基于用戶的個(gè)性化影視推薦系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，每天都有浩如煙海的信息產(chǎn)生，面對(duì)數(shù)據(jù)量龐大的信息海洋，人們往往會(huì)感到無(wú)所適從，因此，推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)的目的是主動(dòng)向用戶提供其感興趣的物品或資源而無(wú)需用戶主動(dòng)搜尋。經(jīng)過(guò)20多年的發(fā)展，推薦系統(tǒng)已經(jīng)深入到了人們生活的方方面面，如電子商務(wù)，新聞推薦，影視推薦等。其中影視推薦是推薦系統(tǒng)技術(shù)研究的重要領(lǐng)域?，F(xiàn)有的影視推薦主要是熱門(mén)推薦和相關(guān)推薦，熱門(mén)推薦容易導(dǎo)致馬太效應(yīng)，而相關(guān)推薦在一定程度上符合用戶喜好，但是個(gè)性

2、化程度較低，不同用戶在同一個(gè)播放頁(yè)上看到的推薦列表往往是相同的。
　　協(xié)作過(guò)濾算法是推薦領(lǐng)域中最成功也是應(yīng)用最廣泛的推薦策略，常用于個(gè)性化推薦。本文在基于用戶的協(xié)作過(guò)濾策略的基礎(chǔ)上進(jìn)行改進(jìn)。用戶評(píng)分的高低表達(dá)了對(duì)電影的喜好程度，而用戶的標(biāo)注行為表達(dá)了用戶的喜好傾向，兩者結(jié)合可以有效提升推薦結(jié)果的個(gè)性化程度。本文首先在用戶行為數(shù)據(jù)建模階段對(duì)用戶的行為數(shù)據(jù)進(jìn)行分析，將用戶的評(píng)分行為和標(biāo)注行為結(jié)合起來(lái)建立了初始的用戶行為數(shù)據(jù)模型。同時(shí)，

3、考慮到用戶喜好并不是一成不變，參考“牛頓冷卻定律”引入了時(shí)間衰減因子模擬整個(gè)時(shí)間軸上的用戶喜好變化，對(duì)用戶行為數(shù)據(jù)模型進(jìn)行偏移處理。之后使用該模型進(jìn)行用戶之間的類(lèi)似程度計(jì)算，獲得推薦的電影資源候選池。
　　在電影資源的評(píng)分預(yù)測(cè)階段，考慮到標(biāo)簽在一定程度上也反映了電影資源的內(nèi)容特征信息，參考信息挖掘領(lǐng)域“詞頻-逆文檔頻率”的思想建立電影資源和標(biāo)簽之間的聯(lián)系并對(duì)侯選池中的電影資源進(jìn)行評(píng)分預(yù)測(cè)的改進(jìn)。
　　然后對(duì)本文做出的改進(jìn)設(shè)計(jì)

4、了對(duì)比實(shí)驗(yàn)驗(yàn)證其有效性，選取了 Top-N推薦中常用的評(píng)價(jià)標(biāo)準(zhǔn)命中率（Hit-rate）和命中排序（Hit-rank）作為衡量指標(biāo)進(jìn)行相關(guān)實(shí)驗(yàn)，驗(yàn)證了在推薦同等數(shù)量電影資源的情況下，改進(jìn)后的算法Hit-rate和Hit-rank都要高于現(xiàn)有的協(xié)作過(guò)濾算法。
　　本文在最后以前文提出的改進(jìn)的推薦算法為基礎(chǔ)設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)影視推薦系統(tǒng)，首先分析了系統(tǒng)的需求，然后根據(jù)需求進(jìn)行相關(guān)設(shè)計(jì)，并用SS2H框架實(shí)現(xiàn)了該系統(tǒng)，并給出了系統(tǒng)主要的數(shù)據(jù)