專利名稱：多指標綜合權(quán)重視頻排序系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于視頻數(shù)據(jù)處理領(lǐng)域，特別涉及一種視頻排序系統(tǒng)。
背景技術(shù)：
隨著互聯(lián)網(wǎng)的發(fā)展，視頻的影響力正在逐步增強，互聯(lián)網(wǎng)上的視頻數(shù)量也與日倶 增。在海量的視頻中，要找到用戶需要的某個視頻，傳統(tǒng)的搜索引擎僅僅根據(jù)文本的相似性 對視頻進行排序，將那些視頻描述文本(如視頻標題，標簽等)與查詢文本相似的視頻排在 前面返回給用戶。
這樣的排序結(jié)果具有以下三個缺點 1.導(dǎo)致作弊現(xiàn)象比較嚴重，影響視頻搜索的準確性和客觀性；
2.影響用戶搜索體驗，降低對網(wǎng)站的滿意度和忠誠度；
3.增加用戶點擊或搜索次數(shù)，加重服務(wù)器負擔(dān)。 鑒于此， 一些視頻網(wǎng)站采用了一些其他排序方式，如按照播放次數(shù)排序，視頻的播 放次數(shù)越多，排名越靠前?；蛘甙凑丈蟼鲿r間、視頻時長等要素進行排序。這些排序方式從 本質(zhì)上來說，都只采用了一個衡量指標，而忽略了視頻的其他豐富特性，導(dǎo)致最后搜索排序 的結(jié)果不能滿足用戶的真正需求。 因此，目前的排序技術(shù)在視頻搜索的表現(xiàn)形式中過于單一，不能準確反映視頻的 質(zhì)量和受歡迎程度，難以滿足用戶的真正搜索需求。
發(fā)明內(nèi)容
為了解決以上問題，本發(fā)明提供一種多指標綜合權(quán)重視頻排序系統(tǒng)，通過分析視
頻的多重內(nèi)在指標和用戶的反饋信息，構(gòu)建了一套衡量視頻質(zhì)量優(yōu)劣的指標體系，利用該
指標體系對每個視頻計算其得分，計算結(jié)果作為搜索引擎排序依據(jù)。 為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案 —種多指標綜合權(quán)重視頻排序系統(tǒng)，包括 視頻數(shù)據(jù)庫，用于保存視頻原始信息； 視頻分析處理模塊，與所述視頻數(shù)據(jù)庫相連接，用于對所述視頻數(shù)據(jù)庫中的視頻 原始信息進行分析和處理； 主觀權(quán)重確定模塊，用于設(shè)定排序指標j并給出排序指標j的主觀權(quán)重；
客觀權(quán)重計算模塊，與所述視頻分析處理模塊和主觀權(quán)重確定模塊相連接，根據(jù) 所述視頻分析處理模塊提供的數(shù)據(jù)，計算所述主觀權(quán)重確定模塊所確定的排序指標j的客 觀權(quán)重； 優(yōu)化決策模塊，與所述客觀權(quán)重計算模塊相連接，用于計算每個排序指標j的綜 合權(quán)重Wj，其中，S^iWj = l,Wj ^ 0'F(w) = ^Si^H[(w廠aj)Zi(j)]2 + (1 - n)[(Wj-bj)Zi(j)]2} 模型F(w)表示各指標排序得分的權(quán)重誤差平方和，F(xiàn)(w)越小，反映出權(quán)重w,.越確，更能刻畫各指標之間的關(guān)系，aj、bj， j = 1、2.....m分別為指標j的主觀和客觀權(quán)重；
0 < ii < 1為偏好系數(shù)； 指標排序得分計算模塊，與所述視頻分析處理模塊相連接，用于計算每個視頻i 對于指標J的排序得分Zi(J); 綜合得分計算模塊，與所述優(yōu)化決策模塊和所述指標排序得分計算模塊相連接， 用于計算該視頻的加權(quán)得分值fi，其公式為
fi = SJ^iWj * Zj(j)， i = l、 2、…、n。 本發(fā)明能真實客觀反映視頻的內(nèi)在特性，真正優(yōu)秀和受用戶歡迎的視頻將排名靠 前，旨在解決現(xiàn)有視頻搜索引擎在排序技術(shù)上的不足，使最后排序得分更客觀公正。其綜合 考慮了視頻多項特征以及用戶對視頻的反饋，能夠?qū)σ曨l進行智能化的靈活排序，以最佳 方式將搜索到的視頻結(jié)果返回給用戶。 為了使本發(fā)明的目的、技術(shù)方法和優(yōu)點更清晰明白，下面結(jié)合附圖，對本發(fā)明進一 步進行詳細解釋和說明。
圖1為本發(fā)明多指標綜合權(quán)重視頻排序系統(tǒng)結(jié)構(gòu)示意圖。
具體實施例方式
