基于情境感知的個(gè)性化電影推薦研究

作者簡(jiǎn)介：徐佳（1986.01-），男，江蘇徐州，某互聯(lián)網(wǎng)企業(yè)，數(shù)據(jù)挖掘，概率論與數(shù)理統(tǒng)計(jì)，個(gè)性化推薦。

摘要：基于推薦技術(shù)的迅猛發(fā)展，推薦引擎逐漸應(yīng)用到了電子商務(wù)網(wǎng)站以及基于社交關(guān)系的有關(guān)社會(huì)化站點(diǎn)。在近些年以來，用戶在視頻觀看方面的需求越來越高，國內(nèi)外相繼產(chǎn)生了不同的電影推薦網(wǎng)站，比如國外Netflix有關(guān)電影推薦網(wǎng)站，還有豆瓣電影等。對(duì)于這些網(wǎng)站來說，它們能夠?qū)τ脩舻囊恍┬袨閿?shù)據(jù)進(jìn)行分析，之后再向用戶推薦某些電影，這在很大程度上幫助諸多用戶發(fā)現(xiàn)他們所喜愛類型的電影。

關(guān)鍵詞：情境感知；個(gè)性化；電影推薦

在大部分情況下，用戶自身其實(shí)并不是很清楚需要什么，這種情況很可能是由于他們無法找到合適準(zhǔn)確的關(guān)鍵詞來對(duì)自身的需求進(jìn)行描述，亦或是用戶需要能夠更加符合他們的偏好以及個(gè)人口味的內(nèi)容。這個(gè)時(shí)候，用戶自身的需求已經(jīng)不僅僅是局限于信息方面的查找，更多的則是對(duì)于信息的發(fā)現(xiàn)，而一個(gè)良好的推薦引擎就能夠?yàn)橛脩敉扑痛罅糠掀渑d趣以及喜好的信息。

一、電影推薦

近些年來國外逐漸出現(xiàn)了很多有關(guān)電影方面的推薦網(wǎng)站，而Netflix就是一款能夠在線觀看的有關(guān)電影推薦網(wǎng)站，這種網(wǎng)站能夠依照用戶對(duì)電影做出的評(píng)論、評(píng)分以及觀看記錄等，向用戶推薦他們可能會(huì)感興趣的一些影片。Jinni是一個(gè)類似于Pandora網(wǎng)站對(duì)電影做出“基因”分析的有關(guān)推薦網(wǎng)站，它可以將影片根據(jù)獲獎(jiǎng)情況、類型、基調(diào)以及適合觀看人群等諸多維度做出細(xì)分，然后標(biāo)注屬性。用戶能夠利用語義進(jìn)行搜索，從而得到想看的電影，比如用戶輸入“奧斯卡”或者是“勵(lì)志”等有關(guān)關(guān)鍵詞，系統(tǒng)能夠自動(dòng)進(jìn)行匹配，進(jìn)而推薦一些獲得奧斯卡獎(jiǎng)的非常勵(lì)志的影片。除此之外，Rotten Tomatoes是利用提供電影評(píng)論、新聞以及咨詢?yōu)橹鞯囊噪娪霸u(píng)論作為基礎(chǔ)的相關(guān)推薦網(wǎng)站。與國外各種電影推薦網(wǎng)站相比，在國內(nèi)市場(chǎng)當(dāng)中還沒有產(chǎn)生獨(dú)立的有關(guān)電影推薦方面的產(chǎn)品，并且電影推薦方面的個(gè)性化程度相對(duì)也非常低。豆瓣電影是以社交網(wǎng)站作為基礎(chǔ)來進(jìn)行電影推薦服務(wù)的，能夠?yàn)橛脩籼峁┮环N基于物品的有關(guān)協(xié)同過濾推薦，也就是指喜歡看這部電影的其他人還喜歡看的一些電影。與此同時(shí)，豆瓣電影還為所有的用戶提供了一種個(gè)性化影片推薦——也就是“豆瓣猜”。其實(shí)際的工作原理就是對(duì)用戶看過電影的具體評(píng)分、在感興趣電影上的標(biāo)注等進(jìn)行記錄，從而獲取用戶偏好的有關(guān)信息，當(dāng)用戶在評(píng)價(jià)以及收藏等方面越來越多的時(shí)候，由豆瓣推薦出來的電影就會(huì)愈加準(zhǔn)確。

