【基于電影系統(tǒng)的協(xié)同過濾算法的探究7600字（論文）】

基于電影系統(tǒng)的協(xié)同過濾算法的研究目錄1緒論 21.1研究背景與背景 31.2國內(nèi)外研究現(xiàn)狀. 41.3主要研究內(nèi)容 42基于聚類的協(xié)同過濾算法 52.1協(xié)同過濾推薦算法的應(yīng)用 52.2基于項目類別的評分缺失值填充 63電影推薦系統(tǒng)的設(shè)計與實現(xiàn) 73.1系統(tǒng)結(jié)構(gòu)設(shè)計 73.2系統(tǒng)功能的設(shè)計與實現(xiàn) 84總結(jié) 9參考文獻(xiàn) 10摘要近些年來，由于計算機(jī)技術(shù)的飛速發(fā)展與網(wǎng)絡(luò)的迅速普及，人們享受海量信息資源帶來的便利的同時，還又面臨著“信息超載”所帶來的問題，推薦系統(tǒng)正是為了解決這一問題而產(chǎn)生的。相較于經(jīng)典的搜索引擎式服務(wù)，推薦系統(tǒng)的個性化是其得天獨厚的優(yōu)勢。推薦系統(tǒng)的研究是當(dāng)前信息資源急速膨脹環(huán)境下的迫切需求，有著重要的理論價值與實際價值。協(xié)同過濾技術(shù)是當(dāng)前推薦系統(tǒng)研究的熱點之一，然而其依然存在稀疏性問題、冷啟動問題需要解決，同時在算法的精準(zhǔn)度上也尚有很大的研究空間。關(guān)鍵詞:推薦系統(tǒng);協(xié)同過濾;信息超載AbstractInrecentyears,WiththecontinuousdevelopmentofcomputertechnologyandrapidpopularizationofInternet,moreandmoreinformationscanbeexposedtopeople,whilethe"informationoverload"problemhasalsocroppedup.Tosolvethe"informationoverload"issue,recommendersystem(RS)isneeded.Comparewiththetraditionaltypeofsearchengineservices,personalityistheadvantageofRS.TheresearchofRSistheurgentneedsoftherapidexpansionofinformation,andalsohastheoreticalvalueandpracticalvalue.Collaborativefiltering(CF)technologyisoneofthehottopicsintheresearchofRS,butitalsohassomeshortagessuchassparsityproblemandcold-startproblem,atthesametimethereisstillaconsiderableroomforgrowthintheaccuracyofthealgorithm.第一章緒論1研究背景與意義隨著互聯(lián)網(wǎng)時代的發(fā)展，電子商務(wù)網(wǎng)站及其所包含的商品信息數(shù)量都呈現(xiàn)指數(shù)式的爆發(fā)增長，用戶要在眾多的商品中挑選出自己真正需要的商品難度越來越大。面對海量的信息空間，Web上大部分的信息可能對于大部分的用戶是毫無用處的，用戶在進(jìn)行網(wǎng)絡(luò)購物行為時不得不面對海量的商品信息，如何快速、準(zhǔn)確、便捷地找到自身需要的商品成為一個現(xiàn)實難題，而這一難題被稱為“信息過載”（InformationOverload），“信息超載”現(xiàn)象既不利于信息索取者對信息資源的獲取，也不利于信息供應(yīng)商對于信息資源的推廣。