智能電視用戶(hù)觀看在線視頻行為分析和推薦問(wèn)題研究.pdf

1、近年來(lái)，越來(lái)越多的家庭購(gòu)買(mǎi)了智能電視并將其接入互聯(lián)網(wǎng)，主要目的之一是在電視屏幕上觀看在線視頻。相比于傳統(tǒng)廣播電視服務(wù)，智能電視在線視頻服務(wù)提供了更加豐富多樣的視頻內(nèi)容，并且使得視頻觀看體驗(yàn)更具互動(dòng)性和個(gè)性化，用戶(hù)可以在方便的時(shí)候選擇自己喜歡的視頻觀看。在線視頻服務(wù)的一個(gè)關(guān)鍵支柱是推薦系統(tǒng)，自動(dòng)從巨大的視頻資源庫(kù)中找出比較符合用戶(hù)興趣的少數(shù)視頻。為了優(yōu)化系統(tǒng)資源配置并向用戶(hù)提供更好的服務(wù)，有必要從不同方面深入理解智能電視用戶(hù)群觀看在線視頻

2、行為的特點(diǎn)和規(guī)律，分析影響推薦性能的關(guān)鍵因素，并設(shè)計(jì)有效的推薦算法。
　　本文以國(guó)家自然科學(xué)基金項(xiàng)目為依托，基于海信智能電視用戶(hù)觀看在線視頻的大規(guī)模日志數(shù)據(jù)以及其它基準(zhǔn)數(shù)據(jù)集，圍繞用戶(hù)行為分析和推薦系統(tǒng)展開(kāi)一系列研究。本文的主要工作和創(chuàng)新點(diǎn)如下所示:
　　(1)發(fā)現(xiàn)了智能電視用戶(hù)的在線視頻觀看行為在群體層面存在的一些時(shí)間模式，并分析了假期效應(yīng)，以及不同視頻類(lèi)別的時(shí)間動(dòng)態(tài)性，基于此的時(shí)間劃分方式提升了時(shí)間敏感的推薦算法的視頻推

3、薦效果。
　　時(shí)間是影響收視行為的關(guān)鍵情境因素之一，人們?cè)谥悄茈娨暽嫌^看在線視頻的時(shí)間受到每日每周繁忙和閑暇時(shí)間周期的影響。每個(gè)家庭每天的各個(gè)小時(shí)里在智能電視上觀看在線視頻所花費(fèi)的時(shí)間被表示為24維特征向量，通過(guò)聚類(lèi)發(fā)現(xiàn)了幾種可解釋的日模式，它們的高峰時(shí)間出現(xiàn)在一天的不同時(shí)段，并與廣播電視行業(yè)的時(shí)段劃分基本對(duì)齊。根據(jù)每個(gè)家庭多天的觀看行為和幾種日模式的關(guān)系，可以區(qū)分出幾種日收視習(xí)慣，它們粗略地刻畫(huà)了不同家庭的習(xí)慣差異，同時(shí)也反映出

4、一些時(shí)段之間的相關(guān)關(guān)系。以周為單位的聚類(lèi)分析發(fā)現(xiàn)了幾種各具特點(diǎn)的周模式，它們都呈現(xiàn)出周期性，周期為24小時(shí)，說(shuō)明群體的觀看行為存在某種“晝夜節(jié)律”。進(jìn)一步的統(tǒng)計(jì)分析證實(shí)了智能電視用戶(hù)群觀看在線視頻行為中存在假期效應(yīng)。另外，對(duì)不同視頻類(lèi)別的流行度在一天24小時(shí)中的變化規(guī)律進(jìn)行分析，發(fā)現(xiàn)某些視頻類(lèi)別在特定的時(shí)段內(nèi)更受歡迎?；诖藢?duì)一天的時(shí)間進(jìn)行更合理地劃分，提升了時(shí)間敏感的推薦算法的視頻推薦效果。
　　(2)發(fā)現(xiàn)了一種新的對(duì)智能電視上

5、在線視頻推薦性能有重要影響的用戶(hù)行為特點(diǎn)——興趣分散集中性，設(shè)計(jì)了基于物品的協(xié)同過(guò)濾的四個(gè)變種，并分析了興趣分散集中性對(duì)推薦列表的準(zhǔn)確率、多樣性和流行度的影響。
　　在傳統(tǒng)的推薦系統(tǒng)中，一個(gè)賬戶(hù)對(duì)應(yīng)一個(gè)用戶(hù)，但是一臺(tái)電視通常對(duì)應(yīng)一個(gè)共享賬戶(hù)，觀看歷史記錄來(lái)自興趣各異的多名家庭成員，因此興趣的分散集中性會(huì)影響智能電視上的視頻推薦性能。首先定義一個(gè)家庭的興趣集中度，即一臺(tái)電視上播放過(guò)的視頻之間的平均相似度，進(jìn)而區(qū)分出興趣較集中的家庭和

6、興趣較分散的家庭。然后設(shè)計(jì)了基于物品的協(xié)同過(guò)濾的四個(gè)變種，用于top-N推薦任務(wù)，其區(qū)別主要在于推薦依據(jù)選擇策略和排序分值計(jì)算策略。最后通過(guò)實(shí)驗(yàn)證實(shí)興趣較分散的家庭得到的推薦列表的準(zhǔn)確率明顯低于興趣較集中的家庭，而多樣性和流行度方面的差異取決于不同算法采用的推薦依據(jù)選擇策略和排序分值計(jì)算策略。
　　(3)提出了一種知曉標(biāo)簽相關(guān)性的物品表示方法，緩解輸入數(shù)據(jù)和物品表示的偏見(jiàn)，改善推薦效果及物品表示的可解釋性，并且設(shè)計(jì)了兩種評(píng)價(jià)指標(biāo)分

7、別從低維隱含空間中的單個(gè)維度和局部鄰域兩個(gè)視角衡量物品表示的可解釋性。
　　最近，物品和物品之間的共現(xiàn)關(guān)系被用來(lái)學(xué)習(xí)物品表示，然而由于用戶(hù)-物品交互矩陣的稀疏性以及物品流行度的長(zhǎng)尾現(xiàn)象，物品和物品之間的共現(xiàn)信息存在偏差。通過(guò)可視化分析發(fā)現(xiàn)，輸入數(shù)據(jù)中的這些缺點(diǎn)會(huì)致使所學(xué)出的物品表示的向量長(zhǎng)度存在對(duì)熱門(mén)物品或冷門(mén)物品的偏向。由于標(biāo)簽信息比較容易從多種數(shù)據(jù)源獲取，受物品流行度的影響較小，而且富含語(yǔ)義信息，利用物品和標(biāo)簽之間的相關(guān)性信息

8、有助于克服輸入數(shù)據(jù)的缺點(diǎn)，緩解物品表示的偏見(jiàn)，并改善物品表示的可解釋性。具體而言，本文對(duì)用戶(hù)-物品交互矩陣、物品-物品共現(xiàn)矩陣和物品-標(biāo)簽相關(guān)度矩陣進(jìn)行聯(lián)合分解，并且在三部分之間共享物品的隱含特征表示，這樣不同形式的信息可以互相合作指導(dǎo)物品表示的學(xué)習(xí)。另外，本文設(shè)計(jì)了兩個(gè)指標(biāo)分別從兩個(gè)角度對(duì)物品表示的可解釋性進(jìn)行量化評(píng)估:低維隱含空間中各個(gè)維度的可解釋性和局部鄰域的語(yǔ)義一致性。實(shí)驗(yàn)證明，利用物品和標(biāo)簽之間的相關(guān)度信息可以提升推薦效果，用