對網(wǎng)絡(luò)視頻影評推薦方式的探討

焦沫青

摘 要：現(xiàn)如今，隨著網(wǎng)絡(luò)技術(shù)的高速發(fā)展和網(wǎng)絡(luò)技術(shù)的廣泛普及，互聯(lián)網(wǎng)已經(jīng)成為大眾生活中不可缺少的一部分。然而越來越多的網(wǎng)絡(luò)用戶正面臨著一個問題，即當(dāng)使用網(wǎng)絡(luò)時，大量的網(wǎng)絡(luò)信息同時展現(xiàn)在用戶面前，用戶無法第一時間找到需要的信息：淘寶網(wǎng)上有上千件同樣的商品，Netfix上有數(shù)萬部影片，用戶何以快速得其所需？就此問題本文展開探討。

關(guān)鍵詞：網(wǎng)絡(luò)視頻 影評 推薦方式 探討

中圖分類號：J905 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2018）12（b）-000-02

1 諸論

1.1 研究背景

基于互聯(lián)網(wǎng)進(jìn)行的信息推薦技術(shù)，正是解決以上這些難題的有效手段。它有利于用戶從因特網(wǎng)這個信息海洋中尋找所需的信息資源，并推薦其所需要的服務(wù)，同時也能夠讓商家獲得用戶對其產(chǎn)品的反饋信息，比如阿里巴巴公司的淘寶網(wǎng)、國外購物網(wǎng)站Amazon、視頻網(wǎng)站Youtube等。用戶將基于推薦系統(tǒng)接受這些建議并給予反饋，這些反饋可以存儲在推薦數(shù)據(jù)庫中，并在未來的交互中生成新的建議。

在電影網(wǎng)站中很多用戶在看完電影后都會發(fā)表相應(yīng)的評論和評分，在被應(yīng)用于推薦系統(tǒng)方面時，用戶的電影評論非常有價值，這些評論信息直接反映了用戶對某個電影的喜好程度。當(dāng)用戶瀏覽網(wǎng)站尋找電影時，網(wǎng)站可以利用這些信息推薦給目標(biāo)用戶可能感興趣的一些電影，提高了用戶體驗，幫助用戶在最短的時間內(nèi)找到自己喜歡的電影欣賞。

然而如今視頻網(wǎng)站中，大部分采用的仍是以標(biāo)簽為主的推薦系統(tǒng)，僅有少數(shù)視頻網(wǎng)站嘗試過以用戶評論為基礎(chǔ)的推薦系統(tǒng)，使用過此種推薦系統(tǒng)的網(wǎng)站收到了不錯的用戶反饋，如國外知名的視頻網(wǎng)站Youtube與全球有名的在線影片租賃商Netfli。在非視頻網(wǎng)站中，知名電商Amazon和國內(nèi)的每日頭條等使用評論推薦系統(tǒng)。目前在結(jié)合評論挖掘的推薦方面，Adomavicius等通過深入研究各種推薦算法，指出推薦系統(tǒng)在應(yīng)用評論挖掘的方面還有待發(fā)展。針對目前推薦系統(tǒng)中結(jié)合電影評論研究相對缺乏的情況，本文希望對如今互聯(lián)網(wǎng)環(huán)境下以用戶評論為基礎(chǔ)的推薦系統(tǒng)的使用現(xiàn)況，優(yōu)點和發(fā)展前景進(jìn)行調(diào)查研究。

1.2 本文主要目的

探究如今互聯(lián)網(wǎng)環(huán)境下基于用戶評論的推薦系統(tǒng)的應(yīng)用情況，調(diào)查此種推薦系統(tǒng)與其他推薦系統(tǒng)相比有何優(yōu)缺點之處，分析基于用戶評論的推薦系統(tǒng)未來發(fā)展前景。

1.3 本文結(jié)構(gòu)

本文的內(nèi)容安排如下。

第一章介紹了本文的研究和實踐背景，基本闡明了意見挖掘和推薦系統(tǒng)的結(jié)合在當(dāng)今互聯(lián)網(wǎng)時代下的意義以及本文對基于用戶評論的推薦系統(tǒng)進(jìn)行研究的原因。

