乐视致新UEC—视频推荐现状简述及对乐视的相关建议
一，视频推荐简介 根据艾瑞咨询数据，2013第二季度中国在线视频行业市场规模达28.5亿元，同比增长43.0%，环比增长30.6%。随着网络带宽的增大、智能电视及智能终端的普及，在线视频行业增速将继续保持。在视频网站发展伊始，视频推荐就应运而生。视频推荐根据当前热门视频及用户的个性化数据，为用户提供个性化的视频推荐，从而增加用户黏度，提高网站流量，是各大视频网站极为重视的功能之一。2006年的Netflix大赛是视频推荐领域的标志性事件，该比赛悬赏100万美元，希望研究人员能够将Netflix的推荐算法的预测准确度提高到10%，比赛举办三年后，由AT&T的研究人员将大奖捧走。这场比赛吸引了众多队伍参加，并将协同过滤（collaborative filtering），关联规则（association rules），奇异值分解（SVD）等众多推荐方法应用于视频推荐领域，获得非常好的推荐效果。这一事件反映出视频网站对推荐系统的重视程度，同时YouTube等公司也在视频推荐领域进行专门研究，可见推荐系统在视频网站中的重要地位。1.1重要视频网站推荐系统简介 目前几乎所有的重要在线视频网站均有视频推荐功能，本小节对主要视频网站推荐模块进行简要介绍。1） YouTubeYouTube是在线视频行业的领袖企业，在其网站上线不久就推出简单的视频推荐功能，经过不断发展，已经发展为相对成熟的视频推荐系统。根据YouTube发布的论文显示，到2010年，YouTube主要使用基于关联规则（association rules）的推荐方式进行Top-N的视频推荐。通过21天的实验结果显示，中的系统比之前按照点击率进行的推荐，效果好上1倍。2） NetflixNetflix从其举办的Netflix Prize中获利颇丰，这项比赛使得其推荐准确率提高了10%以上，为其带来巨大收益。在Netflix Prize比赛开始之初，协同过滤（collaborative filtering，CF）表现优异，但是随着比赛的进行，对CF的各种改进版本及其他算法不断应用进来，推荐效果逐渐提升。3） Youku目前查询不到有关Youku视频推荐系统的资料与文献，但是可以通过Youku推荐质量对其进行分析。用户账号为笔者去年注册的账号，已观看视频与推荐视频如图1、图2所示。图1：Youku观看记录
图2：Youku推荐效果
对于推荐结果中，大部分推荐结果和我收看记录中的视频具有较高相似度（收看记录只列出最近收看记录），这种推荐效果可以通过Content-based方法实现。 但是与已看记录有一定重合度，视频推荐泛化性能相对较差。
二，对乐视网视频推荐的建议
2.1乐视网目前推荐现状 乐视网目前已经具有视频推荐功能，但该功能只在用户个人中心中可见，首页位置没有相关推荐板块，对推荐功能重视程度不足。下图是基于账号lycan785（已经绑定新浪微博hzau_unlearning）的收看记录与“猜你喜欢”的结果。
图3：账号lycan785的播放记录
图4：对lycan785账号的推荐视频
该账号于2013年10月20日晚注册，推荐视频列表是10月21日上午的结果。其中播放记录主要选择“美剧”、“体育”两个频道，并加上了一些噪音数据（最先观看的两个视频），而推荐结果基本是当前热门视频，既和观看记录无关，又和该账户绑定的微博账户兴趣无关，无法抓住用户兴趣，可见推荐系统有待提高。
2.2对乐视网的建议
基于以上分析，特为乐视网提出以下建议：
1）重视数据采集推荐系统对数据的依赖性较大，一般来说，越完整的数据可以产生更加有效的推荐，因此建议乐视网加大对数据的整合力度。需要重视的数据主要有：账户活跃时间，账户观看记录，不同时长影片观看时间比（观看时间占整个影片时间的比例），付费记录，账户点评记录，账户个人信息、视频元数据等。
2）账户兴趣挖掘了解账户兴趣是进行推荐的基础，账户兴趣可以利用协同过滤（CF）等方法从观看记录中获取，同时可以利用用户绑定分享账户获得用户兴趣。通过用户观看记录，可以在常看视频频道、类型、剧集方面挖掘用户兴趣，这部分工作相对简单，已经有CF、关联规则等成熟技术。对于新注册用户的冷启动现象，可以利用其绑定的微博、豆瓣（目前无此功能）来收集用户兴趣，例如微博文本话题挖掘，豆瓣关于电影的讨论等。
3） 基于情景的推荐任何推荐都需要放在具体的情景之下，不同视频具有不同特点，更需要基于情境的推荐。对于音乐、电视剧推荐，可以依照目前的播放器下方、侧栏推荐方式进行，即推荐目前观看剧集的下一集或者同一歌手的歌曲。对于电影推荐适合采用“协同过滤”、“用户个性化”、“当前电影相关”的推荐方式进行个性化推荐，对于新闻、体育的推荐适合采用类似新闻或者相关新闻的推荐。总之，对于不同频道、类型的推荐需要采用不同的推荐策略。
页:
[1]