TTRec：時間相關(guān)的直播電視推薦算法

朱曉松，郭景峰，李 爽，郝 童

1(燕山大學(xué) 信息科學(xué)與工程學(xué)院，河北 秦皇島 066004)2(河北省文化旅游大數(shù)據(jù)技術(shù)創(chuàng)新中心，河北 承德 067000)3(河北環(huán)境工程學(xué)院生態(tài)系，河北 秦皇島 066102)4(天津大學(xué) 建筑學(xué)院，天津 300000)5(秦皇島市城市景觀生態(tài)與規(guī)劃設(shè)計(jì)重點(diǎn)實(shí)驗(yàn)室，河北 秦皇島 066102)

E-mail:xiaosongzhu@ysu.edu.cn

1 引 言

一直以來，直播電視是人們主要的收視形態(tài)之一.隨著直播頻道的不斷增加，節(jié)目越來越豐富，觀眾享受視聽盛宴的同時不得不花費(fèi)額外的時間和精力思考“我該看哪個？”，這就是所謂的“信息過載”問題.經(jīng)統(tǒng)計(jì)，傳統(tǒng)有線電視用戶瀏覽頻道的平均人機(jī)響應(yīng)時間為3-5秒，Nogueira等研究表明用戶尋找一個合適的內(nèi)容平均需要152秒[1]，通過切換頻道尋找目標(biāo)節(jié)目的方式耗時且令人厭煩.推薦系統(tǒng)成為直播電視有效的收視工具[2].推薦系統(tǒng)在VoD(Video on Demand)領(lǐng)域的工業(yè)應(yīng)用廣泛，比如Netflix[3],Youtube[4].與VoD相比，直播電視有諸多特點(diǎn)，這給其推薦系統(tǒng)的實(shí)施帶來挑戰(zhàn)：

1)實(shí)時性.VoD為按需收視，它為用戶提供了選擇和檢索節(jié)目所需的時間和條件.而直播電視以廣播形式實(shí)時播出，視頻的推薦只能發(fā)生在候選節(jié)目正在播出時.提前推薦，則候選節(jié)目未播出.事后推薦，則候選節(jié)目已播放完畢.因此，直播電視的推薦時間窗口小，推薦系統(tǒng)需對用戶有快速的反饋.

2)多用戶.直播電視通常面對一群人，比如家庭成員，這些人共用一個賬戶，這給用戶的偏好提取增加了困難.

3)隱性反饋.直播電視通常以電視機(jī)和機(jī)頂盒為載體，用戶通過遙控器來選擇節(jié)目，人機(jī)交互效率低.因此，用戶留下的反饋類型單一，通常以隱性反饋(比如收視時長)代替顯性反饋(比如評分)來表達(dá)對節(jié)目的偏好.

4)冷啟動.直播電視每天更新大量節(jié)目，這些新節(jié)目沒有用戶的反饋，推薦系統(tǒng)缺乏推薦依據(jù)，節(jié)目冷啟動問題突出.

從推薦目標(biāo)來看，直播電視推薦系統(tǒng)可劃分為推薦節(jié)目和推薦頻道兩類方法[5].推薦節(jié)目的方法與VoD領(lǐng)域的推薦策略相近，其中協(xié)同過濾被廣泛采用，然而協(xié)同過濾的主要缺點(diǎn)是無法應(yīng)對冷啟動，并且實(shí)時性差.推薦頻道的方法關(guān)注用戶對頻道的偏好，往往利用時間信息區(qū)分用戶偏好，從而得到用戶在某個時段對頻道的偏好，它不需要關(guān)注頻道內(nèi)容，因此能夠應(yīng)對節(jié)目冷啟動問題.推薦頻道的方法可通過線下訓(xùn)練模型，具有較好的實(shí)時性.然而，這類方法也存在不足，表現(xiàn)在3個方面：

1)大多方法利用收視時段區(qū)分多用戶偏好，然而時段劃分規(guī)則依賴經(jīng)驗(yàn)，不具通用性，可解釋性差；

2)在偏好估計(jì)時，現(xiàn)有模型很少考慮用戶偏好會隨時間的推移而發(fā)生變化.

3)已有的頻道推薦的模型往往不關(guān)注正在播出的節(jié)目，無法根據(jù)實(shí)時節(jié)目特征動態(tài)調(diào)整輸出結(jié)果.

