1. CSN
  2. Всі випуски
  3. Випуск 4, Номер 1, 2022
  4. Метод контекстно-залежного рекомендування з фільтрацією вмісту для управління відеоданими

Метод контекстно-залежного рекомендування з фільтрацією вмісту для управління відеоданими

CSN.
2022;
Випуск 4, Номер 1
: cc. 1 - 11
https://doi.org/10.23939/csn2022.01.001
Автори:
  1. Олексій Бочкарьов
1
Національний університет «Львівська політехніка»

Розглянуто проблему контекстно-залежного рекомендування з фільтрацією вмісту для управління відеоданими у складі онлайн-платформи відеогостингу. Розглянуто підходи до створення онлайн-платформ відеогостингу з рекомендуванням відеоданих. Наведено порівняння популярних онлайн-платформ відеогостингу.

Запропоновано метод контекстно-залежного рекомендування відеоданих на основі фільтрації вмісту, який передбачає збереження інформації про взаємодію користувача з відео, отримання та збереження інформації про те, які відео сподобалися користувачу, визначення контексту користувача, формування профілю вподобань користувача, формування профілю вподобань користувача залежно від контексту, визначення подібності профілю відео до профілю вподобань користувача (з урахуванням та без врахування контексту), визначення відповідності відео контексту, остаточне визначення відповідності відео вподобанням користувача на основі запропонованого підсумкового показника відповідності.

Наведено розроблену структуру онлайн-платформи відеогостингу з контекстно-залежним рекомендуванням відеоданих. Розглянуто алгоритм її роботи. Запропоновано структуру бази даних онлайн-платформи відеогостингу з контекстно-залежним рекомендуванням відеоданих.

