ為規(guī)則化系數(shù)用于防止過擬合；

S113：所有最優(yōu)的x_u向量組成的矩陣X，以及y_v向量組成的矩陣Y即為最終的同過濾推薦模型。

進(jìn)一步地，所述步驟S1中訓(xùn)練出AP分類模型的具體過程如下：

S121：AP特征提?。?/p>

一個(gè)AP即一個(gè)接入點(diǎn)，可以接入多個(gè)用戶，為了根據(jù)觀看記錄來提取AP的特征，可以使每個(gè)AP都當(dāng)作一個(gè)“復(fù)合用戶”，形成一個(gè)AP-video矩陣V，其中，復(fù)合用戶是指，將屬于該AP下的所有用戶的觀看記錄全部合并在一起，當(dāng)作一個(gè)復(fù)合而成的虛擬用戶，而AP-video矩陣V與上述user-video矩陣M類似，矩陣中的每個(gè)元素V_ij即表示AP_i對video_j的隱式反饋評分，然后，對矩陣M進(jìn)行非負(fù)矩陣分解得到W和H矩陣，其中W矩陣的的每個(gè)行向量W_i即為AP_i的特征向量，由此完成了AP的特征提??；

S122：AP分類模型的訓(xùn)練：

1)、提取SSID關(guān)鍵字，確定部分SSID所對應(yīng)的AP的情境；

2)、以確定情境的AP作為種子，使用k-means聚類算法將特征相似的AP聚在一起，經(jīng)過多次迭代訓(xùn)練后得到AP分類模型。

進(jìn)一步地，所述步驟S2的具體過程如下：

S211：在矩陣X中找到用戶u的因子向量x_u；

S212：預(yù)測用戶u對所有視頻的打分：

S213：結(jié)合每個(gè)打分對應(yīng)的視頻id，輸出一個(gè)二元組序列Rec_u，即為協(xié)同過濾推薦模型視頻推薦列表。

進(jìn)一步地，所述步驟S3的具體過程如下：

S31：通過用戶觀看記錄中的SSID和MAC地址值，確定用戶所在的AP；

S32：利用上述AP分類模型，推測用戶所在AP的情境。用戶情境即為其所屬AP的情境。

進(jìn)一步地，所述步驟S4的具體過程如下：

(1)、通過協(xié)同過濾推薦模型預(yù)測評分

對于用戶u，首先通過上述協(xié)同過濾推薦模型得到推薦列表Rec_u，推薦列表Rec_u是一個(gè)二元組數(shù)組，其形式為：

其中，vid為視頻v的標(biāo)識符，為協(xié)同過濾推薦模型模型預(yù)測的，用戶u給視頻v評分，然后，通過伸縮變換函數(shù)f_scale，變換到[0，1]之間：

其中，

(2)、計(jì)算視頻v在情境c下的流行度r_pop(c,v)：

對情境c下所有視頻以觀看量作為鍵值排序：

r_pop(c,v)＝1-rank(c,v)，rank(c,v)∈[0,1]

其中，rank(v)為視頻v的相對排名，由于其值為0到1之間，則有r_pop(c,v)∈[0,1]；

(3)、加權(quán)平均計(jì)算新評分：

情境c下視頻的集合為S_c，若v∈S_c，則新評分為等于協(xié)同過濾推薦模型的預(yù)測評分與流行度的加權(quán)和；否則，新評分等于協(xié)同過濾推薦模型的預(yù)測評分，即：

其中，β₁和β₂為權(quán)重系數(shù)，用于調(diào)整情境信息對視頻推薦的影響程度；

(4)、根據(jù)新評分重新排序：

根據(jù)新評分對推薦列表Rec_u重新排序，得到重排的推薦列表：

最后取出二元組中的視頻號vid，即為最終的推薦列表：

與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

本發(fā)明方法以視頻的觀看比例作為用戶隱式評分，因此只需要用戶的觀看歷史數(shù)據(jù)而不需要用戶打分，解決了用戶打分率偏低以及打分不準(zhǔn)確的問題。同時(shí)，本發(fā)明通過對SSID進(jìn)行關(guān)鍵字提取，找出與用戶情境相關(guān)的關(guān)鍵字，從而確定部分AP的情境。然后再以確定情境的AP作為種子，通過矩陣分解提取AP的特征，并根據(jù)這些特征使用k-means聚類算法將情境相似的AP聚合在一起，解決了用戶所在AP的情境如何確定的問題。最后，針對每個(gè)情境，本發(fā)明利用該情境中的視頻流行度排名，基于后過濾方法，對上述協(xié)同過濾模型計(jì)算得出的視頻推薦列表進(jìn)行重排與過濾，使得情境中觀看量更大的視頻的排名更高，從而實(shí)現(xiàn)根據(jù)情境自適應(yīng)調(diào)整視頻推薦列表的方法，為用戶提供更為良好的個(gè)性化視頻推薦服務(wù)。

