基于用户协同过滤算法的电影推荐系统

泰迪华南杯数据挖掘竞赛论文报告-1-基于用户协同过滤算法的电影推荐系统摘要随着电子商务的高速发展和普及应用，个性化推荐的推荐系统已成为一个重要研究领域。个性化推荐算法是推荐系统中最核心的技术，在很大程度上决定了电子商务推荐系统性能的优劣。协同过滤是应用最为广泛的一种个性化推荐技术。协同过滤主要分为基于用户的协同过滤和基于项目的协同过滤。本文研究了基于用户的协同过滤推荐算法及其在电影推荐系统中的应用，设计开发了相应的电影推荐系统中个性化推荐原型系统，并对该算法的推荐质量进行了深入的实验分析。本文也介绍了协同过滤推荐的基本思想。在介绍电影推荐系统推荐技术研究与应用现状的基础上，详细说明了基于用户的协同过滤推荐算法及其具体实现步骤。采用JavaWeb实现了原型系统。对于挖掘结果从算法效率及应用意义上进行比较分析关键词：电影基于用户的协同过滤推荐余弦相似性相关相似性泰迪华南杯数据挖掘竞赛论文报告-2-目录第1章绪论..................................................................................................................31.1、研究背景...........................................................................................................31.2、国际发展形势...................................................................................................4第2章基于用户协同过滤推荐技术.........................................................................42.1电子商务推荐系统概述......................................................................................42.2协同过滤推荐技术..............................................................................................5第3章基于用户的协同过滤推荐算法.....................................................................63.1基于用户协同过滤算法的介绍..........................................................................63.2、基于用户喜好值推荐算法的思路...................................................................73.2.1建立用户模型................................................................................................73.2.2寻找最近邻居................................................................................................71.余弦相似性（Cosine）..................................................................................82.相关相似性(Correlation)............................................................................83.2.2产生推荐项目................................................................................................83.3算法的实现..........................................................................................................93.4电影推荐系统界面实现......................................................................................93.4.1用户输入界面.............................................................................................103.4.2推荐电影界面.............................................................................................10第4章算法推荐质量的实验分析...........................................................................114.1算法推荐质量的衡量方法................................................................................114.2验证推荐方法采用的数据集............................................................................114.3实验结果分析....................................................................................................124.3.1余弦相似性.................................................................................................134.3.2相似相关性...............................................................................................134.3.3基于用户评分次数的相似相关性计算方法.............................................144.3.4两种算法的对比分析.................................................................................15第五章总结..............................................................................................................17参考文献......................................................................................................................18附录..............................................................................................................................19泰迪华南杯数据挖掘竞赛论文报告-3-第1章绪论1.1、研究背景随着互联网技术的迅猛发展，人们逐渐走入了信息过载的时代。面对大量的信息，我们都显得有些无所适从。作为信息需求者，从大量信息中找到自己感兴趣的信息往往是一件非常困难的事情；而对于信息提供者，让自己的信息脱颖而出，受到大家的关注，也是一件非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统通过建立用户和信息产品之间的关系，利用已有的选择过程或相似性关系，一方面挖掘用户潜在感兴趣的信息，另一方面让信息能够展现在对它感兴趣的用户面前。一个完整的推荐系统通常包含收集用户信息的行为记录模块，分析用户喜好的模型分析模块和推荐算法模块。我们身边最熟悉的例子要数电子商务网站的推荐系统，几乎每个大型电子商务网站都把个性化推荐作为重要的营销手段之一。更有文献表明早期Amazon的35%销售增量都来自它的推荐系统。除了商品，音乐、电影等也是常见的推荐对象。在众多的个性化推荐算法中，协同过滤被广泛应用，也是最成功的推荐算法。本课题旨在研究基于用户的协同过滤推荐算法在电子商务个性化商品推荐中的应用。研究电子商务推荐系统对企业和社会具有很高的经济价值。电子商务个性化推荐系统的关键是建立用户模型。推荐系统的热点问题是推荐技术和推荐算法的研究。推荐算法是整个推荐系统的核心，它的性能决定了最终推荐结果的好坏。为了建立合理的用户模型，满足不同用户对实时性、推荐方式等的要求，产生了一系列的推荐技术和算法。涉及的技术包括基于内容的过滤技术、协同过滤技术、关联规则挖掘技术、分类和聚类技术、神经网络技术等等。个性化的服务在商家与顾客之间建立起了一条牢固的纽带。顾客越多地使用推荐系统。推荐系统可以更适合顾客的需要，将顾客更多地吸引到自己的网站，与顾客建立长期稳定的关系。从而能有效保留用户，防止用户流失。个性化推荐技术是电子商务推荐系统中最核心最关键的技术，很大程度上决泰迪华南杯数据挖掘竞赛论文报告-4-定了电子商务推荐系统性能的优劣[4].1.2、国际发展形势随着互联网的普及以及电子商务的发展，推荐系统渐渐成为电子商务技术的一个重要研究内容，得到了越来越多的研究者的关注[5]。国外在这方面的研究起步较早。1997年Resnick&Varian给出了电子商务推荐系统的正式定义[6]。从1999年开始，计算机协会ACM(AssociationforComputingMachinery)每年召开一次电子商务的研讨会，研究文章中关于电子商务推荐系统的占据了很大比重；该协会下面的数据挖掘特别兴趣组SIGKDD(SpecialInterestGrouponKDD)和信息检索兴趣小组SIGIR(SpecialInterestGrouponInformationRetrieval)也分别在1999年和第24届研究发展会议上，开始把推荐系统作为一个专门的研究主题。同时，第十五届人工智能会议、第一届知识管理应用会议等也纷纷将电子商务推荐系统作为研究主题。第2章基于用户协同过滤推荐技术2.1电子商务推荐系统概述电子商务对传统的商务交易产生了革命性的变化,从而要求“以产品为中心”向“面向客户”、“以客户为中心”的新的商业模式的转变,要求电子商务网站按客户群划分产品,围绕客户进行服务,为客户提供所需要的东西,所以对每个顾客提供个性化的服务成为必要。在这种背景下,推荐系统(RecommenderSystem)应运而生,它是根据用户个人的喜好、习惯来向其推荐信息、商品的程序[7]。电子商务网站可以使用推荐系统分析客户的消费偏好,向每个客户具有针对性地推荐产品,帮助用户从庞大的商品目录中挑选真正适合自己需要的商品,尽可能为每个顾客提供个性化的服务。个性化推荐(personalizedrecommendation)技术通过研究不同用户的兴趣，主动为用户推荐