在近些年的發(fā)展當(dāng)中，推薦技術(shù)逐漸走向成熟，盡管推薦系統(tǒng)的實(shí)際算法還在不斷的進(jìn)行優(yōu)化，但是其推薦實(shí)際的準(zhǔn)確性卻是沒有太大的提高，并且用戶多樣性的有關(guān)需求也對(duì)系統(tǒng)的精確性產(chǎn)生了阻礙，所以僅僅依靠算法方面的優(yōu)化來完成推薦，還無法滿足用戶的實(shí)際需求。人的個(gè)性之間具有很大的差別，就算是比較相近的用戶也一樣存在個(gè)性差異，怎樣為所有的用戶都推送出符合他們味口的影片，是如今電影推薦系統(tǒng)方面所面臨的一個(gè)主要問題。而我們必須要做的就是站在用戶的角度進(jìn)行考慮，在得到每位用戶實(shí)際的個(gè)性化需求之后，提供符合他們愛好以及興趣的電影，從而妥善提高電影推薦用戶實(shí)際的體驗(yàn)。

二、情境感知相關(guān)推薦系統(tǒng)

（一）情境感知簡(jiǎn)介。根據(jù)獲取信息的方式不同，能夠?qū)⑶榫掣兄唧w劃分成主動(dòng)情境感知以及被動(dòng)情境感知；根據(jù)獲取信息類型方面的不同，能夠?qū)⑶榫掣兄唧w分成直接的有關(guān)現(xiàn)實(shí)感知以及內(nèi)部的有關(guān)蘊(yùn)含感知。其中前者指的是設(shè)備環(huán)境、時(shí)間信息以及位置信息等有關(guān)信息，而后者含蓋著用戶的喜好、習(xí)慣以及特點(diǎn)等。對(duì)于情境感知來說，如今主要應(yīng)用在普適計(jì)算以及便攜式計(jì)算中有關(guān)用戶界面方面的設(shè)計(jì)，利用傳感器或者是地理位置服務(wù)等得到用戶實(shí)際的情境，進(jìn)而妥善的設(shè)計(jì)出對(duì)應(yīng)的界面。

（二）情境感知相關(guān)推薦系統(tǒng)。情境感知相關(guān)推薦系統(tǒng)最開始是由Adomavicius and Tuzhilin所提出的，其具體指的就是將多維度相關(guān)情境信息合理引用到有關(guān)的推薦系統(tǒng)當(dāng)中，從而幫助用戶能夠在不同的情境當(dāng)中找到自己足夠感興趣的物品，利用定量或者是定性的有關(guān)方式構(gòu)建情境感知方面的用戶模型，是完成情境感知相關(guān)推薦系統(tǒng)的一個(gè)前提條件。

三、電影推薦的具體分類

第一層級(jí)是有關(guān)傳統(tǒng)電影方面的推薦，也就是根據(jù)大眾口味進(jìn)行推薦，它能夠?qū)λ械挠脩舫尸F(xiàn)出一樣的推薦內(nèi)容。它能夠利用網(wǎng)站進(jìn)行人工提供內(nèi)容，比如最新上映的某些電影或者是最近更新的某些電視劇等；同時(shí)也能夠利用用戶整體的觀看次數(shù)、搜索以及點(diǎn)擊量統(tǒng)計(jì)出來相對(duì)熱門的電影，譬如電影排行榜。

第二層級(jí)是有關(guān)相似電影方面的推薦，也就是利用用戶正在查看的有關(guān)電影，推薦一些和當(dāng)前電影較為相似的內(nèi)容，從而幫助用戶找到有可能會(huì)感興趣的一些電影。一般應(yīng)用根據(jù)內(nèi)容的推薦或者是協(xié)同過濾的有關(guān)推薦，用戶不必登錄，其依照所有用戶的實(shí)際行為來進(jìn)行推薦。通常位于視頻播放窗口邊上或者是在視頻播放完成之后會(huì)顯示“看過這個(gè)影片的用戶另外還看過……”等有關(guān)語句。

