基于机器学习的视频推荐模型及应用研究.pdfVIP

摘要 摘 要 互联网信息技术的发展、应用普及改变了人类社会的交流模式，不断涌现的信 息为人们提供了更多的选择，极大的方便了人们的生活。但是，过量的数据信息也 会使人们陷入到浩瀚的数据陷阱而无法找到真实的目标需求。在这种背景下，个性 化推荐模型应时而生——帮助人们筛除多余无用的选择，高效准确满足用户需求的 功能属性使其很快成为了当前的研究热点。 本文在综述了协同过滤推荐、混合推荐等经典推荐模型算法相关文献与理论基 础上，梳理了视频推荐模型的发展历程，分析了模型应用的优缺点，发现数据稀疏、 可扩展性差、过于依赖评分矩阵等因素是长期影响视频推荐效果的关键问题。为此， 本文构建了基于XGBoost-SVD 的视频推荐模型，并进行了案例应用实验效果分析。 主要研究内容、结论与创新工作如下： （1）针对用户-项目评分矩阵的数据稀疏性、计算可扩展性问题，利用奇异值 分解技术(Singular ValueDecomposition，SVD)，最大程度实现了评分矩阵有效信息 的提取，获得相对应的用户特征矩阵和视频特征矩阵，进而利用SVD得到用户对视 频的评分预测。 （2）为提高评分预测的准确性