電影推薦系統目標

⑴ 電影推薦系統包括什麼功能

電影推薦系統功能包括票房統計，評分推薦，電影類型推薦。

項目流程：首先獲取用戶id，刪除用戶之前存在的推薦結果，裝載樣本評分數據（不同用戶對不同電影的評分數據：userid、 movieid、rating、timestamp ）。然後裝載電影信息數據（從movieinfo表中取出movieid、moviename、typelist）。

註：樣本評分數據和電影信息數據以.dat文件的形式被傳入HDFS中。

將樣本評分數據切分成3部分，60%用於訓練（訓練集）、20%用於校驗(校驗集)、20%用於測試（測試集）

訓練不同參數下的模型，並在校驗集中校驗，找出最佳模型。

設置參數（隱語義因子的個數、ALS的正則化參數、迭代次數），將設置的參數和訓練集作為參數傳入到spark MLlib庫的ALS（）函數中，得到推薦模型，調整參數會得到多個不同的模型。

校驗方法：

將校驗集裝入模型中，得到用戶對電影的預測評分，計算預測評分和實際評分的均方根誤差，找出多個模型中均方根誤差最小的模型作為最佳模型。

用最佳模型預測測試集的評分，並計算預測評分和實際評分的均方根誤差，改進最佳模型。

用最佳模型預測某用戶對電影信息數據集中的所有電影的評分，選出評分最高的前十部電影。將推薦結果存入資料庫recommendresult表中

————————————————

版權聲明：本文為CSDN博主「塞奈」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。

原文鏈接：https://blog.csdn.net/qq_44459219/article/details/118416465

⑵ 電影推薦系統中電影類型怎麼弄

建軍大業

9.4分加入收藏
主演：劉燁朱亞文黃志忠王景春
導演：劉偉強
類型：動作戰爭其它
時長：127分鍾
年代：2017
地區：內地
語言：漢語普通話
簡介

⑶ 學IT的，寫了一個電影推薦系統，但是為什麼評分預測值大於五

全文以「預測電影評分」例子展開

r(i,j)=0則表明user_j沒有對movie_i 沒有評分，

推薦系統要做的就是通過預測user_j對這些movie {i|r(i,j)=0}的評分來給user_j 推薦其可能會喜歡的電影<預測評分較高的movie>

=======================================二、基於內容的推薦=======================================

對每個movie_i引入特徵x(i)=(x1, x2)，這種特徵可能表明user對movie類型的偏好：浪漫or動作等

對於每個user引入一個參數theta，然後對評分矩陣的每列(對應一個user)做線性回歸，數據是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}

像機器學習一樣，x(i)添加個1變數x(i)=(1, x1, x2)

那麼對於未評分的movie_t，我們可以使用線性回歸訓練的參數theta與對應特徵x(t)做內積來得到其預測評分

對每個用戶都訓練一個參數theta_j，優化模型如下：

優化演算法：注意正則項是不約束x(i)=(1, x1, x2)中1對應的參數theta的第一項theta0，所以k=0與k=1,2分別對待

=======================================三、協同過濾=======================================

現在換個角度：如果知道theta for all user j，如何來預測x(i) = (x1, x2) all i

仍然可以使用線性回歸，為訓練每個x(i)，需要評分矩陣的第i行數據{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}

theta_j = (0, theta1, theta2) ；theta1=5說明user_j喜歡romance類movie， theta2=5說明user_j喜歡action類movie，只能有一個等於5哦，

我覺得也可以是：theta_j = (0, 4, 1) ；喜歡romance 4 action 1.

對應的優化：

協同過濾：交替優化theta與x

=========================================四、協同過濾演算法=======================================

優化：

優化：注意去掉了theta和x的添加項

=========================================五、實現細節補充=======================================

實現細節：

如果有user沒有對任何電影評分或者所有評分的電影都是0分，那麼所學習到的參數是零向量，

則預測都是0值，這是不合理的。通過 將評分矩陣減去其行均值再進行線性回歸來「避免」這種情況

=========================================六、一點思考==========================================

