电影推荐系统发展现状-最终整理.docx

电影推荐系统现状报告 报告日期：2014-5-22 I．电影推荐系统的产生背景 1.1 推荐系统产生的必要性及存在的问题 由于Internet具有信息传输的开放性信息交流的双向性，以及信息覆盖的广泛性等特点，网络中的信息量以指数规律迅速扩展和增加，网络上的信息过载和信息迷航问题日益严重 解决这些问题的关键在于将Internet 从被动接受浏览者的请求转化为主动感知浏览者的信息需求，实现网络系统对浏览者的主动信息服务 为了给人们提供满意的信息和服务，推荐技术应运而生，成为目前众多学者和网络用户关心的核心技术 推荐系统通过预测用户对信息资源的喜好程度来进行信息过滤，根据用户具体需求通过协同过滤等技术进行个性化推荐 根据这一基本原理，推荐系统产生了各种不同算法 在众多推荐算法中，协同过滤推荐是迄今为止最为成功也是应用最广泛的个性化推荐技术 协同过滤的概念被广泛应用于各个领域，如电子商务社交网络图书推荐电影推荐等国外比较著名的推荐系统有A，Grouplens和Ｒingo等; 国内的推荐系统近几年也处于一个高 速发展的时期，如淘宝京东商城等。 个性化推荐技术发展的同时，也避免不了本身固有的问题，如数据稀疏和冷启动问题，以及推荐精确性问题。数据稀疏问题是指系统中一般用户购买的物品总量或评分的物品总量占网站物品量的1%左右，造成评价矩阵( 用户物品矩阵) 非常稀疏，从而难以找到最近相邻用户集，使相似度计算耗费增加。冷启动问题从一定角度可以看成是稀疏问题的极端情况，指新物品首次出现后未得到任何用户评价或者新用户进入系统后未对任何物品进行评价从而造成难以推荐和推荐精确度差的问题。因此在保证精确性的前提下，降低数据稀疏和冷启动问题的影响成为当前个性化推荐的热门方向。 1.2 电影推荐系统的产生及存在的问题 在视频网站发展伊始，视频推荐就应运而生。视频推荐根据当前热门视频及用户的个性化数据，为用户提供个性化的视频推荐，从而增加用户黏度，提高网站流量，是各大视频网站极为重视的功能之一。对于在线电影提供商，在线影片推荐系统的推荐效率会直接影响公司的经济效益，同时对公司的发展产生重要的影响。 2006年的Netflix大赛是视频推荐领域的标志性事件，该比赛悬赏100万美元，希望研究人员能够将Netflix的推荐算法的预测准确度提高到10%，比赛举办三年后，由ATT的研究人员将大奖捧走。这场比赛吸引了众多队伍参加，并将协同过滤（collaborative filtering），关联规则（association rules），奇异值分解（SVD）等众多推荐方法应用于视频推荐领域，获得非常好的推荐效果。这一事件反映出视频网站对推荐系统的重视程度，同时YouTube等公司也在视频推荐领域进行专门研究，可见推荐系统在视频网站中的重要地位。 传统的推荐方法主要是向用户推荐与用户所购买商品内容相同或相关的商品，这种方法也起到了很好地推荐作用，比如你刚看完郎咸平的某个讲座，下面就会向你推荐一系列郎咸平相关的影视，这在百度、Google里观看完视频后经常见到，后来通过研究发现这种方法并不是很好，开始有人提出了相似用户的概念，就是根据影片的用户评分的相似性来进行推荐，但这种方法存在很大缺陷，比如可能存在下面这样的情况，比如两个用户虽然对某部影片的评价相同，但可能由于他们的评分标准不太一样，结果造成他们评分差距很大，而其实这两个用户是有相同兴趣的；另外对于某些影片可能不能把用户评分的相似性作为首要的因素来进行推荐，对于研究电影艺术的某些专家，可能他更愿意接受一些与他本身具有同样专业水准的人来进行推荐才会达到更好的效果；还有一个比较重要的因素就是用户的可信度，现在网上有很多不信任的事情发生，比如虚假的评分和评论等。因为现在有很多的在线电影租赁商可能会为了提高自己的某部影片的收视率，会雇佣某些人专门提高某部影片的评分，这就是当前的推荐算法所不能解决的问题。 近几年来，标签在各大推荐网站被广泛使用，使其成为一种有效的推荐工具 标签是附加到数字对象上用来描述该对象的关键词，但并非正式分类系统的一部分。它是被自由选择的关键词，却是一种用来组织有哪些信誉好的足球投注网站和探索对象资源的简单而强大的工具它有很多优点: 首先，它更直接地反映出用户对一部电影的感受区别于用户评论，标签没有严格的组织结构，却包含丰富而明确的主题信息，从而避免了用户评论的繁琐; 同样，区别于电影类型信息，标签能够更灵活地存储用户感受; 另外，标签行为形成了一个基于用户对象标签的三维关系，除传统的user-item关系，增加了item-tag以及user-tag的对应关系 由于这些优势，标签越来越受欢迎，并被广泛应用于个性化推荐。 II．国外电影推