一种电影个性化推荐系统的研究与实现

为两个 向量余弦 的计算问题。算 出影 片和用 户特
征模 型 的相 似度 后 ， 就可 以选定 某 个 阈值 ， 定 当 规 向量夹 角余 弦值 大 于 ０时 ， 认 为该 影 片是 用 户可 则
能 感兴 趣 的 ， 其推 荐 给 用 户 ， 果 小 于 ０ 则 过 滤 将 如 ， 掉该 影 片 ； 或者 可 以选 择 相 似 度 最 高 的 ＴＯＰＮ 个 －
分矩 阵 ， 出不 同数 据 项 之 间 的相 似 性 关 系 ， 用 求 利
台 管
理
数（ 据
誉 霆
此 向用 户推 荐 与用 户 喜 欢 的项 目相 似 的项 目。 由
于数 据项 本身 信息 变化 一般 不大 ， 而 数据 项 之 间 进
系统 初 始 化模 块
站 点
的关系相对比较稳定， 以基于数据项的协作过滤 所
ｒｔｍ．Ｉ ｔｇ ａｅｔ ｅｓｒｎ ｔ ｓａ ｄｗｅｋ ｅ ｓｓｏ ｏ ｔｎ ｉ ｅｉｇａ ｄｃ ｌ ｂ ｒ ｔ ｅｆ ｔｒ ｇ，ｐ ｏ ｏ ｅａ ｄ ｐ ｉｅｈ ｂ ｉ ｉｅ ｉ ｈ ｎ ｅ ｒｔ ｈ ｔｅ ｇｈ ｎ ａ ｎ ｓｅ ｆ ｎｅ ｔ ｌ ｒ ｎ ｏ ｌ ｏ ａ ｉ ｉ ｅｉ ｃ ｆｔ ｎ ａ ｖ ｌ ｎ ｒ ｐ ｓ ｎａ ａ ｔ ｙ ｒ ｆ — ｖ ｄ ｈ
作 者简 介 ： 钱程 ， ， 男 讲师 ， 研究方 向 ： 数据挖掘 。阳小兰 ， ， 女 讲师 ， 研究方 向 ： 数据挖掘 、 软件工程 。
７ ４
钱
程等 ： 一种 电影 个性化推荐系统的研究与实现
第 ３ ９卷
普 通 户
生推 荐 。 ３ ２ ２ 基 于数据 项 的协作 过 滤推 荐 算 法 ．．
走有 评分 且 与项 目 相似 度 较 大 （ 说 是 同一 类 ） 或 ， 则累 加 尺 最 后 除 以累 加 的与 项 目 Ｊ相 似 的项 目 ， 总数 目， 即可得 到 。 得 到 目标 用 户的邻 居用 户后 ， 可 以对 目标 用 就
３ ２ 协作 过滤 算法 ． 根 据协作 过 滤 技 术 所 使 用 的事 物 之 问 的关 联 性， 协作 过 滤算 法可 分 为基 于用 户 （ ｅ—ａｅ） Ｕｓｒ ｓｄ 的 Ｂ 协 作 过滤 推 荐 算 法 与 基 于 项 目 （ｔｍ—ａｅ ） Ｉ Ｂ ｓｄ 的协 ｅ 作 过 滤算 法［ １ 。 ８ ｏ －］ ３２ １ 基 于用 户的协作 过 滤推荐 算法 ．．
户 的反馈 更新 维护 用户 的兴 趣模 型 。 ２ ）系统 可 以根 据 用 户 的兴 趣 偏 好 ， 向其 推 荐 用户 可能 感兴 趣 的电影 。
３ ）系统将 运 行状态 通 过 日志记 录到 日志文 件
。
２ ２ 系统 总体 框 架 ． 系统 的总体 框 架如 图 １ 示 。 所
