[论文解读] Network-Based Video Recommendation Using Viewing Patterns and Modularity Analysis: An Integrated Framework

Mehrdad Maghsoudi, MohammdHossein Valikhan+1 more|arXiv (Cornell University)|Aug 24, 2023

Recommender Systems and Techniques被引用 5

一句话总结

本文提出了一种基于网络的视频推荐框架，利用观看模式和模块化分析，提升视频点播平台的个性化推荐效果。通过基于隐式反馈（如观看百分比）构建用户-项目交互图，应用中心性度量（度、接近度、介数），并利用模块化聚类进行内容分组，该系统相较传统方法实现了点击率提升63%、观看完成率提高24%，用户满意度提升17%。

ABSTRACT

The proliferation of video-on-demand (VOD) services has led to a paradox of choice, overwhelming users with vast content libraries and revealing limitations in current recommender systems. This research introduces a novel approach by combining implicit user data, such as viewing percentages, with social network analysis to enhance personalization in VOD platforms. The methodology constructs user-item interaction graphs based on viewing patterns and applies centrality measures (degree, closeness, and betweenness) to identify important videos. Modularity-based clustering groups related content, enabling personalized recommendations. The system was evaluated on a documentary-focused VOD platform with 328 users over four months. Results showed significant improvements: a 63% increase in click-through rate (CTR), a 24% increase in view completion rate, and a 17% improvement in user satisfaction. The approach outperformed traditional methods like Naive Bayes and SVM. Future research should explore advanced techniques, such as matrix factorization models, graph neural networks, and hybrid approaches combining content-based and collaborative filtering. Additionally, incorporating temporal models and addressing scalability challenges for large-scale platforms are essential next steps. This study contributes to the state of the art by introducing modularity-based clustering and ego-centric ranking methods to enhance personalization in video recommendations. The findings suggest that integrating network-based features and implicit feedback can significantly improve user engagement, offering a cost-effective solution for VOD platforms to enhance recommendation quality.

研究动机与目标

• 为了解决因内容库过于庞大而导致的视频点播（VOD）平台中的选择悖论问题。
• 通过利用观看百分比等隐式用户反馈，提升推荐系统中的个性化程度。
• 通过网络科学技术（包括中心性度量和基于模块化的聚类）提升推荐质量。
• 在为期四个月的真实用户数据上，对一个以纪录片为主的VOD平台进行框架评估。
• 在关键参与度指标上，证明该框架优于传统方法（如朴素贝叶斯和SVM）

提出的方法

• 基于隐式观看模式（如观看视频的百分比）构建用户-项目交互图。
• 在交互图上应用三种中心性度量——度、接近度和介数，以识别具有影响力或重要性的视频。
• 使用模块化优化检测相关视频的内容社区，实现基于内容的聚类以支持个性化推荐。
• 实施基于自我中心的排序策略，根据用户特定的网络邻域优先推荐视频。
• 将基于网络的特征整合到混合推荐框架中，以在不依赖显式评分的情况下增强个性化推荐。
• 使用来自328名用户在四个月内的真实世界数据，在一个以纪录片为主的VOD平台上评估系统。

实验结果

研究问题

• RQ1 如何有效建模隐式观看模式（如完成率）以提升视频推荐的准确性？
• RQ2 在用户-项目交互网络中，中心性度量在识别相关或热门视频方面能发挥多大作用？
• RQ3 基于模块化的视频内容聚类能否提升VOD平台中推荐的个性化程度？
• RQ4 所提出的基于网络的框架在参与度指标方面，与传统机器学习方法（如朴素贝叶斯和SVM）相比表现如何？
• RQ5 将网络结构与隐式反馈相结合，对点击率和观看完成率等关键性能指标有何影响？

主要发现

• 所提出的框架相较基线方法实现了63%的点击率提升。
• 系统在观看完成率方面实现了24%的改善，表明用户对推荐内容的参与度更高。
• 通过事后评估调查或反馈机制测量，用户满意度提升了17%。
• 基于网络的方法在所有评估指标上均优于传统分类器（如朴素贝叶斯和SVM）。
• 基于模块化的聚类有效将语义相关的视频分组，从而实现了更连贯且个性化的推荐集合。
• 将基于自我中心的排序与网络中心性度量相结合，显著提升了推荐的相关性与个性化程度。