英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

电子、电信和计算机会议- CETC 2013

社交网络和设备支持个性化内容建议

Farman Ullah, Ghulam Sarwar, Sungchang Leelowast;

韩国航空航天大学信息与传播系，高阳，韩国

摘要

在本文中，我们提出了一种基于用户社交网络和设备功能的个性化内容推荐系统去个性化当前用户设备的内容。所提出的推荐系统呈现了现有协同推荐系统所没有的一些新特性和基于内容的过滤。首先，我们结合用户的社交网络数据来寻找相似的用户，而不仅仅是使用传统的相似性方法还基于用户的社会重要性。此外，它还考虑用户访问设备，以确保该设备能够运行和显示。我们提出了一种考虑用户体验项目的方法，用户直接信任和为内容网络提供查找相似性的功能。我们提高精度，精密度并对传统的推荐系统进行了召回。该系统可在任何地方使用；然而，我们主要关注IPTV内容个性化。

关键词：社交网络；内容个性化；协同过滤；基于内容的推荐系统

1. 介绍

电视是世界上每个家庭最受欢迎和最古老的消费产品之一，并在不断发展

从模拟到数字，现在进入了网络电视时代。 电视的双向通信使用户能够更有效、更方便地使用电视内容。 智能电视使用户不需要不仅要看节目，还要对节目提出反馈意见，以及节目的建议他们的朋友。 基于web的电视(IPTV)使用户能够协作地共享有关电视节目的知识并利用他们的反馈为用户个性化内容。 IPTV与社会的互动服务网络推广的推荐系统，以帮助电视观众确定可靠和理想的节目从

丰富的程序选项。

智能高分辨率设备、多媒体内容、社交互动技术的快速发展而内容的反馈需要一个高度发达的推荐过滤系统。 我们现在随着信息时代数据的丰富性，时代面临着多重挑战。 推荐系统(RSs)是

基于web的应用程序、软件工具、程序和技术，为项目/产品提供建议以便用于用户[1]。 RSs使用用户对以前经历过的项目的反馈来提供关于项目的建议或项描述，以查找与用户使用情况概要文件相似的项。 在RSs中，灵魂部分是推荐使用与用户和项相关的各种类型的信息做出决策的算法。 基于算法中，RSs可以分为：基于内容的过滤、协同过滤和混合方法[2]。

基于内容的过滤(CBF)推荐用户以前经历过的内容相似的条目。 它使用程序的描述和元数据信息查找相似的用户。 CBF需要结构信息既有经验丰富的项目，也有现成的项目。 这些方法不考虑用户的意见内容和假设相似的节目评级相似。

CBF具有结构信息的局限性要求，对基于文本的推荐有用，但不适用于非结构化的项目，如电影和音乐[3]。 这些过滤技术将用户限制在那些用户以前经历过的程序类型上无法推荐具有不同内容和功能的程序。

协同过滤(CF)方法利用用户对程序的意见来寻找与目标用户相似的用户，并将他们的课程作为推荐的候选人。 CF通过显式使用评级收集用户意见并通过挖掘用户使用历史模式或隐式反馈信息。 这些方法需要很大的容量用于计算用户之间相似度的历史数据。 计算复杂度随着评级数据的增加而增加增加。 根据计算复杂度的不同，CF可以分为基于内存的CF和基于模型的CF。 基于内存的CF使用整个历史数据来查找类似的用户和项，以作为候选项向目标用户推荐。当用户的评分较低时，这些方法存在寻找相似用户的问题(冷启动问题)和稀疏的评级信息(稀疏性)。 基于内存的CF具有精度高的优点但代价是高计算量。 基于模型的CF方法执行一些预计算来提取一些从历史数据中提取特性，并使用这些特性而不是整个数据集。 改进了基于模型的方法稀疏性和冷启动问题以精度为代价。

CBF存在结构信息需求、内容描述和相似性问题没有经验的用户。 CF存在稀疏性、冷启动问题和可伸缩性问题。 混合推荐系统结合了协同过滤和基于内容的过滤或两者的一些特点技术。 混合方法还利用了任何其他信息(如用户人口统计信息或社会信息)与内容或协作过滤的组合。 这种方法改进了内容过滤和协作过滤的问题。 混合方法[4,5]找到相似的用户：(1).分别找出CF和CBF的相似点，然后利用线性组合或一些复杂算法进行组合；(2).结合两种算法的特点，利用相似度算法找到相似的用户。 提出了一种基于用户当前设备的社交和设备感知智能电视推荐系统的协同过滤方法，该系统不仅在相似度上选择k -最近邻(KNN)用户，而且利用用户交互考虑社会价值。

本文的贡献点可以概括为：(1).我们考虑目前推荐设备可以显示的电视节目的设备(2).结合用户的相似度和社会价值，寻找KNN用户(3).结合Pearson相关系数，评价资源，提高用户相似度并以直接信任的形式发表意见和评论。

