一种基于自注意力机制的IPTV直播频道融合推荐方法

一种基于自注意力机制的iptv直播频道融合推荐方法
技术领域
1.本发明涉及电视推荐技术领域，具体涉及一种基于自注意力机制的iptv直播频道融合推荐方法。


背景技术：

2.随着互联网以及多媒体技术的发展，网络协议电视(internet protocol television，iptv)提供更加丰富的电视直播频道，由于电视直播频道数量的快速增加，用户不得不花费更多的时间在频道切换过程中去寻找自己感兴趣的节目内容，这种随机的频道切换动作也造成了用户观看体验的降低以及网络资源的浪费。因此，通过新技术手段帮助用户提升观看体验质量也已经成为了iptv领域中的一个重要研究方向。
3.目前iptv服务提供商主要还是使用电子节目指南(electronic program guide，epg)的方式来减轻用户在直播电视服务中的切换时延问题。epg是嵌入在iptv层次结构菜单中的频道列表，列表中的每个条目包含频道标识以及当前频道在当前时刻播放的电视节目内容的描述信息。用户在需要切换频道时可以通过调出epg来快速浏览每个频道播放的节目信息，这种方式虽然可以在一定程度上降低用户在频道之间不停切换的时间代价，但是目前的epg菜单很难满足用户个性化的观看需求。首先，用户必须要浏览epg菜单中的每一项才能够找到自己感兴趣的节目内容；其次，提供给所有用户epg菜单信息都是相同的，这难以满足用户的个性化需求。推荐系统由于能都捕获用户的历史兴趣从而可以主动地给用户提供个性化的推荐列表，已经在视频、电商以及广告等领域取得较大的成功。但是现阶段iptv领域的个性化推荐系统研究仍然面临挑战，首先，许多推荐方法研究工作更加关注iptv点播视频的场景，对电视直播频道推荐场景的关注较少；其次，目前的iptv直播频道推荐方法从用户观看频道历史行为记录中捕获用户观看模式的能力还较为有限，有待开发更好的推荐方法来深度挖掘用户兴趣，进一步提高直播频道推荐系统的性能。


技术实现要素：

4.为了克服现有技术存在的缺陷与不足，本发明提供一种基于自注意力机制的iptv直播频道融合推荐方法，能够提高iptv直播频道推荐的准确率。
5.为了达到上述目的，本发明采用以下技术方案：
6.本发明提供一种基于自注意力机制的iptv直播频道融合推荐方法，包括下述步骤：
7.获取终端设备中用户的历史观看日志数据作为原始数据，构成多元组；
8.对原始数据进行预处理，将预处理后的原始数据按照开始观看时间进行排序，根据设置的时间窗口将数据划分为训练集、验证集以及测试集；
9.对预处理后的原始数据进行特征提取操作，构建反映用户观看行为模式的深度学习特征；
10.基于预处理后的原始数据和所述深度学习特征构建结合自注意力机制的iptv直
播频道融合推荐神经网络模型；
11.将训练集输入到iptv直播频道融合推荐神经网络模型中训练，通过验证集调整iptv直播频道融合推荐神经网络模型的超参数，获得并保存训练好的iptv直播频道融合推荐神经网络模型；
12.将测试集输入到训练好的iptv直播频道融合推荐神经网络模型中，得到个性化频道推荐列表。
13.作为优选的技术方案，所述对原始数据进行预处理，具体步骤包括：
14.过滤原始数据中缺失字段、异常字段的观看记录以及观看时长小于设定阈值t的数据记录。
15.作为优选的技术方案，所述构建反映用户观看行为模式的深度学习特征，具体步骤包括：
16.获取用户观看数据中的时间上下文特征，计算用户观看数据中的任意两个频道相关的时间特征的绝对差值构建相对时间间隔特征。
17.作为优选的技术方案，所述计算用户观看数据中的任意两个频道相关的时间特征的绝对差值构建相对时间间隔特征，具体步骤包括：
