摘 要

在互联网的快速发展下,网络信息数据飞快增长，新信息不断更新。用户在从大量信息中搜寻自己感兴趣的内容时，会耗费大量时间和精力来过滤掉不需要的内容，这种情况下无法对信息进行有效利用，这就是信息超载问题。为了解决此问题，个性化推荐系统就此诞生，各种推荐算法在不同场景发挥着各自的作用。

随着经济的快速发展，电影已然进入人们的生活, 被群众喜爱和欢迎。但是从如此繁多的电影中搜寻到自己感兴趣的电影却是一大问题。虽然现在存在各种视频网站，但大多是热门信息的堆砌，缺少个性化推荐，用户很难从其中搜寻到符合个人兴趣品味的电影。本文便是以此为契机，通过将多种推荐算法融合，使其在合适的情况下进行推荐，帮助用户在不同情景下寻找到自己喜欢的电影。

本文的工作是在融合多种推荐算法的情况下完成个性化电影推荐系统，以小程序作为前端展示。主要工作如下:

1.调研推荐系统中的多种推荐方式结合使用场景以及实现难度,选择合适的推荐算法及其组合策略。最终选择的推荐方式有：基于模型的协同过滤算法、基于内容的推荐算法、基于用户画像的推荐等。

2.准备数据，使用Movielens 1m数据集作为推荐算法的训练数据。然后使用爬虫技术，爬取需要的电影详细信息，用来补充推荐算法所需的数据以及前端电影展示所需的数据。

3.确立用户电影需求场景，将推荐算法与合适的场景相匹配，并编写推荐算法，完成推荐系统模型的训练。比如，用户偏好会发生改变，在此情形下，使用基于内容的推荐算法并结合基于用户画像的推荐完成实时推荐算法，推荐用户最近感兴趣的电影。

4.搭建后端服务和前端小程序，完成基本的用户操作功能和内容展示，以及离线推荐算法的调度。

关键词：电影推荐；个性化推荐；协同过滤；后端服务

Abstract

With the rapid expansion of the Internet, network information data has grown rapidly, and new information is constantly being updated. When users search for the content they are interested in from a large amount of information, they will spend a large amount of effort to find out the unwanted content. In this case, the information cannot be effectively used. This is the problem of information overload. In order to solve this problem, a personalized recommendation system was born, and various recommendation algorithms played their roles in different scenarios.

With the rapid economic development, movies have already entered people's lives and are loved and welcomed by the masses. But it is a big problem to search for movies of interest from so many movies. Although there are various video websites, most of them are piled up with popular information. The lack of personalized recommendations makes it difficult for users to find movies that meet their personal interests and tastes. This article is based on this opportunity, through the fusion of multiple recommendation algorithms, so that it can be recommended under the right circumstances, to help users find their favorite movies in different scenarios.

The work of this article is to complete a personalized movie recommendation system under the condition of fusion of multiple recommendation algorithms, and display the applet as the front end. main tasks as follows:

1. Investigate the various recommendation methods in the recommendation system in combination with the use scenarios and the difficulty of implementation, and select the appropriate recommendation algorithm and its combination strategy. The final recommendation methods include: model-based collaborative filtering algorithm, content-based recommendation algorithm, and user portrait-based recommendation.

2. Prepare the data and use the Movielens 1m data set as the training data for the recommendation algorithm. Then use the crawler technology to crawl the movie details needed to supplement the data required by the recommendation algorithm and the data required by the front-end movie display.

3. Establish the user's movie demand scene, match the recommendation algorithm with the appropriate scene, and write the recommendation algorithm to complete the training of the recommendation system model. For example, user preferences may change. In this case, the content-based recommendation algorithm is used in combination with the user portrait-based recommendation to complete the real-time recommendation algorithm to recommend movies that the user is interested in recently.

4. Build back-end services and front-end applets to complete basic user operation functions and content display, as well as scheduling of offline recommendation algorithms.

Key Words：Movie recommendation; personalized recommendation; collaborative filtering; back end service

目 录

第1章 绪论 1

1.1研究背景与意义 1

1.2国内外研究现状及现存的问题 1

1.2.1国内外研究现状 1

1.2.2现存问题 2

1.3本文主要的研究内容 3

1.4 论文结构 3

第2章 推荐系统相关技术简介 5

2.1推荐系统的算法 5

2.1.1基于内容的推荐算法: 5

2.1.2协同过滤算法 5

2.2推荐系统评测方法和评测指标 8

2.2.1评测方法 8

2.2.2评测指标 8

2.3 相似度计算方法 9

2.4混合推荐技术 10

2.5回归和排序 11

2.6本章小结 11

第3章 用户画像与基于内容的推荐算法实现 13

3.1用户画像 13

3.1.1什么是用户画像 13

3.1.2用户画像的实现 13

3.1.3用户画像的其他用途 14

3.2基于内容的推荐算法实现 14

3.2.1抽取电影的特征 14

3.2.2用户画像与物品属性相匹配 15

3.3基于内容的物品相似度计算 15

3.4本章小节 16

第4章 基于模型的协同过滤算法的应用 17

4.1矩阵分解的原理 17

4.2ALS算法的使用 17

4.3电影相似度计算 18

4.4用户相似度计算 18

4.5本章小节 19

第5章 实时推荐算法实现 20

5.1算法简介 20

5.2算法实现 20

5.3日志架构图 21

5.4本章小节 21

第6章 电影推荐系统的搭建 22

6.1推荐算法的总结 22

6.1.1 本系统选用的推荐算法 22

6.1.2冷启动问题的解决 23

6.1.3推荐算法运行方式 23

6.2全部工作 23

6.3后端搭建 24

6.3.1环境介绍 24

6.3.2架构设计 24

6.3.3概要设计 25

6.3.4部分设计细节 26

6.4前端搭建 28

6.4.1页面规划 28

6.4.2部分页面展示 28

6.5本章小结 29

第7章 总结与展望 30

7.1 总结 30

7.2 展望 30

参考文献 31

致 谢 33

第1章 绪论

随着互联网的发展与电影产业的壮大，在网络中搜寻自己想看的电影成为了生活常态。然而现有的电影信息太过繁杂，如何找到用户感兴趣的电影成为了一个问题。个性化推荐系统的诞生，给这一难题提供了解决思路。推荐系统可以更好更快的帮助用户找到符合其趣味的电影，为用户提供方便，给企业带来效益。

1.1研究背景与意义

电影，作为一种视听艺术，自诞生起就被大众接受和喜爱。随着时间发展，电影进入了生活，人们在网络中搜寻自己感兴趣的电影已经成为了常态。

然而面对海量的电影信息，人们不得不花费大量精力去寻找符合自己趣味的电影，这不仅浪费了用户的时间,也让用户对网站失去信赖。虽然搜索引擎可以帮助用户查询电影,然而搜索引擎却不能与用户关联考虑用户的个性特征，无法过滤掉用户不喜欢的电影，筛选出用户感兴趣的电影，仍然需要用户自己主动过滤信息。而且在许多场景中，用户无法通过明确的关键字来描述自己的需求，这时搜索引擎也无法发挥出自己的作用。