摘要
摘要
随着互联网的飞速发展，每天都有浩如烟海的信息产生，面对数据量庞大的信息海洋，人们往往会感到无所适从，因此，推荐系统应运而生。推荐系统的目的是主动向用户提供其感兴趣的物品或资源而无需用户主动搜寻。经过20多年的发展，推荐系统已经深入到了人们生活的方方面面，如电子商务，新闻推荐，影视推荐等。其中影视推荐是推荐系统技术研究的重要领域。现有的影视推荐主要是热门推荐和相关推荐，热门推荐容易导致马太效应，而相关推荐在一定程度上符合用户喜好，但是个性化程度较低，不同用户在同一个播放页上看到的推荐列表往往是相同的。
协作过滤算法是推荐领域中最成功也是应用最广泛的推荐策略，常用于个性化推荐。本文在基于用户的协作过滤策略的基础上进行改进。用户评分的高低表达了对电影的喜好程度，而用户的标注行为表达了用户的喜好倾向，两者结合可以有效提升推荐结果的个性化程度。本文首先在用户行为数据建模阶段对用户的行为数据进行分析，将用户的评分行为和标注行为结合起来建立了初始的用户行为数据模型。同时，考虑到用户喜好并不是一成不变，参考“牛顿冷却定律”引入了时间衰减因子模拟整个时间轴上的用户喜好变化，对用户行为数据模型进行偏移处理。之后使用该模型进行用户之间的类似程度计算，获得推荐的电影资源候选池。
在电影资源的评分预测阶段，考虑到标签在一定程度上也反映了电影资源的内容特征信息，参考信息挖掘领域“词频-逆文档频率”的思想建立电影资源和标签之间的联系并对侯选池中的电影资源进行评分预测的改进。
然后对本文做出的改进设计了对比实验验证其有效性，选取了Top-N推荐中常用的评价标准命中率（Hit-rate）和命中排序（Hit-rank）作为衡量指标进行相关实验，验证了在推荐同等数量电影资源的情况下，改进后的算法Hit-rate和Hit-rank 都要高于现有的协作过滤算法。
本文在最后以前文提出的改进的推荐算法为基础设计并实现了一个影视推荐系统，首先分析了系统的需求，然后根据需求进行相关设计，并用SS2H框架实现了该系统，并给出了系统主要的数据表展示与功能界面展示。
关键词：影视推荐，个性化，时间衰减因子，标签，词频-逆文档频率
回忆录怎么写
cad块命令I
ABSTRACT新白娘子传奇歌词
With the rapid development of the Internet, every day there are vast numbers of information generated. In the face of large amounts of information, people tend to feel at a loss, therefore, recom
mendation system came into being. The purpo of the recommendation system is to proactively provide urs with items or resources of interest without the ur's active arch. After 20 years development, recommendation system has been deep into people’s lives in every aspects, such as e-commerce, news recommended, movie recommended.The existing movie recommendation system is mainly popular recommendation and related recommendation. Popular recommendation easily leads to the Matthew effect. Related recommendation accords with ur’s preferences to a certain extent, but the recommended results have a low level of personalization, which means different people will e the same recommended results on the same play page.
迎头痛击
Collaborative filtering is one of the most successful and widely ud recommendation strategies in the field of recommendation. This thesis is bad on collaborative filtering algorithm to improve.The level of ur rating express the level of preference for the movies, and the ur's tagging behavior express the ur's preferences, so that the combination of the two can effectively improve the personalization of the recommendation results. In this thesis, first step is analyzing ur’s behavior data and establishing the initial ur behavior data model. At the same time, taking into account ur’s preferences will change over time, the time decay factor is introduced to simulate the change of ur’s preferences on the whole time axis. After that, the data model is ud to calculate the similarity level between the urs to obtain a candidate pool of recommended movies.
In the step of forecasting movies’ score, establishing links between tags and movies reference to term frequency inver document frequency to improve prediction accuracy.
In order to verify the effectiveness of the propod algorithm, choosing hit-rate and hit-rank as evaluation criteria to top-N recommendation. It is proved that the propod algorithm’s hit-rate and hit-rank are higher than the original collaborative filtering algorithm in the ca of recommending the same number of movies.
II
Finally, this thesis designs and implements a movie recommendation system bad on the propod algorithm. The requirements and design of the system are described. The system is implemented with SS2H framework, and the main data table and functional interface are given.
Keywords: movie recommendation, personalization, time decay factor, tag，term frequency inver document frequency
英语信格式III
目录
以利相交
第一章绪论 (1)
1.1 课题背景和意义 (1)
1.2 国内外研究和发展现状 (2)
1.3 研究目标和研究内容 (4)
1.4 论文结构安排 (5)
第二章推荐系统及技术分析 (7)
2.1 个性化推荐系统概述 (7)
2.2 个性化推荐系统结构 (8)
2.3 个性化推荐技术分析 (9)
2.3.1 协作过滤推荐 (9)
2.3.1.1 基于用户的协作过滤推荐 (10)
2.3.1.2 基于资源的协作过滤推荐 (11)
2.3.2 基于内容的推荐 (12)
2.3.3 基于人口统计学的推荐 (13)
2.3.4 基于关联规则的推荐 (14)
2.3.5 推荐算法的对比 (15)
2.4 国内主流视频网站推荐效果调研 (16)
2.5 推荐系统的评测指标 (18)
2.5.1 推荐准确度 (19)
2.5.2 Top-N推荐常用评测指标 (20)
2.5.3 其他常用评价指标 (20)
2.6 本章小结 (21)
第三章基于用户的个性化推荐算法设计 (22)
3.1 推荐算法的总体设计 (22)
3.2 用户行为数据建模 (24)
3.2.1 用户行为数据分析与研究 (24)
3.2.1.1 用户行为数据分析 (24)
3.2.1.2 时间上下文分析 (27)
3.2.2 用户行为数据建模 (28)
3.2.2.1 建立用户-标签关联矩阵 (28)
IV安庆特色美食
3.2.2.2 指数时间衰减因子 (31)
3.3 用户类似程度计算 (33)
3.4 评分预测 (35)
3.4.1 建立标签-电影关联矩阵 (36)
3.4.2 预测电影资源偏好分数 (37)
3.5 基于用户的个性化推荐算法总结 (38)
3.6 实验设计及结果分析 (40)
常优秀3.6.1 实验环境和数据集 (40)
3.6.2 评测指标 (43)
3.6.3 实验方案设计 (44)
3.6.4 实验结果与分析 (45)
3.7 本章小结 (49)
第四章个性化影视推荐系统设计与实现 (50)
4.1 需求分析 (50)
4.1.1 系统的功能性需求 (50)
4.1.2 系统的非功能性需求 (54)
4.2 个性化影视推荐系统的设计 (55)
4.2.1个性化影视推荐系统的架构设计 (55)
4.2.2个性化影视推荐系统的模块设计 (56)
4.2.3 个性化影视推荐系统的数据流图设计 (60)
4.3 个性化影视推荐系统的实现 (61)
4.3.1 个性化影视推荐系统的实现 (61)
4.3.2 个性化影视推荐系统的数据库展示 (63)
4.3.2 个性化影视推荐系统的功能展示 (65)
4.4 本章小结 (69)
第五章总结与展望 (70)
5.1总结 (70)
5.2工作展望 (71)
致谢 (72)
参考文献 (73)
V
