現(xiàn)今互聯(lián)網(wǎng)的發(fā)展日新月異,網(wǎng)絡(luò)中的數(shù)據(jù)量呈指數(shù)態(tài)勢(shì)增加,隨著數(shù)據(jù)的增加,數(shù)字電視和通信技術(shù)也得到了迅猛發(fā)展,電視節(jié)目數(shù)量與日俱增,這就導(dǎo)致用戶(hù)在眾多的電視節(jié)目中難以找到自己感興趣的節(jié)目,這種情況在一定程度上會(huì)影響用戶(hù)的收視體驗(yàn)與電視節(jié)目的收視率。因此,電視節(jié)目個(gè)性化推薦已成為了越來(lái)越多的用戶(hù)和電視供應(yīng)商的共同需求。首先,本文分析了現(xiàn)今電視節(jié)目個(gè)性化推薦中的國(guó)內(nèi)外研究現(xiàn)狀與面臨的挑戰(zhàn),又介紹了電視節(jié)目個(gè)性化推薦中的核心——用戶(hù)偏好模型的研究現(xiàn)狀。在此基礎(chǔ)上分析了現(xiàn)今主要的推薦系統(tǒng)模型以及聚類(lèi)模型,并對(duì)兩種模型的各種衍生模型進(jìn)行了優(yōu)缺點(diǎn)總結(jié),這些研究為后面的電視節(jié)目個(gè)性化推薦算法的改進(jìn)與設(shè)計(jì)打下了堅(jiān)實(shí)的基礎(chǔ)。然后,本文對(duì)用戶(hù)機(jī)頂盒中數(shù)據(jù)進(jìn)行了預(yù)處理,清洗掉數(shù)據(jù)中的異常值數(shù)據(jù)等,并進(jìn)了統(tǒng)計(jì)分析,為后續(xù)進(jìn)一步研究打下基礎(chǔ)。接著本文構(gòu)建了隱式評(píng)分矩陣,在之前學(xué)者進(jìn)行的基于用戶(hù)觀看時(shí)長(zhǎng)的隱式評(píng)分的基礎(chǔ)上,本文加入了用戶(hù)收視頻率這一重要影響因素,構(gòu)建了基于收視時(shí)長(zhǎng)與收視頻率結(jié)合的隱式評(píng)分矩陣,這個(gè)矩陣可以進(jìn)一步提高構(gòu)建算法的可解釋性,并且為下一步推薦算法的設(shè)計(jì)與分析提供了堅(jiān)實(shí)的數(shù)據(jù)保障基礎(chǔ)。接著,由... 

【文章來(lái)源】：昆明理工大學(xué)云南省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于用戶(hù)的協(xié)同過(guò)濾系統(tǒng)示意圖

昆明理工大學(xué)專(zhuān)業(yè)學(xué)位碩士學(xué)位論文14圖2-2基于電視產(chǎn)品的協(xié)同過(guò)濾示意圖兩種協(xié)同過(guò)濾推薦算法在各種指標(biāo)上的性能對(duì)比如表所示。表2-1算法性能對(duì)比表UserCFItemCF性能適用于用戶(hù)較少的場(chǎng)合，如果用戶(hù)過(guò)多，計(jì)算用戶(hù)相似度矩陣的代價(jià)交大適用于電視產(chǎn)品數(shù)明顯小于用戶(hù)數(shù)的場(chǎng)合，如果電視產(chǎn)品很多，計(jì)算電視產(chǎn)品相似度矩陣的代價(jià)交大領(lǐng)域?qū)嵭砸蟾�，用�?hù)個(gè)性化興趣要求不高長(zhǎng)尾產(chǎn)品豐富，用戶(hù)個(gè)性化需求強(qiáng)烈實(shí)時(shí)性用戶(hù)有新行為，不一定需要推薦結(jié)果立即變化用戶(hù)有新行為，一定會(huì)導(dǎo)致推薦結(jié)果的實(shí)時(shí)變化冷啟動(dòng)在新用戶(hù)對(duì)少的產(chǎn)品產(chǎn)生行為后，不能立即對(duì)他進(jìn)行個(gè)性化推薦，因?yàn)橛脩?hù)相似度是離線(xiàn)計(jì)算的；新產(chǎn)品上線(xiàn)后一段時(shí)間，一旦有用戶(hù)對(duì)產(chǎn)品產(chǎn)生行為，就可以將新產(chǎn)品推薦給其他用戶(hù)新用戶(hù)只要對(duì)一個(gè)產(chǎn)品產(chǎn)生行為，就能推薦相關(guān)產(chǎn)品給他，但無(wú)法在不離線(xiàn)更新產(chǎn)品相似度表的情況下將新產(chǎn)品推薦給用戶(hù)（但是新的Item到來(lái)也同樣是冷啟動(dòng)問(wèn)題）推薦理由很難提供令用戶(hù)信服的推薦解釋可以根據(jù)用戶(hù)歷史行為歸納推薦理從上表分析可知，基于用戶(hù)的協(xié)同過(guò)濾推薦在算法的實(shí)時(shí)性表現(xiàn)上十分優(yōu)異當(dāng)物品實(shí)時(shí)性較強(qiáng)的時(shí)候則用此方法較為合適。基于物品的個(gè)性化推薦比較適用于離線(xiàn)推薦，當(dāng)推薦速度不是很急需的時(shí)候，基于物品的協(xié)同過(guò)濾推薦則有較大優(yōu)勢(shì)。

