劉天成

（上海市川沙中學(xué)，上海，201299）

0 引言

在這個(gè)信息流動(dòng)迅速的時(shí)代，視頻作為人們快速獲取信息和娛樂的渠道，被人們所喜愛。隨著大量的視頻網(wǎng)站的發(fā)展，每天用戶都有大量的視頻可以觀看，而其中有些不符合他們的興趣，有些則是質(zhì)量偏低。同時(shí)，推薦系統(tǒng)的日臻完善，使得幫助用戶找到自己想要的視頻變得簡(jiǎn)單，而不需要自己花費(fèi)大量時(shí)間去尋找。

網(wǎng)絡(luò)的社會(huì)化趨勢(shì)產(chǎn)生了越來越多的社會(huì)化標(biāo)注系統(tǒng)[1]，當(dāng)用戶給視頻添加過標(biāo)簽后，便可以匹配相似標(biāo)簽來匹配，但其系統(tǒng)還存在可信度低，準(zhǔn)確度低等問題?；谕ㄓ脴?biāo)簽及其上的特定標(biāo)簽的推薦系統(tǒng)便是本文研究的主要系統(tǒng)，而解決系統(tǒng)的問題及對(duì)其提出創(chuàng)新便是本文的研究意義。

推薦系統(tǒng)是指對(duì)用戶的興趣進(jìn)行研究后，對(duì)其進(jìn)行個(gè)性化推薦，個(gè)性化推薦技術(shù)，指的是系統(tǒng)智能獲取用戶的行為數(shù)據(jù)，進(jìn)而主動(dòng)給用戶推薦他們感興趣的信息[2]。這種技術(shù)的想法最早出現(xiàn)在1992年，發(fā)展至現(xiàn)在，主要的推薦系統(tǒng)有：協(xié)同過濾推薦系統(tǒng)，基于內(nèi)容的推薦系統(tǒng)等。

推薦系統(tǒng)能幫助用戶找到自己想看的視頻，而本文研究的方法便是基于社會(huì)標(biāo)簽的推薦系統(tǒng)，當(dāng)下的社會(huì)標(biāo)簽主要由用戶和作者及專家群體來提供，通過匹配標(biāo)簽便能實(shí)現(xiàn)推薦，

但其系統(tǒng)也存在明顯的缺陷，因?yàn)闃?biāo)簽是由用戶創(chuàng)造和添加的，導(dǎo)致用戶可以寫出他想表示的標(biāo)簽而非真正符合視頻的標(biāo)簽，有些標(biāo)簽甚至?xí)`導(dǎo)視頻所包含的真正內(nèi)容，造成了可信度低，標(biāo)簽數(shù)量龐大，不方便匹配等問題，最終會(huì)導(dǎo)致系統(tǒng)承受巨大的負(fù)擔(dān)，且會(huì)經(jīng)常出現(xiàn)錯(cuò)誤推薦。

1 視頻推薦系統(tǒng)概述

■1.1 協(xié)同過濾視頻推薦系統(tǒng)

協(xié)同過濾推薦系統(tǒng)分為基于用戶和基于物品，基于用戶的協(xié)同過濾推薦（UserCF）研究的是用戶間的關(guān)系，其在視頻推薦系統(tǒng)中的作用是匹配興趣相似的用戶，給當(dāng)前用戶推薦他沒有見過但另一用戶見過的視頻?；谖锲返膮f(xié)同過濾推薦（ItemCF）是根據(jù)用戶給物品的評(píng)分來匹配物品間的相似度而進(jìn)行匹配的，其在視頻推薦系統(tǒng)中是匹配視頻的相似度來進(jìn)行推薦的，其主要缺點(diǎn)為對(duì)于數(shù)據(jù)量有十分高的要求，缺少數(shù)據(jù)就會(huì)導(dǎo)致推薦不精確。

■1.2 基于社交網(wǎng)絡(luò)的視頻推薦系統(tǒng)

