基于协同过滤算法的电影个性化推荐系统设计与实现_贾忠涛

《基于协同过滤算法的电影个性化推荐系统设计与实现_贾忠涛》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于协同过滤算法的电影个性化推荐系统设计与实现贾忠涛（西南科技大学计算机科学与技术学院，四川绵阳６２１０１０）摘要：随着互联网与移动终端的普及，网络上的电影娱乐信息数量海量增加，用户对电影个性化服务的需求日益旺盛。设计电影个性化推荐系统，该系统基于Ｂ／Ｓ模式，采用ＪａｖａＥＥ体系架构。个性化电影推荐服务能够挖掘用户信息、电影项目信息间隐藏的关联性，从而发现用户的潜在兴趣，将用户可能感兴趣的影视片推荐给用户。关键词：个性化推荐；电影推荐；协同过滤；ＪａｖａＥＥ架构ＤＯＩ：１０．１１９０７／ｒｊｄｋ．１４３７２７

2、中图分类号：ＴＰ３１９文献标识码：Ａ文章编号：１６７２－７８００（２０１５）００１－００８６－０３居，根据最近邻居的信息作出推荐。０引言搭建一个基于协同过滤算法的电影个性化推荐系统，能帮助用户挑选喜欢的电影，节省用户寻找资源的时间，随着互联网技术的飞速发展，当今社会已进入了信息提高用户的体验，同时还能提高用户和系统的粘着度。同爆炸时代。便利的互联网和日益普及的移动终端极大地时，用户能快速找到感兴趣的资源，也能减轻一个站点的［３］提高了人们的生活质量。网络上供用户观看的电影数量网络负载。［１］庞大、类型多样，从

3、海量的影片资源中找到一部自己喜欢的电影变的越来越困难，海量影片信息的利用率很低。１个性化推荐个性化推荐技术是一种信息过滤的手段，可以挖掘用［２］户的兴趣偏好，根据用户的兴趣向用户推荐感兴趣的信个性化推荐是根据用户的兴趣特点和购买行为，向用息，提供针对用户的个性化服务，解决了信息过载的问题。户推荐感兴趣的信息，帮助用户决定应该选择什么对象，［４］协同过滤算法是一种应用广泛的个性化推荐算法，能根据模拟销售人员帮助客户完成购买过程。电影推荐系统用户对项目的评价找出用户与用户之间以及电影与电影则根据用户的兴趣特点和行

4、为，向用户推荐其感兴趣的电［５］之间的相似性，从相似的用户或电影中找到目标的最近邻影信息。通过建立用户与电影之间的二元关系，根据用参考文献：４结语［１］高珊珊．基于．ＮＥＴ的煤炭行业运输管理系统的设计与实现［Ｄ］．济南：山东大学，２００９．本文探讨煤炭企业生产计划系统设计开发，利用［２］王鹏．浅议煤矿信息化建设［Ｊ］．科技情报开发与经济，２００９（１６）：６２．信息化和技术手段辅助安全管理，促使履行安全管理［３］武翊．ＥＲＰ中财务管理系统方案的研究实现［Ｄ］．北京：北京邮电职责，及时掌控各类隐患，确保隐患整改

5、工作落到实大学，２００７．［４］杨莉．基于ＡＳＰ．ＮＥＴ霍州煤电投资计划管理系统设计与实现处，完善业绩考核。同时，节约了办公费用，改变了传［Ｄ］．邯郸：河北工程大学，２０１０．统的安全管理模式和理念，基本实现了煤炭企业生产［５］魏臻．矿井移动目标安全监控原理及关键技术［Ｍ］．北京：煤炭工业出版社，２０１１．管理的计划数字化、信息传输网络化、信息处理自动［７］王纪波．兖矿集团煤炭运销管理系统设计与实现Ｄ］．成都：电子科化，及时为公司决策层提供准确的数据，以提高管理水技大学，２０１３．平和管控能力。（责任编辑：陈

6、福时）作者简介：贾忠涛（１９８９－），男，硕士，西南科技大学计算机科学与技术学院硕士研究生，研究方向为ＪａｖａＥＥ体系、物联网。第１期贾忠涛：基于协同过滤算法的电影个性化推荐系统设计与实现·８７·户的历史记录发掘用户潜在兴趣，从而针对用户提供推荐聚、低耦合的系统逻辑，分层清晰，稳定性好。服务。如：①根据用户的历史记录，包括用户对电影的浏３．２系统功能览记录和用户电影的评价，找出用户的相似用户或者某部电影个性化推荐系统的功能模块分为接口层、业务逻电影的相似电影；②针对目标用户，向用户推荐用户可能辑层、核心数据层

7、等３个层次。接口层提供对外的服务接喜欢的电影。本文电影个性化推荐主要包括热门大片推口；业务逻辑层实现相应的各种算法和信息管理功能，可荐、新片推荐、冷门佳片推荐和关联电影推荐。分为用户信息管理与电影信息管理两部分；核心数据层存放整个系统的核心业务数据，如计算推荐列表需要的用户２协同过滤算法信息和电影信息、用户相似度列表、电影相似度列表等。功能模块设计如图２所示。协同过滤算法的基本思想是将兴趣相似用户所感兴趣的信息推荐给目标用户。如音乐推荐、电影推荐等。协同过滤算法分为：基于用户的协同过滤和基于项目的协同［６］过

8、滤。基于用户（Ｕｓｅｒ－ｂａｓｅｄ）协同过滤利用历史数据寻找用户邻居，根据评分相似的最近邻居的评分数据向目标用户生成推荐。其原理为：最近邻居对项目的评分与目标用户非常相似，因此可以通过最近邻居对项目评分的加权平均值来接近目标用户对未评分项目的评分，以最近邻居的已评分信息对目标用户生成推荐。［７］基于项目（Ｉｔｅｍ－ｂａｓｅｄ）协同过滤推荐依赖项目间的关联来决定推荐。根据目标用户已经评价过的项目，计算