第三層級(jí)是有關(guān)個(gè)性化電影方面的推薦，其指的就是依照用戶自身的偏好以及口味進(jìn)行推薦，這種推薦需要用戶首先登陸，網(wǎng)站會(huì)對(duì)用戶的歷史行為進(jìn)行記錄，利用對(duì)龐大用戶群所具有的觀影習(xí)慣以及觀影記錄等建立用戶模型和興趣模型，進(jìn)而進(jìn)行視頻推薦。譬如豆瓣猜當(dāng)中的“你可能喜歡”。如今在電影推薦方面主要完成了第一、二層級(jí)上的推薦，也就是傳統(tǒng)電影推薦以及相似電影推薦，而對(duì)于第三層級(jí)有關(guān)個(gè)性化電影推薦方面的產(chǎn)品非常少，遠(yuǎn)無法滿足用戶對(duì)于個(gè)性化推薦方面的需求。

四、電影偏好度

（一）用戶性別對(duì)電影偏好度的影響

根據(jù)統(tǒng)計(jì)分組有關(guān)方法，我們對(duì)用戶實(shí)際的觀影偏好做出了等距的一種維度劃分，把用戶電影偏好根據(jù)百分比的差異具體劃分成5組。G表示的是用戶性別之下的有關(guān)電影偏好度，其有6個(gè)值，具體為0、1、2、3、4、5。假設(shè)X是選擇有關(guān)類型影片方面的用戶百分比，在X=0的時(shí)候，其電影偏好度是G=0；在0

（二）用戶類型對(duì)電影偏好度的影響

根據(jù)統(tǒng)計(jì)分組有關(guān)方法，我們對(duì)用戶實(shí)際的觀影偏好做出了等距的一種維度劃分，把用戶電影偏好根據(jù)百分比的差異具體劃分成5組。P表示的是用戶性別之下的有關(guān)電影偏好度，其有6個(gè)值，具體為0、1、2、3、4、5。假設(shè)Y是選擇有關(guān)類型影片方面的用戶百分比，在Y=0的時(shí)候，其電影偏好度是P=0；在0

五、用戶觀影傾向度及情境特征

根據(jù)上文對(duì)用戶心情以及電影的選擇做出的統(tǒng)計(jì)分析，我們對(duì)于有關(guān)數(shù)據(jù)做出進(jìn)一步處理。這與電影偏好度一樣，對(duì)于用戶觀影傾向做出分組處理。設(shè)用戶實(shí)際的觀影傾向度是M，設(shè)目前心情下有關(guān)用戶傾向于某種類型影片具體的百分比是Z，在0

（一）消極情緒

有關(guān)消極情緒類別方面的心情主要包括：憤怒/生氣，悲傷/難過，壓抑/抑郁以及擔(dān)心/害怕等。由圖1當(dāng)中我們能夠看出，用戶如果處于消極情緒之下，其觀影傾向度通常都非常低，集中在M=1以及M=2，這種情況證明用戶處于負(fù)面情緒之下并不是太傾向去看電影。其中只有喜劇片的實(shí)際觀影傾向度占到了最高值M=3，由此我們能夠看出當(dāng)用戶處在消極情緒的時(shí)候，如果想要觀看電影，那么更傾向于選擇觀看喜劇片，所以應(yīng)該以推薦喜劇片作為重點(diǎn)。

觀影傾向度憤怒/生氣悲傷/難過壓抑/抑郁擔(dān)心/害怕

M=5無無無無

M=4無無無無

M=3無喜劇片喜劇片喜劇片

M=2愛情片，喜劇片，動(dòng)作片，科幻片，戰(zhàn)爭(zhēng)片/災(zāi)難片愛情片，動(dòng)作片，戰(zhàn)爭(zhēng)片/災(zāi)難片愛情片，動(dòng)作片，倫理片，戰(zhàn)爭(zhēng)片/災(zāi)難片愛情片，動(dòng)作片，恐怖片/驚悚片

M=1倫理片，恐怖片/驚悚片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲片，傳記片/歷史片/紀(jì)錄片倫理片，恐怖片/驚悚片，科幻片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲，傳記片/歷史片/紀(jì)錄片恐怖片/驚悚片，科幻片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲，傳記片/歷史片/紀(jì)錄片倫理片，科幻片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲，傳記片/歷史片/紀(jì)錄片

