贵广网络智能推荐系统设计方案

34

《有线电视技术》 2019年第10期 总第358期

贵广网络智能推荐系统设计方案

曾敬鸿 朱迪 付守伟 贵州省广播电视信息网络股份有限公司

陈丹 雷航 李赵宁 电子科技大学

摘要：本文介绍了贵广网络智能推荐系统的主要设计思想、数据处理流程以及技术方案，探索人工智能推荐技术在广电领域的优化应用方案。

关键词：人工智能 大数据 推荐系统 IPTV

1 引言

随着我国广电技术与产业的快速发展，广电节目内容与视频服务内容日益丰富。为了解决大屏电视交互中用户

发现和匹配个性化内容效率低的难题，贵广网络充分利用大数据与人工智能技术，打造了广电专属的智能推荐系统。通过大数据分析发现用户偏好，再针对用户偏好进行个性化内容推荐，提升了用户体验，增强了用户黏度。

基于深度学习的TensorFlow 开源框架，自建人工智能基础平台。采用深度学习算法训练人工智能推荐模型，并将训练的模型形成一种能力，通过定制接口提供给相关应用调用，最终实现在电视、手机等智能终端向用户呈现。在内容的推荐推送与终端使用反馈的反复循环中，让智能推荐系统持续捕获用户个性化偏好，进行相应的电影、电视剧、新闻、综艺节目等内容推荐，降低用户发现内容的系统成本，提升撮合内容和用户匹配的效率。

2 系统设计

本系统的数据流程设计如图1所示。整个数据流程被分为系统管理平台、智能推荐数据处理平台以及个性化推荐引擎三大模块。

管理平台为管理员提供了系统账号管理、配置推荐策略和推荐算法、配置优先及屏蔽规则以及查看统计分析报表等功能。

用户数据和媒资数据汇聚到数据

处理和分析平台，进行数据清洗、集成、转换和规约等一系列预处理。随后，对预处理数据进行分析，形成包括内容标签和用户标签的标签体系，提取用户关键标签并形成用户画像。

基于用户标签画像进行离线建模分析，得到用户推荐模型。同时，数据处理和分析平台获取用户反馈的实时数据，

对热点数据库中的用户数据进行更新。基于推荐模型计算用户、内容的近邻

用户，并基于各种推荐模型计算出多维度的用户偏好。

为了实时获取用户当前行为偏好，个性化推荐引擎采用实时流处理技术进行场景识别、

动态画像、内容过滤，从而进行实时推荐。个性化推荐引擎主要实现以下几个功能。

（1）场景判断

基于用户实时行为数据判断用户场景，作为后续数据处理和个性化推

荐的基础。（2）反馈处理

基于用户浏览、观看等行为进行

隐式用户反馈分析，作为构建用户动态画像、进行个性化推荐的依据。

图1 智能推荐系统数据流程设计图