張婉婷

摘要：針對(duì)目前視頻推薦系統(tǒng)功能少、推薦數(shù)據(jù)不全面，以及采集用戶數(shù)據(jù)不全推薦能力弱，用戶體驗(yàn)差等問題，提出了一種基于聚類算法的視頻推薦系統(tǒng)算法。通過自主開發(fā)的聚類算法中的AP-聚類分層分析所獲取到的不同的用戶信息，以及不同的用戶的視頻的關(guān)注度信息，形成不同的用戶視頻信息聚類庫(kù)，結(jié)合用戶視頻信息庫(kù)中的歷史數(shù)據(jù)，進(jìn)行標(biāo)簽設(shè)置，自主進(jìn)行計(jì)算權(quán)重，利用開發(fā)的聚類層進(jìn)行用戶對(duì)視頻信息的喜好進(jìn)行排序，生成喜好序列表，最后通過聚類分層模型計(jì)算出不同用戶在聚類信息庫(kù)中的喜好視頻信息，進(jìn)行標(biāo)簽和推薦。該算法成功的對(duì)不同用戶的視頻信息進(jìn)行了標(biāo)簽和推薦，且推薦針對(duì)性較強(qiáng)，命中率較高，具有一定的學(xué)術(shù)研究?jī)r(jià)值和實(shí)際推廣意義。

Abstract： At present， video recommendation system has few functions， incomplete recommendation data， incomplete recommendation ability of collecting user data and poor user experience， etc.， a video recommendation system algorithm based on clustering algorithm is proposed. Through independent development of clustering algorithm to AP - hierarchical clustering analysis of the access to different users of information， and the popularity of video information of different users， it forms different user video information clustering library， based on historical data in the user's video database， tag set， it calculates the weight independently， and it uses development of clustering layer user preferences to sort of video information， generate preference sequence table， finally through hierarchical clustering model calculates the different users in clustering the be fond of video information in the database， labels and recommendations.This algorithm successfully labels and recommends the video information of different users， and the recommendation is highly targeted with high hit rate， which has certain academic research value and practical promotion significance.

關(guān)鍵詞：聚類算法;視頻推薦;用戶;數(shù)據(jù)庫(kù)

Key words： clustering algorithm;video recommended;users;the database

中圖分類號(hào)：TP181? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2020）02-0250-03

0? 引言

近年來 “信息過載”指的是由于數(shù)據(jù)量過多導(dǎo)致的無從下手。因此，如何從大量數(shù)據(jù)中提取出有實(shí)效的數(shù)據(jù)成為要解決的首要問題[1]。在“個(gè)性化需求”日益增強(qiáng)的今天，聚類算法成為“個(gè)性化”推薦可使用的算法之一，在各大搜索引擎、社交軟件和購(gòu)物平臺(tái)上發(fā)揮著重要的作用，成為企業(yè)高收益的保證，同時(shí)減緩了網(wǎng)絡(luò)公司的壓力。其中以分類為基礎(chǔ)的聚類算法包括了以K值為均值的聚類算法，而其中又包括了基于K值的中心聚類算法。利用基于K值聚類算法進(jìn)行數(shù)據(jù)分析的時(shí)候，首先要考慮的是基于K值的中心聚類算法間距值，間距值的大小不一會(huì)直接影響數(shù)據(jù)分析結(jié)果的不一，其中最為關(guān)鍵的就是數(shù)據(jù)簇的分類和劃分[2-4]。大數(shù)據(jù)領(lǐng)域中核心技術(shù)就是基于數(shù)據(jù)的挖掘和分析，在基于數(shù)據(jù)的挖掘中最常用的就是聚類算法的使用，基于聚類算法的數(shù)據(jù)分析處理技術(shù)不僅可以完成對(duì)數(shù)據(jù)的分類，而且可以完成對(duì)數(shù)據(jù)特征和數(shù)據(jù)力的分類和分析。

