摘 要

Abstract 7

1. 绪论 8

1.1. 设计的目的及意义 8

1.1.1. 目的 8

1.1.2. 意义 8

1.2. 国内外研究现状 9

1.2.1. 国外研究现状 9

1.2.2. 国内研究现状 9

1.3. 设计内容与设计方法 9

1.3.1. 系统目标 9

1.3.2. 基本内容 9

1.3.3. 技术方案和措施 10

2. 系统分析 10

2.1. 需求分析 11

2.1.1. 系统目标 11

2.1.2. 功能需求 11

2.2. 系统的可行性分析 11

2.3. 业务流程图 12

2.4. 数据流程图 12

2.5. 数据字典 13

2.5.1. 数据元素 13

2.5.2. 数据流 14

2.5.3. 数据存储 14

2.5.4. 处理过程 15

2.5.5. 外部实体 16

3. 系统设计 17

3.1. 系统总体设计 17

3.1.1. 功能模块结构设计 17

3.1.2. 物理配置方案设计 18

3.1.2.1. 计算机硬件及网络选择 18

3.1.2.2. 数据库管理系统选择 18

3.1.2.3. 软件开发工具选择 18

3.2. 系统详细设计 19

3.2.1. 编码设计 19

3.2.2. 数据库设计 19

3.2.2.1. 概念结构设计 20

3.2.2.2. 物理结构设计 21

3.2.3. 输入输出及界面设计 26

3.2.3.1. 输入设计 26

3.2.3.2. 输出设计 27

3.2.3.3. 界面设计 29

3.3. 推荐系统设计 30

3.3.1. 推荐系统简介 30

3.3.2. 推荐系统的基本功能 30

3.3.3. 常见的推荐技术 31

3.3.4. 协同过滤算法的运用 31

3.3.4.1. 数据准备 31

3.3.4.2. 相似度度量方法 31

3.3.4.3. 基于物品的过滤算法原理 32

3.3.5. 推荐系统评估 33

3.3.6. 推荐系统优化 33

4. 系统实施 34

4.1. 系统实现 35

4.1.1. 系统总体实现 35

4.1.2. 用户注册模块 35

4.1.3. 用户剧评模块 36

4.1.3.1. 用户发表剧评 36

4.1.3.2. 用户点赞剧评 38

4.1.4. 系统推荐模块 40

4.1.4.1. 获得相似物品集合 40

4.1.4.2. 为用户未看过的美剧打分 41

4.2. 系统测试 42

4.2.1. 测试方法 42

4.2.2. 测试环境 42

4.2.3. 功能测试 42

5. 结束语 43

参考文献 44

致谢 45

摘要

本系统是一个基于协同过滤算法的推荐系统。系统中主要有美剧推荐、分类排行、剧目查询、剧目管理和剧评管理等模块，为欧美影视爱好者提供了一个优质的在线美剧资讯推荐和爱好分享的平台。

综合性能和系统架构等因素，本系统中重要的推荐算法是采用了时下较流行的基于物品进行过滤的，它能根据需要给予推荐的用户更快地得到他们所要的结果。基本思路是为每件物品预先计算好最为相近的其他物品，并根据用户曾经浏览过的美剧而选择靠前的进行加权构造列表。另外物品间的相似性度量方法采用了皮尔逊相关度进行评价。

由于系统主体架构不大，因此采用了Python配合Django框架，后端数据库采用Mysql进行搭建，可以快速有效地进行Web端开发。

本文主要介绍了系统的推荐算法原理和开发过程。论文遵循系统开发的要求，论述了需求分析、系统分析、系统设计以及测试与调试等整个开发过程，总结了开发过程中的经验以及今后的改进方向。

关键字：协同过滤，推荐系统，系统设计，系统分析

Abstract

The system is a collaborative system based on collaborative filtering algorithm. The system is mainly the United States drama recommended, classified ranking, repertoire query, repertoire management and drama management and other modules, for Europe and the United States film and television enthusiasts to provide a high-quality online US drama information recommended and hobbies to share the platform.

Comprehensive performance and system architecture and other factors, the system is an important recommendation algorithm is used nowadays more popular based on the items to filter, it can be given as needed users to get their desired results faster. The basic idea is to pre-calculate the most similar items for each item in advance, and according to the user has been browsing the US drama and select the front of the weighted structure of the list. The similarity measure between items was evaluated using the Pearson correlation.

