視頻網(wǎng)站推薦系統(tǒng)研究

摘 要：如今推薦系統(tǒng)在很多領域都有著較好的應用，例如購物網(wǎng)站、新聞網(wǎng)站、檢索網(wǎng)站和音樂視頻網(wǎng)站等。尤其是視頻網(wǎng)站，推薦系統(tǒng)各式各樣，不同的視頻網(wǎng)站都使用特定的推薦系統(tǒng)向用戶進行個性化推薦，不同的推薦系統(tǒng)所實現(xiàn)的推薦效果也是不同的，每個推薦系統(tǒng)都有各自的優(yōu)點和缺點。本文對近幾年視頻推薦系統(tǒng)的研究進行綜述，介紹常用的推薦算法，并結合在實際中使用視頻網(wǎng)站的體驗，針對具體的視頻網(wǎng)站指出其存在的問題并提出改進建議。

關鍵詞：推薦系統(tǒng)；視頻網(wǎng)站；用戶行為

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2096-4706（2019）03-0018-03

Video Website Recommendation System Research

LIU Yanxin

（Shanxi University of Finance and Economics，Taiyuan 030006，China）

Abstract：Today’s recommendation system has good applications in many areas，such as shopping websites，news websites，search websites and music video websites. Particular in video websites have various recommendation systems. Different video websites use specific recommendation systems to personalize recommendations to users. Different recommendation systems implement different recommendation effects. Each recommendation system has its own advantages and diSadvantages. This paper summarizes the research of video recommendation system in recent years，introduces the commonly used recommendation algorithm，and combines the experience of using video website in practice，points out the existing problems and proposes improvement suggestions for specific video websites.

Keywords：recommended system；video website；user behavior

1 研究背景和意義

網(wǎng)絡信息技術的發(fā)展，使得信息逐漸過載，在過載的信息中，視頻信息由于其自身特性，更加引人注目，由此出現(xiàn)了形式多變的視頻網(wǎng)站。視頻網(wǎng)站上過多的視頻信息導致人們很難從海量的視頻信息中得到自己想要獲取的視頻信息，但是人們對視頻信息的需求又十分迫切，推薦系統(tǒng)較好地解決了視頻信息過載的問題。視頻網(wǎng)站使用推薦系統(tǒng)向用戶進行個性化視頻推薦，通過對用戶的觀看記錄等信息進行分析，把用戶可能感興趣的視頻推薦給用戶，大大提升了用戶的使用體驗。作為視頻網(wǎng)站，采取較好的視頻推薦系統(tǒng)，有效地向用戶推薦其感興趣的視頻，才會吸引更多的用戶訪問，并且節(jié)省費用，所以對視頻推薦系統(tǒng)進行研究是十分必要的。本文對視頻推薦系統(tǒng)的算法和應用研究進行分析，并針對嗶哩嗶哩視頻網(wǎng)站提出在推薦視頻時存在的問題和改進建議。

2 視頻推薦算法

推薦算法是推薦系統(tǒng)中最為重要的部分，本文從采用單個算法推薦和采用混合算法推薦兩個角度進行分析。

2.1 采用單個算法推薦

基于內(nèi)容的推薦算法一般是通過對目標用戶的歷史行為進行統(tǒng)計，而行為又分為顯示反饋、隱式反饋，用戶觀看完視頻后對視頻所打的分就是對視頻的顯式反饋數(shù)據(jù)，而用戶觀看了視頻但是沒有進行打分的這些視頻就是隱式反饋數(shù)據(jù)。根據(jù)與目標用戶有過交互的視頻得到用戶的偏好，然后基于用戶行為計算其他視頻的相似程度，將最相似的視頻推薦給用戶。匡俊[1]等針對點擊率預測準確性較差的情形將特征工程和機器學習結合，提高了視頻點擊率預測算法的準確率。對視頻進行特征提取，有效地避免了冷啟動的問題，但是特征的提取可能會比較困難。

基于協(xié)同過濾算法是Goldberg[2]等人提出的，在實際生活中最為常用的一種推薦算法。算法通過找尋與目標用戶相似的用戶進而推薦視頻，文獻[3]中將協(xié)同過濾方法分成兩類，基于近鄰和基于模型，基于近鄰是直接使用收集到的數(shù)據(jù)進行相似性判斷，基于模型則是對具體用戶構建偏好模型然后進行推薦。在傳統(tǒng)的協(xié)同過濾算法的基礎上，李珊珊[4]對相似度計算進行了改進，有效地避免了熱門視頻對推薦結果的影響；蘇夢珂[5]等綜合考慮用戶的行為一致性和信息熵兩個指標對數(shù)據(jù)進行評價，減少了因為數(shù)據(jù)質量問題導致推薦結果出現(xiàn)偏差的可能性。協(xié)同過濾推薦算法使用較為簡單，效果較好，適用于特征提取較為困難的數(shù)據(jù)，例如視頻數(shù)據(jù)，但是可能會因為用戶的數(shù)據(jù)較少而遇到冷啟動問題。