第二章描述了對基于用戶評論的推薦系統(tǒng)在當(dāng)今時代下的使用現(xiàn)狀。

第三章利用評論推薦系統(tǒng)對隨機(jī)選定的影片進(jìn)行了過濾，并用影視網(wǎng)站原有的標(biāo)簽推薦系統(tǒng)進(jìn)行過濾，通過對兩種推薦系統(tǒng)過濾出的影片進(jìn)行閱覽，比較出評論推薦系統(tǒng)的優(yōu)缺點。

第四章綜合二、三章對用戶評論推薦系統(tǒng)進(jìn)行了綜合分析，分析了基于用戶評論的推薦系統(tǒng)的發(fā)展前景。

2 對基于用戶評論的推薦系統(tǒng)使用現(xiàn)狀的調(diào)查

本章的第一部分是對基于用戶評論的推薦系統(tǒng)（以下簡稱“評論推薦系統(tǒng)”）使用現(xiàn)狀的調(diào)查。

2.1 使用評論推薦系統(tǒng)的視頻網(wǎng)站

目前全球主流視頻網(wǎng)站中，Youtube在其混合推薦系統(tǒng)中加入了評論推薦系統(tǒng)。Youtube巨大的用戶量所提供的用戶評論為評論推薦系統(tǒng)提供了可能。

2.2 非視頻網(wǎng)站上對于評論推薦系統(tǒng)的應(yīng)用

除視頻網(wǎng)站外，其他類型的大眾用戶型網(wǎng)站也對評論推薦系統(tǒng)有應(yīng)用，例如貓途鷹，其基于大量用戶評論的推薦系統(tǒng)已經(jīng)成為其網(wǎng)站招牌。

除以上網(wǎng)站外，還有其他使用評論推薦系統(tǒng)的網(wǎng)站，在此就不再一一論述。從以上的網(wǎng)站來看，評論推薦系統(tǒng)已經(jīng)被部分網(wǎng)站所使用，但在視頻網(wǎng)站上使用相對較少，而在非視頻網(wǎng)站的應(yīng)用則相對廣泛。

3 評論推薦系統(tǒng)的優(yōu)缺點調(diào)查

為了實際調(diào)查評論推薦系統(tǒng)的優(yōu)缺點及視頻網(wǎng)站用戶對評論推薦系統(tǒng)的滿意度，本章利用作者設(shè)計的評論推薦系統(tǒng)進(jìn)行調(diào)查。

3.1 數(shù)據(jù)準(zhǔn)備及預(yù)處理

本文的數(shù)據(jù)來自豆瓣電影網(wǎng)頁信息，對豆瓣電影網(wǎng)頁信息抓取的基本思路是：首先得到網(wǎng)頁中電影的基本信息，包括電影名、評分、導(dǎo)演、演員、類型；其次再抓取整個電影的所有用戶評論，將所有元素保存在一份文件中。

本文選擇了豆瓣電影網(wǎng)上對電影《大偵探福爾摩斯》的影評，使用網(wǎng)絡(luò)信息搜集軟件八爪魚進(jìn)行用戶評論采集，并提取用戶評論中的關(guān)鍵詞進(jìn)行過濾，經(jīng)過分詞并將出現(xiàn)次數(shù)最多的關(guān)鍵詞與豆瓣網(wǎng)站其他電影評論進(jìn)行逆向比較，選擇出與《大偵探福爾摩斯》影評最相近的3部電影。

3.1.1 影評數(shù)據(jù)采集

選定隨機(jī)目標(biāo)，本文此次選擇豆瓣網(wǎng)對電影《大偵探福爾摩斯》的影評進(jìn)行采集過濾。利用網(wǎng)絡(luò)信息采集軟件對影評進(jìn)行采集。本文此次選擇“八爪魚采集器”軟件。

3.1.2 影評元素預(yù)處理

將前面抓取到的所有電影的評論，進(jìn)行分詞，本文采用的是結(jié)巴分詞。分詞后詞表有很多無用詞，采用哈工大中文停用詞表，在此基礎(chǔ)上人工加入一些涉及到電影評論領(lǐng)域的停用詞，進(jìn)行了去除停用詞的處理。（1）排除停用詞來減小詞表文件的大小。觀察統(tǒng)計好的詞表發(fā)現(xiàn)，里面有很多詞作為評價詞沒有價值，并且出現(xiàn)的次數(shù)很少，因此做了排除低頻詞的處理。（2）經(jīng)過這三步預(yù)處理工作，電影的全部信息預(yù)處理完畢。如此，提取出5個高頻詞。

