黃奕宸

基于用戶畫像的電影推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

黃奕宸

（南京信息工程大學(xué) 雷丁學(xué)院，江蘇 南京 210044）

針對(duì)傳統(tǒng)推薦算法在電影推薦系統(tǒng)中無法滿足用戶對(duì)電影查找效率的要求，提出一種基于用戶畫像的電影推薦算法。首先，對(duì)基于內(nèi)容、協(xié)作過濾、組合和用戶特征的推薦方法進(jìn)行研究，針對(duì)用戶興趣、群體和個(gè)性化特征，將不同的電影推薦算法進(jìn)行融合并提出了一種基于用戶畫像的電影推薦算法；其次，將基于用戶畫像的推薦算法應(yīng)用于影片推薦，設(shè)計(jì)并實(shí)現(xiàn)了基于用戶畫像的電影推薦系統(tǒng)，完成了影片推薦和后臺(tái)管理等主要功能模塊的開發(fā)。應(yīng)用結(jié)果表明，該系統(tǒng)可使用戶方便快捷地獲取自己感興趣的電影信息，提升了數(shù)據(jù)查找的效率。

電影推薦； 用戶畫像； 層次聚類； 協(xié)同過濾

一、引言

隨著互聯(lián)網(wǎng)的飛速發(fā)展，數(shù)據(jù)的爆炸式增長使人類迅速步入到大數(shù)據(jù)時(shí)代，網(wǎng)絡(luò)是人們獲取信息資源的一條重要途徑。然而，面對(duì)如此海量且復(fù)雜的數(shù)據(jù)，如何快速地找到自己感興趣或?qū)ψ约河杏玫男畔?huì)十分困難[1-2]。所以，使用網(wǎng)絡(luò)去查找自己想要的信息成為了現(xiàn)在大部分人的首選。但是，即使是在網(wǎng)絡(luò)上查找數(shù)據(jù)，面對(duì)如此龐大的數(shù)據(jù)量，對(duì)于現(xiàn)在人們快節(jié)奏的生活方式來說查找速度相對(duì)比較慢，因此，提升數(shù)據(jù)查找效率尤為重要。

在推薦系統(tǒng)中，常用推薦算法有基于內(nèi)容的推薦算法、基于協(xié)同過濾的推薦算法和組合推薦算法[3]?；趦?nèi)容的推薦算法的基本思想是根據(jù)用戶已經(jīng)選擇的對(duì)象，從推薦對(duì)象中選擇其他特征相似的對(duì)象作為推薦結(jié)果。這一推薦策略首先提取推薦對(duì)象的內(nèi)容特征，和用戶模型中的用戶興趣偏好匹配，匹配度較高的推薦對(duì)象就可作為推薦結(jié)果推薦給用戶。基于內(nèi)容的推薦算法可以避免“過度推薦”現(xiàn)象，但是它需要對(duì)物品進(jìn)行特征提取和相似度計(jì)算，這些過程需要消耗大量的計(jì)算資源和時(shí)間。針對(duì)此問題，計(jì)算推薦項(xiàng)目模型中項(xiàng)目的特征和用戶模型中用戶的偏好兩者之間的相似性是關(guān)鍵，常用的方法有決策樹、神經(jīng)網(wǎng)絡(luò)和基于向量的表示方法等[4]。

基于協(xié)同過濾的推薦算法是比較經(jīng)典的推薦算法，它在系統(tǒng)擁有用戶偏好信息、用戶使用或購買歷史和用戶歷史評(píng)分?jǐn)?shù)據(jù)的情況下，可以挖掘出用戶潛在且未知的興趣愛好，表現(xiàn)出良好的推薦性能。但隨著內(nèi)容的復(fù)雜，用戶和項(xiàng)目的增加，算法本身就存在一些問題，如冷啟動(dòng)問題[5]和數(shù)據(jù)稀疏性問題[6]等。針對(duì)這些問題，很多學(xué)者對(duì)傳統(tǒng)協(xié)同過濾推薦算法進(jìn)行了研究并改進(jìn)，例如，Tso等[7]采用基于內(nèi)容的最近鄰居查找技術(shù)解決冷啟動(dòng)問題，Zhang等[8]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)緩解數(shù)據(jù)稀疏性問題。

