基于隱馬爾可夫模型的在線視頻個(gè)性化推薦研究

王新武

（大連財(cái)經(jīng)學(xué)院，遼寧 大連 116000）

0 引言

隱馬爾可夫模型（HMM）是由Baum等人于1966年率先提出來的[1]。HMM是馬爾可夫模型的延伸，是一個(gè)概率模型，可以用來預(yù)測序列問題。HMM最早應(yīng)用于語音識(shí)別中，并獲得了巨大的成功，之后被廣泛應(yīng)用于模式識(shí)別、圖像識(shí)別、生物信息科學(xué)、故障診斷等領(lǐng)域，取得了可喜的成績[2]。隨著研究的深入，HMM的應(yīng)用也越來越廣泛。

1 隱馬爾可夫模型建模

下面是以解碼問題為例的隱馬爾可夫模型建模過程：

（1）狀態(tài)集：定義一個(gè)狀態(tài)集合G={G1,G2,…,Gn}

（2）轉(zhuǎn)移集：每個(gè)狀態(tài)轉(zhuǎn)移元素集合(gi→gi+1)

（3）觀察集：輸出的觀察符號集：

從g1開始，轉(zhuǎn)移到新的狀態(tài)gi，可以觀測到一個(gè)輸出符號σi。經(jīng)過轉(zhuǎn)移到最終狀態(tài)，會(huì)得到一個(gè)符號串：H=h1,h2,…,h i。每一個(gè)狀態(tài)轉(zhuǎn)移對應(yīng)的概率為P(gi→gi+1)。在任意狀態(tài)觀測到特殊符號的概率P(H|g)。在一個(gè)隱馬爾可夫模型O上，序列H被觀測到的概率是所有可能路徑的概率和，如式（1）所示：

建立隱馬爾科夫模型的目的就是找到能使觀察概率達(dá)到最大的狀態(tài)序列Q(H|O)，如式（2）所示：

HMM用圖形表示如圖1所示。

圖1 HMM圖形

任意時(shí)刻狀態(tài)序列的產(chǎn)生：序列在某時(shí)刻的狀態(tài)是a1，在該狀態(tài)下得到的觀察值是e1，從a1轉(zhuǎn)移到a2，在a2狀態(tài)下得到觀察值e2。按照此種方法，會(huì)得到一個(gè)觀察值序列E={e1,e2,…ei,…,et}。因?yàn)樵谌我鈺r(shí)刻產(chǎn)生的觀察值e只依賴于狀態(tài)值a，所以可以得到在a狀態(tài)下出現(xiàn)e觀察值的概率為所有時(shí)刻狀態(tài)轉(zhuǎn)移概率和觀測概率的乘積，

2 隱馬爾可夫模型應(yīng)用

（1）個(gè)性化推薦：基于隱馬爾可夫模型的偏好進(jìn)化學(xué)習(xí)和高維數(shù)據(jù)稀疏問題處理[3]。解決高維數(shù)據(jù)稀疏問題和因用戶偏好學(xué)習(xí)困難而難以高效反應(yīng)用戶的個(gè)性化需求的問題，從而突破上下文感知推薦系統(tǒng)的應(yīng)用瓶頸。利用評分分組，構(gòu)造轉(zhuǎn)移矩陣和觀察矩陣。為防惡意刷分引入權(quán)重因子，完成隱馬爾可夫的建模。

（2）文本分類：通過提取文本中的特征詞、特征詞頻、文檔數(shù)量、特征詞語義等信息，利用信息增益的方法進(jìn)行特征詞的合并和分類，通過分類分別建立隱馬爾可夫分類模。新文本的分類則是通過分類向量的交集，作為觀察序列輸入隱馬爾可夫模型，預(yù)測各分類輸出的概率，以概率大小作為分類標(biāo)準(zhǔn)[4]。

（3）輿情分析：以微博為平臺(tái)，考慮微博用戶的個(gè)人特征、感情走向，以具體的行為表現(xiàn)等為觀察序列，以及輿情的發(fā)展、波動(dòng)消亡等為狀態(tài)序列，建立隱馬爾可夫模型，預(yù)測和預(yù)警輿情的發(fā)展和一般規(guī)律，為最終決策提供科學(xué)高效的方法[5]。

