基于情境感知的个性化电影推荐研究

作者简介：徐佳（1986.01-），男，江苏徐州，某互联网企业，数据挖掘，概率论与数理统计，个性化推荐。

摘要：基于推荐技术的迅猛发展，推荐引擎逐渐应用到了电子商务网站以及基于社交关系的有关社会化站点。在近些年以来，用户在视频观看方面的需求越来越高，国内外相继产生了不同的电影推荐网站，比如国外Netflix有关电影推荐网站，还有豆瓣电影等。对于这些网站来说，它们能够对用户的一些行为数据进行分析，之后再向用户推荐某些电影，这在很大程度上帮助诸多用户发现他们所喜爱类型的电影。

关键词：情境感知；个性化；电影推荐

在大部分情况下，用户自身其实并不是很清楚需要什么，这种情况很可能是由于他们无法找到合适准确的关键词来对自身的需求进行描述，亦或是用户需要能够更加符合他们的偏好以及个人口味的内容。这个时候，用户自身的需求已经不仅仅是局限于信息方面的查找，更多的则是对于信息的发现，而一个良好的推荐引擎就能够为用户推送大量符合其兴趣以及喜好的信息。

一、电影推荐

近些年来国外逐渐出现了很多有关电影方面的推荐网站，而Netflix就是一款能够在线观看的有关电影推荐网站，这种网站能够依照用户对电影做出的评论、评分以及观看记录等，向用户推荐他们可能会感兴趣的一些影片。Jinni是一个类似于Pandora网站对电影做出“基因”分析的有关推荐网站，它可以将影片根据获奖情况、类型、基调以及适合观看人群等诸多维度做出细分，然后标注属性。用户能够利用语义进行搜索，从而得到想看的电影，比如用户输入“奥斯卡”或者是“励志”等有关关键词，系统能够自动进行匹配，进而推荐一些获得奥斯卡奖的非常励志的影片。除此之外，Rotten Tomatoes是利用提供电影评论、新闻以及咨询为主的以电影评论作为基础的相关推荐网站。与国外各种电影推荐网站相比，在国内市场当中还没有产生独立的有关电影推荐方面的产品，并且电影推荐方面的个性化程度相对也非常低。豆瓣电影是以社交网站作为基础来进行电影推荐服务的，能够为用户提供一种基于物品的有关协同过滤推荐，也就是指喜欢看这部电影的其他人还喜欢看的一些电影。与此同时，豆瓣电影还为所有的用户提供了一种个性化影片推荐——也就是“豆瓣猜”。其实际的工作原理就是对用户看过电影的具体评分、在感兴趣电影上的标注等进行记录，从而获取用户偏好的有关信息，当用户在评价以及收藏等方面越来越多的时候，由豆瓣推荐出来的电影就会愈加准确。

在近些年的发展当中，推荐技术逐渐走向成熟，尽管推荐系统的实际算法还在不断的进行优化，但是其推荐实际的准确性却是没有太大的提高，并且用户多样性的有关需求也对系统的精确性产生了阻碍，所以仅仅依靠算法方面的优化来完成推荐，还无法满足用户的实际需求。人的个性之间具有很大的差别，就算是比较相近的用户也一样存在个性差异，怎样为所有的用户都推送出符合他们味口的影片，是如今电影推荐系统方面所面临的一个主要问题。而我们必须要做的就是站在用户的角度进行考虑，在得到每位用户实际的个性化需求之后，提供符合他们爱好以及兴趣的电影，从而妥善提高电影推荐用户实际的体验。

二、情境感知相关推荐系统

（一）情境感知简介。根据获取信息的方式不同，能够将情境感知具体划分成主动情境感知以及被动情境感知；根据获取信息类型方面的不同，能够将情境感知具体分成直接的有关现实感知以及内部的有关蕴含感知。其中前者指的是设备环境、时间信息以及位置信息等有关信息，而后者含盖着用户的喜好、习惯以及特点等。对于情境感知来说，如今主要应用在普适计算以及便携式计算中有关用户界面方面的设计，利用传感器或者是地理位置服务等得到用户实际的情境，进而妥善的设计出对应的界面。

（二）情境感知相关推荐系统。情境感知相关推荐系统最开始是由Adomavicius and Tuzhilin所提出的，其具体指的就是将多维度相关情境信息合理引用到有关的推荐系统当中，从而帮助用户能够在不同的情境当中找到自己足够感兴趣的物品，利用定量或者是定性的有关方式构建情境感知方面的用户模型，是完成情境感知相关推荐系统的一个前提条件。

三、电影推荐的具体分类

第一层级是有关传统电影方面的推荐，也就是根据大众口味进行推荐，它能够对所有的用户呈现出一样的推荐内容。它能够利用网站进行人工提供内容，比如最新上映的某些电影或者是最近更新的某些电视剧等；同时也能够利用用户整体的观看次数、搜索以及点击量统计出来相对热门的电影，譬如电影排行榜。

第二层级是有关相似电影方面的推荐，也就是利用用户正在查看的有关电影，推荐一些和当前电影较为相似的内容，从而帮助用户找到有可能会感兴趣的一些电影。一般应用根据内容的推荐或者是协同过滤的有关推荐，用户不必登录，其依照所有用户的实际行为来进行推荐。通常位于视频播放窗口边上或者是在视频播放完成之后会显示“看过这个影片的用户另外还看过……”等有关语句。

第三层级是有关个性化电影方面的推荐，其指的就是依照用户自身的偏好以及口味进行推荐，这种推荐需要用户首先登陆，网站会对用户的历史行为进行记录，利用对庞大用户群所具有的观影习惯以及观影记录等建立用户模型和兴趣模型，进而进行视频推荐。譬如豆瓣猜当中的“你可能喜欢”。如今在电影推荐方面主要完成了第一、二层级上的推荐，也就是传统电影推荐以及相似电影推荐，而对于第三层级有关个性化电影推荐方面的产品非常少，远无法满足用户对于个性化推荐方面的需求。

