IPTV視頻個性化推薦方案

于洪涌，邱晨旭，聞劍峰

?

IPTV視頻個性化推薦方案

于洪涌，邱晨旭，聞劍峰

（中國電信股份有限公司上海研究院，上海 200122）

分析了IPTV視頻領域個性化推薦需求，以“虛擬視頻用戶”為基礎建立了IPTV視頻用戶畫像，構建了“離線批處理數據分析+在線流式推薦引擎”架構的個性化推薦系統，實現了IPTV視頻的個性化推薦。驗證結果證明該方案是大數據技術在提升用戶IPTV使用體驗方面的有益嘗試。

個性化推薦；大數據分析；IPTV

1 引言

2016年是IPTV跨越式發展的一年，工業和信息化部發布的數據顯示，2015年底我國IPTV用戶數是4 589.5萬戶，2016年底增長到8 673萬戶，2017年上半年達到1.03億戶。相對應我國有線數字電視付費用戶數2015年底是1.746 5億戶，2017年上半年減少到1.599 3億戶[1]。IPTV相比有線電視，具有寬帶綁定和互聯網視頻的優勢，相比互聯網視頻具有帶寬和直播的優勢，IPTV正以其綜合優勢占領著用戶的客廳屏。

用戶數是基礎，發展是關鍵。目前IPTV需要在豐富內容、創新業務（高清、3D等）、提升用戶使用體驗上進行加強，進一步留住用戶?，F在是一個內容爆炸和突出個性的時代，面對豐富的內容，怎么快速找到自己喜歡的節目是用戶開機后的第一選擇，于是個性化推薦系統應運而生，個性化推薦系統能使用戶在海量節目中快速定位自己喜歡的節目，是提升用戶體驗、黏住用戶的重要手段。

完整的個性化推薦系統至少包括數據采集、數據分析處理、得到個性化推薦列表和個性化推薦列表展現幾個部分，推薦內容展現需要和現網運營緊密結合，本文主要探討如何通過數據采集、分析，得到滿足用戶需求的個性化推薦列表。

2 需求分析

IPTV視頻個性化推薦的基本需求是：結合用戶以往的觀看行為和用戶信息，從節目庫中挖掘用戶感興趣的節目，推薦給用戶?；谶@個基本需求，結合IPTV運營經驗和用戶分析，IPTV視頻個性化推薦系統還需要滿足以下層次的需求。

（1）共性和個性化

人作為社會中的一員，是社會共性和私有個性的統一。在IPTV視頻領域，社會共性主要體現在：用戶對于“好的”節目有一定程度的普遍標準，用戶喜歡符合“好的”標準的節目；另一方面用戶具有“從眾”心理，會選擇別人都說好的節目或反映當前熱點和時尚的節目。

而個性化體現在：不同的人具有不同的興趣愛好和需求，體現在觀看視頻節目上，有喜歡足球比賽或動作電影等的差異；同時，由于用戶不同的消費習慣和家庭背景等，其IPTV行為也會有差異，如對于收費節目有不同的敏感度，有小孩的父母為小孩準備兒童動漫節目等。

總之，從共性和個性化角度，既要滿足用戶普遍審美觀和從眾心理，又要滿足不同興趣和背景下用戶的個性化需求，避免馬太效應。

（2）不同場景下的個性化推薦

用戶面對不同的頁面和節目時，其心理需求也是有差異的。系統應配合不同的場景，提供有差異化的個性化推薦。

開機后面對首頁時，大多用戶沒有強烈的指向性時，根據用戶喜好結合熱點節目向用戶推薦；用戶在觀看直播相關節目時，可以推薦相關節目的直播頻道；用戶觀看電影或電視劇時，可推薦相關電影或電視劇的點播和回看等；當用戶觀看娛樂節目時，可把相似用戶的觀看熱點推薦給用戶。

