在現(xiàn)今時代,科學(xué)技術(shù)日新月異,人們已經(jīng)從信息閉塞的年代躍進至信息爆炸的年代,如何在爆炸的信息中獲取用戶真正感興趣的數(shù)據(jù),也就是如何從數(shù)萬億短視頻當中挑選出用戶喜好的短視頻是一個需要解決的問題。在以上背景之下,本文提出了一種基于改進的協(xié)同過濾短視頻個性化推薦方法,并將此方法擴展,最終實現(xiàn)了個性化短視頻推薦系統(tǒng)。本系統(tǒng)通過前期充分利用用戶的注冊信息,讓用戶主動選擇合適的物品(興趣標簽),接入第三方社交賬號等方法對數(shù)據(jù)進行預(yù)處理,然后根據(jù)預(yù)處理的數(shù)據(jù)建立用戶興趣模型,接著將模型矩陣利用SVD方法降維,之后引入懲罰因子計算相似度,最終獲取相應(yīng)的鄰居集,并根據(jù)預(yù)測分進行推薦。改進過程中通過引入SVD解決了數(shù)據(jù)稀疏性的問題,通過引入懲罰因子,有效的解決了項目熱度所帶來的長尾效應(yīng)問題。因此,在最終的推薦結(jié)果上對于傳統(tǒng)協(xié)同過濾算法來說改進后的計算方法是更加準確更加高效的方法。在系統(tǒng)開發(fā)的過程當中,針對一些基礎(chǔ)、重要的模塊和功能,本文都給出了相應(yīng)的詳細設(shè)計方案,從而為整個系統(tǒng)完整有效的實現(xiàn)提供了堅實的思路和保證。最后通過一系列的實驗,實現(xiàn)了本文所設(shè)計的系統(tǒng)并上線使用,同時根據(jù)用戶的實際數(shù)據(jù)和相關(guān)實驗數(shù)據(jù)...

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1個性化推薦系統(tǒng)分類Fig2.1Theclassificationofpersonalizedrecommendationsystem用戶數(shù)據(jù)和項目數(shù)據(jù)，這兩個數(shù)據(jù)是現(xiàn)如今推薦系統(tǒng)兩個尤為重要的因素，因為

常見的短視頻類型有：短時長原創(chuàng)紀錄片，網(wǎng)紅流量型，原創(chuàng)惡搞，隨S等。短視頻已經(jīng)成為一種全新的生活方式以及流量獲取方式�，F(xiàn)如今時代，用戶從海量數(shù)據(jù)中篩選出自己感興趣的短視頻內(nèi)容，無疑時間成個性化推薦系統(tǒng)就是為了更方便簡潔迅速地推薦符合用戶“口味”的信個性化推薦系統(tǒng)概述較于其他傳統(tǒng)....

圖2.2推薦系統(tǒng)工作流程圖

圖2.2推薦系統(tǒng)工作流程圖Fig2.2Recommendedsystemworkflowchart在推薦系統(tǒng)推薦的過程中，我們需要做到采集用戶信息數(shù)據(jù)，其中囊括了特征、行為數(shù)據(jù)、歷史數(shù)據(jù)等[14]。當把所有需要的數(shù)據(jù)收集齊全之后，我們通常會使-means算法、K....

圖2.3協(xié)同過濾推薦算法分類圖

DF即為TF與IDF的乘積。ijijiTFIDFTFIDF(,)（,)最終我們可以根據(jù)TF-IDF算法，最終確定TF-IDF值最大的幾個詞語，它們可以作為該文本的核心特征詞。于協(xié)同過濾的推薦過濾推薦系統(tǒng)在現(xiàn)如今已經(jīng)被應(yīng)用于許多領(lǐng)域當中。如電子商務(wù)領(lǐng)短視....

圖3.1用戶注冊信息冷啟動推薦Fig3.1Userregistrationinformationcoldstartrecommended（2）讓用戶主動選擇合適的物品（興趣標簽）：用戶訪問推薦系統(tǒng)，不會立刻進行推薦，而是提供一些物品（興趣標簽），讓用戶進行反饋

圖3.1用戶注冊信息冷啟動推薦Fig3.1Userregistrationinformationcoldstartrecommended（2）讓用戶主動選擇合適的物品（興趣標簽）：用戶訪問推薦系統(tǒng)，不會立行推薦，而是提供一些物品（興趣標簽），讓用戶進行反饋。當用....

本文編號：3973179