能 和 准 确 度 。根 据 改 进 的算 法 ， 对 电 影 领 域 进 行 实 验 ， 明 了其 可 行 性 。 针 证
关键词
协作过滤 ；内容过滤 ； 个性化推荐 系统
ＴＰ ９ ３３
中 图分 类 号
Байду номын сангаас
Ｒｅ ｅ ｒ ｈ ａ ｅ ｌｚ ｔｏ ｆ ｓ ａ ｃ ｎｄ Ｒ ａ ｉ ａ ｉ ｎ ｏ
ｔ ｅ Ｍ ｏ ｉ ｒ ｏ ａｌｚ ｄ Ｒｅ ｏ ｍ ｅ ｄａ ｉ ｎ Ｓ ｓ ｅ ｈ ｖ ｅ Ｐｅ ｓ ｎ ｉ ｅ ｃ ｍ ｎ ｔｏ ｙ ｔ ｍ
ＱｉｎＣｈ ｎ Ｙａ ｇＸｉｏ ａ ａ ｅｇ ｎ ａ ｌｎ
（ ｌ ｇ ｆＩ ｆｒ ｔ ｎ Ｅ ｇｎ ｅｉｇ Ｃｏｌ ｅｏ ｎｏ ｍａｉ ｎ ｉｅｒｎ ，Ｗ ｕ ａ ｉｅｓｔ ｆＳ ｉｎ ｅａ ｄ Ｔｅ ｈ ｏｏ ｙＺｈ ｎ ｎ ｎＢｒｎ ｈ ｅ ｏ ｈ ｎＵｎｖ ｒｉｙｏ ｃｅ ｃ ｎ ｃ ｎ ｌｇ ｏ ｇ ａ ａ ｃ ，Ｗ ｕ ａ ４ ０ ２ ） ｈｎ ３ ２３
Ｋｅ ｏ ｄ ｃ ｌ ｂ ｒ ｔ ｅｆｌ ｒ ｇ ｏ ｔｎ ｉ ｅ ｉｇ ｅ ｓ ｎ ｌ ｅ ｅ ｏ ｙ Ｗ ｒ ｓ ｏｌ ｏ ａｉ ｉｅ ｉ ，ｃ ｎ ｅ ｔｆｌ ｒｎ ，ｐ ｒｏ ａｉ ｄ ｒｃ ｍｍｅ ｄ ｔ ｎ ｓ ｓｅ ａ ｖ ｔ ｎ ｔ ｚ ｎ ａｉ ｙ ｔｍ ｏ
Ｃｌｓ ｍ ｂ ｒ ＴＰ３ ３ ａ ｓ Ｎｕ ｅ ９
ｒ ｇ ａｇ ｒｔ ｍ ，ｉ ｒ ｖ ｎ ｉ ｅ ｅ ｆ ｒ ａ ｃ ｎ ｃ ｕ ａ ｙ ｉ ｌｏ ｉｈ ｎ ｍｐ ｏ ｉ ｇ ｆ ｔ ｒｐ ｒｏ ｍ ｎ ｅ ａ ｄ ａ ｃ ｒ ｃ ．Ａｃ ｏ ｄｎ Ｏ ａ ｏ ｅ ｉ ｒ ｖ ｄ ａｇ ｒｔ ｍ ，ｄ ｓｇ ｎ ｌ ｃ ｒ ｉｇ ｔ ｂ ｖ ｍｐ ｏ ｅ ｌ ｏ ｉ ｈ ｅ ｉ ｎ ａ ｄ ｉ ｌｍｅ ｔａ ｍｐ ｅ ｎ ｐ ｒ ｏ ａｉｅ ｖｅ ｒ ｃ ｍｍｅ ｄ ｔ ｎ ｓ ｓｅ ｆ ｒｔ ｅ ｆ ｍ ｄ ｓ ｒ ｅ ｓ ｎ ｌ ｄ ｍｏ ｉ ｅ ｏ ｚ ｎ ａ ｉ ｙ ｔ ｍ ｏ ｈ ｉ ｉ ｕ ｔｙ，ｅ ｐ ｒｍｅ ｔａ ｄ ｐ ｏ ｅ ｔ ｅ ａｇ ｒｔ ｍ ’ ｆ ａ ｉ ｉ ｔ ． ｏ ｌ ｎ ｘ ｅ ｉ ｎ ｎ ｒ ｖ ｈ ｌ ｏ ｉｈ Ｓ ｅ ｓｂ ｌ ｙ ｉ
１ 引 言
个性化推荐技术根据用户的偏好 ， 向用户推荐 可能感兴趣的信息 ， 从而提供针对不 同用户 的个性
化 服务 。个 性化 推 荐 技 术 可应 用 的 领域 范 围 十分 广泛 ， 电子商 务 领 域 ， 性 化 推 荐 系 统 可 以将 电 在 个
子 商务 网站 的浏览 者变 为购 买者 ， 高 电子 商 务 网 提 站 的交叉 销售 能力 ， 高客 户对 电子 商 务 网站 的 忠 提 诚度 ＿ 。本 文 主要 研 究 的是 用 于 电 影 个 性 化 推 】 ］