如圖1所示，一種多指標綜合權(quán)重視頻排序系統(tǒng)，其包括 視頻數(shù)據(jù)庫，用于保存視頻原始信息，該視頻原始信息可包括視頻的播放次數(shù)、標 題、評論數(shù)、上傳時間、上傳人、被專輯收錄次數(shù)、均衡度等； 視頻分析處理模塊，與所述視頻數(shù)據(jù)庫相連接，用于對所述視頻數(shù)據(jù)庫中的視頻 原始信息進行分析和處理，例如將視頻內(nèi)容轉(zhuǎn)化成其它處理模塊中需要的格式，同時還可 對稀疏數(shù)據(jù)和噪音數(shù)據(jù)進行處理； 主觀權(quán)重確定模塊，用來確定多個排序指標j，并對這些排序指標j給出主觀權(quán) 重。該主觀權(quán)重可通過隨機調(diào)查用戶需求，并征求視頻業(yè)內(nèi)專家意見，確定多個排序指標 j，并給出這些排序指標j主觀權(quán)重。在本實施例中主要采用了文本匹配程度、日均播放次 數(shù)、上傳時間、被專輯收錄次數(shù)、上傳人重要程度、均衡度等指標作為排序的排序指標j。其 中文本匹配程度這一指標由搜索引擎負責(zé)度量，在搜索時與本系統(tǒng)計算的排序得分進行整 合?？梢岳斫?，上述的幾個排序指標j只是用來解釋本說明，而不是構(gòu)成本發(fā)明對排序指標 j選擇范圍的限制。 客觀權(quán)重計算模塊，與所述視頻分析處理模塊和主觀權(quán)重確定模塊相連接，根據(jù) 所述視頻分析處理模塊提供的數(shù)據(jù)，計算所述主觀權(quán)重確定模塊所確定的排序指標j的客 觀權(quán)重。其中所述客觀權(quán)重可通過熵值法計算得到。熵(entropy)是系統(tǒng)狀態(tài)不確定性 (混沌態(tài))的度量，可被用來度量排序指標j包含信息量的大小。熵越大，說明該排序指標 j包含的信息越多，該指標對于視頻的排序效果就越大，即指標傳輸?shù)臎Q策信息也就越大， 它的權(quán)重系數(shù)值也就越大。熵值法的優(yōu)點在于該方法最大程度地利用了評價方案的目標值 或?qū)傩灾祦碛嬎愀髦笜说臋?quán)重系數(shù)，因而是較為客觀的權(quán)重系數(shù)賦權(quán)方法。
熵值法計算公式如下
設(shè)各指標的客觀權(quán)重為bj， j = 1、2.....m，則
m bj = (l-hj)/》l-hk)
k=l其中，hj = (lnn"I]JUpj(i)lnpj(i)為每個指標j的熵；Pj(i) = Zj(i)/S「=1Zj(i)ffi
來刻畫所有視頻對于指標j的分布；Zj(i)為每個指標的標準化(規(guī)范化)得分；且當(dāng)Pj(i) =0時，規(guī)定Pj(i)l即j(i) = O(i = 1、2.....n ;j = 1、2.....m)。 優(yōu)化決策模塊，與所述客觀權(quán)重計算模塊相連接，用于計算每個排序指標j的綜 合權(quán)重Wj。根據(jù)客觀權(quán)重和主觀權(quán)重，建立數(shù)學(xué)模型，并計算其最優(yōu)解，該最優(yōu)解就是每個 排序指標j的綜合權(quán)重Wj。如果僅僅根據(jù)主觀權(quán)重進行視頻排序，不能真實準確反映指標 的重要程度，往往造成排序結(jié)果的不準確。因此為了兼顧主觀權(quán)重的偏好，又充分利用客觀 權(quán)重帶來的客觀信息，建立如下優(yōu)化決策模型
設(shè)各項指標的綜合權(quán)重為Wj，其中，i:S^Wi = 1, Wj 2 0 ,F(w) = 2^iSj^^
2 + (1 — n)[(w廠bi)Zi(j)]2}( * ) 模型F(w)表示各指標排序得分的權(quán)重誤差平方和，F(xiàn)(w)越小，反映出權(quán)重Wj越準
確，更能刻畫各指標之間的關(guān)系。其中aj、bj， j = 1、2.....m分別為指標j的主觀和客觀
權(quán)重。0< < 1為偏好系數(shù)，反映分析者對主觀權(quán)重和客觀權(quán)重的偏好程度，這里取P =0. 5。 通過證明知，當(dāng)綜合權(quán)重Wi = iiai+(l-ii)bi， i = 1、2.....m時，模型F(w)得到
唯一最優(yōu)解，即取得最小值。 指標排序得分計算模塊，與所述視頻分析處理模塊相連接，用來計算每個視頻i 對于指標j的排序得分Zi(j)。本發(fā)明中采用的排序指標j有日平均播放次數(shù)、上傳時間、 視頻節(jié)目擁有人上傳視頻數(shù)量、被專輯收錄數(shù)、被挖(支持)數(shù)、被收藏數(shù)、均衡度，其指標 j分別記為l、2、3、4、5、6、7。下面就排序得分Zi(j)的具體計算方法加以說明。
