*景先生毕设|www.jxszl.com +Q: ^351916072# 
/> 5.2.2 考虑冷启动问题的策略
5.3 基于本题的冷启动问题的设想
6 结果分析
7 结论
8 参考文献
1.问题背景与挖掘目标
在互联网发展到今天的这个时代，各种数据呈膨胀式增长，人类社会进入了大数据时代。当今社会，互联网无论从医疗、购物、查找信息等等方面都极大地方便了人们的生活。互联网在带给我们便利的同时，还带来了这样一个问题：数据处理。每个人使用互联网都会留下许多条数据，合理地运用这些数据，那么定会推动我们社会的发展；但是倘若处理不当，那它就变成了大量的流量垃圾，这是让人很头疼的问题。而推荐系统则是利用数据，方便我们生活的一个重要的例子。那么，我们该如何在海量数据中得到对我们有价值的数据，就成为了当今大数据时代最重大的问题之一。
协同过滤 （Collaborative Filtering）【1】是当今推荐系统中应用最为广泛且最为成熟的一个算法系类。他的优点很明显，可以利用用户的相似度来划分兴趣相投的物品，从而推荐使用者感兴趣的资讯。有优点就必然存在缺点，他太过依赖对用户的行为的分析，导致他捕捉新资讯、推荐新鲜事物的能力较差（即Item的冷启动【2】问题）。
三网融合（因特网、电信网、广播电视网）已经成为当今世界媒体传播的主要方式，如此广播电视公司可以与众多家庭用户实现实时交互，得到的数据可以用来做分析，使得公司产品更加人性化，从而达到增大销售量和传播力度的目的。
本次研究的目标就是根据广播公司提供的数据，解决以下两个方面的问题：
产品的精准推荐。根据已有数据，利用数据挖掘的方法分析用户偏好，从而给用户精准推荐其喜欢的电视节目，给出电视产品营销推荐；
对相似偏好的用户通过用户画像标签并分类；对产品进行分类打包，并给出营销方案。
2.国内外研究现状
推荐系统在大数据的环境背景背景下，已经属于一项十分热门的研究。如何正确处理大数据问题已经成为了迫在眉睫的难题之一。
目前主要有以下四种推荐算法：基于内容的推荐算法[3]、协同过滤推荐算法、基于关联规则的推荐算法[4]和混合推荐[5]。
基于内容推荐即从研究内容中提取特征，根据特征中建立用户兴趣模型；这种推荐算法实现方法直接、直白，他不需要用户对内容的评分，也不需要研究人员对某一特定领域有特定理解；但是它对新用户没有办法进行推荐。
基于关联规则的推荐算法则是基于某一规则，根据商品之间的相关性，对用户进行推荐。打个比方，某一个用户在某网站上买了新手机，那么该网站就会推荐手机壳、手机膜给该用户。这是由于手机需要手机壳和手机膜的保护，他们之间存在相关性。但是此算法获取规则比较耗时，并且存在商品名同义的问题。
协同过滤算法是从网站后台对用户数据进行梳理（一般需要有用户评分的数据），对用户兴趣进行建模，并且将兴趣相似的用户进行分类，将兴趣相似的用户之间进行互相推荐。协同过滤算法的推荐个性化、自动化，对新兴趣的发现具有较好的发掘性，但是随着数据量的增大，对新用户的推荐就变得越来越困难。
而混合推荐则是将多种推荐算法糅合在一起，扬长避短。
基于当前的研究成果，协同过滤算法存在以下几个问题：
（1）冷启动问题。这种问题一般是由于缺乏某个关键性特征而无法进行推荐，一般出现在新的用户或者商品进入系统的时候；
（2）兴趣迁移问题。当今时代是一个快消费时代，每个一段时间都会出现一个新的热点。于是用户就会出现兴趣的突然转变的现象；
（3）可扩展性。随着数据量的扩展，推荐系统的推荐准确性一般都会降低，这就要求系统最好要有较强的可扩展性。
3.问题分析
针对第一个问题，通过观察可知，附件一中第一、二个文件是用户的频道数据，第三、四个文件是用户的点播节目信息。
（1）我们可以将第一、二个文件中的观看时间进行处理，得到观看时间长度以及频率，再利用基于用户的协同过滤算法（userCF）得到用户的相似度矩阵，将相似用户划分到一起；
（2）根据表三、表四，对点播金额以及观看时间进行加权，然后采用基于物品的协同过滤率算法（ItemCF）得到节目的相似度矩阵；
（3）根据节目相似度得到点播节目的推荐表；根据用户相似度得到不点播节目的推荐表。
针对第二个问题，我们可以看出附件二是电视产品的信息数据，附件三是用户的信息数据。
根据附件二，构建节目的标签体系，为产品贴上标签；
（2）根据附件三的用户信息，根据用户的入网时间，得到用户的新老用户标签；
（3）结合附件一，将用户的观看时间进行排序，观看时间最长的时间便用户的时间偏好，倘若用户观看时间差别都不大，则为无明显时间偏好用户；然后我们将用户观看节目类型的时间进行汇总排序，便可以得到用户的类型偏好，若用户观看各种类型节目的时间都差不多，则为无明显类型偏好用户。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/81776.html