关键字 |
| 云计算、移动用户行为分析、多媒体服务的建议 |
介绍 |
| 推荐系统中各种形式的视频likethat(电视、视频用户需求,网络和P2P)将继续在2015年大约90%的全球消费者流量。互联网用户发布一个manylarge数量的音频、视频剪辑onaudio,视频分享网站和社交网站(Facebook、Twitter)应用日常[1]。音频、视频的数量可能会重复,相似,相关或完全不同。用户面临数十亿多媒体网页,在线用户通常很很难找到他们最喜欢的视频。移动用户的这种情况是非常困难的,因为屏幕限制和低带宽。如何帮助手机用户获得自己喜欢的内容列表从数以百万计的网页在短时间内是非常具有挑战性的[2]。一些视频分享网站推荐视频列表对最终用户根据视频分类、视频描述标签,或看历史。现有的推荐算法,典型的系统包括两个基本要素:1)用户感兴趣的内容推荐,负责识别、用户兴趣的建议,和结果reranking和2)各种收藏家收集用户上下文和活动,内容属性和更新。在推荐系统初始化,一些上下文信息,例如,收集时间和地点,[6]。捕捉用户的利益在一个无处不在的环境中,越来越多的上下文信息,例如用户的意见,看时间,和视频,记录在推荐系统[4]。 Real-time recommendation cannot be guaranteed due to inevitable increment of computations.User interests and content clustering are often used to narrow the searching range of related content.The system is implemented on the Hadoop platform to satisfy the huge computation requirements for real-time recommendation systems. The Hadoopis open-source framework uses a simple programming model to enable distributed processing of large data sets on clusters of computers. The complete technology stack includes common utilities, a distributed file system, analytics and data. The recommender systems, there are three differences: 1) the collector and user profiles are decentralized into several computing nodes; 2) the user behavior clusters are collected except for only user profiles; and 3) the graph-based optimization mechanism is introduced into the recommender to speed up the recommendation process. The Hadoop platform is used in the proposed multimedia recommendation system. On the platform, user clusters and multimedia content are collected, distributed, and stored into the Hadoop distributed file system (HDFS). During user content recommendation, those data are partitioned into several chunks, the chunks are processed simultaneously by several mapper, and then, the results are reduced and merged together . The Hadoop framework is more cost- effective for handling large, complex, or unstructured data sets than conventional approaches, and it offers massive scalability and speed. |
文献综述 |
| 现有的系统:互联网用户发布大量的视频剪辑每天在视频分享网站和社交网络应用程序。视频内容可以重复,相似,相关或完全不同。面临数十亿多媒体网页,在线用户通常很难找到theirfavorites。一些video-sharingwebsites推荐视频列表显示为最终用户tovideo分类、视频描述标签,或看历史。然而,这些建议是不准确的,总是不符合最终用户的利益。为了改善这种情况,一些网站还为用户提供搜索引擎搜索theirdesired视频很快。然而,基于关键字搜索。网上交易是独立服务器上托管。 |
| •很难重用视频标签模块。 |
| •支付相结合的物理主机由主机和硬件要求。 |
| •缺乏识别服务器的可伸缩性。 |
| •很难专用网上的垃圾信息散布者。 |
| •固有噪声和不一致的数据,确定任务的艰难。 |
| •在每月总量增加供应商。 |
| 提出系统:基于云计算的移动多媒体推荐系统可以减少网络开销和加快推荐过程的用户分为几组根据上下文类型和值。准确的分类规则,上下文细节是没有必要计算,巨大的网络开销减少。此外,用户环境中,用户关系,和用户概要文件从生成多媒体视频分享网站收集的建议。提出的方法可以推荐所需的服务与精度高、高回忆,和低响应延迟。收集用户群,而不是详细的用户配置文件。为了避免networkoverhead的爆炸,user-behavior-based集群performedfirst,收藏家计算用户集群根据聚类规则,然后报告用户集群只推荐。 |
| •提出类似建议方法。 |
| •移动——计算平台分布在大型数据中心的数量。 |
| •移动处理和存储资源。 |
| •一个推荐系统排名最高的视频的列表。 |
| •这个框架组件的可重用性和可扩展性。 |
