混合推荐算法在电影推荐中的研究与评述

《混合推荐算法在电影推荐中的研究与评述》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、混合推荐算法在电影推荐中的研究与评述摘要：现代互联网己经成为了大量信息传播和扩散的主要途径，电影作为娱乐的重要一环也在互联网中充斥着自己的身影，网上观影已经成为了一种或不可缺的休闲方式，优秀方便的电影推荐系统也就成为了炙手可热的互联网新宠。但是，现在很多网站的电影推荐系统并没有我们所期望的那么智能，往往给我们推荐的并不是我们真正想要看的电影，那么，研究它们的推荐算法就变得极其有意义。关键词：电影；推荐算法；基于内容；协同过滤;混合推荐中图分类号：TP311文献标识码：A文章编号：1009-3044(2016)26-0190-03由于现代科技的快速更新与进步，互联网技术也在日新月异地提升

2、。人类的日常生活也越来越离不开网络，无论是获取知识，了解新闻还是放松娱乐都可以在网络上找到相应的资源。然而互联网上的存储信息在以指数爆炸的模式进行快速增长，人们在接触到大量的互联网信息的同时，从中获取并利用真正有效的信息也变得越来越困难。这种情况被称之为“信息过载”和“信息迷航”。电影资源的大量产生是互联网信息爆炸现象的一个具体方面。那么，我们如何从互联网海量电影数据中挑选我们想看的呢？这个问题引入了现代个性化推荐系统的产生。1个性化推荐1.1个性化推荐的现状个性化推荐技术是一种通过用户的历史记录来确定用户的偏好特征，从而为用户提供符合其偏好以及潜在偏好的个性化服务的技术。该技术可应用

3、于生活中的各种方面渠道，例如电影视频方面，各大门户网站可根据用户的历史浏览记录分析并推送符合用户爱好的个性化信息。这一过程将网络从被动地接受使用者请求的行为转变成了主动感知到使用者的需求。个性化推荐这一概念是在上世纪末才被独立提出的，它以数据挖掘为基础，根据符合条件的相应推荐算法来分析得出用户的爱好和倾向，并从大量的互联网信息存储中锁定用户的兴趣资源或潜在兴趣资源主动推荐给用户。[1]个性化推荐系统的发展十分快速。在1995年3月，卡耐基。梅隆大学的RobertArmstrong等人提出了个性化导航系统WebWatcher。随后各大著名企业均开始制定并推出了各自的个性化广告方案，例如谷

4、歌开创的AdWards盈利模式，雅虎随之推出了SmartAds广告方案，Overstock（美国著名的网上零售商）根据ChoiceStream公司制作的个性化横幅广告方案，等等。我国首个个性化推荐系统研究团队北京百分点信息科技有限公司成立于2009年，旨在研宄和开发个性化搜索引擎技术和解决方案。［2］1.2电影推荐的现状电影和视频门户网站在当下互联网中占据了不小的比例，在个性化推荐系统中也是一块非常重要的研宄领域。各大电影网站根据自身的电影检索和推荐机制，通过用户的个人信息从互联网大量的视频中抽取用户可能感兴趣的视频内容。其中最为出名的应为Netflix公司。其于2006年设立的百万奖

5、金比赛，规则是实现一个电影推荐系统来预测其用户感兴趣的电影，并使预测准确率达到10%。［3］另有主流视频门户网站如Youtobe和Hulu,也都在个性化推荐方面进行了大量研究，以提高视频网站的访问量，增加用户的观影愉悦度。国内的电影及视频网站近年来发展逐渐迅速。优酷，爱奇艺，乐视等网站都推出了各自的电影推荐系统，虽然推荐结果的预测准确性还有待进一步提高。豆瓣电影相对口碑较佳，其网站根据用户浏览的电影页面和用户进行的评分从海量电影资源里寻找符合用户兴趣的电影，通过猜你喜欢等模块推送给用户，提高了用户的满意度。2相关推荐算法2.1基于内容的推荐算法2.1.1算法简介这是一种较为简单的推荐算

6、法，其根源为信息检索及信息过滤技术，在大量信息里面挖掘出与用户兴趣相似的电影从而推荐给用户。该算法根据对用户的历史浏览记录进行分析，通过用户过去感兴趣的产品，来向用户推荐尚未产生接触的推荐项（本论文专指电影）。例如电影网站可以根据某个用户过去观看了许多恐怖类电影进而为用户推荐其他恐怖类电影。基于内容的推荐算法的基本思想是如果使用者的历史记录显示了他对某种特征的电影感兴趣，那么他可能对相似特征的也感兴趣。出于这个思想，基于内容的推荐算法主要需要结构化两种描述文件，用户特征的描述和电影特征的描述。［4］用户特征的描述来源于用户对电影的评分集合和用户建立时选择的标签类型。通过这些来建立一个用

7、户的兴趣模型。电影特征的描述来源于用户的评分以及上线时的标签，一般包括电影的特征，属性信息。推荐系统会经常定时的更新并且维护用户和电影的特征文件，推荐过程就是当需要获取某个用户的推荐列表时，就去比较用户和电影的特征文件的相似性，选取相似性高的推荐出去。该算法主要可从以下三个步骤进行描述：1）movieRepresentation:从每个movie中抽取出部分特征（也就是movie的标签特征）来代表此movie；2）ProfileLearning