為了解決信息過載的問題，推薦系統(tǒng)(Recommendersystem,RS)應(yīng)運而生。推薦系統(tǒng)也被稱為個性化推薦系統(tǒng)，與傳統(tǒng)“一對多”式的搜索引擎服務(wù)不同，個性化推薦系統(tǒng)反饋給用戶的信息更加的準(zhǔn)確、個性化，推薦系統(tǒng)針對不同的用戶的不同需求來推薦不同的資源，使得用戶能夠更方便的發(fā)現(xiàn)對于自己有用并且符合自己個性的數(shù)據(jù)資源，忽略那些對自己無用的、不關(guān)心的數(shù)據(jù)資源，從而為廣大消費者在眾多的商品中找到自己所需要的商品提供了有利條件。體驗過個性化推薦系統(tǒng)的服務(wù)的用戶們越來越青睞個性化推薦系統(tǒng)，學(xué)者們和電子商務(wù)網(wǎng)站也對個性化推薦傾注了越來越多的關(guān)注。當(dāng)前，推薦系統(tǒng)已成為Amazon,eBay、當(dāng)當(dāng)網(wǎng)、M1905電影網(wǎng)等網(wǎng)站贏得市場的重要工具。在競爭已達(dá)白熱化的今天，能否成功地運用個性化推薦系統(tǒng)已成為電子商務(wù)網(wǎng)站能否繼續(xù)發(fā)展的關(guān)鍵。而整個推薦系統(tǒng)的核心便是推薦算法，因此推薦算法選擇的好壞直接決定了最終推薦結(jié)果的好壞，個性化推薦目前已成為網(wǎng)絡(luò)服務(wù)的一個重要發(fā)展方向。從而信息過濾技術(shù)也是當(dāng)前的研究熱點之一，而協(xié)同過濾技術(shù)也被廣泛應(yīng)用于信息過濾的各個方面并取得了成功。研究協(xié)同過濾技術(shù)在理論和實踐方面均有著重要意義。亞馬遜就是其中一個典型例子。隨著電子商務(wù)的迅速發(fā)展，逐漸出現(xiàn)了針對音樂、新聞、網(wǎng)站和電影等項目的個性化推薦需要，個性化推薦中電影需要尤為強(qiáng)烈，主要原因最近幾年中國的電影產(chǎn)業(yè)正迎接有史以來最好的發(fā)展機(jī)遇，大陸電影市場經(jīng)過短短幾年的發(fā)展己經(jīng)成為當(dāng)今僅次于美國的世界第二大電影市場。目前國內(nèi)尚沒有正規(guī)的針對影片交易的電子商務(wù)網(wǎng)站，但出現(xiàn)了類似于時光網(wǎng)和豆瓣網(wǎng)這類垂直綜合類的電影博客網(wǎng)站。這類網(wǎng)站通過與電影廠商合作，向博客用戶推薦其喜愛的電影，從而達(dá)到盈利。與此相關(guān)，也出現(xiàn)了類似于騰訊視頻和迅雷看看這類通過分析用戶播放記錄從而完成個性化推薦影片的客戶端軟件。這兩類不同領(lǐng)域的應(yīng)用所做的事情本質(zhì)上都是一樣的，便是向用戶個性化、人性化地推薦電影資源。試想一但我們打開并登陸一個網(wǎng)站，幾乎不需要浪費很多時間翻看網(wǎng)頁就可以找到我們喜歡的電影，這樣的話用戶對這樣的網(wǎng)站一定會倍加青睞。這樣就更好地建立起了用戶與網(wǎng)站之間的關(guān)聯(lián)，從而鎖定用戶群，因此提高電影推薦網(wǎng)站的市場競爭力。網(wǎng)站利用推薦系統(tǒng)為客戶推薦商品，幫助客戶完成個性化的選擇。該過程應(yīng)盡量避免用戶的參與，因此，協(xié)同過濾技術(shù)成為當(dāng)前運用比較廣泛的個性化推薦技術(shù)之一。