文摘
随着互联网技术的迅速发展,网络信息不仅带来了许多便利,大部分用户也带来了信息过载的问题。越来越难以对用户准确地获取他们需要的信息从信息的广阔的海洋。这个问题导致了推荐技术的研究,特别是网上的模拟路径microvideo个性化推荐。视频推荐模型在本研究中采用蚁群算法的思想。评估数据和浏览记录数据的基础由用户生成的视频推荐,和microvideo特性模型和用户偏好模型抽象从原始数据通过改进蚁群算法。推荐算法是用于在线microvideos满足用户的偏好。建议有两种方法,一种是找到类似的学生通过每个学生的用户偏好模型,并找到microvideo内容,学生们没有学到;另一种方法是使用用户偏好模型和内容特征模型匹配的内容符合用户的偏好。与传统的BP神经网络算法相比,GA-BP算法,和PSO-BP算法,ACO算法的均方误差均方误差值microvideo评分分类是减少了11.41%,5.93%,和2.41%,分别。可以看出,改进的视频分类评级ACO算法比其它算法有较低的平均误差。 The network microvideo personalized recommendation scheme designed in this study has very practical significance.
1。介绍
随着互联网技术的不断升级,视频拍摄设备变得越来越简单,容易学习,也催生了很多网民喜欢视频拍摄,并加速microvideos的发展和传播。的广泛应用,新一代的智能移动终端,特别是智能手机,microvideos,手机是非常受欢迎的,但缺乏操作,再次成为热点。一般来说,microvideo移动时代的发展仍处于初期阶段,但microvideo有可能颠覆原来的传媒生态的发展。microvideo的“微”特征使它非常依赖社交网站分享,只有在社交网站上大量的观众可以组装,与此同时,社交网站本身的流量增加。由于短microvideos内容,如果没有社交网站或视频平台,很难培养稳定的用户组,所以网络的个性化推荐microvideos是非常重要的。
个性化推荐技术的不断成熟和人工智能算法的不断发展,在线microvideo个性化推荐算法已经开始进入人们的视野。针对复杂的选择和旅游问题,Kotiloglu et al。1)提出了一个“过滤器第一,旅行第二”框架生成个性化旅游游客的建议基于来自社会媒体和其他在线数据源的信息。Karidi et al。2)提出了一个有效的语义推荐方法,帮助用户在Twitter信息流过滤有趣的内容。肖和Benbasat3构建和实证检验理论模型,研究审慎监管权威的偏见的建议如何影响消费者的决策质量和决策工作。周et al。4)设计一个基于深层神经网络学习模型(款)来分析和描述潜在的行为影响藏在多个模式(4]。刘等人。5)提出了贝叶斯锦葵(BMCD)方法,点击数据。他用锦葵排名模型学习用户首选项。他们没有给出一个最优路径的模拟在线microvideos的个性化推荐。本研究将一种改进的蚁群算法来优化它。
改进的蚁群算法的最大特点是局部优化,这使我们能够优化路径没有掌握所有的信息。为了提高非接触式配电的效率,提高用户满意度,吴(6)提出了一种非接触式配电路径优化算法基于一种改进的蚁群算法。Lv和陈7)提出了一种改进的异构的蚁群算法。通过引入备用区域共同蚂蚁蚂蚁和搜索策略,加快算法的收敛速度。他等。8)建立了一个危险货物运输优化模型基于一种改进的蚁群算法。李和Yu (9)提出了一个救援和煤炭检测机器人路径规划方法基于一种改进的蚁群算法。易et al。10]研究了agv的调度和无冲突路由问题,实证评价改进的蚁群算法。然而,他们提出的改进蚁群算法有两个缺点:搜索时间太长和搜索很容易落入平面部分最优。他们提出的个性化推荐技术并不是最优的结果。因此,在这项研究方法不仅快速而且获得大量的信息。
