论文部分内容阅读
随着互联网的快速发展,网上看电影作为休闲放松的方式之一,越来越得到人们的关注,电影、视频网站的竞争也越来越激烈。但是,由于视频网站中的电影太多,用户需要花费大量的时间与精力去寻找自己喜欢的电影。而推荐算法的应用使得用户寻找自己喜欢的电影变得很简单。因此,本文以电影推荐算法为研究内容,提出了基于动态阈值的Slope One算法,并将其与基于RBF神经网络的协同过滤算法及基于随机森林的协同过滤算法相融合,使推荐结果更加准确。概括起来,本文的主要工作如下:(1)改进了传统的Slope One算法,并应用于电影推荐领域。首先,运用动态阈值的方法查找目标项目的近邻集,然后再用Slope One算法预测用户未评分项目的评分,最后得到推荐列表,并在MovieLens数据集上验证了算法的准确性。(2)将RBF神经网络与协同过滤相结合的算法运用在电影推荐领域。首先,初始化用户项目矩阵;然后,对处理过的数据进行相似度计算,得出相似性矩阵,根据相似性矩阵找到目标项目的邻居集;之后,运用RBF神经网络根据邻居集的数据预测目标用户未评分项目的评分;最后,根据预测评分的高低,选出评分较高的前M部电影推荐给用户,并在MovieLens数据集上验证了算法的准确性。(3)将随机森林算法与协同过滤算法相结合,并应用于电影推荐领域。首先,根据用户的评分计算相似度矩阵;然后,查找用户的近邻集,根据近邻集的数据,运用随机森林算法预测用户未评分项目的评分;最后,根据预测评分的高低,选出评分较高的前M部电影推荐给用户,并在Movie Lens数据集上验证了算法的准确性。(4)将三种推荐算法进行融合,最后的推荐结果由基于动态阈值的Slope One算法、基于RBF神经网络的协同过滤算法与基于随机森林的协同过滤算法按比例融合得出。为了测试算法的准确性,采用了MovieLens真实数据集对算法进行检测。推荐结果显示,融合算法比单个算法的推荐效果更好。(5)设计了一个电影推荐系统,阐述了系统个性化信息的获取、系统需求、系统构架以及系统的功能模块和处理流程。