As the main structure of the system is not large, so the use of Python with Django framework, back-end database using Mysql to build, you can quickly and effectively Web-side development.

This paper mainly introduces the principle and development process of the recommended algorithm. This paper discusses the whole development process of demand analysis, system analysis, system design and test and debugging, and summarizes the experience of the development process and the future improvement direction.

绪论

设计的目的及意义

目的

本系统研发的目的是为美剧爱好者提供一个剧目资讯查询和用户互动交流的平台，并针对不同用户提供个性化资讯推荐服务，减少用户信息检索的时间，为用户带来更好的观赏体验。

随着互联网发展以及中国改革开发不断深入，许多外国优秀影视剧通过新兴的网络媒体进入我国文.化市场，特别是移动终端的发展加速了这一趋势。好莱坞电影作为美国作为影视文化作品输出的标志，在2016年381亿美元全球票房下独占76%，达到了惊人的289亿美元。而美剧作为最能代表美国软实力的文化产品之一，为中国观众打开了一个新世界，带领他们了解多种多样的西方文化。美剧尤其深受大学生欢迎，追美剧已成.为大学生主要的休憩方式之一。但是在如今的大数据时代，信息已经从原来的匮乏状态变为了信息过载. (information overload)。以影视剧为例，随着规模的不断扩大，影视剧个数和种类快速增长，观众想要在网络上找到自己想看的影视剧，很有可能需要花费.大量的时间和精力，容易产生迷.茫不知所措的感觉。因此互联网平台中运用个性化推荐系统技术能.更好地为观众推荐感.兴趣的剧集。

意义

1. 基于协同过滤的推荐系统是自动的，根据用户的观看历史或者通过日志收集的用户行为能够产生推荐，不需要观众努力地找到适合自己兴趣的推荐信息，可以大大减少用户的筛选时间。
2. 美剧在大学生群体中非常受欢迎，如近年大热的《冰与火之歌》、《行尸走肉》、《怪奇物语》等。紧凑的剧情和优良的制作，让美剧渐渐成了年轻人的一种流行时尚文化。西方文化虽然比不上中华上下五千年那么源远流长，博大精深，但是自从第一次工业革命以来，西方的科技和经济在高速发展，从历史的发展来看，西方的政治文明和社会制度有许多成功的经验。大学生在观看优秀美剧的同时，可以了解世界，开阔眼界，学习西方的文化和知识。在全球化时代，大学生需要了解西方文明、西方文化，取其精华，去其糟粕，这有利于文化间的相互交流、沟通和理解。影视剧是跨文化交流的重要载体，可以发挥积极的作用。

国内外研究现状

国外研究现状

推荐系统发展至今，由于协同过滤的简单、高效和个性化推荐的能力，其仍然是推荐系统中最流行和最广泛实现的技术，因此本小节只考虑近年国外在协同过滤推荐技术上的研究。随着推荐系统规模的扩大，为了有效提高预测的准确性，使用SVD（矩阵因子分解） 可以整合用户反馈的其他信息。而如果考虑用户的爱好或许会随着时间变化，他们的有可能会重新选择他们的爱好，因此随着时间变化的因子模型timeSVD 横空出世。由于因子维度个数越高，他们表达电影——用户的复杂交互能力就越强，而因子维度为20的timesSVD 模型已经比因子维度高达200的SVD 模型性能还要更好！这几种模型的预测准确度已经要优于其他已经发表的协同过滤技术，而且在处理数据多个关键方面的能力使得它们在实际应用中非常方便。

国内研究现状

目前国内的研究多集中在推荐系统的理论和技术方面，比如优化的协同过滤推荐算法，采用一种新颖的相似性度量方法计算目标用户的最近邻居。针对算法的可扩充性，也曾有文献提出基于项目聚类的协同过滤推荐算法，显著地提高推荐系统的推荐质量。随时全球进入人工智能(AI)时代，基于AI的运用越来越多，神经网络、自然语言处理、数据挖掘等都是其分支，因此还有文献提出基于神经网络和模糊逻辑的智能推荐系统等等。

设计内容与设计方法

系统目标

本系统基于协同过滤算法，目标是实现美剧的推荐、介绍、评论、评分，以及提供一定的数据统计功能，为用户个性化精准推荐美剧，提升用户体验。

基本内容

系统运用个性化推荐系统技术来更好为观众精准备地推荐感兴趣的剧集，减少观众在剧集宇宙中“迷航”的时间，提高观赏体验。