深度學習是輸入目標用戶和視頻的相關數(shù)據(jù)，使用深度學習模型，得到給目標用戶的視頻推薦。高睿[6]提出了兩種基于深度神經(jīng)網(wǎng)絡的視頻個性化推薦算法，分別為基于深度語義模型和基于概率語言模型的推薦算法，提升了推薦效果。李同歡等[7]提出了一種基于深度學習的多交互混合推薦模型，輸入在深度學習模型的基礎上得到的信息，使用多層交互的網(wǎng)絡結構進行學習，最后聚合進行推薦。黃立威等[8]對基于深度學習的推薦系統(tǒng)的研究進行分析，提出了未來推薦算法的發(fā)展方向。

除了單純考慮用戶和視頻之間的關聯(lián)，也要考慮目標用戶在做出某種行為時的具體場景，文獻[9]將情境信息添加到傳統(tǒng)的推薦中，使得推薦更加立體。

2.2 采用混合算法推薦

雖然每種推薦算法都有各自的優(yōu)點，但是單獨使用一種推薦算法又有一定的缺陷，所以一般將不同的推薦算法進行混合后再進行推薦，能夠較好地避免各自的缺陷，提高整體推薦效果。比較常用的是將基于內(nèi)容和基于協(xié)同過濾的兩種算法結合，湯偉[10]提出了基于Web挖掘的個性化視頻推薦系統(tǒng)，通過對用戶的Web日志進行分析生成目標用戶模型，針對稀疏數(shù)據(jù)使用PCA進行降維，并使用內(nèi)容和協(xié)同過濾結合的算法進行推薦。文獻[11]提出將傳統(tǒng)的推薦算法改進為可以在分布式平臺上使用的算法，使用Hadoop平臺并結合其他工具來進行推薦。翁小蘭等人[12]則針對在使用傳統(tǒng)協(xié)同過濾算法進行推薦時遇到的數(shù)據(jù)稀疏、冷啟動等問題，將協(xié)同過濾算法與大數(shù)據(jù)技術、社會網(wǎng)絡等技術結合對算法進行改進研究。

3 視頻推薦具體應用

視頻推薦也有著很多的應用，國外用戶使用較多的視頻網(wǎng)站有YouTube、Netflix等，YouTube在全世界是被廣泛使用的視頻網(wǎng)站，每個用戶都可以在網(wǎng)站上上傳和觀看視頻，用戶上傳視頻所標記的標簽會影響用戶對視頻的關注程度，很多學者對視頻標簽進行了研究，Xu等人[13]提出了可以直接為用戶上傳的視頻生成標簽的EventDemo系統(tǒng)，保證了標簽的準確性。夏冬晨[14]提出了一種方法，可以提高YouTube視頻的關注度，使得視頻可能被更多用戶所觀看，增加視頻的點擊率。Netflix[15]是世界最大的收費視頻網(wǎng)站，從Netflix的發(fā)展歷史來看，正是舉辦的Netflix Prize比賽，推動了視頻推薦的發(fā)展，并且吸引了更多的人來研究推薦系統(tǒng)，網(wǎng)站本身也受益很多，早期比賽主要目標是預測用戶對視頻的評分，現(xiàn)在則是通過分析用戶的觀看行為，來為用戶進行推薦。

在國內(nèi)，用戶普遍使用的是優(yōu)酷、騰訊、愛奇藝、嗶哩嗶哩等視頻網(wǎng)站，推薦視頻采用的是召回+排序，因為視頻數(shù)量大，全部排序會低效，所以先進行召回找到值得推薦的視頻，然后再對已經(jīng)篩選過的視頻進行排序，將最優(yōu)的視頻推薦給目標用戶。

4 具體視頻網(wǎng)站推薦時存在的問題及相關建議

嗶哩嗶哩視頻網(wǎng)站視頻內(nèi)容的獨特性，吸引了很多的用戶使用，但是在向用戶推薦視頻時可能會遇到以下問題。

4.1 視頻標題、標簽與內(nèi)容不匹配

上傳者上傳視頻時會給視頻起標題，并添加標簽，方便用戶進行搜索，但是可能會出現(xiàn)標題、標簽和視頻的具體內(nèi)容不匹配的情況，這會降低用戶的觀看體驗。針對這個問題可以通過分析視頻的具體內(nèi)容，結合觀看過該視頻的用戶的評價，對標題和標簽進行適當?shù)男薷模岣咂渑c視頻的匹配度。

