1. 研究目的与意义
随着社会的快速发展，计算机的影响是全面且深入的。人们生活水平的不断提高，日常生活中人们对电影推荐面的要求也在不断提高，热门电影也受到人们的青睐，使得电影推荐系统的开发成为必需而且紧迫的事情。电影推荐系统主要是借助计算机技术，通过对电影推荐系统所需的最新上映，增加用户的选择，同时也方便对广大电影推荐系统的及时查询、修改以及对电影的及时了解。电影推荐系统对用户带来了更多的便利，该系统通过和数据库管理系统软件协作来满足用户的需求。计算机技术在现代管理中的应用，使计算机成为人们应用现代技术的重要工具。能够有效的解决获取信息便捷化、全面化的问题，提高效率。
本课题拟完成基于机器学习的电影推荐系统的设计与实现 ，以应对人们对电影推荐的需求。本电影推荐系统拟采用基于协同过滤的推荐算法，tensorflow算法实现字符识别，mysql保存数据，scrapt当做爬虫框架。这个课题着力点是建立电影网站的个性化推荐功能，以便准确向用户推荐感兴趣的信息。根据用户的历史操作行为，分析用户兴趣喜好，然后把用户比较感兴趣的项目推荐给用户，节约用户浏览时间。
2. 课题关键问题和重难点
本课题需要解决的关键问题：
1. 基于协同过滤的推荐算法的搭建与运行；
2. 使用scrapy爬取豆瓣网站电影；
3. 国内外研究现状（文献综述）
随着互联网的发展，大数据时代已经到来。着眼当下，互联网规模不断扩大，网民数量不断增加，网络数据爆炸式的增长，使得当今社会已经从以前的信息化时代逐步走进了大数据时代。但随着数据量的增多，数据维度的增加，当用户无法明确自己的需求或需求过于复杂时，如何在茫茫数据和广告中找到有价值的信息就尤为困难。电影产业作为互联网发展带动的产业之一，尤其最近十几年来，2012到2021年，我国电影总票房累计高达4070.9亿元，截至2022年9月底，这个数字已经更新到了4327.6亿元。2012到2021年城市院线总观影人次累计约113.2亿，2022年也已经有超过6.1亿人次走进影院；全国电影银幕总数不断增长，2021年达到82248块；国产电影在市场中的地位日益凸显，2021年国产电影票房占全国电影总票房比重再创新高，达到84.49%。但电影品质并未随着数量一同上升，质量参差不齐。豆瓣电影评分6分以上的电影仅占25%。一些影片质量低劣，对国产电影的口碑产生了巨大的影响。并且，国内电影题材也逐渐多样化，风格各异。如何为广大用户推荐到适合用户的高品质的电影，对各大视频网站有着重要的意义。
推荐系统的起源可追溯到二十世纪九十年代，至今已有20多年。最早源自明尼苏达大学的一个叫做GroupLens研究小组对电影推荐系统MovieLens的研究。当时的推荐系统借鉴了众多相关领域的研究成果，其中包括近似理论、认知科学、预测理论、信息检索、管理科学和市场建模等多个领域的知识。此后，卡耐基梅隆大学推出Web Watcher系统用于辅助信息查找，斯坦福大学提出个性化推荐系统LIRA，麻省理工大学研发了个性化导航系统Litizia。在应用领域中，亚马逊的商品推荐系统、Netflix举办的推荐系统大赛以及Google广告联盟均有效的提高了网站的用户数量和营业额。
推荐系统主要依赖于商品信息、用户信息和用户的行为数据，可以根据用户的行为特征将其行为数据分为两类。第一类行为数据是用户评分，该类数据明显清晰的表现了用户的喜爱程度，被称为显示反馈数据；第二类数据是表示用户是否有浏览、收藏、购买等行为的数据，被称为隐式反馈数据。
4. 研究方案
1. 系统功能结构：
图1 系统功能结构示意图
1．用户端的基本流程共有四个步骤：
1) 用户在系统首页可浏览电影、搜索电影、个性化推荐。
2) 用户输入用户名、年龄、性别、邮箱、登录密码进行注册。
3) 用户注册成功后输入正确的登录凭证进入系统，若登录凭证不正确，系统会自动返回到登录页面，提示用户重新输入登录信息，直到用户成功登录进入系统。
4) 用户成功进入系统后，可以进行电影打分、修改信息、个性化推荐等。
具体如图2所示：
图2 用户端基本流程
2．管理员端的基本流程共有四个步骤：
1) 管理员输入正确的登录凭证进入系统，若登录凭证不正确，系统会自动返回到登录页面，提
示管理员重新输入登录信息，直到管理员成功登录进入系统。
2) 管理员成功进入系统后，首页显示用户数量、电影类型数量、电影数量、评分数量等数据统
计信息。
3) 管理员具有用户管理、电影类型管理、电影管理、评分管理等功能。
具体如图3所示：
图3 管理员端的基本流程
2. 数据库设计：
用户表（用户ID，年龄，性别，职业，（主题）喜好，账户，密码）
电影表（电影ID，标题，上映时间，电影类别，导演，语种，厂商，观看次数，评分，主演）
管理员表（管理员ID，账号，密码）
用户观影记录表（用户ID，电影ID，评分，时间）
用户评价表（用户ID，电影ID，评论，赞同数，反对数，时间）
图4 数据库E-R图
3. 推荐算法设计：
推荐算法使用基于用户的协同过滤推荐算法。逻辑如下：
1）后端服务赖于系统数据库的推荐表展示给用户推荐内容；
2）用户对电影打分后，后台应用会向数据库中插入一条数据；
3）新用户注册，系统会向数据库中插入一条新用户注册消息；
4）新电影添加，系统会向数据库中插入一条新电影添加消息；
5）推荐模块会拉取用户的打分消息，并且并行的做以下操作：
a. 增量的更新训练样本；
b. 快速对用户行为进行基于内容推荐的召回；
c. 训练样本更新模型；
d. 使用FM，LR模型对所召回的数据进行精排；
e. 处理新用户注册消息，监听到用户注册消息后，对该用户的属性初始化(统计值)；
f. 处理新电影添加消息，更新基于内容相似度而生成的相似度矩阵。
5. 工作计划
2022-2022-1学期：
第15-16周：完成选题，查阅相关中英文资料。
第17周：与导师沟通进行课题总体规划。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
