首页 > 电影个性化推荐系统的构建

电影个性化推荐系统的构建

发布时间：2023-03-15 18:32:58 来源：文档文库

小中大

字号：

手机查看

电影个性化推荐系统的构建
作者：侯林坤
来源：《电脑知识与技术》2020年第27期
摘要：根据《中国互联网络发展状况统计报告》[1]，截至2019年6月，互联网普及率达61.2%。我国网络视频用户规模达7.59亿，占网民整体的88.8%[2]，网络将为成为用户获取影片的主要来源。同时，影片生产速度在不断加快，影片数量不断增加。面对海量影片，相比明确需求信息的搜索引擎，模糊用户需求的电影个性化推荐更胜一筹。该文在电影个性化推荐算法的基础上，设计并实现了电影个性化推荐系统，准确推荐符合用户兴趣喜爱的影片，获取用户信任，增加黏性。
关键词：协同过滤算法;电影推荐系统;个性化;软件工程中图分类号：TP311文献标识码：A文章编号：1009-3044（2020）27-0041-02开放科学（资源服务）标识码（OSID）：
随着影片生產链的逐步完善，影片数量将呈指数增长。现有的搜索引擎已不能解决，人们在面对影片数据过载的冲击。因此，电影个性化推荐系统应运而生。其中，涉及电影个性化推荐算法、电影个性化推荐技术等的体系也在不断地完善。本文将对实现电影个性化推荐系统所涉及的开发环境、算法等进行具体说明，其中包括，电影个性化推荐系统的算法、电影个性化推荐系统的需求分析、电影个性化推荐系统的设计实现。1电影个性化推荐系统的算法
个性化推荐算法早在1992应用于邮件识别，随后在各个领域广泛推行。在电影领域，个性化推荐算法已经不可或缺，并且在国内外都应用实践。例如：YouTube推荐系统推荐影片，要经过候选池、排名池两层网络，筛选除符合用户的影片;爱奇艺推荐系统分为召回阶段和排序阶段，从海量的视频库中找到与用户兴趣相符的影片。
本文以基于协同过滤的算法为核心，设计并实现电影个性化推荐系统。其中，协同过滤是现在应用最广泛的算法之一。基于协同过滤的电影推荐算法，通常被划分成三步：建立用户一电影评分矩阵;利用相似度计算确定确认最近邻居集合;评分预测。在上述三个步骤中，相似度计算是整个流程最为核心的步骤。在用户一电影评分矩阵对用户之间的相似度计算之后，为用户建立最近邻居集合，该处便是相似度计算。

电影个性化推荐算法通过构建用户评分之间的关联，预测符合用户兴趣喜爱的影片。因此，电影个性化推荐系统中，收集用户信息数据，以及个性化推荐算法的改进是最关键，最重要的两步骤。收集用户信息，通过大量的用户信息数据训练，是保障个性化推荐算法准确率的必要前提。其中，可以收集用户对影片的评分、用户观看影片的类型、用户观看影片的时长，以及用户的性格别、年龄等信息。个性化推荐算法是整个电影个性化推荐系统的核心部分，保证推荐用户的影片符合用户兴趣喜爱。当前的电影个性化推荐算法有：基于内容的推荐算法、基于协同过滤的推荐算法、基于网络结构的推荐算法、基于混合算法的推荐算法。只有通过各类推荐算法不断改进，电影个性化推荐系统的准确率才能更加准确。2电影个性化推荐系统的需求分析
本文按照软件工程的原则，对电影个性化推荐系统进行了需求分析。首先，提出了整个系统的设计目标;其次，对系统进行了可行性分析，以保证系统能够正常运行;第三，对系统进行了顶层用例分析，以明确角色身份;第四，对系统进行了功能模块划分，以满足用户的需求;最后，对系统进行了性能需求分析，以保障用户在使用本系统时能有更好的用户体验。本文设计电影个性化推荐系统的主要功能划分为多个子模块，包括系统首页模块、新上映模块、猜你喜欢模块等。其中，猜你喜欢是本系统的特色模块，也是核心模块。其本质是通过会员用户的历史足迹，构建会员用户的模型，预测符合用户兴趣喜爱的影片。
电影个性化推荐系统顶层用例分析中，将角色分成三类，方便管理。首先是后台管理员，增添、修改以及删除影片信息、管理用户信息;其次，会员用户。使用注册登录功能，系统生成相应的用户数据库，会员用户可以记录其历史足迹。最后是游客用户，不用进行注册登录。同时，不能使用系统的猜你喜欢（个性化影片推荐），只能浏览系统常规页面。3电影个性化推荐系统的设计与实现3.1开发环境
本次开发基于HTML+Javascript（CSS）+DB环境和Django框架来完成。HTML用来展示前端界面，Javascript作为前端开发语言，通过aJax与后台进行数据交互，DB作为本地数据库使用，Django作为内容管理框架使用，Mysql数据库存储影片、用户数据。3.2电影个性化推荐系统的系统设计
本文在需求分析的基础之上，对电影个性化推荐系统进行了整体架构设计、功能模块设计和数据库设计。系统的整体架构采用B/S结构，并采用Django作为内容管理框架，各层功能明确。通过功能模块设计，整个系统被分解为多个低耦合、高内聚的子系统，我们对各个模块的设计方法进行了详细解析。另外，系统通过Django自动生成数据库中的所有表结构。

本电影个性化推荐系统的框架基于B/S架构设计，采用Django作为内容管理框架使用，采用池化的设计思路将总体分为三个层次，即数据层、交互层和业务层。交互层的作用在于与用户沟通，包括用户的注册登录、用户与影片的信息管理以及最关键的影片个性化推荐。业务层的作用在于数据逻辑处理，包括用户对影片的评分、查询以及用户信息的更新、影片算法的实现。数据层的作用在于对非原始数据的操作，存储用户信息、影片信息、用户评分、用户模型、推荐结果。其中，电影的个性化推荐是最重要。4总结与展望
随着时代的前行，网络已经渗透到我们的日常生活当中。电影作为我们生活的日常娱乐，也会加入互联网的浪潮中。其中，人们将面对海量的影片数据。当传统的搜索引擎不能满足用户的需求时，电影个性化推荐系统的兴起是必然的。但是，面临的数据稀疏、可扩展性差、新用户冷启动等问题还在影响着电影个性化推荐算法的准确率。因此，改进电影个性化推荐算法，任重而道远。参考文献：
[1]中国互联网络信息中心第44次中国互联网络发展状况统计报告[EB/OL].中国网信网，2019：5-42.[2]祖丽亚提·阿尼瓦尔，阿布都瓦依提·尼亚孜.短视频对社会的影响力分析[J].新闻研究导刊，2019，10（23）：149-150.【通联编辑：代影】

本文来源：https://www.2haoxitong.net/k/doc/05c550895527a5e9856a561252d380eb6394236e.html