潘文宇 邢青

摘要：随着互联网的发展，个性化推荐系统在各个领域都得到越来越广泛的应用。本文将丰富的媒体内容元数据与标签，引入第三方电影/电视剧、直播频道/栏目等一些的视频数据作为元数据与标签，并与自有业务数据打通融合。同时，完善视频数据中的用户画像标签，为离线分析和线上服务提供支撑，结合用户标签和内容标签，实现客户精准导流。本文主要研究利用用户画像，在视频领域精准视频推荐系统的研究。

关键词：用户画像;智能推荐;大数据;精准营销

面对如此多的大数据信息，如何把有用的信息推送给想搜索此类相关信息的客户，是智能化推荐在大数据领域关注的重点。目前，大数据信息的处理和一些相关信息的推荐的很多，但是做视频大数据处理并运用这些有用信息做推荐系统的并不多。所以当前，所需的是以海量图像和视频为基础，引入先进的人工智能技术，容器技术、分布式计算、高性能存储以及机器学习引擎为支撑，搭建的一套面向媒体行业智能标签、智能推荐、智能媒资、智能审核、智能营销等智能应用的人工智能平台。基于此应用系统，可通过对视频数据的分析对用户做标签，运用用户画像可精准追踪用户搜索需求，并做出系统的推荐。对于大数据信息的智能推荐，主要是以大数据技术为基础的向用户提供个性化的数据信息的服务。本文基于“用户画像”的视频精准智能推荐系统对各行各业的推动也起到了巨大的借鉴意义。在各行业创新方面，也给了其他行业许多启迪思想，也就进一步推动相关行业的发展。

1 相关文献综述

对于智能推荐系统针对不同行业它的推荐客户不一样，所以在设计推荐系统时，考虑的重点是不一样的。目前，国内许多学者对智能系统做出了相关的研究。司梦楚等人[1]对电子商务中服装品类的推荐机制中，从已有推荐系统的基础上利用Slope One算法提出了CSSO推荐算法。龙虎等人[2]依据大数据时代背景，对大数据人工智能提出了系统架构的思想，这一举动进一步推进了大数据与人工智能的利用价值。李映坤[3]以用户画像为基础，进一步对标签体系的建立基本流程做了详细分析。何文华[4]通过对智慧城市观念的阐述，进而讲述了有关智慧城市广告的智能推送系统。

以上是对智能推荐系统在各行业的应用，除此之外，也有对视频大数据下用户画像的精准定位。如王正友等人[5]通过建立基于视频大数据构建用户画像，从海量数据中提炼出用户需求和喜好。王宪朋[6]通过简述基于视频大数据是如何构建用户画像的，讲述了一些操作步骤等。于洪涌[7]根据IPTV的视频数据推送的需求出发，构建了“离线批处理数据分析+在线流式推荐引擎”架构的推荐系统。

2 大数据驱动的个性化服务智能推荐系统

平台的架构：整体的架构分为两个层面，分别为业务应用层、学习引擎层。其中业务平台层包括智能标签、智能推荐、用户画像、智能媒资、智能审核、智能营销等。学习引擎层包括图像识别、视频结构化分析。整体架构如左图所示。

2.1 业务平台层

2.1.1 智能标签

智能标签需要对电影、电视剧、栏目、艺人、直播节目等视频内容进行统一存储、标志、索引、清洗、建模，形成统一丰富的视频内容标签，为用户标签、智能推荐、影视剧制作、精细化运营，实现精准营销，达到数据驱动运营以及指导改善产品功能，提高客户体验的效果，更好的优化升级与各项业务的运营。通过Web前端提供内容搜索、内容标签搜索、艺人搜索、直播节目搜索、数据审核、权限管理等功能。

2.1.2 智能推荐

推荐服务使用机器学习算法结合用户画像系统内用户标签信息、内容标签档案库内的内容标签信息和数据仓库、数据管道内的用户行为数据为业务提供面向业务的、直接的数据服务支持。具体包括：

