基于深度神经网络的电影推荐算法的设计与实现.docxVIP

经典专科、本科、硕博、研究生、期刊毕业论文 仅供参考 精心整理 仅供参考 勿用作商业用途 全文页面设置：上2cm，下2cm，左2.5cm，右1.5cm。带装订线左0.5cm。 全文页面设置：上2cm，下2cm，左2.5cm，右1.5cm。带装订线左0.5cm。 页眉1.2cm，页脚1.5cm. 目录采用自动生成。目录、中英文摘要页采用罗马编号，不放入目录中，从“前言”开始至“致谢”采用数字编号，放入目录。 “目录”二字为小二号宋体加粗。目录中每章题目（1级标题）为四号黑体，其他每节节题目均为四号宋体。不建议出现四级标题。 目录中中文为四号宋体，英文和数字为四号Time News Roman。 TOC \o 1-3 \h \z \u 目 录 I 摘 要 III Abstract IV 前 言 1 第一章 绪 论 2 1.1 研究背景及意义 2 1.2 电影推荐算法概述 3 1.3 本文的主要工作简介 4 1.4 本文的组织结构 4 第二章 推荐算法简介 6 2.1 推荐算法研究现状 6 2.2 传统的推荐算法 6 2.2.1 基于内容的推荐算法 7 2.2.2 协同过滤推荐算法 7 2.2.3 基于知识的推荐算法 10 2.3 非传统推荐算法 10 2.3.1 混合推荐算法 10 2.3.2 新型推荐算法 11 2.4 推荐算法的常用评价指标 12 2.4.1 准确性指标 12 2.4.2 非准确性指标 13 2.5 本章小结 14 第三章 基于深度神经网络的电影推荐算法的设计 15 3.1 设计环境与技术支持 15 3.1.1 设计平台及所用语言 15 3.1.2 深度学习 15 3.1.3 卷积神经网络CNN 15 3.2 数据集及预处理 16 3.2.1 Movie Lens1M数据集 16 3.2.2 数据预处理 17 3.3 模型设计 18 3.4 神经网络设计 19 3.4.1 构建神经网络 19 3.4.2 训练神经网络 20 3.5 本章小结 21 第四章 推荐算法的实现与优化 22 4.1 生成特征矩阵 22 4.2 推荐过程的设计 22 4.2.1 推荐同类型的电影 22 4.2.2 推荐您喜欢的电影 23 4.2.3 推荐看过此电影的人还看的电影 23 4.3 结果分析 24 4.3.1 MSE和准确率 24 4.3.2 推荐精确度 24 4.3.3 存在的问题及优化方案 25 4.4 本章小结 25 第五章 总结与展望 26 5.1 本文总结 26 5.2 未来发展 27 参考文献 29 致 谢 31 附 录 32 摘 要小二号宋体加粗，段前段后各1行，行间距固定值22磅 小二号宋体加粗，段前段后各1行，行间距固定值22磅。 近年来小四宋体或小四Time News Roman。两端对齐，首行缩进2字符，行间距固定值22磅 小四宋体或小四Time News Roman。两端对齐，首行缩进2字符，行间距固定值22磅。 随着网络时代的进步和社会化网络的飞速发展，每天都会有数以亿计的微博、短信、新闻、图片、视频、音频等等数据流传在网上，而对于用户来说，这么广大的数据量，搜索起来会十分的困难，传统的搜索技术已经不能满足当代的需求了 REF _Ref514439532 \r \h [1]。并且在信息爆炸的今天，获取信息的途径和方式多种多样，人们最多的是去找自己感兴趣的，比如购物，买书，社交，新闻，音乐视频等等，这些地方都会有推荐，根据个人喜好，兴趣习惯等进行个性化内容推荐，因为个人的爱好不同，所以推荐内容也因人而异。而推荐系统最重要最核心的内容便是推荐算法，推荐算法的优劣便决定了推荐系统的好坏 REF _Ref514439571 \r \h [2]。 关键词关键词距离摘要正文空1行，缩进2字符。注意不要写成“关键字”。用中文分号；分隔：个性化推荐；信息爆炸；神经网络；推荐算法 关键词距离摘要正文空1行，缩进2字符。注意不要写成“关键字”。用中文分号；分隔 Abstract小二号Time News Roman 加粗。段前段后各1行，行间距固定值 小二号Time News Roman 加粗。段前段后各1行，行间距固定值22磅。 In recent years, with the explosion of online data, data has become fl