為解決上述問題，本文僅以用戶收視記錄和電子節(jié)目指南(Electronic Program Guides，EPG)為原始數(shù)據(jù)，針對節(jié)目冷啟動下的直播電視推薦任務(wù)，提出了時間相關(guān)的推薦算法TTRec(見圖1).首先，采用聚類的方法按時段將每個物理頻道劃分為若干虛擬頻道，構(gòu)建用戶-虛擬頻道偏好矩陣.其次，利用遺忘函數(shù)調(diào)整用戶隱性反饋的量化結(jié)果，將其作為偏好矩陣的填充值.然后，采用協(xié)同過濾算法對偏好矩陣中未知項(xiàng)進(jìn)行預(yù)測.最后，以節(jié)目時間特征為屬性，通過計(jì)算正在播出的新節(jié)目與歷史節(jié)目的相似度來調(diào)整偏好矩陣中對應(yīng)的數(shù)值，調(diào)整后的結(jié)果用于生成推薦列表.

圖1 所提算法Fig.1 Proposed algorithm

本文的主要貢獻(xiàn)包括：

·采用聚類的方法將每個物理頻道劃分為多個虛擬頻道來區(qū)分多用戶偏好，以用戶-虛擬頻道偏好矩陣代替?zhèn)鹘y(tǒng)的用戶-項(xiàng)目矩陣來估計(jì)用戶偏好.

·利用遺忘函數(shù)調(diào)整用戶的隱性反饋的量化結(jié)果，從而優(yōu)化偏好估計(jì)的效果.

·通過用戶-虛擬頻道偏好矩陣將直播電視冷啟動下的推薦轉(zhuǎn)換為協(xié)同過濾問題，采用協(xié)同過濾算法對矩陣中未知項(xiàng)進(jìn)行預(yù)測，解決了節(jié)目冷啟動問題.

·通過節(jié)目相似度計(jì)算將正在播出的節(jié)目信息引入模型中，提升推薦結(jié)果.

2 相關(guān)工作

隨著移動互聯(lián)網(wǎng)的發(fā)展及智能電視、智能機(jī)頂盒的普及，直播電視推薦系統(tǒng)的研究逐漸成為熱點(diǎn).在直播電視用戶的收視行為中，收視時間是一項(xiàng)重要的信息，它反映了用戶的收視偏好，也間接體現(xiàn)了節(jié)目(頻道)的特征.因此，它在直播電視推薦任務(wù)中得到了研究者的關(guān)注.本文根據(jù)推薦推薦目標(biāo)將直播電視推薦方法分為推薦節(jié)目的方法和推薦頻道的方法，并分別闡述兩類方法中的利用收視時間信息的研究成果.推薦節(jié)目的方法與VoD推薦任務(wù)的解決方案相近.在2015年，Ras等[5]做了一項(xiàng)關(guān)于電視推薦問題相關(guān)文獻(xiàn)的調(diào)查工作，尤其是推薦節(jié)目的方法.Bambini 等[6]提出了基于內(nèi)容方法，他們通過計(jì)算節(jié)目媒體信息的相似度來解決直播電視節(jié)目冷啟動問題.基于內(nèi)容的算法是各類推薦任務(wù)中解決冷啟動問題的通用方法，但推薦結(jié)果在新穎度和多樣性方面表現(xiàn)較差，推薦準(zhǔn)確性依賴標(biāo)簽的維度和質(zhì)量.Hu等[7]將用戶對節(jié)目的偏好直接轉(zhuǎn)換為0或1，利用矩陣分解方法預(yù)測偏好.這種轉(zhuǎn)換丟失了大量原始信息.Jin等[8]構(gòu)造了一種用戶收視時長和觀看時長占比的評分函數(shù)，利用Pearson相關(guān)系數(shù)計(jì)算用戶間相似度，通過基于用戶相似度的協(xié)同過濾算法(User-based CF,UCF)實(shí)現(xiàn)節(jié)目推薦.Wang等[9]構(gòu)建了account-item-time張量，通過聚類張量分解后的時間子空間，來標(biāo)識賬戶里面的用戶.Cho等[10]利用最小二乘法對user-item偏好矩陣進(jìn)行偏好預(yù)測生成評分矩陣，利用收視概率模型對評分矩陣調(diào)節(jié).RecTime[11]考慮了時間因素的兩個維度構(gòu)建4-d張量，通過因式分解，系統(tǒng)自然地同時識別了推薦時間和推薦項(xiàng).然而，這類基于協(xié)同過濾技術(shù)的方法面臨著矩陣(張量)稀疏和節(jié)目冷啟動的問題.其它一些方法，比如，Chang等[12]和Zhang等[13]從用戶收視歷史和社會網(wǎng)絡(luò)當(dāng)中獲得用戶偏好.Kim等[14]利用媒體信息提出了一個知識擴(kuò)展的方法應(yīng)用到媒體推薦上，也可用于直播電視推薦.Hsu[15]在假定獲得用戶眾多屬性的情況下進(jìn)行推薦任務(wù)研究，包括興趣，情感，經(jīng)歷，人口信息等，利用ANN實(shí)現(xiàn)節(jié)目推薦.Song等[16]利用基于貝葉斯概率模型的數(shù)據(jù)挖掘方法來分析節(jié)目大量的本文信息提取用戶偏好，向個體或者群體用戶提供推薦.Young等[17]引入了OTT數(shù)據(jù)，并將其與IPTV數(shù)據(jù)混合使用，利用顯性的混合策略提升推薦準(zhǔn)確率.Gon?alves等[18]提出了一個L2R的方法利用上下文信息和隱性反饋來幫助運(yùn)營商提升推薦效果.可見，這些方法都依靠了不同類型的額外數(shù)據(jù)來解決冷啟動問題.

