基于用戶行為的電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)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(gè)性化推薦技術(shù)應(yīng)運(yùn)而生。推薦算法作為個(gè)性化推薦系統(tǒng)的核心一直是被關(guān)注和研究的重點(diǎn)。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(duì)項(xiàng)目評(píng)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(xiàng)目點(diǎn)擊次數(shù))對(duì)于項(xiàng)目評(píng)分的影響，進(jìn)而造

2、成項(xiàng)目評(píng)分不夠準(zhǔn)確、用戶-項(xiàng)目評(píng)分矩陣過于稀疏，最終導(dǎo)致推薦效果精準(zhǔn)度較低。為了提高個(gè)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(shí)現(xiàn)了一個(gè)基于B/S架構(gòu)的個(gè)性化電影推薦系統(tǒng)。
　　該算法從兩個(gè)方面進(jìn)行了改進(jìn):一是綜合考慮用戶行為信息和項(xiàng)目類別偏好信息。首先通過實(shí)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(jìn)而提取到用戶的行為信息。根據(jù)經(jīng)驗(yàn)對(duì)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(duì)項(xiàng)目的評(píng)分用以填充稀疏的用戶-項(xiàng)目評(píng)分矩陣。填充后的用戶-項(xiàng)目評(píng)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(xiàng)目評(píng)分矩陣按照項(xiàng)目類別進(jìn)行k-means聚類，產(chǎn)生多個(gè)聚類簇。計(jì)算目標(biāo)用戶與聚類簇的距離，將目標(biāo)用戶歸入距離最近的簇類中。最后在目標(biāo)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(biāo)用戶生成個(gè)性化推薦列表。二是考慮到傳統(tǒng)得余弦相似度計(jì)算對(duì)于距離不敏感的問題，本文提出了一種融合評(píng)分差異