数字化技术在广播电视中个性化内容推荐的应用研究

岑凯妮

【关键字】广播电视；粗糙集；异构信息网络；数字化

引言

在数字时代的当下，信息传播方式也正处于剧变之际，特别对传统媒体中的广播电视冲击与日俱增。广播电视是一种传统的传播媒介，它主要通过无线电波或导线传送声音、图像。由电视、电视广播、无线广播、有线广播等组成。传统的广播电视业务以电视直播为主，但随着新媒体的兴起，特别现在最热的短视频领域，如抖音、快手等，让用户对于信息资讯等的需求得到了各个方位的满足，这就要求我们广播电视人应该重视用户对于内容的需求越来越个性化和多样化等要求。因此，广播电视机构应加大对相关信息的挖掘力度，获取更多多样化的内容资源的同时，更需要通过数字化技术实现整合和定制化。

传统的广播电视行业正处在网络化、数字化、智能化的转型发展关键时期。随着信息技术的发展，人们对广播电视的需求也在不断变化。数字化技术在实现过程中可以实现度量数据化和数字化，并形成真实有效、不可篡改的数据链区域，提高数据传输过程中的可靠性和数据可信度，从而实现广播电视媒体的现代化和数字化转型，更好地适应现代社会的需求[1-2]。广播电视如何利用数字化技术实现个性化推荐和营销是当下各个广播电视机构迫切需要解决的难点[3-4]。

本文初步探讨将数字化技术：粗糙集和异构信息网络两种算法应用到广播电视个性化推荐中来，通过粗糙集理论和异构信息网络，删除对推荐无意义的用户属性，降低运算复杂度，然后对用户的收视历史和行为特征进行深入分析与挖掘，精准寻求并契合用户个性化需求，推荐用户切实需求的节目或资讯。同时，数字化技术还可以通过分析用户的行为数据和市场趋势数据，精准提供相关的预警与预测分析，制定个性化营销策略和推广方案，为广播电视的长远发展保驾护航。

一、粗糙集与异构信息网络定义

（一）粗糙集简介[5-6]

本文简单介绍一下相关的粗糙集基本知识，包括：上、下近似等定义。是一个信息系统，U其中是论域，A是论域U上的条件属性集。对于每个属性都对应着一个函数称为属性a的值域，U中每个元素称为个体、对象或行。

B和x不分明关系（或称为不可区分关系）是一个等价关系，定义为：

图1 集合的上、下近似概念示意

（二）异构信息网络简介[7-9]

异构信息网络研究最近十年的发展历程，主要可以分为三个阶段：第一是起步阶段（2009-2010），这个阶段的研究主要集中在聚类、分析等方面；第二阶段是基于“元路径”进行相似度计算的异构信息网络，SunY,han j,yan x等人提出了PathSim算法，该算法用于对称元路径的相似性度计算，例如文献信息网络中，查找两个作家在同一家出版社出版书可以用PathSim算法。Shi C,Kong X,Huang Y等人提出了HeteSim 算法，该算法用于不同类型对象间相似关系度量；第三阶段最主要的研究方向是利用加权元路径实现相似性统计的异构信息网络。

下面对异构信息网络的定义进行简单的介绍

定义1，信息网络（information network）是一种带有对象类型映射函数和链接类型映射函数的有向图其中，任意是一种不同的类别，记为每个链接有一个特定关系类型当时，则称该网络为异构信息网络(HIN)，不然则称为同构信息网络。

异构信息网络的网络模式刻画了对象类别及其交互关系，并不简单关注网络中对象类型属性，其阐明网络中对象集合及对象间关系集合的类型限制。

二、基于数字化技术的广播电视的个性化推荐研究

粗糙集（Rough Set）是一种数学工具，专门用来处理不确定性和模糊性，在数据处理方面有着极为重要作用。异构信息网络能够承载互联网上各种结点类型以及结点间的各种联系类型，从而能够更为精确地定义出信息网络中的不同语意，从而挖掘出更加深刻的信息。异构信息网络在当前大数据分析时代具有广泛的运用，比如友网、医疗信息网络、电子商务网站和新闻网络等，把复杂场景里的对象以及对象间的关联关系装载进一个结构化的网络，并且利用该网络分析，获得了更广泛的关注。以粗糙集对原数据冗余属性进行删除与关联分析，提高整个数据质量与可用性，再通过异构信息网络对用户的个人信息、喜好数据、现有数据的分析，真正实现给用户个性化推荐适合的广播电视节目或资讯。

