資源描述：
《基于用戶偏好的視頻推薦技術(shù)研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、摘要摘要伴隨信息技術(shù)和互聯(lián)網(wǎng)應(yīng)用的發(fā)展，人們逐漸從信息匱乏時代邁入了信息過載（informationoverload）時代。在視頻業(yè)務(wù)系統(tǒng)為代表的互聯(lián)網(wǎng)資源信息平臺中，傳統(tǒng)的搜索技術(shù)已滿足不了用戶對網(wǎng)絡(luò)個性化的需求。個性化網(wǎng)絡(luò)時代要求資源業(yè)務(wù)平臺能主動分析用戶行為，發(fā)現(xiàn)用戶興趣偏好，為用戶發(fā)現(xiàn)符合其個性需求的信息資源。個性化推薦技術(shù)正是為了應(yīng)對網(wǎng)絡(luò)個性化的這一挑戰(zhàn)而出現(xiàn)的。視頻資源系統(tǒng)中，用戶對視頻不同的觀看行為決定視頻之間流行程度的偏差，視頻流行程度呈現(xiàn)出長尾分布，即熱門的視頻只是整個系統(tǒng)中的少數(shù)資源，系統(tǒng)大多數(shù)視頻資源都是相對冷門的。另外，用戶的興趣偏好不是一層不變的，通
2、過利用用戶行為信息中的時間信息可以進(jìn)一步分析用戶興趣偏好隨時間變化的特征和規(guī)律。同時，累積的用戶評分行為可以體現(xiàn)出用戶和視頻的某種評分趨向，如有些用戶比較苛刻，或者視頻品質(zhì)較差，他們趨向于有較低的評分值。傳統(tǒng)視頻推薦技術(shù)并未考慮上述的客觀事實對推薦結(jié)果的影響，推薦質(zhì)量欠佳。本文詳細(xì)介紹了視頻推薦系統(tǒng)及其重要技術(shù)。在此基礎(chǔ)上，本文就推薦技術(shù)的兩個核心問題，Top-N推薦和評分預(yù)測推薦，針對傳統(tǒng)推薦技術(shù)的上述缺陷設(shè)計了改進(jìn)的推薦算法模型。首先，本文提出了一種綜合利用用戶隱性反饋和顯性反饋信息的用戶偏好建模策略。然后，在此基礎(chǔ)上，提出了應(yīng)用于Top-N推薦的基于用戶的協(xié)作過濾和基于
3、項目的協(xié)作過濾算法，并在基于用戶的協(xié)作過濾推薦中引入視頻流行度權(quán)重和用戶偏好變化權(quán)重因子，提出改進(jìn)算法。在實驗中對比了用戶-視頻二進(jìn)制關(guān)聯(lián)矩陣模型下三種算法的性能，實驗表明了，考慮視頻流行度和用戶偏好變化的推薦策略能給推薦質(zhì)量帶來有效提升。其次，針對推薦系統(tǒng)評分預(yù)測問題，以用戶評分?jǐn)?shù)據(jù)稀疏性為切入點，簡單介紹了現(xiàn)有的解決方案，并針對其中的典型算法，基于矩陣分解模型的協(xié)作過濾算法提出了引入偏置項的改進(jìn)模型，最后通過實驗分析，驗證了改進(jìn)的矩陣分解模型能有效地提高評分預(yù)測準(zhǔn)確度。關(guān)鍵詞：視頻推薦，流行度，興趣變化，矩陣分解，協(xié)作過濾I萬方數(shù)據(jù)ABSTRACTABSTRACTWith
4、thedevelopmentofinformationtechnologyandInternetapplications,thehumansocietyisstridingfromtheinformationlackingagetoinformationoverloadone.Traditionalsearchtechnologies,asintheInternetinformationplatformwhichisrepresentedbyvideorelatedservice,cannotfulfilltheusers’contentforpersonalizedserv
5、ice.Activeanalysisofusers’behaviors,tolocateusers’preferencesandunearththeinformationresourceswhichconformtousers’individualdemandsisneededbytheresourcesplatforminthepersonalizedInternetage.Thepersonalizedrecommendationtechnologyrisesnootherthantothischallenge.Invideoresourcesystem,thepopul
6、arityofthevideos,determinedbyusers’differentwatchingbehaviors,presentsasfat-taileddistribution,i.e.,most-viewedvideosareonlyafew.Majorityofthevideosarelessfavored.Moreover,users’preferencesarenotalwaysfixed.Bymakingadvantageofusers’behaviorsinformation,furtheranalysisthefeaturesandrulesofus
7、ers’preferenceswhichchangesovertimecanbecarriedout.Meanwhile,users’accumulatedratingbehaviorscouldmanifestsomekindofratingtrend,likesomedemandingusersorpoorvideoquality;theytendtoahigherratingvideo.Excludingtheeffectsofabove-mentionedobjectivefactstother