日平均播放次數(shù)得分Zi (1): — NORM(;NP(i);) [,]Zi(1) = MAX(NORM(NP(i)))i=1,2,3,... 其中，NP(i)為第i個視頻的日均播放數(shù)；MAX((xl)(下同)用來計算集合{x}的 最大值； NORM(x) =+ L0G2(x —州 x ;咖， 為數(shù)學(xué)變換函數(shù)，對數(shù)據(jù)量過大的進行處理；L0G2 (x)是以2為底的對數(shù)變換。 上傳時間得分Zi(2):<formula>formula see original document page 7</formula> 其中days(i)為該節(jié)目上傳時間離現(xiàn)在的天數(shù)。該函數(shù)是單調(diào)遞減的分段函數(shù)，
用來刻畫隨著已上傳天數(shù)的增加，視頻重要性逐漸降低這一現(xiàn)象。 視頻節(jié)目擁有人上傳視頻數(shù)量得分Zi (3):
NORM(NU(i》 [酬Zi(3) = MAX(N0RM(NU(i)))i=1,2,3,... 其中，NU(i)表示第i個視頻的上傳人總的上傳視頻數(shù)，該指標的設(shè)計原則是創(chuàng)作 視頻越多的人其創(chuàng)作的視頻質(zhì)量越高，用來鼓勵視頻創(chuàng)作大戶上傳更多的節(jié)目，特別是原 創(chuàng)節(jié)目。 被專輯收錄數(shù)得分Zi (4):
「歸， ^、 _ NORM(NZ(i))
L 5」Zi W - MAX(NORM(NZ(i)))i=1,2,3".. 其中，NZ(i)表示第i個視頻被專輯收錄的次數(shù)，其被專輯收錄次數(shù)越多，說明越
受歡迎，其排名應(yīng)該越靠前。 被挖(支持)數(shù)得分Zi (5):
_ NORM(麗(i)) L0055」Zj、bj — MAx(N0RM(NW(i)))i=1,2,3".. 其中，麗(i)表示第i個視頻被挖(支持)次數(shù)，其被挖(支持)次數(shù)越多，說明 越受歡迎，其排名應(yīng)該越靠前。
被收藏數(shù)得分Zi(6):
NORM(NF(i)) [酬Zi(6) = MAX(NORM(NF(i》)i=1,2,3,... 其中，NF(i)表示第i個視頻被收藏次數(shù)，其被收藏次數(shù)越多，說明越受歡迎，其排
名應(yīng)該越靠前。 均衡度得分Zi (7): 影響均衡度的因素有挖麗(i)、評論NC(i)、收藏NF(i)、評分數(shù)NP(i)，節(jié)目的均 衡度得分指的是各個視頻被評論、挖、評分和被收藏次數(shù)之間的均衡程度的度量，這四個數(shù) 字越均衡，說明越能激發(fā)用戶參與互動的積極性，排序得分越高；反之應(yīng)該在得分上受到懲 罰。該度量指標的引入能夠避免用戶刻意的在某一項上的作弊行為對節(jié)目公正性的影響。 均衡度得分Zi(7)采用變異系數(shù)法來計算，分成以下幾步進行
STEP 1 :預(yù)處理(無量綱化處理) 通過統(tǒng)計采樣計算各個指標的權(quán)重，然后初始化麗(i) ， NC(i) ， NF(i) ， NP(i)。本 發(fā)明中使用的方法是抽樣1000個視頻，分別計算其挖、評論、收藏、評分的平均數(shù)，并以此
作為這四個指標的權(quán)重，然后針對每個視頻，用原始的挖數(shù)、評論數(shù)、收藏數(shù)、評分數(shù)分別除以各指標的權(quán)重即得到初始化值麗(i) ， NC(i) ， NF(i) ， NP(i)
STEP 2 :計算平均數(shù)
NW(i) + NC(i) + NF(i) + NP(i)
X(i) = 4
STEP 3 :計算均方差
細=(證(i)-X(i))2 + (NC(i)-X(i))2+(NF(i)-X(i))2+(NP(i)-X(i))2
STEP 4:計算變異系數(shù)V(i)
V(i)=， v 乂 x(i)
STEP 5:相對法規(guī)范化處理，計算均衡度得分
最大變異系數(shù)-當(dāng)前變異系數(shù)_ MAX(V(i))-V(i)
Zj(7)=
最大變異系數(shù)-最小變異系數(shù) MAX(V(i))-MIN(V(i)) 綜合得分計算模塊，與所述優(yōu)化決策模塊和所述指標排序得分計算模塊相連接，
利用所述指標排序得分計算模塊計算的每個視頻對單個排序指標j的得分值和綜合權(quán)重
