摘要：随着近几年人工智能技术的飞速发展,深度学习技术在推荐系统领域中的应用也已经成为研究热点之一。尤其是生成对抗网络(GAN)作为无监督学习中最具前景的方法之一,在图像处理和自然语言等领域取得突破性进展。针对目前存在的电影市场规模扩大、观影用户数量增长过快以及电影资源更新频繁等带来的数据利用率低、系统压力大、实时性差等弊端,结合Hadoop、Spark和Kafka等大数据处理技术,设计基于IRGAN算法模型的离线推荐模块和基于在线用户行为数据收集处理的在线推荐模块。实现了基于IRGAN模型和Hadoop的电影推荐系统。测试表明,该系统具有良好的推荐准确性、稳定性和实时性。

摘要：传统的矩阵分解法只能简单提取低阶信息,特征组合单一无法挖掘更多隐含信息,且特征组合权重相同无法满足个性化推荐。通过改进神经协同过滤模型,利用多层感知机的非线性特征处理提取隐含高阶特征信息以及贝叶斯个性化排序算法提取排序信息,使推荐更加精准,推荐得分结合电影流行度和电影类型因子进行微调。通过该推荐模型实现了个性化电影推荐系统,推荐命中率和归一化折扣累积增益得到显著提高。

摘要：传统基于Hadoop或单机下基于Mahout构建的电影推荐系统面对数据量不断增大以及推荐算法模型需要大量迭代的情况时,会出现推荐效果差、运行速度明显下降、无法实时为用户进行个性化推荐的情况。针对以上问题,以电影评分数据集为背景,使用Hadoop、Spark、Kafka、Hive等大数据处理技术进行系统架构搭建,并采用改进后的余弦相似性的协同过滤和基于用户喜爱物品的物品协同过滤算法对MLlib协同过滤算法模型进行改进,对离线数据以及实时数据进行计算,产生TOP-N推荐结果,实现Spark平台下电影推荐系统。实验结果表明,在Spark平台下,该系统相较传统方法不仅数据处理速度和推荐准确性显著提升,而且稳定性更强。

摘要：传统的推荐算法,如协同过滤等只能进行输入特征之间的简单组合,不能很好的挖掘特征之间的隐含信息,表达能力不强,很难为用户提供个性化推荐,近些年来深度学习在推荐系统领域的应用取得了很好的推荐效果。本文主要采用DIN深度学习模型作为排序层算法,采用Embedding技术作为快速召回算法,并利用TensorFlow Server建立模型服务;采用HDFS,Spark,Kafka,Flink等大数据存储,传输,计算框架完成特征的存储、离线计算与实时计算,通过对用户历史行为以及实时特征的采集处理,结合推荐算法完成对用户的离线推荐与实时推荐,生成用户感兴趣的Top-N电影列表,通过SSM框架实现完整的推荐系统前后端搭建。该系统保证了运行时的稳定性,推荐实时性,并在一定程度上提升了推荐效果。

摘要：为给用户提供简易高效的电影浏览体验,本文基于Spark和几种深度学习模型设计实现一个电影推荐系统。采用Spark对数据进行处理并存储到Redis中供推荐模型使用;使用Embedding和局部敏感哈希等技术快速召回候选物品;利用深度学习推荐模型进行排序,借助TensorFlow Serving将推荐模型部署上线;通过web框架实现前后端搭建,最终将推荐物品列表呈现给用户。实践结果表明,该系统具有很好的稳定性和实时性,在一定程度上提升了推荐效果。

摘要：根据《中国互联网络发展状况统计报告》[1],截至2019年6月,互联网普及率达61.2%。我国网络视频用户规模达7.59亿,占网民整体的88.8%[2],网络将为成为用户获取影片的主要来源。同时,影片生产速度在不断加快,影片数量不断增加。面对海量影片,相比明确需求信息的搜索引擎,模糊用户需求的电影个性化推荐更胜一筹。该文在电影个性化推荐算法的基础上,设计并实现了电影个性化推荐系统,准确推荐符合用户兴趣喜爱的影片,获取用户信任,增加黏性。