[01784768]面向大规模用户的网络电视个性化推荐技术研究

一、 课题来源与背景 随着网络技术的发展,电视出现了新的产品形态----网络电视。网络电视是在数字化和网络化背景下产生的,是互联网络技术与电视技术结合的产物。在整合电视与网络两大传播媒介过程中,网络电视既保留了电视形象直观、生动灵活的表现特点,又增加了互联网按需获取的交互特征,是综合两种传播媒介优势而产生的一种新的传播形式。 电视机网络化、智能化之后,改变了用户传统、被动地收看方式,自主播放互联网上海量的影视资源成为可能,但是如何让网络电视用户尽快发现自己喜爱的影视内容成为了制约网络电视发展的一个重要的瓶颈。 智能推荐系统能有效地解决网络电视输入不便的问题。推荐系统利用特殊的信息过滤（Information Filtering,IF）技术,将不同的内容推荐给可能感兴趣的用户。推荐系统可以通过分析用户的行为来预测用户的喜好,使用户更容易找到他们潜在需要的信息。 在当前网络电视、云电视和智能电视日趋普及的环境下,为了给用户提供一种智能型、个性化的多媒体内容推荐服务,本研究通过研究协同式信息过滤技术,结合用户画像建模,矩阵初始化,矩阵分解,张量分解以及增量计算技术,完成一种新型的智能推荐系统,并设计与实现一个智能型、个性化的网络电视推荐平台。系统可以根据用户的使用习惯、使用时间、使用环境以及最近选择的项目进行分析,进行判断后列出最优推荐资源。本研究针对网络电视在面向大规模用户和海量资源时出现的信息过载、推荐精度不高、实时性不强等问题,在广泛研究了现有推荐技术的基础上,原创性地提出了多种方法,并将相关技术应用在海信智能电视平台推荐服务系统中,具有一定的实际意义。 二、 技术原理及性能指标 （1）推荐算法在公开的数据集的RMSE值＜0.85,召回率＞0.35,准确率＞0.45; （2）实现可扩展的离线推荐算法,可支持百万级用户和十万级物品的运算; （3）实现在线增量计算的推荐算法,在线运算时间＜1秒; （4）实现面向大规模用户的网络电视用户画像建模; （5）完成面向大规模用户的网路电视个性化推荐平台的开发,完成相关算法的集成和验证工作; （6）申请发明专利2项,软件著作权2项,发表SCI/EI检索论文4篇。 三、 技术的创造性与先进性 1.面向大规模用户网络电视的基于用户项目双聚类和矩阵分解的协同过滤推荐算法 针对网络电视用户库和资源库数目庞大的问题,本项目提出面向大规模用户网络电视的基于用户项目双聚类和矩阵分解的协同过滤推荐算法,有效的降低了算法的计算复杂度,提高了模型的可扩展性。 2.基于矩阵抽样和概率矩阵分解技术的增量计算推荐算法 随着信息技术和多媒体技术的发展,用户对系统实时性的要求越来越高,针对这一现状,本项目提出一种基于矩阵抽样和概率矩阵分解技术的增量计算模型。这种基于矩阵抽样和概率矩阵分解技术的增量计算模型降低了算法的计算复杂度,提高了计算效率,有效的缩短了在线运算时间,达到实时在线推荐的目的。 3.基于贝叶斯与聚类融合的网络电视上下文推荐模型 在网络电视推荐过程中,上下文信息对于用户决策的影响力强弱有所不同。针对此问题,本项目提出一种基于贝叶斯方法与聚类的上下文建模方法,以进一步提高推荐结果的准确度。 4.面向网络电视大数据应用的组合推荐算法框架 针对大规模用户网络电视的数据处理量大、实时性不强、准确度不高和扩展性不好等问题,本项目提出一种面向大规模用户的网络电视电视个性化服务研究框架,利用基于用户和项目的双聚类方式降低数据维度,解决数据处理量大的问题,增强了算法的可扩展性;利用基于大数据的增量计算模型,达到快速增量计算的目的,实现系统实时在线推荐功能;利用基于大数据的上下文推荐模型来进一步过滤推荐列表,提高了算法的推荐精度;这些方法和模型的组合应用,有效的解决了扩展性不好、实时性差、推荐精度不高等问题。 四、 应用情况 本研究针对网络电视在面向大规模用户和海量资源时出现的信息过载、推荐精度不高、实时性不强等问题,在广泛研究了现有推荐技术的基础上,原创性地提出了基于回归树上下文特征自动编码的张量分解、基于融合隐式反馈矩阵分解的MAP最大化技术以及基于属性映射和自动编码神经网络的特征矩阵初始化等多项方法,并结合正则化矩阵分解、增量计算以及融合显隐式反馈的社交推荐等算法,实现了面向大规模用户网络电视资源的在线和离线推荐。 在研究理论的基础上,本研究开展了多项实验及开发工作。其中本研究在MovieLens-10M与MovieLens-20M等多个公开数据集上实验RMSE可低于0.85,准确率与召回率分别高于0.45和0.35,增量计算反馈时间小于1秒,满足了项目指标,并完成了一个面向大规模用户网络电视推荐平台的设计与开发,具有一定的实用价值。本研究已将相关成果应用在聚好看网络电视平台个性化推荐系统中,预计全面产业化后直接经济效益达9000余万元。