电影推荐系统

成员

• 郭媛
• 周盼
• 林仁俊
• 赵树阳

目标

1. 计算每位用户对一类电影的评分情况。
2. 根据用户的感兴趣程度向用户推荐最可能受其欢迎的电影。

测试驱动

1. data/movie-tags.csv

每部电影的相关属性。它是步骤1中模型建立的基础。

1. data/movie-titles.csv

从电影ID到电影标题的映射。

1. data/ratings.csv

用户和他们的电影评分。每一行对应的数据内容顺序为：用户ID，电影ID，评分。

1. data/users.csv

从用户ID到用户名的映射。

测试数据已经被内嵌到项目的CBFMain.java中的configureRecommender()方法中。

算法介绍

1. 计算个体-标签矢量（模型）

在模型构建器（get（）方法中的TFIDFModelBuilder）中实现，为数据集中的每部电影计算单位标准化TF-IDF载体。该模型包含每一项从ID到TF-IDF向量的映射，这一映射标准化为单位向量。

1. 为每个查询用户建立用户档案

TFIDFItemScorer中的makeUserVector（long型）方法由输入的用户ID产生代表该用户的个人档案的向量。在最初的实现方案中，该配置文件是用户评为所有项的个体-标签矢量中大于等于3.5星的数量之和。后来我们使用了加权用户配置文件对原有方案进行改善。加权信息由所有项的项矢量加权和计算出来，其权值基于用户的评分。

1. 为每个用户计算个体分数

在许多LensKit推荐系统中，推荐过程的核心是个体打分器的计分方法，在本案例中是TFIDFItemScorer。此方法通过余弦相似性为每一项打分，每一项的分数为那一项的标签向量与用户资料向量夹角的余弦值。

项目分工：

• 周盼：计算个体-标签矢量
• 郭媛、林仁俊：为每个查询用户建立用户档案
• 赵树阳：为每个用户计算个体分数