（二）積極情緒

有關(guān)積極情緒類別方面的心情主要包括：開心/喜悅，輕松/自在，滿足/甜蜜以及激動(dòng)/興奮等。處于不同的心情之下，用戶實(shí)際的觀影傾向度會(huì)有很大的差異，比如在開心/喜悅的有關(guān)心情下，對(duì)于愛情片的有關(guān)用戶觀影傾向度是M=3，另外在滿足/甜蜜的有關(guān)心情下，愛情片實(shí)際的觀影傾向度是M=4。由圖2中我們能夠看出，很多影片類型方面的M值集中到M=2的區(qū)間，并且只有愛情片、喜劇片以及動(dòng)作片等三類影片實(shí)際的觀影傾向度為M=3與M=4。

觀影傾向度開心/喜悅輕松/自在滿足/甜蜜激動(dòng)/興奮

M=5無無無無

M=4喜劇片喜劇片愛情片愛情片，喜劇片

M=3愛情片，動(dòng)作片愛情片，動(dòng)作片喜劇片動(dòng)作片

M=2愛情片，喜劇片，動(dòng)作片，科幻片，戰(zhàn)爭(zhēng)片/災(zāi)難片愛情片，動(dòng)作片，戰(zhàn)爭(zhēng)片/災(zāi)難片愛情片，動(dòng)作片，倫理片，戰(zhàn)爭(zhēng)片/災(zāi)難片愛情片，動(dòng)作片，恐怖片/驚悚片

M=1倫理片，恐怖片/驚悚片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲，傳記片/歷史片/紀(jì)錄片倫理片，恐怖片/驚悚片，科幻片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲，傳記片/歷史片/紀(jì)錄片恐怖片/驚悚片，科幻片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲，傳記片/歷史片/紀(jì)錄片倫理片，科幻片，劇情片，家庭片，犯罪片/懸疑片，動(dòng)畫片，古裝片/武俠片，奇幻片/冒險(xiǎn)片，音樂片/戲曲，傳記片/歷史片/紀(jì)錄片

結(jié)束語

本文在如今普遍應(yīng)用的協(xié)同過濾有關(guān)推薦引擎的根本基礎(chǔ)上，總結(jié)了用戶觀看電影的有關(guān)場(chǎng)景以及特征，提出了有關(guān)用戶觀影情境的基本概念，同時(shí)對(duì)基于情境感知的有關(guān)個(gè)性化電影方面的推薦進(jìn)行了深入研究?；谇榫掣兄挠嘘P(guān)個(gè)性化電影推薦利用用戶當(dāng)前觀影的具體情境，建立對(duì)應(yīng)的用戶情境模型，同時(shí)還將這種模型合理的應(yīng)用在目前的推薦系統(tǒng)當(dāng)中，進(jìn)而為用戶提供更妥善、更符合興趣以及喜好的相關(guān)電影推薦服務(wù)。（作者單位：某互聯(lián)網(wǎng)企業(yè)）

參考文獻(xiàn)：

[1]錢程；陽小蘭.一種電影個(gè)性化推薦系統(tǒng)的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)與數(shù)字工程，2013，（08）；105.

[2]孫海峰；甘明鑫；劉鑫；吳越.國外電影推薦系統(tǒng)網(wǎng)站研究與評(píng)述[J].計(jì)算機(jī)應(yīng)用，2013，（02）；135.

[3]陳天昊；帥建梅；朱明.一種基于協(xié)作過濾的電影推薦方法[J].計(jì)算機(jī)工程，2014，（01）；125.

[4]王越；程昌正.協(xié)同過濾算法在電影推薦中的應(yīng)用[J].四川兵工學(xué)報(bào)，2014，（05）；134.

[5]黃瑩；宋偉偉；鄧春玲；江曉蘇.協(xié)同過濾算法在電影推薦系統(tǒng)中的應(yīng)用[J].軟件導(dǎo)刊，2015，（08）；152.

[6]賈忠濤.基于協(xié)同過濾算法的電影個(gè)性化推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].軟件導(dǎo)刊，2015，（01）；136.