| •私人存储空间为每一个提供者。 |
| •检测视频垃圾邮件发送者和推动者的过程是很容易的。 |
相关工作 |
| RecommendationSystem,系统上使用一个特定的域likethat谷歌新闻提供个性化信息推荐服务的网上读者。亚马逊使用推荐系统来帮助用户找到自己的选择或最喜欢的产品。YouTube使用用户观看历史来预测,为用户推荐视频。推荐系统已经被四个分类算法利用推荐系统:CB建议,CF-based建议,上下文感知推荐和基于推荐。在多媒体信息过载和允许用户轻松地访问relevan多媒体内容在他们的移动设备,今天的研究重点和挑战是如何开发多媒体推荐systemsfor移动设备。 |
| CB推荐:基于内容的系统使推荐基于内容的名称、标记或解释。一些系统确定user-interested项目基于用户的个人阅读历史的内容。CB recommendersystems非常容易实现。在基于内容的系统提供自动匹配用户的利益与项目内容。在基于内容的推荐非常相似的项目以前项目消耗的用户建议创建一个过度专门化的问题。 |
| CF-based推荐:协作Filtering-based系统根据丰富的用户事务的历史和内容进行过滤的声望。在协作系统中,单个用户的利益arepredicted由一群相似的用户.CF系统获得足够的历史消费记录和反馈。在另一边的预测,隐式反馈,或意见分类方法应该第十四解决新用户问题。在协同过滤,用户的评级是用于聚类用户组,确定socialcommunity。集团内部用户的相似性找出用于预测和建议。 |
| 上下文感知推荐:上下文感知系统提供稳定的建议不考虑usercontext信息。表示用户兴趣变化tolocation、时间和情感。环境敏感recommendationsystems补充用户上下文感知的智能手机andlong-time用户配置文件来帮助用户在选择更好的服务,动态照片或视频。上下文是艾弗里difficultconcept捕捉和解释;模糊本体和semanticreasoning ofcontext用于扩大和丰富的解释。 |
| 基于推荐:图的建议建立在systemsto确定filtrationobjects之间的相关性。Thefiltration问题变成一个节点selectionproblem图。将转换内容和上下文信息,链接视频页面转换toundirected加权图。与用户数量的大幅增加,用户环境中,用户配置文件,和视频内容,filtrationsystems需要越来越多的计算能力。解决巨大的计算需求,CF算法和上下文感知算法在云计算平台上实现提高推荐系统的性能和可伸缩性。 |
建筑图 |
算法: |
| 算法:找到相关的应用程序(s)到用户的上下文 |
| 输入:user_id location_id device_profile,时间 |
| 输出:下载相关的应用程序的url |
| 1功能 |
FindApp (user_id location_id device_profile、时间) |
| 2 = []/ / App收集器初始化应用程序 |
| 3如果location_id应用程序(s) (M) |
| 4 foreach m¡o m |
| 5 relevancyscore matchm = 0 / /初始化应用程序 |
| 6初始化ratingm = 0 / /应用评级得分 |
| 7 / /检索应用程序访问限制 |
| 8如果m没有绝对时间约束 |
| 9如果m已经开放 |
| 10 / / m马克斯。分数 |
| 11 matchm = 1 |
| 12结束 |
| 其他13 |
| 14 / /检索用户配置文件和凭证 |
| 俄文 |
| 15初始化matchm = 0 |
| 16 foreachruinRu点¡o点做 |
| 17 / /检查多少俄文满足我 |
| 18 matchm = matchm + F(俄文,我) |
| 19日结束 |
| 20结束 |
| 21日结束 |
| 22 m = 0.5 .matchm + 0.5。ratingm |
| 23 / / m添加到相关的应用程序 |
| 24应用=应用+ m |
| 25日结束 |
| 26日结束 |
| 27个应用程序(如果不为空 |
| 28 / /选择得分最高的应用 |
| 29日结束 |
| 30返回url / /如果零意味着没有应用 |
结论 |
| 在本文中,我们提出了上下文感知推荐技术作为解决信息过载问题的澄清,在移动云计算智能设备用户将挑战的氛围。提出说明的一个独特的能力集团动态上下文appreciationand推荐程序,用户配置文件功能集成在一个通用的背景。上下文功能依赖于使用上下文承认模型智能手机内置的传感器程序后收集精确的上下文信息。提出解决传感器利用了智能手机的积分提高统一实时和自动识别操作员康泰克斯信息剥夺使用额外的设备。 |
| 在未来,我们打算进行额外的广泛可用性挑战的计划,特别是在云生活氛围来提高其可用性。此外,我们打算评估等环境敏感方法内容和协作过程。最后,自提出解释智能手机上运行,收集数据从传感器,影响消费转换关键用户的忧虑。 |
|
数据乍一看 |
 |
| 图1 |
|
|
引用 |
- 张炳扬。赖,Y.-M。黄,H.-C。曹国伟,”DLNA-based多媒体共享系统为OSGI框架扩展到P2P网络,“IEEESyst。J。,vol. 4, no. 2, pp. 262–270, Jun. 2010.
- K.-D。Chang彭译葶。陈,J.-L。陈,H.-C。曹国伟,“挑战下一代服务IP多媒体子系统,”J。正无穷。Process.Syst卷。6,不。2,页129 - 146,2010年6月。
- d·李问:Lv,谢x l .商h .夏t . Lu和n .顾“基于兴趣的实时在线socialcommunities内容推荐,”知识。的系统。,vol. 28, pp. 1–12, Apr. 2012.
- 张x, y, j .郭和j·李,“网络视频推荐和发现,长尾”inProc。IEEE ICME, 2008年,页369 - 372。
- d .地方、f . Fessant和代表,“减少内容建议通过舆论本身的问题分类、“inProc。IEEE / WIC / ACM Int。Conf。WI-IAT, 2010年,页204 - 207。
- Q.H.马哈茂德,“广告提供上下文感知无线移动用户,在IEEE Int.Conf Proc.。在多媒体andExpo, 2006年,页669 - 672。
|
菜单