由于個性化推薦應(yīng)用市場需求廣泛，因此國內(nèi)外眾多學(xué)者對其也越來越加以關(guān)注與重視。1.2.1國外研究現(xiàn)狀國外推薦系統(tǒng)研究出現(xiàn)于二十世紀(jì)九十年代初期，隨后吸引了大量學(xué)者與研究人員投入到這一領(lǐng)域的研究中去，目前許多組織正在從事研究推薦技術(shù)的工作。推薦技術(shù)展至今己取得巨大成就，特別是電子商務(wù)的迅速發(fā)展為推薦系統(tǒng)提供了良好的平臺，同時推薦技術(shù)的發(fā)展也為電子商務(wù)帶來了巨大的經(jīng)濟(jì)效益。Goldberg等人在1992的一份報告中正式提出了協(xié)同過濾的概念，而第一個自動化推薦系統(tǒng)“GroupLens"是由隸屬于明尼蘇達(dá)大學(xué)雙城分校計算機(jī)系的GroupLens實驗室在1994年創(chuàng)建的，該系統(tǒng)主要是應(yīng)用于新聞的推薦，可以幫助新聞的閱讀者過濾其感興趣的新聞。推薦系統(tǒng)采用協(xié)同過濾原理，通過閱讀者對閱讀內(nèi)容的評分作為參考，產(chǎn)生推薦結(jié)果。GroupLens實驗室又在1997年創(chuàng)建了MovieLens推薦系統(tǒng)，通過協(xié)同過濾技術(shù)向用戶推薦可能感興趣的電影。美國計算機(jī)協(xié)會也多次舉辦了以推薦技術(shù)為研討主題的學(xué)術(shù)會議，推動了推薦技術(shù)研究的進(jìn)一步發(fā)展。從2006-2009年的Netflix競賽使得推薦技術(shù)的研究進(jìn)入了高潮階段。截至2011年6月，MovieLens用戶己經(jīng)超過16萬人，評分總量超過1千5百萬。協(xié)同過濾推薦技術(shù)自提出至今取得了巨大成就，是當(dāng)前使用最為普遍的推薦技術(shù)之一，目前己被許多商業(yè)網(wǎng)站作為其推薦技術(shù)的基礎(chǔ)。然而隨著協(xié)同過濾推薦技術(shù)的廣泛應(yīng)用，其數(shù)據(jù)稀疏性問題、冷啟動問題、可拓展性問題等一系列的弊端也逐漸暴露出來，對于協(xié)同過濾推薦技術(shù)的研究仍有許多工作需要完成。目前采用協(xié)同過濾推薦技術(shù)的的著名推薦系統(tǒng)有:GroupLens網(wǎng)上新聞過濾系統(tǒng):GroupLens通過多用戶協(xié)作的方式來發(fā)現(xiàn)用戶需要的內(nèi)容，并可以通過用戶的評價信息來調(diào)整推薦結(jié)果。MovieLens網(wǎng)上電影推薦系統(tǒng):MovieLens推薦系統(tǒng)可以根據(jù)用戶己有的影片評分與其他用戶的己有評分預(yù)測該用戶對其它影片的評分。每一個新用戶都必須對巧部影片進(jìn)行評分，評分范圍為1-5分，分值越高達(dá)標(biāo)用戶越喜歡。與GroupLens相比，MovieLens系統(tǒng)的使用更加的方便、簡單。同時MovieLens系統(tǒng)也為世界各地協(xié)同過濾算法的研究人員提供實驗數(shù)據(jù)。Jester笑話推薦系統(tǒng):對于第一次訪問系統(tǒng)的用戶系統(tǒng)首先隨機(jī)選取十個笑話供用戶進(jìn)行評分，然后根據(jù)用戶的評分與其它用戶的評分為用戶提供推薦結(jié)果。評分分值范圍為一10^10，數(shù)值越大代表越喜歡，負(fù)數(shù)代表不喜歡。