以用户兴趣为指导的个性化广播电视智能推荐系统_贺晓琳.pdf

2022年第46卷第10期132器 件 与 应 用arts and ApplicationsP文献引用格式：贺晓琳.以用户兴趣为指导的个性化广播电视智能推荐系统 J.电声技术，2022，46（10）：132-134，138.HE X L.Personalized radio and television intelligent recommendation system guided by user interests J.Audio Engineering，2022，46（10）：132-134，138.中图分类号：TN948.1 文献标识码：A DOI：10.16311/j.audioe.2022.10.037以用户兴趣为指导的个性化广播电视智能推荐系统贺晓琳（河南工业和信息化职业学院，河南 焦作 454000）摘要：广播电视正朝着多样化和个性化的方向发展，使得用户很难在大量的广播电视节目中快速找到自己感兴趣的节目。因此，构建以用户兴趣为指导的个性化广播电视智能推荐系统成为必然。然而，用户的兴趣会随时间出现一定程度的变化，这就导致系统最终推荐的效果不尽如人意。因此，将兴趣随时间变化的趋势作为重要权重引入到协同过滤算法用户相似计算中，构建新型的广播电视推荐系统，最终通过实验验证，所提出的个性化广播电视智能推荐系统能够有效提升推荐结果的准确性。关键词：个性化；协同过滤；电视广播；智能推荐Personalized Radio and Television Intelligent Recommendation System Guided by User InterestsHE Xiaolin(Henan College of Industry&Information Technology,Jiaozuo 454000,China)Abstract:Radio and television are developing in the direction of diversification and personalization,which makes it difficult for users to quickly find the programs they are interested in among a large number of radio and television programs,so it is inevitable to build a personalized radio and television intelligent recommendation system guided by users interests.However,users interests will change to a certain extent over time,which leads to unsatisfactory results of the final recommendation system.Therefore,this paper introduces the trend of interest change over time as an important weight into the collaborative filtering algorithm user similarity calculation to build a new type of broadcast TV recommendation system,and finally verifies through experiments that the personalized broadcast TV intelligent recommendation system proposed in this paper can effectively improve the accuracy of recommendation results.Keywords:personalization;collaborative filtering;television broadcast;smart recommendations0 引 言随着广播电视技术的快速发展，尤其是移动终端的快速普及，广播电视已经由传统的被动接收模式转向主动提供模式。尤其是随着用户兴趣个性化的发展趋势愈发强烈，使得广播电视的提供者能够向不同的使用者精确提供其所感兴趣的信息。因此，针对智能推荐系统的研究，成为当前广播电视技术发展的热点 1。推荐系统发展之初，主要面向移动互联网电子商务平台。该技术主要是通过对其注册用户的购买记录或者搜索历史进行信息挖掘，进而更有针对性地向用户个性化推荐其所可能感兴趣的商品信息2。在众多推荐推荐算法中，协同过滤算法无需对某一目标对象内容产生过度依赖，而是将重点放在同类用户喜好表达之上，因此协同过滤算法被广泛用于各种推荐系统中。传统的广播电视智能推荐系统也往往采用该算法作为核心的推荐技术 3，然而由于传统的广播电视智能推荐系统往往没有考虑到用户的兴趣会随着时间而发生动态变化，使得最终的推荐结果与接收者的兴趣发展难以匹配，进而严重影响推荐系统的使用体验。因此，本文通过将用户兴趣随时间变化趋势作为重要权重引入到用户相似计算中，构建以用户兴趣为指导的新型个性化广播电视智能推荐系统，以SVDFeature 推荐系统框架为基础对改进后的系统进行实现与验证。实验结果表明，改进后的广播电视智能推荐系统能够有效提升推荐结果的准确性。2022年第46卷第10期133Parts and ApplicationS器 件 与 应 用1 传统广播电视智能推荐系统1.1 传统广播电视智能推荐流程传统广播电视的智能推荐流程如图 1 所示。首先，系统通过终端记录用户的行为操作如点击事件、观看时长以及节目类型等，进而构建用户兴趣行为的初始数据库。