论文部分内容阅读
随着三网融合的不断推进,广播电视网和电视相关产业蓬勃发展,智能电视作为内容和服务呈现的载体,成为产业链的核心环节。然而,面对日益丰富的媒体内容和在线服务,智能电视用户会陷入“信息过载”的困境,而内容与服务提供商以及平台运营商也亟需在有限的展示空间中向用户呈现其真正感兴趣的内容。推荐系统正是解决上述问题的有效手段,并且已经在诸多领域取得了成功。将推荐系统应用于智能电视领域能够实现用户、内容与服务提供商以及平台运营商等多方共赢的局面,具有重要的研究意义和经济价值。 本文针对智能电视环境下推荐系统面临的挑战进行探究和创新,尝试从精准度、多样性、鲁棒性和效率等评测角度来提升推荐质量。研究内容涉及QoS预测、多样性提升、托攻击检测以及算法并行化等方面。主要成果和创新点如下: 1.针对内容和服务的QoS预测问题,分别提出基于时间效应和基于地理位置的QoS预测模型。在基于时间效应的QoS预测模型中,通过对客户端和服务端的QoS动态变化特征进行分析,对两端的时间偏置效应进行建模,与基线矩阵分解模型结合生成了动态矩阵分解模型。在基于地理位置的QoS预测模型中,在基于用户自身QoS属性建立的概率矩阵分解模型基础上,线性叠加了基于地理邻居用户QoS属性所构建的概率矩阵分解模型。实验结果表明,与现有的QoS预测模型相比,上述两个模型均能大幅度提升QoS预测精准度。 2.针对内容的多样化呈现问题,提出一种加入用户评分偏置的推荐系统排名模型。利用用户评分偏置改进了传统排名模型中的阈值计算方法,保证总体多样性的提升效果可作用于全局用户。通过在阈值计算环节引入多样性调节因子,并结合多种排名算法,实现了总体多样性和精准度的精细控制。实验结果表明,相对于传统的基于经验取值的排名模型,所提模型在保证推荐精准度的同时,能进一步提高推荐结果的总体多样性,并且可以方便嵌入现有推荐系统中,而无需对原功能模块进行改动。 3.针对推荐系统中的托攻击检测问题,根据现有攻击模型在项目选择上的随机性,提出一种描述用户兴趣集中程度的特征属性——兴趣峰度系数(KCI),并将KCI与当前用于托攻击检测的用户特征属性结合作为候选特征集。以候选特征集为基础,提出一种基于特征子集的托攻击无监督检测算法(UnDSA-FS),利用无监督特征选择方法为不同托攻击策略选取相应的检测特征子集,计算离群用户并锁定攻击目标,根据攻击目标评分偏差的变化来筛选托攻击者。实验结果表明,KCI的信息增益高于已有的用户特征属性,UnDSA-FS相比于现有的无监督检测算法具有更高的稳定性和精准度。 4.针对推荐算法的可扩展性问题,提出一种物质扩散推荐方法的并行化算法。首先,将物质扩散方法的计算流程由传统的求和方式转换为矩阵连乘形式。然后,在MapReduce框架下,提出一种基于动态向量的分布式矩阵乘法,有效减少了CPU消耗和I/O消耗。同时,采用分块技术改进了算法性能,并对矩阵连乘的结合顺序进行了优化。最终在MapReduce框架下利用分布式矩阵乘法实现了物质扩散推荐方法的并行化计算。实验结果表明,在不同数据集上,所提算法均能大幅度提升物质扩散推荐方法的计算效率。