没有合适的资源?快使用搜索试试~ 我知道了~
基于改进的LFM算法的短视频推荐系统的研究与实现.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 101 浏览量
2023-02-23
19:59:46
上传
评论
收藏 509KB DOCX 举报
温馨提示
试读
9页
基于改进的LFM算法的短视频推荐系统的研究与实现.docx
资源推荐
资源详情
资源评论
随着移动互联网终端的普及、网络的提速以及流量资费的降低,人们能够随时通过手机观
看视频。而由于短视频具有时间短且内容丰富的特性,能够在碎片化的时间里最大限度地满足
人们观看视频的需求,因此结合了拍摄手法、音乐、故事、画面的短视频,可以更加多样地满
足用户的内容消费需求。
由于短视频受到了广泛的欢迎,随之诞生了许多短视频平台。短视频平台为了吸引用户、
优化用户体验,短视频推荐算法成为平台间竞争的重要手段。如何既保证推荐算法的精度,又
确保算法的实时性一直是研究的重点。本文研究和实现了基于改进的潜在因子模型 (latent
factor model, LFM)算法的短视频推荐系统。
对于传统的 LFM 算法,由于模型的训练时间较长,系统在一定的时间内只能训练一次,
所以在下一次进行训练时为用户推荐的视频列表不变,无法为用户提供实时的视频推荐,降低
了用户在系统的使用体验。为了解决这个问题,本系统在原 LFM 算法上进行了改进,结合了基
于物品的协同过滤算法 (item collaborative filtering, ItemCF)算法,既保证了推荐算法的精度,
又确保算法的实时性。
1. 相关算法
1.1 LFM 算法
潜在因子模型算法是矩阵分解的一种,属于协同过滤算法,它先基于矩阵分解算法建立
LFM,再依据机器学习和优化理论处理评分矩阵,从而获取用户的潜在特征并预测用户对未评
分物品的评分
[1-4]
。
假设存在 m 个用户和 n 个物品,先获取每个用户对每个物品的评分,构建出一个评分矩
阵。而 LFM 是在设置特征的维度后,寻找 2 个低维矩阵,分别将其作为用户和物品的特征矩
阵,再通过对特征矩阵相乘得到预测的评分矩阵。在为用户推荐时,根据用户对每个物品的预
测得分进行降序排序,选出前 N 个当前用户未评分的物品推荐给用户
[5]
。
由于 LFM 算法是基于矩阵分解的推荐算法,这一类的算法通常会有很高的预测精度,但
是通过 LFM 获得的预测评分矩阵需要不断逼近用户对物品的实际评分,这需要进行多次迭代来
获取更准确的结果,所以 LFM 算法需要花费较长的时间来获得一个好的预测结果,无法做到实
时推荐。
1.2 ItemCF 算法
基于物品的协同过滤算法(ItemCF)是基于邻域的算法的一种,它的核心思想就是给用户推
荐和其过去感兴趣的物品相似的物品。ItemCF 算法主要包括 2 个步骤:1) 计算所有物品之间
的相似度,一般使用余弦相似度或者皮尔逊相关系数计算相似度
[6]
;2) 根据物品的相似度和用
户的历史行为计算用户对物品的兴趣,选择用户兴趣度最高且无历史行为的 N 个物品推荐给用
户
[7]
。
资源评论
罗伯特之技术屋
- 粉丝: 3542
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功