協同過濾那塊，同時優化theta、x，這樣得到的theta、x還有特定的意義<比如：x是否還表徵對影視類型的喜愛與否>沒有？

回歸中，在x數據上不添加1-feature是不是因為後來引入的平均值化；如果不是，那會對結果有什麼影響？

用x-feature來表徵一個movie，x-feature的各分量的可解釋性；應該會有一部分user應為演員的緣故有一些"偏愛"。

這里，講的"基於內容的推薦"與"協同過濾"跟以前對這兩個詞的認識/所指內容不同，查清楚、搞明白。

這周還會再更一篇關於此節課的演算法實現，會對上述部分問題做出回答。

⑷ 怎樣理解互聯網行業「數據分析」的意義

互聯網企業擁有大量的線上數據，而且數據量還在快速增長，除了利用大數據提升自己的業務之外，互聯網企業已經開始實現數據業務化，利用大數據發現新的商業價值。

以阿里巴巴為例，它不僅在不斷加強個性化推薦、「千人千面」這種面向消費者的大數據應用，並且還在嘗試利用大數據進行智能客戶服務，這種應用場景會逐漸從內部應用延展到外部很多企業的呼叫中心之中。

在面向商家的大數據應用中，以「生意參謀」為例，超過 600 萬商家在利用「生意參謀」提升自己的電商店面運營水平。除了面向自己的生態之外，阿里巴巴數據業務化也在不斷加速，「芝麻信用」這種基於收集的個人數據進行個人信用評估的應用獲得了長足發展，應用場景從阿里巴巴的內部延展到越來越多的外部場景，如租車、酒店、簽證等。

因為客戶的所有行為都會在互聯網平台上留下痕跡，所以互聯網企業可以方便地獲取大量的客戶行為信息。由互聯網商務平台產生的信息一般具有真實性和確定性，通過運用大數據技術對這些數據進行分析，可以幫助企業制定出具有針對性的服務策略，從而獲取更大的效益。近年來的實踐證明，合理地運用大數據技術能夠將電子商務的營業效率提高 60% 以上。

大數據在過去幾年中已經改變了電子商務的面貌，具體來講，電子商務行業的大數據應用有以下幾個方面：精準營銷、個性化服務、商品個性化推薦。

1. 精準營銷

互聯網企業使用大數據技術採集有關客戶的各類數據，並通過大數據分析建立「用戶畫像」來抽象地描述一個用戶的信息全貌，從而可以對用戶進行個性化推薦、精準營銷和廣告投放等。

當用戶登錄網站的瞬間，系統就能預測出該用戶今天為何而來，然後從商品庫中把合適的商品找出來，並推薦給他。圖 1 顯示了用戶畫像會包括哪些用戶基本信息和特性。

圖 4 Netflix 電影推薦

YouTube 作為美國最大的視頻網站，擁有大量用戶上傳的視頻內容。為了解決視頻庫的信息過載問題，YouTube 在個性化推薦領域也進行了深入研究，現在使用的也是基於物品的推薦演算法。實驗證明，YouTube 個性化推薦的點擊率是熱門視頻點擊率的兩倍。

3）網路電台

個性化網路電台也很適合進行個性化推薦。首先，音樂很多，用戶不可能聽完所有的音樂再決定自己喜歡聽什麼，而且每年新的歌曲在以很快的速度增加，因此用戶無疑面臨著信息過載的問題。其次，人們聽音樂時，一般都是把音樂作為一種背景樂來聽，很少有人必須聽某首特定的歌。對於普通用戶來說，聽什麼歌都可以，只要能夠符合他們當時的心情就可以了。因此，個性化音樂網路電台是非常符合個性化推薦技術的產品。

目前有很多知名的個性化音樂網路電台。國際上著名的有 Pandora 和Last.fm | Play music, find songs, and discover artists，國內的代表則是豆瓣電台。這 3 個個性化網路電台都不允許用戶點歌，而是給用戶幾種反饋方式：喜歡、不喜歡和跳過。經過用戶一定時間的反饋，電台就可以從用戶的歷史行為中獲得用戶的興趣模型，從而使用戶的播放列表越來越符合用戶對歌曲的興趣。

Pandora 的演算法主要是基於內容的，其音樂家和研究人員親自聽了上萬首來自不同歌手的歌，然後對歌曲的不同特性（如旋律、節奏、編曲和歌詞等）進行標注，這些標注被稱為音樂的基因。然後，Pandora 會根據專家標注的基因計算歌曲的相似度，並給用戶推薦和他之前喜歡的音樂在基因上相似的其他音樂。