在这项研究中,改进的蚁群算法结合个性化推荐引擎提高microvideo推荐功能的准确性。通过构造一个个性化的视频推荐系统基于改进蚁群算法,整个过程的数据收集用户学习可以实现,可以完全理解用户的动态,可以抓住他们的个性特点和实际需要。为了更好地指导学生的积极性和创造性,它提供了有针对性的指导帮助。通过有效的个性化推荐,用户可以享受更多的个性化服务,满足自己的需求,也方便用户从大量的信息中提取有用的信息,提高资源利用效率。同时,高效的个性化的建议可以提高用户和网络之间的附着力。大约39%的用户每天看microvideos;看着他们每隔两到三天,33.9%和15.2%看到他们一个星期或者更多。本研究的主要研究框架如下。
本研究首先介绍了使用蚁群算法的思想。
第二,方法部分摘要microvideo特性模型和用户偏好模型的原始数据通过改进蚁群算法。
实验使用的推荐算法在线microvideos满足用户的偏好。
分析结果部分使用每个学生的用户偏好模型找到类似的学生和找到microvideo学生没有学到的内容。
2。网络Microvideo个性化推荐模拟路径
2.1。网络Microvideo
Microvideo包含两个元素:图片和声音。通过视频学习意味着视觉通道和听觉通道一起工作,同时接收信息刺激和处理信息。视觉microvideo强调动态和形象的本质内容。屏幕使用动画来呈现内容,可视化抽象的文字,并使用图形、图标、卡通人物等内容。音频选择评论的评论。
通过改进蚁群功能的测定,可以获得更新的用户兴趣度(11,12]:
用户兴趣度一般指用户的兴趣某个web页面或某个资源。值越大,越有兴趣的用户在某件事。价值感兴趣的程度往往是相关的一些关键因素,影响了用户的兴趣。在这项研究中,用户兴趣度也可以称为用户兴趣的重量。本研究主要考虑用户行为的七个维度。用户兴趣度我(我)的一个特定的用户我可以表示为七个影响因素的兴趣度之和,即:
的公式,一个(我)代表用户兴趣度的次数我点击网络microvideo;b(我)代表了用户兴趣度的时间我手表的视频;c(我)代表感兴趣的视频案例的数量由用户下载我(13]。
在这项研究中,用户节点的入度统计数据用于表示,和全球用户信任的程度定义如下:
用户信托基金如下:
其中,n+ 1是路径的路径的长度。
感兴趣的相似性和U如下(14]:
2.2。个性化推荐
Microvideo可以同时提供视觉和听觉通道的信息通过图像和声音,并提供双通道信息处理的一个信息来源。当学习者喜欢某些类型的信息,他们推荐相应的个性化方式类型的信息,使得信息处理过程更高效和有效的。例如,视觉型学习者倾向于记住信息的形式图片、图表、流程图、等视觉型学习者在设计视频资源,内容应以图片的形式呈现,图标,或卡通动画强调视觉的信息通道。
当t> 0,用户的信任值u应该在用户计算如下(15]:
为了衡量预测的准确性,在每一轮的测试中,平均差的绝对值的预测值和实际评级价值计算每个用户的测试集,然后测试用户的组的平均值,计算如下:
其中,米是所有评级的总数,然后呢ru,j是实际的评级(16]。
每一块的内容在每个文本内容被视为一个文档集合。其中,N文档的数量,N米文档的字数d,相似度值P(d米dm)的文档如下。
其中, 词出现的次数在文档d。microvideo推荐,每个主题的重要性计算文本内容设置基于text-topic分布和计算公式如下。
通常,当设计microvideos,设计师和生产商将添加一些动画,声音,和图片,甚至添加背景音乐,以提高动态的效果。根据学习方式的不同特点,提出了视觉microvideos以动画的形式,强调抽象的可视化内容,和其余的听觉,writing-reading和动觉microvideos结合PPT屏幕的形式记录和解释。一般来说,生产过程的PPT,许多动画效果将被设计为了是动态的,和太多的动画效果会分散学生的注意力。根据的原则避免冗余信息的干扰,使用复杂的动画效果时应最小化设计PPT。只需要设置简单的动画效果如淡入和淡出一些文本和图片,没有设置字幕,没有添加音乐,减少无关信息的干扰,学习者(17]。本研究认为microvideo的设计应该减少冗余信息,避免干扰。这张照片不需要再次出现相同的字幕音频,也不需要添加背景音乐。
