人工智能及其在广电智能推荐系统中的应用.pptx

;人工智能及其在广电推荐系统中的应用;人工智能及其在广电推荐系统中的应用;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能风起云涌，技术革命引领未来;人工智能及其在广电推荐系统中的应用;数字电视节目推荐系统主要由以下四个功能模块组成：用户特性文件模块、节目特性文件模块、合作过滤模块、推荐模块。 ;基于内容的节目特性可以从节目分类、节目制作信息(主要演员、导演、制作商、制作年代等)，节目内容信息(对节目内容的文字描述)、节目播出信息(播出频道、播出时间、节目时间)等几个方面来描述。 节目特征可来自各个途径的文本表述，也可来自对节目的语音识别及图像识别而形成的文本表述，这方面是目前需要研究和加强的领域。 ;名称;节目特征的发展 节目特征模型的准确性对推荐效果的影响显著，目前较成功的商业推荐引擎会采用更专业的描述信息来构建节目特征，常用的描述信息包括： 节目标签：用户对节目评价的“关键词”，一般不成体系； 微类型：由专业人员对节目类型进行细化，netflix目前有一支专业的影评团队给节目标注微类型。 娱乐基因：从更多维度描述节目，如故事背景、特效、奖项、剧情结构、价值观、亚文化等，一般成体系。采用用人工标注的方式成本高昂，业内前沿的技术是用语义分析技术，从影评信息中提取基因，如Jinni目前已支持该项技术。;节目特征的定量计算 由于节目特征是通过一系列文本数据构成，在推荐算法中为比较不同节目之间特征的相似性，需要进行定量计算。目前常用的计算方法包括： DICE系数、编辑距离等。;初始用户特征的获取 用户特征文件的自动更新 显性反馈 隐性反馈（聚类、 贝叶斯、NN算法等） 显性用户特征：基于分类人群收视率社会调查及用户主动方式的特征提取，能够解决用户初始特征的缺失问题，即系统冷启动和突发兴趣问题；隐性用户特征：来自于用户长期的行为特征数据的提取，反映的是用户稳定的喜好特征。 ; 用户特征的定义 用户特征（画像）用于刻画用户收看节目的口味，其最常用的模型是：用户对节目进行评分的列表构成的向量。 ; 用户特征的变种;直接评分 通过节目评分功能直接采集，较知名的评分系统如IMDB，豆瓣电影等；显性评分能够直接了当的反映用户对节目的偏爱程度。评分方法包括：正负值（踩/顶）、5分制、10分制等。 鉴于用户惰性，在没有激励的情况下，用户并不愿意主动进行评分，这会造成用户特征矩阵非常稀疏，导致推荐算法的结果不准确。 ;广电大数据节目推荐系统算法研究及应用-用户特征提取; 家庭用户的特征提取 在家庭中，多个家庭成员共用机顶盒的情况很普遍，家庭用户的特征建模也是目前业界研究的重点。 目前常用的模型包括： 基于用户组（Group-based)的特征模型：将用户的偏好融合为整个组的偏好，这种模型适用于推荐适于所有成员一起收看的节目； 家庭内部特征模型：将家庭用户的特征按照不同的口味划分为多个特征，每个特征代表了一类需求，这种特征模型有适用于有成员主导电视的情况，例如有孩子的家庭，每天的17点至19点可能由孩子主导电视收看动漫类节目。家庭内部口味的划分方法可以通过人工分类、聚类、双聚类的多种方法实现。 案例：Jinni提供了针对多个口味特征分别推荐的算法，youtube、GroupLens等能够提供针对家庭或多个好友共同收看节目的推荐算法。;;; 家庭用户的特征提取 在家庭中，多个家庭成员共用机顶盒的情况很普遍，家庭用户的特征建模也是目前业界研究的重点。 目前常用的模型包括： 基于用户组（Group-based)的特征模型：将用户的偏好融合为整个组的偏好，这种模型适用于推荐适于所有成员一起收看的节目； 家庭内部特征模型：将家庭用户的特征按照不同的口味划分为多个特征，每个特征代表了一类需求，这种特征模型有适用于有成员主导电视的情况，例如有孩子的家庭，每天的17点至19点可能由孩子主导电视收看动漫类节目。家庭内部口味的划分方法可以通过人工分类、聚类、双聚类的多种方法实现。 案例：Jinni提供了针对多个口味特征分别推荐的算法，youtube、GroupLens等能够提供针对家庭或多个好友共同收看节目的推荐算法。; 家庭用户的特征提取 在家庭中，多个家庭成员共用机顶盒的情况很普遍，家庭用户的特征建模也是目前业界研究的重点。 目前常用的模型包括： 基于用户组（Group