1. 提出了基于社交网络和设备感知的智能电视推荐系统的体系结构

智能设备和宽带网络技术的融合，使用户可以通过多种设备随时随地访问多媒体内容。 智能设备具有多种属性，如媒体编解码器、屏幕分辨率、CPU和接入网。 图1展示了所提出的social and device aware智能电视内容推荐系统的总体流程。 所提出的体系结构显式地从用户或隐式地从用户社交网络获取用户统计信息。 我们提出的体系结构获取用户当前设备的静态和动态概要文件，以确保用户设备能够以其相似的方式显示。 图2显示了社交和设备感知推荐的总体流程。

图1. 社交网络方法和设备感知个性化内容推荐

2.1从用户使用历史和聚类相似用户的用户偏好配置文件建模

在本文中，我们根据用户的使用历史，包括电视节目的类型和对节目的偏好，对用户档案进行建模。 在节目传输和观看过程中，我们找到用户当前设备的动态配置文件，并维护用户的使用历史记录，以找到用户的偏好。 我们隐式地找到用户首选项，并将其转换为用户首选项1-5nd范围内的评级值。 如果v是用户u所观看的程序，则为用户首选项是：

其中为用户在节目v播放期间花费的时间，为节目总时间。我们使用二进制向量空间表示程序的类型。

该结构利用k -均值聚类提高了计算效率和有效性。我们使用偏好、类型和人口统计相似性，并使用线性组合对相似的用户进行聚类。我们使用不同的K值来寻找最佳集群用户。 利用不同的聚类质心寻找最佳聚类，并利用该聚类寻找与目标用户的相似性。

2.2、k近邻的选择

传统的协同过滤方法要么使用皮尔逊相关系数，要么使用余弦相似度来寻找相似的用户。 这些相似方法的局限性是对历史上常见项目的考虑。 我们将皮尔逊相关系数与用户之间的直接信任和对观看内容的贡献结合起来。 计算集群用户Uc与目标用户Ut的相似度：

图2. 社交网络和设备感知推荐系统的流程和流程

当PCC,Gamma;和zeta;皮尔逊相似,分别直接信任和贡献的内容的时候。alpha;1,alpha;2alpha;3三个实数,它们的和等于1。 利用式(2)找出相似度，选取最相似的前n个用户。

2.3、向用户当前设备推荐内容

该体系结构考虑了用户当前设备和接入网的视觉质量，保证了用户设备的显示能力。 使用过去经验丰富的程序前n名相似的用户，而不是由目标用户体验。 利用式(3)，我们得到了程序v对目标用户的预测。

3、仿真与结果

我们使用Yahoo多评级电影数据集[7]对所提出的系统进行评估。 数据集提供用户电影评级、用户人口统计和电影类型数据。 我们将评级数据集的值转换为1-5的范围。 本文利用平均绝对误差(MAE)对系统进行评价。MAE的定义是：

pi是用户对程序的实际评分，pi是预测评分。 图3显示了采用传统的基于内容的协同过滤的MAE性能。

图3. 性能的措施(MAE)

从图中可以看出，我们提出的系统具有较低的MAE值。 我们还对性能度量[6]使用precision/recall。 图4显示了精度和查全率的性能。

图4. 绩效指标(精度/召回)

4、结论

在本文中，我们提出了用户社交网络和当前设备感知推荐系统。该系统将用户社交网络数据(直接好友和好友的好友)与Pearson相关系数相结合，找到最相似、最可信的用户，并将用户观看的节目作为候选建议。 我们还考虑了用户的社会重要性，其内容推荐给目标用户之前。 此外，我们还考虑了用户当前的功能，以便它能够显示推荐的内容。 仿真结果表明，该系统具有良好的精度、查全率和查准率。 未来，我们将努力寻找用户设备的视觉感知，并向用户推荐多个活动设备(N-Screen)。

参考文献

[1] Ricci, F., L. Rokach, and B. Shapira, Introduction to Recommender Systems Handbook, in Recommender Systems Handbook,Editors. 2011, Springer US. p. 1-35.

[2] Adomavicius, G. and A. Tuzhilin, Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Trans. on Knowl. and Data Eng., 2005. 17(6): p. 734-749.

[3] Kayaalp, M., T. Ozyer, et al. A Collaborative and Content Based Event Recommendation System Integrated with Data Collection Scrapers and Services at a Social Networking Site. In Proc. of Social Network Analysis and Mining, 2009. ASONAM 09. International Conference on Advances in

[4] Karacapilidis, N. and L. Hatzieleftheriou A hybrid framework for similarity-based recommendations. In Int. J. Bus. Intell. Data Min. 1(1): 107-121, 2005

[5] Ullah, F., et al. Hybrid recommender system with temporal information. in Information Networking (ICOIN), 2012.

[6] Pearl Pu, Li Chen, and Rong Hu, Evaluating Recommender Systems from the Users Perspective: Survey of the State of the Art Journal of User Modeling and User-Adapted Interaction, 22 (2012), 317-55

[7] Yahoo! Webscope Dataset: ydata-ymovies-user-movie-ratings-content-

v10 : http : //research.yahoo.com/AcademicRelations

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19867]，资料为PDF文档或Word文档，PDF文档可免费转换为Word