推荐系统在UGC视频网站中的应用. 随着互联网特别是社会化网络的快速发展，我们正处于信息过载的时代。 用户面对过量的信息很难找到自己真正感兴趣的内容，而内容提供商也很难把优质的内容准确推送给感兴趣的用户。 推荐系统被认为是解决这些问题的有效方法，它对用户的历史行为进行挖掘，对用户兴趣进行建模，并对用户未来的行为进行预测，从而建立了用户和内容的关系。 视频网站同样也面临着信息过载的问题，比如YouTube目前有数十亿视频条目，而且每分钟都有近1500分钟时长的视频被上传，而专业视频网站Hulu也有近20万的高质量视频，用户也很难从中找到自己真正感兴趣的内容;同时提高用户的观看和停留时间也非常重要，所以推荐系统对于视频网站来说是有必要的。 视频网站中的推荐系统 目前视频网站主要分为两种，一种是以用户产生内容为主的网站(UGC网站)，比如国外的YouTube和国内的优酷、土豆等;另一种是专业视频内容为主的网站，比如国外的Hulu、Netflix和国内的奇艺、新浪大片、搜狐视频等。 为了获得广告商和资本市场的青睐，国内UGC视频网站比如优酷和土豆也纷纷转型为两者兼备的模式。 表1 UGC和专业视频网站对比 相比较而言，UGC网站的视频数量多，内容比较丰富，但是质量良莠不齐，以短视频居多，而且没很好的内容数据。 对于专业视频网站，内容一般有很好的结构化内容数据，基本上都是按照电视剧或者电影来统一组织视频，所以推荐一般都是基于剧集而不是单个视频;剧集按照现在是否在播又分为首播剧(On-air show)和重播剧(Library show)，相比较而言首播剧一般比较热门，用户获知的渠道很多并对其有明确的追看(Catch-up)需求，而过往剧集更适合推荐;视频的长度一般比较长而且剧集中有很多视频，用户的接受成本相对比较高，推荐的时机也是专业视频网站需要考虑的问题，比如周末或者节假日用户比较空闲而且一般没有首播剧，适合推荐一些较长的连续剧等。
当然除了这些不同点外，一般认为视频网站的推荐系统设计还应遵循一些基本的原则，比如系统能给出合理的推荐赢得用户的信任;系统能对用户的行为作出即时的反应;推荐的逻辑对用户透明;在适当时机鼓励用户积极参与和反馈;推荐的结果要提供足够的信息等。 从推荐产品形态上来看，目前在视频网站中使用的推荐有以下几类：相关推荐、个性化推荐以及个性化电视频道(Leanback)等。 图1 Netflix相关视频推荐 结语. 阅米网-发现你的阅读DNA. 牛赞网. Gravity.com. MyStrands - Music 2.0 Directory. Home | Strands Labs. Resys China | all about recommender systems. GetGlue: Check-in to tv, movies and music. Social Network for Entertainment Discover what to watch, share what you're watching with friends and fans, and get updates from your favorite shows. 实时推荐 - 无觅网. Hunch.