Ａ ｓ ｒｃ Ｉ ｅｃ ｌ ｂ ｒｔ ｅｆｔｒ ｇａ ｏ ｉ ｍ ｂ ｓ ｄｏ ｍｉ ｒ ｒｊｃｓ ａ ｉｇｉｔ ｃ ｏ ｎ ｅ ｉ ｌ ｉ ｅｗ ｅ ｅ ｂ ｔａ ｔ ｎｔ ｌ ｏ ａｉ ｌ ｉ ｌ ｒ ｈ ａ ｅ ｎｓ ｌ ｏｅ ｔ ｔｋ ｎ ｏａ ｃ ｕ ｔ ｈ ｍｉ ｒ ｙｂ ｔ ｅ ｎ ｔ ｈ ｏａ ｖ ｉｅ ｎ ｇ ｔ ｉ ａｐ ｎ ｔ ｓ ａｔ ｈ
的评 分 颇 高 ， 而对 文 艺 类 影 片 的 评 分 偏 低 甚 至 最
影片的信息可以提取 出为一个特征向量 ， 向量
每个 分量 的值 取 决 于该 影 片 的 片名 、 发行 日期 、 影 片类 型 以及描 述信 息 ， 通过 对 以上 信 息进 行 分词 处
理， 统计 每个 词 的权 重 后 ， 可 以形 成 一 个 多 维 向 就
２ 电影 个 性 化 推 荐 系统 设 计
２ １ 系统的 主要 功能 ．
户 的兴趣 模 型 ， 用 户 推 荐 其 最 可 能 感 兴 趣 的影 向
１ ）系统 可 以 构 建 用 户 的 兴 趣 模 型 ， 根 据 用 并
片， 同时收集系统的推荐性能的信息 。影片推荐后
＊
收稿 日期 ：０ １ ２月 １ ， 回日期 ：０ １ ３ ２ ２１ 年 ４１ 修 ３ ２ １ 年 月 １日
具有 更好 的可 扩 展性 。
图 １ 电影 推 荐 系统 架构 图
台管 理站 点 主要 有 电影 管 理 、 户管 理 、 统 监 控 用 系
以及 系统初 始 化等模 块 ， 主要 的功 能是 系统 数 据 的
４ 算 法 的 改进
４ １ 改进 的协作 过滤 算 法 ．
初始 化 ， 系统 影 片 、 户 的 管 理 以及 系 统 中参 数 的 用 调控 。
总第 ２ ２期 ６
计算机与数字工程
Ｃ ｍｐ ｔｒ＆ Ｄ ｇｔｌ ｎ ｉｅｒ ｇ ｏ ｕｅ ｉｉ ｇｎ ｅｉ ａＥ ｎ
Ｖｏ． ９ Ｎｏ ８ １３ ．
７ ３
２ １ 年第 ８期 ０１
一
种 电影 个 性 化 推 荐 系 统 的研 究 与 实 现
钱 程 阳小 兰
武汉 ４０２） ３ ２ ３ （ 武汉科技大学 中南分校信 息工程学 院
ｓ ｏ ｅ ，ｔ ｉ ｆｃ ｏ ｓ ｉ ｒ ｖ ｄ ｂ ｄ ｉｇ ｆ ｔ ｒ ｇ ａ ｇ ｒ ｈ ｆ ｔ ｒｎ ｌ ｏ ｉｈ ｓ ｈ ｌ ｏ ｉ ｐ ｏ ｅ ｔ ｅ ａ ｃ ｒ ｃ ｆ ｔ ｅ ａｇ — ｃ ｒ ｓ ｈ ｓ ａ ｔ ｒ ｉ ｍｐ ｏ ｅ ｙ ａ ｄ ｎ ｉ ｅ ｉ ｌ ｏ ｉ ｍ ｉ ｅ ｉ ｇ ａ ｇ ｒｔ ｍ ｅｐ ｔ ｍ ｒ ｖ ｈ ｃ ｕ ａ ｙ ｏ ｈ ｌ ｏ ｌ ｎ ｔ ｌ
系统 主要分 为两 部分 ： 与普 通 用户 交 互 的 电影
推荐站 点 和管理 员操 作 的影 片 推荐 后 台 管理 站点 。
荐 系统算 法及 实现 。
电影推荐站点主要有注册／ 注销 、 个人信息管理、 用
