浅谈个性化电视产品推荐系统面临的挑战
Talking about the Challenges Faced by Personalized TV Product Recommendation System

DOI: 10.12677/CSA.2019.97153, PP. 1358-1364

Keywords: 推荐系统，用户画像，电视节目标签，数据挖掘
Recommendation System, User Portrait, TV Program Label, Data Mining

Full-Text   Cite this paper   Add to My Lib

Abstract:

三网融合使得广播电视运营商可以与众多的家庭用户实现信息的实时交互，这使得全方位、个性化的产品营销和有偿服务成为现实。个性化推荐系统作为解决当前大数据时代下信息过载问题的手段之一，如何在众多电视产品中挑选出既符合用户兴趣偏好又在保证正确率的条件下，使推荐结果能够更好的诠释发现性、新颖性和多样性要求。本文对个性化电视产品推荐系统中关键技术进行浅谈，对目前遇到的挑战进行讨论，从而有助于更好的完成推荐系统的设计实现。
The triple play enables broadcast and television operators to interact with a large number of home users in real time, making full-scale, personalized product marketing and paid services a reality. As one of the means to solve the information overload problem in the current era of big data, the personalized recommendation system is how to select the results of the user’s interest preference and the correct rate in many TV products, so that the recommendation results can be better interpreted sex, novelty and diversity requirements. This paper discusses the key technologies in the personalized TV product recommendation system, discusses the current challenges, and helps to better complete the design and implementation of the recommendation system.

References

[1]	刘春霞, 陆建波, 等. 一种电影推荐模型:解决冷启动问题[J]. 计算机与现代化, 2018(11): 83-87.
[2]	高凤丽, 孙连山. 个性化推荐系统概述[J]. 技术与市场, 2015, 22(2): 78-79.
[3]	文臣黎. 三网融合形势下广播电视网络技术发展分析[J]. 广播电视信息, 2019(2): 103-105.
[4]	徐玉峰. 三网融合背景下广电网络技术问题分析[J]. 数字技术与应用, 2017(2): 241-244.
[5]	代丽, 樊粤湘. 个性化推荐系统综述[J]. 计算机时代, 2019(6): 9-11+15.
[6]	路海明, 卢增祥, 李衍达. 基于多Agent混合智能实现个性化网络信息推荐[J]. 计算机科学, 2000(7): 32-34.
[7]	(美)弗朗西斯科？里奇, 等. 推荐系统: 技术、评估及高效算法[M]. 李艳民, 等, 译. 北京: 机械工业出版社, 2015.
[8]	刘炜楠, 杨泽灿, 等. 电视节目推荐系统[J]. 电脑与电信, 2018(7): 30-32.
[9]	刘辉, 郭梦梦, 等. 个性化推荐系统综述[J]. 常州大学学报(自然科学版), 2017, 29(3): 51-59.
[10]	黄丽. 基于用户体验的APP界面设计探讨[J]. 科技风, 2019(7): 63.
[11]	王宪朋. 基于视频大数据的用户画像构建[J]. 电视技术, 2017, 41(6): 20-23.
[12]	张良均. 王路, 等. python数据分析与挖掘实战[M]. 北京: 机械工业出版社, 2017.
[13]	袁璐, 沈浩. 基于深度学习的电影海报推荐系统[J]. 现代电影技术, 2018(5): 42-45.
[14]	赵培. 面向家庭用户的电视节目动态推荐方法研究[D]: [硕士学位论文]. 合肥: 合肥工业大学, 2017.
[15]	马立川, 裴庆祺, 等. 万物互联背景下的边缘计算安全需求与挑战[J/OL]. 中兴通讯技术, 1-7. http://kns.cnki.net/kcms/detail/34.1228.TN.20190612.0847.002.html, 2019-06-14.
[16]	郑袁平, 贺嘉, 陈珍文, 李雁. 关于大数据安全与隐私保护的研究[J]. 数字通信世界, 2019(3): 166-241.
[17]	周倩伊, 王亚民, 等. 基于互联网大数据的脱敏分析技术研究[J]. 数据分析与知识发现, 2018, 2(2): 58-63.
[18]	宗胜. 基于情境兴趣和个人兴趣的用户偏好模型研究与设计[D]: [硕士学位论文]. 上海: 上海交通大学, 2007.
[19]	王洪伟, 邹莉. 考虑长期与短期兴趣因素的用户偏好建模[J]. 同济大学学报(自然科学版), 2013, 41(6): 953-960.
[20]	郝予实, 范玉顺. 服务系统中冷启动服务协作关系挖掘与预测[J]. 清华大学学报(自然科学版), 1-8.
[21]	曾原. UI设计中的视觉表现分析[J]. 计算机产品与流通, 2019(4): 235.

Full-Text