大规模在线视频流系统中用户流行度偏好的准确推断

准确了解用户对视频热度的选择（PP）的差异性对丰富的用户画像，提高个性化服务精确度和优化产品提供方收益等方面大有替代益。目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF ）的算法来预测用户对视频热度的替代。具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。越稀疏的情况下，这种优势越明显。此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。