基于聚類算法的視頻推薦系統的算法研究

張婉婷

摘要：針對目前視頻推薦系統功能少、推薦數據不全面，以及采集用戶數據不全推薦能力弱，用戶體驗差等問題，提出了一種基于聚類算法的視頻推薦系統算法。通過自主開發的聚類算法中的AP-聚類分層分析所獲取到的不同的用戶信息，以及不同的用戶的視頻的關注度信息，形成不同的用戶視頻信息聚類庫，結合用戶視頻信息庫中的歷史數據，進行標簽設置，自主進行計算權重，利用開發的聚類層進行用戶對視頻信息的喜好進行排序，生成喜好序列表，最后通過聚類分層模型計算出不同用戶在聚類信息庫中的喜好視頻信息，進行標簽和推薦。該算法成功的對不同用戶的視頻信息進行了標簽和推薦，且推薦針對性較強，命中率較高，具有一定的學術研究價值和實際推廣意義。

Abstract： At present， video recommendation system has few functions， incomplete recommendation data， incomplete recommendation ability of collecting user data and poor user experience， etc.， a video recommendation system algorithm based on clustering algorithm is proposed. Through independent development of clustering algorithm to AP - hierarchical clustering analysis of the access to different users of information， and the popularity of video information of different users， it forms different user video information clustering library， based on historical data in the user's video database， tag set， it calculates the weight independently， and it uses development of clustering layer user preferences to sort of video information， generate preference sequence table， finally through hierarchical clustering model calculates the different users in clustering the be fond of video information in the database， labels and recommendations.This algorithm successfully labels and recommends the video information of different users， and the recommendation is highly targeted with high hit rate， which has certain academic research value and practical promotion significance.

關鍵詞：聚類算法;視頻推薦;用戶;數據庫

Key words： clustering algorithm;video recommended;users;the database

中圖分類號：TP181? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2020）02-0250-03

0? 引言

近年來 “信息過載”指的是由于數據量過多導致的無從下手。因此，如何從大量數據中提取出有實效的數據成為要解決的首要問題[1]。在“個性化需求”日益增強的今天，聚類算法成為“個性化”推薦可使用的算法之一，在各大搜索引擎、社交軟件和購物平臺上發揮著重要的作用，成為企業高收益的保證，同時減緩了網絡公司的壓力。其中以分類為基礎的聚類算法包括了以K值為均值的聚類算法，而其中又包括了基于K值的中心聚類算法。利用基于K值聚類算法進行數據分析的時候，首先要考慮的是基于K值的中心聚類算法間距值，間距值的大小不一會直接影響數據分析結果的不一，其中最為關鍵的就是數據簇的分類和劃分[2-4]。大數據領域中核心技術就是基于數據的挖掘和分析，在基于數據的挖掘中最常用的就是聚類算法的使用，基于聚類算法的數據分析處理技術不僅可以完成對數據的分類，而且可以完成對數據特征和數據力的分類和分析。

對于數據聚類分析，通常是對系統數據的聚類進行研究和分析，就要根據這些數據的指標進行相似度分析，找出類似的或者同類的數據指標，然后進行分類和聚類分析 [5]。有的時候會根據基于大數據聚類分析得到的不同數據間距的聚類分析結果，會自動的形成一個趨勢結果圖，根據趨勢結果圖同樣可以進行劃分特征的聚類分析[6]。眾所周知，視頻瀏覽在人們生活中占據越來越重要的地位，是人們娛樂和放松的方式之一，為了保證用戶的點擊率，許多平臺構建了視頻推薦系統，通過在首頁、小窗口進行視頻的信息或圖文推薦，達到增加用戶點擊率和流量的目的，這套系統確實起到了重要的作用[7-9]。傳統視頻推薦系統往往只根據用戶觀看過的視頻進行大范圍的推薦，有些推薦系統甚至只推薦點擊率較高的視頻，完全忽略較小眾的口味，推薦的視頻針對性較弱，命中率不高[10]。然而，通過實際調查發現，不少用戶反映：希望推薦系統更加個性化，推薦模式更加新穎。對平臺而言，合理有效的推薦保證了資源的利用，提高了企業的利潤。無論用戶還是平臺，都期待更加實際高效、具有個性化的推薦系統。

因此設計了一種基于聚類算法的視頻推薦系統。通過AP-聚類分層分析各類用戶數據，形成不同的用戶視頻信息聚類庫，結合用戶視頻信息庫中的歷史數據，設置標簽并計算權重，以對用戶對視頻的喜好進行排序，最后通過聚類分層模型得出用戶在聚類信息庫中的喜好視頻信息，對不同類型用戶進行標簽后進行推薦。