總之，一套讓用戶滿意的個性化推薦系統，應該是一套綜合的、隨機應變（能根據不同場景為用戶提供不同推薦內容）的系統，而不是千篇一律地重復。

（3）常規推薦和短期興趣點推薦

在個性化推薦系統中，用戶的個性化（或畫像）一般是基于對用戶一段時期的行為數據的分析得到的，具有一定的穩定性；但用戶的實際愛好或行為具有一定的跳躍性，如世界杯期間可能熱衷于比賽，同時冷落前期一直看的電視??；一段時期內對紀實片感興趣，把娛樂新聞拋在腦后等。

一個“好”的視頻個性化推薦系統，應該能敏銳地捕捉用戶“當前”的興趣點，并基于當前興趣點向用戶推薦個性化視頻內容。

（4）直播和點播的推薦

IPTV節目有直播和點播，直播節目還可以進行時移和回看，IPTV個性化視頻推薦系統能夠根據用戶觀看習慣、當前節目內容，進行直播（包括時移、回看范圍的直播節目）和點播節目的合理推薦。

（5）區分家庭不同用戶的推薦

IPTV在用戶模式方面，與優酷等互聯網視頻一個重要區別是：互聯網視頻在用戶登錄后，能明確知道用戶是“誰”；IPTV的登錄更多的是合法性檢驗，IPTV在家庭內部具有公共性，對于用戶沒有明確的指向性。

作為一個“好”的個性化推薦系統，應該能夠“智能”區別用戶是喜歡戲劇的A、喜歡體育賽事的B、喜歡動畫片的C，還是ABC在一起，并基于不同用戶的IPTV視頻特征推薦“恰如其分”的內容。

（6）時限不同的需求

不同的場景對推薦列表顯示時限的要求不同：在首頁或點播大類首頁等用戶尚未開始觀看的場景，應盡可能快地向用戶進行推薦；在用戶點播或訂購時，也應快速向用戶推薦相關視頻；在用戶觀看過程中準備推薦列表的時間要求較低等。

以上是在IPTV實際運營中對用戶的一些分析，反映了當前階段的IPTV視頻個性化推薦需求，本文就如何滿足這些個性化推薦需求進行方案設計和實現。

3 系統架構設計

基于以上的需求分析，IPTV視頻個性化推薦系統應該能夠：面向IPTV家庭用戶，基于IPTV直播和點播內容，綜合考慮當前熱點和用戶個性化，關注用戶當前興趣點，在不同場景下向用戶推薦不同的視頻內容，智能化地引導用戶快速定位自己“喜歡”的節目，減少節目選擇的煩惱。

為此，本文進行了以下系統框架設計，該系統設計采集用戶和視頻節目相關數據，進行離線和在線相結合的分析，為不同場景提供不同的個性化推薦。本系統設計聚焦于如何綜合不同技術實現上述需求，對于具體的算法或技術不做過多討論。

3.1 基于DIKW的流程設計

DIKW（data information knowledge wisdom）模型[2]，通常被作為知識體系的經典模型，在此作為IPTV視頻個性化推薦系統設計的理論指導。DIKW模型將數據、信息、知識、智慧納入一種金字塔形的層次體系，每一層比下一層都賦予一些特質。原始觀察及量度獲得了數據；分析數據間的關系獲得了信息，在行動上應用信息產生了知識；智慧關心未來，它含有暗示及滯后影響的意味。

基于DIKW的系統設計如圖1所示，各階段分析如下。

（1）數據匯聚

本系統需要匯聚的數據主要包括用戶基礎信息、視頻內容信息、用戶IPTV業務信息、用戶IPTV觀看數據等。數據以滿足需求為目的，對于歷史數據（如3個月以前），可以直接采集已有的匯總數據或標簽數據，對于近期數據，需采集詳細數據。

圖1 基于DIKW模型的IPTV視頻個性化系統設計示意

（2）建立IPTV標簽體系

對匯聚的數據進行一定的篩選、計算和匯總后形成量化信息體系，并進一步提煉成用戶的目標、行為特征或觀點的描述，就是標簽體系。由于本系統的用戶標簽主要來自用戶IPTV視頻觀看數據，所以首先要建立內容的標簽體系。

（3）刻畫IPTV用戶視頻畫像

用戶畫像是結合具體業務，對某一用戶或某一用戶群體進行的用戶核心目標、關鍵行為模式及主要觀點的刻畫。對于IPTV用戶，主要刻畫用戶什么時間、什么場景喜歡觀看什么節目等，并作為向用戶進行個性化推薦的主要依據。