Wj，計算該視頻的加權(quán)得分值fi，其公式為fj = Sj^iWj * Zj(j)， i = l、 2、 …、n。 應(yīng)當(dāng)說明的是，本發(fā)明中的模塊即可以內(nèi)置于搜索引擎中，也可以獨立于搜索引 擎外，供搜索引擎調(diào)用排序結(jié)果，本發(fā)明中所使用的客觀權(quán)重計算方法及均衡度算法，并不 局限于所提及的幾種，根據(jù)需要可以另行更換和調(diào)整。另外本發(fā)明中使用的綜合權(quán)重方法 也不局限于以上提及的情形。以上所述的算法僅為本發(fā)明的較佳實施方法而已，并不用于 限制本發(fā)明，凡在本發(fā)明精神和原則范圍之類所做的任何修改、等同替換和改進等，均應(yīng)包 含在本發(fā)明的保護之內(nèi)。
權(quán)利要求
一種多指標綜合權(quán)重視頻排序系統(tǒng)，其特征在于包括視頻數(shù)據(jù)庫，用于保存視頻原始信息；視頻分析處理模塊，與所述視頻數(shù)據(jù)庫相連接，用于對所述視頻數(shù)據(jù)庫中的視頻原始信息進行分析和處理；主觀權(quán)重確定模塊，用于設(shè)定排序指標j并給出排序指標j的主觀權(quán)重；客觀權(quán)重計算模塊，與所述視頻分析處理模塊和主觀權(quán)重確定模塊相連接，根據(jù)所述視頻分析處理模塊提供的數(shù)據(jù)，計算所述主觀權(quán)重確定模塊所確定的排序指標j的客觀權(quán)重；優(yōu)化決策模塊，與所述客觀權(quán)重計算模塊相連接，用于計算每個排序指標j的綜合權(quán)重wj，其中， <mrow><msubsup> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>m</mi></msubsup><msub> <mi>w</mi> <mi>j</mi></msub><mo>=</mo><mn>1</mn><mo>,</mo><msub> <mi>w</mi> <mi>j</mi></msub><mo>≥</mo><mn>0</mn><mo>,</mo> </mrow> <mrow><mi>F</mi><mrow> <mo>(</mo> <mi>w</mi> <mo>)</mo></mrow><mo>=</mo><msubsup> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></msubsup><msubsup> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>m</mi></msubsup><mo>{</mo><mi>μ</mi><mo>[</mo><mrow> <mo>(</mo> <msub><mi>w</mi><mi>j</mi> </msub> <mo>-</mo> <msub><mi>a</mi><mi>j</mi> </msub> <mo>)</mo></mrow><msub> <mi>z</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow><msup> <mo>]</mo> <mn>2</mn></msup><mo>+</mo><mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>μ</mi> <mo>)</mo></mrow><mo>[</mo><mrow> <mo>(</mo> <msub><mi>w</mi><mi>j</mi> </msub> <mo>-</mo> <msub><mi>b</mi><mi>j</mi> </msub> <mo>)</mo></mrow><msub> <mi>z</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow><msup> <mo>]</mo> <mn>2</mn></msup><mo>}</mo> </mrow>模型F(w)表示各指標排序得分的權(quán)重誤差平方和，F(xiàn)(w)越小，反映出權(quán)重wj越準確，更能刻畫各指標之間的關(guān)系，aj、bj，j＝1、2、…、m分別為指標j的主觀和客觀權(quán)重；0＜μ＜1為偏好系數(shù)；指標排序得分計算模塊，與所述視頻分析處理模塊相連接，用于計算每個視頻i對于指標j的排序得分zi(j)；綜合得分計算模塊，與所述優(yōu)化決策模塊和所述指標排序得分計算模塊相連接，用于計算該視頻的加權(quán)得分值fi，其公式為 <mrow><msub> <mi>f</mi> <mi>i</mi></msub><mo>=</mo><msubsup> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>m</mi></msubsup><msub> <mi>w</mi> <mi>j</mi></msub><mo>*</mo><msub> <mi>z</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>n</mi><mo>.</mo> </mrow>
