jsp基于SVD的电影推荐系统设计+源代码(2)
协同过滤推荐方法已经广泛应用于各种推荐系统中，在个性化推荐中具有重要地位，其主要包括两种推荐机制：基于记忆的推荐和基于模型的推荐。多年实践证明，后者的推荐结果准确度更高、效果更好。本次研究采用了SVD算法模型开发推荐系统的推荐引擎部分，利用SVD可以约简数据，从而可以用小的多的数据集来表示比较大的原始数据集[3]。Netflix Prize的获得者Koren是将SVD应用于推荐系统的第一人。
1.2 国内外研究现状
1.3 论文结构
本文介绍了电影推荐系统的推荐引擎和系统功能实现两大部分，着重研究了本系统的需求分析、系统设计与实现，并进行了相应的测试。主要包括如下几部分内容。
第1章：简要介绍本课题的研究背景以及国内外推荐系统的发展和现状。
第2章：对推荐系统的基础理论、本系统中采用的推荐算法以及相应的评价指标进行简要介绍。
第3章：对系统进行详细的需求分析，包括功能需求和非功能需求两部分，在分析过程中输出各个用况的详细描述，为之后的设计与实现奠定基础。
第4章：根据第3章需求分析的结果对系统进行设计。
第5章：简要介绍实现推荐引擎和系统功能的具体步骤，对本系统进行全面测试，并且对测试结果进行分析。
第6章：总结经验与展望未来。
2 推荐系统基础知识
2.1 推荐系统基础理论
推荐系统的推荐过程包括前期数据的准备、具体推荐的过程、后期数据的预测、效果评估等等，是一套完善的推荐机制。
推荐系统的算法模型主要分为三种：协同过滤推荐、基于内容的推荐和混合推荐[9]。这三种推荐模型各有优劣，其中协同过滤推荐应用最为广泛。协同过滤的基本思想是：具有相同或相似的价值观、思想观、知识水平、以及兴趣偏好的用户，其对信息的需求与偏好也是相似的[10]。协同过滤又分为以下几个类别：基于物品的协同（ItemCF）、基于用户的协同（UserCF）和基于模型的协同（ModelCF）[11]。其中，基于模型的协同又可以分为以下几种类型：基于距离的协同；基于奇异值分解的协同（SVD）；基于图模型协同（Graph）。
本次研究采用了SVD算法模型实现推荐系统的推荐引擎部分，推荐系统总体架构图如图1所示。本次研究的所有数据存储在MySQL数据库中，采用SVD算法进行建模并对模型进行训练，采用排序规则将产生的推荐结果推荐给用户，并将用户的行为反馈给后台完善数据库中的相关信息。