（4）IPTV視頻個性化推薦

結合用戶畫像、用戶當前觀看行為、當前場景和營銷活動等，選擇適合該場景的算法，從可選內容庫中向用戶提供推薦列表。

3.2 總體框架方案

基于上述需求和系統設計，結合目前主流的大數據分析體系，本系統的框架方案如圖2所示。系統分3個層次。

（1）數據采集

數據主要來自運營商ODS、大數據平臺和IPTV業務平臺，還有網絡爬取數據或第三方數據；采集的數據包括詳細數據、匯總數據和標簽數據，大部分數據匯聚到“IPTV視頻個性化推薦數據處理平臺”進行數據處理，實時數據傳送到“IPTV視頻個性化推薦引擎”進行流式處理。

（2）數據分析處理

匯聚的數據經過清洗、集成、變換和規約等一系列預處理，保存到數據集中；基于數據集進行分析，形成包括內容標簽和用戶標簽的標簽體系；提取用戶關鍵標簽形成用戶IPTV視頻畫像。并基于用戶標簽畫像進行離線建模分析，得到用戶推薦模型，基于推薦模型計算用戶、內容的鄰居用戶，基于各種推薦模型和鄰居用戶/內容的計算，得到包括不同維度和不同分析方法的多個用戶推薦列表。

（3）個性化推薦

“IPTV視頻個性化推薦引擎”實時獲取IPTV當前數據，進行以下處理。

? 場景判斷：基于用戶IPTV實時行為判斷用戶場景，作為后續數據處理和個性化推薦的基礎。

? 反饋處理：基于用戶的瀏覽、觀看等行為進行隱式用戶反饋分析，作為構建用戶動態畫像、進行個性化推薦的重要依據。

? 動態畫像：基于用戶本日或本次IPTV開機后的行為和反饋處理，形成用戶的動態畫像，動態畫像體現了用戶當前的興趣點，是進行個性化推薦的直接依據。

? 獲取列表：“IPTV視頻個性化推薦引擎”將當前場景信息、時效性、動態畫像等發送給“IPTV視頻個性化推薦數據處理平臺”，進行用戶行為判斷，并快速構建個性化推薦列表，返回給“IPTV視頻個性化推薦引擎”。

圖2 IPTV視頻個性化系統框架示意

? 內容篩選：“IPTV視頻個性化推薦引擎”收到個性化推薦列表后，基于場景、動態畫像、觀看歷史和營銷策略等進行內容篩選。

? 內容排序：對篩選后的推薦內容，基于場景、用戶動態畫像、當前熱點、營銷策略等，對推薦內容進行排序，并將排序后的個性化推薦列表同步給展現系統。

4 IPTV標簽體系建立

4.1 數據匯聚

該系統需要匯聚的數據主要包括用戶基礎信息、內容信息、用戶IPTV業務信息、用戶IPTV觀看數據等，見表1。

對數據利用的第一步是形成標簽，本系統的標簽體系包括內容標簽和用戶標簽，內容標簽是建立用戶標簽、進行個性化推薦的基礎。本文所說的標簽系統包括內容標簽、用戶標簽及打好標簽的內容庫和用戶庫。

4.2 內容標簽

本系統的內容標簽首先來自內容提供商，然后通過網絡爬蟲爬取包括優酷、愛奇藝等主流視頻網站的數據。本系統內容標簽的基本維度主要包括以下幾點。

? ? 內容類型維度：一級大類包括電視劇、電影、綜藝、動漫、紀錄片、娛樂、體育、財經、教育、少兒、游戲等，然后按影片信息、主演、地區、上映時間、子類型等進行分類，標簽分類按扁平化、允許一定冗余的原則進行。

