基于混合推薦的電影推薦系統(tǒng)設(shè)計

1、百度文庫讓每個人平竽地捉升口我基于混合推薦的電影推薦系統(tǒng)設(shè)計緒論隨著經(jīng)濟的快速發(fā)展，人們的娛樂生活越來越豐富。電影，作為娛樂的重要組成部分， 越來越受到大眾的歡迎，特別是受到年輕人的喜愛。但是，如何在海量的電影中找到滿足自 己喜愛的電影卻成為一個難題。電影個性化推薦應(yīng)運而生，它就是來解決如何在海量信息中 尋找關(guān)鍵點，向用戶推薦出符合用戶要求的電影。本文，基于內(nèi)容和協(xié)同過濾混合的推薦算法，建立一個個性化的電影推薦系統(tǒng)。電影作 為推薦給用戶的一種產(chǎn)品，其對特定的時間依賴性并不強?；趦?nèi)容的推薦系統(tǒng)可以有效地 克服冷啟動和數(shù)據(jù)稀疏性問題，在系統(tǒng)初運行階段和有新用戶進入階段可以提供較髙的準(zhǔn)確 性。當(dāng)數(shù)

2、據(jù)評估到達一泄程度后，使用協(xié)同過濾推薦系統(tǒng)進行推薦。協(xié)同過濾技術(shù)，不僅可 以提供同類型的優(yōu)質(zhì)產(chǎn)品給用戶，還可以根拯近鄰集的不同進行跨類型的推薦。并且隨著時 間的增加，用戶評價數(shù)的增多，更多的用戶加入到系統(tǒng)中后，會找到更匹配的近鄰用戶，使 得推薦質(zhì)量得到提升。系統(tǒng)設(shè)計一、總體構(gòu)架設(shè)計電影推薦系統(tǒng)采用B/S模式的三層框架設(shè)計，分為表示層、業(yè)務(wù)層和數(shù)據(jù)層。這樣的設(shè) 計模式達到了分散關(guān)注、松散耦合、邏輯復(fù)用和標(biāo)準(zhǔn)泄義的目的。系統(tǒng)總體框架結(jié)構(gòu)圖如圖 1所示。二、對象關(guān)系及動態(tài)模型a）對象關(guān)系電影管理中的主要對象有：管理員和電影。管理員對電影的操作有：查詢、修改、刪除、 添加等。管理員與電影是一對多的關(guān)系

3、。電影推薦中的對象是電影，系統(tǒng)在這些電影信息的基礎(chǔ)上進行推薦，系統(tǒng)和電影的關(guān)系 是多對多的關(guān)系。用戶對象可以細分為普通用戶和管理員。對象詳細關(guān)系圖如圖2所示。圖1總體構(gòu)架設(shè)訃b）動態(tài)模型電影推薦模塊是系統(tǒng)主要的動態(tài)模型。電影推薦系統(tǒng)的狀態(tài)轉(zhuǎn)化圖如3所示。記錄用戶興趣保存用戶瀏覽信息推薦結(jié)朿圖3推薦的狀態(tài)轉(zhuǎn)化圖三、數(shù)據(jù)庫設(shè)計用戶信息表有三個屬性，用戶名、郵箱、密碼。用戶爼是主鍵，為文本類型，郵箱和密 碼也是文本類型。用戶信息數(shù)據(jù)字典如下表所示。表1用戶信息數(shù)據(jù)表電影信息表有10個屬性，電影序號是主鍵，為數(shù)值型。瀏覽次數(shù)也是數(shù)值型。電影名.演員導(dǎo)演、類型、年代、地區(qū)、介紹、圖片都是文本類型。電影信

