廣電家庭用戶個性化推薦的難點(diǎn)和解決思路

李培琳，趙 明，王炳飛

(1. 國家新聞出版廣電總局廣播科學(xué)研究院，北京 100866; 2. 北京數(shù)碼視訊科技股份有限公司,北京 100085)

廣電家庭用戶個性化推薦的難點(diǎn)和解決思路

李培琳1，趙 明1，王炳飛2

(1. 國家新聞出版廣電總局廣播科學(xué)研究院，北京 100866; 2. 北京數(shù)碼視訊科技股份有限公司,北京 100085)

隨著廣電運(yùn)營商雙向業(yè)務(wù)的不斷發(fā)展，為解決用戶無法從海量內(nèi)容中快速找到喜愛節(jié)目的問題，個性化推薦技術(shù)在廣電領(lǐng)域得到了關(guān)注和應(yīng)用。個性化推薦技術(shù)在互聯(lián)網(wǎng)等領(lǐng)域已經(jīng)有了較成熟的應(yīng)用，并得到了良好的效果，但若具體落實(shí)在廣電運(yùn)營商的業(yè)務(wù)中并起到良好的作用，還需要解決直播節(jié)目元數(shù)據(jù)關(guān)聯(lián)、推薦實(shí)效性、家庭用戶行為分析等難點(diǎn)問題。對廣電家庭用戶個性化推薦存在的難點(diǎn)進(jìn)行了總結(jié)，并提出解決思路。

個性化推薦；用戶行為分析；廣電運(yùn)營

近年來，廣電運(yùn)營在高清、互動電視平臺的建設(shè)方面取得了長足的進(jìn)步，包括點(diǎn)播、時移、回看、資訊信息在內(nèi)的大量交互業(yè)務(wù)在各地紛紛上馬，大大改善了各地電視用戶的收視體驗(yàn)，同時也為運(yùn)營商平臺化進(jìn)行了深入的探索和驗(yàn)證。

事實(shí)證明，通過引入新的業(yè)務(wù)系統(tǒng)和不斷豐富節(jié)目內(nèi)容，通過差異化運(yùn)營、收費(fèi)，能夠?yàn)閺V電運(yùn)營商帶來新的盈利點(diǎn)。如何對花費(fèi)巨資引入的業(yè)務(wù)和內(nèi)容進(jìn)行深耕細(xì)作，最大化產(chǎn)出，是運(yùn)營商下一步需要認(rèn)真思考的問題。雖然運(yùn)營商為用戶提供了豐富的互動電視內(nèi)容，但由于類別眾多，層級復(fù)雜，用戶難以在海量的內(nèi)容中快速找到自己感興趣的節(jié)目，這樣就會造成內(nèi)容資源的大量浪費(fèi)。

個性化推薦技術(shù)是解決上述問題的重點(diǎn)方案之一，通過主動把熱點(diǎn)內(nèi)容、最新內(nèi)容或者用戶喜好的內(nèi)容推送給用戶，用戶無需進(jìn)行繁瑣的內(nèi)容瀏覽，就能快速定位到自己感興趣的內(nèi)容，一方面提升了用戶體驗(yàn)，另一方面也大大增加了運(yùn)營商投資購入的節(jié)目內(nèi)容的長尾效應(yīng)[1]。

個性化推薦技術(shù)在互聯(lián)網(wǎng)行業(yè)是一項較成熟的技術(shù)，其最早在電子商務(wù)領(lǐng)域得到深入應(yīng)用，經(jīng)過十余年的發(fā)展，逐步應(yīng)用到互聯(lián)網(wǎng)音視頻、音樂、新聞網(wǎng)站等領(lǐng)域。近年來，一些廣電運(yùn)營商也逐漸將這項技術(shù)應(yīng)用到廣電業(yè)務(wù)系統(tǒng)中來，取得了一定的效果，但同時也暴露出通用的推薦技術(shù)在廣電業(yè)務(wù)上的不足，需要針對廣電業(yè)務(wù)的特殊性進(jìn)行深入研究和改善。

本文主要針對廣電家庭用戶個性化推薦技術(shù)的難點(diǎn)和解決思路分析總結(jié)，并對未來的應(yīng)用進(jìn)行展望。

1 個性化推薦技術(shù)簡介

對個性化推薦技術(shù)的研究和應(yīng)用始于20世紀(jì)90年代中期，到目前為止主要經(jīng)歷了以下4個階段：

1)20世紀(jì)90年代中期至90年代末，此期間以研究為主，研究的主要目的是為用戶提供個性化的頁面內(nèi)容。1996年斯坦福大學(xué)推出了首個個性化推薦系統(tǒng)LIRA。

