在數(shù)字化媒體時代,視頻媒體憑借內(nèi)容直觀和生動立體等鮮明的特點而深受大眾青睞。視頻網(wǎng)站作為娛樂休閑的重要平臺,為用戶提供了海量的優(yōu)質(zhì)視頻資源。但隨著視頻庫的不斷擴充,用戶往往很難迅速發(fā)現(xiàn)感興趣的視頻,因此針對個性化視頻推薦算法的研究應運而生。對于推薦算法而言,能否從歷史數(shù)據(jù)中迅速挖掘出用戶或視頻的潛在特征至關(guān)重要,將直接影響到算法的推薦性能。然而,視頻推薦算法在實際應用中通常會面臨數(shù)據(jù)極端稀疏、特征提取不夠精確以及單推薦算法性能“瓶頸”等問題,從而導致最終的推薦效果不佳�；诖吮尘�,本文將分析各類推薦算法的優(yōu)勢和不足,通過將多個單推薦算法組建成視頻混合推薦算法的方式實現(xiàn)數(shù)據(jù)源之間的融合,提升特征提取的精度,增強推薦算法的性能。主要工作如下:針對數(shù)據(jù)稀疏性問題,提出了一種基于協(xié)同過濾與內(nèi)容推薦的視頻混合推薦算法,綜合考慮視頻的類別信息、內(nèi)容簡介信息以及用戶歷史評分數(shù)據(jù)三類信息來計算視頻之間的相似度,然后預測用戶-視頻評分矩陣中缺失項的評分值并進行填充,有效地緩解了用戶-視頻評分數(shù)據(jù)稀疏性問題。針對特征提取問題,提出了一種基于PV-MF(Paragraph Vector-Probabilist...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容與組織結(jié)構(gòu)
第2章 相關(guān)理論及技術(shù)簡介
    2.1 推薦系統(tǒng)
        2.1.1 推薦系統(tǒng)的研究內(nèi)容
        2.1.2 推薦系統(tǒng)的整體架構(gòu)
    2.2 推薦算法
        2.2.1 基于內(nèi)容的推薦算法
        2.2.2 基于知識的推薦算法
        2.2.3 基于協(xié)同過濾的推薦算法
        2.2.4 混合推薦算法
    2.3 推薦系統(tǒng)評估指標
        2.3.1 推薦精確度
        2.3.2 覆蓋率和多樣性
    2.4 Doc2Vec模型
        2.4.1 PV-DM模型
        2.4.2 PV-DBOW模型
    2.5 本章小結(jié)
第3章 基于協(xié)同過濾與內(nèi)容推薦的視頻混合推薦算法
    3.1 數(shù)據(jù)稀疏性問題
    3.2 基于協(xié)同過濾與內(nèi)容推薦的視頻混合推薦算法
        3.2.1 設(shè)計思想與框架
        3.2.2 數(shù)據(jù)處理
        3.2.3 視頻相似度計算
        3.2.4 評分矩陣填充
        3.2.5 視頻推薦
        3.2.6 性能分析
    3.3 實驗與結(jié)果分析
        3.3.1 原始數(shù)據(jù)集
        3.3.2 矩陣填充數(shù)據(jù)集
        3.3.3 實驗評測指標
        3.3.4 實驗設(shè)計和參數(shù)設(shè)置
        3.3.5 結(jié)果和分析
    3.4 本章小結(jié)
第4章 基于內(nèi)容與PV-MF的視頻混合推薦算法
    4.1 基于概率矩陣分解的推薦算法
    4.2 基于PV-MF的推薦算法
        4.2.1 設(shè)計思想
        4.2.2 算法實現(xiàn)
    4.3 基于內(nèi)容與PV-MF的視頻混合推薦算法
        4.3.1 設(shè)計思想
        4.3.2 算法實現(xiàn)
    4.4 實驗與結(jié)果分析
        4.4.1 數(shù)據(jù)集
        4.4.2 數(shù)據(jù)預處理
        4.4.3 評測指標
        4.4.4 實驗設(shè)計和參數(shù)設(shè)置
        4.4.5 結(jié)果和分析
    4.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間所發(fā)表的學術(shù)論文
致謝



本文編號：4024334