4、息表的數(shù)據(jù)字典如下表所示Q表2電影信息數(shù)據(jù)表用戶興趣信息表具有6個屬性，其中序號為主鍵，是數(shù)值型。其他用戶名、電影名、類 型、年代、類型都是文本類型。用戶興趣表的數(shù)拯字典如下表所示。表3用戶興趣信息數(shù)據(jù)表電影顯示信息表主要有4個屬性電影名為主鍵，文本類型。其他導(dǎo)演.演員、圖片也 是文本類型。電影顯示信息表的數(shù)據(jù)字典如下表所示。表4電影顯示信息數(shù)據(jù)表數(shù)據(jù)項類型3百度文郵-讓每個人平等地捉升口我圖4系統(tǒng)E-R圖四、混合推薦算法設(shè)計協(xié)同過濾通過汁算用戶之間的相似性獲得推薦，但是忽略了項目和用戶自身的特性，而 且還具有冷啟動問題?；趦?nèi)容的推薦雖然能夠解決協(xié)同過濾中的不足，但是它也有缺陷。 基于內(nèi)容的

5、推薦不可避免地受到信息獲取技術(shù)的制約，例如自動提取多媒體數(shù)據(jù)的內(nèi)容特征 具有技術(shù)上的堆題。在這種條件下，將這兩個結(jié)合混合推薦算法成為必要。這兩種算法的融合不僅相互彌補 各自的不足，而且這種混合推薦系統(tǒng)還具有較高的精度和效率。本混合電影推薦系統(tǒng)中主要有兩種推薦算法。一種是協(xié)同過濾算法，另一種是基于內(nèi)容 的推薦算法。這兩種算法融合于本推薦系統(tǒng)中，根據(jù)不同的條件進行推薦。下面詳細介紹兩 種算法的使用條件。協(xié)同過濾算法：與該用戶相似的鄰居大于等于3基于內(nèi)容的推薦算法：與該用戶相似的鄰居小于3協(xié)同過濾算法原理：當(dāng)用戶登錄時，系統(tǒng)自動計算此時的用戶相似性矩陣。如果該用戶的相似性鄰居大于等 于3,則可以使用

6、協(xié)同過濾算法推薦電影?；趦?nèi)容的推薦算法原理：用戶登錄時，系統(tǒng)自動計算此時的用戶相似性矩陣，如果該用戶的相似鄰居小于3,那 么則使用基于內(nèi)容的算法推薦電影。開始計算用戶相似矩陣協(xié)同過濾算法推薦基于內(nèi)容的推薦算法推薦圖5混合系統(tǒng)推薦算法流程圖如上圖所示，用戶登錄后，系統(tǒng)即開始個性化推薦了，但是針對每個用戶使用的方法不 同，對任何一個用戶進行推薦都要按照當(dāng)前該用戶的歷史信息進行判斷處理。首先計算用戶 相似性矩陣，如果與該用戶的相似鄰居大于等于3,那么表示打分矩陣不稀疏，則按照協(xié)同 過濾算法推薦：否則，則使用基于內(nèi)容的推薦算法進行推薦。協(xié)同過濾算法流程圖如下所示。圖6協(xié)同過濾算法流程圖如上圖所示，介

7、紹協(xié)同過濾的算法步驟：第一步：用戶A登錄后，系統(tǒng)查詢用戶一電影評分矩陣，如果某個用戶X與用戶A 樣，A打分了他也打分了，那么將用戶X加入到用戶列表list中：第二步：計算list表中各個用戶與A之間的相似性，相似性的汁算利用夾角余弦的方法, 公式如下：sim (ij) = cos (兀 y) = =叫L C Z JS稅 叫7百度文庫讓每個人平竽地捉升口我第三步：根據(jù)第二步計算相似性后.得到與用戶A最相似的3個近鄰集合S第四步：利用集合S,計算用戶A沒有評分的電影，采用S集合中三個鄰居的打分均值。公式如下：#第五步：將計算得到的電影評分排序.找岀評分最髙的5個電影，推薦給用P A,算法結(jié)束?；?/p>

