融合深度學(xué)習(xí)和協(xié)同濾波的個性化影視節(jié)目推薦算法

黃耀 董安明

為滿足用戶影視個性化點播需求，本文提出一種基于深度學(xué)習(xí)和協(xié)同濾波相融合的影視節(jié)目推薦算法，通過構(gòu)建多層感知網(wǎng)絡(luò)實現(xiàn)用戶偏好特征和節(jié)目特征的提取，進(jìn)而利用所得到的特征信息通過協(xié)同過濾分別給出用戶所喜歡的同類型節(jié)目以及偏好節(jié)目的推薦。實驗表明本算法所推薦的影視節(jié)目能夠充分迎合用戶的個性化需求。

隨著移動互聯(lián)網(wǎng)的發(fā)展，移動視頻在人們?nèi)粘蕵飞钪性絹碓狡占啊Ｅc此同時，影視文化產(chǎn)業(yè)的快速發(fā)展，影視劇數(shù)目和類型的不斷推陳出新，加劇了信息過載問題，導(dǎo)致人們難以從海量資源中找到符合自己口味和興趣的影視劇。個性化推薦通過大數(shù)據(jù)分析，挖掘用戶的個性化影視劇觀看需求，可將有價值的信息主動推薦給潛在用戶，為解決此類問題提供了一種有效途徑。

影視劇推薦系統(tǒng)近幾年引起學(xué)術(shù)界的極大關(guān)注。有研究提出了一種基于情境感知的個性化影視推薦算法，通過融入情境要素對用戶評分的影響，使得預(yù)測評分更加精準(zhǔn)。還有研究把用戶相似度和用戶權(quán)重的思想融入經(jīng)典推薦算法中，使得推薦結(jié)果更符合用戶的審美口味。也有研究在電影推薦中考慮在線評論中的情感因素，提出了基于協(xié)同過濾算法的影視營銷推薦算法，通過神經(jīng)網(wǎng)絡(luò)并結(jié)合擴(kuò)散算法構(gòu)建了用戶生成推薦列表。

本文以中國網(wǎng)絡(luò)電視臺（CNTV）移動用戶真實觀影大數(shù)據(jù)為基礎(chǔ)，構(gòu)建了一種基于協(xié)同過濾與深度學(xué)習(xí)相結(jié)合的影視劇推薦算法。所提算法利用深度學(xué)習(xí)技術(shù)得到了用戶特征矩陣和節(jié)目特征矩陣，進(jìn)而使用協(xié)同過濾的方法進(jìn)行推薦。實驗表明此方法所推薦的影視劇能夠更好地迎合用戶需求。

系統(tǒng)模型

數(shù)據(jù)集及需求

本文使用的數(shù)據(jù)集來自于 CNTV 手機(jī)電視在 2019 年 10 月份產(chǎn)生的約 4 900 萬條數(shù)據(jù)。其涵蓋的信息如圖 1 所示，包括用戶 ID、操作系統(tǒng)、所連接的網(wǎng)絡(luò)、移動運營商信息、所在地區(qū)、觀看時間、節(jié)目類別、節(jié)目名稱以及觀看行為記錄（如播放、拖動、停止等）等。本文的目標(biāo)是根據(jù)該數(shù)據(jù)集為用戶推薦感興趣的節(jié)目，以提升收視率。

系統(tǒng)架構(gòu)

本文將協(xié)同過濾與深度學(xué)習(xí)技術(shù)相結(jié)合，來構(gòu)建影視節(jié)目推薦系統(tǒng)，為目標(biāo)用戶推薦感興趣的節(jié)目，如圖 2 所示。

協(xié)同過濾算法又稱社會過濾，被廣泛應(yīng)用于推薦系統(tǒng)設(shè)計，其背后的原理是已有事物偏好相似的用戶對新事物的偏好也基本一致，從而可根據(jù)其他用戶的偏好向目標(biāo)用戶推薦。協(xié)同過濾方法需要首先找出一組與目標(biāo)用戶偏好一致的鄰居用戶，然后通過分析該鄰居用戶的喜好，將其推薦給目標(biāo)用戶。

