为研究数字电视节目推荐系统不同统计算法的性能,提出利用Rankboost排序算法、Bayes统计算法和简单统计算法三种基于统计模型的算法实现数字电视用户特征的提取与节目推荐。应用实际数字电视运营平台20名用户的测试数据表明,Rankboost...为研究数字电视节目推荐系统不同统计算法的性能,提出利用Rankboost排序算法、Bayes统计算法和简单统计算法三种基于统计模型的算法实现数字电视用户特征的提取与节目推荐。应用实际数字电视运营平台20名用户的测试数据表明,Rankboost算法、Bayes统计算法、简单统计算法排序的AUC(Area Under Curve)值分别为0.732、0.6222和0.6058。分析及测试表明,Rankboost算法因考虑了多重特征在排序中的不同作用,因此在数字电视节目推荐中具有较高的推荐性能。展开更多
伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD(Video On Demand)推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推...伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD(Video On Demand)推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推荐节目的方法难以应对节目冷启动.为此,本文提出了一种融合频道推荐和节目推荐的评分预测算法OFAP(Over the First by Adding Preference).首先,利用聚类方法对每个用户实现差异性的收视时段划分,构建他们的频道-时段偏好矩阵和预推荐评分权重矩阵;其次,提出一个评分替代策略使得已有的推荐节目的算法能够应对节目冷启动,从而实现预推荐;最后,通过融合用户偏好、预推荐评分权重与预推荐结果,构建评分预测函数,将预推荐算法的评分预测结果作为评分预测函数的训练样本.实验表明,采用Precision@N和Recall@N作为评价标准,本文所提方法OFAP明显优于对比算法.展开更多
文摘为研究数字电视节目推荐系统不同统计算法的性能,提出利用Rankboost排序算法、Bayes统计算法和简单统计算法三种基于统计模型的算法实现数字电视用户特征的提取与节目推荐。应用实际数字电视运营平台20名用户的测试数据表明,Rankboost算法、Bayes统计算法、简单统计算法排序的AUC(Area Under Curve)值分别为0.732、0.6222和0.6058。分析及测试表明,Rankboost算法因考虑了多重特征在排序中的不同作用,因此在数字电视节目推荐中具有较高的推荐性能。
文摘伴随电视频道的不断增加,推荐系统在直播电视领域应用成为研究热点.然而,直播电视独特的播放和收视方式使得传统的VOD(Video On Demand)推荐系统无法直接应用,已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率,而推荐节目的方法难以应对节目冷启动.为此,本文提出了一种融合频道推荐和节目推荐的评分预测算法OFAP(Over the First by Adding Preference).首先,利用聚类方法对每个用户实现差异性的收视时段划分,构建他们的频道-时段偏好矩阵和预推荐评分权重矩阵;其次,提出一个评分替代策略使得已有的推荐节目的算法能够应对节目冷启动,从而实现预推荐;最后,通过融合用户偏好、预推荐评分权重与预推荐结果,构建评分预测函数,将预推荐算法的评分预测结果作为评分预测函数的训练样本.实验表明,采用Precision@N和Recall@N作为评价标准,本文所提方法OFAP明显优于对比算法.