18.获取训练集中用户按照开始观看时间升序排序后的频道序列，将频道序列转换为固定长度为n的序列，包括序列频道序列、时隙特征序列、星期特征序列；
19.基于时隙特征序列构造任意两个输入频道之间的相对时隙间隔特征；
20.基于星期特征序列构造任意两个输入频道之间的相对星期间隔特征。
21.作为优选的技术方案，所述基于预处理后的原始数据和所述深度学习特征构建结合自注意力机制的iptv直播频道融合推荐神经网络模型，具体步骤包括：
22.基于自注意力机制和所述深度学习特征，构建时间感知的自注意力iptv直播频道推荐神经网络模型；
23.基于预处理后的原始数据构建基于隐式反馈特征统计策略的基础iptv直播频道推荐模型；
24.基于时间感知的自注意力iptv直播频道推荐神经网络模型和基于隐式反馈特征统计策略的基础iptv直播频道推荐模型构建iptv直播频道融合推荐神经网络模型。
25.作为优选的技术方案，所述构建时间感知的自注意力iptv直播频道推荐神经网络模型，具体步骤包括：
26.输入层通过嵌入矩阵将离散的特征转换为特征向量；
27.构建时间感知自注意力层，构建的时间感知注意力层通过用户历史观看频道序列与所述深度学习特征融合共同捕获用户隐式观看序列模式，具体表示为：
[0028][0029]
其中，gi表示时间感知自注意力层的输出向量，表示输入频道chj的特征向量，wv∈rd×d表示自注意力层中value向量的投影矩阵，表示输入频道的位置向量，表示输入频道chi和chj之间的相对时间间隔特征向量，d表示特征向量的维度，
α
ij
表示输入i和j之间的权重系数，由softmax函数计算如下：
[0030][0031][0032]
其中，表示输入频道chi的特征向量，wq∈rd×d表示自注意力层中query向量的投影矩阵，表示输入频道chj的特征向量，wk∈rd×d表示自注意力层中key向量的投影矩阵，表示输入频道chi和chj之间的相对时间间隔特征向量，d表示特征向量的维度；
[0033]
构建前向连接网络层，该层公式表述如下：
[0034]
ffn(oi)＝(relu(oiw1 b1))w2 b2[0035]
其中，ffn(oi)表示前向连接网络层的输出向量，oi∈rd表示前向连接网络层的输入向量，w1,w2∈rd×d表示权重变换矩阵，b1,b2∈rd表示偏置向量，relu表示激活函数；
[0036]
预测层通过隐语义模型计算频道c在时间步t的相对得分，具体公式为：
[0037][0038]
其中，r
c,u,t
表示预测层输出的用户u在时间步t对频道c的预测得分，表示频道c的特征向量，表示经过s4.1.3中前向连接网络层后得到的t时间步的用户特征向量。
[0039]
作为优选的技术方案，在构建时间感知的自注意力iptv直播频道推荐神经网络模型过程中，时间感知自注意力层和前向连接网络层还包括使用残差连接、dropout正则化以及层归一化优化方法。
[0040]
作为优选的技术方案，所述基于预处理后的原始数据构建基于隐式反馈特征统计策略的基础iptv直播频道推荐模型，具体步骤包括：
[0041]
所述基于隐式反馈特征统计策略的基础iptv直播频道推荐模型包括构建结合观看时长、观看频次、频道切换频次以及时隙内频道切换频次的隐式反馈特征统计策略的基础iptv直播频道推荐模型；
[0042]
基于用户在每个特定时隙内观看的频道的总时长获取对频道的预测得分，具体公式为：
[0043][0044]
其中，表示用户u在t时刻对频道c的预测得分，t
start
表示历史窗口的起始时间，ts(t)表示时刻t所在的时隙，d(u,c,t)表示用户u在时间周期t内观看的频道c的总时间；
[0045]
对预测得分进行归一化处理；
[0046]
基于用户在每个特定时隙内观看的频道的总频次获取对频道的预测得分，具体公式为：
[0047][0048]
