基于前景理论的视频推荐方法研究
发布时间：2021-11-25 15:55
随着互联网技术的应用和普及,视频网站中信息过载、用户偏好漂移等问题日益严重,因此有效捕捉用户偏好漂移信息是视频推荐算法中非常关键的一步,也是影响视频推荐结果精确性的一个重要因素。论文在现有视频推荐算法的基础之上,引入前景理论,落脚点在用户的信任关系,旨在提高视频推荐系统的新颖性和准确性。首先依据视频用户的历史评分分布信息建立价值函数,其次建立决策权重函数模型,最后得出用户的综合前景效用值,充分考虑了用户主观的兴趣偏好,即提高了用户的兴趣度和忠诚度,也优化了视频推荐算法的算法框架。此外在大多数视频推荐算法中,多数学者偏向于通过研究用户对视频的最终评分作为计算用户相似度及预测目标用户偏好的重要依据,忽略了用户本体领域存在的信任关系,导致用户的兴趣偏好及价值倾向区分度不够,进而使推荐结果不够精确。因此论文基于用户的前景相似度建立信任关系模型,基于用户的综合前景效用值,计算其相似度是先要条件,再采用决策树剪枝法得到用户兴趣背景的相似度、然后构建用户的推荐影响函数及用户的评价趋势函数,最后分析整理可得用户的信任关系模型,即可计算出用户之间的信任关系等级,依据评分可完成最终推荐。实验分析表明,引入...
【文章来源】：河南财经政法大学河南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
协同过滤推荐中两种方法对比图
值得庆幸的是，搜索引擎是解决信息过载问题的代表方法，用户可以通过关键字搜索找到他们需要的信息，但是搜索引擎要求用户提供十分精确的关键词，因此许多时候大多数搜索引擎并不能很好的解决用户的问题。也就是说，当用户不能精确提供搜索信息的关键词时，搜索引擎提供的信息并没有满足用户的需求[51]。在基于内容的视频推荐算法中，用评分标记的视频信息被用作训练数据集，以创建特定于用户的分类或回归建模问题。对于每个用户而言，训练数据集都对应于对其购买或评分的视频的信息。这些训练数据信息用于创建分类或回归模型，该模型更适应于活跃的用户[52]。主要用于预测相应的用户个体是否会喜欢其评分或观看行为未知的视频。
河南财经政法大学硕士学位论文23用{}nuuuuU321,,=表示社交网络中用户的集合，如在视频推荐中，则表示视频播放网站中用户数量的集合，n表示用户的总量，那么用户u1对用户u2的信任关系就可描述为12→t，它表示的是用户u1对用户u2的单向的信任程度，在这里需要注释的是12→t21→≠t，12→t越大则表示与用户u1对用户u2越信任，信任程度越高，且≤≤10→jit，当12→t=0时表示用户u1对用户u2完全不信任，当12→t=1是，则表示用户u1对用户u2绝对信任，例如在下图表示社交网络中一组用户的信任关系网络，可以看到共有6个用户和多条信任关系路径，且每条路径上的信任关系是不同的，用户u1对用户u3的信任度是相等的，13→t31=→t=0.5，所以用户u1对用户u3是相互信任且信任程度一样，但是从图中可以看到用户u2和用户u4的信任度不一样，42→t=0.3，而24→t=0.9，说明用户u4对用户u2非常信任，而用户u2对用户u4的信任度相对来说就不高[58]。因此信任关系矩阵是非对称的，社交网络中或视频播放网站中的用户之间的信任关系是有向的。图2-3用户信任关系网络图
【参考文献】：
期刊论文
[1]基于改进位置社交的近邻知识推荐算法[J]. 李月,王槐彬. 计算机与数字工程. 2020(01)
[2]基于改进余弦相似度的协同过滤推荐算法[J]. 李一野,邓浩江. 计算机与现代化. 2020(01)
[3]一种结合专家信任的POI推荐算法[J]. 桂易琪,田星晨. 计算机与现代化. 2019(12)
[4]互联网金融理财产品混合智能推荐策略的研究[J]. 项慨,朱倩倩,张帅,徐玲,贺靖文,张崟滢. 湖北经济学院学报(人文社会科学版). 2019(11)
[5]基于知识图谱的学位论文送审专家推荐方法[J]. 王泽,林广艳,谭火彬,张铄,孟烈. 山西大学学报(自然科学版). 2019(04)
[6]基于Vanilla算法的网络视频推荐策略研究[J]. 张新祥,李天鹏,孟鹏洋,贾明泽,葛敬云. 数学的实践与认识. 2019(21)
[7]基于中医药知识图谱的智能问答与用药推荐系统[J]. 郑懿鸣,翟洁,胡晓龙,施轶劼,刘浩. 电子技术与软件工程. 2019(20)
[8]融合用户隐含偏好的社会化推荐算法[J]. 杨鹏,邵堃,霍星,张阳洋,景永俊. 小型微型计算机系统. 2019(10)
[9]基于知识图谱的兴趣点推荐算法[J]. 周翔宇,高仲合. 电子技术与软件工程. 2019(19)
[10]基于知识图谱的个性化习题推荐系统设计研究[J]. 王冬青,殷红岩. 中国教育信息化. 2019(17)
硕士论文
[1]基于标签和信任关系的协同过滤算法研究[D]. 魏甜甜.西北大学 2019
[2]基于改进的协同过滤短视频个性化推荐系统分析与实现[D]. 张晶.江西农业大学 2019
[3]基于Spark的视频推荐系统研究与实现[D]. 陶健.重庆师范大学 2019
[4]融合社交关系的人像短视频推荐系统的研究与实现[D]. 邬桐.辽宁大学 2019
[5]基于电影评级的混合推荐算法研究[D]. 李晓越.吉林大学 2019
