基于改进矩阵分解的个性化短视频推荐算法研究OACHSSCD

[目的/意义]随着互联网经济的快速发展,短视频平台异军突起,用户规模不断增长,为提升用户体验,个性化的视频推荐算法需要不断优化,而用户视频时长偏好作为用户观看行为的一项重要指标,能够反映短视频场景下用户异质性与差异化需求,因此本文旨在通过引入视频时长偏好来改进传统推荐模型,以提升短视频推荐效果。[方法/过程]本文在偏差奇异值分解(BiasSVD)模型的基础上,引入用户视频时长偏好与时长敏感度因素,构建融合视频时长偏好特征的改进矩阵分解推荐算法(DASVD),实验选取KuaiRand-1k全曝光数据集作为研究对象,将所提出的DASVD模型与多种基准推荐算法进行对比分析。[结果/结论]实验结果表明,与其他模型相比,DASVD的短视频推荐评分预测误差较小,并且在Top-N推荐任务中能够显著提升排序性能,将视频时长偏好引入短视频个性化推荐有助于优化推荐算法,缓解用户信息过载。