基于社交網(wǎng)絡(luò)的推薦的核心是把握用戶之間的信任關(guān)系的度量，起因是學(xué)者發(fā)現(xiàn)好友的推薦往往會(huì)被重視，通過研究人的重要性，人與人之間的交往關(guān)系，匹配其相似度來進(jìn)行推薦。個(gè)性化的好友推薦是基于兩個(gè)特征來研究的：用戶間共同好友和用戶間的相似性[3]。2017 年，胡云等人提出了一種綜合評(píng)分和信任關(guān)系的社會(huì)化推薦算法，解決了用戶特征向量的精準(zhǔn)構(gòu)建及信任傳遞問題[4]。

■1.3 基于標(biāo)簽的視頻推薦系統(tǒng)

此系統(tǒng)的基礎(chǔ)是社會(huì)標(biāo)簽，來源于用戶為物品所給出的標(biāo)簽，本文定義該標(biāo)簽為通用標(biāo)簽，其劣勢(shì)主要為：不精確，較為混亂。在這種標(biāo)簽之上，還有一些特定標(biāo)簽，其來源于專家或作者所給出的標(biāo)簽，這類標(biāo)簽相比通用標(biāo)簽精確度更高，但它也存在一定缺點(diǎn)，比如專家及作者只考慮專業(yè)方面卻忽視了用戶對(duì)其的看法，導(dǎo)致標(biāo)簽并不適應(yīng)大眾。

2 基于通用標(biāo)簽的視頻推薦系統(tǒng)

■2.1 通用標(biāo)簽的作用

視頻因其內(nèi)容難以由系統(tǒng)概括而在推薦的時(shí)候顯得尤為困難，系統(tǒng)不能自主判斷視頻的分類，因此，需要其他人來幫忙給出標(biāo)簽，本章主要研究由用戶給出的標(biāo)簽，而此舉動(dòng)包含了兩個(gè)部分，其一是用戶添加標(biāo)簽的行為，另一是對(duì)于一個(gè)視頻的標(biāo)簽，這兩方面分別對(duì)于用戶自身的興趣研究以及視頻的信息概述都有很大的幫助。

■2.2 標(biāo)簽關(guān)于自身興趣的興趣預(yù)測(cè)

用戶添加標(biāo)簽，可以反應(yīng)自身的興趣，用戶添加標(biāo)簽的這個(gè)舉動(dòng)，表現(xiàn)的是用戶對(duì)于此視頻很關(guān)注，也對(duì)于視頻中的內(nèi)容很清楚，繼而可以推斷其對(duì)于同一類的視頻都會(huì)有一定的興趣，那么繼續(xù)匹配具有相似標(biāo)簽的視頻，便可以形成推薦，大大降低了推薦的難度。進(jìn)一步根據(jù)該行為進(jìn)行推薦的方法是，根據(jù)用戶給出的標(biāo)簽進(jìn)行匹配，匹配相似標(biāo)簽，具體方法如下：

該算法用來計(jì)算該標(biāo)簽與用戶的關(guān)聯(lián)性，其中，u表示用戶，a表示一個(gè)特定標(biāo)簽，times 表示被使用的次數(shù)，r表示任意標(biāo)簽，all 表示用戶所標(biāo)注過的全部標(biāo)簽，relation的值越大，就說明用戶與這個(gè)標(biāo)簽的關(guān)聯(lián)性越大，那么就可以籍此繼續(xù)推薦類似的標(biāo)簽，可以用協(xié)同過濾系統(tǒng)進(jìn)行進(jìn)一步的匹配，把有相似標(biāo)簽的視頻推薦給該用戶。