（一）基于粗糙集的数据处理与个性化推荐

通过粗糙集对广播电视历史数据的预处理，即对原始数据进行清洗、去重、属性约简等操作，提高数据的质量和可用性，提取出对后续分析有用的信息；在广播电视技术中，下一步可以进行特征提取和决策支持，特征提取可以帮助我们发现数据中的模式和规律，例如观众的收视习惯、节目的流行趋势等，粗糙集理论也可以用于构建决策支持系统，帮助广播电视机构进行决策和预测。例如，通过分析历史数据和市场趋势，可以预测未来的节目需求和观众行为，为节目策划、编排和营销提供决策支持；

通过粗糙集对数据的处理，不仅可以删除冗余属性，还可以继续深入处理，及时发现数据中的异常点，即广播电视中的异常表现，如突然收视率的降低或超高，以及受众群体的改变或迁移，这些异常点均可以利用粗糙集理论进行发现，这些异常点的检测对于预防突发事件有着重要作用，也可以用在广播电视的预警与预测中，将损失最小化；

将粗糙集理论在广播电视领域落地，有助于推动电视广播在当下数据洪流中站稳，减少广播电视系统数据库的无效数据存储，挖掘广播电视各个属性关联，提高其节目受众定位精准度，进一步推进数字化改革在广播电视领域的广度与深度，也能更好、实时、有效地服务用户。

（二）基于异构信息网络的数据挖掘和个性化服务

异构信息网络整合来自不同来源和类型的信息，包括广播电视节目、互联网资讯、社交媒体内容、客户的基础数据、客户历史查询数据、用户建议意见等等。通过将不同来源的信息进行融合和关联，可以挖掘出更多的潜在信息和知识，为个性化推荐提供更丰富的数据支持[10]。其次，异构信息网络可以利用人工智能和机器学习等技术，对整合后的信息进行深度分析和学习。通过对消费者的行为特点和兴趣偏好进行研究，可以了解用户的收视习惯和需求，从而为用户提供更精准的个性化推荐。另外，异构信息网络还可以结合社交媒体等外部信息源，对用户的社交行为和兴趣偏好进行分析。通过对用户在社交媒体上的关注列表、评论行为等进行分析，可以更深入地了解用户的兴趣爱好和社会关系，从而为用户提供更个性化的推荐服务。最后，异构信息网络还可以结合地理位置信息（指现实世界中的信息），对用户的地理位置和生活轨迹进行分类。通过对用户的地理位置数据以及收视情况进行研究，能够向客户提供更符合其需求的广播电视节目推荐。

在实际电视广播服务端如现在的APP、微信公众号、小程序等端口的不同场景中，如首页推荐，可以根据算法分析后，用户更加偏爱的节目在首页展示，增加应用黏性，留下更多用户，又或者可以加入定时推荐，根据用户的使用习惯和时间偏好，可以在特定的时间段给用户推荐相应节目，例如在周末推荐一些时间长的综艺节目，或者如果用户喜欢看科幻电影，可以推荐更多的科幻电影给用户，在工作日推荐一些轻松的小视频或者工作小技巧的视频，缓解用户工作时产生的压力。总之，异构信息网络在广播电视的个性化服务上具有重要的作用。通过整合不同来源的信息，利用人工智能和机器学习等技术进行深度分析、挖掘，形成广播电视独有的知识库，结合社交媒体等外部信息源以及结合地理位置信息等现实世界中的信息，可以为用户提供更精准、更个性化的推荐服务。

总结

随着新媒体的崛起，传统广播电视的收听收视率也有所降低。广播电视产业需要在技术、内容制作、广告经营、人才管理、公共服务等方面不断改进和发展，以适应时代的需求和变化。通过将粗糙集、异构信息网络引入广播电视中，构建以数字化技术为基础的个性化推荐模式，精准契合用户需求，提供更加优质的内容和服务吸引观众，用技术推动广播电视行业不断创新，为广播电视的数字化转型提供算法参考。

但本文只是在理论上探讨了利用数字化技术对广播电视中个性化推荐的意义与作用，下一步将设计相应的个性化推送模式，并通过本地化数据库系统建立个性化推送平台，设计相关推荐阈值，并用实际数据训练出适应所在区域内的个性化推荐模型。