2)2000年至2005年，個性化推薦技術(shù)在亞馬遜(Amazon)等電子商務(wù)網(wǎng)站開始應(yīng)用，主要用于為買家提供個性化的商品推薦，增加商品的長尾效應(yīng)，提高銷售收入。特別需要指出的是，在此期間，美國著名的光碟租賃企業(yè)Netflix大力應(yīng)用該技術(shù)進(jìn)行光碟的推薦，甚至每年投入百萬美金組織推薦算法大賽。

3)2005年至2008年，隨著互聯(lián)網(wǎng)廣告的興起，個性化推薦技術(shù)在互聯(lián)網(wǎng)廣告領(lǐng)域得到應(yīng)用，并以此演化單獨(dú)的技術(shù)學(xué)科：計算廣告學(xué)。個性化推薦技術(shù)與廣告相結(jié)合，取得了巨大的經(jīng)濟(jì)效益。

4)2008年以后，個性化推薦技術(shù)在互聯(lián)網(wǎng)等領(lǐng)域得到全面、廣泛的應(yīng)用，包括網(wǎng)站個性化首頁、視頻網(wǎng)站、音樂網(wǎng)站、App Store個性化推薦等應(yīng)用層出不窮。

個性化推薦技術(shù)的基本原理(見圖1)，是模擬商場導(dǎo)購幫助客戶遴選商品的過程，在這個過程中，合格的“導(dǎo)購策略”會結(jié)合以下3方面信息預(yù)測用戶的消費(fèi)訴求。

1)用戶行為：對于熟悉的客戶，應(yīng)該了解客戶的消費(fèi)歷史，評估出其大致的消費(fèi)習(xí)慣[2]。

2)場景：結(jié)合用戶的自然屬性(年齡、性別等)，以及當(dāng)前的環(huán)境和社會因素(季節(jié)、時間、天氣、節(jié)慶等)。

3)商品屬性信息：哪些商品真正貼合客戶的需要。

圖1 個性化推薦技術(shù)原理

個性化推薦的相關(guān)模型和算法，就是從上述模擬行為演化而來。一般來說，具體的個性化推薦系統(tǒng)需要開發(fā)并維護(hù)一個用戶模型(user model)或用戶記錄(user profile)保存用戶的偏好，而后結(jié)合各種推薦計算模型計算出適于向用戶推薦的內(nèi)容，這些推薦計算模型包括幾大類：協(xié)同過濾推薦、基于內(nèi)容的推薦、基于知識的推薦以及混合推薦[3]。這些推薦計算模型最終又通過具體的算法和相關(guān)參數(shù)實(shí)現(xiàn)[4]。推薦計算模型的構(gòu)成如圖2所示。

圖2 推薦計算模型

目前，在網(wǎng)絡(luò)視頻領(lǐng)域應(yīng)用比較多的計算模型是協(xié)同過濾和基于內(nèi)容的推薦[5]。通過個性化推薦，部分視頻網(wǎng)站實(shí)現(xiàn)了用戶點(diǎn)擊量5%～20%的提升。

2 廣電家庭用戶個性化推薦的難點(diǎn)分析

盡管廣電運(yùn)營商的業(yè)務(wù)同樣是以視頻服務(wù)為主，但在業(yè)務(wù)模式上，與互聯(lián)網(wǎng)視頻服務(wù)存在巨大的差異，重點(diǎn)表現(xiàn)在以下3個方面：

1)內(nèi)容來源。視頻網(wǎng)站運(yùn)營的視頻節(jié)目以從版權(quán)商購買為主，部分內(nèi)容為自營節(jié)目，所有節(jié)目都具備完整的元數(shù)據(jù)信息；而廣電運(yùn)營商運(yùn)營的視頻節(jié)目仍以直播為主，點(diǎn)播為輔，其中直播節(jié)目僅有少量的EPG信息。

2)業(yè)務(wù)實(shí)效性。視頻網(wǎng)站的業(yè)務(wù)主要是點(diǎn)播，節(jié)目的生命周期非常長；而廣電運(yùn)營商主要的節(jié)目內(nèi)容是以直播、回看的形式提供給用戶，且節(jié)目內(nèi)容中受歡迎的新聞、體育賽事、綜藝類節(jié)目較多，節(jié)目的生命周期短。

