针对UGC平台的视频个性化推荐模型研究 ——基于改进的随机森林算法

作     者：张洋 

作者单位：中南财经政法大学 

学位级别：硕士

导师姓名：刘洪;朱遂文

授予年度：2021年

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：信息茧房 随机森林 视频推荐算法 用户生成内容 

摘      要：互联网技术的快速发展和视频网站行业的蓬勃发展,带动了各大视频平台用户规模的不断扩大。根据中国互联网络信息中心发布的《中国互联网络发展状况统计报告》显示,截至2020年6月,我国网民总规模达9.4亿,互联网普及率达到67%,其中网络视频(含短视频)用户规模达8.5亿,占网民整体的94.1%。对于各大视频平台来说,这既是一种机遇,同时也带来前所未有的挑战。在这种情境下,部分新型视频网站采取了开放和用户参与的模式,使得普通用户开始参与内容创作,即用户生成内容(UGC)模式,也就是我们现在熟知的抖音、快手、B站等视频平台。UGC视频平台所拥有的海量原创视频资源同用户的时间成本在属性上天然互斥。如何将用户最关注最感兴趣的视频呈现在用户眼前,成为了各大平台关注的焦点。因此,视频个性化推荐算法的研究成为当下的热点。出于用户体验和平台利益考虑,针对推荐算法的研究方向大多专注于精确率的提高,以便提高用户对平台的依赖程度。但长此以往,用户便会局限于信息闭路中,也就是陷入了“信息茧房,只能接收到自己感兴趣的信息。这会导致用户思考问题愈发趋于局限化、极端化,严重的情况可能不利于社会稳定。本文从追求更高效的推荐算法同改善“信息茧房问题这两个看似矛盾的目标出发,创造性地构建了基于改进随机森林算法的视频个性化推荐模型。为了追求推荐算法精确率的提高,本文将基于模型的协同过滤推荐机制同随机森林算法结合,并且同时引入二次判定规则,用于改善“信息茧房问题。并且通过多方考量,利用网络爬虫技术获取了来自知名UGC视频平台B站2020年11月的用户视频交互数据1441条。在构建了三种数据库后,从数据集中抽象出五类信息特征用于模型训练。测试证明,经过二次判定规则引入和参数优化后的模型不仅在精确率指标上表现良好,并且能够大幅度地提高视频推荐的广度,而不只是仅将类似视频推荐给相似用户,从而有效地改善用户所陷入地“信息茧房困境。视频行业追求用户体验与平台利益本无可厚非,但如若推荐算法研究重点能在当前一心追求推荐效率的大趋势下,兼顾用户思维的拓展以及可能存在的社会稳定性隐患,想必能够使行业发展得更好。