A的書籍推薦系統(tǒng)[}lo}:A是目前最大的圖書網(wǎng)站，其推薦系統(tǒng)有著千萬級別的用戶和商品數(shù)量，傳統(tǒng)的協(xié)同過濾算法根本無法滿足其需求，因此Amazon.com推薦系統(tǒng)采用了與傳統(tǒng)協(xié)同過濾算法所不相同的算法，也就是商品到商品的協(xié)同過濾(item-to-itemcollaborativefiltering)以滿足其海量數(shù)據(jù)的需求。與傳統(tǒng)的協(xié)同過濾推薦算法相比，該中算法在項目關(guān)聯(lián)性方面表現(xiàn)更為優(yōu)秀，同時項目相似度的計算可以采用離線的方式進(jìn)行，在取得較好的推薦質(zhì)量的同時也取得了較快的推薦速度。Ringo音樂推薦系統(tǒng):該推薦系統(tǒng)也使用的是協(xié)同過濾推薦技術(shù)。首先需要用戶對系統(tǒng)中的音樂家進(jìn)行評分，然后通過比較用戶之間的評分確定興趣愛好，再根據(jù)興趣愛好的相似度將用戶劃分為不同的群組，最后通過群組成員對用戶進(jìn)行推薦。1.2.2國內(nèi)研究現(xiàn)狀國內(nèi)研究現(xiàn)狀與國外相比我國推薦系統(tǒng)領(lǐng)域的發(fā)展較晚，尚處于初級階段，而對協(xié)同過濾技術(shù)的應(yīng)用與研究也比國外要少，但是近幾年國內(nèi)電子商務(wù)的飛速發(fā)展為推薦系統(tǒng)的發(fā)展創(chuàng)造了良好的環(huán)境和迫切的需求。協(xié)同過濾技術(shù)在個性化推薦領(lǐng)域有著重要的地位和作用，因此對于協(xié)同過濾技術(shù)的研究也變得十分的重要。在電子商務(wù)和社交網(wǎng)站迅速發(fā)展的良好環(huán)境下，知名購物網(wǎng)站麥包包、凡客誠品、庫巴網(wǎng)、紅孩子等，都選擇了應(yīng)用了個性化推薦技術(shù)的百分點推薦引擎系統(tǒng)。但個性化推薦的總體發(fā)展與用戶不斷增長的個性化需求相比，差距還很大。協(xié)同過濾算法是目前個性化推薦應(yīng)用比較廣泛的算法之一，稀疏性問題、可擴(kuò)展性問題、冷啟動問題等是目前協(xié)同過濾的理論研究的主要集中點。為了解決數(shù)據(jù)稀疏性問題和冷啟動問題，劉飛飛采用了一種應(yīng)用多目標(biāo)優(yōu)化雙聚類技術(shù)對行和列同時進(jìn)行聚類的協(xié)同過濾方法。通過同時考慮用戶和項目之間的相似性來完成對用戶和項目相似性的同時分組，提高了聚類的效果。成桂蘭等人采用了將SOM與K-means技術(shù)相結(jié)合的一種聚類技術(shù)。利用該技術(shù)對圖書資源進(jìn)行了聚類處理，從而縮小了需要預(yù)測評分的項目的數(shù)目和查找最近鄰的搜索空間。李華，張宇，孫俊華用模糊聚類的方法得到用戶情景相似的群體，然后通過Slope-one算法對稀疏的用戶一項目評分矩陣進(jìn)行預(yù)測填充，再進(jìn)行協(xié)同過濾推薦，實驗證明該方法對數(shù)據(jù)稀疏性和實時性問題有一定的改善效果。韋素云，業(yè)寧，朱健等采用了一種基于項目聚類的全局最近鄰的協(xié)同過濾算法，依據(jù)項目之間的相似性對項目進(jìn)行聚類，并使用全局相似性來衡量用戶間相似性，計算用戶間的局部相似性;并利用重疊度因子來進(jìn)行局部調(diào)節(jié)，使用戶間的相似性表述更加準(zhǔn)確。在計算項目之間的相似性時采用了修正的條件概率，并對缺失評分項進(jìn)行了預(yù)測評分填充，此算法在一定程度上改善了推薦的精度，但關(guān)聯(lián)相關(guān)和項目的評分相似性計算有一定的偏差。張光衛(wèi)等人采用了云計算來計算相似性的方法，來改善傳統(tǒng)相似性計算中沒解決的問題。