论文部分内容阅读
随着互联网不断普及,信息量爆发式增长,使得用户在面对大量信息时无法快速获取有用信息,导致信息使用效率降低。推荐系统作为解决办法之一,广泛应用于互联网各个领域,大部分电商平台、影视平台、音乐平台、社交平台的运营均不同程度的使用了各种各样的推荐策略。推荐系统的优势在于可以根据用户的基本信息、浏览记录、兴趣偏好等,将用户感兴趣的信息进行较为精准的推荐,逐步引导用户发现自身需求,与用户建立起良好的关系。由于推荐场景与数据维度的不断复杂,若推荐系统仅考虑用户与商品的单一关系时,推荐结果与实际结果会存在一定的偏差,为解决该问题,需要对用户与商品之外的维度因素进行分析和选取,在原有的基础上构建出具有较好预测效果且有一定实际应用价值的推荐模型。推荐算法作为推荐系统的核心问题一直是研究的重点,传统的推荐方法包括基于协同过滤推荐、基于关联规则推荐、基于决策树推荐、基于矩阵分解的推荐等。其中基于协同过滤的推荐方法较为常用,但是该推荐方法仅仅考虑了用户与项目两个维度,忽略了包括用户状态、情景环境等隐式反馈信息,从而导致对项目评分预测准确性的降低,最终导致推荐效果的下降。为提高传统协同过滤推荐算法的准确性,本文以视频推荐为背景,选取LDOS–CoMoDa数据集,利用混合推荐的思路,将传统协同过滤推荐方法与多维度推荐方法相结合,提出一种基于协同过滤的多维度视频推荐方法。该算法的改进如下:首先在传统协同过滤推荐方法基础上,充分考虑不同维度中显示反馈信息与隐式反馈信息对预测评分结果的共同作用,通过回归分析的方法对多维属性进行特征选择并确定各个多维属性因素的影响程度,再将影响程度较高的多维属性因素进行线性拟合,构建多维评分模型。其次将多维评分模型与协同过滤模型进行拟合,构建基于协同过滤的多维度推荐模型,再将基于协同过滤的多维度推荐模型的预测结果与测试集数据的实际评分进行对比,计算该方法的预测精度。最后通过实验的方法,将本文提出的基于协同过滤的多维推荐模型与基于协同过滤推荐模型、基于矩阵分解推荐模型进行对比。实验结果表明,本文提出的推荐模型相比于其余两种传统的推荐模型具有更低的MAE值,可以认为能够更加准确的对用户进行视频推荐,为视频推荐方法的改进提供参考。