Last.fm | Play music, find songs, and discover artists記錄了所有用戶的聽歌記錄及用戶對歌曲的反饋，在這一基礎上計算出不同用戶在歌曲上的喜好相似度，從而給用戶推薦和他有相似聽歌愛好的其他用戶喜歡的歌曲。同時，Last.fm | Play music, find songs, and discover artists也建立了一個社交網路，來讓用戶能夠和其他用戶建立聯系，以及讓用戶給好友推薦自己喜歡的歌曲。Last.fm | Play music, find songs, and discover artists沒有使用專家標注，而是主要利用用戶行為計算歌曲的相似度。

4）社交網路

社交網路中的個性化推薦技術主要應用在 3 個方面：利用用戶的社交網路信息對用戶進行個性化的物品推薦，信息流的會話推薦和給用戶推薦好友。

Facebook 保存著兩類最寶貴的數據：一類是用戶之間的社交網路關系，另一類是用戶的偏好信息。

Facebook 推出了一個稱為 Instant Personalization 的推薦 API，它能根據用戶好友喜歡的信息，給用戶推薦他們的好友最喜歡的物品。很多網站都使用了 Facebook 的推薦 API 來實現網站的個性化。

著名的電視劇推薦網站 Clicker 使用 Instant Personalization 給用戶進行個性化視頻推薦。Clicker 現在可以利用 Facebook 的用戶行為數據來提供個性化的、用戶可能感興趣的內容「』流」了，而更重要的是，用戶無須在 Clicker 網站上輸入太多數據（通過評分、評論或觀看Clicker.com上的視頻等方式），Clicker 就能提供這樣的服務。

除了利用用戶在社交網站的社交網路信息給用戶推薦本站的各種物品外，社交網站本身也會利用社交網路給用戶推薦其他用戶在社交網站的會話。每個用戶在 Facebook 的個人首頁都能看到好友的各種分享，並且能對這些分享進行評論。每個分享和它的所有評論被稱為一個會話，Facebook 開發了 EdgeRank 演算法對這些會話排序，使用戶能夠盡量看到熟悉的好友的最新會話。

除了根據用戶的社交網路及用戶行為給用戶推薦內容，社交網站還通過個性化推薦服務給用戶推薦好友。

5）其他應用

因為電子商務企業基本上實現了業務流程的各個環節的數據化，所以可以充分利用大數據技術對這些數據進行挖掘分析來優化其業務流程，提高業務利潤。除了前面介紹的幾個應用之外，大數據在電子商務行業還可以應用在其他許多方面。

① 動態定價和特價優惠

電子商務企業可以通過使用數據構建客戶資料，並發現用戶喜歡花費多少費用和喜歡購買什麼產品，從而通過跟蹤客戶的消費行為，使用大數據分析來開發靈活的定價和折扣政策。例如，如果分析顯示用戶對特定類別商品的興趣飆升，則電子商務企業可以提供打折或買一送一優惠。

② 定製優惠

電子商務企業可以通過使用數據來確定客戶的購買習慣，並根據以前的購買方式向他們發送有針對性的特價優惠和折扣代碼。數據也可以用於在客戶中止購買或只看不買時重新吸引客戶，例如，通過發送電子郵件提醒客戶他們查看過的產品或邀請他們完成購買。

③ 供應鏈管理

電子商務企業可以使用大數據更有效地管理供應鏈。數據分析可以揭示供應鏈中的任何延遲或潛在的庫存問題。如果某個項目存在問題，則可以立即將其從銷售中刪除，以免破壞客戶服務問題。

④ 預測分析

預測分析是指利用大數據技術分析電子商務業務的各種渠道，幫助企業制定未來運營的業務計劃。數據分析可能會顯示電商企業在線商店部門的新購買趨勢或銷售減緩的商品。

使用這些信息就可以幫助規劃下一階段的庫存，並制定新的市場目標。隨時了解電子商務的最新趨勢具有一定的挑戰性，但是利用大數據技術可以大大提高企業的利潤，並幫助企業建立一個成功的前瞻性思維業務。如果不利用挖掘大數據的力量，就可能會錯過市場成功的機遇。

