社会网络环境下基于灰信息和云模型的影视推荐方法研究

In the social network environment, the number of users and items of modern video websites increase rapidly. The large number of users and items has made the rating matrix become more and more sparse, and the massive social network information has brought difficulties for users to find the videos they are really interested. This provides challenges to the existing recommendation systems. Therefore, this project would systematically study the video recommendation method under the background of social network. Firstly, this project would analyze the influencing factors that affecting video consumption decision-making and study the method on describing the factors by using grey information and cloud model, and would establish a series of information fusion methods based on grey information and cloud model. Secondly, this project would cluster the users and items of video websites by using data mining and cloud model, and would calculate the similarity between the user and video products that of the same type. Then the video recommendation method based on cloud model would be proposed. Finally, the proposed recommendation method would be applied to the video platform website, to get the user's personalized recommendation list and on-demand video's relevant recommendation list, and the results would be compared with the existing recommendation. The research achievements of this project could enrich the theories regarding uncertain decision-making and personalized recommendation and provide a series of novel conception and approaches for video recommendation under social network.

在社会网络环境下，网络视频用户和影视资源数量增长迅速。用户规模和影视资源的急剧增长导致评分矩阵越来越稀疏，海量的社会网络信息也使得用户选择越来越困难，这些都为现有影视推荐系统性能的提高带来新的挑战。为此本项目拟对社会网络环境下的影视推荐方法进行系统研究。首先，对影视消费决策影响因素进行深入分析，研究用灰信息和云模型描述各因素评价信息的方法，并提出一系列基于灰信息和云模型的影视信息融合方法及决策模型。然后，利用数据挖掘和云模型对影视消费群体和影视产品进行聚类分析，计算同一类别中影视用户之间和影视产品之间的相似度，并在此基础上提出基于云模型的影视推荐方法。最后，将所提出的推荐方法应用到互联网影视平台上，得到某一消费者的影视产品推荐列表以及某一影视产品的相关推荐列表，并将其与已有推荐结果进行比较分析。研究成果将丰富不确定决策理论与个性化推荐理论，为社会网络环境下的影视推荐提供新思路和新方法。

随着数字技术的飞速发展，网络视频用户和影视资源数量增长迅速。用户规模的急剧增加导致评分矩阵越来越稀疏，海量的影视资源也使得用户选择难度越来越大，这些都为现有影视推荐系统性能的提高带来了新的挑战。在社会网络环境下，消费者在观影决策时通常会综合考虑多个因素，这些因素多为定性因素，且较难获取完全的评价信息，传统的精确数值无法对其进行描述，而采用灰信息和模糊信息等不确定信息是一种行之有效的解决方法。因此，从消费者观影决策角度出发，分析影视消费决策影响因素，对信息进行描述和聚类分析，进而提出高效可行的影视推荐方法具有重要的理论和现实意义。.本项目在分析消费者观影决策的基础上，识别影视消费决策主要影响因素并采用不确定信息对其评价信息进行描述，利用数据挖掘和机器学习对影视消费群体和影视产品进行聚类，构建一系列多准则决策模型，并在此基础上提出了影视个性化推荐方法。.通过研究发现：（1）影视消费决策的影响因素包括电影情节、人物、表演、场景、主题等，采用不确定信息对上述因素进行描述具有很好的适应性；（2）利用TF-IDF算法、LDA主题模型等可以较好地从影视在线评论中提取主题词，通过构建一系列基于完全理性和有限理性的决策模型可以对电影进行优劣排序；（3）利用在线影视平台中的用户交互数据以及电影信息数据建立用户、电影、标签完全三部图，结合图神经网络、扩散算法等可以为用户生成电影推荐列表，缩短用户查找时间，提高推荐质量。.本项目研究成果有助于丰富不确定决策理论与个性化推荐理论，为社会网络环境下的影视推荐提供新思路和新方法。