四、电影偏好度

（一）用户性别对电影偏好度的影响

根据统计分组有关方法，我们对用户实际的观影偏好做出了等距的一种维度划分，把用户电影偏好根据百分比的差异具体划分成5组。G表示的是用户性别之下的有关电影偏好度，其有6个值，具体为0、1、2、3、4、5。假设X是选择有关类型影片方面的用户百分比，在X=0的时候，其电影偏好度是G=0；在0

（二）用户类型对电影偏好度的影响

根据统计分组有关方法，我们对用户实际的观影偏好做出了等距的一种维度划分，把用户电影偏好根据百分比的差异具体划分成5组。P表示的是用户性别之下的有关电影偏好度，其有6个值，具体为0、1、2、3、4、5。假设Y是选择有关类型影片方面的用户百分比，在Y=0的时候，其电影偏好度是P=0；在0

五、用户观影倾向度及情境特征

根据上文对用户心情以及电影的选择做出的统计分析，我们对于有关数据做出进一步处理。这与电影偏好度一样，对于用户观影倾向做出分组处理。设用户实际的观影倾向度是M，设目前心情下有关用户倾向于某种类型影片具体的百分比是Z，在0

（一）消极情绪

有关消极情绪类别方面的心情主要包括：愤怒/生气，悲伤/难过，压抑/抑郁以及担心/害怕等。由图1当中我们能够看出，用户如果处于消极情绪之下，其观影倾向度通常都非常低，集中在M=1以及M=2，这种情况证明用户处于负面情绪之下并不是太倾向去看电影。其中只有喜剧片的实际观影倾向度占到了最高值M=3，由此我们能够看出当用户处在消极情绪的时候，如果想要观看电影，那么更倾向于选择观看喜剧片，所以应该以推荐喜剧片作为重点。

观影倾向度愤怒/生气悲伤/难过压抑/抑郁担心/害怕

M=5无无无无

M=4无无无无

M=3无喜剧片喜剧片喜剧片

M=2爱情片，喜剧片，动作片，科幻片，战争片/灾难片爱情片，动作片，战争片/灾难片爱情片，动作片，伦理片，战争片/灾难片爱情片，动作片，恐怖片/惊悚片

M=1伦理片，恐怖片/惊悚片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲片，传记片/历史片/纪录片伦理片，恐怖片/惊悚片，科幻片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲，传记片/历史片/纪录片恐怖片/惊悚片，科幻片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲，传记片/历史片/纪录片伦理片，科幻片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲，传记片/历史片/纪录片

（二）积极情绪

有关积极情绪类别方面的心情主要包括：开心/喜悦，轻松/自在，满足/甜蜜以及激动/兴奋等。处于不同的心情之下，用户实际的观影倾向度会有很大的差异，比如在开心/喜悦的有关心情下，对于爱情片的有关用户观影倾向度是M=3，另外在满足/甜蜜的有关心情下，爱情片实际的观影倾向度是M=4。由图2中我们能够看出，很多影片类型方面的M值集中到M=2的区间，并且只有爱情片、喜剧片以及动作片等三类影片实际的观影倾向度为M=3与M=4。

观影倾向度开心/喜悦轻松/自在满足/甜蜜激动/兴奋

M=5无无无无

M=4喜剧片喜剧片爱情片爱情片，喜剧片

M=3爱情片，动作片爱情片，动作片喜剧片动作片

M=2爱情片，喜剧片，动作片，科幻片，战争片/灾难片爱情片，动作片，战争片/灾难片爱情片，动作片，伦理片，战争片/灾难片爱情片，动作片，恐怖片/惊悚片

M=1伦理片，恐怖片/惊悚片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲，传记片/历史片/纪录片伦理片，恐怖片/惊悚片，科幻片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲，传记片/历史片/纪录片恐怖片/惊悚片，科幻片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲，传记片/历史片/纪录片伦理片，科幻片，剧情片，家庭片，犯罪片/悬疑片，动画片，古装片/武侠片，奇幻片/冒险片，音乐片/戏曲，传记片/历史片/纪录片

结束语

本文在如今普遍应用的协同过滤有关推荐引擎的根本基础上，总结了用户观看电影的有关场景以及特征，提出了有关用户观影情境的基本概念，同时对基于情境感知的有关个性化电影方面的推荐进行了深入研究。基于情境感知的有关个性化电影推荐利用用户当前观影的具体情境，建立对应的用户情境模型，同时还将这种模型合理的应用在目前的推荐系统当中，进而为用户提供更妥善、更符合兴趣以及喜好的相关电影推荐服务。（作者单位：某互联网企业）

参考文献：

[1]钱程；阳小兰.一种电影个性化推荐系统的研究与实现[J].计算机与数字工程，2013，（08）；105.

[2]孙海峰；甘明鑫；刘鑫；吴越.国外电影推荐系统网站研究与评述[J].计算机应用，2013，（02）；135.

[3]陈天昊；帅建梅；朱明.一种基于协作过滤的电影推荐方法[J].计算机工程，2014，（01）；125.

[4]王越；程昌正.协同过滤算法在电影推荐中的应用[J].四川兵工学报，2014，（05）；134.

[5]黄莹；宋伟伟；邓春玲；江晓苏.协同过滤算法在电影推荐系统中的应用[J].软件导刊，2015，（08）；152.

[6]贾忠涛.基于协同过滤算法的电影个性化推荐系统设计与实现[J].软件导刊，2015，（01）；136.