8、內(nèi)容的推薦算法流程圖如下圖所示:開始圖7基于內(nèi)容的推薦算法流程圖百度文郵-讓每個人平零地捉升口我上圖介紹了用戶登錄時，使用基于內(nèi)容的推薦算法為用戶推薦感興趣的電影，該算法步驟如下：第一步：根據(jù)用戶瀏覽歷史信息表，找到當(dāng)前用戶A瀏覽過的電影，統(tǒng)汁這些電影中，用 戶A所關(guān)注的電影的類型class、年代year和地區(qū)area。第二步：得到用戶A瀏覽過的電影的類型、年代和地區(qū)后，得到電影數(shù)據(jù)庫中找到類型為 class、年代為year和地區(qū)為area的電影。找到的電影個數(shù)和大于等于5,則退出。否則, 進行下一步。第三步：在電影庫中找到類型為class和地區(qū)為area的電影。找到的電影個數(shù)和大于等于5,

9、則退出。否則，進行下一步。第四步：在電影庫中找到類型為class、年代為year的電影。找到的電影個數(shù)和大于等于5,則退出。否則，進行下一步。第五步：在電影庫中找到年代為year和地區(qū)為area的電影。退岀。性能測試推薦系統(tǒng)常用的幾種評價指標(biāo)龍義如下：1）準(zhǔn)確率P訥其中，出（厶）表示在列表L中用Hu的準(zhǔn)確率，氏（厶）表示推薦列表L中用戶u喜歡的產(chǎn)品數(shù)，L是推薦列表集合長度。召回率R2)3)9其中，（厶）表示在列表L中用戶u的召回率，表示用戶在測試集中觀看的電影總FlscoreF（L嚴(yán) 7 P + R其中，P為準(zhǔn)確率，R為召回率。百度文郵-讓每個人平等地捉升口我4) 命中率hit亠NHit =S

10、英中，N為用戶觀看電影總數(shù)，S為推薦列表中的電影總數(shù)。5) 多樣性 Diversity沁)=吐磅E)s(x,y)表示用戶x和y的相似性。6) 覆蓋率 CoverageCOV(L) = A/n/MMn表示推薦列表L中不同的電影個數(shù)，M為系統(tǒng)電彫庫中電影總數(shù)。在本文實現(xiàn)的混合系統(tǒng)中，總共有1500部電影，1200個用戸，總共6500個評分，以 此為測試條件。設(shè)圧不同的推薦列表長度L, Hits和diversity指標(biāo)的值如下表所示。表5不同推薦列表長度系統(tǒng)性能評價從上表可以看出，混合推薦系統(tǒng)中，不同列表長度L下系統(tǒng)性能是相對穩(wěn)左的。下而 的表6給出了混合推薦系統(tǒng)與傳統(tǒng)算法在準(zhǔn)確度P、召回率R、F和多樣性四個方面的結(jié)果 比較。從該表中可以發(fā)現(xiàn)，混合推薦算法比傳統(tǒng)算法的準(zhǔn)確性方而有所提升。表6系統(tǒng)性能評價指標(biāo)對比從推薦系統(tǒng)的覆蓋率指標(biāo)來看，結(jié)果如下圖所示。從下圖可知，混合推薦系統(tǒng)在覆蓋率 指標(biāo)上市明顯髙于單純的基于內(nèi)容推薦系統(tǒng)。圖8覆蓋率比較結(jié)論本文電影推薦系統(tǒng)采用B/S模式的三層框架設(shè)計，分為表示層、業(yè)務(wù)層和數(shù)據(jù)層。采用 分層結(jié)構(gòu)只要目的是使各層之間相互獨立，各層不需要關(guān)注別層的內(nèi)部或者內(nèi)部實現(xiàn)機制。個性化推薦系統(tǒng)是當(dāng)前非常熱門的領(lǐng)域，融合了網(wǎng)絡(luò)和數(shù)據(jù)庫以及算法等技術(shù)，在當(dāng)前 隨著互聯(lián)網(wǎng)的普及，網(wǎng)上娛樂要求不斷增加，個性化推