（1）推荐引擎模块：使用用户标签信息、内容标签信息和用户行为数据建立多种推荐算法，根据用户标签信息建立基于用户标签的推荐策略。

（2）智能搜索模块：用户通过关键词的搜索，后台引擎可通过用户的搜索信息进行个性化推荐。

2.1.3 用户画像

通过视频大数据收集的数据，利用数据统计建模和数据挖掘技术，将抽象的客户信息标签化，进而进行精准、快速地分析客户行为特征、消费习惯、需求偏好等重要商业信息，形成客户360度标签画像，使企业能够全面“理解”客户，从而实现营销的智能化、客户服务的个性化、广告投放的精准化。具体功能架构分为以下四个子模块：

（1）数据子模块：为功能层的实现提供基础。包含数据仓库数据、数据集市数据以及挖掘模型。

（2）存储子模块：存储客户标签数据、客户群清单数据等。目前用户标签和客户群数据主要存放在数据集市和实时检索平臺内。

（3）功能子模块：包括营销导航、标签集市、客户群集市、标签生命周期管理和系统管理等。

（4）应用子模块：在用户标签/客户群的基础上，提供面向分析应用、面向营销应用和面向标签/客户群运营等应用。

2.1.4 智能媒资

通过人工智能技术支持数字媒体产品的智能化开发，智能迅速跟进、观察、分析、总结用户数据和留言，从而获得用户反馈，形成基于视频内容的综合智能推荐系统。

2.1.5 智能审核

平台可通过对视频精准识别和过滤拦截色情视频、暴恐视频、涉政视频、广告视频、敏感视频、违法视频等，可对以上违规视频进行拦截。

2.1.6 智能营销

利用以上对用户接触文娱视频的习惯和喜好（包括地理位置、用户标签、用户活跃度、应用版本、分发渠道、系统版本、运营商、网络类型）进行数据分析和定位追踪，获取用户画像，并直接向用户推荐他们感兴趣的信息，当用户偏好发生改变时，可进行及时修改推送内容，使用户及时有效地获取自己想要的内容。

2.2 学习引擎层

2.2.1 图像识别

根据视频中出现的图像，图片中包括的场景、内容和分为以及特定物体和人物进行识别。对于图片中包含的具体任务的标志，比如需要关注的政治人物、体育明星等进行识别;识别图片中出现的物品，对视频整体描述会有极大辅助作用。

2.2.2 视频结构化分析

原始的视频数据属于一种非结构化的数据，并不能够直接快速地被计算机读取并识别。为了让视频图像在智能化文娱领域更好的应用，使用智能视频分析技术对视频图像进行结构化处理。将视频内容（人、车、物、活动目标）特征属性自动提取技术，对视频内容按照语义关系，采用目标分割、时序分析、对象识别、深度学习等处理手段，分析和识别目标信息，组织成可供计算机和人理解的文本信息的技术。主要包括以下内容：

事件拆条：通过智能化技术将已播出的节目拆条成一条条独立的条目，然后用于丰富和完善新闻资讯节目数据的信息通道，提高节目内容的生产效率以及拆条后的视频质量。

语音内容提取：支持将音频文件识别成文字，以文本形式输出，支持声纹识别，并支持语音断点识别。

字幕提取：制定视频文件，对指定区域的字幕进行识别，识别出文字;支持中文、英文的字幕识别。

3 结语

当今，大数据的发展日新月异，基于用户画像的精准推荐系统是对大数据更加高效、更加便捷的利用。用户画像在视频行业得应用实践以及个性化推荐应用并不是很多，所以针对视频数据上的用户画像是精准营销的前提和保证。数据挖掘出用户的偏好和需求是构建用户画像的意义所在，只有与时俱进，不断创新，才能跟上时代的步伐。

参考文獻：

[1]司梦楚，季同同，张春明.服装智能推荐系统在电商平台中的应用[J].服装学报，2019.

[2]龙虎，彭志勇.大数据驱动的个性化服务智能推荐系统研究[J].信息与电脑（理论版），2019（10）.

[3]李映坤.大数据背景下用户画像的统计方法实践研究[D].2016.

[4]何文华.智慧超市广告智能推送系统[J].电子技术与软件工程，2019（13）：249.

[5]王正友，张海迪.大数据时代基于用户画像的视频精准推荐[J].电子商务，2019（10）：6265.

[6]王宪朋.基于视频大数据的用户画像构建[J].电视技术，2017，41（06）：2023.

[7]于洪涌，邱晨旭，闻剑峰.IPTV视频个性化推荐方案[J].电信科学，2017，33（12）：127135.