电影个性化推荐系统的构建

》首页 》 科技论文 》电影个性化推荐系统的构建
作者:无, 字数:7356

  摘要:根据《中国互联网络发展状况统计报告》[1],截至2019年6月,互联网普及率达61.2%。我国网络视频用户规模达7.59亿,占网民整体的88.8%[2],网络将为成为用户获取影片的主要来源。同时,影片生产速度在不断加快,影片数量不断增加。面对海量影片,相比明确需求信息的搜索引擎,模糊用户需求的电影个性化推荐更胜一筹。该文在电影个性化推荐算法的基础上,设计并实现了电影个性化推荐系统,准确推荐符合用户兴趣喜爱的影片,获取用户信任,增加黏性。
  关键词:协同过滤算法;电影推荐系统;个性化;软件工程
  中图分类号:TP311 文献标识码:A
  文章编号:1009-3044(2020)27-0041-02
  开放科学(资源服务)标识码(OSID):
  随着影片生產链的逐步完善,影片数量将呈指数增长。现有的搜索引擎已不能解决,人们在面对影片数据过载的冲击。因此,电影个性化推荐系统应运而生。其中,涉及电影个性化推荐算法、电影个性化推荐技术等的体系也在不断地完善。本文将对实现电影个性化推荐系统所涉及的开发环境、算法等进行具体说明,其中包括,电影个性化推荐系统的算法、电影个性化推荐系统的需求分析、电影个性化推荐系统的设计实现。
  1 电影个性化推荐系统的算法
  个性化推荐算法早在1992应用于邮件识别,随后在各个领域广泛推行。在电影领域,个性化推荐算法已经不可或缺,并且在国内外都应用实践。例如:YouTube推荐系统推荐影片,要经过候选池、排名池两层网络,筛选除符合用户的影片;爱奇艺推荐系统分为召回阶段和排序阶段,从海量的视频库中找到与用户兴趣相符的影片。
  本文以基于协同过滤的算法为核心,设计并实现电影个性化推荐系统。其中,协同过滤是现在应用最广泛的算法之一。基于协同过滤的电影推荐算法,通常被划分成三步:建立用户一电影评分矩阵;利用相似度计算确定确认最近邻居集合;评分预测。在上述三个步骤中,相似度计算是整个流程最为核心的步骤。在用户一电影评分矩阵对用户之间的相似度计算之后,为用户建立最近邻居集合,该处便是相似度计算。
  电影个性化推荐算法通过构建用户评分之间的关联,预测符合用户兴趣喜爱的影片。因此,电影个性化推荐系统中,收集用户信息数据,以及个性化推荐算法的改进是最关键,最重要的两步骤。收集用户信息,通过大量的用户信息数据训练,是保障个性化推荐算法准确率的必要前提。其中,可以收集用户对影片的评分、用户观看影片的类型、用户观看影片的时长,以及用户的性格别、年龄等信息。个性化推荐算法是整个电影个性化推荐系统的核心部分,保证推荐用户的影片符合用户兴趣喜爱。当前的电影个性化推荐算法有:基于内容的推荐算法、基于协同过滤的推荐算法、基于网络结构的推荐算法、基于混合算法的推荐算法。只有通过各类推荐算法不断改进,电影个性化推荐系统的准确率才能更加准确。
  2 电影个性化推荐系统的需求分析
  本文按照软件工程的原则,对电影个性化推荐系统进行了需求分析。首先,提出了整个系统的设计目标;其次,对系统进行了可行性分析,以保证系统能够正常运行;第三,对系统进行了顶层用例分析,以明确角色身份;第四,对系统进行了功能模块划分,以满足用户的需求;最后,对系统进行了性能需求分析,以保障用户在使用本系统时能有更好的用户体验。
  本文设计电影个性化推荐系统的主要功能划分为多个子模块,包括系统首页模块、新上映模块、猜你喜欢模块等。其中,猜你喜欢是本系统的特色模块,也是核心模块。其本质是通过会员用户的历史足迹,构建会员用户的模型,预测符合用户兴趣喜爱的影片。
  电影个性化推荐系统顶层用例分析中,将角色分成三类,方便管理。首先是后台管理员,增添、修改以及删除影片信息、管理用户信息;其次,会员用户。使用注册登录功能,系统生成相应的用户数据库,会员用户可以记录其历史足迹。最后是游客用户,不用进行注册登录。同时,不能使用系统的猜你喜欢(个性化影片推荐),只能浏览系统常规页面。
  3 电影个性化推荐系统的设计与实现
  3.1 开发环境
  本次开发基于HTML+Javascript(CSS)+DB环境和Django框架来完成。HTML用来展示前端界面,Javascript作为前端开发语言,通过aJax与后台进行数据交互,DB作为本地数据库使用,Django作为内容管理框架使用,Mysql数据库存储影片、用户数据。
  3.2 电影个性化推荐系统的系统设计
  本文在需求分析的基础之上,对电影个性化推荐系统进行了整体架构设计、功能模块设计和数据库设计。系统的整体架构采用B/S结构,并采用Django作为内容管理框架,各层功能明确。通过功能模块设计,整个系统被分解为多个低耦合、高内聚的子系统,我们对各个模块的设计方法进行了详细解析。另外,系统通过Django自动生成数据库中的所有表结构。
  本电影个性化推荐系统的框架基于B/S架构设计,采用Django作为内容管理框架使用,采用池化的设计思路将总体分为三个层次,即数据层、交互层和业务层。交互层的作用在于与用户沟通,包括用户的注册登录、用户与影片的信息管理以及最关键的影片个性化推荐。业务层的作用在于数据逻辑处理,包括用户对影片的评分、查询以及用户信息的更新、影片算法的实现。数据层的作用在于对非原始数据的操作,存储用户信息、影片信息、用户评分、用户模型、推荐结果。其中,电影的个性化推荐是最重要。
  4 总结与展望
  随着时代的前行,网络已经渗透到我们的日常生活当中。电影作为我们生活的日常娱乐,也会加入互联网的浪潮中。其中,人们将面对海量的影片数据。当传统的搜索引擎不能满足用户的需求时,电影个性化推荐系统的兴起是必然的。但是,面临的数据稀疏、可扩展性差、新用户冷启动等问题还在影响着电影个性化推荐算法的准确率。因此,改进电影个性化推荐算法,任重而道远。
  参考文献:
  [1]中国互联网络信息中心第44次中国互联网络发展状况统计报告[EB/OL].中国网信网,2019:5-42.
  [2]祖丽亚提·阿尼瓦尔,阿布都瓦依提·尼亚孜.短视频对社会的影响力分析[J].新闻研究导刊,2019,10(23):149-150.
  【通联编辑:代影】

相关

相关

相关

  • “喂”羊与“牧”羊的启示

  • 开展丰富多彩的游戏活动来提高学生的学习水平

  • “0”的困惑

  • 照耀留守儿童的阳光

  • 让生活元素在初中语文教学中遍地生花

  • 药物里的美丽误会

No comments found.

相关