如何做一个电影推荐系统

① 毕业设计做一个电影院售票系统 大家说下思路就行

首先你的说明你的选题意义...

电影院售票系统和现在买票的系统有什么区别,你的优势..

你所开发的框架优势...

要是单纯从电影院售票系统来说的话..
并发性的控制...多人买一张票的处理
退票,换票,买票,选座位...

呵呵

② Amazon推荐系统是如何做到的

亚马逊使用了哪些信息进行推荐：

1）当前浏览品类

2）与当前商品经常一同购买的商品

3）用户最近浏览记录

4）用户浏览历史（长期）中的商品

5）用户浏览历史（长期）相关的商品

6）购买相同商品的其它用户购买的物品

7）已购商品的新版本

8）用户购买历史（如近期购买商品的互补品）

9）畅销商品

2、推荐系统模型：U x S → R

1）U是用户矩阵

2）S是物品矩阵

3）R是用户对物品的喜爱程度，推荐系统就是基于现有的信息填补R矩阵

3、常用推荐算法

1）基于内容：易实现，效果好，但是如何获得一个物品的内容、相似度如何定义等有些情况下会较难把握

2）协同过滤：基于物的协同过滤与基于人的协同过滤

3）矩阵分解（SVD）：用户-物品评分矩阵A很大且稀疏，将A分解为用户矩阵（用户潜在因子）和物品矩阵（物品潜在因子），目标是这两个矩阵的乘积尽可能接近R。缺点是只利用了评分信息，忽略了用户属性和物品属性

4）因子分解机（FM）：将SVD推广到多类潜因子的情况，如分解为 用户、物品、用户性别、用户年龄、物品价格 等多个因子，允许因子之间有相关关系（如下图，方程前半部分是线性回归，后半部分加入了两两因子间关系）

5）深度学习：训练深度神经网络，输入用户id，输出层做softmax，得到对每个物品id的权重

6）机器学习排序

7）探索与利用：先对用户聚类（如分为abcde五类），随机对a中的用户1和b中的用户2推荐电影，如果用户1没点击，2点击了，说明b类用户可能对该电影更感兴趣。

8）集成：对上述多种方法的ensemble

③ 你好 我想自己做一个电影网站 请问都需要准备什么

1、至少100MB独享带宽
2、因为电影占空间大，电影站资源要求多，服务器至少也要在几台以上，一台服务器拿出来做电影站都会不好意思，当然你做P2P下载和点播另当别论？
3、最后要求你有电影版权，网站上电影至少一半是有版权的
所以正规做的话需要百万左右资金，但如果你只是做个人电影小站，你可以采用盗取别的网站的下载地址，这样普通的虚拟主机也行的，也就是一两百元就能做到

④ 一个好的电影公众号是怎么做起来的

最重要的还是电影资源，没有资源渠道，用户没有电影可看，除非是做原创影评类，不然很难做出来。
知影人生，现在正在尝试两者结合，既提供片源观看，又提供原创影评。

⑤ 如何做一个个性化的推荐系统架构

答案跟如何定义“好”相关。
1，如果“好”指易扩展。推荐系统从架构上来说一般包括离线和在线投放系统两部分，离线部分包括离线数据和算法，在线部分包括实时数据和策略。
2，如果“好”指点击率。首先是好的数据，其次是好的算法。
3，如果“好”指用户体验好。要有好的产品形式，充给予用户选择的权利，比如订阅。

⑥ 电影推荐系统中电影类型怎么弄

建军大业

9.4分加入收藏
主演：刘烨朱亚文黄志忠王景春
导演：刘伟强
类型：动作战争其它
时长：127分钟
年代：2017
地区：内地
语言：汉语普通话
简介

⑦ 想做一个电影网站，用什么程序好呢

你好 ，飞飞电影cms 或者马克思cms 都是做电影网站的好程序 很多人都在用

⑧ 毕业设计想做一个电影网站 给个建议和传授点经验

如果你是专业学过网站设计的 建议去找网红学习。 如果仅仅爱好 建议别做了。 网络水太深

⑨ 学IT的，写了一个电影推荐系统，但是为什么评分预测值大于五

全文以“预测电影评分”例子展开

r(i,j)=0则表明user_j没有对movie_i 没有评分，

推荐系统要做的就是通过预测user_j对这些movie {i|r(i,j)=0}的评分来给user_j 推荐其可能会喜欢的电影<预测评分较高的movie>

=======================================二、基于内容的推荐=======================================

对每个movie_i引入特征x(i)=(x1, x2)，这种特征可能表明user对movie类型的偏好：浪漫or动作等

对于每个user引入一个参数theta，然后对评分矩阵的每列(对应一个user)做线性回归，数据是{ (x(i), y(i,j)) |r(i,j)=1，for some j all i}

像机器学习一样，x(i)添加个1变量x(i)=(1, x1, x2)

那么对于未评分的movie_t，我们可以使用线性回归训练的参数theta与对应特征x(t)做内积来得到其预测评分

对每个用户都训练一个参数theta_j，优化模型如下：

优化算法：注意正则项是不约束x(i)=(1, x1, x2)中1对应的参数theta的第一项theta0，所以k=0与k=1,2分别对待

=======================================三、协同过滤=======================================

现在换个角度：如果知道theta for all user j，如何来预测x(i) = (x1, x2) all i

仍然可以使用线性回归，为训练每个x(i)，需要评分矩阵的第i行数据{ (x(i), y(i,j)) |r(i,j)=1，for some i all j}

theta_j = (0, theta1, theta2) ；theta1=5说明user_j喜欢romance类movie， theta2=5说明user_j喜欢action类movie，只能有一个等于5哦，

我觉得也可以是：theta_j = (0, 4, 1) ；喜欢romance 4 action 1.

对应的优化：

协同过滤：交替优化theta与x

=========================================四、协同过滤算法=======================================

优化：

优化：注意去掉了theta和x的添加项

=========================================五、实现细节补充=======================================

实现细节：

如果有user没有对任何电影评分或者所有评分的电影都是0分，那么所学习到的参数是零向量，

则预测都是0值，这是不合理的。通过 将评分矩阵减去其行均值再进行线性回归来“避免”这种情况

=========================================六、一点思考==========================================

协同过滤那块，同时优化theta、x，这样得到的theta、x还有特定的意义<比如：x是否还表征对影视类型的喜爱与否>没有？

回归中，在x数据上不添加1-feature是不是因为后来引入的平均值化；如果不是，那会对结果有什么影响？

用x-feature来表征一个movie，x-feature的各分量的可解释性；应该会有一部分user应为演员的缘故有一些"偏爱"。

这里，讲的"基于内容的推荐"与"协同过滤"跟以前对这两个词的认识/所指内容不同，查清楚、搞明白。

这周还会再更一篇关于此节课的算法实现，会对上述部分问题做出回答。