基于聚类层次模型的视频推荐算法

doi:10.11772/j.issn.1001-9081.2017.10.2828

计算机应用 ›› 2017, Vol. 37 ›› Issue (10): 2828-2833.DOI: 10.11772/j.issn.1001-9081.2017.10.2828

基于聚类层次模型的视频推荐算法

金亮¹, 于炯^1,2, 杨兴耀¹, 鲁亮², 王跃飞², 国冰磊², 廖彬³

1. 新疆大学软件学院, 乌鲁木齐 830008;
2. 新疆大学信息科学与工程学院, 乌鲁木齐 830046;
3. 新疆财经大学统计与信息学院, 乌鲁木齐 830012

收稿日期:2017-04-05 修回日期:2017-06-07 出版日期:2017-10-10 发布日期:2017-10-16
通讯作者: 于炯(1964-),男,新疆乌鲁木齐人,教授,博士生导师,博士,CCF会员,主要研究方向:网络安全、网格与分布式计算,E-mail:yujiong@xju.edu.cn
作者简介:金亮(1992-),男,安徽滁州人,硕士研究生,CCF会员,主要研究方向:推荐系统;于炯(1964-),男,新疆乌鲁木齐人,教授,博士生导师,博士,CCF会员,主要研究方向:网络安全、网格与分布式计算;杨兴耀(1984-),男,湖北襄阳人,博士,CCF会员,主要研究方向:推荐系统;鲁亮(1990-),男,新疆乌鲁木齐人,博士研究生,CCF会员,主要研究方向:云计算、分布式计算;王跃飞(1991-),男,新疆乌鲁木齐人,博士研究生,主要研究方向:分布式计算、云计算;国冰磊(1992-),女,湖北襄阳人,博士研究生,CCF会员,主要研究方向:绿色计算、云计算;廖彬(1986-),男,新疆乌鲁木齐人,副教授,博士,CCF会员,主要研究方向:大数据、绿色计算.
基金资助:
国家自然科学基金资助项目（61262088，61462079，61562086，61363083，61562078）。

Video recommendation algorithm based on clustering and hierarchical model

JIN Liang¹, YU Jiong^1,2, YANG Xingyao¹, LU Liang², WANG Yuefei², GUO Binglei², Liao Bin³

1. School of Software, Xinjiang University, Urumqi Xinjiang 830008, China;
2. School of Information Science and Engineering, Xinjiang University, Urumqi Xinjiang 830046, China;
3. School of Statistics and Informatiion, Xinjiang University of Finance and Economics, Urumqi Xinjiang 830012, China

Received:2017-04-05 Revised:2017-06-07 Online:2017-10-10 Published:2017-10-16
Supported by:
This work is partially supported by the National Natural Science Foundation of China (61262088, 61462079, 61562086, 61363083, 61562078).

摘要/Abstract

摘要： 目前推荐系统存在评论数据稀疏、冷启动和用户体验度低等问题，为了提高推荐系统的性能和进一步改善用户体验，提出基于聚类层次模型的视频推荐算法。首先，从相关用户方面着手，通过近邻传播（AP）聚类分析得到相似用户，从而收集相似用户中的历史网络视频数据，进而形成视频推荐集合；其次，利用用户行为的历史数据计算出用户对视频的喜好值，再把视频的喜好值转换成视频的标签权重；最后，通过层次分析模型算出视频推荐集合中用户喜好视频的排序，产生推荐列表。基于MovieLens Latest Dataset和YouTube视频评论文本数据集，实验结果表明所提算法在均方根误差和决策精度方面均表现出良好的性能。

关键词: 视频推荐, 稀疏性, 冷启动, 层次模型, 聚类分析

Abstract: Concerning the problem of data sparseness, cold start and low user experience of recommendation system, a video recommendation algorithm based on clustering and hierarchical model was proposed to improve the performance of recommendation system and user experience. Focusing on the user, similar users were obtained by analyzing Affiliation Propagation (AP) cluster, then historical data of online video of similar users was collected and a recommendation set of videos was geberated. Secondly, the user preference degree of a video was calculated and mapped into the tag weight of the video. Finally, a recommendation list of videos was generated by using analytic hierarchy model to calculate the ranking of user preference with videos. The experimental results on MovieLens Latest Dataset and YouTube video review text dataset show that the proposed algorithm has good performance in terms of Root-Mean-Square Error (RMSE) and the recommendation accuracy.

