基于圖模型的視頻推薦算法研究及實現(xiàn).pdf

1、互聯(lián)網(wǎng)的出現(xiàn)和普及給用戶帶來了大量的信息和資源，并且隨著人們對于信息可視化、影視娛樂作品需求的增大，大量視頻資源開始在網(wǎng)絡(luò)上傳播。海量視頻資源在滿足人們對其需求的同時，也使得用戶難以選擇到自己真正感興趣的視頻，因此他們對視頻資源的使用效率反而降低了。為了讓用戶能夠及時選擇到自己感興趣的視頻，個性化視頻推薦服務(wù)應(yīng)運而生，而且已經(jīng)成功應(yīng)用在了各大視頻網(wǎng)站，如YouTube、優(yōu)酷、愛奇藝等。
　　隨著視頻網(wǎng)站的發(fā)展，用戶在視頻網(wǎng)站上通常

2、能夠?qū)σ曨l進行多種行為，比如說收藏、分享、下載，而且用戶之間還可以互相關(guān)注。這些行為和交流的出現(xiàn)為現(xiàn)有視頻推薦算法性能的提高帶來了新的空間和挑戰(zhàn)。介于這種現(xiàn)象，本文提出了一種基于關(guān)注關(guān)系和用戶多行為的圖推薦方法。它能精準地計算出每種行為所占的的比例，通過貝葉斯模型提取出有效的關(guān)注關(guān)系，并在用戶行為圖上進行隨機游走，再把得到的訪問概率在用戶關(guān)注圖上進行擴散，最后結(jié)合兩部分結(jié)果將訪問概率高的視頻類型呈現(xiàn)在用戶的推薦列表上。算法性能在本文爬取

3、的優(yōu)酷數(shù)據(jù)集和Epinions數(shù)據(jù)集上進行了測試。
　　在實際場景中，把多個推薦請求組合之后形成推薦請求集合，為推薦請求集合提供推薦服務(wù)的算法，叫作聯(lián)合推薦算法。本文通過分析人們觀看視頻的時間段和類型的分布情況，找到了兩類有效的信息用于聯(lián)合推薦。另外，盡管現(xiàn)在的視頻網(wǎng)站已經(jīng)積累了海量的用戶行為，這些行為有些已經(jīng)不再代表用戶興趣，因此，需要考慮用戶行為權(quán)重隨時間的衰減性。結(jié)合上述兩點，本文提出了一種基于隨機游走和時間衰減模型的聯(lián)合推