基于本体的影视个性化推荐算法研究

摘要

在信息爆炸的时代，想在互联网如此海量的内容中找出自己满意的资源越来越难，个性化推荐技术的出现逐步在缓解这个棘手的问题。但是个性化推荐技术发展到今天，还是存在很多问题，在影视推荐领域更是如此。如何尽可能多的根据用户行为，更加全面的获取用户的兴趣，并以此给用户提供更贴近用户需求的推荐结果，有着很高的研究价值。
　　 影视个性化推荐系统中最核心的部分是影视个性化推荐算法。本文介绍了几种推荐算法，并分析了国内外在影视推荐方面应用较为成功的几个系统的案例。分析了个性化推荐算法应用到影视推荐系统中所应具备的特征，并论述了各种个性化推荐算法在影视推荐领域应用中所存在的优缺点。
　　 本文的主要工作内容如下:
　　 (1)详细研究了隐语义(Latent Factor Model)模型算法，阐述了LFM模型基本概念以及改进后的Bias-LFM模型算法，解释了该模型算法是如何将原本稀疏的用户评分矩阵分解为2个和隐类相关的稠密矩阵，从而能够准确进行用户对未评分物品的评分预测。并分析了LFM算法的优缺点，提出该算法在产生推荐结果时候的无法提供令人信服的推荐解释以及在与用户交互中无法实现推荐结果实时性变更等地方存在不足，可以进行改进。
　　 (2)提出在Bias-LFM模型算法的基础上，引入用户的标签评价信息对原推荐结果进行过滤，通过标签评价行为计算出的标签兴趣度，从而重新影响Bias-LFM算法在生成推荐列表时候的权重。然后通过利用标签自身来作为推荐结果的推荐解释，弥补Bias-LFM算法的推荐解释不足的缺陷;并提出利用标签评价实时改变推荐结果，从而解决原算法推荐结果无法实时性变更的问题。并在实验中实现了该算法，通过数据分析了改进之后的效果。
　　 (3)在利用用户社会化标签的时候，提出引入影视本体的概念，从而对原本描述影视内容基本信息歧义性较多的标签进行标签清理。使得在利用社会化标签改进LFM模型算法的时候，不再受到过多标签歧义的影响。

目录

声明

摘要

第1章 绪论

1．1 引言

1．2 研究背景与意义

1．3 本文内容安排

第2章 个性化推荐算法在影视推荐领域的技术与应用

2．1 个性化推荐算法

2．1．1 基于内容的推荐算法

2．1．2 基于邻域的推荐算法

2．1．3 基于图模型的推荐算法

2．1．4 基于关联规则的推荐算法

2．1．5 组合推荐算法

2．1．6 个性化推荐算法小结

2．2 个性化推荐算法在影视推荐领域的应用

2．2．1 Netflix电影推荐引擎

2．2．2 Hulu的个性化推荐引擎

2．2．3 Jinni的个性化推荐引擎

2．2．4 百度随心看推荐引擎

2．2．5 推荐系统小结

2．3 本章小结

第3章 隐语义模型推荐算法研究

3．1 隐含语义分析技术与LFM模型

3．2 LFM的基础算法

3．3 加入相关偏执项后的Bias-LFM算法

3．4 Bias-LFM模型的算法的优缺点

3．5 本章小结

第4章 基于标签信息的隐语义模型推荐算法设计

4．1 基于标签信息的改进Bias-LFM模型算法

4．2 改进的Bias-LFM算法对推荐解释的改善

4．3 改进的Bias-LFM算法对推荐结果实时性的改善

4．4 本章总结

第5章 基于标签信息的隐语义模型推荐算法的实现与分析

5．1 推荐系统算法的评测实验方法与指标

5．1．1 推荐系统算法的评测实验的主要三种方法

5．1．2 推荐系统算法的离线评测的相关指标

5．2 基于标签信息的隐语义模型推荐算法离线实验与分析

5．2．1 离线实验的实验环境与数据集的选择

5．2．2 算法的实验的数据准备

5．2．3 基于标签信息的隐语义模型推荐算法的推荐引擎

5．2．4 算法的实现与分析比较

5．2．4 算法的对推荐结果实时性以及推荐解释的影响

5．3 本章小结

第6章 总结与展望

致谢

参考文献