他的實驗表明該算法對提高推薦精度的效果與數(shù)據(jù)集的稀疏程度有著密切的關(guān)系，因此該算法不具有普遍適用性。1.3主要研究內(nèi)容本論文主要研究個性化電影推薦系統(tǒng)，基于內(nèi)容的推薦算法對于多媒體信息的特征提取還有待技術(shù)支持，并不適合本文所搭建的系統(tǒng)。電影系統(tǒng)的項目數(shù)增長的沒有用戶數(shù)快，電影即為項目，顯而易見，計算項目相似性要更容易，所以在本文所搭建的個性化電影推薦系統(tǒng)中選取了基于項目的協(xié)同過濾算法，并對該算法慎重的考慮和改進(jìn)，并針對大數(shù)據(jù)集對改進(jìn)算法進(jìn)行分布式并行計算，具體研究內(nèi)容如下：傳統(tǒng)的基于項目的協(xié)同過濾算法在求解最近鄰計算相似性時，只分析了用戶對于項目的評分?jǐn)?shù)據(jù)，當(dāng)評分?jǐn)?shù)據(jù)較少時，不能準(zhǔn)確地為用戶推薦其感興趣的項目，在本文中改進(jìn)了相似性計算方法，不僅考慮用戶項目評分矩陣外還同時考了項目類別矩陣。二者以一定權(quán)重結(jié)合在一起，該權(quán)重是由熱能學(xué)中航天發(fā)動機(jī)推力室里協(xié)同計算燃燒傳熱量，考慮到高溫輻射換熱計算時所有壁面的綜合發(fā)射率公式比擬得出。由于復(fù)雜的計算加大了運算的時間復(fù)雜度，考慮了并行計算，在hadoop環(huán)境下的對改進(jìn)算法的MapReduce設(shè)計和實現(xiàn)。主要包含綜合相似度計算的MapReduce實現(xiàn)和Top-N推薦的MapReduce的實現(xiàn)，關(guān)鍵在于找出各自的鍵值對。通過同時考慮項目和用戶的屬性特征的聚類方法，使得鄰居用戶的相似性程度較高，并縮小了尋找鄰居用戶的運算空間，使得協(xié)同過濾推薦的實時性和推薦效果得到進(jìn)一步提升。4）針對冷啟動問題，本文對新用戶和新項目也做了考慮。對于新用戶先判斷該用戶所屬的用戶聚類，在聚類中尋找該用戶的最近鄰，并利用協(xié)同過濾方法預(yù)測新用戶對目標(biāo)項的評分;通過對原有數(shù)據(jù)庫中的電影依據(jù)屬性特征進(jìn)行聚類，對于新電影則判斷其所屬的聚類，利用協(xié)同過濾算法在類簇中尋找電影的最近鄰，預(yù)測目標(biāo)用戶對新電影的評分。2基于聚類的協(xié)同過濾算法2.1協(xié)同過濾推薦算法的應(yīng)用協(xié)同過濾(CollaborativeFiltering，簡稱CF)算法的主要觀點是根據(jù)觀點相似的用戶的選擇行為來預(yù)測目標(biāo)用戶的選擇行為，即根據(jù)一個用戶對其他項目的評分和整個用戶群過去對其他項目的評分來預(yù)測該用戶對某一未評分項目的評分。協(xié)同過濾個性化推薦方法是一種依賴于大量用戶信息的信息過濾算法。選擇合適的相似性計算方法從大量用戶或項目中查找出一組和目標(biāo)用戶或目標(biāo)項目評分相近的相似用戶集合或項目集合，并依據(jù)相似用戶或相似項目的評分對目標(biāo)用戶生成Top-N推薦結(jié)果。協(xié)同過濾算法包括基于內(nèi)存的協(xié)同過濾和基于模型的協(xié)同過濾?；趦?nèi)存的協(xié)同過濾算法(基于用戶和基于項目兩種方法)的計算過程分為三步:1.收集用戶偏好信息;2.計算評分相似性，找到最近鄰;3.根據(jù)最近鄰評分得出預(yù)測評分，生成推薦。