电影推荐系统微信小程序的设计与实现

发布时间：2020-10-19 09:58

　　 随着信息技术和移动互联网技术的发展,信息的数据量呈爆炸式增长趋势,社会逐渐从信息匮乏时代进入了信息过载的“大数据”时代,数据量的剧增导致数据冗余度过高,需要利用推荐系统来筛选用户需要的信息。基于此,本文搭建微信小程序平台上的电影推荐系统,以在一定程度上解决电影的信息过载问题。本文搭建的电影推荐系统中采用的推荐算法是通过情感分析改进的基于物品的协同过滤算法,是在基于物品的协同过滤算法根据用户对电影的评分计算推荐值的基础上,将电影评论的情感极性分类值也作为计算电影推荐值的一个参数,综合考虑用户对电影的评分和情感,对用户进行推荐。其中,情感极性分类过程包括中文分词(对电影评论进行分词)、去停用词(去除文本中的无用词)、特征提取(将文本转化为向量)、构建CNN分类模型(得出电影评论的情感值)。推荐系统的开发采用了经典的B/S架构,由客户端和服务器端组成。服务器端使用的是Nginx服务器,负责推荐内容的计算、系统数据的处理以及系统各个模块之间的信息交互;客户端采用微信小程序,负责系统的信息的外部展示和用户与系统之间的交互。通过客户端、服务器端的互相协调构成了系统的主要运行框架。客户端使用JavaScript、WXML、WXSS等语言开发;服务器端使用Python语言开发;数据库选用MySQL作为系统数据库。系统开发过程中预留了部分接口以满足系统的后续开发。
【学位单位】：西北民族大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.3;TP311.56
【部分图文】：

西北民族大学硕士学位论文第 3 章 电影推荐算法的设计与实现本章介绍电影推荐算法的设计与实现，采用情感分析改进基于物品的协同过滤算法的方案，并重点描述算法实施过程。算法实施过程是对上一章介绍的技术的一个具体实施方案，将从数据准备阶段开始到推荐算法模型实现为止，详细介绍每一步的工作内容。3.1 推荐算法设计电影推荐系统的核心在于推荐算法。本文所采用的是经过改良的基于用户的协同过滤算法。算法采用的技术路线图如图 3.1 所示：

西北民族大学硕士学位论文以后的电影基本信息，共 838 条；并抓取了这些电影的所有评论数据，共 36363条（由于豆瓣电影网只限定显示每部电影的前五百条评论数据，所以每个电影最多抓取了五百条评论数据）。数据库中的部分电影数据和评论数据如图 3.2、3.所示。

评论数据
【参考文献】

相关期刊论文 前7条

1 孟祥武;纪威宇;张玉洁;;大数据环境下的推荐系统[J];北京邮电大学学报;2015年02期

2 潘莉;张桁;;网络购物推荐系统现状分析[J];电子制作;2014年21期

3 孙海峰;甘明鑫;刘鑫;吴越;;国外电影推荐系统网站研究与评述[J];计算机应用;2013年S2期

4 杨佳;;个性化新书推荐系统的设计与实现[J];图书馆杂志;2013年12期

5 安维;刘启华;张李义;;个性化推荐系统的多样性研究进展[J];图书情报工作;2013年20期

6 莫建文;郑阳;首照宇;张顺岚;;改进的基于词典的中文分词方法[J];计算机工程与设计;2013年05期

7 孟祥武;胡勋;王立才;张玉洁;;移动推荐系统及其应用[J];软件学报;2013年01期

相关硕士学位论文 前7条

1 窦敏;基于CNN和LSTM的视频语义分析系统设计与实现[D];南京邮电大学;2018年

2 刘康迪;基于深度学习的电影推荐系统研究与应用[D];北京工业大学;2018年

3 程子珍;基于微信小程序的网上购物系统的设计与实现[D];首都经济贸易大学;2018年

4 李多加;基于混合推荐算法的旅游推荐系统的设计与实现[D];浙江大学;2018年

5 王玉洋;基于微信小程序的移动学习平台环境构建与系统设计开发[D];南京大学;2018年

6 金莹;基于微信小程序的个人电台系统的设计与实现[D];吉林大学;2017年

7 夏明星;基于情感分析的评论极性分类和电影推荐系统的设计与实现[D];安徽大学;2016年

本文编号：2847058