組合推薦算法的核心思想是通過組合不同推薦策略，達(dá)到揚(yáng)長避短的目的，從而產(chǎn)生更符合用戶需求的推薦。理論上講可以有很多種的推薦組合方法，但目前研究和應(yīng)用最多的組合推薦是基于內(nèi)容的推薦和系統(tǒng)過濾推薦的組合[9]，主要混合思路包括推薦結(jié)果混合和推薦算法混合。如Good等[10]采用投票機(jī)制來組合推薦結(jié)果，采用一定的標(biāo)準(zhǔn)對(duì)兩者產(chǎn)生的推薦結(jié)果判斷，從而選擇其中之一，利用預(yù)測打分的線性組合進(jìn)行推薦。Cattuto等[11]采用協(xié)同推薦的框架內(nèi)混合基于內(nèi)容的推薦來進(jìn)行社會(huì)網(wǎng)絡(luò)分析。

基于此，本文提出一種新的基于用戶畫像的推薦算法。首先，對(duì)基于內(nèi)容、協(xié)作過濾和組合的推薦方法進(jìn)行了深入研究，并將不同的電影推薦算法進(jìn)行融合，將其應(yīng)用于影片推薦之中；其次，結(jié)合熱門影片特征探討了影片推薦策略與方法，完成了基于用戶畫像的影片推薦和后臺(tái)管理等主要功能模塊的開發(fā)。

本文主要?jiǎng)?chuàng)新點(diǎn)在于：

（1）對(duì)基于內(nèi)容、協(xié)作過濾、組合和用戶特征的推薦方法進(jìn)行了研究，將不同的電影推薦算法進(jìn)行融合并提出一種新的基于用戶畫像的推薦算法；

（2）設(shè)計(jì)并實(shí)現(xiàn)了基于用戶畫像的電影推薦系統(tǒng)，詳細(xì)介紹了電影推薦系統(tǒng)的框架，完成了影片推薦和后臺(tái)管理等主要功能模塊的開發(fā)。

二、本文推薦算法實(shí)現(xiàn)

（一）數(shù)據(jù)準(zhǔn)備

根據(jù)使用者的特征，可以按照使用者的偏好及行為記錄，向不同的使用者推薦影片。其中，最重要的信息是影片的細(xì)節(jié)、使用者的個(gè)人資料以及使用者的觀影記錄。影片細(xì)節(jié)一般包括影片的名字、導(dǎo)演、演員、放映時(shí)間、類型、地區(qū)以及影片簡介。如圖1所示。這些信息可以通過Python進(jìn)行爬蟲來獲得。在此基礎(chǔ)上，可以根據(jù)用戶的喜好，對(duì)其進(jìn)行分類，并根據(jù)其喜好，進(jìn)行個(gè)性化的影片推薦。用戶的觀影記錄是隨機(jī)尋找?guī)孜煌瑢W(xué)根據(jù)自己的習(xí)慣去查詢電影，通過真實(shí)點(diǎn)擊得到的數(shù)據(jù)。用戶信息也是根據(jù)這幾位使用的同學(xué)來制作的真實(shí)數(shù)據(jù)。

（二）數(shù)據(jù)處理

本電影推薦系統(tǒng)主要是處理用戶在使用過程中生成的觀影記錄表中的數(shù)據(jù)，使用的工具是Python。首先，篩查出目前正在使用該系統(tǒng)的用戶觀影記錄中每一條觀影記錄所觀看的電影的詳細(xì)信息，并將這些信息存在一個(gè)文本文件中作為樣本文件1，然后對(duì)樣本文件進(jìn)行分詞并去掉停用詞生成一個(gè)樣本文件2；其次，生成一個(gè)不包含重復(fù)電影信息的列表，該列表用來記錄后續(xù)相關(guān)詞頻。通過對(duì)樣本文件1的分析，可以利用時(shí)域分析方法對(duì)關(guān)鍵字進(jìn)行權(quán)重計(jì)算。

（三）基于用戶畫像的電影推薦

1．基于興趣畫像的電影推薦

基于興趣畫像的電影推薦是根據(jù)上面的數(shù)據(jù)處理得到的興趣標(biāo)簽權(quán)重來進(jìn)行推薦影片，這些興趣標(biāo)簽權(quán)重是根據(jù)用戶的觀影記錄以及影片的相關(guān)內(nèi)容而得到，所以與用戶的興趣息息相關(guān)。推薦方式是根據(jù)該標(biāo)簽的權(quán)重乘以要推薦的總影片數(shù)10得到該類型影片需要推薦幾部，算法如公式（2）所示。

