多样化电影推荐系统的设计与实现.pdfVIP

摘要 摘 要 随着互联网的迅猛发展，移动终端的快速普及，海量的资源信息带来了“信息过载” 问题。大量无意义的信息给人们挑选价值信息造成了巨大困扰。针对这一现状，推荐系统 应运而生。通过对用户历史行为记录的分析，推荐系统进一步掌握用户的个人爱好，从而 可以向用户主动提供其想要的信息。推荐系统中，协同过滤技术应用最为广泛，它最大的 特性即“领域无关性”，只需根据群体之间的相似性对目标用户做出推荐。尽管协同过滤技 术备受欢迎，但在实际应用过程中也存在着不足，具体表现如下：(1) 传统协同过滤方法推 荐效率较低。尤其是在大数据时代，用于推荐的决策数据随时间不断更新变化，这时计算 过程就需要消耗大量的时间，从而可能造成用户的快速响应需求无法满足；(2) 大多数传 统的协同过滤方法，往往更关注推荐结果的准确性，认为推荐列表中项之间是相互独立的， 这样推荐列表中很有可能存在冗余项或重复项，由此产生的推荐结果并不能涵盖用户广泛 的兴趣，进而用户满意度会有所降低。针对上述问题，本文进行细致研究，对传统的协同 过滤技术进行改进，并将改进方法应用在电影推荐系统中，以实现多样化的电影推荐系统。 具体研究工作如下： (1) 首先，本文对推荐系统的发展背景、应用现状、协同方法进行了详细介绍，并分析 了协同推荐方法的不足之处。 (2) 其次，针对协同过滤方法推荐效率低且推荐结果冗余化问题，将局部敏感哈希算 法引入推荐问题中，以此提高传统协同过滤技术的推荐效果。该方法可以离线地建立项目 索引，从而对高维数据进行降维，利用项目索引，快速查找目标用户历史记录的相似项， 进而大大提高推荐的效率；在构建推荐列表过程中，利用评分多样性对列表进行二次优化， 排除列表中的相似项，较大概率的保证推荐列表中的项彼此之间是不相似的，从而为用户 提供多样化的推荐列表，提高用户对推荐结果的满意度。为了验证改进方法的有效性，本 文选用MovieLens 数据集，通过设计对比实验，衡量推荐系统的常用指标，最终实验结果 表明本文提出的方法是切实可行的。 (3) 最后，将改进的方法应用在电影推荐系统中，进行了多样化电影推荐系统的设计 与实现。首先对系统进行了可行性分析、功能需求分析以及非功能需求分析，之后完成了 系统的总体设计，并在MyEclipse 开发环境下，利用 Java 语言实现了系统的各功能模块。 关键词：电影推荐系统，协同过滤，推荐效率，局部敏感哈希，列表多样化 I Abstract Abstract With the rapid development of the Internet and the popularization of mobile terminals, a big volume of information has brought about the problem of information overload. A lot of meaningless information has caused great trouble for people to select valuable information. In view of this situation, the recommender systems emerge at the right time. Through analyzing the records of a users historical behaviors, a recommender system can further master the users personal preferences and provide the information needed. Collaborative Filtering (CF) has become one of the most commonly used technologies in current recommender systems,