電視節(jié)目以頻道為載體，因此推薦頻道的方法是直播電視推薦任務(wù)特有的方法，相比推薦節(jié)目的方法，其相關(guān)研究工作較少.推薦頻道的方法通常借助時間因素將用戶對節(jié)目的偏好轉(zhuǎn)換為對頻道的偏好，并以頻道為媒介把歷史節(jié)目和新節(jié)目關(guān)聯(lián)起來，從而解決節(jié)目冷啟動問題.比如，Cremonesi等[19]將一天分成8個時段并為每個用戶構(gòu)建time-channel評分矩陣，利用每個收視時段的累積收視時長作為用戶在該時段的收視偏好，通過張量分解預(yù)測偏好.Turrin等[20]和Wu等[21]分別將一周等分成24×7和48×7個時段，結(jié)合節(jié)目分類信息捕捉用戶偏好.上述方法所采用的偏好估計(jì)模型(比如user-channel)的規(guī)模遠(yuǎn)小于user-item矩陣，因而緩解了數(shù)據(jù)稀疏性問題.Yu等[22]融合多種推薦頻道的策略，把推薦任務(wù)看作二分類問題，該方法即考慮用戶對頻道的偏好又兼顧了當(dāng)前正在播出的節(jié)目，采用24均分的時段劃分策略.Zui等[23]將用戶在頻道上的累計(jì)觀看時長作為頻道偏好，通過計(jì)算頻道間的相似度完成推薦.Bahn和Baek[24]分析用戶的歷史收視行為從時間局部性和流行相關(guān)性提取用戶收視特征.綜上，推薦頻道的方法不必關(guān)注新節(jié)目播放時用戶的反饋和正在播出的節(jié)目信息，因而可通過線下實(shí)現(xiàn)模型的全部計(jì)算，使得算法具有較好實(shí)時性.然而，上述方法的時段劃分策略依賴經(jīng)驗(yàn)，可解釋性差，忽視了對正在播出的節(jié)目特征的提取，也未考慮用戶的偏好會隨時間的推移而變化的特點(diǎn).

3 本文算法

3.1 準(zhǔn)備工作

假定：已知用戶集U、頻道集合C、歷史節(jié)目集合Rhis，在t時刻，正在播出的節(jié)目集合為Rnow，節(jié)目冷啟動問題表示為Rhis∩Rnow=?，有|Rnow|=|C|，且對于任意歷史節(jié)目ph∈Rhis，有argChannel(ph)∈C，同理，任意正在播出的節(jié)目pn∈Rnow，有argChannel(pn)∈C.那么推薦任務(wù)是：在t時刻，為用戶u的產(chǎn)生TOP-N推薦列表ranku(C,N)(推薦頻道)或者ranku(Rnow,N)(推薦節(jié)目).選擇用戶切換頻道的時刻作為換臺時刻，換臺操作表明當(dāng)前用戶正在尋找喜愛的內(nèi)容，此時的推薦正好滿足其需求，而這一時刻就是用戶收視記錄的開始時間.對于直播電視而言，常見的數(shù)據(jù)集包含收視記錄和EPG(見表1和表2)，這些數(shù)據(jù)為最為基礎(chǔ)，本文以此開展工作，所提方法包括偏好估計(jì)、偏好預(yù)測、推薦3個過程(見圖1).

