个性化推荐在电视节目精准营销中的研究与应用

发布时间：2023-06-05 02:33

　　广播电视网与互联网的融合,使得电视节目资源共享,海量的电视节目满足了用户观看需求,但也使得用户很难在可交互的收视选择中找到自己感兴趣的节目。如何实现电视节目的精准营销,以期在满足用户需求的同时增加广播电视信息提供商的经营收益已经成为广播电视信息服务公司急需解决的问题。处理信息过载的个性化推荐系统能为用户提供个性化服务,但在电视节目领域个性化推荐系统还面临着很多问题。论文针对电视节目推荐系统中无显式评分、数据稀疏,使用Python语言分析用户历史行为数据,建立个性化推荐模型。主要研究的内容如下:(1)构建线性加权映射函数形成隐式评分体系。经过分析用户群历史行为数据,改变传统根据单一属性计算评分的方法,提出融合用户行为数据中多种特征属性的加权映射函数评分体系,其中特征属性包括:观看时长、观看次数、付费金额和付费次数,得出用户对节目的隐式评分矩阵,解决了电视节目推荐系统中无用户显式评分问题。(2)基于K-近邻的协同过滤算法的电视节目推荐系统的研究。通过余弦相似系数公式寻找相似近邻,依据近邻为目标用户进行个性化推荐;并使用分类准确率比较不同近邻个数取值情况下基于User-CF算法和Item-C...

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 引言
    1.1 研究背景及意义
    1.2 研究现状
    1.3 论文主要内容
第二章 推荐算法与模型评价指标
    2.1 推荐算法
        2.1.1 基于 K-近邻的协同过滤推荐算法
        2.1.2 基于矩阵分解的推荐算法
    2.2 推荐系统设计
    2.3 模型评测指标
    2.4 本章小结
第三章 数据预处理和评分系统
    3.1 数据清洗
    3.2 数据分析
        3.2.1 频道用户的观看行为数据统计与分析
        3.2.2 节目用户的观看行为数据统计与分析
        3.2.3 用户群的分析
    3.3 评分系统
        3.3.1 用户-频道评分系统
        3.3.2 用户-节目评分系统
    3.4 本章小结
第四章 基于K-近邻协同过滤算法的推荐系统研究
    4.1 基于K-近邻推荐系统模型的建立
        4.1.1 基于User-CF算法的推荐系统
        4.1.2 基于Item-CF算法的推荐系统
    4.2 模型评价及结果分析
    4.3 基于User-CF算法和Item-CF算法模型比较
    4.4 本章小结
第五章 基于矩阵分解算法的推荐系统研究
    5.1 基于矩阵分解的推荐系统原理
    5.2 算法的优化与比较
        5.2.1 基于特征属性的矩阵分解算法
        5.2.2 基于隐式反馈的矩阵分解算法
        5.2.3 基于矩阵分解算法推荐系统模型建立
        5.2.4 算法比较
    5.3 Matrix Factorization、User-CF和 Item-CF算法的比较
    5.4 本章小结
第六章 总结与展望
    6.1 总结
    6.2 不足与展望
参考文献
攻读硕士期间主要研究成果
致谢



本文编号：3831511