該系統(tǒng)在遇到興趣面較為廣泛卻很少添加標(biāo)簽的用戶時(shí)會(huì)顯得較為短板，因?yàn)榇祟愑脩魩缀鯖]有自身關(guān)于標(biāo)簽的關(guān)聯(lián)性，這也就導(dǎo)致了無法利用上述算法，從而導(dǎo)致推薦無法進(jìn)行，解決方法是利用后文中的系統(tǒng)互補(bǔ)，兩者分情況進(jìn)行交替使用，便可以解決不同用戶的差異所造成的問題。

■2.3 標(biāo)簽關(guān)于視頻分類的作用

用戶給視頻添加的標(biāo)簽，可以對(duì)于視頻的分類產(chǎn)生幫助，當(dāng)后來看到該視頻的用戶想添加同樣的標(biāo)簽時(shí)，那么此標(biāo)簽就基本可以認(rèn)定為準(zhǔn)確的標(biāo)簽，把同一類的標(biāo)簽集合起來，再去根據(jù)用戶的興趣推薦，形成的一個(gè)循環(huán)，就是另一個(gè)通用標(biāo)簽的作用。這個(gè)是主要的標(biāo)簽系統(tǒng)的作用，在一個(gè)視頻下有足夠的通用標(biāo)簽后，這個(gè)視頻就可以進(jìn)行分類，分類后，系統(tǒng)就只需要匹配標(biāo)簽之間的關(guān)系就可以成功地給用戶進(jìn)行推薦。

這個(gè)系統(tǒng)的主要兩個(gè)問題為：第一個(gè)問題，需要大量的數(shù)據(jù)量和瀏覽量，若是沒有這些瀏覽量，視頻的分類就極為不清晰，會(huì)導(dǎo)致無效推薦，而本文提出的解決方法就是與前文的系統(tǒng)結(jié)合，對(duì)于不流行，瀏覽量小的視頻主要利用前一個(gè)系統(tǒng)進(jìn)行對(duì)于用戶本身興趣的研究并給他推薦視頻，對(duì)于瀏覽量多的視頻，就主要使用后者，這樣的好處不僅僅可以互補(bǔ)兩個(gè)系統(tǒng)，同時(shí)，因?yàn)楸环诸惖囊曨l主要是一些較為流行的視頻，也可以有一定的質(zhì)量保證。第二個(gè)問題，用戶的標(biāo)簽過于隨意，不夠準(zhǔn)確，或是太過于繁雜，這個(gè)問題普遍存在于標(biāo)簽系統(tǒng)中，而主要的解決方法是利用下文中將提到的特定標(biāo)簽系統(tǒng)，該系統(tǒng)有過濾掉大量的無用標(biāo)簽作用。

3 基于特定標(biāo)簽的視頻推薦系統(tǒng)

■3.1 標(biāo)簽群體的區(qū)別

此類標(biāo)簽主要由專家或是作者本人來給出，在給出標(biāo)簽之前，系統(tǒng)將把類似的標(biāo)簽集合起來，由專家或作者提出一個(gè)簡(jiǎn)潔明了的標(biāo)簽或是舍棄該標(biāo)簽，例如“搞笑”和“惡搞”最終合并成“娛樂”，這樣可以合并大量的類似標(biāo)簽，將最終標(biāo)簽的數(shù)量降至10個(gè)以內(nèi)，這10個(gè)中有通用標(biāo)簽，也有特定標(biāo)簽，此類標(biāo)簽因?yàn)橹饕晒俜教峁?，所以精確度比較高，但是也存在特定標(biāo)簽也會(huì)不夠精確的情況，關(guān)于標(biāo)簽精確度的問題，可以使用以下算法進(jìn)行計(jì)算：