（4）智能學(xué)習(xí)：假設(shè)用戶擁有良好的學(xué)習(xí)習(xí)慣和效果，需要從用戶的學(xué)習(xí)序列中找到一個(gè)最優(yōu)的學(xué)習(xí)序列引導(dǎo)學(xué)習(xí)的目的。建立隱馬爾可夫模型，對模型進(jìn)行訓(xùn)練，尋找知識(shí)點(diǎn)間的關(guān)聯(lián)概率，利用模型預(yù)測知識(shí)點(diǎn)的遷移序列，找到最優(yōu)的狀態(tài)序列，智能引導(dǎo)用戶學(xué)習(xí)，提升用戶的學(xué)習(xí)效率和學(xué)習(xí)效果[6]。

（5）時(shí)間序列預(yù)測：假設(shè)一系列的隱狀態(tài)構(gòu)成了一個(gè)時(shí)間序列，隱狀態(tài)間的轉(zhuǎn)換構(gòu)成系統(tǒng)運(yùn)行的根本。對時(shí)間序列分段后，根據(jù)先后發(fā)生的時(shí)間順序和發(fā)生時(shí)間的相似性等進(jìn)行聚類，以分類為隱含狀態(tài)得到狀態(tài)轉(zhuǎn)移矩陣，建立隱馬爾可夫模型，進(jìn)行時(shí)間序列的預(yù)測。

3 基于隱馬爾可夫模型的在線視頻個(gè)性化推薦實(shí)現(xiàn)過程

3.1 模型參數(shù)準(zhǔn)備

以在線視頻的評分為狀態(tài)序列，評分對應(yīng)的視頻內(nèi)容即為觀察序列。用戶某一次對在線視頻內(nèi)容的評分只與前一次的評分有關(guān)，與下一次無關(guān)，所以用戶的評分行為符合隱馬爾可夫隨機(jī)過程。

3.2 隱馬爾可夫模型訓(xùn)練

利用無監(jiān)督的學(xué)習(xí)法（EM算法），訓(xùn)練集中t時(shí)刻使用并給出所得到評分的用戶觀察集Y={Y1,Y2,Y3,…,Yt}，隱含的狀態(tài)序列X={X1,X2,X3,…,Xt}，通過對訓(xùn)練集參數(shù)的訓(xùn)練，得到基于隱馬爾可夫最大概率，即P(Y|λ)。訓(xùn)練方法如下[7]。

①根據(jù)向前-向后算法（訓(xùn)練HMM的標(biāo)準(zhǔn)算法是向前-向后算法（Forward-backward Algorithm）或者叫作鮑姆-韋爾奇算法（Baum-Welch algorithm），這是期望最大化（Expectation-Maximization algorithm，EM算法）的一種特殊情形），定義一個(gè)在T時(shí)刻處于狀態(tài)i的前向變量概率是(i)，如果T+1時(shí)刻的狀態(tài)為j，根據(jù)前向算法，則有公式（3）：

②根據(jù)向前-向后算法，定義一個(gè)在T時(shí)刻狀態(tài)是Si的后向變量概率是ηT(i)，代表如果T+1時(shí)刻到t時(shí)刻觀察到序列Y={Y(T+1)Y(T+2)…Yt}的概率，根據(jù)向后算法則有公式（4）：

③采用向前-向后算法完成計(jì)算后，計(jì)算P(Y|λ)見公式（5）：

④假如已知某刻T的在線視頻概率變量σT（i,j）。代表在這一時(shí)刻T對在線視頻內(nèi)容的Yi的評分是Si，在下一時(shí)刻T+1時(shí)刻對視頻Yi+1的評分是Sj的概率，其中（1≤I,j≤m, 1≤T≤t）。把式（3）～（5）帶入式（6）可得：

⑤假如已知用戶在T時(shí)刻的在線視頻概率變量是T(i,j)(1≤I,j≤m, 1≤T≤t)，代表在T時(shí)刻在線視頻Yi的評分是Si的概率。把式（3）～（5）代入式（7）可得：

