基于分類驅動推薦算法的電影推薦系統(tǒng)的研究與應用.pdf

1、推薦系統(tǒng)隨著電子商務平臺的發(fā)展已經得到了越來愈多的重視與成果。從早期的亞馬遜圖書利用人工的方式編寫推薦列表，到現(xiàn)在利用數據挖掘、機器學習等技術形成的智能化推薦系統(tǒng)，不斷完善的推薦系統(tǒng)都在帶給用戶具有革命性的用戶體驗。隨著推薦系統(tǒng)快速發(fā)展，它也不再被僅僅局限在電子商務領域，諸如豆瓣讀書、今日頭條、豆瓣電影等等休閑生活類的平臺，也在推薦系統(tǒng)的推動下給用戶帶來更為優(yōu)越的用戶體驗并取到了更高的用戶滿意度。
　　在電影推薦領域，美國 Net

2、flix通過比賽的形式得出了高效的評分預測算法，在其自己的在線視頻平臺取得了良好的成果。國內目前的在線視頻平臺相對而言還沒有嚴格的針對用戶個性化推薦，更多的是尋找相關聯(lián)的視頻進行固定推薦。本文一方面對分類驅動的推薦算法的思想針對電影領域的特性進行改進，構建出一種性能相對較優(yōu)的推薦算法，生成讓用戶滿意的推薦列表；另一方面，針對傳統(tǒng)協(xié)同過濾的推薦算法，利用Topic Diversification過濾算法，生成具有差異性的用戶推薦列表，提升

3、推薦結果的驚喜度。然后在此基礎上，搭建針對用戶個性化的電影推薦系統(tǒng)。本文的主要工作有以下幾點：
　　1)利用現(xiàn)有的基于分類驅動的推薦算法，針對電影推薦領域的特殊性，對影片分類結構樹的構成進行改進。改進后的算法不再采用單純的利用影片的類型構造分類樹描述影片內容，而是綜合利用影片的各方面屬性（主要是影片類型、參演藝術家、語言、上映年份、所獲獎項、制作國家）構造分類樹來描述影片內容，樹中的每個節(jié)點保存和某個影片屬相相關的信息，稱為一個T

4、opic(話題)。
　　2)改進計算用戶相似度的算法。改進后的算法根據影片內容的分類結構樹和用戶對影片的評價情況計算出用戶的興趣矩陣后，不再采用以往的方式，將影片內容的所有相關Topic作為均等的考慮因素，而是要根據Topic的不同類型進行加權計算，以此來計算用戶的相似度。
　　3)在改進的影片內容分類結構樹基礎上，利用Topic Diversification(話題差異)算法過濾傳統(tǒng)協(xié)同過濾的推薦結果，生成更具有差異度的推