對(duì)于數(shù)據(jù)聚類分析，通常是對(duì)系統(tǒng)數(shù)據(jù)的聚類進(jìn)行研究和分析，就要根據(jù)這些數(shù)據(jù)的指標(biāo)進(jìn)行相似度分析，找出類似的或者同類的數(shù)據(jù)指標(biāo)，然后進(jìn)行分類和聚類分析 [5]。有的時(shí)候會(huì)根據(jù)基于大數(shù)據(jù)聚類分析得到的不同數(shù)據(jù)間距的聚類分析結(jié)果，會(huì)自動(dòng)的形成一個(gè)趨勢(shì)結(jié)果圖，根據(jù)趨勢(shì)結(jié)果圖同樣可以進(jìn)行劃分特征的聚類分析[6]。眾所周知，視頻瀏覽在人們生活中占據(jù)越來越重要的地位，是人們娛樂和放松的方式之一，為了保證用戶的點(diǎn)擊率，許多平臺(tái)構(gòu)建了視頻推薦系統(tǒng)，通過在首頁、小窗口進(jìn)行視頻的信息或圖文推薦，達(dá)到增加用戶點(diǎn)擊率和流量的目的，這套系統(tǒng)確實(shí)起到了重要的作用[7-9]。傳統(tǒng)視頻推薦系統(tǒng)往往只根據(jù)用戶觀看過的視頻進(jìn)行大范圍的推薦，有些推薦系統(tǒng)甚至只推薦點(diǎn)擊率較高的視頻，完全忽略較小眾的口味，推薦的視頻針對(duì)性較弱，命中率不高[10]。然而，通過實(shí)際調(diào)查發(fā)現(xiàn)，不少用戶反映：希望推薦系統(tǒng)更加個(gè)性化，推薦模式更加新穎。對(duì)平臺(tái)而言，合理有效的推薦保證了資源的利用，提高了企業(yè)的利潤(rùn)。無論用戶還是平臺(tái)，都期待更加實(shí)際高效、具有個(gè)性化的推薦系統(tǒng)。

因此設(shè)計(jì)了一種基于聚類算法的視頻推薦系統(tǒng)。通過AP-聚類分層分析各類用戶數(shù)據(jù)，形成不同的用戶視頻信息聚類庫(kù)，結(jié)合用戶視頻信息庫(kù)中的歷史數(shù)據(jù)，設(shè)置標(biāo)簽并計(jì)算權(quán)重，以對(duì)用戶對(duì)視頻的喜好進(jìn)行排序，最后通過聚類分層模型得出用戶在聚類信息庫(kù)中的喜好視頻信息，對(duì)不同類型用戶進(jìn)行標(biāo)簽后進(jìn)行推薦。

1? 系統(tǒng)聚類分析

基于大數(shù)據(jù)的系統(tǒng)聚類算法，第一步要獲取到所需要的所有數(shù)據(jù)信息，然后把所獲取到的數(shù)據(jù)信息進(jìn)行分類整理，根據(jù)不同類別的數(shù)據(jù)信息進(jìn)行特征相似度分類，對(duì)不同特征的數(shù)據(jù)信息進(jìn)行相似度特征標(biāo)注，標(biāo)注完全后進(jìn)行分類訓(xùn)練，根據(jù)標(biāo)注所得的特征相似度進(jìn)行聚類分析。同理對(duì)數(shù)據(jù)聚類分析后會(huì)得到所有數(shù)據(jù)的處理結(jié)果，然后繪制成分類結(jié)果圖，也就是整個(gè)系統(tǒng)的聚類分析結(jié)果圖。

決策樹屬于非參數(shù)學(xué)習(xí)算法、可以用于解決分類問題、回歸問題。

2? 聚類算法視頻推薦分析

①根據(jù)視頻間的相似度進(jìn)行分類，建立數(shù)據(jù)庫(kù)。本實(shí)驗(yàn)數(shù)據(jù)建立過程如下，從綜藝、電影、電視劇三類中分別隨機(jī)抽取5項(xiàng)，用A代表綜藝，B代表電影，C代表電視劇，再?gòu)那楦斜磉_(dá)、影視效果等方面進(jìn)行評(píng)分。將所有評(píng)分進(jìn)行屬性規(guī)約，運(yùn)用主成分分析法將各項(xiàng)評(píng)分在坐標(biāo)軸中表現(xiàn)出來后，進(jìn)行點(diǎn)與點(diǎn)間距離的運(yùn)算，建立相似矩陣。（表1）

