一、文献综述
- 国内外研究现状加上推荐系统的现状
随着互联网的不断发展和信息的爆炸式增长，人们利用互联网获取信息的方式也在逐渐改变，从最开始雅虎的门户网站到谷歌的搜索引擎服务再到当下最热门的推荐系统服务。这些变化的背后是数据的激增，由此产生了大数据的概念。
大数据风靡全球的同时，我国也加快了对大数据相关技术攻关的进程，工信部发布的《物联网十二五规划》里，把信息处理技术作为关键技术创新工程之一而提出来，其中包括了海量数据存储、数据挖掘、图像视频智能分析等大数据技术的重要组成部分。大数据技术的成熟发展，使我国大数据产业链雏形呈现，给企业带来商机。
研究大数据不仅仅是研究概念还研究了大数据技术，并且把技术研究作为了重点。以美国为例，他们部门中的大数据研究计划，绝大多数都是以重视数据工程为重点，并从分析算法和系统效率两方面考虑进行设计。
国内目前的研究多集中在推荐系统的理论和技术方面，取得了丰硕的成果。针对评价数据的稀疏性，有学者提出一种优化的协同过滤推荐算法，也有基于项目评分预测的协同过滤推荐算法，采用一种新颖的相似性度量方法计算目标用户的最近邻居。针对算大的可扩充性，也有相关文献提出基于项目聚类的协同过滤推荐算法，显著地提高推荐系统的推荐质量。以上各类推荐技术都各有优缺点，因此许多研究者提出结合多种过滤技术，以克服各自的优缺点。例如基于内容和合作模式的信息推荐机制，基于语义相似性的资源协同过滤技术等。国内的一些影视类网站大都有自己的推荐系统，例如爱奇艺、优酷、土豆、腾讯视频等，但现阶段做的还不是很完善，有时会出现一些不相关的电影推荐。
（二）研究主要成果
推荐系统中关键的部分是推荐算法，因为系统的性能优劣很大程度上取决于推荐算法。随着推荐系统在生活中的广泛应用，人们对于推荐系统的算法研究也越来越关注，目前推荐算法主要分为以下四种：
- 基于内容的推荐算法（Content-Based Recommendations CB）：基于内容的推荐服从如下假设：对于特定目标用户，在内容上与该用户以往感兴趣的信息项目相似的项目，用户将来很可能对这些项目仍感兴趣。基于内容的推荐的基本思想是：对每个用户都用一个称作用户的兴趣模型(User Profile)的文件构成数据结构来描述其喜好；对每个项目的内容进行特征提取(Feature Extraction)，形成特征向量(Feature Vector)；当需要对某个用户进行推荐时，把该用户的用户兴趣模型同所有项目的特征矩阵进行比较得到二者的相似度，系统通过相似度推荐文档。概念图如下：
- 协同过滤推荐算法(Collaborative Filtering CF)：协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaborative filtering)，和基于物品的协同过滤算法(item-based collaborative filtering)。尽管协同过滤算法实现较为简单，但是其推荐依赖于准确的用户评分，因此会存在新用户的冷启动问题，并且一些对象可能得不到用户的评分，会造成稀疏矩阵问题。
- 混合推荐算法：这个类似我们机器学习中的集成学习，博才众长，通过多个推荐算法的结合，得到一个更好的推荐算法，起到三个臭皮匠顶一个诸葛亮的作用。比如通过建立多个推荐算法的模型，最后用投票法决定最终的推荐结果。混合推荐理论上不会比单一任何一种推荐算法差，但是使用混合推荐，算法复杂度就提高了，在实际应用中有使用，但是并没有单一的协调过滤推荐算法，比如逻辑回归之类的二分类推荐算法广泛。
- 基于关联规则的推荐算法：关联规则分析也是一种比较常见的推荐算法，主要是根据历史数据统计不同规则出现的关系，比如：Xminus;gt;Y X-amp;gt;YXminus;gt;Y，表示X XX事件发生后，Y YY事件也会有一定概率发生。关联规则分析最著名的就是“啤酒-尿布”的经典案例，沃尔玛的超市管理人员通过数据发现，很多买尿布的人大概率事件会去购买啤酒。这是因为在美国很多妈妈在家带孩子，所以去超市买尿布的任务就交给了爸爸，而一般爸爸都会在买尿布的时候顺手买一罐啤酒喝，所以明明是不相关的两个东西就有了很大的关联。
- 发展趋势
随着人类的进步和科技的发展，计算机已经成为我们生活和工作中必用的设备。在计算机应用增多的前提下，数据量的增长成为了必然，并且带动了互联网产业的发展。近年来，物联网、云计算、移动互联网的进一步应用，是数据已呈指数级增长。随着云时代的来临，大数据也吸引力越来越多的关注。
在视频网站发展之处，视频推荐就应运而生。视频推荐根据当前热门视频及用户的个性化数据，为用户提供个性化的视频推荐，从而增加用户黏度，提高网站流量，是各大视频网站极为重视的功能之一。2006年的Netflix大赛是视频推荐领域的标志性事件，该比赛悬赏100万美元，希望研究人员能够将推荐算法的预测准确度提高到10%。这场比赛吸引了众多队伍参加，并将协同过滤（collaborative filtering），关联规则（association rules），奇异值分解（SVD）等众多推荐方法应用于视频推荐领域，获得非常好的推荐效果。这一事件反映出视频网站对推荐系统的重视程度，同时YouTube等公司也在视频推荐领域进行了专门研究，可见视频推荐系统在视频网站中的重要地位。
