基于修正Tanimoto系数的电视节目个性化推荐方法研究

随着互联网产业的发展，电视节目的个性化推荐已经成为了许多电视节目制作者和观众们的共同需求。为达到电视节目个性化推荐的目的，本文通过结合用户共同评分项和用户所有评分项之间的关系，将基于修正Tanimoto系数的推荐算法运用于电视节目个性化推荐的研究中。实验结果表明，本文所运用的算法具有一定的提高电视节目个性化推荐系统的精度的效果。

伴随着互联网的迅猛发展，信息化的浪潮逐渐席卷各行各业，报纸新闻、广播、电视节目、电影等传统媒体都面临着向互联网产业转型的时代需求。对于报纸、电影等传统媒介，由于其内容的整体性， 很容易作为一个个媒体单元出现在互联网上。然而，以各类电视剧为主的电视节目媒体，却由于整部电视剧的体量庞大，难以在碎片化阅读的时代获得观众们的持续关注。此外，由于信息爆炸的现象，观众也难以从浩如烟海的电视节目中选取自己喜爱的节目。做好电视节目的推荐算法，对观众来说，能够为观众减少大量用以寻找符合个人口味的电视节目的时间，达到增加效率的目的；对于电视节目制作方来说，能够增加节目在对应受众中的曝光度，降低许多无效的宣传费用，获得更好的经济效益。

现有的各种推荐算法大多是基于用户兴趣数据进行推荐，例如以点赞数为主导的短视频推荐算法、搜索记录为主导的热门信息推荐算法、以用户过往评分为主导的评价推荐算法等。这些推荐算法的共同特点是需要大量的用户基础，在用户群体数量足够大的情况下，作出大范围的用户画像，推荐给个人用户的往往是大多数人喜欢的内容。这就导致现有的推荐算法容易引导用户查看更加热门的内容，使得热门内容更加热门，冷门内容无人问津。然而每位用户都是相对独立的个体，其所选择的内容更多是基于个人喜好的，与大众喜好有可能存在一定的差异，这部分用户就难以寻找到与个人爱好相似的内容，从而导致潜在的用户流失风险。

因此，近年来许多文献致力于改进相似性度量方法达到更好的内容推荐效果。Banagans [1]等人选取了收藏列表、观看时长、点播记录三个方面的数据，对基于评分的用户兴趣偏好进行加权处理，进而优化基于用户偏好的相似度算法。宋月亭[2]基于用户隐式评分特征的相似度优化，利用流形学习改进聚类算法的方式改进了协同过滤算法。陈娅昵、苏岐芳[3]等人在相似度计算中加入了相对偏好和绝对偏好， 改进了协同过滤推荐算法。虽然这些算法在一定程度上改善了在现有的相似性度量下的协同过滤推荐的效果，但仍存在针对用户个性化、精确化推荐性能不够完善的问题。

就用户行为而言，每个人都有过对自己喜好的内容反复观看，而对自己不喜欢的内容直接忽略或中途中断的经历，这就提示我们从用户对内容的观看时长出发，利用用户对内容的观看时长的相似性，寻找更加精准的用户喜好，进而达到改进推荐算法的目的。本文针对现有的各种推荐算法中对于相似性度量部分的考虑，提出一种修正Tanimoto 系数改进相似性度量的算法，以用户对内容的观看时长为数据基础，针对用户个性化的观看时长，达到针对用户个人喜好的精准推荐。同时，对于没有任何观看时长的