数据挖掘技术影视智能推荐算法分析

摘要：针对当前影视智能推荐算法的推荐误差大、推荐时间长等局限性，以提高影视智能推荐精度为目标，获得理想的影视智能推荐结果，提出基于数据挖掘技术的影视智能推荐算法。该算法首先对影视智能推荐的工作原理进行分析，指出各种影视智能推荐算法的弊端；然后收集大量的影视智能推荐数据，根据数据得到用户⁃影视评分矩阵及相似度计算公式；最后引入数据挖掘技术建立影视智能推荐模型，并与其他影视智能推荐算法进行仿真对比实验，结果表明，该方法是一种精度高、速度快的影视智能推荐算法，相对于其他影视智能推荐算法，该算法的影视智能推荐整体效果更优，具有十分广泛的应用前景。

关键词：影视推荐；人工智能技术；大数据分析；数据挖掘；用户评分矩阵；仿真测试；推荐效率

近年来，随着移动通信技术和无线网络技术的发展，它们已经渗透到人们生活的各个领域，移动通信已经影响到了人们生活的各个方面[1]。在新媒体技术的影响下，人们将一些历史题材改编成了电视、电影，影视数据的数量大幅度增加，随着人们生活水平的不断提高对精神生活要求越来越高，而影视推荐网站层出不穷人们要在短时间内找到自己喜欢的影视作品十分困难故出现了“影视过载”问题[2]。为了解决“影视过载”问题，出现了影视智能化推荐系统，而影视推荐算法是最为核心的内容[3⁃5]。为了获得理想的影视智能推荐效果，本文提出了基于数据挖掘技术的影视智能推荐算法，并与其他方法进行影视推荐对比测试，结果表明，本文方法是一种精度高、速度快的影视智能推荐方法，相对其他方法，本文影视推荐方法具有十分明显的优越性。

1影视智能推荐算法的相关研究

针对影视推荐问题，国内外学者进行了大量深入的研究，当前存在许多影视推荐系统[6]。一个影视推荐系统大致包括：用户使用影视的历史记录、影视推荐算法、影视推荐结果的服务决策信息，其中影视推荐算法是核心，也是最为关键的部分。当前推荐算法大致可以划分为4类：基于协同过滤的影视推荐算法、基于内容的影视推荐算法、基于关联规则的影视推荐算法、基于知识的影视推荐算法[7]。其中，协同过滤的影视推荐算法是最早的算法，可以细化为基于内存的影视推荐算法和基于模型的影视推荐算法，在实际中该类算法不关心用户历史行为记录，因此存在冷启动和稀疏性问题，同时，影视推荐时间长，无法进行在线影视推荐[8⁃10]。基于内容的影视推荐算法模拟信息检索和过滤的过程，根据用户的偏好和影视内容之间的匹配度进行影视推荐，该类算法的自学习能力差，无法发现潜在的用户；基于关联规则的影视推荐算法工作过程简单，影视推荐实时性强，但是存在冷启动和稀疏性问题，同时一旦规则太多，那么影视推荐效率就比较低；基于知识的影视推荐算法是针对特定领域的影视制定推荐算法，因此通用性比较差[11⁃13]。综合当前影视推荐算法的研究现状可以发现，每一种影视推荐算法或多或少存在一定的不足和局限性，因此影视推荐算法研究面临巨大的挑战[13⁃16]。

2基于数据挖掘技术的影视智能推荐算法

2.1影视数据的采集与保存

随着计算机网络的不断发展，许多公司将一些影视数据发送到网络上，使得影视数据急剧增加，当前影视数据呈现大规模、海量特征，采用传统单机平台进行影视推荐效率极低。本文首先采集大量的影视数据，然后对影视数据进行预处理，并将预处理的影视数据保存在云平台的分布式文件系统中。分布式文件系统具有速度快、处理能力强等优点，可以存储海量的影视数据。一个分布式文件系统包括一个NameNode和多个DataNode，其中NameNode是主服务器，它可以接收用户请求，并对文件进行管理，而DataNode是多个计算机，主要用来存储数据，分布式文件系统的基本结构具体如图1所示。图1分布式文件系统的基本结构

