基于混合模式的个性化视频推荐方法研究

摘要

在当今大数据时代，得益于互联网行业软、硬件技术的飞速发展，互联网上产生了海量的信息，面对这些信息，商家如何将有效信息提供给用户，用户怎样获取自己需要的正确信息？这是信息检索领域面临的主要问题。对于这些问题，传统的解决方式主要是搜索技术，但搜索技术依赖于用户输入的信息，而且很多情况下用户也不确定输入的信息能否返回正确的数据。推荐技术的出现为商家和用户同时解决这一痛点提供了解决办法。采用推荐技术的推荐系统不需要用户输入大量的关键词，而是分析用户的信息和历史行为记录，给用户进行个性化推荐。推荐技术作为一种信息检索技术，已被广泛应用于各行各业中，也是当前学术界的一个研究热点。
　　用户的实际使用场景不同，使用的推荐方法也不一样。基于k-means聚类的协同过滤推荐方法比较适用于用户评分数据量大的场合，其中k-means聚类算法能有效提高协同过滤推荐算法中用户或者项目聚类的速度，但该方法在用户评分数据量少的时候不能取得比较好的推荐效果;基于线性回归的视频基因的推荐方法适用于用户评分数据量少的情境，可是在数据量多的时候推荐效果不好。由于以上两种方法存在应用场景有限的问题，本文提出了基于协同过滤和视频基因的混合推荐方法，该推荐方法旨在克服两种推荐方法的不足，发挥两种方法的优势。
　　为验证以上方法的效果，本文先通过爬取豆瓣电影网上用户的数据，再对数据进行整理、清洗，转换为算法可以处理的格式。第一步，进行基于k-means聚类的协同过滤推荐，首先构建用户项目矩阵，然后对用户相似度进行分析，再通过聚类算法迅速聚类进而得到推荐列表。第二步，进行基于线性回归的视频基因的推荐，先分析了视频基因结构，将风格偏好度和地域偏好度加权组合作为用户的基因偏好度，各个偏好度的权重值采用线性回归算法确定，最后选取基因偏好度高的对象形成推荐列表。最后，通过对上述两种方法推荐的结果加权得到最终的推荐结果。实验表明，基于协同过滤和视频基因的混合推荐方法比两种单一推荐方法的准确度高，说明本文提出的方法通用性效果比较好。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．3 论文组织结构

2．1 理论基础

2．1．1 线性回归

2．1．2 k-means聚类算法

2．1．3 网络爬虫

2．2 个性化推荐相关技术

2．2．1 个性化推荐具备的一些特征

2．2．2 常见推荐算法

2．2．3 实验方法

2．2．4 评测指标

2．3 本章小结

第三章 改进的个性化视频推荐方法

3．1 基于k-means聚类的协同过滤推荐方法

3．1．1 构建用户项目矩阵

3．1．2 用户相似度分析

3．1．3 推荐流程

3．2 基于线性回归的视频基因推荐方法

3．2．1 基因偏好度分析

3．2．2 推荐流程

3．3 基于协同过滤和视频基因的混合推荐方法

3．3．1 混合推荐策略

3．3．2 混合推荐流程

3．4 本章小结

第四章 基于混合模式的个性化视频推荐实例

4．1 实验环境及实验数据

4．1．1 实验环境

4．1．2 实验数据

4．2 实验过程和结果分析

4．3 本章小结

5．1 总结

5．2 展望

参考文献

攻读硕士期间发表的论文

致谢