户 兴趣 收集 以及影 片 推荐等 模 块 ， 主要 的功能 是 用
户 注册 、 注销 、 录 ， 据用 户 的行 为建 立 、 护 用 登 根 维
３ １ 内容过 滤算 法 ．
内容 过滤 的工 作过 程 是 ： 提 取 待过 滤影 片特 先
某人可 能很 喜欢 科幻类 影 片 ， 是 不喜 欢 文艺 类 影 但
片， 因此 ， 当此 人对 影 片评 分时 ， 能对 科幻 类 影 片 可
征 向量 ， 后 根据 用户 兴趣模 型 与 待过 滤影 片特 征 然 向量 进行 匹配 过 滤得 到过 滤后 的结 果Ｅ ７。 ５ ］ －
摘
要
在 协 作 过 滤 算 法 研 究 的基 础 上 ， 虑 到 相 似 项 目之 间评 分 的 相 似 性 ， 此 因 素 加 入 过 滤 算 法 得 到 改 进 的协 助 考 将
过滤算法 ， 提高 了算法的准确度 。综合 内容和协作过滤的优缺点 ， 出一 种具 有 自适应调节的混合过滤算法 ， 提 提高了过 滤性
影片。
评分 ， 表示用户 Ｕ对数据项 Ｊ的评分 ， ， Ｒ ； 表示
用户 ｉ对 数 据 项 的相 似 项 目（ 同类 项 目） 的平 均 评分 ； 是 加权 系数 ，＜ａ １ 口 Ｏ ＜ 。 Ｒ 的计算 方法 如下 ：
依次 查找用 户 ｉ 每 个项 目尼的 评分 ， 项 目 对 若
３ 常用算 法
一
所 描述 的改 进 算 法 是 基 于 用 户 的 协作 过 滤算 法 的改 进 ， 改进 思想 同样 也可 用 于基 于 数据 项 的 其 协作 过 滤算法 。一般情 况 下 ， 对某 一 类事 物 感 兴 人
趣 较大 ， 对 另外 一 类 事 物 几 乎 不 感 兴 趣 。 比 如 ， 而
其 中 ｓ ｕ 表 示用 户 ｉ ｉ ，） ｍ（ 和用 户 “的相 似度 ， 和 Ｒ 分别 表示 用户 ｉ 用 户 对 所 有 数据 项 的平 均 和
用 户兴趣 模 型 和 待 过 滤 影 片 的 匹配 过 程 基 于
向量 空 间法 ， 户模 型和 影片 的相 似 度 比较 被 转换 用
量。
低 。因此 ， 在采用上文提到的算法 预测评分 时， 预 测的准确性有待提高 ， 下面是在此基础上改进 的算
法：
Ｐ 一 （ － ａＲ ＋ ； １ ） ，
５ Ｎｉ （， ＊Ｒ ＿ ｒ “ ） （ 一Ｒ ） ２ ｓ ｅ
＞： １ｉ “ ｉ ） ～ （ｓ ｍ（ ，）１
Ｍｏ ｉ推荐 ｖｅ 站点
基 于数据 项 的协 作 过 滤 算 法 是基 于数 据项 之
电 影 推 荐
后
一一 一 一 一 一
］［
智能 推 荐
问的相似性来推荐的 ， 这与基于用户的协作过滤算 法有相似之处 ， 也有不 同之处 ， 二者 的出发点不一
样 。基 于数据 项 的协作 过 滤 算 法根 据 用 户一 目评 项