其次，通过对用户数据进行拆解形成用户兴趣属性数据库，在完成用户基础数据的采集储存基础上，对用户的特征行为进行分类抽取4，结合用户行为数据数据库形成用户行为特征向量，构建初始的用户兴趣评分矩阵，通过对评分矩阵进行运算，获取用户兴趣的初始化特征推荐结果，最后初始化的推荐结果从基于兴趣模型的过滤获得最终的推荐结果 5。1.2 传统广播电视智能推荐系统存在的问题从传统的广播电视智能推荐流程可以看出，系统通过终端收集用户当前行为数据和兴趣特征属性数据，进而对该数据进行整体的提取，获取其他关联兴趣特征属性集，最终通过基于用户兴趣的过滤算法对用户所可能感兴趣的相似特征类目进行过滤，获取产生最终的推荐结果。然而，由于用户的兴趣往往是随着时间而不断变换的，因此，仅仅对当前用户的兴趣行为特征属性进行提取与过滤，显然很难满足用户的实际需求。因此，针对动态的兴趣变化准确进行数据推荐，成为本文研究的重点。2 基于动态兴趣的改进型协同过滤算法传统的广播电视智能推荐系统往往只关注用户当前的兴趣行为，如果忽略用户兴趣随时间的变化，那么系统推荐的结果将会出现一定程度的偏差。因此，本文将用户的兴趣随时间变化的特征作为重要的计算权重引入到用户相似度计算过程中，进而实现对用户动态兴趣的准确推荐。2.1 评分矩阵的构建在进行动态兴趣数据过滤推荐之前，为了确保用户兴趣评分的准确性，首先要通过终端收集相关用户兴趣的历史数据假设。由于采集的数据众多，因此将采集的用户数据分为用户集合 U 和兴趣项目集合 P，其中用户集合 U 为 u1,u2,um，用户兴趣集合 P 为 p1,p2,pn，进而构建用户兴趣评分矩阵 Rmn如式（1）所示。1112121nnmnmmnrrrrRrr=（1）式中：rmn为用户 m 对目标兴趣 n 的评分。2.2 用户动态兴趣相似度计算传统的广播电视智能推荐系统针对采集的用户感兴趣的历史数据进行无差别对待。由于对历史兴趣的数据采用同一权重进行评分计算，使得推荐的数据中存在很多用户过去比较感兴趣的信息，进而引发推荐结果的失真。因此，在计算用户兴趣相似度过程中，首先要考虑用户的实际兴趣随时间可能发生变化的因素，即用户兴趣数据中与当前兴趣数据不常关联的历史数据都会随时间的增长，兴趣比重逐渐降低，因此可以认为用户兴趣的评分与关联性特征数据行为提取特征提取特征行为用户行为数据库特性属性数据库初始推荐结果用户评分矩阵过滤排名最终结果集图 1 传统广播电视智能推荐流程2022年第46卷第10期134器 件 与 应 用arts and ApplicationsP时间长短成反比，即在计算用户兴趣相似度的时候，距离当前时间越近的兴趣评分比重越大，反之比重越小。因此，根据式（2）计算基于时间的动态兴趣相似性权重。()()00ee1upuuputtupttW=+（2）式中：Wup为基于时间的动态兴趣相似性权重，tup为用户 u 对目标兴趣 p 的评分时间段，而 tu0为用户 u 对兴趣目标 p 初始评分的时间段。通过式（2）可以对不同时间段的用户目标兴趣权重赋予不同的值，进而通过该动态兴趣权重利用式（3）计算用户不同兴趣相似度的可靠值，为之后的动态兴趣评分聚类操作提供准确的数据。()()()()()22upuvpvupupuvpvrrrrWsim uvrrrr=（3）式中：rup为用户 u 对目标兴趣 p 的评分，rvp为用户 v 对目标兴趣 p 的评分，ru为用户 u 对目标兴趣p 平均评分，rv为用户 v 对目标兴趣 p 的平均评分。3 改进的电视广播智能推荐系统的实现与测试3.1 系统架构概述在构建系统架构过程中，采用第三方开源的推荐系统工具框架 SVDFeature 进行推荐系统的框架搭建。构建初始模型之后，通过活跃函数与损失函数分别初始化相关的兴趣评分值，进而获取最终的基于用户动态兴趣的模型，最后通过给定输入的稀疏特征值，将其作为系统指定的预测兴趣目标，最后以稀疏的特征格式来求出用户的动态兴趣评分值，最后对动态兴趣值进行排序，将指定的动态兴趣信息结果推荐给相关用户。3.2 系统环境搭建搭建基于兴趣的广播电视智能推荐系统，使用的硬件环境为：Intel Core i7-8750H 作为处理器，采用 RAM 为 32 GB 大小，同时使用显卡配置为NVIDIA GeForce GTX 1060 的 5 台计算机作为初始的硬件环境，系统采用 Ubuntu 14.04 作为软件系统平台，编译环境使用的是 g+4.6 及以上的编译要求，通过模拟用户兴趣的动态变化，进行动态兴趣信息的推荐测试。3.3 仿真方式与结果分析本文提出的以兴趣为指导的个性化广播电视智能推荐系统主要的改进方向为将用户兴趣随时间变化作为目标用户兴趣评分的重要权重，通过对用户初始化的评分矩阵添加兴趣时间向量，进而修正传统广播电视在推荐兴趣时效性上的缺陷，因而本文的测试主要从兴趣推荐的效率和动态兴趣的时效准确性两方面进行仿真。3.3.1 兴趣推荐的效率由于本文提出的以用户兴趣为指导的个性化广播电视智能推荐系统在实际使用过程中主要是通过和用户进行交互进而采集用户的行为习惯特征，通过对这些行为习惯数据进行建模和评分，最终将结果以可视化交互的信息方式展现给用户，因此系统的推荐效率严重影响用户的使用体验。故而，本文通过构建不同数量的兴趣初始类目对改进前后的目标兴趣信息推荐效率进行仿真验证。为了避免单次实验可能造成的结果偏差，本文的仿真实验采用多次模拟求平均值的方式进行结果统计，实验结果如图 2 所示。从实验结果可以看出，由于在计算用户评分的过程中加入了时间兴趣权重，故而其推荐效率围绕着改进前的效率上下微小波动，几乎可以忽略不计，即改进后的基于动态兴趣的推荐方式在效率上没有损失。01234567810203040推荐时间/s兴趣节目数量/个改进前改进后图 2 兴趣推荐的效率3.3.2 兴趣推荐的精确率本文提出的以兴趣为指导的个性化广播电视智能推荐系统，其主要用途是通过收集用户兴趣行为特征，通过建模评分将用户可