用户的历史成绩k在项目j可以从项目不得分。用户的得分项的计算方法j在东北如下:
当每个段的学习路径的信息素更新在全球范围内,信息素限制区间介绍,最大和最小限制设置为避免上述情况。限制公式如下(18]:
2.3。为在线Microvideos个性化推荐
microvideo被选中的图片材料中使用的多媒体课件教师传统的教室,和相同的图片用于建立之间的关联microvideo课件,以便帮助学生回忆microvideo的内容。学习者利用网络平台观看microvideos学习上课前。教师展示课件或在课堂上提问时,这种设计可以帮助学习者快速召回microvideos,给教师的内容及时、准确的反馈。同时,在线学习实际上是与传统的教室。microvideo如图的生产过程1(19]。除了视觉microvideos,以动画的形式呈现,其余的形式介绍PPT屏幕录音 。
2.3.1。识别的学习者
如果学习者第一次登录到系统,系统将决定学习者的爱好,兴趣,和学习习惯当学习者注册账户的基本信息,浏览历史记录系统。接口的历史访问时间和其他历史记录信息进行初步测定,以最初构建学习者的学习风格模型,实现学习的推动信息。
2.3.2。数据处理
在收集学习者的源数据的早期阶段,通过源数据的处理和分析,构建学习风格模型的样本数据集,如文本浏览的学习者,音频和视频信息、考试成绩、页面停留时间。上面的信息收集是学习者的行为后由系统自动收集学习者的信息登录到系统和存储,而学习指数的文本获得的学习是学习者通过文本测试。因此,在建立训练样本数据集的过程中,可以区分数据和存储通过离散属性。
2.3.3。模型实例化
数据收集过程的发展,在系统积累了适量的学习数据,该系统将通过收集基本数据(如论坛发布的主题,文章的总数,和模块保持时间)。分析和矿井需要导出的特征数据,如学习者的学习目标在当前阶段,实例化个性化学习者模型基于在线学习社区。同时,各种资源信息更新和实例化领域知识模型是收集,作为核心的基础和数据输入的建议。
2.3.4。个性化推荐
学习者可以获得推荐的结果通过积极申请个性化学习路径推荐服务或推荐算法的起始条件得到满足时(例如,学习数据到达阈值要求的积累开始,等等)。然而,它仍然需要呈现给学习者以视觉形式(如视觉推荐界面,动画显示)指导学习者进行学习活动有明确的目标,清晰的组织,和容易发挥学习者的个人优势。同时,系统记录其反馈信息(如评论数据路径,学习状态,学习目标和改变数据),并实现个性化学习模式的自适应更新基于在线学习社区通过数据驱动技术。获得更新的学习者模型实例不仅可以用于自我评价和推荐效果评价还可以积累历史数据在接下来的推荐服务,进一步优化建议的结果。
microvideos之间的相似性一个和B如下:
microvideo的频率特性在用户评论如下: 在哪里N评论的数量吗u。ACO算法通常有一个优势,如简单的启发算法调度方法,和改善ACO算法的方法也将比原来的算法做出更好的改进。
2.4。改进的蚁群算法
通过multifactor-based microvideo个性化推荐框架,具体的可以推荐microvideos个人而不是依赖全球的认可(即个性化)。虽然已被证明成功减轻稀疏矩阵分解方法,他们最终是有限的二维数据(例如,用户microvideo矩阵)。稀疏意味着大多数的能量通道系数很小,和几个部分大型能源分布远(20.]。相比之下,用户首选microvideos受到多种模式的影响,包括用户和出版商之间的社会关系,无论用户的情感符合microvideos中包含的情感,和主题。首先,代表microvideo捕获数据集从microvideo社交网络(如葡萄树),和一个microvideos的个性化推荐算法从社交网络信任的三种模式,情感分析和主题。