表1 收視記錄Table 1 Viewing record

1)偏好估計(jì).通過收視時段劃分的方式將每個頻道劃分成ts個收視時段，每個時段被稱為一個虛擬頻道.因此，m個用戶的所有收視行為均可映射到n個虛擬頻道上，通過構(gòu)建用戶-虛擬頻道評分矩陣E=(eu,v)m×n來描述用戶偏好.具體的，將每個收視行為量化，并經(jīng)遺忘函數(shù)調(diào)整后累加到E中，E中的未填充項(xiàng)保留為空.

表2 EPGTable 2 EPG

下文將詳細(xì)描述上述過程.

3.2 偏好估計(jì)

偏好估計(jì)包含量化隱性反饋、生成虛擬頻道、構(gòu)建用戶-虛擬頻道評分矩陣3個步驟.

首先，量化隱性反饋.用戶的隱性反饋如表1所示.已有的量化方法包括收視時長累計(jì)法[25]，“0-1”法[26]，收視時長占比法[10].注意到，收視時長累計(jì)法只考慮了用戶的收視時長，但未考慮節(jié)目自身的長度.假設(shè)用戶u從節(jié)目的播放時刻(bs_time)分別收看了阿甘正傳(節(jié)目時長為142分鐘)和紙牌屋(節(jié)目時長為45分鐘)各40分鐘，收視時長累計(jì)法認(rèn)為兩次收視行為等價，但很顯然用戶u對紙牌屋的偏好要高于阿甘正傳.“0-1”法只反映了用戶是否收看了目標(biāo)節(jié)目，對原始信息的利用明顯不足.因此，本文選擇收視占比法，即：

(1)

其中，vd=end_time-start_time,rt=be_time-start_time.

其次，電視頻道通常在不同的時段播放不同類型的節(jié)目，尤其是綜合類型的頻道.比如，CCTV-1在早晨播放早間新聞，在下午放學(xué)后播放動畫片，在晚上播放電視劇和晚間新聞等，每個時段播放的內(nèi)容面向不同的收視群體，電視節(jié)目的播出呈現(xiàn)周期性.因此，將頻道c的一個播出周期(比如一天)劃分成若干子時段，每個子時段稱為一個虛擬頻道.與現(xiàn)有基于經(jīng)驗(yàn)的時段劃分策略不同，考慮到每個頻道的節(jié)目風(fēng)格及播出計(jì)劃存在差異，本文將與頻道c相關(guān)的所有用戶的收視記錄的開始時間(start_time)作為輸入，利用Kmeans++(歐式距離)將頻道c的一個播出周期(比如一天)聚類為ts個子時段，每個子時段對應(yīng)頻道c的一個虛擬頻道.即：

(2)

式(2)表明，頻道c的時段劃分集合Dc由連續(xù)的收視子時段dcs組成，各子時段沒有交集.其中，dcs是頻道c的第s個收視時段，也即頻道c的第s個虛擬頻道.對于任意頻道q，若c≠q，則Dc≠Dq.虛擬頻道集合為V={vcs|c∈C,s∈[1,2,…,min(ts,Lc)]}，Lc表示為所有用戶關(guān)于頻道c的收視記錄集合，C為物理頻道的集合.聚類結(jié)果反映了該頻道周期性的播出特征.類似的，陶永才等[27]針對用戶閱讀過的新聞聚類，為用戶劃分閱讀時段.注意到，盡管虛擬頻道數(shù)量多于物理頻道，但任意時刻正在播出節(jié)目的虛擬頻道的數(shù)量與物理頻道數(shù)量相等.

虛擬頻道本質(zhì)上是通過引入時間因素將物理頻道劃分為若干子“頻道”，由于電視節(jié)目的播出呈現(xiàn)明顯的周期性，因此，這種基于時段的劃分方式能夠有效地反映每個頻道的播出特征.此外，直播電視觀眾分為若干收視群體，比如老年人，兒童，成年人等，不同的收視人群在收視時段的選擇和頻道的選擇方面存在差異，而基于收視行為的虛擬頻道劃分恰能區(qū)分不同的收視人群.相比基于經(jīng)驗(yàn)的時段劃分方式，本文方法反映了頻道間的差異、可解釋性強(qiáng).