?? 播放方式維度：直播和點播（點播包括回看、時移）。

?? 清晰度維度：4K、高清、標清。

?? 收費維度：免費、收費、促銷、積分兌換。

?? 推廣維度：基于合作、市場預測、營銷等角度為內容打上一定的推廣標簽，便于優先向用戶推廣。

對于打好標簽的內容庫，同時進行以下處理，便于快速進行推薦。

表1 IPTV視頻個性化推薦系統數據匯總

?? 競爭力排行：對于每個節目或內容，進行內外部競爭力計算，如影片甲有A、B、C標簽，影片甲的外部競爭力為影片甲在所有具有A標簽的內容中的排行，影片甲的內部競爭力為其各標簽的相對權重。

?? 建立內容的鄰居列表：對于打好標簽的內容計算其相似度，結合用戶觀看內容的相關性，為每個內容建立基于主要標簽的鄰居內容列表。

4.3 用戶標簽

如“需求分析”中所述，IPTV中的用戶無法指向到具體的人。本文中的IPTV用戶分析以家庭為單位，根據用戶使用IPTV的習慣構建“虛擬”的視頻用戶，即通過數據分析得到用戶A看IPTV時70%時間看體育比賽，家中的節目訂購由其操作，不僅訂購體育類節目，還訂購了兒童類節目；用戶B在 21點以后通過機頂盒2看娛樂節目；用戶C下午看京劇等。

基于上述分析，本文構建了“家庭—虛擬視頻用戶”的IPTV用戶結構，其中家庭信息包括家庭地址、用戶套餐信息、支付信息、訂購退訂信息、機頂盒信息、IPTV觀看匯總統計信息等，并進行標簽信息選取，形成家庭的標簽信息，這可以從總體上把握“這家人”的IPTV視頻特征及可能的IPTV視頻動作。

對于“虛擬視頻用戶”，需要根據用戶信息從無到有構建：根據匯聚的家庭IPTV數據，采用分類、聚類等數據分析方法，根據用戶視頻觀看行為（包括觀看時間、時長、觀看內容類型、不同內容的觀看相鄰性等），為這個家庭構建幾個IPTV視頻行為不同的用戶，構建的過程同時也是為用戶打標簽的過程。這些“虛擬視頻用戶”可能與實際的用戶不是一一對應的，但其IPTV特征明顯具有差異性。

這些“虛擬視頻用戶”可以被產生，也可以被改變，甚至消失；也就是說這些用戶的特征，要根據不斷匯聚的數據進行動態調整：例如一個幼兒特征明顯的用戶，隨著時間推移，喜歡動漫，喜歡游戲，觀看教育類節目，變成一個小學生特征明顯的人；一個電視劇權重80%的人，慢慢體育權重上升到50%等?？傊?，用戶標簽特征是動態變化的，是需要去“運營”的。

用戶被創建的過程也是被打標簽的過程，打好標簽后對用戶的標簽計算權重，得到用戶的視頻興趣偏好，同時計算用戶相似度，得到用戶鄰居列表。

4.4 用戶畫像

用戶畫像是用戶信息由定量到定性的蛻變，是標簽化的用戶模型。本文所說的用戶畫像是根據IPTV標簽體系構建的，可看作完整用戶畫像在IPTV視頻領域的投影。

對應于標簽，IPTV用戶畫像也包括家庭畫像和用戶畫像，家庭畫像是對家庭標簽信息的抽象概括，包括家庭支付能力及支付敏感度、套餐及業務訂購特征，從標簽到畫像的過程見表2。

表2 IPTV家庭用戶標簽畫像對照

構建“虛擬視頻用戶”畫像的目的是為個性化推薦服務的，個性化推薦要兼顧不同場景，對應其畫像也有不同形式。

（1）綜合型

從較長一段時期用戶數據標簽分析用戶總的偏向愛好，如用戶A喜歡現代都市類電視劇（權重30%），喜歡演員XX和YY（相對權重55%）；喜歡娛樂節目（權重22%），喜歡選秀類娛樂節目（相對權重75%）；用戶愛好穩定度高（變異率8%）等。

