给大家分享5篇关于电影系统的计算机专业论文

今天分享的是关于电影系统的5篇计算机毕业论文范文, 如果你的论文涉及到电影系统等主题,本文能够帮助到你

基于内容与协同过滤算法的电影推荐系统研究

这是一篇关于协同过滤,个性化推荐,电影系统的论文, 主要内容为随着互联网的迅速发展,日益剧增的信息量使得用户难以高质高效的找到符合自己需求的信息。以电影行业为例,目前网络上的电影资源种类繁多,用户为了找到符合自己喜好的电影可能会花费大量时间[1]。个性化电影推荐系统旨在通过分析每位用户的行为数据,精准的为用户推荐其可能感兴趣的电影[2]。本文选用Movie Lens-1m数据集,对基于内容与协同过滤算法的混合推荐进行研究,然后与传统协同过滤推荐算法进行对比实验。实验结果表明基于内容与协同过滤算法的混合推荐效果要优于传统协同过滤算法的推荐效果,具有相对更优的评价指标表现,可以为用户提供更好的电影推荐服务。本研究构建了基于B/S架构的个性化电影推荐系统。系统后台使用Django开发技术,前端主要利用Vue.js框架进行搭建,选用My SQL作为系统网站数据库,能够实现用户登录注册、电影搜索、用户评论、用户推荐等诸多功能。

基于内容与协同过滤算法的电影推荐系统研究

基于混合协同过滤的个性化电影推荐系统研究

这是一篇关于混合协同过滤,个性化推荐,评分预测,电影系统的论文, 主要内容为随着互联网和信息技术的快速发展,互联网中的资源呈现指数级别的增长态势,“信息过载”问题日趋突出。推荐系统通过构建用户兴趣模型来为用户提供个性化服务,有效地缓解了“信息过载”问题。电影作为网民信息获取和文化消费的主要形态之一,已然成为人们追求精神文化的重要渠道之一。而通常人们较难准确地表达自己的需求,其次互联网上的电影资源日趋庞大,使得海量电影的供给和用户多样化的需求之间的矛盾日益突出,此时个性化推荐技术与电影系统的有机结合显得尤为重要,既能帮助用户快速地发现其喜爱的电影;同时用户对电影推荐系统的忠诚度的提升又能助力运营商以VIP付费服务、广告投放等手段增加经济收益。本课题以电影推荐系统为研究对象,从个性化推荐技术的算法和应用两个方面展开研究,提出了基于混合协同过滤的个性化电影推荐算法,在Movielens数据集上验证了其有效性;同时,设计并实现了一个基于混合协同过滤的个性化电影推荐系统。依此目的,本课题的主要研究内容和研究成果如下:(1)从协同过滤算法、个性化电影推荐两方面对国内外的相关文献进行了梳理和分析,指出现有研究的不足;(2)引入共同评分权重函数改进了相似度的计算方法,有效地缓解了因数据稀疏而导致的相似度过度估计的问题;引入时间权重函数改进了预测评分的计算方法,对用户不同时间的评分赋予不同的时间权重,更好地解决了推荐的时效性问题。实验结果表明改进的协同过滤算法在推荐准确度上较传统的协同过滤有明显的提升;(3)在改进的协同过滤的算法的基础上,提出了基于用户——电影的混合协同过滤推荐算法,采取加权式的混合策略混合基于用户和基于电影的的预测评分。不同于传统的线性加权方式,本课题从近邻集合的相似度权重出发,对权重因子进行了分解,减少了人为确定权重的不准确性,实验结果表明混合协同过滤算法较传统的协同过滤算法有更高的推荐准确度;(4)从实际应用的角度出发,实现了基于混合协同过滤算法的推荐引擎,并且构建了一个基于B/S架构的个性化电影推荐系统,实现了电影搜索、电影评分、个性化推荐、用户个人中心、查看电影详情等功能。