基于粒计算的电影推荐系统设计
发布时间：2021-01-20 05:18
随着互联网的飞速发展,各类信息层出不穷,人类已步入大数据时代。信息时代带来便捷的同时,也同样带来了信息过载的问题。个性化推荐系统可以有效的解决信息过载的问题,在电子商务、电影、音乐推荐等领域均发挥着巨大作用。尽管应用场景不同,但其基本组成架构类似,具有较强的可移植性和适配性。本文选取了电影推荐的场景,借助粒计算模拟人脑处理复杂问题的方式,将其应用到推荐系统的核心——推荐算法中。本文的主要工作如下:（1）分析了常见推荐算法的流程,总结了常规相似度计算的优缺点,并根据用户评分习惯的不同,利用粒计算中粗细粒子聚合分解的研究方法,对用户群体进行分类。（2）利用粒度分析的求解思想,提出了分层粒化聚类算法。算法分成离线和在线两部分:离线部分根据U-I评分矩阵对所有用户分层粒化,直到生成最终的推荐聚类,在线部分利用生成的聚类进行推荐。（3）本文利用Django这一轻量级开发框架,实现了基于粒计算的电影推荐系统。数据存储使用My SQL,用户可以通过Web浏览器实现观看电影、查看推荐等人机交互操作。设计管理员模式,管理员可在后台增删电影,查看用户信息。针对系统各模块设计了测试用例并进行了功能测试。本文...
【文章来源】：上海师范大学上海市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
淘宝猜你喜欢推荐界面
第一章绪论上海师范大学硕士学位论文2疑是一种双赢的模式。个性化推荐系统的应用场景很多，常见的比如电子商务，音乐，电影推荐等，下图1-1和1-2展现了淘宝推荐界面以及优酷电影推荐界面。图1-1淘宝猜你喜欢推荐界面图1-2优酷好剧推荐推荐界面视频网站是互联网的重要组成部分，现在的视频网站往往存有数以万计的电影。很多网站提供搜索引擎可便用户直接搜索目标电影，但是搜索的方式仅能帮助有明确目标的用户，观看电影作为一种悠闲娱乐的方式导致用户在打开视频网站的时候并没有明确的目标。如果用户仅通过翻页的方式来寻找自己想看的电影可能会感到疲劳甚至放弃观看。这种情况下，个性化推荐系统就显得尤为重要。通过用户的历史点播信息，推荐与用户喜好相符的电影，可以大大增加用户的观
第一章绪论上海师范大学硕士学位论文4该算法抽取项目特征，计算不同项目之间的相似度，创建用户偏爱模型，选取与用户感兴趣项目相似度最高的项目，将它推荐给对应的用户[11]，并根据用户反馈结果，及时进行修正。算法流程图如下图1-3所示。图1-4反映了CB推荐的原理：用户1、3喜欢的类型均为动作喜剧类，而用户3又喜欢电影2，那么系统会将电影2推荐给有同类喜好的用户1。图1-3基于内容的推荐算法流程图图1-4基于内容的推荐算法示例简而言之，基于内容的推荐就是根据用户自己喜欢的项目推荐相似度最高的物品，算法核心就是内容相似度的计算[12]。CB算法便于理解，其优势很明显：对用户的评价信息依赖程度较低，通过对项目以及用户属性的分析，在数据稀疏性强的情况下也能够进行推荐。因为该算法主要关注的是产品属性[13]，对待冷门产品以及新产品同样可以发现其中的隐藏信息，一定程度上避免冷启动的问题。当然，CB算法也有其局限性所在：该算法需要大量的数据进行训练，对项目特征的提取容易出现不准确等情况，目前没有非常有效的提取方法[14]。此外，该方法依赖于用户的历史行为[15]，很难捕捉到用户兴趣的细微变化，存在推荐结果单一的情况，难以满足用户的需求。2、基于关联规则推荐：基于关联规则的推荐（Rule-BasedRecommendation，RB)通过统计历史数据找出事件间的联系，是一种利用事物发生规律进行推荐的算法[16]。关联规则的挖掘是该算法重点，可表示为：>，表示事件发生后，事件会有一定概率发生，这个概率是通过历史数据统计而来。关联规则就是指在一个数据集中找出项之间的关系，也称之为购物篮分析(MarketBasketAnalysis)[17]。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用
