摘 要

当前，中国互联网发展迅猛，视频观看的入口例如PC端、移动端、网络电视已经进入普及性时代。视频的数量和视频观看用户不断增加，导致信息过载这一问题在视频领域尤为突出。而我们可以通过基于用户画像进行个性化视频推荐来解决视频领域的信息过载问题。一方面，能够有效帮助视频平台增强用户体验、减少用户成本。另一方面，又能够显著提高平台的产品转化率，增加产品销售。

当前研究在用户画像、个性化推荐领域已经取得显著的成果。随着标签体系理论和多种推荐算法理论的应用以及其他相关理论的持续深入研究，个性化推荐的应用领域进一步得到拓展。现今，相关技术已在新闻平台、商务平台、娱乐平台、学习平台、生活平台、决策支持等方面得到充分应用。一方面，推荐系统讲究创新和力求实时。另一方面，推荐系统也要保证实用和简单。这四点可以作为衡量一个推荐系统好坏的重要指标。如今，基于用户画像的视频推荐系统越来越具有可行性和高效性。

用户画像，作为一种刻画目标用户的专业化手段，用标签联结用户的属性、行为与期待，是用户需求和产品设计的一种联系途径。通过建立完整且丰富的用户画像，能够进行精确的视频推荐，做到增强用户体验、减少用户成本，最终有效解决视频领域的信息过载问题。

基于用户画像的视频推荐系统需要一套完善的用户标签体系，这将使得视频推荐更加科学有据。

多种个性化推荐系统，如协同过滤推荐系统、基于内容的推荐系统和混合推荐系统在视频推荐领域都有一定的应用，基于用户画像的视频推荐系统也可以结合不同算法的长处来完善自己。

在完成了用户画像的分析和建模之后，需要构建用户标签体系，这将使得基于用户画像的视频推荐系统拥有推荐的依据。在用户标签体系的基础上，依据不同的用户标签信息例如地理位置、时间段等，进一步优化推荐算法模型，尽量使得系统推荐的结果是用户最可能感兴趣的。

视频推荐的核心问题是如何找到用户感兴趣的内容，通过用户画像能够有助于从个人层面上解决这一问题。

关键词：用户画像 用户标签 协同过滤 内容过滤 视频推荐

ABSTRACT

At present, the Internet in China is developing rapidly. The entrances for video viewing, such as PCs, mobile terminals, and Internet TVs, have entered the era of popularity. The number of videos and the number of video viewers are constantly increasing. The problem of information overload is particularly prominent in the video field. We can solve the problem of information overload in the video field by personalized video recommendation based on user portraits. On the one hand, it can effectively help video platforms enhance user experience and reduce user costs. On the other hand, it can significantly increase the platform's product conversion rate and increase product sales.

The current study has achieved remarkable results in the field of user portraits and personalized recommendations. With the continuous deepening of the label system theory and the application of various recommended algorithm theories and other related theories, the field of personalized recommendation has been further expanded. Nowadays, related technologies have been fully applied in news platforms, business platforms, entertainment platforms, learning platforms, living platforms, and decision support. On the one hand, the recommendation system emphasizes innovation and strives for real-time. On the other hand, the recommendation system must also be practical and simple. These four points can be used as an important indicator to measure the quality of a recommended system. Today, video recommendation systems based on user portraits are more and more feasible and efficient.

User portraits, as a means of portraying the target user's professional use, link the user's attributes, behaviors, and expectations with tags, which is a link between user needs and product design. By establishing a complete and rich user portrait, accurate video recommendation can be made, so as to enhance the user experience, reduce user costs, and ultimately solve the problem of information overload in the video field.

Video recommendation system based on user's portrait needs a complete user tag system, which will make video recommendation more scientific and evidence-based.
A variety of personalized recommendation systems, such as collaborative filtering recommendation systems, content-based recommendation systems, and hybrid recommendation systems have certain applications in the field of video recommendation. Video recommendation systems based on user portraits can also combine the strengths of different algorithms to improve themselves.
After the analysis and modeling of the user's portrait are completed, a user tag system needs

to be constructed, which will make the user's portrait-based video recommendation system have a recommendation basis. Based on the user tagging system, according to different user tag information such as geographical location, time period, etc., the recommended algorithm model is further optimized, so that the result of the system recommendation is the user's most likely interest.

The core problem of video recommendation is how to find the content that users are interested in. The user's portrait can help solve this problem from a personal level.