用戶畫像的標(biāo)簽是推薦電影的主要依據(jù)，根據(jù)標(biāo)簽來確定所推薦的相關(guān)類型的電影，再根據(jù)權(quán)重得到該類型需要推薦多少部影片，基于興趣畫像的推薦流程圖如圖2所示。

圖2 基于興趣畫像的推薦過程圖

2．基于群體畫像的電影推薦

相同類型的用戶，他們的興趣是非常相近的。因此，向他們推薦的電影大概率也是他們喜歡看的，或者是他們沒看過但是看了之后會(huì)很喜歡，這就將他們潛在的電影偏好類型給挖掘出來了。生成興趣畫像的相關(guān)聚類系統(tǒng)采用的是層次聚類算法，層次聚類流程圖如圖3所示。

首先，拿到所有用戶的觀影記錄并將每個(gè)用戶所觀看的電影詳細(xì)信息（電影類型、導(dǎo)演、主演和地域）保存在初始數(shù)據(jù)文本中。然后，再將初始數(shù)據(jù)文本按照用戶進(jìn)行分詞并刪掉停用詞，得到的數(shù)據(jù)保存在初始標(biāo)簽文本中。接下來，將原始標(biāo)簽文本轉(zhuǎn)換為詞條矩陣，并利用TF-IDF算法對(duì)每個(gè)詞進(jìn)行權(quán)重計(jì)算而得到權(quán)重矩陣。最后，通過使用加權(quán)矩陣來計(jì)算聚類之間的相似性。余弦值的計(jì)算如公式（3）所示。

圖3 層次聚類流程圖

將上面聚類得到的結(jié)果作為協(xié)同過濾模型的輸入，查詢到與當(dāng)前觀影用戶在一個(gè)用戶群中的用戶，并將其他用戶看過最多的電影但是該用戶沒有看過的前十部電影推薦給他，如圖5所示。

圖5 系統(tǒng)實(shí)現(xiàn)推薦的過程圖

3．基于用戶屬性畫像的電影推薦

選擇性別屬性作為推薦的條件之一是因?yàn)槟杏脩艉团脩糁g喜歡觀看的影片一般會(huì)存在較大的差異。選擇年齡屬性作為推薦的條件之一是因?yàn)椴煌挲g的用戶所觀看的影片也會(huì)有很大的差異，例如年輕一些的用戶喜歡看愛情或者動(dòng)作影片，但是中年用戶就喜歡看一些紀(jì)錄片或者家庭倫理的影片。選擇星座屬性作為推薦條件之一是因?yàn)榧词故峭恍詣e同一年齡的人，他們的性格也會(huì)有不同，性格的不同也會(huì)導(dǎo)致所觀看影片的類型有所差異。所以，本文選擇利用以上這些屬性疊加來對(duì)觀影用戶進(jìn)行分類，同時(shí)也參考了協(xié)同過濾的思想來進(jìn)行推薦，將處在同一個(gè)屬性畫像的用戶看過最多的前十部電影推薦出去，這樣就實(shí)現(xiàn)了基于用戶屬性畫像的電影推薦。

基于用戶屬性畫像的電影推薦描述了相同性別、年齡和星座用戶的整體偏好，為用戶提供了很好的電影參考。并且此模塊的電影推薦與前面使用的電影推薦方式相比，優(yōu)點(diǎn)是基于用戶屬性畫像的電影推薦方式不存在冷啟動(dòng)問題，即使該用戶從來沒有產(chǎn)生過任何一條觀影記錄，也可以根據(jù)該用戶的屬性畫像來推薦電影，如圖6所示。

圖6 基于用戶屬性畫像的電影推薦過程圖

三、推薦系統(tǒng)的設(shè)計(jì)

（一）需求分析

1．系統(tǒng)的功能需求

影片推薦部分利用用戶的個(gè)人特征和行為數(shù)據(jù)，結(jié)合先進(jìn)的推薦算法，為用戶提供符合其興趣和喜好的電影推薦。而影片數(shù)據(jù)管理部分則負(fù)責(zé)對(duì)電影庫進(jìn)行維護(hù)和管理，確保電影信息的準(zhǔn)確性和完整性。電影推薦模塊主要負(fù)責(zé)用戶的登錄、檢索和修改個(gè)人信息的操作，并且為觀影用戶提供基于星座的推薦、基于用戶畫像的協(xié)同過濾推薦、熱門電影推薦、最新影片推薦和基于用戶興趣畫像的推薦。資料管理模塊提供了查詢、插入和修改影片數(shù)據(jù)的功能，同時(shí)也支持將觀眾的觀看記錄導(dǎo)入到影片中。管理員可以通過這個(gè)模塊方便地管理影片庫的數(shù)據(jù)，更新影片信息，并將觀眾的觀看記錄與相應(yīng)的影片進(jìn)行關(guān)聯(lián)。這樣的設(shè)計(jì)可以幫助管理員有效地管理和維護(hù)影片系統(tǒng)，確保數(shù)據(jù)的準(zhǔn)確性和完整性。