⑥根據(jù)步驟④和⑤，得到Si轉(zhuǎn)移得到Sj狀態(tài)的期望值。評分值期望如式（8）所示：

由于Si轉(zhuǎn)移到Sj狀態(tài)的期望可以計(jì)算的出，那么Si轉(zhuǎn)移到其他狀態(tài)的方法也可以得到，如式（9）所示：

3.3 獲取觀察值序列

用戶在視頻網(wǎng)站上觀看視頻和評分的信息通過觀看時(shí)間戳的方式記錄，通過觀看評分記錄可以從中提取一個(gè)在線視頻評分路徑轉(zhuǎn)移序列。定義該序列為A={a1,a2,a3,…,an}。假如用戶選擇評分的在線視頻資源都是用戶喜歡的內(nèi)容，那么用戶選擇評分的某在線視頻中必然存在某些吸引用戶的信息，而吸引用戶選擇觀看并評分的信息就可以定義為該用戶的興趣點(diǎn)。通過一系列的用戶瀏覽記錄，就可以提取用戶的興趣集。這個(gè)興趣集就是隱馬爾可夫模型“隱”的內(nèi)涵。通過挖掘用戶的興趣集當(dāng)中興趣點(diǎn)并進(jìn)行加權(quán)，找出符合用戶興趣點(diǎn)權(quán)重的視頻內(nèi)容，推薦給該用戶，那么就可以獲得好的用戶體驗(yàn)。

用戶在評分轉(zhuǎn)移的過程中，每一個(gè)評分對應(yīng)一個(gè)視頻內(nèi)容。而用戶評分對應(yīng)的在線視頻內(nèi)容就是隱馬爾可夫模型的觀察值，獲得觀察序列E={e1,e2,e3,…,en}，觀察序列示意如圖2所示。

圖2 觀察值序列

3.4 關(guān)鍵字提取

在線視頻網(wǎng)站上的某個(gè)視頻內(nèi)容簡介，就是對該視頻內(nèi)容的簡單概括，如圖3所示。

圖3 豆瓣網(wǎng)站圖片

圖3中展示的是豆瓣網(wǎng)站上電影《流浪地球》的頁面截圖，從圖中可以發(fā)現(xiàn)每部電影的簡介信息結(jié)構(gòu)相同，但頁面的關(guān)鍵字不同，用戶選擇觀看電影會(huì)根據(jù)電影簡介的關(guān)鍵字進(jìn)行選擇，喜歡科幻或?yàn)?zāi)難題材電影的用戶可能會(huì)選擇觀看《流浪地球》。假設(shè)不同用戶因?yàn)樽约旱南埠貌煌x擇不同，那么用戶最終選擇觀看影片的出發(fā)點(diǎn)可能就是網(wǎng)頁中不同的關(guān)鍵字。

一部電影的簡介頁面中包含多個(gè)關(guān)鍵字，那么一部電影可以用一個(gè)關(guān)鍵字集合來表征，用戶最終所選擇觀看的某部電影，決定因素可能就是因?yàn)楸荒硞€(gè)電影中的關(guān)鍵詞吸引。為了找到用戶的興趣關(guān)鍵詞，決定采用Python定向爬取網(wǎng)站關(guān)鍵詞信息的方式實(shí)現(xiàn)，具體步驟如下：

①確定爬取的目標(biāo)信息。因電影簡介頁面的標(biāo)準(zhǔn)化程度較高，所以決定定向的爬取有用的特征詞信息，建立興趣關(guān)鍵詞集。這里需要爬取的特征詞主要包含：電影名，電影上映時(shí)間、評分、導(dǎo)演、演員、產(chǎn)地、語言、影片類型等信息。建立一個(gè)特征詞集，F(xiàn)={f1,f2,f3,…,fn}，fi（i表示自然數(shù)1…n）則表示視頻網(wǎng)站上爬取的一個(gè)特征詞，n表示特征詞的數(shù)量。

