如何做一個電影推薦系統

① 畢業設計做一個電影院售票系統 大家說下思路就行

首先你的說明你的選題意義...

電影院售票系統和現在買票的系統有什麼區別,你的優勢..

你所開發的框架優勢...

要是單純從電影院售票系統來說的話..
並發性的控制...多人買一張票的處理
退票,換票,買票,選座位...

呵呵

② Amazon推薦系統是如何做到的

亞馬遜使用了哪些信息進行推薦：

1）當前瀏覽品類

2）與當前商品經常一同購買的商品

3）用戶最近瀏覽記錄

4）用戶瀏覽歷史（長期）中的商品

5）用戶瀏覽歷史（長期）相關的商品

6）購買相同商品的其它用戶購買的物品

7）已購商品的新版本

8）用戶購買歷史（如近期購買商品的互補品）

9）暢銷商品

2、推薦系統模型：U x S → R

1）U是用戶矩陣

2）S是物品矩陣

3）R是用戶對物品的喜愛程度，推薦系統就是基於現有的信息填補R矩陣

3、常用推薦演算法

1）基於內容：易實現，效果好，但是如何獲得一個物品的內容、相似度如何定義等有些情況下會較難把握

2）協同過濾：基於物的協同過濾與基於人的協同過濾

3）矩陣分解（SVD）：用戶-物品評分矩陣A很大且稀疏，將A分解為用戶矩陣（用戶潛在因子）和物品矩陣（物品潛在因子），目標是這兩個矩陣的乘積盡可能接近R。缺點是只利用了評分信息，忽略了用戶屬性和物品屬性

4）因子分解機（FM）：將SVD推廣到多類潛因子的情況，如分解為 用戶、物品、用戶性別、用戶年齡、物品價格 等多個因子，允許因子之間有相關關系（如下圖，方程前半部分是線性回歸，後半部分加入了兩兩因子間關系）

5）深度學習：訓練深度神經網路，輸入用戶id，輸出層做softmax，得到對每個物品id的權重

6）機器學習排序

7）探索與利用：先對用戶聚類（如分為abcde五類），隨機對a中的用戶1和b中的用戶2推薦電影，如果用戶1沒點擊，2點擊了，說明b類用戶可能對該電影更感興趣。

8）集成：對上述多種方法的ensemble

③ 你好 我想自己做一個電影網站 請問都需要准備什麼

1、至少100MB獨享帶寬
2、因為電影占空間大，電影站資源要求多，伺服器至少也要在幾台以上，一台伺服器拿出來做電影站都會不好意思，當然你做P2P下載和點播另當別論？
3、最後要求你有電影版權，網站上電影至少一半是有版權的
所以正規做的話需要百萬左右資金，但如果你只是做個人電影小站，你可以採用盜取別的網站的下載地址，這樣普通的虛擬主機也行的，也就是一兩百元就能做到

④ 一個好的電影公眾號是怎麼做起來的

最重要的還是電影資源，沒有資源渠道，用戶沒有電影可看，除非是做原創影評類，不然很難做出來。
知影人生，現在正在嘗試兩者結合，既提供片源觀看，又提供原創影評。

⑤ 如何做一個個性化的推薦系統架構

答案跟如何定義「好」相關。
1，如果「好」指易擴展。推薦系統從架構上來說一般包括離線和在線投放系統兩部分，離線部分包括離線數據和演算法，在線部分包括實時數據和策略。
2，如果「好」指點擊率。首先是好的數據，其次是好的演算法。
3，如果「好」指用戶體驗好。要有好的產品形式，充給予用戶選擇的權利，比如訂閱。

⑥ 電影推薦系統中電影類型怎麼弄

建軍大業

9.4分加入收藏
主演：劉燁朱亞文黃志忠王景春
導演：劉偉強
類型：動作戰爭其它
時長：127分鍾
年代：2017
地區：內地
語言：漢語普通話
簡介

⑦ 想做一個電影網站，用什麼程序好呢

你好 ，飛飛電影cms 或者馬克思cms 都是做電影網站的好程序 很多人都在用

⑧ 畢業設計想做一個電影網站 給個建議和傳授點經驗

如果你是專業學過網站設計的 建議去找網紅學習。 如果僅僅愛好 建議別做了。 網路水太深

⑨ 學IT的，寫了一個電影推薦系統，但是為什麼評分預測值大於五

全文以「預測電影評分」例子展開

r(i,j)=0則表明user_j沒有對movie_i 沒有評分，

推薦系統要做的就是通過預測user_j對這些movie {i|r(i,j)=0}的評分來給user_j 推薦其可能會喜歡的電影<預測評分較高的movie>

=======================================二、基於內容的推薦=======================================

對每個movie_i引入特徵x(i)=(x1, x2)，這種特徵可能表明user對movie類型的偏好：浪漫or動作等

對於每個user引入一個參數theta，然後對評分矩陣的每列(對應一個user)做線性回歸，數據是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}

像機器學習一樣，x(i)添加個1變數x(i)=(1, x1, x2)

那麼對於未評分的movie_t，我們可以使用線性回歸訓練的參數theta與對應特徵x(t)做內積來得到其預測評分

對每個用戶都訓練一個參數theta_j，優化模型如下：

優化演算法：注意正則項是不約束x(i)=(1, x1, x2)中1對應的參數theta的第一項theta0，所以k=0與k=1,2分別對待

=======================================三、協同過濾=======================================

現在換個角度：如果知道theta for all user j，如何來預測x(i) = (x1, x2) all i

仍然可以使用線性回歸，為訓練每個x(i)，需要評分矩陣的第i行數據{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}

theta_j = (0, theta1, theta2) ；theta1=5說明user_j喜歡romance類movie， theta2=5說明user_j喜歡action類movie，只能有一個等於5哦，

我覺得也可以是：theta_j = (0, 4, 1) ；喜歡romance 4 action 1.

對應的優化：

協同過濾：交替優化theta與x

=========================================四、協同過濾演算法=======================================

優化：

優化：注意去掉了theta和x的添加項

=========================================五、實現細節補充=======================================

實現細節：

如果有user沒有對任何電影評分或者所有評分的電影都是0分，那麼所學習到的參數是零向量，

則預測都是0值，這是不合理的。通過 將評分矩陣減去其行均值再進行線性回歸來「避免」這種情況

=========================================六、一點思考==========================================

協同過濾那塊，同時優化theta、x，這樣得到的theta、x還有特定的意義<比如：x是否還表徵對影視類型的喜愛與否>沒有？

回歸中，在x數據上不添加1-feature是不是因為後來引入的平均值化；如果不是，那會對結果有什麼影響？

用x-feature來表徵一個movie，x-feature的各分量的可解釋性；應該會有一部分user應為演員的緣故有一些"偏愛"。

這里，講的"基於內容的推薦"與"協同過濾"跟以前對這兩個詞的認識/所指內容不同，查清楚、搞明白。

這周還會再更一篇關於此節課的演算法實現，會對上述部分問題做出回答。