根据信息素的规定(指同一物种的个体间交互的化学物质),蚂蚁巢和食物来源将分布在计划路径增加概率(21]。一段时间后,几乎整个蚁群最终将沿着规划的路径,从而寻找最优路径巢和食物来源。启发式信息发挥作用在蚂蚁选择路径,值越大,越接近传统的蚁群算法是贪心算法(22]。因此,蚁群算法的性能是由这两个因素共同决定。对应关系如下:
目前(t+n),microvideo优化路径上的信息量(我,j)需要相应的调整。调整公式如下:
改进的蚁群算法的搜索规则可以由转换公式,和算法假定可能有两种类型的搜索行为在蚂蚁的搜索过程。一种可能性是域搜索,另一个从节点我到节点j与概率。选择概率计算如下。
与此同时,为了避免这种情况,积累路径的信息素浓度太大与microvideo时间的推移,这将导致残余信息的启发式信息。有必要对microvideo执行全球更新信息素在一定的时间内(例如,在完成一个周期)。更新公式如下:
信息素增量的计算公式
在基本蚁群算法改进microvideo建议,全球的信息素更新方法,当完成操作一个迭代算法,蚂蚁释放信息素参与全球信息素的更新。但是这样做会使算法的搜索过程干扰被一些不良信息,蚁群的搜索方向会改变由于干扰信息的影响,算法的搜索速度放缓,最后影响的生成全局最优的解决方案。其表达式如下:
个性化学习路径建议不仅是一种特定的解决信息过载问题和认知跋涉也是一种有效的辅助手段发展的个性化教育在线学习社区。它能增强学习者在网络学习社区的学习经验和提高水平的个性化学习支持服务在网络学习社区。个性化推荐引擎的核心部分是个性化学习路径推荐和个性化学习路径推荐算法的载体。它的功能是计算一个个性化的学习活动计划或计划适合学习者,根据个体学习者的学习特点和性格特征描述的学习者模型,它过滤(搜索)适当的学习活动的领域知识模型的状态空间资源和学习内容,想象它个体学习者,为他们提供个性化学习路径,符合他们的学习风格,并满足他们的实际学习需求。这个建议是符合建构主义学习理论强调学习是基于自己的理解),从而改变过去被动学习风格的学习者。通过分析和计算,学习者可以获得个性化学习路径,符合自己的目标在不同的阶段,符合其特点,并解决问题,如学习损失和信息过载。microvideo个性化推荐路径框架如图2。
ACO microvideo推荐步骤:步骤1。初始化信息素矩阵。步骤2。根据信息素矩阵(载体)和城市距离,生成一个新的解决方案作为当前物种(当前视频解决方案)。步骤3。计算长度的视频推荐路径长度(每个解决方案的目标函数值)在当前物种(当前的解决方案)。步骤4。根据目前的物种(目前最佳的视频推荐解集),更新信息素矩阵(载体)。(当它满足迭代终止条件,跳出迭代链接和执行步骤5)。第5步。输出最优解(最优视频推荐解决方案)。
3所示。仿真结果的在线Microvideo个性化推荐
图3显示了算法的实验结果和改进ACO算法网络microvideo个性化推荐精度。改进算法的分类精度(蚁群优化)算法对用户评分高于传统算法。与传统的算法相比,改进的ACO算法能提高12.8%的microvideo个性化推荐的准确性。当测试样本集相对较小,波动幅度远小于基于改进算法的算法,和不断增加的样本测试集,改进算法比传统算法更稳定。
MSE反映的程度估计量,估计量的区别。均方误差(MSE)的改进的ACO算法和ACO算法如图4。均方误差(MSE)改进ACO算法的网络microvideo评分分类约为0.35,低于12.5%传统ACO算法的均方误差(≈0.4)。可以看出,改进的视频分类评级ACO算法平均误差低于ACO算法。