2.2基于項目類別的評分缺失值填充在實際的推薦系統(tǒng)應(yīng)用中，存在著評分信息極其稀疏的情況，這嚴(yán)重影響了推薦算法的正常運行。現(xiàn)在常用直接將空缺評分項都填充為0對未評分項進(jìn)行預(yù)測評分的方法來解決評分矩陣的稀疏性問題。這種方法準(zhǔn)確性較低，因為未評分項可能是用戶沒有關(guān)注也可能是不感興趣的項目，所以統(tǒng)一填充為?？隙〞共糠?jǐn)?shù)據(jù)失真;Slope-One方法也是比較簡單常用的方法之一，本文采用了slope-one方法進(jìn)行缺失值的填充。針對傳統(tǒng)的協(xié)同過濾推薦算法的不足，2005年DanielLemire和AnnaMaclachlan}3}]提出了slope-one算法:對任意兩個項目i和項目J來說，假設(shè)U;表示對項目i評過分的用戶集合，硯表示對項目J評過分的用戶集合，同時對項目i和項目J都評過分的用戶集合表示為U;}}Uijl表示集合U。所包含的元素個數(shù)，那么項目i和項目J的平均相似度計算過公式如（2-5）一般兩個用戶興趣愛好相似，是在某一個或某幾個特定的項目類別方面比較相似，所有方面均相似的情況很難出現(xiàn)。如表2-4所示，李銘和張坤在愛情片方面的電影有著共同的興趣愛好，李銘和王浩在戰(zhàn)爭片方面有著共同的興趣愛好。如果按照普通的相似性計算方法，在對李銘進(jìn)行推薦時，首先要找到和李銘愛好相似的項目集合，即進(jìn)行用戶的相似性計算，比較找到相似度最高的若干最近鄰，依據(jù)最近鄰的評分來完成數(shù)據(jù)填充。從表2-4中所有評分?jǐn)?shù)據(jù)可以看出，李銘和張坤有三個電影喜好程度相同，而李銘與王浩僅有兩個電影的偏好相同，那么得到的李銘的相似鄰居應(yīng)該是張坤，因此得出的結(jié)論是李銘喜歡電影6。對表中的電影類別進(jìn)行分析，會發(fā)現(xiàn)李銘和張坤只是在愛情片方面有共同的偏好，而對于戰(zhàn)爭片的偏好卻完全不同，因此在進(jìn)行評分預(yù)測時，本文在尋找相似鄰居時，根據(jù)電影的類別尋找相似鄰居，也就是只選擇和電影6類別相同的電影的偏好尋找最近鄰，因此得到的李銘的最近鄰是王浩，按照王浩對電影6的偏好預(yù)測李銘不喜歡電影6針對具體事例進(jìn)行說明，用戶對電影的評分向量如表2-5所示，預(yù)測用戶U2對電影M6的評分。本文在計算用戶U1和用戶U2的相似性時，需要先找到這兩個用戶共同感興趣的電影的集合(即電影M3,MS,M6)，然后在共同感興趣的電影集合中通過計算兩個用戶的評分相似性來尋找最近鄰，而不是在整個用戶評分空間中進(jìn)行計算。利用公式(2-2)計算目標(biāo)項目電影M6與其余各電影之間的相似度，其中空缺評分不予考慮，可得:同樣的計算可以知道，Sim（Ul,U3）0.766;Sim（Ul,U4）=0.9980將相似性最高的若干用戶數(shù)(這里假設(shè)為2)作為用戶U1的最近鄰用戶集合，記為嶺，即嶺一{U2,U4}。之后，可以預(yù)測用戶U1對電影6的評分，根據(jù)下列公式(2-6)計算平均相似度。同樣的計算可以知道，devu1.u4=2利用公式(2-6)計算用戶U1對電影M6的評分:乙乙基于上述分析，可以總結(jié)出本文對缺失值的填充方法:采用slope-one算法進(jìn)行評分填充。首先按目標(biāo)電影所屬的電影類別找到共同具有評分的用戶，然后依據(jù)這些相同類別并且都有評分的項目的評分來計算用戶間的相似性，進(jìn)而求得用戶的最近鄰。另外，在對目標(biāo)用戶未評分項進(jìn)行填充的過程中，如果目標(biāo)用戶對該類電影沒有任何評分的話，如表2-6所示，用戶U1對恐怖類電影都沒有評分，則采用不考慮項目類別的用戶相似性計算方法，求得用戶的最近鄰，再利用slope-one算法進(jìn)行預(yù)測產(chǎn)生一個評分值。