【参考文献】：
期刊论文
[1]三支决策-基于粗糙集与粒计算研究视角[J]. 刘盾,李天瑞,杨新,梁德翠. 智能系统学报. 2019(06)
[2]基于条件信息熵的区间集决策信息表不确定性度量[J]. 张倚萌,贾修一,唐振民. 南京理工大学学报. 2019(04)
[3]一种基于用户兴趣联合相似度的协同过滤算法[J]. 王建芳,韩鹏飞,苗艳玲,司马海峰. 河南理工大学学报(自然科学版). 2019(05)
[4]基于改进用户相似度的协同过滤推荐算法研究[J]. 张利. 现代计算机. 2019(17)
[5]个性化推荐及其相关技术分析[J]. 冷亚军,黎忠雪. 内蒙古科技与经济. 2019(05)
[6]基于Apriori算法关联规则推荐教学视频应用研究[J]. 王诗圆,申莹,赵永翼. 数字通信世界. 2019(03)
[7]关联规则推荐的高效分布式计算框架[J]. 李昌盛,伍之昂,张璐,曹杰. 计算机学报. 2019(06)
[8]基于知识图谱的云端个性化测试推荐[J]. 段玉聪,邵礼旭,崔立真,高洪皓. 小型微型计算机系统. 2018(12)
[9]基于深度学习的短视频中的物体检测与内容推荐系统研究[J]. 石殷巧,刘守印,马超. 计算机与现代化. 2018(11)
[10]基于改进内容过滤算法的高校图书馆文献资源个性化推荐研究[J]. 耿立校,晋高杰,李亚函,孙卫忠,马士豪. 图书情报工作. 2018(21)
硕士论文
[1]个性化推荐系统中冷启动问题研究[D]. 雷秋雨.北京交通大学 2019
[2]结合用户评分与属性兴趣的协同过滤推荐算法研究[D]. 唐一民.安徽大学 2019
[3]基于Apriori算法的图书馆管理系统的设计与实现[D]. 刘玉静.青岛大学 2018
[4]基于关联规则挖掘的个性化推荐方法研究[D]. 刘伟世.北京工业大学 2017
[5]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
本文编号：2988453
【文章来源】：上海师范大学上海市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
淘宝猜你喜欢推荐界面
第一章绪论上海师范大学硕士学位论文2疑是一种双赢的模式。个性化推荐系统的应用场景很多，常见的比如电子商务，音乐，电影推荐等，下图1-1和1-2展现了淘宝推荐界面以及优酷电影推荐界面。图1-1淘宝猜你喜欢推荐界面图1-2优酷好剧推荐推荐界面视频网站是互联网的重要组成部分，现在的视频网站往往存有数以万计的电影。很多网站提供搜索引擎可便用户直接搜索目标电影，但是搜索的方式仅能帮助有明确目标的用户，观看电影作为一种悠闲娱乐的方式导致用户在打开视频网站的时候并没有明确的目标。如果用户仅通过翻页的方式来寻找自己想看的电影可能会感到疲劳甚至放弃观看。这种情况下，个性化推荐系统就显得尤为重要。通过用户的历史点播信息，推荐与用户喜好相符的电影，可以大大增加用户的观
