基于TF-IDF的新型广播电视节目协同推荐流程

doi:10.3969/j.issn.1006-2475.2019.09.012

计算机与现代化

基于TF-IDF的新型广播电视节目协同推荐流程

(1.东华理工大学地球物理与测控技术学院,江西南昌330013；
2.东华理工大学化学生物与材料科学学院,江西南昌330013； 3.东华理工大学理学院,江西南昌330013)

收稿日期:2018-11-29 出版日期:2019-09-23 发布日期:2019-09-23
作者简介:谢浩然（1997-），男，河北邯郸人，本科生，研究方向：数学建模，E-mail: 13082150012@163.com；卫巍（1997-），男，本科生，研究方向：数学建模；杨志辉（1975-），男，副教授，博士，研究方向：质量管理的模糊建模与优化；邓居智（1972-），男，教授，博士，研究方向：电磁勘探；葛坤朋（1987-），男，讲师，博士，研究方向：岩石物理。

New Radio and Television Program Collaborative Recommendation Process Based on TF-IDF

(1. School of Geophysics & Measurement-control Technology, East China University of Technology, Nanchang 330013, China；
2. School of Chemical Biology & Materials Science, East China University of Technology, Nanchang 330013, China；
3. School of Science, East China University of Technology, Nanchang 330013, China)

Received:2018-11-29 Online:2019-09-23 Published:2019-09-23

摘要/Abstract

摘要： 伴随着互联网技术的快速发展和应用拓展，三网（因特网、电信网、广播电视网）融合为传统广播电视媒介带来了发展机遇。但随着数据规模的增长，现有推荐算法对多“目录”广播电视用户精准推荐的效果并未达到预期要求，具有较为明显的不足。本文针对用户之间的相似关系和产品之间的相似度，分别用皮尔逊相关系数、基于TF-IDF的余弦相似度与协同推荐构建了2种可以对新型广播电视用户精准推荐的算法流程，并能够得到产品的准确分类与精准投放。

Abstract: With the rapid development of Internet technology and application expansion, triple play (Internet, telecommunication network, broadcast TV network) has brought development opportunities for traditional broadcast TV media. However, with the increase of data size, the existing recommendation algorithm does not meet the expected requirements for the accurate recommendation of many “category” broadcast TV users, and has obvious deficiencies. In this paper, based on the similarity between users and the similarity between products, Pearson correlation coefficient, TF-IDF-based cosine similarity and collaborative recommendation are used to construct two algorithm flows that can be accurately recommended for new broadcast TV users, and can get accurate classification and accurate delivery of products.

Key words: collaborative filtering, recommendation system, TF-IDF, new radio and television program, cosine similarity

中图分类号:

TP391

谢浩然1，卫巍2，杨志辉3，邓居智1，葛坤朋1. 基于TF-IDF的新型广播电视节目协同推荐流程[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2019.09.012.

XIE Hao-ran1, WEI Wei2, YANG Zhi-hui3, DENG Ju-zhi1, GE Kun-peng1. New Radio and Television Program Collaborative Recommendation Process Based on TF-IDF[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.09.012.

参考文献［23］

［1］	ZHUANG H L, TANG J, TANG W B, et al. Actively learning to infer social ties［J］. Data Mining and Knowledge Discovery, 2012,25(2):270-297.
［2］	姜书浩,张立毅,张志鑫. 基于个性化的多样性优化推荐算法［J］. 天津大学学报(自然科学与工程技术版), 2018,51(10):1042-1049.
［3］	李宇琦,陈维政,闫宏飞,等. 基于网络表示学习的个性化商品推荐［J/OL］. 计算机学报, (2018-11-07)［2018-11-26］. http://kns.cnki.net/kcms/detail/11.1826.TP.20181106.1541.004.html.〖HJ1.4mm〗
［4］	王国霞,刘贺平. 个性化推荐系统综述［J］. 计算机工程与应用, 2012,48(7):66-76.
［5］	王培. 基于网络用户行为分析的网络电视节目推荐系统［D］. 长沙:湖南大学, 2017.
［6］	BOBADILLA J, ORTEGA F, HERNANDO A, et al. Recommender systems survey［J］. Knowledge-Based Systems, 2013,46(1):109-132.
［7］	SALTON G, BUCKLEY C. Term-weighting approaches in automatic text retrieval［J］. Information Processing & Management, 1988,24(5):513-523.
［8］	潘丽芳,张大龙,李慧. 基于用户的协同过滤(UserCF)新闻推荐算法研究［J］. 山西师范大学学报(自然科学版), 2018,32(4):26-30.
［9］	陈功平,王红. 改进Pearson相关系数的个性化推荐算法［J］. 山东农业大学学报(自然科学版), 2016,47(6):940-944.
［10］	梁婷婷,李丽琴. 基于深度学习的资源个性化推荐算法及模型设计［J］. 智能计算机与应用, 2018,8(6):108-110.
［11］	王硕慜,尹菲,刘增涛. 基于广电大数据分析的用户画像与个性化推荐研究［J］. 有线电视技术, 2018(8):65-66.
［12］	李春春,李俊. 基于ASVD的协同过滤推荐算法［J］. 小型微型计算机系统, 2018,39(6):1286-1290.
［13］	李耀南,周星,夏修浩. 基于SVD算法的车前影像轨迹提取方法研究［J］. 制造业自动化, 2018,40(10):31-36.
［14］	RENDLE S, SCHMIDT-THIEME L. Pairwise interaction tensor factorization for personalized tag recommendation［C］// Proceedings of the 3rd ACM International Conference on Web Search and Data Mining. 2010:81-90.
［15］	李建贵,孙咏,高岑,等. 多属性协同过滤推荐在物流配送服务平台的应用［J］. 计算机系统应用, 2018,27(11):109-114.
［16］	龚静,黄欣阳. 基于k最近邻和改进TF-IDF的文本分类框架［J］. 计算机工程与设计, 2018,39(5):1340-1344.
［17］	RODGERS J L, NICEWANDER W A. Thirteen ways to look at the correlation coefficient［J］. The American Statistician, 1988,42(1):59-66.
［18］	叶雪梅,毛雪岷,夏锦春,等. 文本分类TF-IDF算法的改进研究［J/OL］. 计算机工程与应用, (2018-11-05)［2018-11-26］. http://kns.cnki.net/kcms/detail/11.2127.TP.20181101.1214.029.html.
［19］	ARAL S, WALKER D. Identifying influential and susceptible members of social networks［J］. Science, 2012,337(6092):337-341.
［20］	曹婷,龚向阳. 基于参数评估的可调节式分组流分类算法［J］. 北京邮电大学学报, 2007(4):60-63.
［21］	JOHNSON N L, KEMP A W, KOTZ S. Univariate Discrete Distributions［M］. John Wiley & Sons, 2005.
［22］	YAO Y Y. Measuring retrieval effectiveness based on user preference of documents［J］. Journal of the American Society for Information Science, 1995,46(2):133-145.
［23］	朱夏,宋爱波,东方,等. 云计算环境下基于协同过滤的个性化推荐机制［J］. 计算机研究与发展, 2014,51(10):2255-2269.

