YouTube 电影推荐系统

论文题目：The YouTube Video Recommendation System

YouTube 电影推荐存在的难题：

1. 用户上传的电影几乎没有电影的相关描述
2. 电影的数量和活跃用户的用户数量在同一数量级
3. 电影长度比较短，用户对电影的交互也短，所以数据噪声比较大
4. 电影的生存周期比较短，推荐列表需要实时更新

推荐数据源：

第一类：视频数据流，视频元数据(标题，描述等)

第二类：用户活动数据，主要分为两种。

1 -> 直接活动：对电影评分，对电影点赞，订阅一个上传

2 -> 间接活动：用户观看电影的时长

计算两个电影之间的相似度

其中Cij表示电影i和电影j在一定时间段内，用户同时看电影i和电影j的用户数量

f(vi,vj) 归一化函数，可以是f(vi,vj) = ci * cj       , 其中ci表示在时间段t内，观看电影i的用户数量，cj也类似

f函数的归一化方式可以参考如下论文。

a large-scale study in the orkut social network   kdd 2005 ACM

寻找相似电影：

根据电影之间的相似性，以电影为顶点，电影直接爱你的相似性为边，构建无项有权的图W。

在图中可以找电影的相似电影。

首先构造用户喜欢电影集合S

再根据如下公式找寻推荐集合C1

该计算公式只考虑与S相似的电影，这样推荐不够新颖和多样性，所以可以进行拓展，按如下公式进行计算

最终候选集如下：

如何对这些候选推荐电影进行排序，可以按如下想法进行；

1 考虑电影的质量

2 考虑用户的个人爱好

3 考虑多样性