本节主要介绍了ACO算法的改进。MovieLens1M数据集用于实验,3900个视频评估的数据集可以获得6040用户,其中包括:用户数据、视频数据集,数据集,用户速率视频。这三个数据集是通过Python工具合并获得数据集包含用户ID、视频IDmmc1用户年龄、用户性别、视频类型,用户评级的视频。然后在这个数据集进行特征提取。特征提取的方法如下:功能设置以视频ID为一个列向量,和平均评级的用户观看视频的视频作为标签ID,也就是说,真正的价值;的年龄、性别和类型和其他数据的特征提取用户观看视频。主要功能包括平均年龄最高年龄,最小年龄,总数量,数量的男性,女性,男性和女性之间的差距,年龄和他们的方差,标准差,中位数,和其他数据。的特征数据集视频特征提取完成后,删除无效的视频数据特征样本数据集的特性,最后有效的特征数据集 。特征数据集(是一种统计方法)由主成分分析方法,进一步处理和特征值和特征向量是通过使用相关系数矩阵,然后每个特征的贡献率。当累积贡献率的一些功能特性集达到85%,这些特性选择主成分矩阵中的数据,和用户的主成分特性集的视频终于通过评级计算,如表所示1。可以看出,累积贡献率的视频ID、视频类型,用户性别和年龄已达到85.8%(超过85%)。因此,这11个参数可以作为神经网络的输入,从特征空间中删除次要组件集。它可以获得的数据集大小主成分的特性集 ;主成分特征数据集随机,第一个数据集的一部分作为训练集,而后者是一部分作为测试集。使用新功能空间算法训练可以减少算法的时间训练在一定程度上,和提高算法的精度和时间效率。生成新的特征空间后,新的特征空间集可用于测试和提高网络视频推荐ACO算法。
MSE的比较(均方误差)的BP神经网络算法,GA-BP算法,PSO-BP算法,ACO算法如图5。均方误差可以定性判断的平均误差样本集的分类算法,均方误差越小,越低的样本分类错误。与传统的BP神经网络算法相比,遗传算法(遗传算法)的BP算法和PSO-BP算法,ACO算法的均方误差均方误差值microvideo评分分类是减少了11.41%,5.93%,和2.41%,分别。可以看出,改进算法的视频分类评分算法具有较低的平均误差比其他算法,但它不够有说服力的判断只视频分数ACO算法的分类准确性和均方误差。该算法有更好的准确性和均方误差性能只能显示算法的总体分类精度高。在现实网络中,用户的评级的视频是一个主观的和个性化的事件,所以需要更多的细化指标来测试用户评级分类算法。
的召回率和F1_score ACO算法优于传统的BP神经网络,QA-BP算法,也优于PSO-BP算法(视频得分≥4是用户感兴趣的视频。其中,F1_score ACO算法提高了32.08%,24.74%,和3.35%,分别与传统的BP神经网络相比,QA-BP算法,PSO-BP算法。回忆和F1_score的比较如图6。
这个实验的数据是百度视频的用户操作行为日志应用程序,在其中有用的行为包括浏览,玩耍,和检索视频数据。日志数据处理后的数据预处理模块,生成一个数据结构,可以直接开采,和工作的Id作为工作的惟一标识符。在这个仿真,性能的改进的ACO算法和原算法比较由不同数量的输入用户数据和最小的支持。
支持度是0.2,横坐标是参与挖掘的用户数量(单位/单位),纵坐标是所需的运行时间(单位/ ms)我的最终结果。作为输入数据的数量逐渐增加,这两个算法的运行时间显示了上升趋势。当挖掘用户的数量是2000,因为改进算法需要格式转换预处理,运行时间高于未被利用的算法。然而,随着挖掘用户的数量增加,改进算法具有明显的优势。该算法性能比较图所示7。
大学生看的频率和使用microvideos如图8,以下数据是通过以天为标准:每天看microvideos 39%;33.9%每2或3天看一次;11.9%看每4或5天;,15.2%的人看了一个星期或更多,这些数据表明,大学生使用microvideos率更高。
发现看学生学习主要看microvideos想拓宽他们的视野,扩大他们的知识,占35%。第二是提高思维,世界观和人生观,比例是27%。此外,许多人选择近距离体验教授或演员的个人魅力是22%。的人数使用microvideo专业学习是最少,仅占16%。然而,有许多microvideos用于专业学习在互联网上,也有许多成功的例子将microvideos应用于课堂教学。可以看出microvideo能发挥辅助作用,学生的专业学习,但是小的用户数量也暴露了一些问题。它可能与枯燥的课程资源,专业性强,单调,难以理解,或者它可能与缺乏老师的指导和缺乏学习意识和能力。学生的目的看microvideos如图9。