②特征詞出現(xiàn)的頻率計(jì)算：采用爬取后的信息建立起的特征詞集即為當(dāng)前影片的表征形式。由于電影的結(jié)構(gòu)化程度較高，關(guān)鍵詞的使用頻率較固定，所以用戶如果只存在觀看了一部影片記錄，那么并不能發(fā)現(xiàn)該用戶的關(guān)鍵詞興趣。所以需要用戶的一系列的瀏覽記錄集，建立一個(gè)多事務(wù)（觀看的影片）的關(guān)鍵詞集。通過觀看記錄關(guān)鍵詞的提取計(jì)算，才能發(fā)現(xiàn)用戶真正感興趣的關(guān)鍵詞。計(jì)算公式如下：

式中，Q1、Q2、Q3、Q4、Q5、Q6代表調(diào)整系數(shù)。

計(jì)算完特征詞的出現(xiàn)頻率，就可以算出每個(gè)特征詞對該用戶的權(quán)重值。計(jì)算公式如下：

通過公式（4）～（10），可以計(jì)算出每個(gè)特征詞對該用戶的興趣權(quán)重，根據(jù)該權(quán)重就可以計(jì)算出該用戶的對任何一部電影的感興趣的概率，根據(jù)概率值得大小既可以預(yù)測該用戶最可能感興趣的視頻資源。

豆瓣電影網(wǎng)的結(jié)構(gòu)化的數(shù)據(jù)可以利用Python進(jìn)行爬取。

3.5 三級推薦目標(biāo)實(shí)現(xiàn)

基于隱馬爾可夫模型的在線視頻個(gè)性化推薦的最終目標(biāo)是滿足不同類型用戶的使用需要。第一層級的個(gè)性化推薦：非注冊用戶的個(gè)性化推薦，主要解決的問題是非注冊用戶的冷啟動(dòng)問題。第二層級的個(gè)性化推薦：注冊新會(huì)員用戶的個(gè)性化推薦，解決的問題是新用戶的用戶稀疏問題。第三層級的個(gè)性化推薦：針對網(wǎng)站的資深會(huì)員用戶的在線視頻個(gè)性化推薦服務(wù)，提升用戶的使用滿意度。

3.6 模型實(shí)驗(yàn)結(jié)果

3.6.1 第一層級的個(gè)性化推薦結(jié)果（表1）

表1 第一層級的個(gè)性化推薦輸出結(jié)果

3.6.2 第二層級的個(gè)性化推薦結(jié)果（表2）

表2 第二層級的個(gè)性化推薦輸出結(jié)果

本層的數(shù)據(jù)結(jié)果本應(yīng)是6個(gè)不同年齡段的輸出結(jié)果，但由于數(shù)據(jù)集中的年齡數(shù)據(jù)是隨機(jī)生成的，而隨機(jī)生成的數(shù)據(jù)對于各年齡段的輸出結(jié)果幾乎沒有差別，所以本輸出結(jié)果只對其中一個(gè)輸出結(jié)果進(jìn)行展示。

3.6.3 第三層級的個(gè)性化推薦結(jié)果（表3）

表3 第三層級的個(gè)性化推薦輸出結(jié)果

表3是基于隱馬爾可夫模型的個(gè)性化推薦結(jié)果展示，模型輸出7 120個(gè)結(jié)果，本文只截取前5個(gè)結(jié)果作為展示。由表3可以發(fā)現(xiàn)，前5個(gè)用戶的興趣關(guān)鍵詞各不相同，所得到的推薦電影也各不相同，得到相應(yīng)預(yù)測評分的概率也相差較大。但各自獲得相應(yīng)預(yù)測評分的概率都是在各自興趣關(guān)鍵詞集中概率最高的結(jié)果。第三級個(gè)性化推薦完成。

4 結(jié)束語

基于對大型視頻網(wǎng)站用戶的觀看記錄數(shù)據(jù)的采集，建立基于隱馬爾可夫模型的個(gè)性化推薦系統(tǒng)。推薦分成三個(gè)推薦層級，分別針對不同的用戶類型，解決了不同用戶的實(shí)際需求，并提出用戶興趣時(shí)間閾值觀念，適時(shí)地滿足用戶的個(gè)性化需求，為在線視頻網(wǎng)站的發(fā)展奠定基礎(chǔ)?！?/p>