（2）場景型

從較長一段時期用戶數據標簽中挖掘用戶某個場景的偏向愛好，如用戶B在周末深夜喜歡看高清大片（常規權重60%），熱衷觀看英超比賽權重（即時權重80%）等。

（3）動態畫像

基于用戶本日或本次IPTV開機后的行為和反饋處理，形成用戶的動態畫像，動態畫像基于實時數據快速構建，體現了用戶當前的興趣點，是進行個性化推薦的直接依據。

總之，本系統構建的標簽和畫像體系是為個性化推薦服務的，它們基于用戶行為和視頻內容屬性構建，是進行數據分析建模、進一步得到用戶推薦列表的基礎。

5 個性化推薦機制

IPTV視頻個性化引擎推薦以數據處理平臺為基礎，針對用戶的IPTV實時行為，向用戶及時提供個性化推薦內容。

5.1 混合的推薦機制

個性化推薦系統中，推薦算法是系統的靈魂。從個性化推薦系統發展過程來看，主要的算法包括基于人口統計學的推薦、基于內容的推薦和基于協同過濾的推薦和混合的推薦。

協同過濾（collaborative filtering，CF）[3]又稱社會過濾，是目前發展最為成熟和應用最為廣泛的推薦技術。其核心思想就是根據用戶對物品的偏好，發現物品本身的相關性或者用戶的相關性，然后再基于這些關聯性進行推薦?；陉P聯對象的不同，協同過濾主要分為基于用戶的協同過濾（user CF）和基于物品的協同過濾（item CF）。

item CF基于物品的內在聯系進行推薦，往往在某領域中更全面，廣度上有所欠缺；而user CF基于用戶間的關聯進行推薦，往往推薦各領域熱門的物品，對于各領域的深度推薦上不足；同時研究發現，對相同的數據使用user CF和item CF得出的推薦結果中，只有 50% 是一樣的。這些足以說明user CF和item CF是互補的關系[4]。

本系統需要滿足不同場景、不同聚焦度和不同時限的需求，以協同過濾推薦機制為主，綜合使用分類、聚類等各種數據分析方法，同時采用不同策略，因地制宜，因時制宜，為用戶提供適合用戶喜好的個性化推薦。不同的策略分析如下。

? 加權策略：分析場景需求，為不同分析方法結果分配不同權重，結合推薦內容自身權重，進行計算確定推薦結果；特別對于內容，可能有多個標簽，要進行不同標簽的權重計算，這樣才能突出內容的主要特點，在進行用戶推薦列表選擇時，才更容易篩選。

? 分區策略：在不同區域基于不同推薦機制顯示不同的推薦內容，如在用戶剛開機或判斷用戶沒有聚焦點時，為用戶提供當前熱點、根據用戶最近觀看行為的推薦等；在用戶觀看完一部電影時，基于該電影和用戶電影喜好進行相關電影推薦；總之因地制宜是進行個性化推薦的重要原則，根據用戶所在頁面和狀態進行推薦，才能實現場景上的個性化。

? 分層策略：在用戶鄰居或內容選取計算前，可采用簡單的篩選、分類等方法先進行一次數據處理，減小數據計算范圍；或者將一次數據分析結果作為下一次數據分析的輸入。分層策略是減少計算量、及時給出推薦結果的重要手段。

5.2 在線處理和離線處理相結合的個性化推薦

個性化推薦系統除了個性化，另一特點就是實時性要求。個性化推薦系統要求系統在用戶看到首頁或進行內容瀏覽時，幾乎同時向用戶進行個性化推薦。同時，實時性要求算法簡潔，計算快速，能夠在極短時間內得到結果，這需要提前進行大量計算分析，為實時分析推薦提供基礎。離線批處理分析與在線實時分析相結合，快速為用戶提供符合用戶口味的推薦內容。

其中批處理子系統根據匯聚的數據進行標簽畫像分析、鄰居用戶分析等，綜合采用各種算法進行建模分析，并生成初步的推薦列表；實時處理子系統主要判斷用戶當前場景，根據用戶行為獲得反饋信息；基于反饋信息，結合批處理系統的成果，向用戶提供個性化推薦列表。具體分析如下。

實時處理子系統根據用戶所處的頁面判斷場景，并根據用戶本次開機后行為獲得隱式用戶反饋信息，包括正向反饋信息：用戶在瀏覽某類視頻內容（如電影、娛樂），用戶瀏覽時對于某類或某幾類內容進行停留，用戶觀看/回看/時移某節目等；也包括負向反饋信息：對于某類內容一閃而過，長時間沒有瀏覽某類內容等。并基于用戶反饋信息快遞構建用戶動態視頻畫像（體現當前的興趣點）。

