在線電影推薦系統(tǒng)的研究與設(shè)計(jì).pdf

1、互聯(lián)網(wǎng)已經(jīng)成為獲取知識(shí)和信息的重要途徑，但是在面對(duì)互聯(lián)網(wǎng)上如此浩瀚的信息資源時(shí)，人們?cè)诙虝r(shí)間內(nèi)很難找到對(duì)自己有用的那部分信息，推薦系統(tǒng)就是在這樣的背景下應(yīng)運(yùn)而生。電影推薦系統(tǒng)使電影愛(ài)好者與互聯(lián)網(wǎng)信息資源庫(kù)建立興趣推薦的聯(lián)系，將滿足用戶需求的影片信息便捷直接地展現(xiàn)在其面前，從而有效地解決了信息超載的問(wèn)題，提高了對(duì)信息的使用效率。嚴(yán)格意義上的推薦系統(tǒng)主要包括群組推薦和個(gè)性化推薦，但是都是在基于核心的推薦算法基礎(chǔ)上實(shí)現(xiàn)的。
　　本文的主

2、要工作如下:
　　一、本文首先介紹并分析了基于協(xié)同過(guò)濾推薦算法中三種最典型且有著相當(dāng)應(yīng)用的推薦算法，其算法的本質(zhì)分別是基于用戶、基于物品、基于物品評(píng)分的偏差。詳細(xì)分析了它們的算法原理及流程，并指出它們?cè)跀?shù)據(jù)規(guī)模大以及數(shù)據(jù)稀疏性等方面的局限性。
　　二、針對(duì)傳統(tǒng)的離線算法在面對(duì)數(shù)據(jù)稀疏性以及高維數(shù)據(jù)時(shí)，所表現(xiàn)出的冷啟動(dòng)問(wèn)題和巨大的時(shí)間消耗問(wèn)題，研究分析兩種適合在線推薦的協(xié)同過(guò)濾算法:低階近似在線算法(OCF)和概率矩陣分解的雙

3、平均算法(DAOCF)，詳細(xì)分析了它們的算法原理及流程，并在此基礎(chǔ)之上提出了基于改進(jìn)的二階在線協(xié)同過(guò)濾算法(SOOCF)，定義了改進(jìn)的RMSE誤差損失函數(shù)，并給出了用戶向量和物品向量的更新法則，規(guī)避了傳統(tǒng)的離線算法需要定期從頭去更新學(xué)習(xí)模型的問(wèn)題，實(shí)現(xiàn)了在線實(shí)時(shí)更新用戶評(píng)分?jǐn)?shù)據(jù)。
　　三、本文以均方根誤差RMSE為衡量標(biāo)準(zhǔn)，對(duì)比分析傳統(tǒng)的在線推薦算法OCF和DAOCF與本文提出的基于改進(jìn)的二階在線算法SOOCF的預(yù)測(cè)準(zhǔn)確精度，通過(guò)

4、MATLAB實(shí)驗(yàn)仿真平臺(tái)，繪制RMSE趨勢(shì)曲線圖以及統(tǒng)計(jì)表格，驗(yàn)證了改進(jìn)后的在線算法在推薦準(zhǔn)確率和收斂速率上比傳統(tǒng)的在線推薦算法表現(xiàn)更好。
　　四、文章最后的部分主要是電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。設(shè)計(jì)部分主要包括:系統(tǒng)需求的分析、系統(tǒng)的總體架構(gòu)設(shè)計(jì)、系統(tǒng)功能模塊設(shè)計(jì)以及系統(tǒng)數(shù)據(jù)庫(kù)的設(shè)計(jì);實(shí)現(xiàn)部分包括:結(jié)合Eclipse開(kāi)發(fā)環(huán)境、SSH開(kāi)源框架、Apache-Tomcat服務(wù)器，實(shí)現(xiàn)了用戶注冊(cè)以及登錄功能、用戶評(píng)分功能、電影推薦等功能