Key words: video recommendation, sparseness, cold start, hierarchical model, clustering analysis

中图分类号:

TP181

金亮, 于炯, 杨兴耀, 鲁亮, 王跃飞, 国冰磊, 廖彬. 基于聚类层次模型的视频推荐算法[J]. 计算机应用, 2017, 37(10): 2828-2833.

JIN Liang, YU Jiong, YANG Xingyao, LU Liang, WANG Yuefei, GUO Binglei, Liao Bin. Video recommendation algorithm based on clustering and hierarchical model[J]. Journal of Computer Applications, 2017, 37(10): 2828-2833.

参考文献

[1] ARORA G, KUMAR A, DEVRE GS, et al. Movie recommendation system based on users' similarity[J]. International Journal of Computer Science and Mobile Computing, 2014, 3(4): 765-770.
[2] DESHPANDE M, KARYPIS G. Item-based top-N recommendation algorithms[J]. ACM Transactions on Information Systems, 2014, 22(1): 143-177.
[3] CAI Y, LEUNG H F, LI Q, et al. Typicality-based collaborative filtering recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(3): 766-779.
[4] KAGITA V R, PUJARI A K, PADMANABHAN V. Virtual user approach for group recommendation systems using precedence relations[J]. Information Sciences, 2015, 294(294): 15-30.
[5] KARATZOGLOU A, BALTRUNAS L, SHI Y. Learning to rank for recommender systems[C]//RecSys 2013: Proceedings of the 7th ACM Conference on Recommender Systems. New York: ACM, 2013: 493-494.
[6] FREY B J, DUECK D. Clustering by passing messages between data points[J]. Science, 2007, 315(5814): 972-976.
[7] PAGE L, BRIN S, MOTWANI R, et al. The PageRank citation ranking: bringing order to the Web [EB/OL]. [2017-01-10]. http://ilpubs.stanford.edu: 8090/422/1/1999-66.pdf.
[8] 杨兴耀, 于炯, 吐尔根·依布拉音, 等. 融合奇异性和扩散过程的协同过滤模型[J]. 软件学报, 2013, 24(8): 1868-1884. (YANG X Y, YU J, IBRAHIM T, et al. Collaborative filtering model fusing singularity and diffusion process[J]. Journal of Software, 2013, 24(8): 1868-1884.)
[9] 尹路通, 于炯, 鲁亮, 等. 融合评论分析和隐语义模型的视频推荐算法[J]. 计算机应用, 2015, 35(11): 3247-3251. (YIN L T, YU J, LU L, et al. Video recommendation algorithm fusing comment analysis and latent factor model[J]. Journal of Computer Applications, 2015, 35(11): 3247-3251.)
[10] 孙光福, 吴乐, 刘淇, 等. 基于时序行为的协同过滤推荐算法[J]. 软件学报, 2013, 24(11): 2721-2733. (SUN G F, WU L, LIU Q, et al. Recommendations based on collaborative filtering by exploiting sequential behaviors[J]. Journal of Software, 2013, 24(11): 2721-2733.)
[11] 张付志, 孙双侠, 伊伟华. 基于非线性特征和Cauchy加权M-估计量的鲁棒推荐算法[J]. 计算机学报, 2015, 40(6): 1453-1469. (ZHANG F Z, SUN S X, YI W H. Robust recommendation algorithm based on nonlinear characteristics and Cauchy weighted M-estimator[J]. Chinese Journal of Computers, 2015, 40(6): 1453-1469.)
[12] 张燕平, 张顺, 钱付兰, 等. 基于用户声誉的鲁棒协同推荐算法[J]. 自动化学报, 2015, 41(5): 1004-1012. (ZHANG Y P, ZHANG S, QIAN F L, et al. Robust collaborative recommendation algorithm based on user's reputation[J]. Acta Automatica Sinica, 2015, 41(5): 1004-1012.)
[13] 胡勋, 孟祥武, 张玉洁, 等. 一种融合项目特征和移动用户信任关系的推荐算法[J]. 软件学报, 2014, 25(8): 1817-1830. (HU X, MENG X W, ZHANG Y J, et al. Recommendation algorithm combing item features and trust relationship of mobile users[J]. Journal of Software, 2014, 25(8): 1817-1830.)
[14] 郭磊, 马军, 陈竹敏, 等. 一种结合推荐对象关联关系的社会化推荐算法[J]. 计算机学报, 2014, 37(1): 219-228. (GUO L, MA J, CHEN Z M, et al. Incorporation item relations for social recommendation[J]. Chinese Journal of Computers, 2014, 37(1): 219-228.)
[15] 陈克寒, 韩盼盼, 吴健. 基于用户聚类的异构社交网络推荐算法[J]. 计算机学报, 2013, 36(2): 349-359. (CHEN K H, HAN P P, WU J. User clustering based social network recommendation[J]. Chinese Journal of Computers, 2013, 36(2): 349-359.)
[16] XIE B, TANG X, TANG F. Hybrid recommendation base on learning to rank[C]//Proceedings of the 2015 9th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing. Piscataway, NJ: IEEE, 2015, 53-57.
[17] SAATY T L. The Analytic Hierarchy Process[M]. New York: McGraw-Hill, 1980: 22-71.
[18] ABDERRAHMEN M, MARTIN M, CHRISTOPHE D, et al. PeopleRank: social opportunistic forwarding[C]//Proceedings of IEEE INFOCOM 2010. Piscataway, NJ: IEEE, 2010: 1-5.
[19] O'CALLAGHAN D, HARRIGAN M, CARTHY J, et al. Network analysis of recurring YouTube spam campaigns[C]//Proceedings of the 2012 International Conference on Weblogs and Social Media. Dublin: ICWSM, 2012: 531-534.
[20] 黄创光, 印鉴, 汪静, 等. 不确定近邻的协同过滤推荐算法[J]. 计算机学报, 2010, 33(8): 1369-1377. (HUANG C G, YIN J, WANG J, et al. Uncertain neighbors' collaborative filtering recommendation algorithm[J]. Chinese Journal of Computers, 2010, 33(8): 1369-1377.)