最后，構(gòu)建用戶-虛擬頻道評分矩陣E=(eu,v)m×n,用戶u對虛擬頻道v的評分為：

(3)

F(ru,i,hi)=ru,i×e(-l×hi)

(4)

其中，l表示為冷卻系數(shù)，e為數(shù)學(xué)常數(shù).

F(ru,i,hi)=ru,i×(1-0.56×hi0.06)

(5)

觀眾的收視行為呈周期性，主要體現(xiàn)在收視時段上，而不是在頻道或是節(jié)目的選擇上.比如，“追劇”是一種常見的收視行為，某觀眾在每晚20:05收看北京衛(wèi)視的《大宅門》，此后又在每晚19:35 “追”浙江衛(wèi)視的《亮劍》，兩次“追劇”發(fā)生在同一個收視時段s.在兩次追劇評分相等的情況下，若整部《亮劍》還未結(jié)束，該觀眾仍有繼續(xù)“追”《亮劍》可能，此時通過遺忘函數(shù)使得該用戶在s時段對浙江衛(wèi)視的偏好高于對北京衛(wèi)視的偏好.

3.3 偏好預(yù)測

1)SVD是著名的矩陣分解算法，它將Xp×q分解成3個不同的矩陣Lp×y，My×y，Ry×q，表示為：

X=LMRT

(6)

其中，Lp×y和Ry×q分別為正交矩陣.My×y為奇異矩陣，其對角線數(shù)字為非負(fù)實(shí)數(shù).如從高到低保留g個對角線數(shù)字，其余對角線數(shù)字用0代替，那么通過式(7)，得到與原始矩陣X接近的低秩矩陣X(g)，從而對原始矩陣中的未知項(xiàng)進(jìn)行預(yù)測.

(7)

2)張量分解包括CP分解和Tucker分解.其中，Tucker分解將張量分解為核心張量在每個模型上與矩陣的乘積.因此，三維張量XI×J×K可以表示為：

(8)

其中，A∈RI×P，B∈RJ×Q和C∈RK×R為因子矩陣，通常是正交的.G∈RP×Q×R為核心張量.P、Q和R為A、B和C的成分?jǐn)?shù)(例如列相量的數(shù)目)，P≤I，Q≤J，R≤K.對于X中未知元素xijk，采用式(9)進(jìn)行預(yù)測：

(9)

這里令K=R=1,采用式(9)預(yù)測二維張量user-virtualchannel的空置項(xiàng).

3.4 推 薦

經(jīng)過偏好預(yù)測，在推薦時刻t，用戶u的任意候選節(jié)目均能唯一對應(yīng)一個虛擬頻道并在偏好預(yù)測矩陣E′中對應(yīng)一個預(yù)測評分，此時E′已經(jīng)能夠應(yīng)對節(jié)目冷啟動.為進(jìn)一步優(yōu)化推薦模型，本文引入候選節(jié)目信息.通常，各頻道在每天的同一時段播放的節(jié)目類型相似.因此，通過計(jì)算同一虛擬頻道中候選節(jié)目與歷史節(jié)目的相似度，結(jié)合用戶對歷史節(jié)目的評分來預(yù)測用戶對候選節(jié)目的評分.節(jié)目間相似度的計(jì)算通常采用基于媒體信息(比如節(jié)目分類)的方法，本文提出利用時間信息計(jì)算節(jié)目相似度的方法.假設(shè)同一虛擬頻道播出的不同節(jié)目i′和i，若二者時間信息{bs_time，be_time，be_time-bs_time}相近，則兩個節(jié)目相似，利用歐式距離來計(jì)算兩節(jié)目的相似度sim(i′,i).推薦過程包括3個步驟：

首先，利用節(jié)目相似度預(yù)測用戶u對節(jié)目i′的評分su,i′，如式(10)所示：

(10)

(11)

最后，通過式(12)得到用戶u在時間t對節(jié)目i′的偏好：

(12)

4 推薦模型選擇及實(shí)驗(yàn)結(jié)果分析

4.1 數(shù)據(jù)處理及評價標(biāo)準(zhǔn)