批處理子系統接收實時子系統傳送的用戶信息，進行用戶場景、畫像比較處理，若用戶行為沒有大的變化，基于已有分析成果提供推薦列表；否則進行快速比較，基于已有分析成果和用戶畫像差異，變更選擇范圍并進行二次篩選，快速給出個性化推薦列表，返回給實時子系統。個性化推薦列表包括基于內容的協同過濾、基于用戶的協同過濾、熱點內容和重點營銷內容等。

實時子系統收到個性化推薦列表后，基于以下因素進行內容篩選。

? 當前場景：主要考慮內容的聚焦性和時效性，如首頁聚焦性弱、時效性高、推薦內容較廣泛、提供速度快；播放頁面聚焦性強，時效性相對低一些，推薦內容針對性更強，時間可適當放寬。

? 營銷策略：結合當前營銷活動，向用戶提供熱銷或重點營銷的內容。

? 用戶動態畫像：批處理子系統提供的推薦內容基于用戶歷史信息分析提供，實時子系統判斷用戶當前動態畫像是否和批處理子系統的用戶畫像契合，并基于差異性進行調整。

? 有效性：基于內容有效性、歷史播放記錄等進行篩選。

經過篩選后的內容還要經過排序才能提供給用戶。排序時基于用戶動態畫像和批處理子系統提供內容的權重，進行綜合處理。

總之，批處理子系統基于用戶歷史信息得到用戶長期興趣點并提供推薦內容，實時子系統基于當前情景隨機應變，進行適當調整，并作為數據源向批處理子系統提供相關數據。兩者緊密結合，功能互補，快速、智能地實現個性化推薦。

5.3 系統實現框架選擇

目前以流式計算為主的實時分析系統對個性化推薦系統的實時性進行了很好的支撐，目前主流的流式計算框架包括Storm、Spark Streaming以及專門為實時推薦系統設計的Kiji等。

相比較而言，Kiji是專為實時推薦系統設計的架構，針對性強，但目前采用的系統比較少。Storm和Spark Streaming是目前比較流行的流計算框架，對比之下，Storm專為流式計算設計，實時性更好；Spark Streaming用批處理的方式實現實時分析，在實時性上不如Storm，但Spark Streaming繼承自Spark，可以運行上百個節點，并發性支持更好，且可以和Spark天然對接[5]。

IPTV視頻個性化推薦系統的在線部分更注重用戶動態畫像刻畫、用戶場景判斷，而不是數據流分析，而且IPTV視頻個性化推薦系統用戶量大，對并發性要求高，同時考慮Spark在離線處理上的優勢，故系統采用Spark+Spark Streaming進行數據離線和在線分析。

6 系統試點及展望

本系統在某電信運營商省公司的IPTV系統中，針對電影點播業務，選取部分點播電影比較多的用戶進行小規模系統試點。從試點結果來看，用戶電影觀看時間平均增加了12%左右，業務訂購量增加不明顯。試點結果分析如下。

? 用戶電影觀看時間的增加說明個性化推薦系統已發揮了智能化引導的作用，能夠為用戶找到用戶愿意看的影片。

? 業務訂購量增加不明顯，說明個性化推薦不是萬能的，IPTV業務發展還需要在內容質量提升、業務營銷和產品設計等方面全面進行；同時，在IPTV點播業務中，很多用戶已經購買了月包或年包。

? 個性化推薦系統應該基于全業務、全場景進行統一規劃、分析，著名的在線影片租賃商Netflix新一代推薦系統的承載形式是“會員首頁”，即每個會員登錄之后的第一頁，平均2/3的視頻是從此處發起的。

個性化推薦系統起源于電子商務網站，亞馬遜是個性化推薦系統成功的早期典范；后續推廣到音視頻、新聞推薦、社交等眾多領域，都取得了成功。目前在互聯網視頻領域，個性化推薦是必備工具，據Netflix估算，個性化推薦系統每年為它的業務節省的費用可達10億美元[6]。

