导读:本文包含了节目推荐论文开题报告文献综述及选题提纲参考文献，主要关键词:电视节目,推荐,用户偏好
节目推荐论文文献综述
王亚娜,王苑婷[1]（2019）在《基于用户偏好的电视节目推荐技术专利综述》一文中研究指出在电视智能化进程中,基于用户偏好的电视节目推荐技术不断为用户带来全新的体验,成为智能电视的标志性技术,并被视为将用户重新吸引到电视机前的关键切入点。本文介绍了基于用户偏好的电视节目推荐技术的专利申请基本情况,详细介绍了各技术分支及其发展状况,并分析了电视节目推荐领域的重要申请人及其关键技术。(本文来源于《河南科技》期刊2019年27期）
谢浩然,卫巍,杨志辉,邓居智,葛坤朋[2]（2019）在《基于TF-IDF的新型广播电视节目协同推荐流程》一文中研究指出伴随着互联网技术的快速发展和应用拓展,叁网(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。(本文来源于《计算机与现代化》期刊2019年09期）
张军[3]（2019）在《基于大数据技术的有线电视节目推荐系统》一文中研究指出在当前互联网技术以及智能AI技术的发展背景下,合肥有线利用大数据技术对电视用户群和节目资源进行细分,整合规范合肥有线的直播和点播节目资源元数据,利用基于内容的推荐算法和协同过滤算法对推荐模型的数据进行大数据分析,实现有线电视用户的个性化推荐服务。(本文来源于《电脑知识与技术》期刊2019年25期）
粟皓,赵晖[4]（2019）在《基于大数据的电视节目个性化推荐营销研究》一文中研究指出信息技术时代,数字电视网络运营商依托技术优势实现了电视节目点播与个性化推荐功能,基于大数据的电视节目个性化推荐是现阶段电视平台向消费者提供个性化视觉体验服务的重要营销方式之一。但在现实中,数据共享、信息处理及推荐算法等方面存在的不足制约了电视节目个性化推荐营销的推进。今后可通过以合作推进数据共享、提升数据处理能力、优化个性化推荐营销算法及内容等途径,推进电视节目个性化推荐营销。(本文来源于《新疆财经大学学报》期刊2019年02期）
徐晟杰[5]（2019）在《基于数据挖掘的电视节目个性化推荐研究及实现》一文中研究指出个性化推荐系统作为智能信息服务的组成部分,受到越来越多的行业的关注和研究,甚至成为某些行业的核心。但是因为电视节目的特殊性,其运用并不是很广泛。电视节目的个性化推荐已经成为电视服务商和用户的迫切需求。文章即围绕推荐系统这一领域,对电视节目的个性化推荐进行研究和实现。文章的前半部分介绍了电视节目个性化推荐的现状,分析电视节目个性化推荐与其他推荐的异同点。对推荐系统的几种经典算法进行介绍,讨论每种算法的优缺点。重点介绍了两种协同过滤算法,并对两种算法进行了解释。又介绍了推荐系统的算法评价指标,为后续的数据分析和数据挖掘工作,以及电视节目的具体推荐奠定了理论基础。文章的后半部分是推荐系统的实现部分,具体包括了叁个方面:(1)数据收集和数据清洗工作,文章运用了Python的网络爬虫技术对电视节目的类型进行了收集,再使用R语言、SQL语句对数据进行清洗,同时建立隐式评分体系;(2)数据分析和数据挖掘工作,文章采用R语言对整理好的数据进行了可视化处理,分析和挖掘隐藏的和有用的数据;(3)推荐系统的实现工作,使用Python语言根据协同过滤算法的原理进行编程,并根据数据分析和挖掘工作中得到的信息,有针对性把电视节目和节目类型推荐给某一用户。通过两种推荐的实现,文章得出了推荐节目类型可以当作推荐电视节目的依据的结论,相比于其他文章的研究,这个发现不仅是结论也是创新点。同时,也发现了由于数据集中矩阵稀疏性导致了推荐准确度不够精准的现象,这是在今后的研究中需要解决的问题。(本文来源于《曲阜师范大学》期刊2019-06-12）
