基于协同过滤与卷积神经网络的电视产品的营销推荐研究
核心观点： 本研究旨在解决电视产品的精准营销推荐问题，并针对用户冷启动与产品冷启动问题提出解决方案。研究主要围绕电视产品的营销推荐系统及其关键模型与推荐算法展开。
研究内容与成果：
- 数据预处理： 对原始的用户收视和点播电视节目信息以及电视产品的相关信息进行数据清洗和属性规约，包括剔除冗余信息、加权评分等。
- 用户与产品画像： 构建用户标签体系表和产品标签体系表，利用网络爬虫技术提取产品类型字段，并根据用户收视信息的时间特征进行用户画像，实现对用户和产品的分类打包。
- 推荐算法设计： 设计了六种推荐算法（SVD、SVD++、KNNBaseline、Normal Predictor、Co-Clustering和Text-CNN），并提出了有效的融合式推荐模型。
- 冷启动问题： 采用基于K-Means的用户-电视节目产品双重聚类方法对用户和产品进行分类打包，并针对无任何历史行为的用户采用非个性化推荐方案。
- 实验设计与分析： 设计了不同评测指标下的各推荐算法的性能对比实验，并通过留一法交叉验证进行评估。实验结果表明，Text-CNN新型推荐算法在准确率指标上性能明显优于传统的协同过滤算法，而SVD在F1指数上也明显占优。
关键数据：
- 用户单片点播信息：共计3627条有效信息，包括352个用户对527种电视节目产品的点播记录。
- 电视节目产品：原附件二中电视节目产品共计18480个，经归一化后得到共计2123个电视节目产品。
- 用户基本信息：共计1329条记录，包含“用户号”、“设备号”两类关键特征。
研究结论：
- Text-CNN推荐算法在准确率指标上性能明显优于传统的协同过滤算法，能够精准地推荐用户需要的电视点播节目产品。
- SVD算法也是一种解决电视产品营销推荐问题的有效推荐算法。
- 通过融合六种不同的推荐算法，可以给出更加合理的电视节目产品推荐方案。
- 基于K-Means的用户-电视节目产品双重聚类方法有效地解决了用户冷启动与产品冷启动问题。
- 非个性化推荐方案可以有效地对无任何历史行为的用户进行推荐。
