基于深度神经网络的电视节目推荐模型研究

目前,智能电视已经普及,观众在面对海量的电视节目资源时,往往无法快速找到自己喜欢的节目。基于此,提出在全连接神经网络前端插入注意力层,并使用该神经网络构建一个电视节目推荐模型。实验证明,所构建的模型具有较高的推荐准确率和效率。

一种面向多用户的电视节目推荐生成方法

针对越来越丰富的电视节目资源和多用户同时观看电视的现实,文章提出了一种面向多用户的电视节目推荐生成方法,描述并设计了实现该方法的关键技术:用户对节目喜好程度度量,用户时间优先级度量,以及多个单用户节目单的融合算法。

基于用户行为的电视节目收视网络模型设计与应用

近年来,网络科学发展迅速,越来越多的学者开始以网络的形式研究生活中的复杂系统。与此同时,有关电视节目领域的个性化推荐也进行得如火如荼,将复杂网络引入到对用户的收视行为研究中,对合理分析用户收看兴趣、高效进行节目推荐有着至关重要的意义。本文借助真实的用户收视数据,引入了用于反映用户兴趣特征的兴趣标签指标和反映不同用户之间兴趣关系的用户兴趣关联指标,在历史收视行为的基础上进行节目收视网络模型的构建与网络结构分析。

基于修正Tanimoto系数的电视节目个性化推荐方法研究

随着互联网产业的发展,电视节目的个性化推荐已经成为了许多电视节目制作者和观众们的共同需求。为达到电视节目个性化推荐的目的,本文通过结合用户共同评分项和用户所有评分项之间的关系,将基于修正Tanimoto系数的推荐算法运用于电视节目个性化推荐的研究中。实验结果表明,本文所运用的算法具有一定的提高电视节目个性化推荐系统的精度的效果。

面向电视观众的用户兴趣偏好建模方法

在电视节目的个性化推荐过程中,针对用户偏好难以显式获取的问题,本文提出了一种基于观看行为的用户兴趣偏好建模方法。该方法将用户观看电视节目过程中的点播操作和观看时长与电视节目的基本属性相结合,从时间和频率两个维度描述用户对电视节目的偏好程度,并建立用户兴趣偏好矩阵。在此基础上,针对2602个用户在7天内的116010条点播记录,采用top-N推荐算法进行实验。结果表明,该方法能够有效地描述用户兴趣偏好,提高电视节目推荐的准确率和召回率。