3)用戶構(gòu)成。視頻網(wǎng)站的用戶一定是個人用戶，所有節(jié)目的推薦策略都圍繞個人進(jìn)行；而廣電運(yùn)營商主要的機(jī)頂盒用戶則是以家庭為單位的用戶，對機(jī)頂盒的操作包含了整個家庭的行為習(xí)慣。

由于以上3個方面的不同，導(dǎo)致了對廣電家庭用戶進(jìn)行個性化推薦，不能照搬互聯(lián)網(wǎng)視頻的推薦模式，必須針對廣電業(yè)務(wù)的特殊性，解決好以下3個難點(diǎn)：

1)直播節(jié)目元數(shù)據(jù)關(guān)聯(lián)的問題。對所有直播節(jié)目，都應(yīng)能夠關(guān)聯(lián)到詳細(xì)的元數(shù)據(jù)信息，否則無法對節(jié)目自身屬性進(jìn)行深度關(guān)聯(lián)分析，如分析用戶對節(jié)目的導(dǎo)演、演員、類型、標(biāo)簽、角色等內(nèi)容的偏好情況。

2)推薦內(nèi)容實(shí)效性問題[6]。除點(diǎn)播節(jié)目外，對直播、回看節(jié)目的推薦都需要保證實(shí)效性，特別是新聞、體育類節(jié)目，在播出當(dāng)時、當(dāng)天進(jìn)行推薦的實(shí)效性最高，如果延期較長時間再做推薦，將不再受用戶關(guān)注。

3)家庭用戶興趣偏好分析和推薦計算模型問題。針對包含了多個成員行為的家庭用戶，如果仍按照個人行為來對待分析，其推薦結(jié)果將會與實(shí)際情況有重大偏差，必須建立更合理的推薦計算模型。

3 解決思路

針對上述難點(diǎn)，本文分別提出解決思路，并對其中實(shí)效性問題、家庭用戶行為分析問題相關(guān)的模型和算法給出概要描述。

3.1 直播節(jié)目元數(shù)據(jù)關(guān)聯(lián)問題

目前，廣電運(yùn)營商一般只管理了直播節(jié)目的EPG信息，通過短時間描述等方式下發(fā)給機(jī)頂盒終端顯示。國內(nèi)的EPG提供商供給的EPG信息一般僅含播出時間、節(jié)目名稱兩項內(nèi)容。如果通過節(jié)目名稱擴(kuò)展更豐富的節(jié)目描述信息，一種有效的解決途徑是：采用視頻聚合網(wǎng)站的策略，建設(shè)視頻聚合系統(tǒng)，通過網(wǎng)絡(luò)爬蟲、與視頻網(wǎng)站合作等方式，從互聯(lián)網(wǎng)多個渠道導(dǎo)入節(jié)目內(nèi)容的描述信息，并通過文本分析、模糊匹配等算法，通過節(jié)目名稱實(shí)現(xiàn)EPG與節(jié)目元數(shù)據(jù)的初步關(guān)聯(lián)，進(jìn)一步通過人工審核的方式提高匹配精度。

3.2 推薦實(shí)效性問題

廣電直播、回看節(jié)目推薦的實(shí)效性問題，與新聞類網(wǎng)站推薦實(shí)效性問題類似，內(nèi)容受用戶的關(guān)注程度隨時間的延長急劇衰減。特別是在多屏競爭的情況下，哪個屏幕能夠最快讓用戶找到喜愛的節(jié)目，哪個屏幕就能夠吸引更多的用戶使用。解決時效性問題的一個有效思路是：在傳統(tǒng)的離線計算推薦結(jié)果的推薦技術(shù)之上，增加適于廣電業(yè)務(wù)的近線、場景感知推薦算法，相關(guān)原理見圖3。離線計算以天為單位更新用戶的興趣偏好和推薦結(jié)果，通過近線、在線推薦算法，將用戶興趣偏好和推薦結(jié)果的更新周期提升到分鐘甚至秒級。通過離線、近線、在線3種推薦算法結(jié)合的模式，離線分析出具有相近口味的用戶群體，在線上監(jiān)控節(jié)目實(shí)時收視情況，對于受歡迎的節(jié)目，則立即向有相似口味的用戶群體擴(kuò)散。

圖3 推薦實(shí)效性問題解決思路

一種基于用戶相似度矩陣實(shí)現(xiàn)近線分析的算法簡單描述如下：

新物品上線后，通過門戶Portal、選單、榜單及非個性化推薦方式被老用戶收看后，可以基于系統(tǒng)通過用戶協(xié)同過濾算法得到的用戶相似度矩陣，將新物品推薦給與收看過該物品的用戶相似的其他用戶[7]。通過這種基于相似群體推薦的方式，可以將新物品的推薦能夠快速推薦給大量老用戶。