3電影推薦系統(tǒng)的設(shè)計與實現(xiàn)3.1系統(tǒng)結(jié)構(gòu)設(shè)計大型系統(tǒng)總是被分解成若干子系統(tǒng)，這些子系統(tǒng)分別提供其相應(yīng)的服務(wù)。初始系統(tǒng)設(shè)計的任務(wù)是要識別出這些子系統(tǒng)并建立起子系統(tǒng)控制和通信的框架。同時，系統(tǒng)設(shè)計要把握實用性原則、可擴(kuò)展性原則和安全可靠性原則。本系統(tǒng)是利用Windows操作系統(tǒng)進(jìn)行開發(fā)和運行的，在ASP構(gòu)建的系統(tǒng)開發(fā)平臺上，使用VBScript腳本語言設(shè)計并實現(xiàn)了電影網(wǎng)站。本推薦系統(tǒng)采用基于Web的B/S架構(gòu)，共分為瀏覽器、Web服務(wù)器、數(shù)據(jù)庫服務(wù)器三個層次，使得用戶只需要通過瀏覽器即可訪問系統(tǒng)，查看系統(tǒng)推薦結(jié)果非常方便快捷。其中，瀏覽器成為了系統(tǒng)的表示層，也可稱為用戶界面層;該層展示給用戶的是電影網(wǎng)站，Web服務(wù)器成為了系統(tǒng)的應(yīng)用層，是用戶界面層和數(shù)據(jù)訪問層的橋梁，主要由系統(tǒng)的各個功能子系統(tǒng)構(gòu)成;數(shù)據(jù)庫服務(wù)器成為了系統(tǒng)的數(shù)據(jù)層，也稱為數(shù)據(jù)訪問層，該層是本系統(tǒng)運行的基礎(chǔ)，系統(tǒng)中每個動態(tài)頁面的生成都離不開數(shù)據(jù)訪問層中提供的信息，根據(jù)用途不同，數(shù)據(jù)被劃分為許多種類，有序地存放在相應(yīng)的數(shù)據(jù)庫中，用戶訪問系統(tǒng)時，應(yīng)用邏輯層必須首先訪問用戶數(shù)據(jù)庫用以確認(rèn)用戶的身份信息。系統(tǒng)的體系結(jié)構(gòu)如圖3-1所示。圖3-1體系結(jié)構(gòu)圖3.2系統(tǒng)功能的設(shè)計與實現(xiàn)設(shè)計電影推薦系統(tǒng)的主要目標(biāo)是為了使用戶在面對眾多的電影時，不會感到無所適從，不知選擇哪部觀看，而且通過推薦系統(tǒng)的推薦，用戶可以更容易的找到自己喜歡的電影。本系統(tǒng)按功能來劃分，主要模塊包括:電影前臺網(wǎng)站系統(tǒng)、電影后臺管理系統(tǒng)兩個模塊。系統(tǒng)模塊組織結(jié)構(gòu)圖如圖3-2圖3-2系統(tǒng)模塊組織結(jié)構(gòu)圖4總結(jié)本文研究的是個性化電影推薦系統(tǒng)中的推薦算法。經(jīng)過與傳統(tǒng)的各類算法相比較，發(fā)現(xiàn)基于項目的協(xié)同過濾算法更適合于本文所搭建的系統(tǒng)。并對傳統(tǒng)的算法進(jìn)行了改進(jìn)，最終通過實驗對比，證明了新推薦計算方法提高了推薦準(zhǔn)確性的同時還減少了運行時間。由于時間等方面的原因本文對推薦算法改進(jìn)方面尚存在些問題需要進(jìn)一步研究?？梢钥紤]將用戶的個人信息以一定權(quán)重加入到改進(jìn)的算法中，會使推薦更精確?？紤]用戶的瀏覽時長，加入時間權(quán)重。而且用戶的興趣也會隨時間變化，這樣的推薦算法會更精確。參考文獻(xiàn)劉佳瑋,洪蕾,陳妍,等.基于電影系統(tǒng)的協(xié)