ZNDS智能电视网 推荐当贝市场

TV应用下载 / 资源分享区

软件下载 | 游戏 | 讨论 | 电视计算器

综合交流 / 评测 / 活动区

交流区 | 测硬件 | 网站活动 | Z币中心

新手入门 / 进阶 / 社区互助

新手 | 你问我答 | 免费刷机救砖 | ROM固件

查看: 13014|回复: 0
上一主题 下一主题
[分享]

乐视致新UEC—视频推荐现状简述及对乐视的相关建议

[复制链接]
跳转到指定楼层
楼主
发表于 2014-4-12 22:36 | 只看该作者 |只看大图 回帖奖励 |倒序浏览 |阅读模式 | 来自江苏
一,视频推荐简介
根据艾瑞咨询数据[1]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[2][5],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) YouTube
YouTube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[2]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,[2]中的系统比之前按照点击率进行的推荐,效果好上1倍。
2) Netflix
Netflix从其举办的Netflix Prize[3][4]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。
Netflix Prize比赛开始之初,协同过滤(collaborative filteringCF)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。

乐视致新UEC—视频推荐现状简述及对乐视的相关建议
1Youku观看记录
乐视致新UEC—视频推荐现状简述及对乐视的相关建议
2Youku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。

乐视致新UEC—视频推荐现状简述及对乐视的相关建议
3:账号lycan785的播放记录

乐视致新UEC—视频推荐现状简述及对乐视的相关建议
4:对lycan785账号的推荐视频

该账号于20131020日晚注册,推荐视频列表是1021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。


上一篇:最领先的TV搜索-乐搜
下一篇:超级电视X50Air的配置与外观图
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|新帖|标签|软件|Sitemap|ZNDS智能电视网 ( 苏ICP备2023012627号 )

网络信息服务信用承诺书 | 增值电信业务经营许可证:苏B2-20221768 丨 苏公网安备 32011402011373号

GMT+8, 2025-6-1 02:06 , Processed in 0.149031 second(s), 15 queries , Redis On.

Powered by Discuz!

监督举报:report#znds.com (请将#替换为@)

© 2007-2025 ZNDS.Com

快速回复 返回顶部 返回列表