②取15位用戶的觀看記錄作為觀察材料，運(yùn)算出各個(gè)用戶觀影愛好的最小距離，將所有用戶聚為一個(gè)簇。本系統(tǒng)以“簇間距盡量大，簇內(nèi)距盡量小”為原則，多次對(duì)該簇進(jìn)行切割，最后得出以大于0.7為標(biāo)準(zhǔn)將用戶聚為兩個(gè)簇，依照本實(shí)驗(yàn)數(shù)據(jù)，簇一含有的用戶為U1、U3、U5、U7、U9;簇二為U2、U4、U6、U8、U10。

③得到結(jié)果簇后，將不同的簇進(jìn)行分類標(biāo)簽。如簇一的用戶所看的視頻高頻率出現(xiàn)動(dòng)漫元素，系統(tǒng)將其標(biāo)為“動(dòng)漫”;簇二的用戶所觀看的視頻多有文藝情懷，系統(tǒng)將其標(biāo)為“文藝”。

④根據(jù)新用戶的觀影記錄，運(yùn)用決策樹進(jìn)行類別劃分，最后根據(jù)劃分結(jié)果為其推薦分類后所在簇的其他相似度高的視頻。

3? 結(jié)論

所提出的基于聚類算法的視頻推薦系統(tǒng)，利用所開發(fā)的聚類分析算法，根據(jù)不同的用戶數(shù)據(jù)信息進(jìn)行分層分析，分別從綜藝、電影、電視劇這3類中隨機(jī)的設(shè)定5項(xiàng)，并使用A-C進(jìn)行標(biāo)簽表示，創(chuàng)建數(shù)據(jù)庫(kù)，對(duì)獲取到的用戶數(shù)據(jù)信息進(jìn)行聚類分層分析，同時(shí)對(duì)照用戶簇?cái)?shù)據(jù)進(jìn)行分類標(biāo)簽，進(jìn)行用戶喜愛視頻的推薦。通過對(duì)照試驗(yàn)可以看出，所提出的方法能夠較好且準(zhǔn)確的給不同法人用戶推薦合適的視頻信息，具有較好的推薦效果。

參考文獻(xiàn)：

[1]鐘海洶.基于聚類算法的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[TP].軟件工程，2017，5（1）：3-6.

[2]劉義鵬，李志鵬，蔣哲臣，梁榮華.基于密度峰值搜索的腦纖維快速聚類算法[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2019，47（05）：567-572.

[3]王燕妮，雒津津，王殿偉.關(guān)鍵幀結(jié)合幅值直方圖熵的異常行為檢測(cè)算法[J].計(jì)算機(jī)與數(shù)字工程，2019，47（09）：2281-2285.

[4]賈暉，張建剛.基于SDF及K-Means三維模型一致性分割算法[J].計(jì)算機(jī)與數(shù)字工程，2019，47（09）：2141-2144.

[5]楊炎，高煒，楊勝?gòu)?qiáng)，田建艷，高云松.基于模糊聚類和案例推理的滾拋磨塊優(yōu)選模型[J].表面技術(shù)，2019，48（09）：315-320，335.

[6]周滿滿，袁凌云.基于K-means聚類的室內(nèi)三維定位算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（09）：2530-2536.

[7]張建坤，禹思敏.面向混合型位置大數(shù)據(jù)的差分隱私聚類算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（09）：2451-2455，2493.

[8]彭金喜，蘇遠(yuǎn)歧，薛笑榮.一種小波域K-Means遙感圖像分類標(biāo)注算法[J].軟件導(dǎo)刊，2019，18（09）：202-206，225.

[9]秦美華，朱紅求，李勇剛，陳俊名，張鳳雪，李文婷.基于STA-K均值聚類的電化學(xué)廢水處理過程離子濃度軟測(cè)量[J].化工學(xué)報(bào)，2019，70（09）：3458-3464.

[10]王翠，馬鳳娟，崔海亭.基于區(qū)域時(shí)變聚類采樣機(jī)制的物聯(lián)網(wǎng)大數(shù)據(jù)傳輸算法[J].井岡山大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，40（05）：34-39.

[11]安尼卡爾·艾斯卡爾，祖來克孜·米吉提.系統(tǒng)聚類法及其應(yīng)用研究[J].價(jià)值工程，2019，38（17）：254-258.