設計制作

數碼世界 P

.118

一種電影推薦系統的設計與實現

張博 李昂松 尹琛 湖北大學

摘要

：隨著網絡的發展，人們在大數據中尋找自己所需信息的成本越來越高。由于用戶對于自己真實需求的模糊性和想得到符合個人

喜好的結果的需求，催生出了推薦系統。本文根據

600

個用戶對

9000

部電影的

10000

項評價，通過對各大網站的電影評分系統和電影推

薦系統的研究，采用基于物品的協同過濾算法和奇異值分解法(SVD)分別建立電影排名計算模型和電影推薦系統，為用戶提供個性化的

推薦服務。

關鍵詞

：協同過濾 SVD 推薦系統

1 問題背景與提出

隨著網絡的發展及移動端的普及，

越來越多的人們接觸到了網絡，

截至

2018

年

6

月，

我國網民人數已破

8

億。

用戶在海量的數據中想

要查找到所需信息越來越難，

推薦系統應運而生。

它通過分析用戶的

歷史行為

,

向用戶推薦能夠滿足他們興趣和需求的信息

,

建立平臺

與用戶之間的密切關系

, 提高用戶的滿意度。

本文現根據

600

個用戶對

9000

部電影的

10000

項評價

，

包括電

影信息、

用戶對電影的評分等數據，

建立數學模型解決以下問題：

(1)

建立數學模型，

實現電影推薦系統，

以便對用戶進行電影推薦。

(2)

建立合理的指標體系評價你所建立的推薦系統。

2 模型的建立與求解

在求解前，

為

了

合理簡化模型，

現做出假設：

(1)

每個用戶的評分可以反映電影的優劣程度，

保證用戶評分的

合理性；

(2)

用戶的喜好在一定時間范圍內是不變的，

此假設保證模型的

可信性；

2.

1

問題一

2.

1.

1

簡單數據分析

已有數據中包含評分電影年份和評分提交時間等信息，

本文從

評分的出現頻數、

電影發行情況與時間的關系以及評論時間的關系入

手進行簡單分析.

(1)

電影數量與時間的關系

利用

EXCEL

統計出自

1902

年開始到

2018

年每一年的電

影數

量，

并對統計結果做透視分析。

結果表明，

全球電影數量自

1973

年

(65

部)

開始增速加快，

數量增長趨勢成指數型，

到

2002

年時達到最大

值，

為

324

部，

此后增速放緩且每年電影數量整體上有下降的態勢但

仍舊能夠保持每年

160

部及以上的電影數量。

(2)

電影評價與年份的關系

利用

EXCEL

軟件，

統計出自

1970

年開始到

2018

年每一年的評

價數量，

并對統計結果做透視分析。

結果表明，

全球用戶對電影的評

論數量由

1980

年

(879

條)

開始出現顯著增加，

每年評論數量呈現指

數式增長，

這與上世紀八十年代開始互聯網的普及與個人電腦

PC

進

入尋常百姓家中有很大的關系；

評論數量在

1995

年達到最大值

(6012

條)

，

此后開始急劇跌落。

結合兩次分析的結果可以發現，

1994

年至

2015

年間電影數量相差不會很大。

但在這

21

年中，

1994

年到

2004

年間的電影評論數遠高于其他年份，

說明在這

20

年間人們對電影的

關注度非常高，

且

1994~1995

年可以視為電影的鼎盛時期，

這與電影

的

“黃金年代”

的時間大致符合

總結

以上是生活随笔為你收集整理的基于python的电影推荐系统论文_一种电影推荐系统的设计与实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。