基于物品协同过滤的个性化视频推荐算法改进研究

摘要

电影业的繁荣和微视频的兴起使得互联网上的视频资源以爆炸式的方式增长，海量视频资源在解决视频资源匮乏问题的同时却带来新问题——信息过载，面对海量视频资源用户无法便捷的从中发掘感兴趣的视频。如何从海量的视频资源中主动帮助用户发掘其感兴趣的视频并推荐给用户，满足用户个性化需求成为视频门户网站面临的新挑战。推荐算法是一种从海量数据中挖掘知识的方法，与搜索引擎不同它不需要明确的用户需求，而是通过分析用户历史行为建立用户兴趣模型，并将符合用户兴趣的物品推荐给用户。传统的基于特征的推荐算法、基于内容的推荐算法和基于用户协同过滤算法都能用于视频推荐系统中，但与基于物品协同过滤算法相比其个性化推荐程度较低。
　　视频相似度计算和用户偏好计算的准确度直接影响视频推荐的精确性和个性化程度，本文结合视频推荐的特点和用户行为偏好，对基于物品协同过滤推荐过程中视频相似度计算和用户偏好计算进行改进，提升基于物品协同过滤的视频推荐算法的精确度和个性化程度。本文的主要研究内容如下:
　　1.阐述了采用简单统计方法计算共现矩阵对视频相似度的影响，提出基于规则分类的共现矩阵计算方法，更合理的计算视频共现矩阵，提高视频相似度计算的准确性。
　　2.改进用户偏好计算公式，将兴趣相似的同组用户对视频的平均评分作为视频质量因子和用户对视频类型的偏好权重作为用户对视频的明确兴趣加入到用户偏好计算公式中，增强算法推荐的个性化程度和解释性。
　　最后，本文对改进的基于物品协同过滤的个性化视频推荐算法在MovieLens数据集上进行实验，确定了算法相关参数。并以传统的基于项目的协同过滤算法作为对照实验，验证改进后基于物品协同过滤个性化视频推荐算法的性能。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．3 主要研究内容

1．4 论文组织结构

第二章 个性化推荐技术概述

2．1 推荐系统概述

2．1．1 推荐系统定义

2．1．2 个性化推荐应用案例

2．2 推荐系统实验方法

2．2．1 离线实验

2．2．2 用户调查法

2．2．3 在线AB实验法

2．3 推荐算法评测标准

2．4 个性化推荐算法分析

2．4．1 基于用户特征的推荐算法

2．4．2 基于内容的推荐算法

2．4．3 基于用户的协同过滤算法

2．4．4 基于物品的协同过滤算法

2．4．5 算法对比分析

2．5 相关技术分析

2．5．1 物品相似度计算

2．5．2 用户偏好计算

2．6 本章小结

第三章 基于规则的视频共现矩阵计算

3．1 影响共现值因子分析

3．1．1 共现回归方程

3．1．2 回归方程参数估计

3．2 基于规则的共现矩阵计算

3．3 实验及结果分析

3．3．1 MovieLens数据集

3．3．2 实验结果

3．3．3 实验分析

3．4 本章小结

第四章 基于用户兴趣特征的偏好计算

4．1 用户兴趣特征获取和建模

4．1．1 用户兴趣特征获取

4．1．2 用户兴趣特征建模

4．2 视频质量表示

4．2．1 基于k-means的用户聚类

4．2．2 聚类结果

4．3 基于用户兴趣特征的偏好计算

4．4 实验及结果分析

4．4．1 实验结果

4．4．2 实验分析

4．5 本章小结

第五章 基于物品协同过滤的个性化视频推荐算法改进

5．1 算法描述

5．2 参数优化

5．2．1 K值选取

5．2．2 N值选取

5．3 算法验证

5．3．1 分类规则验证

5．3．2 共现值设置验证

5．3．3 传统算法对比验证

5．4 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

攻读硕士学位期间论文发表情况