第二章理論知識(shí)19圖2-3聚類(lèi)算法分類(lèi)圖聚類(lèi)算法作為機(jī)器學(xué)習(xí)中無(wú)監(jiān)督算法的代表，在近些年被不斷地開(kāi)發(fā)與改進(jìn)，以此來(lái)不斷適應(yīng)現(xiàn)今數(shù)據(jù)大爆炸的時(shí)代和越來(lái)越多需要聚類(lèi)的業(yè)務(wù)場(chǎng)景。2.3.2kmeans算法簡(jiǎn)介在電視節(jié)目推薦領(lǐng)域中，首先電視機(jī)收視用戶(hù)的數(shù)量就是一個(gè)極為龐大的基數(shù)，并且電視節(jié)目種類(lèi)也是在逐年增加，因此這就導(dǎo)致了時(shí)間越長(zhǎng)，電視節(jié)目數(shù)量就越多。因此在一開(kāi)始設(shè)計(jì)算法的時(shí)候，就要首先選擇算法時(shí)間復(fù)雜度低的算法進(jìn)行采用。而在對(duì)電視節(jié)目的收視用戶(hù)時(shí)聚類(lèi)更是如此，因?yàn)殡娨暪?jié)目收視用戶(hù)注定了其人口基數(shù)就比較大，甚至全國(guó)大多數(shù)人民都有過(guò)觀看電視節(jié)目的行為，而在現(xiàn)今的大多數(shù)聚類(lèi)算法中，kmeans舉了或者基于kmeans聚類(lèi)的各種改進(jìn)算法，其時(shí)間復(fù)雜度均較低，傳統(tǒng)的kmeans聚類(lèi)的算法時(shí)間復(fù)雜度為O(nkt)，這個(gè)時(shí)間復(fù)雜度在眾多聚類(lèi)算法中是極小的一種，接近了線(xiàn)性時(shí)間復(fù)雜度，此種算法適用于大規(guī)模數(shù)據(jù)的聚類(lèi)，并且算法結(jié)果易解釋?zhuān)媳緮?shù)據(jù)集的要求。Kmeans算法首次被提出是在文獻(xiàn)[33]中，作者是Macqueen，他首次提出了這種基于原型的無(wú)監(jiān)督學(xué)習(xí)的聚類(lèi)算法，該算法一經(jīng)問(wèn)世，迅速以其準(zhǔn)確的聚類(lèi)結(jié)果和快速的運(yùn)行時(shí)間而被廣泛使用，最終也成為數(shù)據(jù)分析與挖掘領(lǐng)域的十大經(jīng)典算法之一。K-means算法的基本流程是將K個(gè)質(zhì)心（這個(gè)質(zhì)心的選取一般是根據(jù)人為經(jīng)驗(yàn)，沒(méi)有具體精確的數(shù)學(xué)推導(dǎo)公式）作為初始聚類(lèi)中心，并根據(jù)k個(gè)質(zhì)心來(lái)劃分k個(gè)聚類(lèi)區(qū)域，并將聚類(lèi)中心附近的對(duì)象劃分到該聚類(lèi)中心所屬的類(lèi)別中，全部分配完畢之后再計(jì)算新的聚


本文編號(hào)：3102990