[6]基于内容分发平台的短视频产品推荐算法研究与实现[D]. 李靖怡.首都经济贸易大学 2018
[7]基于Hadoop的新闻推荐系统关键技术的研究[D]. 王均贤.天津理工大学 2017
[8]基于社交群的视频推荐算法的研究与实现[D]. 杨春雨.北京邮电大学 2017
[9]基于累积前景理论的高铁客运票价双层规划模型[D]. 杨幸.北京交通大学 2016
[10]基于可视化知识框架的视频推荐系统研究与实现[D]. 戴思.中南大学 2014
本文编号：3518463
【文章来源】：河南财经政法大学河南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
协同过滤推荐中两种方法对比图
值得庆幸的是，搜索引擎是解决信息过载问题的代表方法，用户可以通过关键字搜索找到他们需要的信息，但是搜索引擎要求用户提供十分精确的关键词，因此许多时候大多数搜索引擎并不能很好的解决用户的问题。也就是说，当用户不能精确提供搜索信息的关键词时，搜索引擎提供的信息并没有满足用户的需求[51]。在基于内容的视频推荐算法中，用评分标记的视频信息被用作训练数据集，以创建特定于用户的分类或回归建模问题。对于每个用户而言，训练数据集都对应于对其购买或评分的视频的信息。这些训练数据信息用于创建分类或回归模型，该模型更适应于活跃的用户[52]。主要用于预测相应的用户个体是否会喜欢其评分或观看行为未知的视频。
河南财经政法大学硕士学位论文23用{}nuuuuU321,,=表示社交网络中用户的集合，如在视频推荐中，则表示视频播放网站中用户数量的集合，n表示用户的总量，那么用户u1对用户u2的信任关系就可描述为12→t，它表示的是用户u1对用户u2的单向的信任程度，在这里需要注释的是12→t21→≠t，12→t越大则表示与用户u1对用户u2越信任，信任程度越高，且≤≤10→jit，当12→t=0时表示用户u1对用户u2完全不信任，当12→t=1是，则表示用户u1对用户u2绝对信任，例如在下图表示社交网络中一组用户的信任关系网络，可以看到共有6个用户和多条信任关系路径，且每条路径上的信任关系是不同的，用户u1对用户u3的信任度是相等的，13→t31=→t=0.5，所以用户u1对用户u3是相互信任且信任程度一样，但是从图中可以看到用户u2和用户u4的信任度不一样，42→t=0.3，而24→t=0.9，说明用户u4对用户u2非常信任，而用户u2对用户u4的信任度相对来说就不高[58]。因此信任关系矩阵是非对称的，社交网络中或视频播放网站中的用户之间的信任关系是有向的。图2-3用户信任关系网络图
【参考文献】：
期刊论文
[1]基于改进位置社交的近邻知识推荐算法[J]. 李月,王槐彬. 计算机与数字工程. 2020(01)
[2]基于改进余弦相似度的协同过滤推荐算法[J]. 李一野,邓浩江. 计算机与现代化. 2020(01)
[3]一种结合专家信任的POI推荐算法[J]. 桂易琪,田星晨. 计算机与现代化. 2019(12)
[4]互联网金融理财产品混合智能推荐策略的研究[J]. 项慨,朱倩倩,张帅,徐玲,贺靖文,张崟滢. 湖北经济学院学报(人文社会科学版). 2019(11)
[5]基于知识图谱的学位论文送审专家推荐方法[J]. 王泽,林广艳,谭火彬,张铄,孟烈. 山西大学学报(自然科学版). 2019(04)
[6]基于Vanilla算法的网络视频推荐策略研究[J]. 张新祥,李天鹏,孟鹏洋,贾明泽,葛敬云. 数学的实践与认识. 2019(21)
[7]基于中医药知识图谱的智能问答与用药推荐系统[J]. 郑懿鸣,翟洁,胡晓龙,施轶劼,刘浩. 电子技术与软件工程. 2019(20)
[8]融合用户隐含偏好的社会化推荐算法[J]. 杨鹏,邵堃,霍星,张阳洋,景永俊. 小型微型计算机系统. 2019(10)
[9]基于知识图谱的兴趣点推荐算法[J]. 周翔宇,高仲合. 电子技术与软件工程. 2019(19)
[10]基于知识图谱的个性化习题推荐系统设计研究[J]. 王冬青,殷红岩. 中国教育信息化. 2019(17)
硕士论文
[1]基于标签和信任关系的协同过滤算法研究[D]. 魏甜甜.西北大学 2019
[2]基于改进的协同过滤短视频个性化推荐系统分析与实现[D]. 张晶.江西农业大学 2019
[3]基于Spark的视频推荐系统研究与实现[D]. 陶健.重庆师范大学 2019
[4]融合社交关系的人像短视频推荐系统的研究与实现[D]. 邬桐.辽宁大学 2019
[5]基于电影评级的混合推荐算法研究[D]. 李晓越.吉林大学 2019
[6]基于内容分发平台的短视频产品推荐算法研究与实现[D]. 李靖怡.首都经济贸易大学 2018
[7]基于Hadoop的新闻推荐系统关键技术的研究[D]. 王均贤.天津理工大学 2017
[8]基于社交群的视频推荐算法的研究与实现[D]. 杨春雨.北京邮电大学 2017
[9]基于累积前景理论的高铁客运票价双层规划模型[D]. 杨幸.北京交通大学 2016
[10]基于可视化知识框架的视频推荐系统研究与实现[D]. 戴思.中南大学 2014
本文编号：3518463
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3518463.html