數(shù)據(jù)源來于生產(chǎn)系統(tǒng)，從2017年5月17日-2017年6月20日包括包含35143個機(jī)頂盒的收視記錄和EPG.為方便實(shí)驗(yàn)，本文隨機(jī)選擇500個賬號，每個賬號至少200條收視記錄，生成用作實(shí)驗(yàn)的數(shù)據(jù)集.將每個賬號的收視記錄按照發(fā)生時間先后排序，以80∶20的比例分成訓(xùn)練集和測試集，過濾掉測試集中收視時長少于300秒的收視行為.數(shù)據(jù)集中各節(jié)目id均不相同，相關(guān)算法在完全節(jié)目冷啟動條件下實(shí)施，即Rhis∩Rnow=?.采用Precision、Recall、nDCG和MRR作為評價標(biāo)準(zhǔn).

4.2 對比方法

為展示所提算法的性能，本文從偏好估計(jì)及偏好預(yù)測的角度選擇對比算法，并增加Pop方法以反映直播電視業(yè)務(wù)的收視特點(diǎn)，這些方法均能應(yīng)對冷啟動問題：

Pop：在推薦時刻t，統(tǒng)計(jì)每個頻道的在線收看人次，按照從多到少排列.

UCT[29]：基于時段劃分的推薦模型.首先，將每天分成8個收視時段，構(gòu)建user-time-channel評分展張量；其次，將每個收視時段的累積收視時長作為用戶在該時段的收視偏好；最后，通過Tucker分解實(shí)現(xiàn)結(jié)果預(yù)測.

MFHM[8]：基于用戶相似度的協(xié)同過濾模型.通過引入權(quán)重系數(shù)，融合用戶的收視時長和觀看時長占比，構(gòu)建用戶收視評分函數(shù).利用Pearson相關(guān)系數(shù)計(jì)算用戶間相似度，通過基于user-based的協(xié)同過濾算法實(shí)現(xiàn)推薦，在推薦時刻利用鄰居對當(dāng)前節(jié)目已播放部分pf的評分來代替未播放部分pl的評分.

ST[30]：基于圖的推薦方法.本文采用基于{用戶，項(xiàng)目，標(biāo)簽}3部圖的方法ST[30]來捕捉用戶-頻道-時段特征.1)將所有節(jié)目的播出開始時間聚類,產(chǎn)生P=24個時段標(biāo)簽集Hs；2)將所有節(jié)目的播出結(jié)束時間聚類,產(chǎn)生P=24個時段標(biāo)簽集He；3)頻道名稱標(biāo)簽集Tc.全部標(biāo)簽集為T={Hs,He,Tc}，標(biāo)簽總數(shù)為|T|=24+24+n.

WIM[10]：當(dāng)前最新的直播電視推薦算法，它從偏好估計(jì)、評分預(yù)測、推薦3個環(huán)節(jié)提升算法性能.首先，將用戶的收視行為提取為收視評分以及評分權(quán)重；其次，采用加權(quán)的最小二乘法預(yù)測未評分項(xiàng)；最后，利用收視概率模型對評分矩陣調(diào)節(jié)，將調(diào)節(jié)結(jié)果按照降序后產(chǎn)生推薦列表.本文采用加權(quán)的最小二乘法的隱特征空間維度為60，迭代次數(shù)300.本文對WIM進(jìn)行了調(diào)整以使其能應(yīng)對節(jié)目冷啟動，調(diào)整方法在對比實(shí)驗(yàn)中說明.

4.3 模型選擇與結(jié)果分析

4.3.1 數(shù)據(jù)的利用

偏好估計(jì)是本文模型的基礎(chǔ)，本文利用偏好估計(jì)來選擇最佳的原始數(shù)據(jù).直播電視用戶通過反饋收視時長來表達(dá)對目標(biāo)節(jié)目的偏好.極短的一個收視時長很可能意味著用戶剛剛了解的節(jié)目內(nèi)容(比如，節(jié)目名稱及節(jié)目類型)便表達(dá)了一種負(fù)面情緒，這類行為在收視行為中比重較大，比如，30秒以內(nèi)的收視時長，占收視行為的比例為60.58%，這類表達(dá)負(fù)面情緒的收視行為被稱為負(fù)反饋，其余行為則被稱為正反饋.區(qū)分正負(fù)反饋的目的在于有效的利用數(shù)據(jù)，提高偏好估計(jì)的效果.對于不同的模型，正負(fù)反饋的區(qū)分標(biāo)準(zhǔn)也不相同，比如，WIM采用收視時長占比[10]，Wang等[9]采用設(shè)定收視時長閾值(300秒).本文設(shè)定收視時長閾值α來過濾數(shù)據(jù)，探討如何給本文模型提供最佳輸入.分別將α∈{0，60，120，180，240，300，360}作為門限過濾掉“短暫”的收視行為.從表3看到，當(dāng)α=0時，本文模型獲得最好結(jié)果.當(dāng)α=240，本文模型獲

