1. 研究目的与意义（文献综述）

1.1 研究目的及意义

推荐系统是商业领域的重要组成部分，而电影领域是测试和评估推荐系统的最常见场景之一。同时深度学习在信息检索和推荐系统方面得到广泛的应用，深度学习下的推荐系统更能抽象出用户的兴趣因子、项目特性以及历史信息，提高推荐的准确性。尽管深度学习方法在图像分类领域有着显著的成果，但在视频方面的应用更具有挑战。因此基于深度学习的电影推荐系统就成为一个前沿的有价值的研究课题之一。

传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐方法。其中，最经典的算法是协同过滤，如矩阵因子分解，其利用用户与项目之间的交互信息为用户产生推荐。协同过滤是目前应用最为广泛的推荐算法，但是同时也遭遇到了严重的数据稀疏（一个用户评分过的项目仅仅占总项目数量的极少部分）和冷启动（新的用户和新的项目往往没有评分数据）问题。此外，经典的协同过滤方法采用浅层模型无法学习到用户和项目的深层次特征。基于内容的推荐方法利用用户已选择的项目来寻找其他类似属性的项目进行推荐，但是这种方法需要有效的特征提取，传统的浅层模型依赖于人工设计特征，其有效性及可扩展性非常有限，制约了基于内容的推荐方法的性能。随着互联网中越来越多的数据能够被感知获取，包括图像、文本、标签在内的多源异构数据蕴含着丰富的用户行为信息及个性化需求信息，融合多源异构辅助信息的混合推荐方法由于能够缓解传统推荐系统中的数据稀疏和冷启动问题，而越来越受到重视，但是由于辅助信息往往具有多模态、数据异构、大规模、数据稀疏和分布不均匀等复杂特征，融合多源异构数据的混合推荐方法研究依然面临着严峻的挑战。

2. 研究的基本内容与方案

本文提出了一种基于深度学习的电影推荐系统，它是通过从电影预告片的关键帧中提取的特征来表示项目，并在基于内容的推荐系统中利用这些特征。该系统是一种基于由convnet提取的深层语义特征提供推荐的方法。本文实现一个自动化系统，可以自动提取电影预告片关键帧的深层特征并学习用户偏好，提供适当的建议。本文所设计的系统主要涉及四个模块，分别为电影预处理模块、电影特征提取模块、电影评分与推荐模块以及电影推荐结果评价模块。其整体结构框图如图1所示。首先，通过深度学习框架tensorflow构建convnet提取电影关键帧的特征向量。然后运用k-means聚类算法为特征向量建立视觉词袋（bovw），每个关键帧被分配给由码字代表的一个簇，为每个预告片建立全局直方图。最后，根据余弦相似度算法计算电影之间的相似度和用户历史评分进行评分预测，并通过返回评分高的top-n电影进行推荐。

图1 整体结构框图

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，学习毕业设计研究内容所需理论的基础。确定毕业设计方案，完成开题报告；

第4－5周：掌握python的基本原理与应用，熟悉系统实现相关技术，完成英文资料的翻译；

第6－9周：完成整个系统的设计；

4. 参考文献（12篇以上）

[1] 黄文坚, 唐源. tensorflow实战[m]. 电子工业出版社, 2017.

[2] ian goodfellow, yoshua bengio, and aaron courville. 深度学习[m]. 人民邮电出版社, 2017.

[3] 项亮. 推荐系统实践[m]. 人民邮电出版社, 2012.