第一章绪论上海师范大学硕士学位论文4该算法抽取项目特征，计算不同项目之间的相似度，创建用户偏爱模型，选取与用户感兴趣项目相似度最高的项目，将它推荐给对应的用户[11]，并根据用户反馈结果，及时进行修正。算法流程图如下图1-3所示。图1-4反映了CB推荐的原理：用户1、3喜欢的类型均为动作喜剧类，而用户3又喜欢电影2，那么系统会将电影2推荐给有同类喜好的用户1。图1-3基于内容的推荐算法流程图图1-4基于内容的推荐算法示例简而言之，基于内容的推荐就是根据用户自己喜欢的项目推荐相似度最高的物品，算法核心就是内容相似度的计算[12]。CB算法便于理解，其优势很明显：对用户的评价信息依赖程度较低，通过对项目以及用户属性的分析，在数据稀疏性强的情况下也能够进行推荐。因为该算法主要关注的是产品属性[13]，对待冷门产品以及新产品同样可以发现其中的隐藏信息，一定程度上避免冷启动的问题。当然，CB算法也有其局限性所在：该算法需要大量的数据进行训练，对项目特征的提取容易出现不准确等情况，目前没有非常有效的提取方法[14]。此外，该方法依赖于用户的历史行为[15]，很难捕捉到用户兴趣的细微变化，存在推荐结果单一的情况，难以满足用户的需求。2、基于关联规则推荐：基于关联规则的推荐（Rule-BasedRecommendation，RB)通过统计历史数据找出事件间的联系，是一种利用事物发生规律进行推荐的算法[16]。关联规则的挖掘是该算法重点，可表示为：>，表示事件发生后，事件会有一定概率发生，这个概率是通过历史数据统计而来。关联规则就是指在一个数据集中找出项之间的关系，也称之为购物篮分析(MarketBasketAnalysis)[17]。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用
【参考文献】：
期刊论文
[1]三支决策-基于粗糙集与粒计算研究视角[J]. 刘盾,李天瑞,杨新,梁德翠. 智能系统学报. 2019(06)
[2]基于条件信息熵的区间集决策信息表不确定性度量[J]. 张倚萌,贾修一,唐振民. 南京理工大学学报. 2019(04)
[3]一种基于用户兴趣联合相似度的协同过滤算法[J]. 王建芳,韩鹏飞,苗艳玲,司马海峰. 河南理工大学学报(自然科学版). 2019(05)
[4]基于改进用户相似度的协同过滤推荐算法研究[J]. 张利. 现代计算机. 2019(17)
[5]个性化推荐及其相关技术分析[J]. 冷亚军,黎忠雪. 内蒙古科技与经济. 2019(05)
[6]基于Apriori算法关联规则推荐教学视频应用研究[J]. 王诗圆,申莹,赵永翼. 数字通信世界. 2019(03)
[7]关联规则推荐的高效分布式计算框架[J]. 李昌盛,伍之昂,张璐,曹杰. 计算机学报. 2019(06)
[8]基于知识图谱的云端个性化测试推荐[J]. 段玉聪,邵礼旭,崔立真,高洪皓. 小型微型计算机系统. 2018(12)
[9]基于深度学习的短视频中的物体检测与内容推荐系统研究[J]. 石殷巧,刘守印,马超. 计算机与现代化. 2018(11)
[10]基于改进内容过滤算法的高校图书馆文献资源个性化推荐研究[J]. 耿立校,晋高杰,李亚函,孙卫忠,马士豪. 图书情报工作. 2018(21)
硕士论文
[1]个性化推荐系统中冷启动问题研究[D]. 雷秋雨.北京交通大学 2019
[2]结合用户评分与属性兴趣的协同过滤推荐算法研究[D]. 唐一民.安徽大学 2019
[3]基于Apriori算法的图书馆管理系统的设计与实现[D]. 刘玉静.青岛大学 2018
[4]基于关联规则挖掘的个性化推荐方法研究[D]. 刘伟世.北京工业大学 2017
[5]个性化混合推荐算法的研究[D]. 张腾季.浙江大学 2013
本文编号：2988453
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2988453.html
最近更新
教材专著