表3 α對偏好估計(jì)的影響(ts=8)Table 3 Impaction of α on preference estimate(ts=8)

得最好的Top-1，但推薦列表質(zhì)量下降.這是由于隨著數(shù)據(jù)量的減少，偏好估計(jì)矩陣變得稀疏，同時非熱點(diǎn)偏好的估計(jì)可能變得不準(zhǔn)確，影響了冷門偏好的推薦效果.然而，因熱門偏好的樣本豐富，數(shù)據(jù)的減少對熱門偏好估計(jì)的影響較小.相反，數(shù)據(jù)質(zhì)量的提升使得其偏好估計(jì)更加準(zhǔn)確，從而提升了模型對熱點(diǎn)內(nèi)容的推薦精度.

4.3.2 偏好估計(jì)效果

固定α=0，調(diào)整虛擬節(jié)目劃分的聚類數(shù).如表4所示，盡管在ts=12處和ts=1處，部分指標(biāo)表現(xiàn)突出.但在ts=4處，nDCG@5和MRR明顯優(yōu)于其它.由于好的候選項(xiàng)列表對后續(xù)的偏好預(yù)測和推薦有利.因此，選擇在α=0，ts=4的條件下，比較遺忘函數(shù)的效果.為便于呈現(xiàn)，將User-virtual channel偏好提取策略表示為E1，Newton′s law of cooling(冷卻系數(shù)l=0.03)表示為E2，Hermann Ebbinghaus遺忘曲線表示為E3.如表5所示，相比E1，組合(E1+E2)和組合(E1+E3)各方面的評價結(jié)果都有不同程度的提升.在采用E1的條件下，牛頓冷卻定律的效果優(yōu)于艾賓浩斯遺忘曲線.從表6中，本文獲得了牛頓冷卻定律的最佳冷卻系數(shù)(l=0.03).

4.3.3 偏好估計(jì)效果

如表7所示，P1表示SVD，P2表示Tucker分解.通過策略組合來評價每個策略的作用.組合(E1+E2+P1)和組合(E1+E2+P2)的效果均比組合(E1+E2)(表5)的效果好，同樣，組合(E1+E3+P1)和組合(E1+E3+P2)的效果均比組合(E1+E3)(表5)的效果好，這說明SVD和張量分解均發(fā)揮了作用.組合(E1+E2+P1)的效果優(yōu)于組合(E1+E2+P2)并且組合(E1+E3+P1)的效果優(yōu)于組合(E1+E3+P2)，這說明SVD的預(yù)測效果好于Tucker分解.最終，組合(E1+E2+P1)的效果最好.為避免策略疊加帶來負(fù)面影響，本文補(bǔ)充了實(shí)驗(yàn)，從表7中看到，組合(E1+E2+P1)和組合(E1+E3+P1)的效果均優(yōu)于組合(E1+P1)的效果，同樣，組合(E1+E2+P2)和組合(E1+E3+P2)的效果均優(yōu)于比組合(E1+P2)的效果，這說明偏好預(yù)測策略(P1和P2)并沒有影響到遺忘函數(shù)的效果.

表4 ts對偏好估計(jì)的影響(α=0)Table 4 Impaction of ts on preference estimate(α=0)

表5 遺忘函數(shù)的效果(Newton′s law of cooling VS Hermann Ebbinghaus)Table 5 Effect of memory function(Newton′s law of cooling VS Hermann Ebbinghaus)

表6 Newton′s law of cooling的冷卻系數(shù)l對結(jié)果的影響Table 6 Impaction of Newton′s law of cooling

4.3.4 推 薦

如圖2所示，在組合(E1+E2+P1)上增加推薦策略R1后，模型效果在各方面的表現(xiàn)均有所提升.整體來看，每種策略對提升推薦效果均發(fā)揮了作用.從圖2看到，組合(E1+E2+P1)與組合(E1+E2)幾乎重疊.這是因?yàn)橄啾葌鹘y(tǒng)用戶-節(jié)目評分矩陣的高稀疏性，用戶-虛擬頻道矩陣稀疏性并不明顯，所以P1(SVD)預(yù)測填空的項(xiàng)目不多.通過表7中組合(E1+E2+P2)、組合(E1+E3+P2)分別與表5中組合(E1+E2)、組合(E1+E3)的比較，本文得到P2(Tucker分解)也是同樣的效果.

