基于隐性用户数据的标签推荐和群组融合算法研究

发布时间：2021-10-31 12:49

　　在这个信息过载的年代,传统广播电视平台推荐算法的提出能够很大程度解决用户节目优选的问题。与传统的电视推荐算法相比,现有电视节目推荐算法都是针对用户的历史收看记录,但仅仅依靠历史记录并不能完全满足用户推荐需求。根据用户的即时选择实时地更新用户偏好属性是有必要的。现有的电视推荐算法的都是将家庭用户收视默认为是个人用户的收视行为,根据日常家庭中的电视使用习惯,电视的收视记录不仅仅针对个人用户,还有家庭型用户,现在的电视推荐问题的研究几乎没有考虑多用户收视情况的推荐问题。因此,本文针对广播电视用户的隐性收视行为进行推荐问题的研究,具体研究内容如下。首先,针对电视节目的推荐过程中用户偏好不能显性获取的问题,本文提出一种基于用户隐性收视数据的用户偏好的建模方法。该方法将用户的观看时长和节目标签属性结合,构建用户对电视属性标签的偏好程度,建立长时间段内用户标签库向量。考虑到用户偏好的可变性,本文设计了实时推荐反馈规则,根据该原则实时推荐时,利用用户选择的节目的排序位置与基线的差,求得反馈系数,从而更新用户偏好的标签库。由以上几点优化改进,构成基于隐性用户数据的标签推荐算法。其次,针对面对兴趣多样的家... 

【文章来源】：燕山大学河北省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

推荐系统提供给用户的推荐列表

燕山大学工程硕士学位论文本文将选取三种指标作为基线，列表长度 L、列表长度的平均值、L/2 列表的第一位。该规则的公式如式(3-6)所示。= 1pos linepos line L, L/2,1(3-6式(3-6)中，pos 表示的是用户选定节目的位置，如图 3-4 中圆圈的位置，line 表示的是基线的位置，如图 3-4 中三角的位置。 表示的是根据选定节目位置和基线距离求得出的增强参数。该参数根据距离大小度量，距离越大，参数的值越高，距离越小，参数的值越小。参数的作用是用来更新标签的权值。

图 3-6 三种算法准确率对比实验结果图 3-7 是将反馈原则作对比实验，实验中取 20 个人的收视记录用来进行标签。图中对比了基线取值的不同对实验结果的影响。其中 2,7,11 的准确率为 0，原该用户这 4 天没有收视行为。原始项指的是不使用反馈原则，用于与不同基线反馈原则标签推荐算法作对比。可以看出基线取 L 时，用户的准确率与原始情准确率相比，都是保持相等或提高。在一定程度上提高了推荐的效果。但是序号、16、17 的用户，这两个基线的准确率出现了下降的情况，原因是 L/2、1 作为时，根据度量距离计算的提升参数幅度增大，从而导致标签权重提升的幅度增大基线值为 L 作为基线时，提升结果相对稳定。00.10.20.30.45 10 15 20 25确率准列表长度L

【参考文献】：
期刊论文
[1]基于复杂属性商品的混合协同过滤推荐模型[J]. 周兰凤,麻双克,付正,张晴.  华东师范大学学报(自然科学版). 2017(05)
[2]基于语义和用户偏好的网络电视直播推荐方法[J]. 张翔,袁政,蒋旦,朱明.  微电子学与计算机. 2016(12)
[3]个性化推荐中的隐语义模型[J]. 王升升,赵海燕,陈庆奎,曹健.  小型微型计算机系统. 2016(05)
[4]基于SVD矩阵分解技术和RkNN算法的协同过滤推荐算法[J]. 刘洋.  湖南工程学院学报(自然科学版). 2015(01)
[5]基于混合模型推荐算法的优化[J]. 李鹏飞,吴为民.  计算机科学. 2014(02)
[6]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛.  电子科技大学学报. 2012(02)



本文编号：3468165