2.2影视数据的预处理

由于影视数据保存在分布式文件系统中，因此需要生成用户对影视的评分数据。用户对影视的评分数据由三部分组成：用户编号（U_ID）、影视编号（M_ID）、用户对影视的评分（Score），本文采用云计算技术中的Map/Reduce实现，生成用户向量和影视向量，其中用户向量是一个用户对所有影视的评分，影视向量是所有用户对一个影视的评分。2.2.1用户向量生成步骤Step1：从分布式文件系统中读取影视数据，并计算用户的影视评分。Step2：通过Map将用户对影视的评分分为两部分：U_ID和M_ID、Score，其中，U_ID作为Map的key，M_ID、Score作为Map的value，它们组成<key，value>。Step3：根据key进行排序，将key相同的用户的影视评分放在一起。Step4：Reduce对相同用户的影视评分数据进行整合，得到一个用户对所有电影评分的集合。Step5：构建用户⁃影视评分矩阵，并计算它们的平均值，从而产生用户评分向量。具体步骤如图2所示2.2.2影视向量的生成步骤Step1：将用户评分向量作为Map的输入，对用户评分向量进行分解，将M_ID作为key，将U_ID、Score作为Map的value，形成<key，value>。Step2：根据key进行排序，将key相同的用户数据放在一起。Step3：Reduce对用户数据进行整合，将得到的key作为M_ID，vU_ID、Score作为value，即为所有对影视评过分的用户集合。Step4：将生成的数据保存在分布式文件系统中。具体如图3所示。

2.3用户⁃影视评分的构建

用户对影视的评分主要通过兴趣程度描述，假设有m个用户，对n部影视进行评价和打分，第i个用户对第j部影视的评分分值为rij，本文采用Movielens的5分制作为评分标准，分值越高表示用户对该部影视越感兴趣，那么用户⁃影视评分矩阵可以表示为：

2.4相似度计算

对于用户⁃影视评分矩阵，根据用户向量之间的距离估计用户之间的相似度，用户向量之间的距离越近，表示用户的相似度越高，当前相似度的计算方式主要有：1）基于欧氏距离的相似度式中：rˉu表示用户u共同评过分的影视的平均分；rˉv表示用户v共同评过分的影视的平均分。本文采用皮尔逊相关系数计算用户相似度。

2.5最近邻算法查找到前k个最近邻“邻居”

对于给定的训练样本集，最近邻算法根据样本之间的距离找到最近的k个邻居样本，将k个邻居频率最高类别作为待识别类别。本文采用皮尔逊相关系数计算用户的相似度，然后根据相似度值进行排序，选择前k个最近邻“邻居”生成目标用户的最近邻用户集合。

2.6计算预测评分并产生推荐

计算用户预测评分，并根据用户预测评分产生影视推荐结果，采用中心加权平均值的方法计算用户u对未评分影视i的预测评分，具体如下。

3影视智能推荐算法的性能测试与分析

3.1影视智能推荐实验数据集

为了测试基于数据挖掘技术的影视智能推荐算法的性能，采用影视推荐经典数据集——Movielens数据集作为测试对象，从中选择Movielens⁃100k进行具体仿真实验，选择80%的数据作为训练样本集合，20%的数据作为测试样本集合，Movielens的三组不同规模的数据集具体如表1所示。

3.2影视智能推荐实验环境

影视智能推荐实验平台包括5个节点、1台服务器、4台普通计算机，具体配置如表2所示，采用Java语言实现影视智能推荐算法。在相同条件下，选择文献[12⁃13]的影视智能推荐算法进行对比实验，选择影视智能推荐精度和时间作为实验结果的评价指标。

3.3影视智能推荐精度对比

采用三种方法对训练样本集合进行学习，建立影视智能推荐模型，然后对测试样本集合进行分析，统计每一种方法对每一个数据集的推荐精度，结果如图4所示。从图4可以看出，相对于文献[12⁃13]的影视智能推荐算法，本文算法的影视智能推荐精度大幅度提升，减少了影视智能推荐误差。

