第三次工業(yè)革命以來,尤其是1989年萬維網(wǎng)的出現(xiàn),使得網(wǎng)上的信息量逐年呈指數(shù)級增加,在互聯(lián)網(wǎng)上,各種形式的信息以不同的類型呈現(xiàn)在網(wǎng)頁上:如文字、圖像、視頻、音頻、圖表等等。在眾多的網(wǎng)絡(luò)信息媒體中,電影視頻作為人們喜聞樂見的內(nèi)容需求具有廣大的受眾。電影視頻作為文化娛樂的重要內(nèi)容,相比文字能傳遞更多的信息,影視傳媒在人們的精神生活中發(fā)揮著其它媒體所無法比擬的作用。因此對于電影視頻推薦網(wǎng)站,如果用戶在網(wǎng)站中查找感興趣的電影時,需要花費大量的精力篩選感興趣的視頻,這無疑降低了用戶的體驗,也不利于網(wǎng)站的發(fā)展。因此,越來越多的網(wǎng)站引入了推薦算法,由此給用戶提供一些建議,將用戶可能感興趣的影視內(nèi)容展現(xiàn)在用戶的眼前,供用戶篩選。傳統(tǒng)的電影推薦算法一般利用評分矩陣計算用戶之間的相似度,選取目標(biāo)用戶的最近鄰居集,然后進(jìn)行推薦。但是普遍存在數(shù)據(jù)稀疏、推薦準(zhǔn)確率低等問題。本文針對這些問題,對傳統(tǒng)的電影推薦算法進(jìn)行研究,并加以改進(jìn)。主要工作如下:（1）梳理歸納了經(jīng)典的電影推薦算法及其應(yīng)用,以及一些學(xué)者對推薦算法的研究成果。針對傳統(tǒng)電影推薦算法的優(yōu)缺點進(jìn)行分析,并思考如何用最新技術(shù)來提升推薦的性能。（2）目前電影... 

【文章來源】：遼寧大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

CBOW框架圖

第 2 章 相關(guān)工作定義詞向量的維度大小 M，以及 CBOW 的上本中的每一個詞，其前面的 c 個詞和后面的 c 個本身作為樣本的輸出，期望 softmax 概率最大 模型前，我們需要先將詞匯表建立成一顆霍夫現(xiàn)的次數(shù)建立。對于從輸入層到隱藏層（投影 周圍的 2c 個詞向量求和取平均即可。我們把之x 層的概率計算變成了一顆二叉霍夫曼樹，那沿著樹形結(jié)構(gòu)進(jìn)行就可以了。如下圖 2-4 所示點一直走到我們的葉子節(jié)點的詞 w2。

第 3 章 基于改進(jìn)的 SVD++的電影推薦算法中的“劇情”、“情節(jié)”、“內(nèi)容”這三個詞具有極高的相似度，所以若將戶評論文檔中的所有電影特征詞來表征用戶的電影偏好，肯定會使得結(jié)度非常高，因此需要對電影評論文本進(jìn)行處理，選取那些最具代表性的。某用戶在豆瓣電影推薦網(wǎng)站的評論如圖 3-1 所示，

【參考文獻(xiàn)】：
期刊論文
[1]協(xié)同過濾算法中冷啟動問題研究[J]. 邵煜,謝穎華.  計算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[2]融合社區(qū)結(jié)構(gòu)和個人興趣的協(xié)同過濾推薦算法[J]. 顧寰,楊長春,吳云,徐筱.  計算機(jī)工程與設(shè)計. 2018(11)
[3]基于用戶興趣模型的推薦算法[J]. 于波,楊紅立,冷淼.  計算機(jī)系統(tǒng)應(yīng)用. 2018(09)
[4]基于評論的影片個性化推薦方法[J]. 董學(xué)陽,郜山權(quán),劉磊,劉華虓.  吉林大學(xué)學(xué)報(理學(xué)版). 2018(04)
[5]基于內(nèi)容和興趣漂移模型的電影推薦算法研究[J]. 呂學(xué)強(qiáng),王騰,李雪偉,董志安.  計算機(jī)應(yīng)用研究. 2018(03)
[6]一種基于特征的混合推薦方法[J]. 王盛,文衛(wèi)東.  計算機(jī)與數(shù)字工程. 2017(02)
[7]國內(nèi)電子商務(wù)網(wǎng)站推薦系統(tǒng)信息服務(wù)質(zhì)量比較研究——以淘寶、京東、亞馬遜為例[J]. 洪亮,任秋圜,梁樹賢.  圖書情報工作. 2016(23)
[8]情感分析在電影推薦系統(tǒng)中的應(yīng)用[J]. 雷鳴,朱明.  計算機(jī)工程與應(yīng)用. 2016(10)
[9]基于用戶興趣模型的協(xié)同過濾推薦算法[J]. 梁天一,梁永全,樊健聰,趙建立.  計算機(jī)應(yīng)用與軟件. 2014(11)
[10]一種基于網(wǎng)站聚合和語義知識的電影推薦方法[J]. 周文樂,朱明,陳天昊.  計算機(jī)工程. 2014(08)

碩士論文
[1]基于運營商管道大數(shù)據(jù)的智能電商推薦系統(tǒng)[D]. 金石.南京郵電大學(xué) 2018
[2]基于扎根理論的資訊類APP無標(biāo)簽用戶使用行為研究[D]. 柯爍.暨南大學(xué) 2018
[3]基于用戶興趣和主題模型的混合推薦算法的研究與實現(xiàn)[D]. 胡芳燚.北京郵電大學(xué) 2018
[4]基于時間效應(yīng)的農(nóng)產(chǎn)品推薦系統(tǒng)研究與實現(xiàn)[D]. 許元吉.安徽農(nóng)業(yè)大學(xué) 2018
[5]影響在線評論有用性的因素研究[D]. 覃亮.大連理工大學(xué) 2017
[6]基于物品協(xié)同過濾的個性化視頻推薦算法改進(jìn)研究[D]. 卜旭松.寧夏大學(xué) 2015
[7]基于用戶行為的動態(tài)推薦系統(tǒng)算法研究及實現(xiàn)[D]. 趙釹森.電子科技大學(xué) 2013
[8]基于個性化推薦引擎組合的推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 陳諾言.華南理工大學(xué) 2012



本文編號：3118006