⑸ 如何將基於hadoop的電影推薦系統的推薦結果用網頁面顯示出來

一般主要為： 演算法思想 基本構架 運行流程 任務力度

⑹ Amazon推薦系統是如何做到的

亞馬遜使用了哪些信息進行推薦：

1）當前瀏覽品類

2）與當前商品經常一同購買的商品

3）用戶最近瀏覽記錄

4）用戶瀏覽歷史（長期）中的商品

5）用戶瀏覽歷史（長期）相關的商品

6）購買相同商品的其它用戶購買的物品

7）已購商品的新版本

8）用戶購買歷史（如近期購買商品的互補品）

9）暢銷商品

2、推薦系統模型：U x S → R

1）U是用戶矩陣

2）S是物品矩陣

3）R是用戶對物品的喜愛程度，推薦系統就是基於現有的信息填補R矩陣

3、常用推薦演算法

1）基於內容：易實現，效果好，但是如何獲得一個物品的內容、相似度如何定義等有些情況下會較難把握

2）協同過濾：基於物的協同過濾與基於人的協同過濾

3）矩陣分解（SVD）：用戶-物品評分矩陣A很大且稀疏，將A分解為用戶矩陣（用戶潛在因子）和物品矩陣（物品潛在因子），目標是這兩個矩陣的乘積盡可能接近R。缺點是只利用了評分信息，忽略了用戶屬性和物品屬性

4）因子分解機（FM）：將SVD推廣到多類潛因子的情況，如分解為 用戶、物品、用戶性別、用戶年齡、物品價格 等多個因子，允許因子之間有相關關系（如下圖，方程前半部分是線性回歸，後半部分加入了兩兩因子間關系）

