面向网络用户群体的隐性收视行为挖掘及其视频的个性化协同推荐研究

Personalized recommender system can effectively solve the "information overload" problem in video service system. However, the performance of the system is subjected to the ultra-high data dimensions, sparse users’ ratings data as well as cold start problems. In order to provide a better solution to the above problems, the project optimizes the ultra-high users’ sparse ratings matrix collaboratively and deeply mines the viewing behavior characteristics of the network user groups, and then this project introduces a users’ group-oriented scheme for the personalized video collaborative recommendations. The specific research contents are as follows: The problem of the ultra-high dimensional data and sparse users’ ratings matrix will be solved efficiently by adopting the Non-Negative Matrix Factorization and Deep Learning theory, and hence, the ultra-high dimensional sparse users’ ratings matrix optimization model is constructed. The cold start problem will be solved successfully based on the Latent Dirichlet Allocation and Fuzzy Clustering theory, and then the viewing behavior characteristics model of the network users’ group is formed. The personalized video collaborative recommendation model with high precision and strong scalability feature will be established by fully taking advantages of the optimized users’ ratings matrix, users’ latent auxiliary features, and the items’ latent auxiliary features. The research achievements not only further promote the application of the personalized recommendation theory in the video services but also have important reference for researching the other personalized recommendation systems, and push ahead them with the further developments finally.

面向视频服务的个性化推荐系统能够有效解决其中的“信息过载”问题。然而，该系统本身却存在着数据维度过高、用户评分数据稀疏以及冷启动等问题。为解决上述问题，本项目在协同优化超高维用户稀疏评分矩阵和深入挖掘用户群体的收视行为特征基础上，提出了面向网络用户群体的个性化的视频协同推荐方案。拟研究内容为：通过采用非负矩阵分解和深度学习理论的方法，有效地解决数据维度过高且用户评分数据稀疏的问题，达到建立超高维的用户稀疏评分矩阵优化模型的目的；通过采用隐含狄利克雷分布与模糊聚类理论的方法，解决“冷启动”问题，达到建立用户的隐含收视行为特征模型的目的；通过对优化后的用户评分矩阵、用户隐含特征信息和项目隐含特征信息的挖掘，建立精准度高、扩展性强的个性化视频协同推荐模型。该研究成果不但可进一步促进个性化推荐理论在视频服务中的应用，而且对于其他个性化推荐系统研究均有重要借鉴意义，并有力推进该产业的进一步发展。

一 项目背景.互联网视频系统中的项目数量呈现指数级增长趋势，从而造成了视频大数据的信息过载现象。为成功解决用户群体在海量视频节目面前的选择困难问题，项目组针对海量视频大数据进行了推荐系统理论研究。.二 主要研究内容.1）针对视频用户群体的超高维稀疏评分行为的预测研究（解决超高维和稀疏性问题）.（1）基于多通道策略的深度自编码推荐算法研究.（2）融合卷积编码策略的深度自编码推荐算法研究.（3）融合自编码和生成对抗网络的跨域双目标推荐算法研究.（4）基于知识图谱和知识推理的视频推荐算法研究.2）融合视频用户群体和相关项目以及用户群体的评分行为的混合协同推荐算法研究（解决冷启动问题）.（1）融合卷积文本网络的深度自编码推荐算法研究.（2）基于专家信任的协同过滤推荐算法研究..三 重要结果与关键数据.（1）分别提出了多通道策略和融合卷积编码策略的深度自编码推荐模型以及融合自编码和GAN网络的跨域双目标推荐模型。相比于传统推荐算法，该模型的推荐精准度有较大提升。.（2）结合视频属性特征信息以及隐含数据特征对推荐精度的影响，提出了一种融合视频属性数据的知识图谱和知识推理的视频推荐算法，在缓解推荐系统稀疏性的前提下，有效提升了推荐算法的精准度。.（3）提出了融合文本卷积神经网络的深度自编码视频推荐模型。该模型在有效提升算法精准度的前提下，同时缓解了推荐系统中的冷启动问题。.（4）提出了融合专家信任的协同过滤算法改进模型，该模型时间和空间复杂度均较低，对于硬件要求不高。与传统的协同过滤算法相比，在有效缓解冷启动问题的前提下，其推荐精准度有较大程度的提高。..四 科学意义.项目聚焦在解决互联网信息过载问题的推荐系统理论层面。通过解决推荐系统固有的稀疏性和冷启动等问题，提升了推荐算法的精准度和稳定性。本项目面向电子商务和互联网音视频等领域进行项目推荐服务，具有广阔的应用前景和发展潜力。