[1]	刘国丽, 徐洪楠, 谭有倩. 结合专家信任的协同过滤推荐算法研究[J]. 计算机与现代化, 2022, 0(11): 60-68.
[2]	田丰, 邓晓平, 张桂青, 王保义. 基于改进kNN算法与暂稳态特征的非侵入式负荷监测方法[J]. 计算机与现代化, 2022, 0(10): 29-35.
[3]	关慧, 盛靖媛, 曹同洲. 一种基于改进TF-IDF的SQL注入攻击检测算法[J]. 计算机与现代化, 2022, 0(06): 122-126.
[4]	张宗海, 於跃成, 冯申. 融合三重注意力和评论评分的深度推荐算法[J]. 计算机与现代化, 2022, 0(05): 1-9.
[5]	文勇军, 何环晶, 唐立军, . 基于LDA的隐式标签协同过滤推荐算法[J]. 计算机与现代化, 2022, 0(03): 53-58.
[6]	刘亦欣, 王家伟, 李自力. 融合注意力与深度因子分解机的时间上下文推荐模型[J]. 计算机与现代化, 2021, 0(11): 22-27.
[7]	陈卓, 袁玺明, 杜军威. 在线问答社区——海川化工论坛的回答者推荐算法[J]. 计算机与现代化, 2021, 0(10): 29-34.
[8]	耿化聪, 梁宏涛, 刘国柱. 基于知识图谱与协同过滤的饮食推荐算法[J]. 计算机与现代化, 2021, 0(08): 24-29.
[9]	王杉文, 欧鸥, 马万民, 陈建林. 基于用户信息向量聚类和改进SAMME的推荐算法[J]. 计算机与现代化, 2021, 0(07): 23-28.
[10]	代继鹏, 邵峰晶, 孙仁诚. 基于改进CHI和TF-IDF的短文本分类的研究[J]. 计算机与现代化, 2021, 0(06): 6-11.
[11]	黄皓, 陈荔. 基于信息熵和改进相似度协同过滤算法[J]. 计算机与现代化, 2021, 0(06): 29-34.
[12]	牛奉高, 闫涛. 特征加权的CLSVSM[J]. 计算机与现代化, 2021, 0(05): 59-65.
[13]	石朋, 姚文明, 王祥. 融合用户模糊聚类和相似度的加权Slope One优化[J]. 计算机与现代化, 2021, 0(01): 70-75.
[14]	崔鑫. 基于异构信息网络的推荐系统[J]. 计算机与现代化, 2020, 0(12): 13-19.
[15]	陈卓, 李鑫, 杜军威, 袁玺明. 面向化工企业事故的根原因关联分析[J]. 计算机与现代化, 2020, 0(10): 1-6.

基于TF-IDF的新型广播电视节目协同推荐流程

New Radio and Television Program Collaborative Recommendation Process Based on TF-IDF

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献［23］

相关文章 15

编辑推荐

Metrics

本文评价

基于TF-IDF的新型广播电视节目协同推荐流程

New Radio and Television Program Collaborative Recommendation Process Based on TF-IDF

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 ［23］

相关文章 15

编辑推荐

Metrics

本文评价

参考文献［23］