視頻推薦在推薦系統(tǒng)領(lǐng)域是炙手可熱的話題,長(zhǎng)視頻不同于文字,在推薦給用戶時(shí)所能展現(xiàn)出的信息相對(duì)較少,用戶大部分時(shí)間只能通過(guò)名稱和海報(bào)去判斷是否對(duì)視頻感興趣。為了解決此類問(wèn)題,論文設(shè)計(jì)和實(shí)現(xiàn)了電影主題播單推薦系統(tǒng),從播單的角度尋求方案,一方面可以幫助用戶發(fā)現(xiàn)自己感興趣的視頻,減少信息篩選的時(shí)間,另一方面讓電影展現(xiàn)在對(duì)它感興趣的用戶面前,提高了平臺(tái)的流量,從而實(shí)現(xiàn)用戶和平臺(tái)的雙贏。電影主題播單推薦系統(tǒng)相比于傳統(tǒng)推薦系統(tǒng),需要解決主題尋找、視頻聚合等問(wèn)題,系統(tǒng)會(huì)挖掘用戶的行為,將用戶日志轉(zhuǎn)化成抽象的用戶畫(huà)像,自動(dòng)化生產(chǎn)興趣播單、基于內(nèi)容的播單和非個(gè)性化播單,再通過(guò)多路召回,混合推薦、多樣性過(guò)濾等步驟,將播單精準(zhǔn)地推薦給需要的用戶。系統(tǒng)從功能上分為五個(gè)模塊,分別為用戶畫(huà)像模塊、播單處理模塊、推薦工程模塊、前端接口模塊和工程監(jiān)控模塊。其中用戶畫(huà)像的計(jì)算主要使用了播放指數(shù)公式,并設(shè)計(jì) 了基于 TF-IDF（Term Frequency-Inverse Document Frequency,詞頻-逆文檔頻率）和基于記憶遺忘曲線增量模型的權(quán)重計(jì)算公式。在播單自動(dòng)化擴(kuò)充時(shí),需要計(jì)算電影與電影之間的共現(xiàn)相似... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 論文背景
    1.2 項(xiàng)目目標(biāo)及意義
    1.3 論文主要工作及組織結(jié)構(gòu)
2 相關(guān)技術(shù)綜述
    2.1 Hadoop
        2.1.1 MapReduce
        2.1.2 Hive
        2.1.3 Hbase
    2.2 Spark
    2.3 Couchbase
    2.4 本章小結(jié)
3 需求分析
    3.1 需求分析概述
    3.2 功能性需求分析
        3.2.1 用戶畫(huà)像功能
        3.2.2 播單處理功能
        3.2.3 推薦工程功能
        3.2.4 前端接口功能
        3.2.5 工程監(jiān)控功能
    3.3 非功能性需求分析
    3.4 本章小結(jié)
4 架構(gòu)設(shè)計(jì)
    4.1 總體架構(gòu)設(shè)計(jì)
    4.2 系統(tǒng)功能模塊設(shè)計(jì)
    4.3 用戶日志
        4.3.1 用戶播放日志
        4.3.2 用戶行為日志
    4.4 數(shù)據(jù)庫(kù)設(shè)計(jì)
        4.4.1 用戶行為數(shù)據(jù)庫(kù)設(shè)計(jì)
        4.4.2 用戶畫(huà)像數(shù)據(jù)庫(kù)設(shè)計(jì)
        4.4.3 推薦播單數(shù)據(jù)庫(kù)設(shè)計(jì)
    4.5 Spark數(shù)據(jù)傾斜調(diào)優(yōu)
    4.6 本章小結(jié)
5 系統(tǒng)功能詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 開(kāi)發(fā)平臺(tái)與運(yùn)行環(huán)境
    5.2 用戶畫(huà)像模塊
        5.2.1 設(shè)計(jì)描述
        5.2.2 特征向量權(quán)重算法設(shè)計(jì)
        5.2.3 模塊流程圖與程序設(shè)計(jì)
    5.3 播單處理模塊
        5.3.1 設(shè)計(jì)描述
        5.3.2 共現(xiàn)相似度和自動(dòng)化播單設(shè)計(jì)
        5.3.3 模塊流程圖與程序設(shè)計(jì)
    5.4 推薦工程模塊
        5.4.1 設(shè)計(jì)描述
        5.4.2 基于加權(quán)SlopeOne算法的排序
        5.4.3 基于ALS矩陣分解算法的排序
        5.4.4 基于棧的多樣性過(guò)濾
        5.4.5 模塊流程圖與程序設(shè)計(jì)
    5.5 前端接口模塊
        5.5.1 設(shè)計(jì)描述
        5.5.2 前端接口模塊類設(shè)計(jì)
        5.5.3 頁(yè)面結(jié)果展示
    5.6 工程監(jiān)控模塊
        5.6.1 設(shè)計(jì)描述
        5.6.2 模塊流程圖
    5.7 本章小結(jié)
6 系統(tǒng)功能測(cè)試與評(píng)估
    6.1 測(cè)試環(huán)境
    6.2 系統(tǒng)功能測(cè)試
    6.3 系統(tǒng)評(píng)估
        6.3.1 一級(jí)頁(yè)面效果評(píng)估
        6.3.2 二級(jí)頁(yè)面效果評(píng)估
    6.4 本章小結(jié)
7 結(jié)論與展望
    7.1 項(xiàng)目結(jié)論
    7.2 未來(lái)展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于艾賓浩斯遺忘曲線的個(gè)性化推薦算法[J]. 周子愉.  電子制作. 2018(Z2)
[2]改進(jìn)的TFIDF標(biāo)簽提取算法[J]. 王杰,李旭健.  軟件工程. 2018(02)
[3]UGC網(wǎng)站用戶畫(huà)像研究[J]. 陳志明,胡震云.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(01)
[4]用戶畫(huà)像在內(nèi)容推送中的研究與應(yīng)用[J]. 吳明禮,楊雙亮.  電腦知識(shí)與技術(shù). 2016(32)
[5]面向跨領(lǐng)域的推薦系統(tǒng)研究現(xiàn)狀與趨勢(shì)[J]. 歐輝思,曹健.  小型微型計(jì)算機(jī)系統(tǒng). 2016(07)
[6]大數(shù)據(jù)環(huán)境下的推薦系統(tǒng)[J]. 孟祥武,紀(jì)威宇,張玉潔.  北京郵電大學(xué)學(xué)報(bào). 2015(02)
[7]大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J]. 程學(xué)旗,靳小龍,王元卓,郭嘉豐,張鐵贏,李國(guó)杰.  軟件學(xué)報(bào). 2014(09)
[8]文本分類特征權(quán)重改進(jìn)算法[J]. 臺(tái)德藝,王俊.  計(jì)算機(jī)工程. 2010(09)

碩士論文
[1]基于多推薦算法融合的視頻實(shí)時(shí)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 楊喬虎.東南大學(xué) 2017
[2]融合相似度和機(jī)器學(xué)習(xí)的加權(quán)Slope One算法研究[D]. 郇思思.燕山大學(xué) 2015



本文編號(hào)：3191403