1. 研究目的与意义
近年来,随着科技的进步,移动通信网络以及移动智能终端得到了快速发展,在高速网络的支撑下,短视频数据呈指数级别增长趋势,短视频行业成为了互联网主要的流量入口之一。丰富的短视频内容改变了用户的行为习惯,为用户提供了更加便捷的社交途径。短视频类型多样、内容丰富,由于其特殊的表现形式,使短视频网站很难为用户提供个性化推荐服务,因此融入推荐算法的短视频系统应运而生。个性化推荐算法能够根据用户的个人信息以及历史交互信息,挖掘出用户的喜好,为用户提供喜欢的内容。推荐算法的优劣直接影响到用户的体验。
2. 研究内容和预期目标
不同的推荐算法和特征处理方式,在不同的应用场景下的推荐效果不同,如何在大量短视频数据中提取有效的特征,获取最优的短视频推荐算法,为用户推荐感兴趣的内容,避免短视频网站的信息过载,成为亟待解决的问题。本设计注重解决这些问题,通过对短视频平台的视频数据进行爬取并设计短视频推荐系统。
3. 国内外研究现状
国内短视频平台的视频面向更小众群体精准推荐,各种短视频APP每天会实时根据用户喜欢的、关注的内容进行推送,伴随短视频内容垂直化程度的加深,社交平台根据用户喜好推荐的短视频内容更加准确。社交平台根据大数据和算法功能,分析用户日常观看短视频的习惯,进行更准确的分析和推算。它们的用户数量短时间的快速增长也得益于其引入了智能算法进行精准推送,算法提升了用户体验及短视频分发效率。而国外最具代表性的视频平台为YouTube,YouTube早在2016年的时候,用深度网络完成了工业级的视频推荐系统,主要分为候选视频集的选择和线上的rank。
4. 计划与进度安排
主要工作包括以下几个方面:(l)进行抖音短视频数据的爬取,使用Fiddler进行数据抓包,解析数据接口,分析数据包中各个参数代表的含义,通过程序模拟客户端向目标服务器发送数据请求,解析服务器的响应内容,最终得到用户相关数据、短视频相关数据、交互相关数据。(2)针对短视频推荐过程中,单一算法准确率低的问题,提出基于多重粒度召回的短视频推荐算法,利用采集的短视频数据,提取用户特征和短视频特征,构建算法并进行模型训练。该算法首先使用粗粒度召回策略,利用协同过滤算法,为用户生成粗粒度召回集;然后使用细粒度召回策略,利用XGBoost算法,对短视频进行预测并排序,为用户生成细粒度召回集;最后使用精确推荐策略,对HOP-Rec算法进行改进,为用户产生推荐列表。该算法能够准确地为用户进行短视频推荐,并达到了显著的推荐效果。(3)设计并实现了短视频推荐系统,采用C/S架构,服务端使用SSM框架进行开发,客户端基于Android平台进行开发,并嵌入基于多重粒度的短视频推荐模型,为用户推荐个性化的短视频内容。
5. 参考文献
1.基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.计算机学报. 20182.MySQL从入门到精通[M]. 清华大学出版社 , 刘增杰, 20163.Java程序设计基础[M]. 清华大学出版社 , 陈国君, 2015Malcolm J. Multi-Stakeholder Governance and the Internet Governance Forum[M]. 2008.
4.Michael J. Moore, Tadashi Nakano, Akihiro Enomoto,等. Anonymity and roles associated with aggressive posts in an online forum[J]. Computers in Human Behavior, 28(3):861-867.
以上是毕业论文开题报告,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。