网站内容管理系统后台 设计(电影推荐系统中运用的协同过滤算法的推荐引擎Taste )

　　网站内容管理系统后台 设计(电影推荐系统中运用的协同过滤算法的推荐引擎Taste

)

　　相关信息

　　电影推荐系统中使用的推荐算法基于协同过滤算法（Collaborative Filtering Recommendation）。协同过滤正迅速成为信息过滤和信息系统中非常流行的技术。与传统的基于内容过滤进行推荐的内容直接分析不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，并整合这些相似用户对某一信息的评价，形成系统为指定的用户预测对该信息的偏好程度。

　　推荐引擎Taste是Apache Mahout提供的协同过滤算法，在电影推荐系统中被引用。它实现了最基本的基于用户和基于内容的推荐算法，并提供了扩展接口，方便用户定义和实现自己的推荐。算法。

　　电影推荐系统是基于用户的推荐系统，即用户对某部电影进行评分后，系统根据用户对电影的评分判断用户的兴趣，首先利用UserSimilarity计算用户之间的相似度。UserNei*敏*感*词*orhood是根据用户相似度找到与用户口味相似的邻居，最后通过Recommender推荐用户可能感兴趣的电影详细信息。网页结果页显示用户已评分的电影信息和推荐给用户的电影信息，即完成推荐。

　　Taste的组织架构：

　　Taste的组织架构如下图所示：

　　应用层

　　-------------------------------------------------- -------------------------------

　　推荐系统层

　　-------------------------------------------------- -------------------------------------------------

　　数据存储层

　　Taste的组织*敏*感*词*

　　味道由以下五个主要组成部分组成：

　　DataModel：DataModel 是用户偏好信息的抽象接口。它的具体实现支持从任何类型的数据源中提取用户偏好信息。Taste默认提供了JDBCDataModel和FileDataModel，分别支持从数据库和文件中读取用户偏好信息。

　　UserSimilarity 和 ItemSimilarity：UserSimilarity 用于定义两个用户之间的相似度。它是基于协同过滤的推荐引擎的核心部分。它可以用来计算用户的“邻居”。这里我们将与当前用户品味相似的用户称为他的邻居。ItemSimilarity 是相似的，计算内容之间的相似度。

　　UserNei*敏*感*词*orhood：用于基于用户相似度的推荐方法。推荐内容是基于寻找与当前用户偏好相似的“邻居用户”生成的。UserNei*敏*感*词*orhood 定义了一种确定邻居用户的方法，具体实现一般是基于 UserSimilarity 计算的。

　　Recommender：Recommender是推荐引擎的抽象接口，是Taste的核心组件。程序中为其提供了一个DataModel，可以计算不同用户的推荐内容。在实际应用中，分别使用GenericUserBasedRecommender或GenericItemBasedRecommender实现基于用户相似度的推荐引擎或基于内容的推荐引擎。

　　电影推荐系统的实现：

　　1.资料下载：

　　转到 grouplens网站() 下载数据集。在这个电影系统中，我们使用了近 900 名用户对 1683 部电影的近 100,000 行数据集进行了审查。取出下载的ml-data_0.zip中的乐谱数据和电影信息数据。将评级文件转换为类似于 csv 文件格式的文本文件。CSV是逗号分隔值文件（CommaSeparated value），一种用于存储数据的纯文本文件格式，文件名为 rating.TXT。可以用写字板打开，如图4.1：

　　图4.1 rating.txt*敏*感*词*

　　将电影数据文件转换为movies.xml 文件。可扩展标记语言 XML 是一种简单的数据存储语言，它使用一系列简单的标签来描述数据。如4.2所示：

　　图4.2 movies.xml *敏*感*词*

　　2.运行

　　把上面两个文件放到C盘，加载web项目-movies，用Myeclipse运行。在首页输入用户ID和推荐电影数量countr。例如：输入用户 ID：500 计数：50.

　　全套毕业设计论文请查阅现成资料