课程学习模块主要是为学生提供的功能,比如浏览所有课程的列表,看指定课程的教学视频,跳转到相关视频。视频学习模块所使用的数据主要来自课程设置模块,但是也有一个单独的表结构,需要使用记录学院的学习记录。学习记录如表所示2。
教学视频列表列出了表征结构的教学视频数据库中,和视频id用于唯一地标识一个培训视频存储在系统中。视频标题和视频摘要用于描述的内容。进程id用于关联课程视频所属。视频序列号码是用来组织视频课程,使课程的逻辑流。视频路径字段存储路径视频的位置,看视频时将引用。教学视频显示在表中3。
信息素增量固定在1.5, ,测试信息素强度对精度和召回的影响值。最高精度能取得的信息强度是1.9。对精度和召回的影响如表所示4。
当算法在这项研究中使用的功能强大的合作和蚁群算法,启发式函数的设计还考虑项目的评价属性和项目本身的属性。用户的评价推荐的内容如表所示5。
算法的结果也显示很大的区别当蚁群规模不同的值。当蚁群的大小是8和10,算法的运行时间相对较长,和它的变化规律比较相似。当蚁群的大小是4和6,结果显示类似的变化规律。蚁群的大小是8和10时,该算法可以实现最优调度的结果7.4500年代,当蚁群大小是6,最优调度算法的长度是7.6000年代,当蚁群的大小是4,最优调度算法的长度是8.4467。任务的数量是12,这意味着越近的蚁群规模任务的规模,可以实现更好的最优解,和蚁群规模越小,算法的性能就越差。蚁群规模的选择应该接近任务的数量。结果不同的蚁群大小如图所示10。
4所示。结论
人工智能的快速发展和大数据,microvideo行业如雨后春笋般涌现。在推荐的过程中,经常遇到数据稀疏的问题,无法解决大规模数据处理的问题。在这项研究中,其他视频推荐算法进行比较和分析,和他们的推荐效果进行分析,以获得更好的视频推荐模型,满足用户的各种需求,提高视频的点击率。个性化学习者模型描述学习者的特点,反映了学习者的学习进度,学习动机和目标从侧面。建立一个可操作的、合理的个性化学习者模型可以帮助我系统学习相关的各种数据之间的关系在教育大数据。最后,根据不同学习者的学习特点,不同的学习路径在不同的学习阶段,为他们推荐适合他们的需求和目标,从而激发他们的学习兴趣和热情。与其它方法相比,本文中的算法提出了从解决一维静态优化问题到解决问题的多维动态组合优化问题,从散装的范围和研究领域逐步扩展到连续域。优化算法的活力和广阔的发展前景。的传播流行的视频,使用蚁群算法获得最优路径进行传输;当观看流行microvideos编码值相比,获得最优服务器的实时性能,并建立连接,以满足大规模用户的并发访问。 This study fails to comprehensively summarize the factors that affect the online microvideo by college students. In addition, there are many tests such as stability tests that have not been done. The next step in this study is to conduct a more comprehensive test of the short video recommendation system, to improve the short video recommendation system.
数据可用性
本文不涉及数据的研究。没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由人文社会科学项目支持安徽省级教育部门(项目编号:SK2021A0728)。