认识实习学科前沿系列讲座之三班级 报告题目 软件工程1803 学号 20180822 主讲教师 姓名 学院 信息工程学院 时间 2019.12.19 丁智颖 张素琪 基于用户的协同过滤推荐算法 报告内容： 1.1 IPTV研究背景及意义 互联网的高速发展使得IPTV在人们的日常生活中越来越普及 IPTV为用户提供了丰富的视频服务 如何做？1、视频推荐 2、视频评估 3、用户建模 1.2 视频推荐的研究 基于用户的推荐 基于用户兴趣模型的推荐 基于用户行为的协同过滤推荐 基于视频的推荐 基于视频内容的推荐 2.1 基于用户兴趣模型的推荐 一、 用户收视图像表征 二、 基于卷积神经网络的用户收视图像分类 三、 不同用户兴趣模型挖掘 2.2 基于用户行为的协同过滤推荐 2.3 基于视频内容的推荐 课后题会（1000字以上）： 在推荐系统众多方法中，基于用户的协同过滤推荐算法是最早诞生的，原理也较为简单。该算法1992年提出并用于邮件过滤系统，两年后1994年被 GroupLens 用于新闻过滤。一直到2000年，该算法都是推荐系统领域最著名的算法。 一、基本思想 大家在日常使用的一些App中，相信也或多或少地遇到过基于用户的协同推荐算法。比如我经常浏览的B站，我们关注过一些UP主之后，系统就会有额外的推荐供选择。 当然，这其中的算法会更为复杂，它可能会根据日常使用App的行为习惯，系统将用户归为某一领域的爱好者，当你关注某一UP主之后，系统就能提供其他你可能也敢兴趣UP。而基于用户的协同推荐算法简单点来理解就是当一个用户需要个性化推荐时(当然推荐可以是电影、音乐、UP主等等)，可以先找到和这个用户兴趣相似的用户群体，然后把这个用户群体中关注的、并且用户没有听说过的推荐给该用户。 二、基础算法 在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的、而用户A没有听说过的物品推荐给用户A。这就是基于用户的协同过滤算法。 基于用户的协同过滤算法主要包括两个步骤。 （1）找到和目标用户兴趣相似的用户集合。 （2）找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 步骤(1)的关键就是计算两个用户的兴趣相似度。在此，协同过滤算法主要利用行为的相似度计算用户兴趣的相似度。假定用户u和用户v，令N(u)表示u曾经有过的正反馈的物品集合,令N(v)表示v曾经有过的正反馈的物品集合。那么，我们可以通过如下的Jaccard公式简单计算u和v的兴趣相似度： 或者通过余弦相似度计算： 在得到用户之间的兴趣相似度后，UserCF算法会给用户推荐和他兴趣最相似的K个用户喜欢的物品。如下公式度量了UserCF算法中用户u对用户i的感兴趣程度： 本文来源：https://www.wddqw.com/doc/3c88e106d838376baf1ffc4ffe4733687f21fce3.html