2．用戶的需求分析

從圖7可以看出，此系統(tǒng)的操作對(duì)象有兩種，分別是用戶和管理員。用戶在此系統(tǒng)中擁有自己的賬號(hào)和個(gè)人資料，登錄后可自行查看、修改，此外用戶可以翻閱影片信息，獲得系統(tǒng)推薦。另外，管理員也擁有個(gè)人賬號(hào)，登錄后即可管理影片的相關(guān)工作，也可以管理用戶的各種信息。

圖7 管理員與觀影用戶用例圖

3．開發(fā)技術(shù)以及軟件環(huán)境

對(duì)于本系統(tǒng)來說，Python語言非常適配聚類算法，因?yàn)镻ython在處理數(shù)據(jù)方面非常的便捷和高效，它非常適合對(duì)于大數(shù)據(jù)的處理。J2EE技術(shù)能夠構(gòu)成多層級(jí)的信息化系統(tǒng)結(jié)構(gòu)體系[13]，在企業(yè)信息化建設(shè)的實(shí)際應(yīng)用中，能夠簡化系統(tǒng)構(gòu)建流程，降低信息化建設(shè)成本，提高企業(yè)經(jīng)濟(jì)效益，同時(shí)具有良好的可用性、可拓展性、安全性以及穩(wěn)定性。

本系統(tǒng)使用的是Spring Boot框架[14]。Spring Boot框架通過大量注解實(shí)現(xiàn)自動(dòng)化配置，只需要添加相應(yīng)的場景依賴，就可以快速構(gòu)建出一個(gè)獨(dú)立的Spring應(yīng)用，無需手動(dòng)添加配置，從而大大減少了開發(fā)人員的工作量，提高了開發(fā)效率。Spring Boot框架內(nèi)部已經(jīng)實(shí)現(xiàn)了與Spring以及其他常用第三方數(shù)據(jù)庫的整合連接，并提供了默認(rèn)最優(yōu)化的整合配置，使用時(shí)基本上不需要額外生成配置代碼和XML配置文件，代碼結(jié)構(gòu)清晰，易于維護(hù)和擴(kuò)展，同時(shí)也提供了豐富的監(jiān)控和管理工具，方便開發(fā)者進(jìn)行應(yīng)用的監(jiān)控和管理。而且，Spring Boot框架提供了豐富的測試支持，可以方便地進(jìn)行單元測試和集成測試。因此，Spring Boot框架也受到了大多數(shù)企業(yè)和開發(fā)人員的喜愛。

（二）系統(tǒng)的設(shè)計(jì)

1．系統(tǒng)功能模塊的設(shè)計(jì)

系統(tǒng)功能模塊設(shè)計(jì)如圖8所示：

圖8 系統(tǒng)功能模塊圖

2．系統(tǒng)的開發(fā)框架的設(shè)計(jì)

基于用戶畫像的電影推薦系統(tǒng)采用的是SpringBoot+MyBatis框架進(jìn)行研究開發(fā)，業(yè)務(wù)處理使用的是SpringBoot，MyBatis用作數(shù)據(jù)持久層與本數(shù)據(jù)庫進(jìn)行相關(guān)交互[15]。SpringBoot框架分為實(shí)體層、服務(wù)層、控制層及負(fù)責(zé)數(shù)據(jù)庫持久化操作的Mapper映射層。實(shí)體層存放的是實(shí)體類，實(shí)體層里面的屬性與數(shù)據(jù)庫中的屬性保持一致，這樣方便了數(shù)據(jù)的傳遞與相關(guān)操作。

系統(tǒng)的工作流程如下：當(dāng)前端JSP頁面向控制層發(fā)送請(qǐng)求時(shí)，控制層將調(diào)用相應(yīng)的服務(wù)層方法來處理相關(guān)的邏輯，服務(wù)層進(jìn)一步調(diào)用數(shù)據(jù)存取層執(zhí)行數(shù)據(jù)操作，而數(shù)據(jù)存取層則利用MyBatis與數(shù)據(jù)庫進(jìn)行數(shù)據(jù)交互。這樣的架構(gòu)設(shè)計(jì)使得系統(tǒng)各層之間的職責(zé)清晰，實(shí)現(xiàn)了請(qǐng)求處理和數(shù)據(jù)操作的分離，提高了系統(tǒng)的可維護(hù)性和擴(kuò)展性。

