论文部分内容阅读
作为一种生动形象的信息载体,视频受到人们越来越多的青睐,视频类业务也受到越来越多的追捧。爆炸式增长的视频类业务及其内容让用户感到无所适从,而快速增长的用户也让视频业务运营商面临着巨大的机遇和挑战。视频推荐技术的出现正是为了解决这些问题,它能帮助用户快速找到自己喜欢的视频,同时帮助运营商向用户推广自己的视频资源。如今,视频推荐技术在某些网站上已经取得了巨大的成功,如MovieLens、YouTobe、百度随心看等。本文在分析了视频推荐技术的研究意义和发展现状之后,针对目前主流的协同过滤推荐技术存在的数据稀疏性和推荐效率等问题,分别从基于用户的协同过滤、隐语义模型和用户聚类三个方面对视频推荐技术进行研究。基于用户的协同过滤算法的关键在于用户兴趣相似度的计算,传统的Top-N推荐只考虑了用户的隐性行为数据,而忽略了用户显性评分值和用户特征信息对相似性的影响,本文将对用户相似性度量方法的进行改进。基于隐语义模型(Latent Factor Model,简称LFM)的视频推荐通过隐含特征来得到用户兴趣与视频之间的关系,从而产生推荐。本文将在隐语义模型的基础上融合邻域协同过滤算法,进一步提高推荐质量。另外,庞大的用户和视频数量让产生推荐的时间开销越来越大,引入用户聚类能提高推荐效率。但在传统的基于用户聚类的协同过滤中,聚类是在用户的评分矩阵上完成的,这种聚类方法的计算量依然很大。本文将研究利用视频特征来简化用户兴趣表示的聚类方法,以提高聚类效率。总结以上内容,本文的主要工作将从以下三方面展开:①对基于用户的协同过滤算法进行了详细的分析之后,提出考虑用户对视频的显性评分值和用户特征信息的用户相似度计算方法,并进行仿真分析。②对基于隐语义模型的推荐算法进行较好的改进,融合视频和用户的邻域信息,有效地提升了推荐的精度。③将用户聚类用于视频推荐中,结合视频特征和用户对视频的评分,给用户聚类,再在各类中进行协同过滤推荐,大大提高推荐效率。