контекстно-залежне рекомендування
рекомендаційна система на основі фільтрації вмісту
онлайн-платформа відеогостингу
  1. Lee J. (2005). Scalable Continuous Media Streaming Systems: Architecture, Design, Analysis and Implementation. Wiley. – 394 p. ISBN: 978-0-47-085754-0.
  2. Ce Z., Yuenan L., Xiamu N. (2010). Streaming Media Architectures, Techniques, and Applications: Recent Advances. IGI Global. – 502 p. ISBN: 978-1-61-692831-5.
  3. Fangming L. (2011). Large-scale peer-assisted online hosting, distribution and video streaming systems: design, modeling and practice, Ph.D. Thesis, Computer Science and Engineering. – 143 p. DOI: 10.14711/thesis- b1136551.
  4. Parthasarathy Ranganathan et al. (2022). Warehouse-Scale Video Acceleration, IEEE Micro. Vol. 42. No. 4. Pp. 18–26. DOI: 10.1109/MM.2022.3163244.
  5. Xu C., Haitao L., Jiangchuan L. (2013). Video sharing propagation in social networks: Measurement, modeling, and analysis. In: Proceedings IEEE INFOCOM, 2013. Pp. 45–49. DOI: 10.1109/INFCOM.2013.6566732.
  6. Davidson J., Liebald B., Liu J. and Nandy P. (2010). The YouTube video recommendation system. In: Proceedings of the 2010 ACM Conference on Recommender Systems, RecSys 2010. Barcelona, Spain. Pp. 293–296. DOI: 10.1145/1864708.1864770.
  7. Zhe Zhao et al. (2019). Recommending what video to watch next: a multitask ranking system. In: Proceedings of the 13th ACM Conference on Recommender Systems (RecSys’19). Pp. 43–51. DOI: 10.1145/3298689.3346997.
  8. Cheuque G., Guzmán J. and Parra D. (2019). Recommender Systems for Online Video Game Platforms: the Case of STEAM. In: Proceedings of The 2019 World Wide Web Conference. Pp. 763–771. DOI: 10.1145/3308560.3316457.
  9. Ricci F., Rokach L., Shapira B. (eds.). (2022). Recommender Systems Handbook. 3rd ed., Springer. – 1060 p. ISBN: 978-1-0716-2196-7.
  10. Aggarwal C. (2016). Recommender Systems: The Textbook. Springer. – 519 p. ISBN: 978-3-19-29657-9.
  11. Schrage M. (2020). Recommendation Engines. The MIT Press. – 296 p. ISBN: 978-0-26-253907-4.
  12. Falk K. (2019). Practical Recommender Systems. Manning Publications. – 432 p. ISBN: 978-1-61-729270-5.
  13. Robillard M., Maalej W., Walker R. and Zimmermann T. (eds.). (2014). Recommendation Systems in Software Engineering. Springer-Verlag Berlin Heidelberg. – 560 p. ISBN: 978-3-66-252404-6.
  14. Jannach D. (2010). Recommender Systems: An Introduction. Cambridge University Press. – 352 p. ISBN: 978-0-52-149336-9.
  15. Jie L., Qian Z., Guangquan Z. (2020). Recommender Systems: Advanced Developments. WSPC. – 362 p. ISBN: 978-9-81-122462-1.
  16. Suresh K. G. (2017). Building Recommendation Engines. Packt Publishing. – 357 p. ISBN: 978-1-78- 588485-6.
  17. Neumann A. (2009). Recommender Systems for Information Providers: Designing Customer Centric Paths to Information. Physica-Verlag Heidelberg. – 158 p. ISBN: 978-3-79-082578-7.
  18. Isinkayea F., Folajimib Y. and Ojokohc B. (2015). Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal, Volume 16, Issue 3, November, pp.261-273. DOI: 10.1016/j.eij.2015.06.005.
  19. Jie Lu, Dianshuang Wu, Mingsong Mao, Wei Wang and Guangquan Zhang (2015) Recommender system application developments: A survey. Decision Support Systems, Volume 74, p.12-32. DOI: 10.1016/j.dss.2015.03.008.
  20. Leskovec, J., Rajaraman, A., Ullman, J. (2020) Mining of Massive Datasets. 3rd ed. Cambridge University Press. – 565 p. ISBN: 978-1-10-847634-8.
  21. Connor R. (2016). A Tale of Four Metrics. In: Amsaleg L., Houle M., Schubert E. (eds.). Similarity Search and Applications. SISAP 2016. Lecture Notes in Computer Science. Vol. 9939. Springer. Pp. 210-217. DOI: 10.1007/978-3-319-46759-7_16.
  22. Schilit B., Adams N. and Want R. (1994). Context-aware computing applications. In: Proceedings of the IEEE Workshop on “Mobile Computing Systems and Applications”. IEEE Computer Society. Pp. 85–90. DOI: 10.1109/wmcsa.1994.16.
  23. Abowd G., Dey A., Brown P., Davies N., Smith M. and Steggles P. (1999). Towards a Better Under- standing of Context and Context-Awareness. In: Gellersen H. (ed.). Handheld and Ubiquitous Computing. Lecture Notes in Computer Science. Vol. 1707. Springer, Berlin, Heidelberg. – Pp. 304-307. DOI: 10.1007/3-540-48157- 5_29.
  24. Bolchini C., Curino C., Quintarelli E., Schreiber F. and Tanca L. (2007). A data-oriented survey of context models. ACM SIGMOD Record, 36, 4. Pp. 19–26. DOI: 10.1145/1361348.1361353.
  25. Perera C., Zaslavsky A., Christen P. and Georgakopoulos D. (2014). Context Aware Computing for The Internet of Things: A Survey. IEEE Communications Surveys & Tutorials. Vol. 16. No. 1. First Quarter, pp. 414–454. DOI: 10.1109/surv.2013.042313.00197.
  26. Grifoni P., D’Ulizia A. and Ferri F. (2018). Context-Awareness in Location Based Services in the Big Data Era, In: Skourletopoulos G., Mastorakis G., Mavromoustakis C., Dobre C. and Pallis E. (eds.). Mobile Big Data. Lecture Notes on Data Engineering and Communications Technologies, Springer. Vol. 10. Pp. 85–127. DOI: 10.1007/978-3-319-67925-9_5.
  27. Capurso N., Bo M., Tianyi S. and Xiuzhen C. (2018). A survey on key fields of context awareness for mobile devices. Journal of Network and Computer Applications. Vol. 118. Pp. 44–60. DOI: 10.1016/j.jnca.2018.05.006.
  28. Botchkaryov A. (2018) Context-Aware Task Sequence Planning for Autonomous Intelligent Systems. Advances in Cyber-Physical Systems, Lviv. Vol. 3. No. 2. Pp. 60–66. DOI: 10.23939/acps2018.02.060.
  29. Adomavicius G. and Tuzhilin A. (2011). Context-Aware Recommender Systems. In: Recommender Systems Handbook, ed. by Francesco Ricci et al., Springer. Pp. 217–253. DOI: 10.1007/978-0-387-85820-3_7.
  30. Adomavicius G., Mobasher B., Ricci F. and Tuzhilin A. (2011). Context-Aware Recommender Systems. Ai Magazine, 32(3). Pp. 67–80. DOI: 10.1609/aimag.v32i3.2364.
  31. Abbar S., Bouzeghoub M., Lopez S. (2009). Context-Aware Recommender Systems: A Service-Oriented Approach. In: Proceedings of the 3rd International Workshop on Personalized Access, Profile Management and Context Awareness in Databases (PersDB). Lyon, France. Available at: http://persdb09.stanford.edu/ proceedings/persdb-6.pdf (accessed: 29 September 2022).
  32. Shaina R. and Chen D. (2019). Progress in context-aware recommender systems: An overview. Computer Science Review. Vol. 31. Pp. 84–97. DOI: 10.1016/j.cosrev.2019.01.001.
  33. Nawrocki P., Śnieżyński B. and Czyżewski J. (2017). Learning Agent for a Service-Oriented Context- Aware Recommender System in a Heterogeneous Environment, Computing and Informatics. Vol. 35(5). Pp. 1005– 1026. Available at: https://www.cai.sk/ojs/index.php/cai/article/view/3354 (Accessed: 29 September 2022).
  34. Bouneffouf D., Bouzeghoub A., Gancarski A. (2012). Following the User’s Interests in Mobile Context- Aware Recommender Systems: The Hybrid-e-greedy Algorithm. In: Proceedings of the 2012 26th International Conference on Advanced Information Networking and Applications Workshops, Lecture Notes in Computer Science, IEEE Computer Society. Pp. 657–662. DOI: 10.1109/waina.2012.200.