基于用戶行為的電影推薦系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，越來越多的網(wǎng)民習(xí)慣性地從網(wǎng)絡(luò)中獲取需要的數(shù)據(jù)來解決生活中的眾多問題，但是網(wǎng)絡(luò)上混雜的海量數(shù)據(jù)給人們篩選出自己想要的數(shù)據(jù)造成了巨大的困難。為了解決這一矛盾，個性化推薦技術(shù)應(yīng)運而生。推薦算法作為個性化推薦系統(tǒng)的核心一直是被關(guān)注和研究的重點。在眾多的推薦算法中，應(yīng)用最為廣泛的就是協(xié)同過濾算法。傳統(tǒng)的協(xié)同過濾算法使用網(wǎng)民對項目評分作為算法的輸入，忽略了用戶行為(比如購買、收藏、轉(zhuǎn)發(fā)、項目點擊次數(shù))對于項目評分的影響，進而造

2、成項目評分不夠準確、用戶-項目評分矩陣過于稀疏，最終導(dǎo)致推薦效果精準度較低。為了提高個性化推薦技術(shù)的效率，本文提出了一種基于用戶行為的聚類推薦算法，并且在該算法的基礎(chǔ)上，實現(xiàn)了一個基于B/S架構(gòu)的個性化電影推薦系統(tǒng)。
　　該算法從兩個方面進行了改進:一是綜合考慮用戶行為信息和項目類別偏好信息。首先通過實現(xiàn)豆瓣電影為開發(fā)人員提供的第三方接口獲取到用戶的web日志，進而提取到用戶的行為信息。根據(jù)經(jīng)驗對不同的用戶行為賦予不同的線性權(quán)重，

3、將用戶行為轉(zhuǎn)換成對項目的評分用以填充稀疏的用戶-項目評分矩陣。填充后的用戶-項目評分矩陣在數(shù)據(jù)稀疏性上較之前有了一定程度的下降。其次根據(jù)填充后的用戶-項目評分矩陣按照項目類別進行k-means聚類，產(chǎn)生多個聚類簇。計算目標用戶與聚類簇的距離，將目標用戶歸入距離最近的簇類中。最后在目標用戶所屬類簇中，使用傳統(tǒng)的基于用戶的協(xié)同過濾算法為目標用戶生成個性化推薦列表。二是考慮到傳統(tǒng)得余弦相似度計算對于距離不敏感的問題，本文提出了一種融合評分差異