采用用戶相似度矩陣的計算方式，通過設(shè)置相似度閾值和限定相似用戶數(shù)量，從相似度矩陣中可以提取用戶的相似用戶集合?；谙嗨朴脩艏线M(jìn)行推薦的方法有以下3種：

1)如用戶a的“相似用戶集合”為U(a)={U1,U2,…,Ui,…,U30}。則當(dāng)用戶a收看了物品C，將C推薦給集合U(a)中的其他用戶。

2)用戶b的“相似用戶集合”U(b)={U1,U2,…,Ui,…,U30},若U(b)集合中某一個用戶Ui=a，若a收看了C，則將C推薦給用戶b。

3)遞推推薦：若用戶a收看了C，用戶a在用戶b的相似用戶集合中，則將C推薦給b，若b在用戶c的相似用戶集合中，則將C推薦給用戶c。系統(tǒng)可設(shè)置遞推層級，保證新物品能夠通過遞推方式快速推薦給大量用戶，同時不會累積每個遞推的相似性降低程度累積過多。如用戶a和b的相似度為Sim(a,b), 用戶b和c的相似度為Sim(b,c)，則用戶a,c的相似度降低為Sim(a,b)×Sim(a,c)。

老用戶的推薦列表中，若存在多個新物品間，物品的排序應(yīng)按照用戶間的相似度進(jìn)行排序。如物品C1被用戶a看過，被推薦給用戶b，b與a間的相似度為Sim(a,b)，物品C2被用戶c看過，同時也被推薦給用戶b，c與b間的相似度為Sim(c,b)， 則按照Sim(a,b)和Sim(c,b)的大小對C1、C2進(jìn)行排序。

3.3 家庭用戶行為分析問題

對機(jī)頂盒終端家庭用戶的行為分析，一直是廣電領(lǐng)域內(nèi)的難題。傳統(tǒng)的收視率調(diào)查公司如央視索福瑞等，在進(jìn)行入戶調(diào)查時同樣需要提供技術(shù)、管理手段進(jìn)行家庭成員的區(qū)分，如給測量儀的遙控器增加家庭成員角色按鍵，每次收看電視時，使用人員都需要先選擇自己的角色，而后再進(jìn)行收視。這樣的方式對實(shí)現(xiàn)個性化推薦，甚至大數(shù)據(jù)條件下的收視行為調(diào)查、分析都是不適用的。過去的研究中，有一類基于“分組行為”(group based)的推薦技術(shù)，其應(yīng)用場景與家庭用戶節(jié)目推薦類似，但其前提是組內(nèi)各成員的行為是能夠區(qū)分的，顯然也并不適用。

通過線上的方式解決家庭用戶行為分析和推薦的有效思路是：通過大數(shù)據(jù)分析技術(shù)，提取家庭內(nèi)部各成員的興趣偏好，并結(jié)合時間-興趣分布模型，對家庭主要成員的收視習(xí)慣進(jìn)行區(qū)分，在不同的時間點(diǎn)，利用時間、用戶短期在線行為識別出當(dāng)前收視的成員并依口味進(jìn)行個性化推薦[8]。

一種能夠有效提取家庭內(nèi)部各成員興趣度的算法是雙聚類算法，該算法最早應(yīng)用于基因測序領(lǐng)域，用于發(fā)現(xiàn)基因序列內(nèi)部的局部模式[9]。對于家庭用戶來說，每個用戶的收視偏好都有其固有的特點(diǎn)，這種特點(diǎn)在具體的收視行為中就會顯性地表現(xiàn)為局部的收視模式，通過雙聚類算法能夠有效地發(fā)現(xiàn)這種局部模式，并作為單個家庭成員的興趣點(diǎn)。雙聚類算法與傳統(tǒng)的行聚類、列聚類的區(qū)別如圖4所示。

通過對雙聚類算法提取的用戶興趣點(diǎn)進(jìn)行時間分布上的

圖4 聚類算法比較

統(tǒng)計，就能夠建立一個家庭收視行為的時間-興趣模型，進(jìn)而為個性化推薦提供有力的依據(jù)。

4 應(yīng)用和展望

利用廣電家庭用戶個性化推薦中的3個難點(diǎn)的解決思路，能夠很好地解決通用推薦技術(shù)在廣電業(yè)務(wù)落地的問題，能夠?yàn)閺V電用戶提供更準(zhǔn)確、更豐富的推薦內(nèi)容，并為廣電運(yùn)營商帶來更多的收益。

