基于协同过滤的定制电影推荐web服务的设计与实现

发布时间：2018-03-03 07:21

  本文选题：Mahout　切入点：协同过滤　出处：《天津大学》2016年硕士论文　论文类型：学位论文

【摘要】：目前互联网已经快速发展至大数据时代,人类所面对的问题不再是信息过少而是信息过剩。搜索引擎虽然已经非常强大,但仅凭借关键字的搜索,也只是能被动的帮助用户筛选信息而不能主动为用户收集感兴趣的信息。对于越来越多的这种需求,催生了推荐引擎的产生及快速发展。凭借对于用户偏好的持续跟踪分析,推荐引擎可以主动向用户进行信息推荐,然后通过用户的反馈不断修正直到用户得到满意的结果。推荐系统通过收集用户、物品、偏好等元信息,采用基于人口统计学、基于内容及基于协同过滤等推荐机制进行分析得到初步推荐结果,再通过与用户的交互不断修正直至给出用户满意的推荐结果。本文通过对于推荐系统进行深入研究,基于Mahout开源推荐引擎设计了一个个性化电影推荐web服务。该系统通过收集用户的偏好,采用基于用户的协同过滤或者基于物品的协同过滤,分析观众或者电影之间的相似度,从而完成电影的个性化推荐。
[Abstract]:At present, the Internet has developed rapidly to the era of big data. The problem that mankind faces is no longer too little information but too much information. Although search engines are already very powerful, they only rely on keyword search. It can only help users to filter information passively without actively collecting information of interest to users. For more and more of this demand, the emergence and rapid development of recommendation engine, with the help of continuous tracking and analysis of user preferences, The recommendation engine can actively recommend information to the user, and then revise it continuously through feedback from the user until the user gets a satisfactory result. The recommendation system adopts demographics based on user, goods, preferences and other meta-information. Based on the analysis of content and collaborative filtering mechanism, the preliminary recommendation results are obtained, and then through the interaction with the user to revise continuously until the user is satisfied with the recommendation results. This paper makes a deep research on the recommendation system. A personalized movie recommendation web service is designed based on Mahout open source recommendation engine. The system analyzes the similarity between audience and movies by collecting user preferences, using user-based collaborative filtering or object-based collaborative filtering. In order to complete the personalized recommendation of the film.
【学位授予单位】：天津大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3;TP393.09

【相似文献】

相关期刊论文 前10条

1 徐义峰;陈春明;徐云青;;一种基于分类的协同过滤算法[J];计算机系统应用;2007年01期

2 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

3 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

4 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

5 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

6 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

7 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

8 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

9 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

10 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

相关会议论文 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

相关重要报纸文章 前1条

1 ;深圳移动实现WEB服务[N];网络世界;2002年

相关博士学位论文 前10条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

5 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

6 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

7 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

8 高e，

本文编号：1560059