目录

第1章 绪论 1

1.1研究背景 1

1.2研究意义 2

1.3研究现状 3

1.4论文结构 5

1.5本章小结 5

第2章 相关理论 6

2.1用户画像 6

2.1.1用户画像的定义 6

2.1.2用户画像的优点 6

2.2标签体系 7

2.2.1标签体系的定义 7

2.2.2标签体系的组成 7

2.2.3标签体系的分类 8

2.3三种常见的推荐算法 8

2.3.1协同过滤推荐算法 8

2.3.2基于内容的推荐算法 9

2.3.3混合推荐算法 10

2.4本章小结 11

第3章 基于用户画像的推荐系统的建立与优化 12

3.1用户画像的分析与建模 12

3.1.1用户画像分析方法 12

3.1.2用户画像建模方法 12

3.2基于用户画像的视频推荐系统的建立与优化 13

3.2.1数据处理 13

3.2.2建立标签体系 13

3.2.3视频推荐系统的建立与优化 15

3.3本章小结 17

第4章 结论与展望 18

4.1全文总结 18

4.2未来展望 18

致谢 19

参考文献 20

第1章 绪论

1.1研究背景

随着中国信息化建设的不断推进和完善，政府在2018年提出了“数字中国”这一理念。各类终端设备的普及使得人们的生活水平不断得到改善，人们的生活方式也在不断发生改变。

一方面，随着各类终端设备的不断普及和互联网的持续发展，移动端的用户数量仍在以高速的势头继续持续增长。中国互联网络信息中心（CNNIC）2018年发布第41次《中国互联网络发展状况统计报告》（以下简称“报告”）。该报告数据统计时间为2017年12月。报告指出，我国网民规模超7.72亿。互联网的普及率达到55.8%。普及率超出国际平均水平（51.7%）4.1%。超出亚洲平均水平（46.7%）9.1%。全国移动设备网民规模超7.53亿。网民中使用移动设备上网人群的比例由去年的95.1%增长到97.5%。与此同时，通过电视访问互联网的群体比例也提高3.2%，达28.2%。手机的使用时间和使用频率增长的同时意味着台式电脑、笔记本电脑、平板电脑的使用呈压缩态势。

截至2017年12月，网络视频用户规模达5.79亿。较去年底增加3437万，占网民总体的75.0%。手机网络视频用户规模达到5.49亿。较去年底增加4870万，占手机网民的72.9%。

网络视频移动化发展趋势相比2016年更加明显。一方面，手机收看视频的体验越来越好。大屏手机的推广使得手机与其他终端设备例如电脑、电视等观看视频时的体验差距越来越小。另一方面，手机的便携性使得用户能够利用碎片化的时间来进行视频观看。手机的改进和自身的优点使得越来越多的用户更加喜欢通过手机来观看网络视频。

另一方面，视频作为信息的载体，相对传统的文本方式，能够更加有效、更加抽象地将信息传达到用户的接收端；内容的信息传播载体主体已经从文字逐渐转变为多媒体资源，特别是视频内容。视频传播的主阵地也已经从PC端转移到了移动端。移动视频用户数量不断增加，其规模已达5亿之巨，覆盖率达到了71.9%。而在使用时长上，移动端已经不止PC端的两倍之多。

根据艾瑞数据显示，2017年6月，移动视频月独立设备达10.4亿台。每月总使用时间达199亿小时，总使用次数607亿次。各项数据均创下历史最高记录。设备数与2017年初相比增长9.6%。使用时间与2017年初相比增长18.4%。使用次数与2017年初相比增持22.5%。移动视频的用户群体总量持续增长的同时用户群体的质量也在不断提高。用户粘性（单机使用时间）增长8%。活跃度（单击使用次数）增长11.7%。

近年来，短视频发展势头迅猛。最近更是爆炸式增长，仅2017年6-9月，短视频用户的累计观看时间同比增长达311.3%。与此同时，各大信息资讯平台均推出短视频板块，短视频APP抖音、快手等更是发展迅猛，用户已达到数亿之多。

视频量和视频观看用户数量的不断增加，使得信息过载这一问题在视频领域显得更加突出。我们需要关注这一现象，通过有效途径来解决视频领域中的信息过载问题。

信息过载是指个人所需要处理或者有效利用的社会信息超过了其所能承受的范围，从而导致故障的情况^[1]。人们能够获取和接受的信息量是有限的，人们能够观看的视频数量和视频时长也是有限的，视频量的增加使得信息过载更加严峻，大量冗余的非目标视频严重干扰了人们的视频观看体验和阻碍获取真正想要的视频的过程，使得这一过程的时长大大增加，从而导致获取高质量、有价值的视频成本越来越高，。

从数据上看，视频占据的市场份额越来越大，与此同时，这一趋势还将持续扩大。在这庞大的信息中如何降低不确定性，如何消除不确定性，如何降低人内心的焦虑显得格外重要。因此，视频过滤、视频推荐的机制在当前面临的处境下显得更加重要。相比于传统互联网，移动端视频自身具有移动化、碎片化、个性化等特点，移动端视频播放必须朝着视频推荐的方向发展。基于用户画像的视频推荐系统通过对用户信息进行数据处理，从而构建完整的用户画像和用户标签体系，通过用户画像为用户推荐其很大程度上可能感兴趣的视频资源。