李材华[6]（2019）在《基于时间感知贝叶斯排序算法的智能电视节目推荐系统研究》一文中研究指出近年来,随着网络技术的快速普及,智能电视逐渐取代传统的有线电视进入千家万户。智能电视基于网络技术,使观众能够在单一平台上方便地访问互联网上的海量节目。与有线电视中用户只能观看当前电视台播放的节目不同,在智能电视平台上用户可以选择网络上有权限的任意节目观看。与此同时,互联网上海量的节目也使得用户在筛选心仪节目的时候变得困难。此外,智能电视节目的推荐比传统的视频推荐更加具有挑战性。一方面,智能电视存在共享账号的问题,即多个家庭成员共享一个智能电视账号。另一方面,在智能电视节目的观看行为中存在弱隐式反馈问题,即看过的节目不一定是正反馈。在传统的隐式反馈推荐系统中一般都会把用户交互过的物品看作是正反馈。但在智能电视场景下,用户在探索喜好的过程中有很多节目只看了很短的时间,这些节目可能不是用户喜欢的。因此,解决上述两个挑战,并能够根据用户的观看历史为用户推荐个性化的智能电视节目变得至关重要。海信作为中国第一大、世界第叁大电视制造商,它拥有千万级的用户规模。为了解决这些新的挑战,我们对海信智能电视上的用户观看记录进行了分析。并且发现了叁个有趣的现象。第一个现象是不同的家庭成员有不同的节目观看时间。第二个现象是一个家庭在相邻时间段观看的节目相似。第叁个现象是节目的观看时长可以反映用户偏好。我们分别对这叁种现象进行了实验验证。并且针对上述叁种现象,我们分别提出了叁个机制用于提高推荐性能。基于第一个现象,我们利用K均值方法将一天聚类到几个固定的时间段,单独地研究每个时间段的用户观看行为。因此,不同家庭成员的观看记录大致对应不同的时间段。利用这个现象,我们可以在一定程度上解决智能电视中存在的共享账号问题。为了解决第二种现象带来的问题,我们引入了滑动窗口算法,将每个时间段和其相邻的时间段看作是一个窗口。针对第叁种现象我们提出了很直观的方法把弱隐式反馈信息映射为显式的分数。可以解决智能电视存在的弱隐式反馈问题。最后引入时间段信息将矩阵模型扩展成张量模型,并基于贝叶斯个性化排序(Bayesian Personalized Ranking,BPR)框架提出了时间感知贝叶斯个性化排序算法(Tiimc-awarc Bayesian Personalized Rankilng,TABPR)。因此我们可以在不同的时间段学习不同的用户偏好,并且解决了智能电视中存在的共享账号和弱隐式反馈的难题。在大规模真实数据集即海信智能电视数据集上进行的实验证明了时间感知贝叶斯个性化排序算法的有效性,并且比现有的先进算法有很大地提高。另外,我们还进行了大量的分析实验,实验结果表明基于上述叁个现象所提出的叁种机制都有益于推荐效果。(本文来源于《山东大学》期刊2019-04-20）
刘奥运[7]（2019）在《基于弹幕情感分析以及用户推荐节目优化策略研究——以明星真人秀为例》一文中研究指出弹幕作为视频网站与用户互动的新兴媒介,具有一般评论不可具有的实时互动性。同时弹幕更多是用户基于视频场景的共鸣,富有情绪化。本文尝试利用弹幕的情感分析技术,结合群体智慧,利用协同推荐,更好内容与用户。(本文来源于《现代营销(经营版)》期刊2019年03期）
刘炜楠,杨泽灿,黄再英,姜永[8]（2018）在《电视节目推荐系统》一文中研究指出为了解决信息过载问题,减少用户在寻找自己感兴趣的电视节目的时间与精力的消耗,电视节目的推荐已成为一大热门研究。由于家庭用户对象并非单独个体,传统的网络视频推荐系统并不适用于电视节目推荐。因此对家庭用户建立"时段-节目"的用户模型。通过对节目的特征提取以及对用户偏好模型的改进,从而能更为高效地进行电视节目的精准推荐。(本文来源于《电脑与电信》期刊2018年07期）
刘凯[9]（2018）在《个性推荐技术模式下的电视节目运营策略分析》一文中研究指出当前基于智能算法的个性推荐技术快速渗透互联网各个领域,视频节目的传播模式也日渐"头条化",电视节目运营在台网融合趋势下受到影响。本文划分了个性推荐技术在视频节目中的四种应用类型,探讨其对电视节目内容策划、受众定位及营销模式的影响,并提出应对策略。(本文来源于《电视研究》期刊2018年07期）