基于協(xié)同過濾的思想，根據(jù)數(shù)據(jù)集中所挖掘出的用戶特征和節(jié)目特征相似度的對比，實現(xiàn) 2 個功能：

①為指定用戶推薦符合其偏好的節(jié)目。主要思路是通過計算該用戶的特征向量與某影視劇特征向量之間的相似度，從而推薦相似度高的節(jié)目。

②為指定用戶推薦其喜歡的同類型節(jié)目。其基本思路是計算不同節(jié)目特征向量之間的相似度，并找出相似度較高的影視劇。

深度學(xué)習(xí)特征提取

為了獲取上述用戶和節(jié)目特征向量，本文采用了深度學(xué)習(xí)技術(shù)，通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，從所給定的數(shù)據(jù)集上自動學(xué)習(xí)并抽取特征向量。所提出的基于深度學(xué)習(xí)的特征提取模型如圖 3 所示。將用戶 ID、用戶省份、節(jié)目 ID 和節(jié)目名稱等信息，通過嵌入層和文本卷積神經(jīng)網(wǎng)絡(luò)（CNN）編碼后，送入對應(yīng)的多層全連接神經(jīng)網(wǎng)絡(luò)構(gòu)成的多層感知器（MLP），分別輸出用戶特征向量和節(jié)目特征向量。這 2 個特征再送入乘法層，最終輸出預(yù)測的播放次數(shù)。以該預(yù)測播放次數(shù)作為用戶偏好程度的評分。

在訓(xùn)練階段，通過將輸出預(yù)測播放次數(shù)與數(shù)據(jù)集中實際的播放次數(shù)進(jìn)行對比，得到預(yù)測均方誤差（MSE），從而構(gòu)成深度網(wǎng)絡(luò)的損失函數(shù)，用于實現(xiàn)神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化調(diào)整。

該模型在接收輸入數(shù)據(jù)時使用了嵌入層，將非數(shù)值數(shù)據(jù)轉(zhuǎn)換成數(shù)值數(shù)據(jù)，保證神經(jīng)網(wǎng)絡(luò)可以處理。對節(jié)目名，使用文本卷積神經(jīng)網(wǎng)絡(luò)將文本處理為特征數(shù)據(jù)，即首先將一句話分割成單詞，再通過嵌入層產(chǎn)生單詞向量編碼，然后由 CNN 產(chǎn)生電影名的特征向量。

實驗及分析

數(shù)據(jù)預(yù)處理

圖 3 所示的嵌入層將原始的非數(shù)值文本數(shù)據(jù)轉(zhuǎn)化為數(shù)值數(shù)據(jù)只提取需要的數(shù)據(jù)列。經(jīng)過數(shù)值化處理后的數(shù)據(jù)，如圖 4所示。

深度學(xué)習(xí)訓(xùn)練收斂曲線

利用數(shù)據(jù)集中隨機(jī)選擇的 100 萬條數(shù)據(jù)對圖 3 所示的深度學(xué)習(xí)特征提取模塊進(jìn)行訓(xùn)練，其損失函數(shù)首先曲線如圖 5所示。可見算法經(jīng)過數(shù)輪迭代即可收斂。

協(xié)同過濾推薦結(jié)果

在訓(xùn)練結(jié)束后，應(yīng)用圖 3 所示的深度學(xué)習(xí)網(wǎng)絡(luò)得到輸入數(shù)據(jù)的用戶特征值矩陣和節(jié)目特征值矩陣。在此基礎(chǔ)上，利用余弦相似度計算圖 1 所示所示的相似度，并最終得到協(xié)同過濾的 2 種類型節(jié)目推薦結(jié)果。

其中，圖 6 給出了對 ID 為 24 的用戶所實現(xiàn)的關(guān)于體育節(jié)目的同類型節(jié)目推薦結(jié)果。可以看到，對該用戶主要推薦了體育節(jié)目，以及與體育精神特征有關(guān)的影視劇（《決勝》）。圖 7 顯示了對該用戶所推薦的有可能喜歡的影視節(jié)目。可見，此算法不僅僅推薦體育界面，還推薦了熱播劇。

本文提出了一種基于協(xié)同濾波和深度學(xué)習(xí)相結(jié)合的節(jié)目推薦算法。利用深度學(xué)習(xí)技術(shù)，對央視移動視頻統(tǒng)計數(shù)據(jù)進(jìn)行挖掘，產(chǎn)生用戶偏好特征和節(jié)目相似特征，進(jìn)而利用協(xié)同過濾實現(xiàn)對特定用戶的專屬節(jié)目推薦。實驗結(jié)果表明，該方法能夠為用戶提供同類型節(jié)目推薦以及偏好節(jié)目推薦。