4.2 用戶觀看信息難以區(qū)分

用戶對視頻的操作不能簡單的用“是否觀看”“是否評價”等標準來評判，因為用戶對視頻的喜好程度是不同的。例如用戶觀看視頻時是否有跳過、加速、手滑點錯等行為都會影響觀看視頻的時長，用戶的觀看信息也是不同的。所以在特征提取的時候再進行細化，對用戶的觀看行為不能用一個標準來衡量，而是針對具體情形設置特征的取值。

4.3 評價信息沒有價值

用戶在手機上可以對視頻進行點贊、差評等操作，但是在網(wǎng)頁上卻沒有差評這個選項，這就導致用戶對同一視頻的評價產(chǎn)生差別。在收集用戶對視頻的評價時，不同等級的用戶對視頻的評價的重視程度應該有一定的差異。還有部分的惡意行為，例如某些用戶不觀看視頻卻對視頻做出評價，或者該用戶評價與其他用戶評價差距較大，這種評價會對推薦的結果造成一定影響。視頻網(wǎng)站可以結合用戶的觀看具體信息來判斷用戶的評價的價值。

5 結 論

本文通過對視頻推薦算法進行分析，總結了常用的視頻推薦算法，在此基礎上，針對嗶哩嗶哩視頻網(wǎng)站在推薦視頻時存在的問題提出了改進的建議，希望能有一些借鑒價值。

參考文獻：

[1] 匡俊，唐衛(wèi)紅，陳雷慧，等.基于特征工程的視頻點擊率預測算法 [J].華東師范大學學報（自然科學版），2018（3）：77-87.

[2] David Goldberg，David Nichols，Brian M. Oki，et al. Using collaborative filtering to weave an information tapestry [J]. Communications of the ACM，1992，35（12）：61-70.

[3] Deshpande M，KarypisG.Item-based top- N，recommendation algorithms [M].ACM，2004.

[4] 李姍姍.基于協(xié)同過濾的視頻推薦系統(tǒng)設計 [D].南京：南京郵電大學，2017.

[5] 蘇夢珂，楊煜普.基于信息熵和用戶行為一致性的協(xié)同過濾分組推薦 [J/OL].計算機應用研究：1-6.http：//kns.cnki.net/kcms/detail/51.1196.TP.20181009.1405.010.html，2018-10-26.

[6] 高睿.基于深度神經(jīng)網(wǎng)絡的視頻個性化推薦系統(tǒng)研究 [D].深圳：深圳大學，2017.

[7] 李同歡，唐雁，劉冰.基于深度學習的多交互混合推薦模型 [J/OL].計算機工程與應用：1-9.http：//kns.cnki.net/kcms/detail/11.2127.TP.20180913.0636.010.html，2018-10-26.

[8] 黃立威，江碧濤，呂守業(yè)，等.基于深度學習的推薦系統(tǒng)研究綜述 [J].計算機學報，2018，41（7）：1619-1647.

[9] Gediminas Adomavicius，Ramesh Sankaranarayanan，Shahana Sen，et al. Incorporating contextual information in recommender systems using a multidimensional approach [J]. ACM TranSactions on Information Systems，2005，23（1）：103-145.

[10] 湯偉.基于Web挖掘的個性化視頻推薦系統(tǒng)設計與實現(xiàn) [J].電子設計工程，2018，26（18）：102-106+112.

[11] 韓皎.基于分布式平臺的個性化推薦算法研究 [D].西安：長安大學，2017.

[12] 翁小蘭，王志堅.協(xié)同過濾推薦算法研究進展 [J].計算機工程與應用，2018，54（1）：25-31.

[13] Xu H，Ye G，Li Y，et al. Large Video Event Ontology Browsing，Search and Tagging （EventNet Demo） [C]// ACM International Conference on Multimedia. ACM，2015：803-804.

[14] 夏冬晨.基于YouTube的視頻社會關注度提高方法的研究 [D].杭州：杭州電子科技大學，2017.

[15] Netflix官網(wǎng).https：//lunhem.com/s.php？t=Netflix.

作者簡介：劉焱昕（1995-），女，漢族，山西長治人，2016屆計算機應用技術專業(yè)，碩士研究生，研究方向：數(shù)據(jù)挖掘。