1? 系統聚類分析

基于大數據的系統聚類算法，第一步要獲取到所需要的所有數據信息，然后把所獲取到的數據信息進行分類整理，根據不同類別的數據信息進行特征相似度分類，對不同特征的數據信息進行相似度特征標注，標注完全后進行分類訓練，根據標注所得的特征相似度進行聚類分析。同理對數據聚類分析后會得到所有數據的處理結果，然后繪制成分類結果圖，也就是整個系統的聚類分析結果圖。

決策樹屬于非參數學習算法、可以用于解決分類問題、回歸問題。

2? 聚類算法視頻推薦分析

①根據視頻間的相似度進行分類，建立數據庫。本實驗數據建立過程如下，從綜藝、電影、電視劇三類中分別隨機抽取5項，用A代表綜藝，B代表電影，C代表電視劇，再從情感表達、影視效果等方面進行評分。將所有評分進行屬性規約，運用主成分分析法將各項評分在坐標軸中表現出來后，進行點與點間距離的運算，建立相似矩陣。（表1）

②取15位用戶的觀看記錄作為觀察材料，運算出各個用戶觀影愛好的最小距離，將所有用戶聚為一個簇。本系統以“簇間距盡量大，簇內距盡量小”為原則，多次對該簇進行切割，最后得出以大于0.7為標準將用戶聚為兩個簇，依照本實驗數據，簇一含有的用戶為U1、U3、U5、U7、U9;簇二為U2、U4、U6、U8、U10。

③得到結果簇后，將不同的簇進行分類標簽。如簇一的用戶所看的視頻高頻率出現動漫元素，系統將其標為“動漫”;簇二的用戶所觀看的視頻多有文藝情懷，系統將其標為“文藝”。

④根據新用戶的觀影記錄，運用決策樹進行類別劃分，最后根據劃分結果為其推薦分類后所在簇的其他相似度高的視頻。

3? 結論

所提出的基于聚類算法的視頻推薦系統，利用所開發的聚類分析算法，根據不同的用戶數據信息進行分層分析，分別從綜藝、電影、電視劇這3類中隨機的設定5項，并使用A-C進行標簽表示，創建數據庫，對獲取到的用戶數據信息進行聚類分層分析，同時對照用戶簇數據進行分類標簽，進行用戶喜愛視頻的推薦。通過對照試驗可以看出，所提出的方法能夠較好且準確的給不同法人用戶推薦合適的視頻信息，具有較好的推薦效果。

參考文獻：

[1]鐘海洶.基于聚類算法的推薦系統的設計與實現[TP].軟件工程，2017，5（1）：3-6.

[2]劉義鵬，李志鵬，蔣哲臣，梁榮華.基于密度峰值搜索的腦纖維快速聚類算法[J].浙江工業大學學報，2019，47（05）：567-572.

[3]王燕妮，雒津津，王殿偉.關鍵幀結合幅值直方圖熵的異常行為檢測算法[J].計算機與數字工程，2019，47（09）：2281-2285.

[4]賈暉，張建剛.基于SDF及K-Means三維模型一致性分割算法[J].計算機與數字工程，2019，47（09）：2141-2144.

[5]楊炎，高煒，楊勝強，田建艷，高云松.基于模糊聚類和案例推理的滾拋磨塊優選模型[J].表面技術，2019，48（09）：315-320，335.

[6]周滿滿，袁凌云.基于K-means聚類的室內三維定位算法[J].計算機工程與設計，2019，40（09）：2530-2536.

[7]張建坤，禹思敏.面向混合型位置大數據的差分隱私聚類算法[J].計算機工程與設計，2019，40（09）：2451-2455，2493.

[8]彭金喜，蘇遠歧，薛笑榮.一種小波域K-Means遙感圖像分類標注算法[J].軟件導刊，2019，18（09）：202-206，225.

[9]秦美華，朱紅求，李勇剛，陳俊名，張鳳雪，李文婷.基于STA-K均值聚類的電化學廢水處理過程離子濃度軟測量[J].化工學報，2019，70（09）：3458-3464.

[10]王翠，馬鳳娟，崔海亭.基于區域時變聚類采樣機制的物聯網大數據傳輸算法[J].井岡山大學學報（自然科學版），2019，40（05）：34-39.

[11]安尼卡爾·艾斯卡爾，祖來克孜·米吉提.系統聚類法及其應用研究[J].價值工程，2019，38（17）：254-258.