基于聚类层次模型的视频推荐算法

Video recommendation algorithm based on clustering and hierarchical model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	戴嫣然, 戴国庆, 袁玉波. 基于肤色学习的多人脸前景抽取方法[J]. 计算机应用, 2021, 41(6): 1659-1666.
[2]	郭佳, 韩李涛, 孙宪龙, 周丽娟. 自动确定聚类中心的比较密度峰值聚类算法[J]. 计算机应用, 2021, 41(3): 738-744.
[3]	陈港, 孟相如, 康巧燕, 阳勇. 基于拓扑分割与聚类分析的虚拟软件定义网络映射算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3309-3318.
[4]	朱思淼, 魏世伟, 魏思恒, 余敦辉. 基于弹幕情感分析和主题模型的视频推荐算法[J]. 计算机应用, 2021, 41(10): 2813-2819.
[5]	任帅, 徐振超, 王震, 贺媛, 张弢, 苏东旭, 慕德俊. 基于多融合态的低密度三维模型信息隐藏算法[J]. 计算机应用, 2019, 39(4): 1100-1105.
[6]	余江兰, 李向利, 赵朋飞. 基于核技巧和超图正则的稀疏非负矩阵分解[J]. 计算机应用, 2019, 39(3): 742-749.
[7]	孙石磊, 王超, 赵元棣. 基于轮廓系数的参数无关空中交通轨迹聚类方法[J]. 计算机应用, 2019, 39(11): 3293-3297.
[8]	李登刚, 陈香香, 李华丽, 王忠美. 基于超像素的流形正则化稀疏约束NMF混合像元分解算法[J]. 计算机应用, 2019, 39(10): 3100-3106.
[9]	陆明炽, 王守华, 李云柯, 纪元法, 孙希延, 邓桂辉. 基于特征匹配和距离加权的蓝牙定位算法[J]. 计算机应用, 2018, 38(8): 2359-2364.
[10]	任帅, 张弢, 徐振超, 王震, 贺媛, 柳雨农. 特征点标注与聚类的三维模型信息隐藏算法[J]. 计算机应用, 2018, 38(4): 1017-1022.
[11]	袁正午, 陈然. 基于多层次混合相似度的协同过滤推荐算法[J]. 计算机应用, 2018, 38(3): 633-638.
[12]	李晔, 陈奕延, 张淑芬. 基于密度峰值的混合型数据聚类算法设计[J]. 计算机应用, 2018, 38(2): 483-490.
[13]	郭喻栋, 郭志刚, 陈刚, 魏晗. 基于数据降维与精确欧氏局部敏感哈希的k近邻推荐方法[J]. 计算机应用, 2017, 37(9): 2665-2670.
[14]	徐晓伟, 杜一, 周园春. 基于多源出行数据的居民行为模式分析方法[J]. 计算机应用, 2017, 37(8): 2362-2367.
[15]	姚彬修, 倪建成, 于苹苹, 李淋淋, 曹博. 基于多源信息相似度的微博用户推荐算法[J]. 计算机应用, 2017, 37(5): 1382-1386.