然而由傳統電視轉化而來的IPTV業務，在這方面才剛起步，本文提出的IPTV視頻個性化推薦方案基于IPTV運營需求，分析IPTV視頻和用戶及個性化推薦的特性，以“虛擬視頻用戶”解決IPTV中用戶指向問題，以離線批處理數據分析+在線流式處理引擎的組合，解決用戶畫像刻畫和準實時的個性化推薦。本方案是綜合解決IPTV中個性化推薦的有益嘗試，也是大數據技術在IPTV領域的深入應用。IPTV以其和寬帶結合的先天優勢，加上大數據技術的保駕護航，必將在家庭視頻領域獲得更大發展。

[1] 衛星參數網. 我國有線電視付費用戶跌破了1.6億戶[EB/OL]. (2017-08-16)[2017-09-26].http://www.sohu.com/a/165155976_283658.

Satellite Parameter com. China’s cable TV subscribers fell 160 million households[EB/OL].(2017-08-16)[2017-09-26].http:// www. sohu.com/a/165155976_283658.

[2] 智庫百科. DIKW模型[EB/OL]. (2016-07-27)[2017-09-20]. http://wiki.mbalib.com/wiki/DIKW%E4%BD%93%E7%B3%BB.

MBA Lib. Data-to-information-to-knowledge-to-wisdom model[EB/OL]. (2016-07-27)[2017-09-20]. http://wiki. mbalib.com/ wiki/ DIKW%E4%BD%93%E7%B3%BB.

[3] 尤海浪, 錢鋒, 黃祥為, 等. 基于大數據挖掘構建游戲平臺個性化推薦系統的研究與實踐[J]. 電信科學, 2014, 30(10): 27-32.

YOU H L, QIAN F, HUANG X W, et al. Research and practice of building a personalized recommendation system for mobile game platform based on big data mining[J]. Telecommunications Science, 2014, 30(10): 27-32.

[4] 趙晨婷, 馬春娥. 探索推薦引擎內部的秘密[EB/OL]. (2011-03-16) [2017-09-22]. https://www.ibm.com/developerworks/ cn/web/ 1103_ zhaoct_recommstudy1/index.html?ca=drs-.

ZHAO C T, MA C E. Explore the secrets inside the recommendation engine[EB/OL]. (2011-03-16)[2017-09-22]. https://www. ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-.

[5] 廖建新. 大數據技術的應用現狀與展望[J]. 電信科學, 2015, 31(7): 7-18.

LIAO J X. Big data technology: current applications and prospects[J]. Telecommunications Science, 2015, 31(7): 7-18.

[6] A5站長網. Netflix每年靠它節省10億美元這套個性化推薦系統是怎么回事? [EB/OL].[2017-09-20]. http://www.sohu. com/a/ 108901273_134135.

Admin 5 com. How does Netflix save $1 billion a year on this personalized recommendation system? [EB/OL]. [2017-09-20]. http://www. sohu.com/a/108901273_134135.

IPTV video personalized recommendation system

YU Hongyong, QIU Chenxu, WEN Jianfeng

Shanghai Research Institute of China Telecom Co., Ltd., Shanghai 200122, China

The personalized recommendation requirements of IPTV video were analyzed, the IPTV video user portrait with “virtual video users” was structured, a personalized recommendation system was built which included a batch data analysis system and a streaming architecture of personalized recommendation engine. Experimental results show that it is a useful attempt in enhancing the use experience of IPTV users.

personalized recommendation, big data analysis, IPTV

G203

A

10.11959/j.issn.1000?0801.2017318

2017?09?30；

2017?11?10

于洪涌（1976?），男，中國電信股份有限公司上海研究院數據分析師，主要從事IPTV數據分析、智慧家庭數據分析等方面的工作。

邱晨旭（1973?），男，中國電信股份有限公司上海研究院高級工程師，主要從事電信數據規劃、項目管理等方面的工作。

聞劍峰（1977?），男，中國電信股份有限公司上海研究院大數據智慧運營研發（高級），主要從事大數據基礎架構研發方面的工作。