3.4影视智能推荐效率对比

采用单机平台的影视智能推荐算法进行对比实验，统计两种方法的影视智能推荐时间，结果如图5所示。从图5可以发现，相对于单机平台，本文算法的影视智能推荐时间明显减少，这是因为本文引入了大数据分析的云计算平台，提高了影视智能推荐效率。

3.5影视智能推荐算法的通用性测试

为了测试影视智能推荐算法的通用性，通过移动网络采集大量的影视数据，将它们划分为100类，统计本文算法对100类影视的推荐精度，结果如图6所示。从图6可以看出，本文算法的平均影视智能推荐精度超过了95%，获得了令人满意的推荐结果，能够适应移动环境下的影视推荐应用要求。

4结语

影视智能推荐是当前人工智能技术中的研究热点，针对传统影视智能推荐算法存在的弊端，为了提高影视智能推荐的精度，本文提出基于数据挖掘技术的影视智能推荐算法。采用多个影视数据集合进行仿真测试，结果表明，相对于其他影视智能推荐算法，本文方法获得了较高精度的影视智能推荐结果，影视智能推荐效率得以改善，具有十分广泛的应用前景。

参考文献

[1]陈琳娜.影视作品影响力评价指标体系和评价方法研究[J].南京艺术学院学报（音乐与表演），2017，22（4）：165⁃174.

[2]邓云，冯嘉礼.基于定性映射的影视推荐系统的应用与研究[J].现代计算机（专业版），2014（2）：3⁃7.

[3]丁家满，沈书琳，贾连印，等.一种基于协同过滤和混合相似性模型的推荐算法[J].上海理工大学学报，2020，42（3）：275⁃282.

[4]刘晓飞，朱斐，伏玉琛，等.基于用户偏好特征挖掘的个性化推荐算法[J].计算机科学，2020，47（4）：50⁃53.

[5]罗国前，刘志勇，张琳，等.移动环境下基于情境感知的个性化影视推荐算法研究[J].计算机应用研究，2020，37（5）：1306⁃1310.

[6]王珊珊.智能推荐系统在个性化数据挖掘中的应用研究[J].山东农业工程学院学报，2019，36（6）：28⁃29.

[7]王晓通.大数据背景下电影智能推送的“算法”实现及其潜在问题[J].当代电影，2019（5）：64⁃70.

[8]王运，倪静.基于用户行为序列的概率矩阵分解推荐算法[J].小型微型计算机系统，2020，41（7）：1357⁃1362.

[9]王忠，周庆标，方杰，等.社会标签情感分析的个性化影视推荐算法研究[J].电声技术，2012，36（7）：58⁃63.

[10]徐红艳，赵宏，王嵘冰，等.融合用户相似度的影视推荐系统研究[J].辽宁大学学报（自然科学版），2018，45（3）：193⁃200.

[11]阳甫军，李博.基于协同过滤的影视营销推荐算法研究[J].现代商贸工业，2019，40（17）：52⁃53.

[12]尤耀华，吴文琦.基于矩阵分解的感知兴趣点智能推荐算法仿真[J].计算机仿真，2020，37（2）：463⁃466.

[13]于亚新，刘梦，张宏宇.Twitter社交网络用户行为理解及个性化服务推荐算法研究[J].计算机研究与发展，2020，57（7）：1369⁃1380.

[14]李家华.基于大数据的人工智能跨境电商导购平台信息个性化推荐算法[J].科学技术与工程，2019，19（14）：280⁃285.

[15]秦莹.基于数据挖掘技术的电子商务移动支付风险预测[J].现代电子技术，2020，43（21）：106⁃109.

[16]潘莹，王君.数据挖掘的光纤光栅传感器复用解调技术[J].激光杂志，2020，41（10）：187⁃191.

作者：王小青 苏锋 蔡传根 单位：东北大学秦皇岛分校管理学院 安徽理工大学