面向家庭用户的互联网电视资源推荐模型研究

摘要

随着国内三网融合的深入推进和互联网资源行业整体的快速发展，传统的电视观看模式正发生根本性变化，新型技术也推动着大众百姓的电视机屏幕不断变革。传统的电视服务方式已难以满足家庭用户多元化需求。现在越来越多的家庭用户希望通过互联网电视一体机或互联网电视机顶盒加电视机达到休闲娱乐的目的，但由于互联网电视资源繁杂众多，用户很难高效率找到偏好的资源，所以非常有必要为家庭用户提供量身定制的互联网电视资源的推荐，使之享受个性化的服务，提高用户体验。
　　目前传统的互联网资源推荐系统大都是针对个体推荐，但家庭电视机的受众是整个家庭，而家庭都是由若干个成员组成的，所以整个家庭成员的点播集合才构成了家庭用户完整的历史观看记录。但每个家庭成员的偏好往往存在差异，甚至完全不同。因而不能对点播信息进行简单的叠加整合。因此，如果采用传统推荐算法，不考虑观看成员的多样性，而直接将家庭用户看作普通个体进行推荐，推荐效果可能会适得其反。
　　针对该问题，本文首先通过分析家庭用户历史观看记录，提出了基于RFM模型优化的RFMP模型。该模型引入了四个关键观看指标，即每周的访问次数、每周访问资源数、每个资源观看完成率以及距上次访问相差时间。并应用层次分析法对各指标分配相应权重，以此计算用户在系统中的价值。将相同价值行为的用户归于一组，对用户形成第一次价值分组，为后续推荐模型提供基础。
　　同时为了更有效的识别家庭中是否有多个观看用户，为用户提供更精准的资源推荐，本文采用离群算法对计算得到的周期-资源评分矩阵进行行距计算，根据找到的行距异常值来识别当前用户是多成员家庭用户还是个体用户。其中，通过挖掘家庭用户的资源观看次数、观看时长、观看时间点，隐式获取到家庭用户对不同单个资源的评分值;并根据单个资源所属板块进行评分整合，得到了用户对各个资源板块的评分区间，再结合资源板块的评分对应的周期区间形成用户对各个资源板块的周期-资源评分矩阵。
　　针对不同价值组别的家庭用户和个体用户，在各个分类数据集上逐个运行兴趣相似的关联规则，采取各分类的推送策略。如果用户属于高价值个体用户，则首先去除掉过度活跃用户的影响，并用修正余弦公式计算用户相似度，从而实现用户相似聚集，以便使用基于用户的协同过滤算法进行推荐;若是低价值个体用户，推荐的模型除了采用协同过滤算法直接推荐外，还随机推荐不相关资源，以此弥补兴趣矩阵稀疏和冷启动问题的不足，增加资源的覆盖率。另外，如果用户属于高价值多成员家庭用户，先将家庭成员分离出来，形成多个独立的个体，并提前将分离的个体成员的观看特征与设定的用户观看模板相匹配，从而降低推荐复杂度，对于未能匹配的个体成员采用高价值个体用户推荐模型进行计算;若是用户属于低价值多成员家庭，分离后矩阵的稀疏性会很明显，若直接使用推荐算法，会降低准确率，所以在这个群组适合选用去掉最小失望度均衡综合推荐策略，这样既把家庭成员间的相互作用合理考虑在内，又能合理保证推荐的有效性。基于价值分组并针对家庭用户和个体用户进行推荐，更加符合实际情况。实验结果表明，该模型稳定且有效，相比单一的推荐方法，推荐的准确率、召回率有所提升。

目录

声明

摘要

1 绪论

1．1 研究背景

1．2 研究意义

1．3 研究现状

1．4 论文组织结构

2 用户观看特征统计

2．1 指标描述

2．1．1 播放次数

2．1．2 资源热度

2．1．3 资源关注度

2．1．4 资源完成度

2．2 用户观看模式分析

2．2．1 用户观看目的

2．2．2 用户获取资源偏好

2．2．3 用户观看日模式

2．3 热度和关注度分析

2．3．1 资源热度和关注度分布

2．3．2 首页热度分析

2．4 资源长度与资源完成度相关分析

2．5 观看特征分析总结

3 家庭用户价值分组

3．1 家庭用户概念

3．2 用户价值概念描述

3．3 层次分析法—AHP

3．4 应用AHP实现价值分组

3．4．1 价值四个维度权值设置

3．4．2 观看数据归一化处理

3．4．3 实现家庭价值分组

4 面向互联网电视的家庭用户识别模型

4．1 基于用户行为特征的用户兴趣获取方法

4．1．1 用户兴趣获取概念

4．4．2 隐式获取用户兴趣方法

4．2 家庭用户识别方法设计

4．2．1 隐式评分标准化

4．2．2 用户的兴趣区间评分描述

4．2．3 计算区间评分的距离

4．3 多成员家庭用户识别步骤

5 基于价值分组的家庭用户的推荐资源模型

5．1 推荐算法简介

5．2 基于独立用户的推荐策略

5．2．2 基于高价值的独立用户的推荐

5．2．3 基于低价值的独立用户的推荐

5．3 基于多成员家庭用户的推荐策略

5．3．1 获取多成员家庭观看模板

5．3．2 基于高价值家庭用户的推荐

5．3．3 基于低价值家庭用户的推荐

6 实验结果和模型评估

6．1 实验准备

6．1．1 实验数据集采集

6．1．2 搭建评价数据集

6．2 家庭用户识别模型评估

6．3 推荐模型评估

6．3．1 组合推荐策略评估

6．3．2 推荐的精确度评估

7 总结和展望

7．1 本文工作总结

7．2 未来工作展望

参考文献

致谢