基于Web的电影推荐系统的设计与实现.docxVIP

基于Web的电影推荐系统的设计与实现

摘要

在大数据时代，为了解决信息过载以及用户需求不明确的问题，推荐系统在各大网站和应用开发中得到广泛应用。

本设计主要以HBuilderX和Python作为开发工具，以协同过滤作为核心算法，搭配MySQL数据库来搭建一个基于Web的电影推荐平台。该推荐系统的核心功能有用户管理、电影模糊搜索、电影收藏和评分、电影热门榜单以及兼具实时推荐与离线推荐的电影个性化推荐。

在视频影音飞速发展占据人们大量时间的现状下，本系统有较大的应用空间，有助于用户在不明确自身需求的情况下更快速准确地找到自己想要观看的电影。

关键词：推荐系统；电影；Web开发；协同过滤算法

目录

TOC\o1-3\h\z\u第一章绪论 1

1.1研究背景 1

1.2电影推荐系统研究现状 1

1.3研究意义 2

第二章系统相关技术介绍 3

2.1Web开发技术 3

2.1.1Bootstrap4 3

2.1.2Vue 3

2.2Python开发技术 3

2.3MySQL数据库服务 4

2.4协同过滤推荐算法 4

第三章系统需求分析 6

3.1系统设计目标 6

3.2系统需求分析 6

3.3可行性分析 6

3.3.1技术可行性 6

3.3.2操作可行性 6

3.3.3经济可行性 6

3.4系统流程分析 7

3.5系统E-R图 7

第四章系统总体设计 9

4.1系统概述 9

4.2系统总体功能模块设计 9

4.2.1用户管理模块 9

4.2.2个性化推荐模块 10

4.2.3排行榜模块 10

4.2.4电影点播模块 10

4.3数据库设计 10

4.3.1源数据集 10

4.3.2自设信息数据集 11

第五章系统实现 13

5.1用户管理模块的实现 13

5.2电影详情 14

5.3排行榜模块的实现 15

5.3离线推荐 16

5.4实时推荐 17

5.5电影点播模块的实现 18

第六章系统测试 20

6.1系统测试目标 20

6.2测试的主要内容 20

6.2.1功能测试 20

6.2.2性能测试 22

6.3测试结论 23

第七章结论 1

参考文献 2

致谢 4

第一章绪论

1.1研究背景

推荐系统是移动网络的飞速发展后的产物，其实质是一种技术方法，能够让用户在需求不确定的条件下从大量的数据中发现自己感兴趣的内容。推荐系统需要结合用户信息、物品信息和用户的过去行为，再利用机器学习来构建用户兴趣模型，从而实现更私人化的个性化推荐[1]。目前，推荐系统应用在在休闲娱乐、金融理财、线上教育、科技安防等众多领域。推荐系统是各大电影网站用来提高推荐服务的利器。在视频影音飞速发展占据人们大量时间的现状下，基于Web的电影推荐系统有助于用户在不明确自身需求的情况下更快速准确地找到自己想要观看的电影[1]。我们身处在一个科技高速发展，信息爆炸式增长的互联网时代，大数据正是这个时代特有的产物。据我国的互联网发展状况第48次报告统计，到2021年6月为止，我国拥有10.11亿的网民规模，与2020年12月相比新增了2175万网民，其中在网络视频区域的用户规模达到了94384万人次，并且还在持续增长中。网民数量的增长使得互联网数据资源飞速膨胀，呈现井喷式增长。尽管用户和数据都在增长，但是二者的增长体量又有很大的区别。对于用户来说，要想在如此庞大的数据海中找到自己想要的数据是一件既容易又困难的事情。以在网络视频领域占重要地位的电影来举例，有明确目的的用户可以使用搜索引擎搜索关键字来查找想要看的电影，但是当用户没有特别明确的需求，而互联网上的电影资源信息又过载的时候，推荐系统就是一个解决问题的好办法[2]。

1.2电影推荐系统研究现状

在上世纪90年代的美国AI学会上，MarkoBalabanovic等人推出了第一个名叫LIRA个性化推荐系统。推荐系统在这二十年间发展飞速，人们对它的研究不断深入。在2010年之前，推荐系统领域占主导地位的是矩阵分解算法、逻辑回归算法和协同过滤等传统算法。在此基础上，也有了一些新的研究成果，例如因子分解机、梯度提升决策树等[3]。2015年深度学习时代，深度学习推荐模型受到广泛应用，其中有根据用户历史打分记录生成的用户与物品共现矩阵和计算用户和物品之间的相似程度来进行推荐的CF算法。其中还有LR算法，它的原理是将推荐