个性化电影推荐系统的设计与实现
摘要：
个性化推荐技术，是指从众多信息中提取出有用的信息。通过收集用户的行为日志等数据，分析用户的偏好并向其推荐感兴趣的信息。主流的推荐算法包括: 基于知识推荐、基于内容推荐、协同过滤算法和组合推荐。基于协同过滤的推荐算法又可分为两大类: 基于内存和基于模型的协同过滤。基于内存的协同过滤再细分为基于用户和基于项目的协同过滤。前者适用于用户数远小于项目数的系统，后者则适用于项目数远小于用户数的系统。电影可分为28中不同的类型：动作电影、奇幻电影、喜剧电影、恐怖电影、冒险电影、爱情电影、警匪电影、科幻电影、战争电影、灾难电影、温情电影、史诗电影、实验电影、微电影、微动画电影、悬疑电影、音乐电影、黑帮电影、纪录电影、公路电影、意识流电影、动画电影、惊悚电影、西部电影、人物电影、飞车电影、家庭电影、超级英雄电影。在此系统中，主要用的协同过滤方法是以上两种。
关键词：
个性化;推荐算法;协同过滤;冷启动
一.研究背景
随着互联网的飞速发展和大数据时代的到来，数据呈爆发式增长。这为我们提供了便捷的同时，也给我们带来了一定的困扰，主要体现在：一是数据过载，这就要求提供大量或大容量的存储设备来跟进存储；二是如何在众多数据中找到用户真正有用，真正需要的信息。数据运用的好就是无限商机，运用的不好那就只能是存储在磁盘上无穷多的１和０。如何帮助用户高效地在浩瀚网络资源中找到有用信息，提高效用性价比，便成为亟待解决的问题。而智能推荐技术为解决此问题开辟了新思路，且引起人们越来越多的关注。在很多视频播放软件中，都会有推荐的一些视频，而该设计题是根据用户的操作推出更加精确的推荐。
二． 研究现状和意义
在Web2.0技术迅猛发展的背景下，个性化推荐系统的研究于20世纪90年代首次被作为一个独立的概念提出。1995年3月，来自卡耐基梅隆大学的Robert Armstrong等人和来自斯坦福大学的Marko Balabanovic等人在美国人工智能协会上分别提出了个性化导航系统Web Watcher和个性化推荐系统LIRA；同年8月，麻省理工学院的Henry Lieberman在国际人工智能联合大会上提出了个性化导航智能体Letizia；自此，各研究者纷纷个性化推荐系统进行研究。目前，对于推荐系统的概念和定义，被广泛接受的是于1997年由Resnick和Varian给出的：推荐系统主要是通过电子商务网站向用户提供产品的信息和建议，以此帮助用户决定购买的产品，模拟销售人员帮助顾客完成购买过程。近年来，随着个性化推荐技术的逐渐成熟，国内外众多学者对推荐系统的改进也取得了一定的成果。视频网站优酷、腾讯和搜狐等具备视频推荐的功能。国内知名的在线视频网站爱奇艺的技术团队，基于自家的视频推荐的业务形态，对排序阶段的算法进行了不断优化和迭代，从最初上线的基于逻辑回归的排序，逐步优化到梯度下降决策树和逻辑回归的混合模型，而这个算法也是Facebook在解决特征组合问题上的一个尝试，最终成为业界的一个常规解决办法，最终优化到结合因子分解机和深度神经网络进行排序的方案，并且使得点击率和观看数都有了大幅的提高。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