其中a 表示該標(biāo)簽，i表示該系統(tǒng)下的全部標(biāo)簽，最終的值應(yīng)在1以內(nèi)，這個(gè)值代表著特定標(biāo)簽所占的百分比，若是特定標(biāo)簽被人們所認(rèn)可，那么之后便不會(huì)再添加更多的通用標(biāo)簽，也就使得特定標(biāo)簽所占的百分比上升，相反，百分比越低，那么就代表著該特定標(biāo)簽的準(zhǔn)確度越低，若是這個(gè)值低于0.5，基本可以確定該特定標(biāo)簽是有問題的，此時(shí)應(yīng)該降低該標(biāo)簽的權(quán)值或是直接對(duì)提出標(biāo)簽的那一方提議修改，重新給出一個(gè)新的標(biāo)簽。這個(gè)值也可以一定程度反應(yīng)一個(gè)標(biāo)簽的權(quán)值，但是不夠精確，推薦視頻的時(shí)候，會(huì)根據(jù)兩種標(biāo)簽所占的權(quán)值來決定優(yōu)先級(jí)，隨后進(jìn)行推薦。

■3.2 標(biāo)簽優(yōu)先級(jí)問題

此系統(tǒng)屬于混合推薦系統(tǒng)，而混合推薦主要有這幾個(gè)類型：加權(quán)型，分級(jí)型混合推薦系統(tǒng)，合并型，瀑布型[5]。本文主要利用加權(quán)型來解決優(yōu)先級(jí)問題。權(quán)的值取決于兩種標(biāo)簽的數(shù)量，在把通用標(biāo)簽聚集成集合的時(shí)候，對(duì)于每類相同標(biāo)簽的數(shù)量進(jìn)行計(jì)算，列出一個(gè)矩陣，其縱坐標(biāo)為各個(gè)標(biāo)簽的種類，橫坐標(biāo)為數(shù)量，權(quán)值，再利用如下算法:

■3.3 視頻質(zhì)量推薦優(yōu)化

在根據(jù)上文的系統(tǒng)進(jìn)行加權(quán)推薦后，會(huì)出現(xiàn)質(zhì)量參差不齊的問題，有些低質(zhì)量的視頻依然有很高的權(quán)值，導(dǎo)致在推薦的時(shí)候會(huì)推薦一些低質(zhì)量的視頻。主要解決方法是通過瀏覽量和對(duì)于作者進(jìn)行評(píng)估兩種方法，第一種方法可以與第三章中的系統(tǒng)合用，從而通過推薦瀏覽量多或評(píng)分高的視頻來一定程度上解決視頻的質(zhì)量問題。第二種方法是通過對(duì)于一個(gè)作者的以往的視頻的質(zhì)量進(jìn)行評(píng)估，可以參考的數(shù)據(jù)有：瀏覽量，評(píng)分，收藏量等，在瀏覽量一定的情況下，若是收藏量和評(píng)分都較高，那么該作者的評(píng)估就很高，在推薦他的視頻的時(shí)候，就可以適當(dāng)?shù)脑黾铀曨l的權(quán)值來使得該作者的視頻更容易被推薦，同時(shí)，也能帶動(dòng)該作者的知名率，從而使得優(yōu)質(zhì)視頻得以宣傳，形成良性循環(huán)，反之，低質(zhì)視頻就會(huì)被不斷的篩選，降低其權(quán)值，使其更不容易被推薦，從而降低其瀏覽量。

4 總結(jié)與展望

本文對(duì)基于標(biāo)簽的視頻推薦系統(tǒng)的現(xiàn)狀進(jìn)行了概述，對(duì)于幾個(gè)基于標(biāo)簽的推薦系統(tǒng)進(jìn)行了分析，提出了基于標(biāo)簽的推薦系統(tǒng)，有效解決了視頻質(zhì)量較低的問題。此次研究雖然完善了基于標(biāo)簽的推薦系統(tǒng)的一些缺點(diǎn)，但仍有一些問題仍未解決，例如如何確定三個(gè)系統(tǒng)的運(yùn)行優(yōu)先級(jí)。下一步研究工作本文作者將致力于研究如何推薦給用戶高質(zhì)量的視頻以及使得該系統(tǒng)運(yùn)行更穩(wěn)定。