大规模在线视频流系统中，对用户流行度偏好的准确预测至关重要。

简介：
深入分析用户对视频热度的选择（PP）的细微差别，对于构建详尽的用户画像、提升个性化服务精准度以及优化产品提供方的收益潜力都将带来显著的改善。现有的统计学研究相对有限，尤其是在数据量较小或大规模启动阶段，其结果的可靠性存在不确定性。为了解决这一问题，本研究基于大规模商业在线视频流媒体系统的用户观影数据，对用户的视频热度进行了多维度的深入剖析和刻画，并重点提出了两种基于协同过滤（CF）算法，旨在更准确地预测用户对视频热度的偏好。具体而言，本研究的主要贡献包括：1）通过采用空模型假设对比实验，证实并非所有用户都倾向于选择热度高的视频；事实上，大多数用户拥有更为广泛的偏好范围。2）进一步设计了两种基于最近邻居（NNI）和基于矩阵分解（MFI）的用户热度首选预测模型。实验结果表明，当数据稀疏度低于48%时，利用NNI或MFI算法进行初始化所得到的用户热度替代值比传统方法统计得出的结果更为精确。随着数据稀疏程度的增加，这种优势变得更加明显。这项工作对于视频系统中推荐服务的设计以及提升用户体验具有重要的参考价值和指导意义。