一篇关于youtube推荐算法的分享-基于用户行为的视频推荐
本文的前提：
（1）基于用户的的行为进行推荐
（2）本文只关注注册用户，只对注册用户进行推荐
（3）数据量级：Youtube每天 百万级别的视频 ，百万级别的用户，总的播放数量超过10亿
挑战：
（1）用户上载的视频经常没有元数据或元数据很少（视频的量级和用户的量级差不多）
（2）很多youtube视频时间很多（小于10分钟）User interactionsare thus relatively short and noisy.用户的交互相对就短有时会成为干扰数据。和netflix这样的网站不同，电影租借能很明确表达用户的兴趣
（3）In addition, many ofthe interesting videos on YouTube have a short life cycle going from upload toviral in the order of days requiring constant freshness of recommendation.很多视频在火之前，因为推荐需要新鲜性，这些推荐视频生命周期短
目标：
（1）匹配用户兴趣和目标视频的内容
（2）推荐的结果必须经常更新，以反应用户最近在网址上的活动（反映用户的兴趣的变化）
（3）推荐的可解释性
系统设计：
（1）总的思想是：推荐用户浏览过的videos相似的videos，以浏览过的videos作为产生推荐的种子（seed）
（2）用到的数据：因为video的元数据不完整或不正确或缺失给推荐带来了不准性和难度，所以本算法就不用这些数据。而是使用用户的浏览行为数据
（3）相似/相关的video（related video)：
- In this context, we define similar videos as those that a user is likely to watch after having watched the given seed video v.相似性定义为一起被观看的概率，概率越高，相似性或这相关度越高。
- video vi 的相似性 video集和：Ri
- In order to compute the mapping we make use of a well-known technique known as association rule mining [1] or co-visitation counts.用关联规则挖掘计算
- Denoting this co-visitation count by cij , we define therelatedness score of video vj to base video vi as:
- global popularity，或者可以定义为其他的全局正则化项
- We then pick the set of related videos Ri for a given seedvideo vi as the top N candidate videos ranked by their scores
r(vi, vj ). 挑选得分最高的n部vedio作为candidate - For each pair of videos (vi, vj ),
there is an edge eij from vi to vj iff vj 2 Ri, with the weight
of this edge given by ，可以看成是图或者是矩阵的形式
（4）推荐产生
- S：用户显示表达感兴趣的视频集合，Ri:video相关联/相似的视频集和
- 用C1作为推荐 但是有一个问题：推荐的视频比较窄，推荐的视频和S会非常相似，推荐的相似性必须保证推荐的多样性，可能对用户来说是全新的（不同主题、不同题材的）视频比较少。因此为了解决该问题，可以把C1作为seed产生种子，产生C2，一次类推产生Cn。这样可以保证推荐的多样性。其中
- 最终的推荐candidate为（差集，看过的不推荐）：
- 推荐的candidate的排序：三个影响因素：video quality，user specificity，diversification.
- 推荐指标：CTR点击率
- 用其他两种方法和推荐算法做对比：把具有最多浏览次数的视频作为推荐，把用最多户显示标为感兴趣的视频作为推荐，用户评分最高的视频作为推荐最终的最简结果比较如图所示
- 从上图可以显著的看出推荐算法的点击率最高，因此推荐算法是有效的
一篇关于youtube推荐算法的分享-基于用户行为的视频推荐相关推荐
- 推荐算法概述（基于用户的协同过滤算法、基于物品的协同过滤算法、基于内容的推荐算法）
"无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家.教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家.点这里可以跳转到教程." 目前推 ...
- 基于内容的推荐java代码_三种推荐算法简介：基于用户的协同过滤、基于物品的协同过滤、基于内容的推荐...
1.推荐算法 1.1.协同过滤 协同过滤是目前应用最广泛的推荐算法,它仅仅通过了解用户与物品之间的关系进行推荐,而根本不会考虑到物品本身的属性. 可分成两类: 1.基于用户(user-based)的协 ...
- Java+Jsp+Mysql实现简单在线图书推荐系统 个性化图书推荐系 java实现基于用户的协同过滤推荐算法 源代码下载 算法实现 Spring+Struts+Hibernate（SSH）开发框架
Java+Jsp+Mysql实现简单在线图书推荐系统 个性化图书推荐系统(基于用户的协同过滤推荐算法) 一.项目简介 1.开发工具和实现技术 MyEclipse10,jdk1.7,mysql5.5,t ...
- 基于用户行为分析的推荐算法
文章目录 基于用户行为分析的推荐算法 用户行为数据简介 用户行为分析 用户活跃度和物品流行度的分布 用户活跃度和物品流行度的关系 实验设计和算法测评 数据集 实验设计 评测指标 基于领域的算法 基于用 ...
- 短视频推荐算法过程分享，论如何针对推荐算法来优化短视频内容
短视频推荐算法过程分享,论如何针对推荐算法来优化短视频内容 相信做短视频的小伙伴一定知道"短视频推荐算法",简单理解就是短视频平台都自有一套推荐机制,决定我们发布的短视频是否可以获 ...
- 直播 | 电商智能推荐算法技术分享
随着信息过载时代的到来,人们逐渐习惯于从主动获取信息变成了被动接受信息,而基于智能推荐算法的内容.商品.服务分发系统,也已经逐步成为信息平台.电商等几乎所有互联网业务的标配,逐步给各个业务场景带来巨大 ...
- 协同过滤算法_基于用户的协同过滤推荐算法原理和实现
(给算法爱好者加星标,修炼编程内功) 来源:Create Chen's Blog https://www.cnblogs.com/technology/p/4467895.html 在推荐系统众多方法 ...
- 推荐算法(2)：基于内容的推荐
推荐算法(1):协同过滤总结 推荐算法(2):基于内容的推荐 推荐算法(3):利用用户标签数据 推荐算法(4)利用上下文信息 推荐算法(5)利用社交网络数据 推荐算法(6) 实例 推荐算法(7)缺失的 ...
- python协同过滤可以预测吗_基于用户的协同过滤推荐算法原理-附python代码实现...
在推荐系统众多方法中,基于用户的协同过滤推荐算法是最早诞生的,原理也较为简单.该算法1992年提出并用于邮件过滤系统,两年后1994年被 GroupLens 用于新闻过滤.一直到2000年,该算法都是 ...
最新文章
- Spring Data JPA例子[基于Spring Boot、Mysql]
- 怎样反制红队“硬件“攻击
- 【机器视觉】 dev_open_file_dialog算子
- 小师妹学JVM之:java的字节码byte code简介
- 交易机项目工作日志--2013-01-30
- 在家办公怎么弄？华为云DevCloud宝典一看就懂——迭代开发篇
- 手动挖第一桶金，10日赚3十万元
- AcWing135.最大子序和(单调队列DP)
- java idle 机制_深入springboot原理——一步步分析springboot启动机制（starter机制）...
- 二叉树的深度（剑指 Offer 55 - I）
- 如何ajax上传文件,如何实现Ajax文件上传功能
- DS18B20温度传感器使用详解
- ExpandableListView 的使用
- dp和px，那些不得不吐槽的故事——Android平台图
- maven项目关系依赖
- 电脑怎样查看密码?100%简单实用的方法
- 如何写一个好的缺陷（Defect）报告
- 妙用AccessibilityService黑科技实现微信自动加好友拉人进群聊
- 写给产品经理的第4封信：关于产品经理的十万个为什么？你为什么要做产品经理？
- 【bzoj 3238】差异