1.一种基于图像数据处理的视频推荐方法,其特征在于:包括以下步骤,对视频评分数据进行训练集预处理,得出视频评分矩阵;
所述对视频评分数据进行训练集预处理是将数据处理为m·n的视频评分矩阵R,m表示为m个用户,n表示为n部视频;
将视频评分矩阵通过带有时间信息的指数衰减函数进行修正;
将视频评分矩阵进行修正指的是用视频评分标准差作为衡量视频的本身质量影响评分的视频质量满意度,并且利用带有时间信息的指数衰减函数来反映用户的动态兴趣变化,从而修正视频质量对用户视频评分矩阵的影响;
通过余弦相似度以及邻域基序结构计算出高阶相似度矩阵;
所述邻域基序结构是由复杂的网络结构中存在的节点和边所构成的局部结构,并且在用户余弦相似度网络中,邻域基序结构是有个有向图;
所述高阶相似度矩阵是根据邻域基序结构生成噪声矩阵,并将原来的邻接矩阵加入少量的噪声矩阵生成新的邻接矩阵;
在余弦相似度网络中,根据邻域基序结构生成的邻阶矩阵计算公式如下:其中,DM代表了在特定邻域基序主题结构下的邻接矩阵,XA的取值由A确定的子图的k节点元组,M表示邻域基序主题集,I(s)是一个真值知识函数,若语句s为真,则I(s)=1,否则为0,V是视频特征矩阵,j是视频类型;
根据邻域基序结构生成的邻阶矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下:其中,WC代表了在特定邻域基序主题结构下的邻接矩阵,XA的取值由A确定的子图的k节点元组,M表示邻域基序主题集,I(s)是一个真值知识函数,若语句s为真,则I(s)=1,否则为0,V是视频特征矩阵,j是视频类型;
通过对高阶相似度矩阵进行分解优化完成视频推荐;
所述高阶相似度矩阵是一个m行m列的零矩阵;将高阶相似矩阵D进行归一化处理得到矩阵g(D),具体计算公式如下:其中,Dmin是矩阵D中的最小值,Dmax是矩阵D中的最大值;
将余弦相似度作为一阶相似度,通过平衡参数α来控制高阶相似度的融合,从而完成视频推荐,具体计算公式如下:S=A+α·g(D)( 若Sik>1,则Sik=1)
其中,U是用户集合,A代表用户余弦相似度矩阵,g(D)代表归一化后的用户高阶相似度矩阵。
2.如权利要求1所述的基于图像数据处理的视频推荐方法,其特征在于:所述视频质量满意度指的是用来消除不同用户对视频质量满意度不同而产生的误差,并且用视频评分标准差作为衡量视频本身质量影响用户评分的视频质量满意度,具体公式如下:其中,WQ(i)表示视频i的视频质量满意度的权重,Si表示视频i的评分总个数,ri,n表示视频i的第n个评分, 表示视频i的平均分;
所述消除用户对视频质量不同而对视频评分产生的影响的具体公式如下:r′u,i=ru,i×(1+WQ(i))
其中,r′u,i表示修正后用户u对视频i的评分,ru,i表示用户u对视频i的原始评分,WQ(i)表示视频i的视频质量满意度的权重。
3.如权利要求2所述的基于图像数据处理的视频推荐方法,其特征在于:所述反映用户的动态兴趣变化的计算公式如下:其中,Td的大小代表用户兴趣保持稳定的长短,tnow表示用户评价视频的最大时间,tui表示用户u对视频i的评价时间,Tat表示衰减系数,代表用户兴趣衰减快慢;
所述修正视频质量对用户视频评分矩阵的影响的计算公式如下:
其中, 代表矩阵中最小值, 代表矩阵中最大值,r′ij表示用户i对视频j的评分。
4.如权利要求1所述的基于图像数据处理的视频推荐方法,其特征在于:根据在邻域基序结构生成的邻接矩阵与噪声矩阵线性组合生成新的邻接矩阵的计算公式如下:将新生成的邻接矩阵进行归一化处理,具体处理公式如下:
其中,WD表示新生成的邻接矩阵,XA的取值由A确定的子图的k节点元祖,M表示邻域基序主题集,I(s)是一个真值知识函数,若语句s为真,则I(s)=1,否则为0,V是视频特征矩阵,j是视频类型。
5.如权利要求4所述的基于图像数据处理的视频推荐方法,其特征在于,根据新的邻接矩阵WD构造基于边的无权邻接矩阵B,此时高阶相似度为1,表示完全相似,将WD中对角线上的值置为0,然后依次遍历WD的每个值,若(WD)ij≠0时,则将Bij=1,否则Bij=0,最终得到对称矩阵B,并利用矩阵的哈达玛运算得到矩阵C,最终得到基于邻域结构下的邻接矩阵N,具体计算公式如下:其中,B为无权邻接矩阵,C表示经过哈达玛运算之后得到的矩阵,N表示基于邻域结构下的邻接矩阵。