基于隱語義模型的網(wǎng)絡(luò)視頻推薦系統(tǒng)研究.pdf

1、進入Web2.0時代以來，帶有UGC（UserGeneratedContent）特性的網(wǎng)站數(shù)量與日俱增，網(wǎng)絡(luò)視頻服務(wù)便是其中典型的代表。與基于電影或電視節(jié)目的傳統(tǒng)視頻網(wǎng)站如Netflix、Hulu等不同，具有Web2.0特性的視頻網(wǎng)站如YouTube、優(yōu)酷等只提供視頻托管服務(wù)，網(wǎng)站視頻內(nèi)容是由用戶本身自發(fā)產(chǎn)生并上傳的，這種模式使得視頻網(wǎng)站內(nèi)容得到大大擴充，用戶雖然擁有了更多的選擇，但需要比以往更多的時間和精力去尋找自己感興趣的內(nèi)容，其中

2、一個行之有效的解決辦法就是個性化推薦系統(tǒng)，它能夠基于用戶的歷史行為日志發(fā)掘用戶的興趣特點，進而從浩瀚的網(wǎng)絡(luò)信息中抽取出用戶可能感興趣的資源主動推送給用戶，這樣不僅大大縮短了用戶獲取信息的時間成本，提高了用戶體驗，而且對增加網(wǎng)站營收，擴大網(wǎng)站影響規(guī)模有著不可替代的作用，為此個性化推薦系統(tǒng)在Amazon、Netflix和豆瓣等許多著名網(wǎng)站得到了大規(guī)模的應(yīng)用。
　　對于網(wǎng)絡(luò)視頻這種特殊的推薦場景來說，由于允許用戶自定義上傳視頻，隨之引入

3、了不少問題。首先，由于網(wǎng)絡(luò)視頻種類繁雜，內(nèi)容維度豐富，無法采用顯式標(biāo)準對其進行分類劃分并產(chǎn)生推薦；其次，由于用戶自發(fā)活動的不規(guī)則性，網(wǎng)絡(luò)視頻之間差異性較大，很多視頻缺乏足夠的元數(shù)據(jù)描述信息，甚至有元數(shù)據(jù)信息雜亂無章乃至錯誤的情況出現(xiàn)；最后，囿于網(wǎng)絡(luò)視頻本身的多媒體屬性限制，目前還沒有合理有效的機器學(xué)習(xí)技術(shù)從視頻本身入手對其直接進行內(nèi)容特征提取，這給網(wǎng)絡(luò)視頻間相似性度量和用戶興趣建模帶來了巨大的挑戰(zhàn)。
　　為此，本文提出了融合評論分

4、析和隱語義模型的網(wǎng)絡(luò)視頻推薦算法（VideoRecommenderFusingCommentAnalysisandLatentFactorModel，VRFCL），它從用戶評論文本信息入手，首先利用自然語言處理技術(shù)分析評論文本得到用戶對某網(wǎng)絡(luò)視頻的情感傾向值，并以此作為用戶對該網(wǎng)絡(luò)視頻的虛擬評分構(gòu)建補充評分矩陣，是為解決顯示評分矩陣稀疏性的一個緩解辦法；另一方面評論文本中往往蘊含了觀看者對該網(wǎng)絡(luò)視頻的客觀內(nèi)容分析，其中蘊含的價值十分豐富

5、，通過文檔分析技術(shù)自動抽取評論文本關(guān)鍵字作為標(biāo)簽，不僅彌補了網(wǎng)絡(luò)視頻元數(shù)據(jù)匱乏的遺憾，而且對用戶興趣建模有不可估量的幫助作用。同時由于網(wǎng)絡(luò)視頻本身的內(nèi)容多樣性和分類界限模糊等特點，VRFCL通過引入隱含特征的概念將現(xiàn)有的用戶-視頻二元關(guān)聯(lián)關(guān)系拓展開來，大大提高了推薦系統(tǒng)推薦結(jié)果的新穎性和覆蓋率。為了驗證VRFCL推薦算法的有效性，本文在YouTube視頻評論文本集上做了大量實驗，并從不同評估標(biāo)準對比其他推薦算法，實驗結(jié)果表明VRFCL推