电影推荐系统】系统初步搭建及离线个性化推荐

上篇博文我们已经写完统计推荐部分，现在我们将使用Vue+Element-ui+SpringBoot来快速搭建系统，展示出电影，并介绍个性化推荐部分。

1 系统页面设计

初步是想设计一个类似豆瓣电影推荐系统

• 用户登陆后，可以查看高分电影
• 可以查看推荐的电影
• 可以评分

1.1 前端模板下载

• 由于时间原因，这里选择了一个仿豆瓣电影系统模版，本意不是为了锻炼vue能力，怎么简单怎么来。
• 现在我们对该系统进行修改，使用Element-ui来快速开发。

1.2 后端系统搭建

• 使用SpringBoot进行快速开发
• 添加MongoDB的相关依赖，写接口测试是否获取数据成功
• 测试成功后，Vue写axios相关代码

注意：一定要注意版本问题，报错会很糟心…

data:mongodb:host: 服务器IPport: 27017database: recommenderusername: "root"password: "123456"

2. 基于隐语义模型的协同过滤算法

基于用户行为分析的推荐算法一般称为协同过滤算法。所谓协同过滤，就是指众多的用户可以齐心协力，通过不断地和网站互动，使自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。常见实现方法的包括：

• 基于邻域的方法
• 隐语义模型
• 基于图的随机游走算法

我们使用隐语义模型（LFM），它的核心思想是通过发掘隐含特征(latent factor) 来完成推荐任务。后续我们将对此进行改进。

主要步骤：

1. UserId 和 MovieID 做笛卡尔积，产生（uid，mid）的元组
2. 通过模型预测（uid，mid）的元组。
3. 将预测结果通过预测分值进行排序。
4. 返回分值最大的 K 个电影，作为当前用户的推荐。
5. 通过ALS计算出电影相似度，存入MongoDB数据库，这为后面实时推荐做准备

// 核心程序
// 从rating数据中提取所有的uid和mid，并去重
val userRDD = ratingRDD.map(_._1).distinct()
val movieRDD = ratingRDD.map(_._2).distinct()// 训练隐语义模型
val trainData = ratingRDD.map( x => Rating(x._1, x._2, x._3) )val (rank, iterations, lambda) = (200, 5, 0.1)
val model = ALS.train(trainData, rank, iterations, lambda)// 基于用户和电影的隐特征，计算预测评分，得到用户的推荐列表
// 计算user和movie的笛卡尔积，得到一个空评分矩阵
val userMovies = userRDD.cartesian(movieRDD)// 调用model的predict方法预测评分
val preRatings = model.predict(userMovies)val userRecs = preRatings.filter(_.rating > 0)    // 过滤出评分大于0的项.map(rating => ( rating.user, (rating.product, rating.rating) ) ).groupByKey().map{case (uid, recs) => UserRecs( uid, recs.toList.sortWith(_._2>_._2).take(USER_MAX_RECOMMENDATION).map(x=>Recommendation(x._1, x._2)) )}.toDF()userRecs.write.option("uri", mongoConfig.uri).option("collection", USER_RECS).mode("overwrite").format("com.mongodb.spark.sql").save()// 基于电影隐特征，计算相似度矩阵，得到电影的相似度列表
val movieFeatures = model.productFeatures.map{case (mid, features) => (mid, new DoubleMatrix(features))
}// 对所有电影两两计算它们的相似度，先做笛卡尔积
val movieRecs = movieFeatures.cartesian(movieFeatures).filter{// 把自己跟自己的配对过滤掉case (a, b) => a._1 != b._1}.map{case (a, b) => {val simScore = this.consinSim(a._2, b._2)( a._1, ( b._1, simScore ) )}}.filter(_._2._2 > 0.8)    // 过滤出相似度大于0.8的.groupByKey().map{case (mid, items) => MovieRecs( mid, items.toList.sortWith(_._2 > _._2).map(x => Recommendation(x._1, x._2)) )}.toDF()
movieRecs.write.option("uri", mongoConfig.uri).option("collection", MOVIE_RECS).mode("overwrite").format("com.mongodb.spark.sql").save()

但该方法存在下列缺点：

• 很难实现实时的推荐。
• 推荐模型的更新，需要在用户行为记录上反复迭代，每次训练都很耗时。
• 冷启动问题明显。