其中，表示用户u在t时刻对频道c的预测得分，f(u,c,t)表示用户u在时间周期t内观看的频道c的总频次；
[0049]
基于用户历史数据中前一次观看的频道向其它频道切换的频次获取对频道的预测得分，具体公式为：
[0050][0051]
其中，表示用户u在t时刻对频道c的预测得分，c
′→
c表示从频道c
′
向频道c切换，su(c
′→
c,[t
start
,t))表示在[t
start
,t)时间段内从频道c
′
向频道c切换动作的集合；
[0052]
基于用户历史数据中前一次观看的频道所在的时隙内向其它频道切换的频次获取对频道的预测得分，具体公式为：
[0053][0054]
其中，表示用户u在t时刻对频道c的预测得分，ts(c
′
)表示前一次观看的频道c
′
所在的时隙，su(c
′→
c,[t
start
,t)∩ts(c
′
))表示在[t
start
,t)时间段的ts(c
′
)时隙内从频道c
′
向频道c切换动作的集合。
[0055]
作为优选的技术方案，所述基于时间感知的自注意力iptv直播频道推荐神经网络模型和基于隐式反馈特征统计策略的基础iptv直播频道推荐模型构建iptv直播频道融合推荐神经网络模型，具体步骤包括：
[0056]
融合层构建两层全连接网络用于获取基础推荐模型的自适应权重，具体公式为：
[0057]
h1＝σ(w1v1 b1)
[0058]
β＝σ(w2h1 b2)
[0059]
其中，v1∈r
3d
×1表示用户特征向量、时隙特征向量和星期特征向量拼接后的输入特征向量，w1∈rd×
3d
表示第一层全连接网络的变换矩阵，b1∈rd×1表示第一层全连接网络的偏置向量，σ(
·
)表示sigmoid激活函数，h1表示第一层全连接网络的输出向量；w2∈rd×
3d
表示第二层全连接网络的变换矩阵，b2∈rd×1表示第二层全连接网络的偏置向量，β∈rk×1表示第二层全连接网络的输出向量，k表示输出向量的维度；
[0060]
融合预测层通过隐语义模型计算频道c在时间步t的相对得分，具体公式为：
[0061][0062]
其中，r
c,u,t
表示融合预测层输出的用户u在时间步t对频道c的预测得分，r
c,u,t
表示步骤s4.1.4所述预测层的输出，βi表示融合层输出的基础推荐模型的自适应权重，
表示基础推荐模型methodi输出的用户u在时刻t
′
对频道c的预测得分。
[0063]
作为优选的技术方案，所述将训练集输入到iptv直播频道融合推荐神经网络模型中训练，所述iptv直播频道融合推荐神经网络模型基于构建的point-wise排序损失函数进行网络训练，待损失值不再下降时，停止网络训练并保存网络，具体损失函数公式为：
[0064][0065]
其中s表示训练集中全部样本集合，o
t
表示训练集中的正样本，σ(.)表示sigmoid激活函数，λ表示正则化系数，θ表示iptv直播频道融合推荐神经网络模型中的全部参数。
[0066]
本发明与现有技术相比，具有如下优点和有益效果：
[0067]
(1)本发明针对iptv用户直播频道观看数据特征，基于注意力机制构建了一种iptv直播频道融合推荐神经网络模型，通过时间感知的自注意力网络模块捕获用户历史观看频道的行为序列模式，进一步通过基于统计策略的基础推荐模块挖掘用户观看行为的隐式反馈特征，相比现有的iptv直播频道推荐技术，能够有效提高直播频道的推荐准确率。
[0068]
(2)本发明所提出的方法训练与预测过程仅仅需要iptv用户观看的历史频道数据，不需要维护任何频道播放的节目源数据信息，且自注意力网络拥有并行计算能力，相比现有技术本发明所提出的方法消耗的资源和时间更少。
附图说明
[0069]
图1为本发明基于自注意力机制的iptv直播频道融合推荐方法的流程示意图；
[0070]
