基于协同过滤算法的电影推荐系统的设计与实现开题报告

课题研究的现状及发展趋势：

随着社会经济的不断发展，人们的娱乐活动越来越丰富，电影，作为娱乐的重要组成部分，越来越受到大众的欢迎，特别是受到年轻人的喜爱。但是，如何在海量的电影中找到自己喜爱的电影却成为一个难题。电影个性化推荐应运而生，它就是来解决如何在海量信息中找到关键点，向用户推荐出复合用户要求的电影。

SpringBoot是由Pivotal团队提供的全新框架，其设计目的是用来简化新Spring应用的初始搭建以及开发过程。SpringBoot是由Pivotal团队在2013年开始研发、2014年4月发布第一个版本的全新开源的轻量级框架。它基于Spring4.0设计，不仅继承了Spring框架原有的优秀特性，而且还通过简化配置来进一步简化了Spring应用的整个搭建和开发过程。协同过滤技术，不仅可以提供同类型的优质产品给用户，还可以根据邻近集的不同进行夸类型的推荐。并且随着时间的增加，用户评价数的增多，更多的用户加入到系统中后，会找到更匹配的近邻用户，使得推荐质量得到提升。

本电影推荐平台是总体采用SpringBoot框架和数据结构对协同过滤进行实现，本系统有两种使用人群：一个是管理员，另一个是用户。管理员可以对本系统页面上的诸多信息进行修改；用户可以阅览首页的内容，但是要进行一些复杂的操作就需要进行注册登录，登录后可以进行一系列自主操作。此电影推荐平台使用SpringBoot框架在设计过程中极大的提高了设计效率和所设计系统的可靠性以及实用性，并且配置maven项目对象模型，来进行项目构建管理。最后使用IDEA为编译器进行项目的实现。完成了对于每个用户个性化的推荐过程。

本课题研究的意义和价值：

在互联网技术不断成熟、移动端快速普及的背景下，人们开始追求精神上的享受，电影作为一种精神娱乐方式，极大地受到了人们的欢迎。当今，互联网上的各类视频网站比比皆是，例如常见的搜狐视频、爱奇艺、电影天堂等，这些站点都提供数量巨大的电影视频供用户观看，用户可以很容易获取电影资源；尤其最近几年，随着Android技术的兴起、移动终端的普及，网民对PC的依赖也不断降低，互联网用户获取电影的难度更是越来越低。虽然用户随处都可以浏览观看电影，但是用户总需要花费大量的时间挑选电影，这个过程浪费大量的时间。从海量电影资源中，快速搜索到某个用户感兴趣的电影，进而为用户提供个性化的推送服务，具有很大的实用价值和研究意义。

参考文献：

[1] 吴锦昆, 单剑锋. 基于改进型相似度的协同过滤算法的研究[J]. 计算机技术与发展, 2022, 32(04): 39-43.

[2]Salam Salloum, Dananjaya Rajamanthri. Implementation and Evaluation of MovieRecommender

Systems Using Collaborative Filtering[J].JAIT, 2021, 12(3).

[3] 林晨,邓录,董璐.基于SVG和Vue的数据过程可视化设计[J].计算机系统应用, 2022, 31(04): 130-136.

[4] 侯婷. 协同过滤推荐算法在智慧图书馆中的应用[J]. 科技资讯, 2021, 19(33): 149-151.

[5] 白林锋, 古险峰. 基于改进协同过滤算法的推荐系统设计与实现[J]. 洛阳理工学院学报(自然科学版), 2021,31(02): 69-73.

[6] 赵坤. 自动化识别分页和提取搜索结果的APK爬虫技术的研究与实现[D]. 北京邮电大学, 2020.

[7] 王伟, 郭丽环, 何翎等. 众筹项目的个性化推荐：考虑本地偏好的协同过滤算法[J].

管理工程学报, 2022,36(02): 204-214.

[8] 江水. 基于协同过滤技术推荐系统的探究[J]. 计算机技术与发展, 2021,31(11): 1-7.

[9]Web Crawler and Web Crawler Algorithms: A Perspective[J]. InternationalJournal of Engineering and Advanced Technology, 2020, 9(5).

[10] 徐行. 基于深度学习的影视推荐平台设计与实现[D]. 浙江工商大学, 2021.

[11] 顾涵文. 基于UML的知识分享系统设计与实现[J]. 科学技术创新, 2022(07): 81-84.

[12] 张小秋. 基于Scrapy框架的网络爬虫分析与抓取实现[J]. 电脑编程技巧与维护,2022(02): 18-19 44.

[13] 赵俊逸, 庄福振, 敖翔等. 协同过滤推荐系统综述[J]. 信息安全学报, 2021,6(05):17-34.

[14] 华泽, 叶雨航. 协同过滤算法及在个性化音乐推荐中的应用[J]. 现代计算机, 2021(22): 43-46 54.

[15]Stinson Catherine. Algorithms are not neutral: Bias in collaborativefiltering. [J]. AI and ethics,2022.

[16] 董杨帆. 改进协同过滤算法的图书推荐系统设计与实现[J]. 情报探索, 2021(07): 46-51.

[17] 李港. 数据稀疏环境下的混合协同过滤推荐算法研究[D]. 南京邮电大学, 2021.

[18]Liu Jingfa, Li Xin, Zhang Qiansheng, Zhong Guo. A novel focused crawlercombining Web space evolution and domain ontology[J]. Knowledge-BasedSystems, 2022, 243.

[19] 黄旭彬. 基于大数据的图挖掘和偏置协同过滤算法研究[J]. 信息技术与信化,2022(01): 43-45 49.

[20] 纪成君, 李蕊, 王仕勤. 缺失数据下基于SVDIFC的协同过滤推荐算法[J]. 计算机应用研究, 2021,38(10): 2994-2999.

[21] Duan Rui, JiangCuiqing, Jain Hemant K. Combining review-based collaborative filtering andmatrix factorization: A solution torating's sparsity problem[J]. Decision Support Systems, 2022, 156.