1.2研究意义

如何让用户能够更加快速、更加准确地找到自己想要的、感兴趣的视频是视频推荐系统的核心目的，视频推荐系统同时又弥补了通过搜索的方式来获取目标视频的不足。

从美国的互联网数据中心（IDC）的报告中，我们可以看到网络产生的数据正在以每年50%以上的速度增长；数据总量更是每两年扩大四倍；互联网每天产生的数据更是以P级别来衡量。

视频的产生速度越来越快，视频的总量和视频的时长正在呈现爆炸式增长。各大视频平台如爱奇艺、腾讯视频、优酷视频等等上拥有数以亿计的视频，视频量日渐增多，但是在各视频网站中的视频信息仍在不断的增加；作为视频观看用户，很多时候其实并不知道自己内心真正想要观看的视频，就像到了一个有着琳琅满目商品的商场，看得天花乱坠，有时候即使知道自己想要购买的商品也不知道商品的具体位置。同样，面对琳琅满目、眼花缭乱的视频，用户很难从中快速且准确地找到自己想要的、感兴趣的视频。

面对如此庞大的视频量，用户想要获取自己想要的、感兴趣的视频内容，单靠捜索的办法早已无法满足用户的需求，用户面临着信息量大，难选择、检索耗时的问题。因此研究视频推荐来解决信息过载问题迫在眉睫。

用户画像又称用户角色。可以作为一种勾画目标用户、联系用户诉求与设计方向的有效工具。用户画像同样也能够应用在视频推荐上。

基于用户画像的视频推荐系统能够为用户快速且准确找到自己想要的、感兴趣的视频提供一种有效途径，在视频与用户之间建立一道连接的桥梁。

对于用户来说，视频推荐能够增加自己在观看视频上的体验和乐趣，减少自己在视频检索上所耗费的时间，并且能够有效获取信息，避免在自己不需要的视频内容上浪费时间；对于视频提供方来说，视频推荐能够主动将用户想要获取和感兴趣的视频推荐给用户，让视频得到充分而有效的利用，从而增加了视频的的利用率，最终将为视频带来更多的观看率；减少用户在视频信息检索上所花费的精力，节省的时间又能够让用户有更多的观看时间，从而使更多的视频的价值得到体现，最终将为视频带来更多的观看率；通过良好的观看体验能够提升用户的交互体验，增加用户粘性，从而避免用户流失。

1.3研究现状

用户画像（User Profile）,就是将对用户的描述信息进行标签处理。具体做法如下：首先进行数据采集，收集用户的各类信息包括但不限于社会属性、消费习惯。在完成数据采集之后，能够帮助企业精确的锁定产品的核心用户群体，聚焦核心用户需求等等。然后进行数据清洗，对用户信息进行标签化。

对于任何一个个性化推荐系统，用户画像都是是否能够实现精准推荐和有效推荐的基础和核心。用户画像是用户行为信息一致的外在表现特点，同时也是用户偏好特点的展现。通常，在构建用户画像模型之前，一般可以将用户画像分为隐式画像和显式画像，二者的区分依据主要是用户活跃度。前者的特征是活跃用户参与的水平较低，更多是依据定位到的用户隐式行为信息来构建。后者的特征是活跃用户参与的参与较高，更多是依据定位到的用户显式行为信息来构建。先依据这些定位到的行为信息，系统可以进行分析。再根据分析的结果进一步分为基于文档的和基于概念的画像^[2]。

基于文档的画像是通过对内容进行分析，从中找到用户对象的偏好，从而发现和重现用户的浏览习惯。例如SVM（Support Vector Machine）向量权重模型。通过该模型，可以通过用户的APP行为记录，来挖掘用户的行为偏好、行为习惯、思想意识等个性化的信息，从而做到舆情监控。例如政府通过网络文本传播进行舆情监控。基于概念的画像是依据分析用户的浏览记录和点击记录等痕迹，从而知道用户的主题喜好。如通过大量用户的购买信息，分析出用户的商品需求，从而制作对应的营销战略的显式画像。

显式画像技术又可进一步分为静态画像技术和动态画像技术。静态画像技术一般应用于用户系统，通常是依据用户在注册时输入的信息，这样的画像一旦创建后不容易进行修改。动态画像的技术一般依据用户的日常行为信息。例如浏览的记录、点击的记录等动态信息，常用的技术有贝叶斯分类法、神经网络相关算法、遗传相关算法等机器学习技术来修正画像模型，从而更加真实而准确的定位用户的真正偏好^[3]。