图2为本发明训练集、验证集以及测试集划分的流程示意图；
[0071]
图3为本发明用户观看行为模式深度学习特征获取的流程示意图；
[0072]
图4为本发明时间感知的自注意力iptv直播频道推荐神经网络模型的架构图；
[0073]
图5为本发明基于自注意力机制的iptv直播频道融合推荐方法的整体架构图。
具体实施方式
[0074]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0075]
实施例
[0076]
如图1所示，本实施例提供一种基于自注意力机制的iptv直播频道融合推荐方法，包括下述步骤：
[0077]
s1、获取终端设备中用户的历史观看日志数据作为原始数据，构成多元组，其数据内容包括但不限于《用户编号，频道编号，开始时间，结束时间》；
[0078]
s2、对原始数据进行预处理操作，包括过滤原始数据中缺失字段数据、异常字段数据以及用户在频道切换过程中观看时间较短的噪声数据；将预处理后的用户数据按照开始观看时间进行排序，然后根据设置的时间窗口将数据划分为训练集、验证集以及测试集，具体过程如下：
[0079]
过滤掉原始数据中包含缺失字段、异常字段的观看记录以及观看时长小于给定阈
值t的数据记录；获取训练集中用户按照开始观看时间升序排序后的频道序列为：
[0080][0081]
其中，任意一个元组表示用户u在第t个时间步观看的频道编号为是与观看频道ch
tu
相关的时隙编号，是与观看频道相关的星期编号；将频道序列su转换为固定长度的序列频道序列ch＝(ch1,ch2,...,chn)，时隙特征序列ts＝(ts1,ts2,...,tsn)和星期特征序列dw＝(dw1,dw2,...,dwn)来满足序列神经网络模型transformer的输入，其中n是模型的最大输入长度，具体保留频道序列su最近的n个频道记录，大于n的序列将被截断，小于n的序列被填充直至长度为n；
[0082]
如图2所示，本实施例中针对总时长为31天的用户直播频道观看数据集的训练窗口设置为21天，验证集窗口设置为5天，测试集窗口为5天；其中训练集数据用来训练神经网络模型，验证集数据用来调整神经网络中的关键超参数，测试集数据用来评估神经网络模型的性能。
[0083]
s3、如图3所示，对预处理后的用户观看数据进行特征提取操作，获取能够反映用户观看行为模式的深度学习特征，获取用户观看数据中的时间上下文特征，通过计算用户观看数据中的任意两个频道相关的时间特征的绝对差值构建相对时间间隔特征，具体过程如下：
[0084]
s3.1、基于时隙特征序列ts＝(ts1,ts2,...,tsn)构造任意两个输入频道之间的相对时隙间隔特征，特征矩阵表示如下：
[0085][0086]
其中任一元素表示表示频道chi和chj之间的相对时隙间隔特征；
[0087]
s3.2、基于星期特征序列dw＝(dw1,dw2,...,dwn)构造任意两个输入频道之间的相对星期间隔特征，特征矩阵表示如下：
[0088][0089]
其中任一元素表示表示频道chi和chj之间的相对星期间隔特征；
[0090]
s4、基于预处理操作后的用户观看数据和深度学习特征构建结合自注意力机制的iptv直播频道融合推荐神经网络模型，具体过程如下：
[0091]
s4.1、基于自注意力机制和深度学习特征，构建时间感知的自注意力iptv直播频道推荐神经网络模型；
[0092]
如图4所示，构建时间感知的自注意力iptv直播频道推荐神经网络模型架构，包括以下步骤：
[0093]
s4.1.1、输入层：通过嵌入矩阵将离散的特征转换为特征向量；具体地，对于频道序列ch＝(ch1,ch2,...,chn)经过映射后输出的频道特征矩阵为其中任一元素d是特征向量的维度，r是实数域；通过特征矩阵和为自注意力机制中的key和value向量分别加入位置特征信息，其中任一元素
