大数据时代下电视产品的营销推荐研究

发布时间：2021-06-21 19:07

　　互联网技术的快速发展为传统广播电视媒介带来了新的机遇和挑战。文章在这一背景下采用了基于内容的协同过滤算法,对电视产品的文本信息分别进行jieba分词、建立了TOPSIS评价模型和余弦相似度模型,求出了爬虫的信息矩阵与每位用户观看节目的综合评价值之间的相似度;然后采用了基于用户的协同过滤算法,以电影产品为例,采用Python软件将55个电影产品的标签与爬虫得到的电影数据的标签进行连接,计算55个销售产品的标签,与用户的标签的相似度,为用户做出推荐,促进电视媒体营销的发展。 

【文章来源】：生产力研究. 2020,(03)

【文章页数】：4 页

【文章目录】：
一、引言
二、基于内容（CB）的推荐模型的建立与求解
    （一）算法的理论介绍
    （二）基于jieba分词的文本特征抽取
        1. jieba分词。
        2. 概率语言模型的分词方法。
        3. 计算分词词频。
    （三）基于内容推荐的文本向量模型
        1. 建立向量表示的语料库。
        2. TF-IDF分词权重模型。
    （四）基于奇异值分解（SVD）的降维模型
    （五）TOPSIS评价模型
    （六）基于余弦相似法的相似度模型
    （七）均方根误差（RMSE）检验
    （八）基于内容的推荐模型的求解
三、基于用户的协同过滤推荐算法
    （一）算法的具体实现步骤
        1. 寻找用户间的相似度。
        2. 推荐物品。
        3. 数据连接。
        4. 相似性分析及RMSE检验。
    （二）结果与营销对策
四、结论


【参考文献】：
期刊论文
[1]基于加权Topsis法综合评价典型滩涂围垦区土壤质量演变[J]. 孙蓓婷,高超,张燕.  中国生态农业学报. 2018(02)
[2]基于改进协同过滤算法的个性化新闻推荐技术[J]. 黄贤英,熊李媛,李沁东.  四川大学学报(自然科学版). 2018(01)
[3]基于Apriori改进算法的旅游个性化推荐[J]. 徐宏,陈焰,支艳利,张金鹏.  微型电脑应用. 2018(01)
[4]融合语义相似度与矩阵分解的评分预测算法[J]. 王阳,钟勇,李振东,杨观赐.  计算机应用. 2017(S1)
[5]采用小波包树能量矩阵奇异值分解的局部放电模式识别[J]. 赵煦,刘晓航,孟永鹏,刘圣冠,柴琦,兀鹏越,孟国栋.  西安交通大学学报. 2017(08)
[6]基于熵权法与改进的PCA聚类算法的电力客户价值分类与应用[J]. 皇甫汉聪,肖招娣,余永忠.  现代电子技术. 2017(07)
[7]网络搜索指数与汽车销量关系研究——基于文本挖掘的关键词获取[J]. 李忆,文瑞,杨立成.  现代情报. 2016(08)
[8]警务应用中基于双向最大匹配法的中文分词算法实现[J]. 陶伟.  电子技术与软件工程. 2016(04)

硕士论文
[1]面向电视节目推荐的用户收视和微博发帖行为建模分析[D]. 陈唯源.上海交通大学 2014
[2]基于语义领域向量空间模型的文本相似度计算[D]. 唐果.云南大学 2013



本文编号：3241237