2. 根據(jù)權(quán)利要求1所述的多指標綜合權(quán)重視頻排序系統(tǒng)，其特征在于所述y = 0.5，綜合權(quán)重Wi = iiai+(l-ii)bi， i = 1、2、…、m。
3. 根據(jù)權(quán)利要求1或2所述的多指標綜合權(quán)重視頻排序系統(tǒng)，其特征在于所述客觀權(quán)重計算模塊為熵值法計算的模塊，熵值法計算公式如下設(shè)各排序指標j的客觀權(quán)重為bj， j = 1、2、…、m，則mbj = (i-hj)/》i一hk)k=l其中，hj = (hm)^SIUPj(i)lnpj(i)為每個指標j的熵；pj(i) = Zj(i)/21Uzj(i)用來刻畫所有視頻對于指標j的分布；Zj(i)為每個指標的標準化(規(guī)范化)得分；且當(dāng)Pj(i)= 0時，規(guī)定Pj(i)l即j(i) = 0， i = 1、2、 ...、n;j = l、2、…、m。
4. 根據(jù)權(quán)利要求3所述的多指標綜合權(quán)重視頻排序系統(tǒng)，其特征在于 所述指標排序得分計算模塊為計算排序指標j :日平均播放次數(shù)、上傳時間、視頻節(jié)目擁有人上傳視頻數(shù)量、被專輯收錄數(shù)、被挖數(shù)、被收藏數(shù)、均衡度中的多個或全部排序指標， 具體計算為日平均播放次數(shù)得分Zi(l):— NORM(NP(i》_ MAX(NORM(NP(i)))i=123...其中，NP(i)為第i個視頻的日均播放數(shù)；MAX((xl)(下同)用來計算集合{x}的最大值；<formula>formula see original document page 3</formula>為數(shù)學(xué)變換函數(shù)，對數(shù)據(jù)量過大的進行處理；L0G2(x)是以2為底的對數(shù)變換； 上傳時間得分Zi(2):<formula>formula see original document page 3</formula>其中days(i)為該節(jié)目上傳時間離現(xiàn)在的天數(shù)； 視頻節(jié)目擁有人上傳視頻數(shù)量得分Zi(3):<formula>formula see original document page 3</formula>其中，NU(i)表示第i個視頻的上傳人總的上傳視頻數(shù)； 被專輯收錄數(shù)得分Zi(4):<formula>formula see original document page 3</formula>其中，NZ(i)表示第i個視頻被專輯收錄的次數(shù)； 被挖數(shù)得分Zi(5):<formula>formula see original document page 3</formula>其中，NW(i)表示第i個視頻被挖次數(shù)，其被挖次數(shù)越多； 被收藏數(shù)得分Zi(6):<formula>formula see original document page 3</formula>其中，NF(i)表示第i個視頻被收藏次數(shù)； 均衡度得分Zi(7):均衡度得分zj7)是視頻被評論、被挖、評分和被收藏次數(shù)之間的均衡程度的度:
全文摘要
一種多指標綜合權(quán)重視頻排序系統(tǒng)，包括視頻數(shù)據(jù)庫，視頻分析處理模塊，主觀權(quán)重確定模塊，客觀權(quán)重計算模塊，與所述視頻分析處理模塊和主觀權(quán)重確定模塊相連接，根據(jù)所述視頻分析處理模塊提供的數(shù)據(jù)，計算所述主觀權(quán)重確定模塊所確定的排序指標的客觀權(quán)重；優(yōu)化決策模塊，用于計算每個排序指標的綜合權(quán)重，指標排序得分計算模塊，用于計算每個視頻對于指標的排序得分；綜合得分計算模塊，用于計算該視頻的加權(quán)得分值，本發(fā)明綜合考慮了視頻多項特征以及用戶對視頻的反饋，能夠?qū)σ曨l進行智能化的靈活排序，以最佳方式將搜索到的視頻結(jié)果返回給用戶。
文檔編號G06F17/30GK101739419SQ20081020220
公開日2010年6月16日 申請日期2008年11月4日 優(yōu)先權(quán)日2008年11月4日
發(fā)明者楊杰, 譚明 申請人:未序網(wǎng)絡(luò)科技(上海)有限公司