[0094]
步骤s3.1中相对时隙间隔特征矩阵rtu经过映射后输出的特征向量矩阵为：
[0095][0096]
其中任一元素该映射将特征矩阵rtu中的离散化特征值编码为特征向量，然后作为s4.1.2时间感知自注意力层的输入部分用于提取输入频道序列ch中的任意两个频道的相对时隙间隔特征；
[0097]
步骤s3.2中相对星期间隔特征矩阵rwu经过映射后输出的特征向量矩阵为：
[0098][0099]
其中任一元素该映射将特征矩阵rwu中的离散化特征值编码为特征向量，然后作为s4.1.2时间感知自注意力层的输入部分用于提取输入频道序列ch中的任意两个频道的相对星期间隔特征；
[0100]
s4.1.2、时间感知自注意力层：原始的自注意力层可以通过输入的用户历史观看频道序列来捕获其观看兴趣，并未考虑融入与输入相关的辅助上下文特征；构建的时间感知注意力层通过用户历史观看频道序列与步骤s3的时间上下文特征融合来共同捕获用户隐式观看序列模式，该层公式表述如下：
[0101][0102]
其中，gi表示时间感知自注意力层的输出向量，表示输入频道chj的特征
向量，wv∈rd×d表示自注意力层中value向量的投影矩阵，表示输入频道的位置向量，表示输入频道chi和chj之间的相对时间间隔特征向量，d表示特征向量的维度，α
ij
表示输入i和j之间的权重系数，由softmax函数计算如下：
[0103][0104][0105]
其中，表示输入频道chi的特征向量，wq∈rd×d表示自注意力层中query向量的投影矩阵，表示输入频道chj的特征向量，wk∈rd×d表示自注意力层中key向量的投影矩阵，表示输入频道chi和chj之间的相对时间间隔特征向量，d表示特征向量的维度；
[0106]
具体在原始自注意力层的value向量中加上步骤s3中所述的时间上下文特征经步骤s4.1.1编码后的特征向量和在原始自注意力层的key向量中加上步骤s3中所述的时间上下文特征经步骤s4.1.1编码后的特征向量和该层公式表述如下：
[0107][0108]
其中gi表示时间感知自注意力层的输出向量，表示输入频道chj的特征向量，wv∈rd×d是自注意力层中value向量的投影矩阵，表示输入频道的位置向量，表示输入频道chi和chj之间的相对时隙间隔特征向量，表示输入频道chi和chj之间的相对星期间隔特征向量，α
ij
表示输入i和j之间的权重系数，由softmax函数计算如下：
[0109][0110][0111]
其中，表示输入频道chi的特征向量，wq∈rd×d表示自注意力层中query向量的投影矩阵，表示输入频道chj的特征向量，wk∈rd×d表示自注意力层中key向量的投影矩阵，表示输入频道chi和chj之间的相对时隙间隔特征向量，表示输入频道chi和chj之间的相对星期间隔特征向量，d是特征向量的维度；
[0112]
在本实施例中，其中表示泛化的特征。在步骤s3中具体说明了两种特征，所以用的是这些符号取代
[0113]
s4.1.3、前向连接网络层：通过引入两层前向连接网络来提升模型的非线性拟合能力，具体该层公式表述如下：
[0114]
ffn(oi)＝(relu(oiw1 b1))w2 b2[0115]
其中，ffn(oi)表示前向连接网络层的输出向量，oi∈rd表示前向连接网络层的输入向量，w1,w2∈rd×d表示权重变换矩阵，b1,b2∈rd表示偏置向量，relu表示激活函数；
[0116]
在构建时间感知的自注意力iptv直播频道推荐神经网络模型过程中，时间感知自注意力层和前向连接网络层还包括使用残差连接、dropout正则化以及层归一化优化方法提升模型的能力；具体地，残差连接用于向深层网络传播低层网络的特征信息，droput正则化技术用于缓解过拟合问题，层归一化用于提升训练效率以及模型性能，公式表述如下：
