前言今天所阅读的这一个人, 是《电脑知识与技术》这本期刊在2019年的9月份所发表的一篇文章。这篇文章的标题叫做《基于的协同过滤算法的研究与应用实现》, 文章内容是关于协同过滤算法的一个研究与实际应用的呈现。摘要随着科学技术快速地发展, 并且知识产权变得日益重要, 绝大多数用户都倾向于在视频播放平台上面观赏电影内容, 像腾讯视频、爱奇艺这些平台就是典型的例子。在此背景之下, 用户非常强烈地需要一套运作合理的电影推荐系统。因此, 本文通过使用关联分析技术以及协同过滤算法这两种手段, 把个性化推荐技术与专门的电影系统进行了有机的结合在一起, 最终达到了给用户提供具有个性化特点的电影推荐这一目的。现在大家说的这个基于协同过滤技术的推荐算法是怎么回事呢。协同过滤算法是目前最受认可且行之有效的个性化推荐方案, 被广泛地应用到了各种各样的领域里面去。这种算法先是去分析用户的兴趣爱好, 接着在庞大的用户群体当中, 特意去寻找那些和指定用户拥有相似兴趣的其他人, 最后把这些相似用户对某条具体信息所给出的评价进行综合考虑, 由此来得出系统对这个指定用户针对那条信息的喜欢程度的预测结果。该协同过滤算法的实现过程通常被划分为三个步骤,在第一步里面, 需要对用户的偏好情况进行收集, 这指的是去获取用户对某些具体信息项目所做出的评价, 到了第二步的时候, 需要去寻找那些相似的用户或者是相似的物品, 这个阶段的重点在于分析彼此之间的相似程度, 同时也包括预测特定用户对于某一种信息存在的喜好倾向, 最后进行的第三步工作, 则是开展针对个性化的电影推荐操作。实现收集用户偏好收集用户的偏好信息这一做法, 对于电影个性化推荐系统的推荐效果来说, 是一个相当重要的影响因素, 这种做法的核心就在于基于用户所展现出来的行为以及他们的偏好情况, 去发现其中隐藏的一些规律, 然后依据这些被发现的规律来进行电影的推荐推送。去找到那些和你很像的用户。我们是利用网络爬虫去获取那种电影评分数据的, 然后从中挑出5个用户对这两部电影的评分情况, 就是为了说明怎么去通过用户对电影的喜好偏好来找到那些相似度比较高的用户, 现在收集到的这些具体信息, 它们都显示在下表里面了。我们来进行相似度计算。常见的计算相似度的公式有欧几里得距离公式皮尔逊系数在这篇文章当中, 研究相关度的时候会使用皮尔逊系数这一方法。接下来下面是5个用户对5部电影的评分表:实现先对用户信息进行录入操作, 接着去计算皮尔逊相关系数这个指标, 借此找出那些对指定电影有着相同兴趣爱好的其他用户, 最后利用加权平均法把所有人的评分情况给汇总起来, 从而向目标用户推送相关的电影内容。第一步, 需要先把网络爬虫爬取到的所有数据导入进来。录入用户数据把那个等着被推荐的用户给加进去, 弄到数据里面去。最后, 把所有人的评价值都加权平均一下, 然后把算出来的结果用在给那个目标用户推荐电影这里。结尾今天的内容就讲到这些个时候了, 等到明天再见面的那个瞬间。