王华[10]（2018）在《基于张量分解的IPTV用户行为建模与节目个性化推荐研究》一文中研究指出随着电信网络、有线电视网络以及计算机网络的相互渗透与逐渐融合,交互式网络电视(Internet Protocol Television,IPTV)应运而生。IPTV节目的精准推荐为用户收视体验质量(Quality of Experience,Qo E)的保证。面对海量IPTV节目,如何快速定位感兴趣元素,从而避免信息过载问题,亟待研究。传统的节目推荐方法无法适用于IPTV节目推荐。原因在于:传统的推荐方法主要是研究用户与节目间的关系,未考虑用户在不同时间的收视行为,并且观看IPTV为家庭行为,即在不同时间观看电视的家庭成员可能不同,单个用户在不同时间观看电视的兴趣亦不同,同时需解决用户收视数据稀疏的问题。因此,为了实现IPTV节目的个性化推荐,必须剖析IPTV用户的收视行为,挖掘用户、IPTV节目与观看时段间的潜在关系。本文以IPTV节目的个性化推荐为应用背景,立足IPTV节目推荐面临的多重挑战,对IPTV节目的个性化推荐展开了较为系统的研究,主要的工作成果体现在以下几个方面:(1)为实现IPTV节目的个性化精准推荐,提出了结合观看时长、观看时段与服务类型等特征的用户收视偏好模型。基于用户的历史收视日志,分析IPTV的节目类别、节目播放时长、用户观看时间段及观看时长的内在联系,对用户的忠诚度、兴趣度与偏好程度进行深度感知,构建用户的收视偏好模型。(2)为提升IPTV用户的观看体验,提出了兼顾时间上下文与隐式反馈的节目推荐方法TCIF。基于Tucker分解模型,结合时间上下文与用户收视偏好模型,挖掘用户、电视节目类别和观看时段叁者之间的潜在关联,预测用户对各类节目的偏好程度,实现面向IPTV用户的个性化推荐。(3)为刻画群组对IPTV用户的影响,提出了融合地域特征与群组偏好的节目推荐方法RCGP。将用户的住址分为市区、县城、乡镇、村庄四个类别,并结合用户的收视偏好模型对用户进行聚类。在张量分解模型中嵌入额外的约束,以降低张量的稀疏性。最后采用分层次张量分解,兼顾用户的收视偏好特征与所在群组的收视偏好特征,实现IPTV节目的个性化推荐。另外,本文用户行为建模与推荐方法的研究以及性能评价均基于真实用户收视数据集。将本文所提出的兼顾时间上下文与隐式反馈的节目推荐方法与现有的算法进行比较,实验结果表明兼顾时间上下文与隐式反馈的节目推荐方法准确性优于其他算法约10%,同时也保持了较高的覆盖率、多样性以及新颖度。本文对所提出的两种推荐方法的性能与推荐效果进行比较,实验结果表明融合地域特征与群组偏好的节目推荐方法的准确度较兼顾时间上下文与隐式反馈的节目推荐方法至少提高13%,且大幅节省了内存空间的消耗。(本文来源于《西北大学》期刊2018-06-01）
节目推荐论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
伴随着互联网技术的快速发展和应用拓展,叁网(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。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
节目推荐论文参考文献
[1].王亚娜,王苑婷.基于用户偏好的电视节目推荐技术专利综述[J].河南科技.2019
[2].谢浩然,卫巍,杨志辉,邓居智,葛坤朋.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.2019
[3].张军.基于大数据技术的有线电视节目推荐系统[J].电脑知识与技术.2019
[4].粟皓,赵晖.基于大数据的电视节目个性化推荐营销研究[J].新疆财经大学学报.2019
[5].徐晟杰.基于数据挖掘的电视节目个性化推荐研究及实现[D].曲阜师范大学.2019
[6].李材华.基于时间感知贝叶斯排序算法的智能电视节目推荐系统研究[D].山东大学.2019
[7].刘奥运.基于弹幕情感分析以及用户推荐节目优化策略研究——以明星真人秀为例[J].现代营销(经营版).2019
[8].刘炜楠,杨泽灿,黄再英,姜永.电视节目推荐系统[J].电脑与电信.2018
[9].刘凯.个性推荐技术模式下的电视节目运营策略分析[J].电视研究.2018
[10].王华.基于张量分解的IPTV用户行为建模与节目个性化推荐研究[D].西北大学.2018