[0117]
ui＝xi dropout(g(layernorm(xi)))
[0118]
其中，xi表示每个模块在时间步t的输入特征向量，layernorm(.)表示层归一化方法，g(.)表示时间感知自注意力层或者前向连接网络层，dropout(.)表示正则化方法；
[0119]
s4.1.4、预测层：通过隐语义模型计算频道c在时间步t的相对得分，具体公式表述如下：
[0120][0121]
其中r
c,u,t
表示预测层输出的用户u在时间步t对频道c的预测得分，表示频道c的特征向量，表示经过s4.1.3中前向连接网络层后得到的t时间步的用户特征向量；
[0122]
s4.2、基于s2得到的预处理操作后的用户观看数据，构建四种基于隐式反馈特征统计策略的基础iptv直播频道推荐模型，具体为：构建结合观看时长、观看频次、频道切换频次以及时隙内频道切换频次的隐式反馈特征统计策略的基础iptv直播频道推荐模型，包括以下步骤：
[0123]
s4.2.1、基于用户在每个特定时隙内观看的频道的总时长获取对频道的预测得分(personal schedule duration，psd)，具体公式表述如下：
[0124][0125]
其中，表示用户u在t时刻对频道c的预测得分，t
start
表示历史窗口的起始时间，ts(t)表示时刻t所在的时隙，d(u,c,t)表示用户u在时间周期t内观看的频道c的总时间；
[0126]
基于min-max归一化方式对s4.2.1中的预测得分进行归一化处理，具体公式表述如下：
[0127]
[0128]
其中，表示用户u对全部频道的预测得分向量，x表示min-max归一化的最小映射值，y表示min-max归一化的最大映射值，表示向量中的最小元素值，表示向量中的最大元素值；
[0129]
s4.2.2、基于用户在每个特定时隙内观看的频道的总频次获取对频道的预测得分(personal schedule frequency，psf)，具体公式表述如下：
[0130][0131]
其中，表示用户u在t时刻对频道c的预测得分，f(u,c,t)表示用户u在时间周期t内观看的频道c的总频次；
[0132]
s4.2.3、基于用户历史数据中前一次观看的频道向其它频道切换的频次获取对频道的预测得分(personal channel transition，pct)，具体公式表述如下：
[0133][0134]
其中，表示用户u在t时刻对频道c的预测得分，c
′→
c表示从频道c
′
向频道c切换，su(c
′→
c,[t
start
,t))表示在[t
start
,t)时间段内从频道c
′
向频道c切换动作的集合；
[0135]
s4.2.4、基于用户历史数据中前一次观看的频道所在的时隙内向其它频道切换的频次获取对频道的预测得分(personal schedule channel transition，psct)，具体公式表述如下：
[0136][0137]
其中表示用户u在t时刻对频道c的预测得分，ts(c
′
)表示前一次观看的频道c
′
所在的时隙，su(c
′→
c,[t
start
,t)∩ts(c
′
))表示在[t
start
,t)时间段的ts(c
′
)时隙内从频道c
′
向频道c切换动作的集合；
[0138]
s4.3、基于s4.1得到的时间感知的自注意力iptv直播频道推荐神经网络模型和s4.2得到的四种基于隐式反馈特征统计策略的基础iptv直播频道推荐模型构建iptv直播频道融合推荐神经网络模型；其中，四种基础推荐模型的自适应权重系数由网络联合训练得到；
[0139]
如图5所示，本实施例中的iptv直播频道融合推荐神经网络模型构建，包括以下步骤：
