基于隐语义模型的网络视频推荐系统研究

《基于隐语义模型的网络视频推荐系统研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士研究生学位论文新疆大学论文题目(中文)：基于隐语义模型的网络视频推荐系统研究论文题目(外文)：ResearchonOnlineVideoRecommenderSystemBasedonLatentFactorModel研究生姓名：尹路通学科、专业：软件工程研究方向：数据挖掘导师姓名职称：于炯教授论文答辩日期2015年5月23日学位授予日期2015年6月日新疆大学硕士论文摘要进入Web2.0时代以来，带有UGC（UserGeneratedContent）特性的网站数量与日俱增，网络视频服务便是其中典型的代表。与基于电影或电视节目的

2、传统视频网站如Netflix、Hulu等不同，具有Web2.0特性的视频网站如YouTube、优酷等只提供视频托管服务，网站视频内容是由用户本身自发产生并上传的，这种模式使得视频网站内容得到大大扩充，用户虽然拥有了更多的选择，但需要比以往更多的时间和精力去寻找自己感兴趣的内容，其中一个行之有效的解决办法就是个性化推荐系统，它能够基于用户的历史行为日志发掘用户的兴趣特点，进而从浩瀚的网络信息中抽取出用户可能感兴趣的资源主动推送给用户，这样不仅大大缩短了用户获取信息的时间成本，提高了用户体验，而且对增加网站营收，扩大网站影响规模有着不可

3、替代的作用，为此个性化推荐系统在Amazon、Netflix和豆瓣等许多著名网站得到了大规模的应用。对于网络视频这种特殊的推荐场景来说，由于允许用户自定义上传视频，随之引入了不少问题。首先，由于网络视频种类繁杂，内容维度丰富，无法采用显式标准对其进行分类划分并产生推荐；其次，由于用户自发活动的不规则性，网络视频之间差异性较大，很多视频缺乏足够的元数据描述信息，甚至有元数据信息杂乱无章乃至错误的情况出现；最后，囿于网络视频本身的多媒体属性限制，目前还没有合理有效的机器学习技术从视频本身入手对其直接进行内容特征提取，这给网络视频间相似性

4、度量和用户兴趣建模带来了巨大的挑战。为此，本文提出了融合评论分析和隐语义模型的网络视频推荐算法（VideoRecommenderFusingCommentAnalysisandLatentFactorModel，VRFCL），它从用户评论文本信息入手，首先利用自然语言处理技术分析评论文本得到用户对某网络视频的情感倾向值，并以此作为用户对该网络视频的虚拟评分构建补充评分矩阵，是为解决显示评分矩阵稀疏性的一个缓解办法；另一方面评论文本中往往蕴含了观看者对该网络视频的客观内容分析，其中蕴含的价值十分丰富，通过文档分析技术自动抽取评论文本关

5、键字作为标签，不仅弥补了网络视频元数据匮乏的遗憾，而且对用户兴趣建模有不可估量的帮助作用。同时由于网络视频本身的I新疆大学硕士论文内容多样性和分类界限模糊等特点，VRFCL通过引入隐含特征的概念将现有的用户-视频二元关联关系拓展开来，大大提高了推荐系统推荐结果的新颖性和覆盖率。为了验证VRFCL推荐算法的有效性，本文在YouTube视频评论文本集上做了大量实验，并从不同评估标准对比其他推荐算法，实验结果表明VRFCL推荐算法在稀疏数据集上性能良好，且获得了相比其他推荐算法10%-20%的推荐精度提高。关键词：网络视频；个性化推荐系统

6、；用户评论；情感分析；隐语义模型II新疆大学硕士论文AbstractEversincetheentranceofWeb2.0era,thenumberofwebsiteswithcharacteristicofUGC(UserGeneratedContent)hasbeenincreasingconstantly,amongwhichserviceofonlinevideostandsout.UnliketraditionalvideowebsiteswhichbasedonmoviesandtvserieslikeNetflixa

7、ndHuluetc.,videowebsiteswithcharacteristicofWeb2.0likeYouTubeandYoukuonlyprovidehostingservicewithallofthevideosgeneratedanduploadedbytheusersthemselves.Thisapproachexpandsthecontentofvideowebsitesgreatly.Meanwhile,usershaveallkindsofoptions,whichresultsincostingmoreti

8、meandenergytofindtheirrealinterests.Oneofthesolutionsisthepersonalizationrecommendationsystem,whichcanbuilduser’sinte