基于web用户体验的推荐系统设计与实现

论文摘要

随着信息技术的飞速发展,信息过载已成为一个日益严重的问题。对于用户来说,在对自己的需求不明确的时候,很难从大量的杂乱信息中找到自己感兴趣的信息。在这种背景下,推荐系统应运而生,被认为是解决信息过载问题的一个有效的方式。推荐系统联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。同时,随着互联网视频业的兴起,网络视频在用户规模和用户使用深度上均呈现快速增长趋势。视频数量的迅速增加使得视频行业同样也面临着信息过载的问题。个性化推荐系统在电子商务网站、视频导航网站、音乐电台网站等方面已经得到了广泛的应用,并带来了巨大的商业价值。但是用户规模不断增大对推荐系统的性能提出了更高的要求,推荐系统面临着冷启动、数据稀疏、用户兴趣偏移、用户兴趣度评价标准模糊、用户个性化推荐评价标准模糊等问题。用户体验是一种在用户使用产品过程中建立起来的纯主观的感受,如何准确地评估用户体验也是一个需迫切解决的问题。本文针对现有推荐系统存在的几个问题,结合实际应用将用户体验评价与推荐系统相结合,在item-based协同过滤推荐算法的基础上设计并实现了一个视频推荐系统。在整个课题中首先研究了现有比较成熟的推荐系统,分析了每个系统的实现方法与推荐效果,与用户体验评价相结合制定了本系统的实现方案。随后研究比较了显性评分体系与隐性评分体系的优劣势,结合用户体验指标设计了一套用户兴趣度隐性评分系统。最终实现了基于用户体验的视频推荐系统,其中用户行为数据收集模块包括前端收集模块和后端接收存储模块、数据格式、数据存储方案、用户识别模块的研究；推荐算法模块改善了冷启动问题,并根据遗忘曲线对推荐算法的兴趣漂移问题进行了改进；页面呈现模块的设计保证了良好的用户体验和推荐评价。经过测试模块的结果显示,该视频推荐系统是稳定有效的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 相关工作
• 1.2.1 垂直搜索技术
• 1.2.2 畅邮垂直搜索系统原型
• 1.2.3 推荐系统模型
• 1.3 本文主要研究内容及贡献
• 1.3.1 面临的挑战
• 1.3.2 解决方案
• 1.4 本文组织结构
• 1.5 本章小结
• 第二章 用户体验度量标准的分析与制定
• 2.1 用户体验度量标准的相关分析
• 2.2 畅邮视频搜索系统的用户体验评价系统
• 2.3 推荐系统对用户体验的影响
• 2.4 推荐系统的用户体验标准
• 2.4.1 准确性
• 2.4.2 多样性和新颖性
• 2.4.3 可解释性
• 2.5 本章小结
• 第三章 数据收集系统的设计与实现
• 3.1 用户行为数据
• 3.1.1 用户评分数据稀疏问题
• 3.1.2 用户行为数据类型
• 3.2 网站常用行为数据收集方式分析
• 3.2.1 web日志挖掘
• 3.2.2 JavaScript标记
• 3.3 现有大型视频导航数据捕获系统的分析
• 3.3.1 土豆/优酷
• 3.3.2 360影视
• 3.3.3 一搜
• 3.4 畅邮视频搜索系统数据收集系统的设计方案与实现
• 3.4.1 用户标识机制的设计与实现
• 3.4.2 脚本收集机制的实现
• 3.4.3 数据接收部分的实现
• 3.5 本章小结
• 第四章 基于协同过滤的个性化推荐系统的实现与改进
• 4.1 数据挖掘技术分析
• 4.2 现有推荐算法分析
• 4.2.1 基于人口统计学的推荐算法
• 4.2.2 基于内容的推荐算法
• 4.2.3 基于协同过滤的推荐算法
• 4.3 基于畅邮视频搜索系统推荐算法的选取与改进
• 4.3.1 推荐引擎Mahout架构
• 4.3.2 基于用户体验的隐性用户评分标准的制定
• 4.3.3 基于内容推荐综合推荐算法
• 4.3.4 基于遗忘曲线的综合推荐算法
• 4.4 本章小结
• 第五章 视频推荐系统的数据呈现部分的设计实现
• 5.1 网站用户体验分析
• 5.1.1 网站用户体验设计标准
• 5.1.2 畅邮视频导航系统的界面设计实现
• 5.2 各大视频推荐网站呈现部分的用户体验分析
• 5.2.1 土豆/优酷
• 5.2.2 奇艺
• 5.2.3 好123
• 5.2.4 360影视
• 5.2.5 一搜
• 5.3 畅邮视频搜索系统推荐结果呈现部分的设计实现
• 5.3.1 基于用户体验的推荐模块
• 5.3.2 热门推荐
• 5.3.3 最新上映
• 5.3.4 猜你喜欢
• 5.3.5 同演员推荐
• 5.3.6 同导演推荐
• 5.4 本章小结
• 第六章 实验和测试
• 6.1 实验环境
• 6.1.1 系统配置
• 6.1.2 软件配置
• 6.2 推荐系统的准确率验证
• 6.2.1 测试场景
• 6.2.2 测试场景搭建
• 6.2.3 改进前、后推荐算法性能测量
• 6.2.4 综合推荐的有效性验证
• 6.3 推荐系统用户体验度验证
• 6.3.1 测试方法
• 6.3.2 平均转换率
• 6.3.3 用户黏度
• 6.3.4 用户任务完成时长
• 6.4 本章小结
• 第七章 总结和展望
• 7.1 本文工作总结
• 7.2 今后研究展望
• 参考文献
• 缩略语
• 致谢
• 攻读学位期间发表的学术论文和科研情况