基于协同过滤的影视营销推荐算法研究

时间：2024-04-24

阳甫军李博

摘要：随着三网融合的不断发展，传统广电媒体更需要建立一套完善的影视营销推荐系统，将海量的影视资源精准有效的推荐给每一位用户。在推荐系统中，协同过滤算法是应用较为广泛的一种推荐方法。讨论了传统协同过滤算法在影视营销中的应用，提出一种加权混合推荐算法，并将算法应用在影视营销推荐场景中，推荐算法的精准度得到了一定提升。

关键词：协同过滤;推荐算法;皮尔逊相似度

中图分类号：F27 文献标识码：A doi：10.19311/j.cnki.1672-3198.2019.17.024

随着互联网技术的不断发展，三网融合为传统广播电视媒介带来了新的发展机遇。影视行业也受到大众的关注和喜爱，海量的影视资源爆炸性增长。传统广电媒体更需要建立合理的推荐系统，将海量的影视资源精准的推荐给用户，用户也能在平台上快速找到自己喜欢的电影，提高用户对广电媒体平台的依懒性，最终使得个性化的影视产品营销服务成为现实。

本文的主要工作是建立用户影视评价体系、得到用户与影视产品的评价矩阵，结合协同过滤的个性化推荐思想，综合考虑推荐系统中的矩阵稀疏性问题、冷启动问题，对协同过滤算法进行改进，设计出一种混合推荐算法，并运用到实际推荐系统中，提高个性化影视资源推荐的精准度。

1 数据分析

本文的影视产品数据包含561288条用户收视信息数据，这些数据来自1329位用户和41876部影视。本文对这些数据进行数据清洗、数据规约之后，得到了部分用户收视信息情况如图1。

2 构建用户影视评价体系

本系统采用隐式评分的方式构建评价体系，即根据用户的收视行为数据进行模型构建，具体模型如下：

其中，Spij表示用户i第p次观看影视产品j的时长，λ表示用户i观看影视产品j的总次数。Tj表示影视产品j的总时长。ξij表示最终评分，式（3）表示将得到的ξij进行标准化处理。

同时，将隐式评分的等级分为5个等级，具体如表1所示。

根据上述的隐式评价模型，我们可以得到一个关于用户与影视作品的评价矩阵，其散点图如图2所示。

3 协同过滤算法设计

协同过滤算法又称社会过滤，其在不同的场景具有不同的运用，故算法种类较多。而在实践中较为广泛利用的协同过滤推荐算法主要有两种，下文将具体分析。

3.1 基于内存的协同过滤算法

基于内存的协同过滤算法第一步是计算用户之间的相似度，相似度可以衡量两个用户对影视作品之间的兴趣程度。常用的相似性度量标准有余弦相似度、改进余弦相似度、皮尔逊相似度。其中ξi表示用户对所有影视作品j的评分均值，ξi，j表示用户i对影视作品j的评分值， Sik=Si∩Sk表示用户i和用户k都评价过的电影集合。其公式分别如下：

然后，将最大目标用户相似度的用户作为最邻近用户集合，邻居用户对目标影视作品未评分的进行预测评分。采用中心加权平均方法来计算目标用户i对影视作品j的預测评分，评分r^i，j可表示为：

最后，根据评分高低得到推荐结果，基于内存的协同过滤算法流程图如图3。

3.2 基于模型的协同过滤算法

基于模型的协同过滤算法在实践中运用广泛，它可以通过矩阵分解、关联算法、神经网络、聚类算法等方法来进行实现。本文综合考虑用户与影视作品数据的稀疏性、算法的计算效率、影视作品冷启动等问题，采用矩阵分解方法（SVD）完成协同过滤算法。

因此，需要将误差平方和SSE降到最小即可。在本文推荐系统中，为了P和Q中所有值都全部更新，故选取常用的梯度下降法对其进行训练。

3.3 混合推荐算法

上述两种推荐算法都各自具有优缺点，但在实际过程中，不同的推荐算法往往适用于不同的场景，采用混合推荐算法更加精准。为了发挥不同推荐算法的优缺点，本文将上述两种算法组合，对其推荐结果进行线性加权平均得到最终推荐结果，公式如下：

4 结果对比

4.1 评价标准

均方根误差是衡量结果精准度的常用评价标准之一，其通过计算实际值与预测评值之间的误差来判断推荐结果的精准度。在本文场景中，RMSE （均方根误差）公式见式（13）。均方根误差越小，推荐系统的精准度越高。

4.2 评价分析

本文随机采取5组评分数据对以上3种方法推荐结果精准度检验，将方法一记作UB- CF，方法二记作SVD，混合推荐算法记作P-CF。三种推荐算法最终实验结果如图4。