3．?dāng)?shù)據(jù)庫的設(shè)計(jì)

基于用戶畫像的電影推薦系統(tǒng)采用的是輕量級(jí)數(shù)據(jù)庫MySQL，并且數(shù)據(jù)庫的設(shè)計(jì)滿足第三范式，具有良好的穩(wěn)定性。具體見用戶信息表、觀影記錄表和影片信息表（表1—3）。利用數(shù)據(jù)庫表，系統(tǒng)可以對(duì)用戶數(shù)據(jù)、觀影記錄和電影信息進(jìn)行有效地管理，滿足了系統(tǒng)的正常運(yùn)作和數(shù)據(jù)分析的需要。

表1 用戶信息表

表2 觀影記錄表

表3 影片信息表

四、系統(tǒng)主要功能模塊及界面實(shí)現(xiàn)

（一）電影推薦模塊的實(shí)現(xiàn)

如果是首次訪問該電影推薦系統(tǒng)，將看到一個(gè)與圖9（a）相對(duì)應(yīng)的全新網(wǎng)頁。在首頁的中央位置，有三個(gè)推薦欄目，分別是今日推薦、大家都在看和最新上映；用戶登錄界面的設(shè)計(jì)如圖9（b）所示，登錄后可進(jìn)入網(wǎng)站首頁；當(dāng)用戶登錄成功之后，就會(huì)進(jìn)入主頁，這個(gè)主頁的界面如圖9（c）中所示。在這個(gè)網(wǎng)頁上，有星座推薦、興趣推薦、合作推薦、觀影排名以及最近的電影推薦。搜索欄頁面如圖9（d）所示，搜索結(jié)果頁面如圖9（e）；電影詳細(xì)頁面，如圖9（f）所示。這個(gè)網(wǎng)頁包含了電影的種類、放映時(shí)間以及電影的星級(jí)等信息。

(a) 初始頁面(b) 用戶登錄界面 (c) 用戶登錄后的首頁(d) 搜索結(jié)果圖 (e) 查看詳細(xì)圖(f) 電影詳細(xì)頁面

（二）后臺(tái)管理模塊的實(shí)現(xiàn)

后臺(tái)管理模塊是供影像系統(tǒng)管理員使用的，資料輸入頁如圖10（a）所示；管理員需要每隔一段時(shí)間（一周左右）去點(diǎn)擊一下右下角的“更新聚類結(jié)果”按鈕，用戶群體畫像就會(huì)更新一次；用戶管理頁面，如圖10（b）所示；管理人員可通過用戶名稱和賬號(hào)等方式獲取用戶相關(guān)信息，并進(jìn)行編輯或刪除操作，如圖10（c）所示；電影管理頁如圖10（d）所示，在電影資料變更頁中，管理員可以變更電影的名稱、類型、導(dǎo)演、主演和其他相關(guān)的資料，如圖10（e）所示。

(a) 數(shù)據(jù)導(dǎo)入頁面(b) 用戶管理界面 (c) 編輯用戶信息界面(d) 影片管理界面 (e) 修改電影信息頁面

五、結(jié)論

為了解決傳統(tǒng)推薦算法在電影推薦系統(tǒng)中效率低且準(zhǔn)確度不高等問題，本文基于不同電影推薦算法，提出一種基于用戶畫像的推薦算法并應(yīng)用于電影推薦系統(tǒng)。一方面，通過融合內(nèi)容、協(xié)同過濾、組合技術(shù)以及用戶畫像分析技術(shù)，實(shí)現(xiàn)用戶對(duì)影片的個(gè)性化和精準(zhǔn)化檢索；另一方面，通過需求分析，明確系統(tǒng)功能和用戶需求，選擇適合的開發(fā)技術(shù)和軟件環(huán)境，并設(shè)計(jì)相應(yīng)的功能模塊、開發(fā)框架、界面以及數(shù)據(jù)庫，構(gòu)建基于用戶畫像的電影推薦系統(tǒng)，能夠在用戶與管理員兩個(gè)角色之間實(shí)現(xiàn)良好的交互體驗(yàn)，為用戶提供了高效、便捷和個(gè)性化的電影選擇，同時(shí)也為電影行業(yè)的發(fā)展帶來新的機(jī)遇和方向。

