基于图数据库的电影推荐系统的设计与实现

发布时间：2017-09-20 09:21

  本文关键词：基于图数据库的电影推荐系统的设计与实现

  更多相关文章： 电影推荐 加权分类 图数据库

【摘要】：随着互联网技术的不断发展,信息过载越来越严重,想从网络中获取对自己有用的信息越来越难,但同时也越来越重要。搜索引擎虽然能在一定程度上帮助用户从海量信息中寻找自己需要的信息,却不能完全解决信息过载的问题,当用户无法准确描述自己所需要的信息时,就需要借助推荐系统来帮助用户从大量信息中寻找对用户有价值的信息。在多媒体领域,用户同样面临着如何从大量的电影中找到自己真正喜欢的电影,所以个性化电影推荐的研究对于解决当前电影领域内信息过载具有非常重要的价值和意义。 在此背景下,本文基于经典的用户协同过滤算法,进行了结合加权分类的混合式推荐算法的研究。首先,本文分析了当前推荐系统中普遍使用的各种算法,包括经典的内容过滤、基于用户或物品的协同过滤等算法,并分析比较各自的利弊。其次,结合电影自身的特点,提出一种通过为电影的分类赋予一定的权值,分析用户的历史评分数据,挖掘用户对特定分类的潜在偏好信息,然后配合基于用户的协同过滤算法组合成一种混合式电影推荐的改善算法。最后利用MovieLens的数据集,设计和实现了一个基于加权分类和用户协同过滤算法的混合式推荐演示系统,该系统以Spring Boot以及Spring Data Neo4j为基础框架,以Neo4j图形数据库存储和处理数据为核心,通过Web的方式用图形化界面展示推荐结果。 本文提出的算法对电影推荐系统的研究具有一定的参考价值,为分类赋予一定权值的思想可运用在其他上下文信息上或其他领域内的推荐系统中,最后实现的系统也可以作为相关推荐系统的演示系统。
【关键词】：电影推荐 加权分类 图数据库
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要3-4
• Abstract4-7
• 第一章 绪论7-13
• 1.1 研究背景7-9
• 1.2 研究现状9-11
• 1.3 研究内容11-12
• 1.4 论文结构12-13
• 第二章 背景知识13-25
• 2.1 用户行为数据13-14
• 2.1.1 用户行为数据概述13-14
• 2.1.2 用户行为数据分析14
• 2.2 相似度计算14-16
• 2.2.1 欧式距离14-15
• 2.2.2 余弦相似度15
• 2.2.3 调整余弦相似度15-16
• 2.2.4 皮尔森相关系数16
• 2.3 推荐系统基础算法16-20
• 2.3.1 推荐系统算法概述16-17
• 2.3.2 基于用户的协同过滤算法17
• 2.3.3 基于物品的协同过滤算法17-18
• 2.3.4 基于内容的推荐算法18-19
• 2.3.5 推荐系统基础算法对比19-20
• 2.4 图数据库20-23
• 2.4.1 图数据库概述20-21
• 2.4.2 Neo4j图数据库21-22
• 2.4.3 Cypher查询语言22-23
• 2.5 本章小结23-25
• 第三章 加权分类的电影推荐系统的理论25-31
• 3.1 加权分类的用户兴趣提取25-26
• 3.2 基于用户的协同过滤26-27
• 3.3 加权分类的用户兴趣提取和基于用户的协同过滤的组合推荐算法27-29
• 3.4 本章小结29-31
• 第四章 加权分类的电影推荐系统设计和实现31-47
• 4.1 系统概述31
• 4.2 技术选型31-34
• 4.3 系统设计34-43
• 4.3.1 系统功能设计34-35
• 4.3.2 系统UI设计35-38
• 4.3.3 图模式设计38-39
• 4.3.4 算法实现设计39-43
• 4.4 系统实现43-46
• 4.5 本章小结46-47
• 第五章 总结和展望47-49
• 附录49-57
• 项目中的部分主要核心代码49-57
• 业务数据库操作类49-52
• 业务服务类52-54
• 业务控制类54-57
• 参考文献57-61
• 致谢61

【参考文献】

中国期刊全文数据库 前1条

1 游文;叶水生;;电子商务推荐系统中的协同过滤推荐[J];计算机技术与发展;2006年09期

，

本文编号：887214