基于混合推荐的电影推荐系统设计.docx

随着经济的快速发展，人们的娱乐生活越来越丰富。电影，作为娱乐的重要组成部分， 越来越受到大众的欢迎，特别是受到年轻人的喜爱。但是，如何在海量的电影中找到满足自 己喜爱的电影却成为一个难题。电影个性化推荐应运而生，它就是来解决如何在海量信息中 寻找关键点，向用户推荐出符合用户要求的电影。 本文，基于内容和协同过滤混合的推荐算法，建立一个个性化的电影推荐系统。电影作 为推荐给用户的一种产品，其对特定的时间依赖性并不强。基于内容的推荐系统可以有效地 克服冷启动和数据稀疏性问题，在系统初运行阶段和有新用户进入阶段可以提供较高的准确 性。当数据评估到达一定程度后，使用协同过滤推荐系统进行推荐。协同过滤技术，不仅可 以提供同类型的优质产品给用户，还可以根据近邻集的不同进行跨类型的推荐。并且随着时 间的增加，用户评价数的增多，更多的用户加入到系统中后，会找到更匹配的近邻用户，使 得推荐质量得到提升。 系统设计 一、总体构架设计 电影推荐系统采用 B/S 模式的三层框架设计，分为表示层、业务层和数据层。这样的设 计模式达到了分散关注、松散耦合、逻辑复用和标准定义的目的。系统总体框架结构图如图 1 所示。 二、对象关系及动态模型 a)对象关系 电影管理中的主要对象有：管理员和电影。管理员对电影的操作有：查询、修改、删除、 添加等。管理员与电影是一对多的关系。 电影推荐中的对象是电影，系统在这些电影信息的基础上进行推荐，系统和电影的关系 是多对多的关系。用户对象可以细分为普通用户和管理员。对象详细关系图如图 2 所示。 表 示 层 业 务  页面浏览器 注册，登陆，浏览，观看，~添1加，~删除，修改等 电影管理业务  网络应用 客户端 电影推荐 图 1 总体构架设计 管理员  电影管理  电影信息 用户 浏览  推荐算法 普通用户 观看 图 2 对象间关系图 b)动态模型 电影推荐模块是系统主要的动态模型。电影推荐系统的状态转化图如 3 所示。 登陆 ~ 2 ~ 未推荐 推荐 图 3 推荐的状态转化图 三、数据库设计 用户信息表有三个属性，用户名、邮箱、密码。用户名是主键，为文本类型，邮箱和密 码也是文本类型。用户信息数据字典如下表所示。 表 1 用户信息数据表 数据项 用户名 邮箱 密码  类型 文本 文本 文本 电影信息表有 10 个属性，电影序号是主键，为数值型。浏览次数也是数值型。电影名、 演员、导演、类型、年代、地区、介绍、图片都是文本类型。电影信息表的数据字典如下表 所示。 表 2 电影信息数据表 数据项  类型 ~ 3 ~ 电影序号 电影名 演员 导演 类型 年代 地区 介绍 浏览次数 图片  数值 文本 文本 文本 文本 文本 文本 文本 数值 文本 用户兴趣信息表具有 6 个属性，其中序号为主键，是数值型。其他用户名、电影名、类 型、年代、类型都是文本类型。用户兴趣表的数据字典如下表所示。 表 3 用户兴趣信息数据表 数据项 序号 用户名 电影名 类型 年代 类型  类型 类型 数值 文本 文本 文本 文本 电影显示信息表主要有 4 个属性，电影名为主键，文本类型。其他导演、演员、图片也 是文本类型。电影显示信息表的数据字典如下表所示。 表 4 电影显示信息数据表 数据项 电影名 导演 演员 图片  类型 文本 文本 文本 文本 ~ 4 ~ 电影推荐系统的 E-R 图如 4 所示。 邮箱  用户名 用户  密码 用户名  浏览  电影名 电影名  电影  导演 演员  演员  类型  地区 图 4 系统 E-R 图 四、混合推荐算法设计 协同过滤通过计算用户之间的相似性获得推荐，但是忽略了项目和用户自身的特性，而 且还具有冷启动问题。基于内容的推荐虽然能够解决协同过滤中的不足，但是它也有缺陷。 基于内容的推荐不可避免地受到信息获取技术的制约，例如自动提取多媒体数据的内容特征 具有技术上的难题。 在这种条件下，将这两个结合混合推荐算法成为必要。这两种算法的融合不仅相互弥补 各自的不足，而且这种混合推荐系统还具有较高的精度和效率。 本混合电影推荐系统中主要有两种推荐算法。一种是协同过滤算法，另一种是基于内容 的推荐算法。这两种算法融合于本推荐系统中，根据不同的条件进行推荐。下面详细介绍两 种算法的使用条件。 协同过滤算法：与该用户相似的邻居大于等于 3 基于内容的推荐算法：与该用户相似的邻居小于 3 协同过滤算法原理： 当用户登录时，系统自动计算此时的用户相似性矩阵。如果该用户的相似性邻居大于等 ~ 5 ~ 于 3，则可以使用协同过滤算法推荐电影。 基于内容的推荐算法原理： 用户登录时，系统自动计算此时的用户相似性矩阵，如果该用户的相似邻居小于3，那 么则使用基于内容的算法推荐电影。 开始 计