[1] 饒子昀，張毅，劉俊濤，等．應(yīng)用知識(shí)圖譜的推薦方法與系統(tǒng)[J]．自動(dòng)化學(xué)報(bào)，2021，47（9）：2061-2077．

[2] 范敏，郭瑞欣，李金海．網(wǎng)絡(luò)決策形式背景下基于因果力的鄰域推薦算法[J]．模式識(shí)別與人工智能，2022，35（11）：977-988．

[3] 吳正洋，湯庸，劉海．個(gè)性化學(xué)習(xí)推薦研究綜述[J]．計(jì)算機(jī)科學(xué)與探索，2022，16（1）：21-40．

[4] 陳曉霞，盧菁．融合多數(shù)據(jù)源的動(dòng)態(tài)自適應(yīng)推薦算法[J]．計(jì)算機(jī)工程，2018，44（9）：64-69．

[5] Bobadilla J, Ortega F, Hernando A, et al. A collaborative filtering approach to mitigate the new user coldstart problem[J]., 2012, 26: 225-238.

[6] Kim B M, Li Q, Park C S, et al. A new approach for combining content-based and collaborative filters[J]., 2006, 27(1): 79-91.

[7] Tso K, Schmidt-Thieme L. Attribute-aware collaborative filtering[M]//From Data and Information Analysis to Knowledge Engineering. Springer Berlin Heidelberg, 2006: 614-621.

[8] Zhang F, Chang H Y. A collaborative filtering algorithm embedded BP network to ameliorate sparsity issue[C]//Machine Learning and Cybernetics, 2005. Proceedings of 2005 International Conference on. IEEE, 2005, 3: 1839-1844.

[9] Pazzani M. A framework for collaborative，content-based and demgraphic filtering[J]., 1999, 13(5): 393-408.

[10] Good N, Schafer J B, Konstan J A, et al. Combining collaborative filtering with personal agents for better recommendations[C]//Proc Conf Am Assoc Artificial Intelligence, 1999: 439-446.

[11] Cattuto C, Loreto V, Pietronero L. Semiotic dynamics and collaborative tagging[J]., 2007, 104(5): 1461-1464.

[12] 馮建英，王博，吳丹丹，等．用戶畫像技術(shù)與其在農(nóng)業(yè)領(lǐng)域應(yīng)用研究進(jìn)展[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（S1）：385-395．

[13] 張玉潔，董政，孟祥武．個(gè)性化廣告推薦系統(tǒng)及其應(yīng)用研究[J]．計(jì)算機(jī)學(xué)報(bào)，2021，44（3）：531-563．

[14] 于強(qiáng)，林民，李艷玲．基于深度學(xué)習(xí)的關(guān)鍵詞生成研究綜述[J]．計(jì)算機(jī)工程與應(yīng)用，2022，58（14）：27-39．

[15] 張智，王韻楚，林振智，等．基于套餐隱式評(píng)分與用戶畫像的電力套餐推薦方法[J]．電力系統(tǒng)自動(dòng)化，2023，47（4）：91-101．

Design and Implementation of Movie Recommendation System Based on User Profile

HUANG Yichen

( NUIST Reading Academy, Nanjing University of Information Science and Technology, Nanjing 210044, Jiangsu, China )

Aiming at the traditional recommendation algorithm in the film recommendation system cannot meet the user's requirements for the efficiency of film finding, this paper proposes a film recommendation algorithm based on user profile. Firstly, the recommendation methods based on content, collaborative filtering, combination and user characteristics are studied, and different movie recommendation algorithms are fused and a movie recommendation algorithm based on user profile is proposed according to user interests, groups and personalized characteristics; Secondly, the user-image-based recommendation algorithm is applied to film recommendation, the user-image-based film recommendation system is designed and implemented, and the development of film recommendation and background management modules is completed. The application results show that the system can enable users to obtain the film information they are interested in easily and quickly, thereby improving the efficiency of data search.

movie recommendation, user profile, hierarchical clustering, collaborative filtering

2023-10-11

黃奕宸（1999-），男，苗族，貴州銅仁人，碩士，研究方向：數(shù)據(jù)決策與分析應(yīng)用。

TP393/J90-05

A

1673-9639 (2023) 06-0075-09

（責(zé)任編輯 郭玲珍）（責(zé)任校對(duì) 肖 峰）（英文編輯 田興斌）