5）深度學習：訓練深度神經網路，輸入用戶id，輸出層做softmax，得到對每個物品id的權重

6）機器學習排序

7）探索與利用：先對用戶聚類（如分為abcde五類），隨機對a中的用戶1和b中的用戶2推薦電影，如果用戶1沒點擊，2點擊了，說明b類用戶可能對該電影更感興趣。

8）集成：對上述多種方法的ensemble

⑺ 電影推薦系統沒有管理員可以嗎

不可以。管理者是管理行為過程的主體，在推薦系統中需要維持秩序，沒有管理員是不可以的，因為管理員可以使系統正常運行，從而得到更多用戶的喜愛。

⑻ 模擬一個基於朋友圈的電影推薦系統。 設定目前微信總用戶有1000人，每個人均有自己的朋友圈，每個人

你這種要花大勞動力的不是100財富值能解決的。還是去相關的僱傭網站上發布需求吧。價格估計不低。

⑼ 推薦系統的主要推薦方法

基於內容的推薦（Content-based Recommendation）是信息過濾技術的延續與發展，它是建立在項目的內容信息上作出推薦的，而不需要依據用戶對項目的評價意見，更多地需要用機 器學習的方法從關於內容的特徵描述的事例中得到用戶的興趣資料。在基於內容的推薦系統中，項目或對象是通過相關的特徵的屬性來定義，系統基於用戶評價對象 的特徵，學慣用戶的興趣，考察用戶資料與待預測項目的相匹配程度。用戶的資料模型取決於所用學習方法，常用的有決策樹、神經網路和基於向量的表示方法等。 基於內容的用戶資料是需要有用戶的歷史數據，用戶資料模型可能隨著用戶的偏好改變而發生變化。
基於內容推薦方法的優點是：1）不需要其它用戶的數據，沒有冷開始問題和稀疏問題。2）能為具有特殊興趣愛好的用戶進行推薦。3）能推薦新的或不是很流行的項目，沒有新項目問題。4）通過列出推薦項目的內容特徵，可以解釋為什麼推薦那些項目。5）已有比較好的技術，如關於分類學習方面的技術已相當成熟。
缺點是要求內容能容易抽取成有意義的特徵，要求特徵內容有良好的結構性，並且用戶的口味必須能夠用內容特徵形式來表達，不能顯式地得到其它用戶的判斷情況。 協同過濾推薦 （Collaborative Filtering Recommendation）技術是推薦系統中應用最早和最為成功的技術之一。它一般採用最近鄰技術，利用用戶的歷史喜好信息計算用戶之間的距離，然後 利用目標用戶的最近鄰居用戶對商品評價的加權評價值來預測目標用戶對特定商品的喜好程度，系統從而根據這一喜好程度來對目標用戶進行推薦。協同過濾最大優 點是對推薦對象沒有特殊的要求，能處理非結構化的復雜對象，如音樂、電影。
協同過濾是基於這樣的假設：為一用戶找到他真正感興趣的內容的好方法是首先找到與此用戶有相似興趣的其他用戶，然後將他們感興趣的內容推薦給此用 戶。其基本思想非常易於理解，在日常生活中，我們往往會利用好朋友的推薦來進行一些選擇。協同過濾正是把這一思想運用到電子商務推薦系統中來，基於其他用 戶對某一內容的評價來向目標用戶進行推薦。
基於協同過濾的推薦系統可以說是從用戶的角度來進行相應推薦的，而且是自動的即用戶獲得的推薦是系統從購買模式或瀏覽行為等隱式獲得的，不需要用戶努力地找到適合自己興趣的推薦信息，如填寫一些調查表格等。
和基於內容的過濾方法相比，協同過濾具有如下的優點：1） 能夠過濾難以進行機器自動內容分析的信息，如藝術品，音樂等。2） 共享其他人的經驗，避免了內容分析的不完全和不精確，並且能夠基於一些復雜的，難以表述的概念（如信息質量、個人品味）進行過濾。3） 有推薦新信息的能力。可以發現內容上完全不相似的信息，用戶對推薦信息的內容事先是預料不到的。這也是協同過濾和基於內容的過濾一個較大的差別，基於內容的過濾推薦很多都是用戶本來就熟悉的內容，而協同過濾可以發現用戶潛在的但自己尚未發現的興趣偏好。4） 能夠有效的使用其他相似用戶的反饋信息，較少用戶的反饋量，加快個性化學習的速度。
雖然協同過濾作為一種典型的推薦技術有其相當的應用，但協同過濾仍有許多的問題需要解決。最典型的問題有稀疏問題（Sparsity）和可擴展問題（Scalability）。 基於關聯規則的推薦 （Association Rule-based Recommendation）是以關聯規則為基礎，把已購商品作為規則頭，規則體為推薦對象。關聯規則挖掘可以發現不同商品在銷售過程中的相關性，在零 售業中已經得到了成功的應用。管理規則就是在一個交易資料庫中統計購買了商品集X的交易中有多大比例的交易同時購買了商品集Y，其直觀的意義就是用戶在購 買某些商品的時候有多大傾向去購買另外一些商品。比如購買牛奶的同時很多人會同時購買麵包。
演算法的第一步關聯規則的發現最為關鍵且最耗時，是演算法的瓶頸，但可以離線進行。其次，商品名稱的同義性問題也是關聯規則的一個難點。 由於各種推薦方法都有優缺點，所以在實際中，組合推薦（Hybrid Recommendation）經常被採用。研究和應用最多的是內容推薦和協同過濾推薦的組合。最簡單的做法就是分別用基於內容的方法和協同過濾推薦方法 去產生一個推薦預測結果，然後用某方法組合其結果。盡管從理論上有很多種推薦組合方法，但在某一具體問題中並不見得都有效，組合推薦一個最重要原則就是通 過組合後要能避免或彌補各自推薦技術的弱點。
在組合方式上，有研究人員提出了七種組合思路：1）加權（Weight）：加權多種推薦技術結果。2）變換（Switch）：根據問題背景和實際情況或要求決定變換採用不同的推薦技術。3）混合（Mixed）：同時採用多種推薦技術給出多種推薦結果為用戶提供參考。4）特徵組合（Feature combination）：組合來自不同推薦數據源的特徵被另一種推薦演算法所採用。5）層疊（Cascade）：先用一種推薦技術產生一種粗糙的推薦結果，第二種推薦技術在此推薦結果的基礎上進一步作出更精確的推薦。6）特徵擴充（Feature augmentation）：一種技術產生附加的特徵信息嵌入到另一種推薦技術的特徵輸入中。7）元級別（Meta-level）：用一種推薦方法產生的模型作為另一種推薦方法的輸入。

⑽ 電影推薦系統是用java寫還是paython寫好一點

我覺得用java好一些。
java是一門面向對象的編程語言。java語言具有功能強大和簡單易用兩個特徵，具有簡單性、面向對象、分布式等特點，可以編寫桌面應用程序、Web應用程序、分布式系統和嵌入式系統應用程序等。
Python目前的應用領域比較廣泛，目前Python的主要方向分為後端開發、數據分析、網路爬蟲、機器學習等。