[0140]
s4.3.1、融合层：构建两层全连接网络用于获取s4.2中四种基础推荐模型的自适应权重，具体公式表述如下：
[0141]
h1＝σ(w1v1 b1)
[0142]
β＝σ(w2h1 b2)
[0143]
其中，v1∈r
3d
×1表示用户特征向量、时隙特征向量和星期特征向量拼接后的输入特征向量，w1∈rd×
3d
表示第一层全连接网络的变换矩阵，b1∈rd×1表示第一层全连接网络的偏置向量，σ(
·
)表示sigmoid激活函数，h1表示第一层全连接网络的输出向量；w2∈rd×
3d
表
示第二层全连接网络的变换矩阵，b2∈rd×1表示第二层全连接网络的偏置向量，β＝(β1,β2,β3,β4)
t
表示第二层全连接网络的输出向量；
[0144]
s4.3.2、融合预测层：通过隐语义模型计算频道c在时间步t的相对得分，具体公式表述如下：
[0145][0146]
其中，r
c,u,t
表示融合预测层输出的用户u在时间步t对频道c的预测得分，r
c,u,t
表示步骤s4.1.4所述预测层的输出，βi表示所述步骤s4.3.1融合层输出的基础推荐模型的自适应权重，表示步骤s4.2所述基础推荐模型methodi输出的用户u在时刻t
′
对频道c的预测得分；
[0147]
进一步地，步骤s5中iptv直播频道融合推荐神经网络模型基于构建的point-wise排序损失函数进行网络训练，待损失值不再下降时，停止网络训练并保存网络，具体损失函数公式表述如下：
[0148][0149]
其中，s表示步骤s2中训练集中全部样本集合，o
t
表示步骤s2中训练集中的正样本，σ(.)表示sigmoid激活函数，λ表示正则化系数，θ表示步骤s4中所述iptv直播频道融合推荐神经网络模型中的全部参数；
[0150]
具体公式表述如下：
[0151][0152]
其中，r
c,u,t
表示融合预测层输出的用户u在时间步t对频道c的预测得分，r
c,u,t
表示步骤s4.1.4预测层的输出，β1,β2,β3,β4分别是s4.2中四种推荐模型psd，psf，pct以及psct的自适应权重；
[0153]
在本实施例中，在公式中使用methodi用来表示泛化的基础推荐方法。而描述具体的四个基础推荐方法psd,psf,pct,psct时将泛化的methodi替换为具体的基础推荐方法。
[0154]
s5、将步骤s2中划分的训练集输入到iptv直播频道融合推荐神经网络模型中训练，待损失值不再下降时停止网络训练，通过s2中划分的验证集调整iptv直播频道融合推荐神经网络模型的超参数，获得并保存训练好的神经网络模型；
[0155]
本实施例中的iptv直播频道融合推荐神经网络模型基于构建的point-wise排序损失函数进行网络训练，具体公式表述如下：
[0156][0157]
其中，s表示步骤s2中划分的训练集中全部样本集合，o
t
表示步骤s2中划分的训练集中的正样本，σ(.)表示sigmoid激活函数，λ表示正则化系数，θ表示s4中iptv直播频道融
合推荐神经网络模型中的全部参数。
[0158]
s6、将测试集样本输入到训练好的iptv直播频道融合推荐神经网络模型中，得到个性化频道推荐列表；
[0159]
将步骤s2中划分的测试集样本经过s3进行深度学习特征提取，然后将频道数据以及特征数据输入至s5中训练好的iptv直播频道融合推荐神经网络中，具体地，根据步骤s4.3.1中融合层获得s4.2中四种基础推荐模型的自适应权重β1,β2,β3,β4值之后按照s4.3.2中融合预测层公式输出全部频道的预测得分，最后将全部频道的预测得分按照降序排列后得到个性化频道推荐列表。
[0160]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。