表7 策略融合效果對比Table 7 Effect comparison of combined strategies

圖2 策略融合對比Fig.2 Comparison of strategies fusion

4.3.5 結(jié)果對比

本節(jié)將所提算法與已有算法進(jìn)行對比.如圖3所示，本文所提方法的表現(xiàn)明顯優(yōu)于對比算法.在對比算法中，WIM和ST表現(xiàn)突出，各項(xiàng)評價標(biāo)準(zhǔn)得分相近.WIM無法應(yīng)對節(jié)目冷啟動問題，因此在偏好估計(jì)時，本文采用用戶-虛擬頻道偏好矩陣(ts=1為最佳參數(shù))代替原算法中的用戶-節(jié)目偏好矩陣.隨著推薦列表長度的增加，除Pop外，各算法的推薦效果均得到明顯提升，其中MFHM推薦效果提升最快.具體的，WIM在N∈[1,7]處優(yōu)于ST，但隨著推薦列表長度的增加，ST提升較快反超WIM.從nDCG來看，WIM一直領(lǐng)先ST，并在MRR指標(biāo)中高于ST，成為對比算法中的最佳算法.盡管MFHM的推薦準(zhǔn)確率隨著推薦列表的增加而明顯提升，但其在各N值處的表現(xiàn)明顯弱于其它對比算法，在Recall@1處的表現(xiàn)僅僅稍好于Pop.Pop的推薦能力在推薦列表N∈[1,5]處有較明顯提升，在Recall@5處達(dá)到19.32%，之后提升趨緩慢.這表明，少數(shù)熱播節(jié)目吸引了一定人群，但個性化收視需求明顯，電視節(jié)目收視呈現(xiàn)長尾效應(yīng).

圖3 方法對比Fig.3 Comparison of different algorithms

4.3.6 數(shù)據(jù)稀疏性的影響

按比例(80%、60%、40%、20%)從訓(xùn)練集(Pop為測試集)中為每一個用戶隨機(jī)選擇數(shù)據(jù)(不放回采樣)，生成稀疏訓(xùn)練集，測試各算法在數(shù)據(jù)稀疏情況下的表現(xiàn).如圖4所示，隨著數(shù)據(jù)的逐漸減少，各算法各項(xiàng)指標(biāo)均逐漸下降，降幅差異明顯.總體來看，本文的方法表現(xiàn)仍然為最好，在不同的數(shù)據(jù)集條件下均領(lǐng)先各對比算法.

圖4 不同稀疏數(shù)據(jù)集下各算法對比(MRR)Fig.4 Comparison of different algorithms in different sparse data(MRR)

5 結(jié) 論

針對現(xiàn)有推薦算法在應(yīng)對直播電視節(jié)目冷啟動時存在的不足，本文在沒有引入額外信息的情況下，提出了一個時間相關(guān)的直播電視推薦算法，它包含偏好估計(jì)、偏好預(yù)測、推薦3個部分.首先，采用用戶-虛擬頻道偏好矩陣代替?zhèn)鹘y(tǒng)的用戶-節(jié)目偏好矩陣，緩解了數(shù)據(jù)稀疏帶來的負(fù)面影響，引入遺忘函數(shù)改善了偏好估計(jì)的準(zhǔn)確性，然后，通過基于協(xié)同過濾的偏好預(yù)測完善了偏好矩陣，從而應(yīng)對節(jié)目冷啟動問題，最后，通過計(jì)算節(jié)目相似度進(jìn)一步提升推薦效果.在真實(shí)的數(shù)據(jù)集中的對比實(shí)驗(yàn)表明：在Recall@1和Recall@5，本文所提方法相比最新方法WIM分別提升25.91%、6.86%，相比ST分別提升了32.97%和9.58%，相比UCT分別提升43.94%，23.24%，相比MFHM分別提升198.51%，83.09%，相比Pop分別提升249.68%和267.03%.