附圖說明

圖1為本發(fā)明方法流程圖；

圖2為本發(fā)明方法中AP特征提取基本流程；

圖3為本發(fā)明方法中AP分類模型訓(xùn)練基本流程圖；

圖4為本發(fā)明方法中情境估計(jì)流程圖。

具體實(shí)施方式

附圖僅用于示例性說明，不能理解為對本專利的限制；

為了更好說明本實(shí)施例，附圖某些部件會有省略、放大或縮小，并不代表實(shí)際產(chǎn)品的尺寸；

對于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。

下面結(jié)合附圖和實(shí)施例對本發(fā)明的技術(shù)方案做進(jìn)一步的說明。

實(shí)施例1

如圖1所示，一種基于無線接入點(diǎn)情境分類與感知的在線視頻推薦方法，包括以下步驟：

S1：根據(jù)用戶觀看記錄，訓(xùn)練出協(xié)同過濾推薦模型和AP分類模型；

S2：根據(jù)訓(xùn)練好的協(xié)同過濾推薦模型計(jì)算出給定用戶的視頻推薦列表；

S3：根據(jù)AP分類模型對用戶所在情境進(jìn)行估計(jì)；

S4：針對每個(gè)情境，利用該情境中的視頻流行度排名，基于后過濾方法，對上述協(xié)同過濾模型計(jì)算得出的視頻推薦列表進(jìn)行重排與過濾。

步驟S1中訓(xùn)練出協(xié)同過濾推薦模型的具體過程如下：

S111：根據(jù)用戶觀看記錄，以視頻的觀看比例作為用戶的隱式評分，生成user-video矩陣M_uv，并轉(zhuǎn)化為置信度矩陣：

C_uv＝1+αr_uv

其中，C_uv即為置信度矩陣，α是線性增長系數(shù)，r_uv是隱式評分；

S112：找如下代價(jià)函數(shù)的有最優(yōu)解：

其中，x_u為用戶u的因子向量，y_v為視頻v的因子向量，p_uv為用戶u對視頻v的偏好系數(shù)，λ為規(guī)則化系數(shù)用于防止過擬合；

S113：所有最優(yōu)的x_u向量組成的矩陣X，以及y_v向量組成的矩陣Y即為最終的同過濾推薦模型。

步驟S1中訓(xùn)練出AP分類模型的具體過程如下：

S121：AP特征提取(如圖2所示)：

一個(gè)AP即一個(gè)接入點(diǎn)，可以接入多個(gè)用戶，為了根據(jù)觀看記錄來提取AP的特征，可以使每個(gè)AP都當(dāng)作一個(gè)“復(fù)合用戶”，形成一個(gè)AP-video矩陣V，其中，復(fù)合用戶是指，將屬于該AP下的所有用戶的觀看記錄全部合并在一起，當(dāng)作一個(gè)復(fù)合而成的虛擬用戶，而AP-video矩陣V與上述user-video矩陣M類似，矩陣中的每個(gè)元素V_ij即表示AP_i對video_j的隱式反饋評分，然后，對矩陣M進(jìn)行非負(fù)矩陣分解得到W和H矩陣，其中W矩陣的的每個(gè)行向量W_i即為AP_i的特征向量，由此完成了AP的特征提??；

S122：AP分類模型的訓(xùn)練(如圖3所示)：

1)、提取SSID關(guān)鍵字，確定部分SSID所對應(yīng)的AP的情境；

2)、以確定情境的AP作為種子，使用k-means聚類算法將特征相似的AP聚在一起，經(jīng)過多次迭代訓(xùn)練后得到AP分類模型。

進(jìn)一步地，所述步驟S2的具體過程如下：

S211：在矩陣X中找到用戶u的因子向量x_u；

S212：預(yù)測用戶u對所有視頻的打分：

S213：結(jié)合每個(gè)打分對應(yīng)的視頻id，輸出一個(gè)二元組序列Rec_u，即為協(xié)同過濾推薦模型視頻推薦列表。

如圖4所示，所述步驟S3的具體過程如下：

S31：通過用戶觀看記錄中的SSID和MAC地址值，確定用戶所在的AP；

S32：利用上述AP分類模型，推測用戶所在AP的情境。用戶情境即為其所屬AP的情境。

步驟S4的具體過程如下：

(1)、通過協(xié)同過濾推薦模型預(yù)測評分

對于用戶u，首先通過上述協(xié)同過濾推薦模型得到推薦列表Rec_u，推薦列表Rec_u是一個(gè)二元組數(shù)組，其形式為：

其中，vid為視頻v的標(biāo)識符，為協(xié)同過濾推薦模型模型預(yù)測的，用戶u給視頻v評分，然后，通過伸縮變換函數(shù)f_scale，變換到[0，1]之間：

其中，

(2)、計(jì)算視頻v在情境c下的流行度r_pop(c,v)：

對情境c下所有視頻以觀看量作為鍵值排序：

r_pop(c,v)＝1-rank(c,v)，rank(c,v)∈[0,1]

其中，rank(v)為視頻v的相對排名，由于其值為0到1之間，則有r_pop(c,v)∈[0,1]；

(3)、加權(quán)平均計(jì)算新評分：

情境c下視頻的集合為S_c，若v∈S_c，則新評分為等于協(xié)同過濾推薦模型的預(yù)測評分與流行度的加權(quán)和；否則，新評分等于協(xié)同過濾推薦模型的預(yù)測評分，即：

其中，β₁和β₂為權(quán)重系數(shù)，用于調(diào)整情境信息對視頻推薦的影響程度；

(4)、根據(jù)新評分重新排序：

根據(jù)新評分對推薦列表Rec_u重新排序，得到重排的推薦列表：

最后取出二元組中的視頻號vid，即為最終的推薦列表：

相同或相似的標(biāo)號對應(yīng)相同或相似的部件；

附圖中描述位置關(guān)系的用于僅用于示例性說明，不能理解為對本專利的限制；

顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對本發(fā)明的實(shí)施方式的限定。對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無需也無法對所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。