3.2.7 算法SlopeOne 11
3.2.8 测试数据集 12
3.3 本章小结 13
第4章 系统关键算法实现 14
4.1 推荐系统流程图 14
4.2 模型层 14
4.3 视图层 16
4.4 构建推荐器的算法流程 17
4.5 基于用户的协同过滤算法 17
4.6 基于物品的协同过滤算法 17
4.7 算法SLOPEONE 18
4.8 推荐逻辑 18
4.9 本章小结 18
第5章 系统实现 19
5.1 数据模型 19
5.2 推荐结果 20
5.2.1 电影和图书推荐系统的登录页面 20
5.2.2 电影推荐结果(基于用户相似度) 21
5.2.3 图书推荐结果(基于物品相似度) 22
5.3 推荐系统结果分析 23
5.3.1 电影推荐分析 23
5.3.2 图书推荐分析 23
5.4 本章小结 23
第6章 总结与展望 24
6.1 总结 24
6.2 展望 24
毕业设计体会 25
致谢 26
参考文献 27
第1章 绪论
电影和书籍推荐系统是一种高级的智能商务平台,需要从海量的数据中挖掘出用户可能感兴趣的信息,以帮助电影预订网站的顾客减少挑选感兴趣题材的电影的时间,帮助网上书城的顾客购书提供其感兴趣的书籍以及可能与该书籍内容可能相配套的书籍。电影预订网站的推荐引擎为电影订票客户推荐电影,网上书城的推荐引擎为网上购书的顾客推荐书籍,系统利用推荐引擎自动完成针对不同用户推荐其感兴趣商品的过程,使得向用户展示的页面是为不同的用户量身订造,推荐该网站中该用户感兴趣而且同时也是最热门的商品、根据用户的点击、搜索、购买、评分甚至是用户在页面的停留时间的长短来预测用户将来可能感兴趣的电影或者书籍。
1.1个性化推荐的背景
1.1.1 个性化推荐的原因
个性化推荐指的是依据通过记录用户在网站上的行为特征进而预测用户的兴趣特点,向用户推荐他可能感兴趣的商品或者信息。近年来电子商务规模蓬勃发展,商品个数和种类日益膨胀,顾客在找到自己喜欢的商品之前通常需要花费大量的时间和精力,在大数据膨胀的今天,大量与自身无关的信息的浏览常常使人感到力不从心。为了解决大数据时代信息浏览的问题,个性化推荐的系统顺应时代的潮流诞生。
1.1.2 个性化推荐的优势
个性化推荐能记录通过用户在网站上曾经的行为来收集用户的特征资料,将用户的登录名与该用户的特征资料相绑定,并依据用户个人特征,如社会角色、兴趣爱好,向用户提供个性化的服务。不仅如此,系统为用户量身定做的推荐并非是一层不变的,恰恰相反,系统通过机器学习不断实时更新用户的特征资料库,用户与网站的交互越多,那么系统对用户的特征判断越准确,而且当推荐系统中的商品信息库或用户个人特征库变动时,系统会根据数据的变化相应地产生更加准确的推荐结果。一个成功的个性化推荐系统能够使得用户不仅浏览商品而且对会购买感兴趣的商品,不仅能够提高电子商务网站的交叉销售能力,而且能提高电子商务网站的用户忠诚度。
1.1.3 个性化推荐的前景
当前,国际上的大型电子商务网站,如T-mall、亚马逊等都运用了各种形式的推荐系统为用户提供个性化的服务。国内方面,知名购物网站天猫、京东、淘宝等都率先选择了国际最为先进的推荐引擎系统构建个性化的推荐服务。在越来越激烈的商业竞争中,个性化推荐不仅能有效地保留客户,增加用户粘度,提高电商推荐系统的服务能力,而且一个优良的推荐系统会产生巨大的经济效益。在信息量不断爆棚的今天,实施个性化的阅读体验势在必行。 基于Mahout的推荐系统的设计与实现(2):http://www.751com.cn/jisuanji/lunwen_39450.html