提取的5個高頻詞為：福爾摩斯、偵探、英、美、基，計算出高頻詞在總評論有效詞語中出現(xiàn)的百分比并記錄。將提取出的關(guān)鍵詞與豆瓣其他電影的影評關(guān)鍵詞進(jìn)行對比，得出符合次數(shù)最多的兩部電影：《大偵探福爾摩斯2》《福爾摩斯歸來記》。同時記錄下上文5個關(guān)鍵詞在以上3部電影中有效詞語的百分比。

3.2 利用標(biāo)簽系統(tǒng)提取視頻

利用豆瓣電影網(wǎng)所使用的標(biāo)簽推薦系統(tǒng)進(jìn)行視頻篩選。

對于《大偵探福爾摩斯》，豆瓣標(biāo)簽為“動作/懸疑/驚悚/犯罪/冒險美國/德國”等。利用類型標(biāo)簽進(jìn)行篩選，運用如上方法，隨機(jī)選測其他兩部電影《羅馬假日》《復(fù)仇者聯(lián)盟》。

3.3 評價指標(biāo)

本文選擇對關(guān)鍵詞所占所有詞語百分比高低作為評價指標(biāo)，若關(guān)鍵詞百分比符合度相似則證明篩選準(zhǔn)確。

3.4 實驗結(jié)果分析

總有效詞取2458個，從百分比綜合可以看出，評論推薦結(jié)果百分比更高，更加精確。其余兩部電影均得出相似結(jié)論，如表1所示。

4 評論推薦系統(tǒng)的綜合分析以及前景預(yù)測

4.1 評論推薦系統(tǒng)的綜合分析

綜上所述，評論推薦系統(tǒng)相較于標(biāo)簽推薦系統(tǒng)，因其直觀的反映出了用戶的感受，所以推薦更具準(zhǔn)確性。但正如第三章中所演示的操作一樣，評論推薦系統(tǒng)需要通過采集用戶評論—提取評論關(guān)鍵詞—視頻評論關(guān)鍵詞比對—篩選比對結(jié)果—反饋給用戶這樣一個相對漫長且復(fù)雜的過程，而標(biāo)簽推薦系統(tǒng)僅需將標(biāo)簽相同的對象反饋給用戶即可，相對簡略。因此在主旨為向用戶提供視頻，而僅僅將推薦系統(tǒng)作為一種附屬系統(tǒng)的視頻網(wǎng)站中，評論推薦系統(tǒng)并未像標(biāo)簽推薦系統(tǒng)一樣的到廣泛的應(yīng)用。相反，在以向用戶推薦為主的旅游網(wǎng)站中，準(zhǔn)確度高的評論推薦系統(tǒng)得到了廣泛運用。

4.2 評論推薦系統(tǒng)的前景預(yù)測

由現(xiàn)在的網(wǎng)絡(luò)環(huán)境以及網(wǎng)絡(luò)技術(shù)來看，評論推薦系統(tǒng)未在視頻網(wǎng)站上的到廣泛運用的原因是其復(fù)雜的操作程序，較大的操作量難以吸引視頻網(wǎng)站對這種推薦方式進(jìn)行開發(fā)研究，僅僅是具有代表性的Youtube對這種推薦方式進(jìn)行了開發(fā)。在未來，隨著硬件技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展，提取—過濾—反饋的過程會變得更加快捷簡單，評論推薦系統(tǒng)也會逐漸被各大視頻網(wǎng)站所采用。而在以推薦為主的旅游等服務(wù)型網(wǎng)站上，高準(zhǔn)確性的評論推薦系統(tǒng)會繼續(xù)發(fā)展下去。

參考文獻(xiàn)

[1] 周良，王璇.視頻網(wǎng)站運營中用戶評論的作用及實證分析[J].中國流通經(jīng)濟(jì)，2015，29（2）：90-97.

[2] 李佳.基于意見挖掘與深度學(xué)習(xí)的推薦算法研究[D].吉林大學(xué)，2018.

[3] 扈中凱，鄭小林，吳亞峰，等.基于用戶評論挖掘的產(chǎn)品推薦算法[J].浙江大學(xué)學(xué)報：工學(xué)版，2013，47（8）：1475-1485.