同時，本文僅提出了各難點(diǎn)的解決思路，在實(shí)際落地過程中，由于運(yùn)營商用戶規(guī)模的龐大，由此帶來推薦算法計算規(guī)模急劇加大，很多傳統(tǒng)的單機(jī)算法并不適用于具體的生產(chǎn)環(huán)境，需要通過大數(shù)據(jù)平臺、并行計算等技術(shù)，對推薦算法實(shí)現(xiàn)并行化來解決。諸如此類實(shí)際工程應(yīng)用問題，本文不再討論，待后續(xù)研究中進(jìn)一步解決。

[1] DUCO D,HERMAN H. Recommender systems for TV[EB/OL].[2014-12-20]. http://aaaipress.org/Papers/Workshops/1998/WS-98-08/WS98-08-008.pdf.

[2] 陳明亮，蔡日梅.電子商務(wù)中產(chǎn)品推薦代理對消費(fèi)者購買決策的影響[J].浙江大學(xué)學(xué)報：人文社會科學(xué)版，2009(3)：138-148.

[3] 黎星星，黃小琴，朱慶生，電子商務(wù)推薦系統(tǒng)研究[J].計算機(jī)工程與科學(xué)，2004，26(5)：7-10.

[4] 吳麗花，劉魯，個性化推薦系統(tǒng)用戶建模技術(shù)綜述[J].情報學(xué)報，2006，25(1)：57-59.

[5] 徐江山，盧增祥，陶疆，基于顯性用戶特征的數(shù)據(jù)電視節(jié)目推薦系統(tǒng)[J].清華大學(xué)學(xué)報：自然科學(xué)版，2007，47(1)：154-156.

[6] 熊馨，王衛(wèi)平，電子商務(wù)個性化產(chǎn)品推薦策略研究[J].科技進(jìn)步與對策，2005(7)：163-165.

[7] 朱巖，林澤楠，電子商務(wù)中的個性化推薦方法評述[J].中國軟科學(xué)，2009(2)：183-192.

[8] 肖東輝，基于主題與情感傾向的信息推薦算法研究[D].北京:北京郵電大學(xué)，2003.

[9] 路海明，李衍達(dá)，基于控制原理和情感計算的信息推薦[J].自動化學(xué)報，2002，28(4)：481-487.

李培琳，女，工程師，主研廣播電視業(yè)務(wù)系統(tǒng)集成、數(shù)據(jù)分析與數(shù)據(jù)挖掘技術(shù)；

趙 明，高級工程師，主研廣播電視業(yè)務(wù)系統(tǒng)架構(gòu)、數(shù)據(jù)挖掘、系統(tǒng)性能評估技術(shù)；

王炳飛，高級工程師，主研廣播電視業(yè)務(wù)數(shù)據(jù)分析與數(shù)據(jù)挖掘、用戶推薦系統(tǒng)架構(gòu)技術(shù)。

責(zé)任編輯：許 盈

Difficulties and Solutions for TV Recommender Systems

LI Peilin1, ZHAO Ming1, WANG Bingfei2

(1.AcademyofBroadcastingScience,SARFT，Beijing100866,China; 2.SumavisionTechnologiesCo.,Ltd.,Beijing100085,China)

With the development of radio & television operators two-way business, quickly finding a favorite program to solve the problem of facing mass content, and personalizing recommendation technology has been concerned and applied in the field of broadcasting. Personalized recommendation technology in the Internet and other fields has been mature applications, and obtained good effect, but if the concrete implementation in radio & television operators in the business and play a good role, still need to solve the difficulties of live broadcast metadata association, the effectiveness of recommendation, and problems such as family user behavior analysis. In this paper, on radio & television home users personalized recommendation existing difficulties are summarized, and brought proposed solutions.

TV recommender systems；user behavior analysis；radio & television operation

2014年國家新聞出版廣電總局科研項目“有線電視大數(shù)據(jù)融合分析平臺設(shè)計及關(guān)鍵技術(shù)研究”

TP301.6；TN943

A

10.16280/j.videoe.2015.18.008

2015-03-06

【本文獻(xiàn)信息】李培琳，趙明，王炳飛.廣電家庭用戶個性化推薦的難點(diǎn)和解決思路[J].電視技術(shù),2015，39(18).