基于數(shù)據(jù)挖掘的視頻推薦技術(shù)研究.pdf

1、作為一種生動形象的信息載體,視頻受到人們越來越多的青睞,視頻類業(yè)務(wù)也受到越來越多的追捧。爆炸式增長的視頻類業(yè)務(wù)及其內(nèi)容讓用戶感到無所適從,而快速增長的用戶也讓視頻業(yè)務(wù)運營商面臨著巨大的機遇和挑戰(zhàn)。視頻推薦技術(shù)的出現(xiàn)正是為了解決這些問題,它能幫助用戶快速找到自己喜歡的視頻,同時幫助運營商向用戶推廣自己的視頻資源。如今,視頻推薦技術(shù)在某些網(wǎng)站上已經(jīng)取得了巨大的成功,如MovieLens、YouTobe、百度隨心看等。
　　本文在分析了

2、視頻推薦技術(shù)的研究意義和發(fā)展現(xiàn)狀之后,針對目前主流的協(xié)同過濾推薦技術(shù)存在的數(shù)據(jù)稀疏性和推薦效率等問題,分別從基于用戶的協(xié)同過濾、隱語義模型和用戶聚類三個方面對視頻推薦技術(shù)進行研究。
　　基于用戶的協(xié)同過濾算法的關(guān)鍵在于用戶興趣相似度的計算,傳統(tǒng)的 Top-N推薦只考慮了用戶的隱性行為數(shù)據(jù),而忽略了用戶顯性評分值和用戶特征信息對相似性的影響,本文將對用戶相似性度量方法的進行改進。
　　基于隱語義模型(Latent Factor

3、 Model,簡稱LFM)的視頻推薦通過隱含特征來得到用戶興趣與視頻之間的關(guān)系,從而產(chǎn)生推薦。本文將在隱語義模型的基礎(chǔ)上融合鄰域協(xié)同過濾算法,進一步提高推薦質(zhì)量。
　　另外,龐大的用戶和視頻數(shù)量讓產(chǎn)生推薦的時間開銷越來越大,引入用戶聚類能提高推薦效率。但在傳統(tǒng)的基于用戶聚類的協(xié)同過濾中,聚類是在用戶的評分矩陣上完成的,這種聚類方法的計算量依然很大。本文將研究利用視頻特征來簡化用戶興趣表示的聚類方法,以提高聚類效率。
　　總結(jié)