摘要
随着互联网和移动互联网的迅速普及，网上影视娱乐信息的数量相当庞大，人们对获取感兴趣的影视娱乐信息的需求越来越大，智能便捷的影视、电视剧推荐系统已成为必不可少的工具。 但是影视剧信息的显示相当复杂，现有的相似度计算方法和推荐算法各有优势，不适合将单一的相似度计算方法和推荐算法应用于电影推荐系统。 海量电影数据的管理运营随着数据量的增加越来越复杂，如何整合各种算法的优势为用户提供可靠的电影推荐结果，保证用户听到正确的推荐数据成为推荐系统设计中需要解决的重要问题
推荐模块采用更切合实际的电影相似度计算方法，将协同过滤算法与基于内容的过滤算法相结合，有效解决了系统冷启动问题和推荐准确性问题。 推荐算法采用集中平均法预测用户对电影的评分，避免了用户个人评分习惯对预测平分的不利影响。 将数据集、推荐引擎、分数预测器、相似度计算器等关键部件高度分离，给出实现各种有效具体算法的派生类。 在运行模块中，将系统分为测试环境和正式环境，在测试环境中进行测试，然后同步到正式环境，采用新的同步算法和检错算法提高系统的准确性和效率。
系统推荐模块的可扩展性非常强，可以根据具体数据集选择合适的分数预测器和相似度计算机，可以使用系统自带的经典算法，也可以定制推荐算法，大大提高推荐结果的准确性。 在操作模块中使用数据库依赖于同步算法和错误检测算法，大大提高了数据操作的准确性和效率。
关键词：推荐系统协同过滤； 基于邻域推荐的平均集中法
目录
摘要I
AbstractII
第一章绪论一
1.1研究背景1
1.2国内外发展现状1
1.3正文研究内容2
1.4本文的结构2
第二章相关技术介绍3
2.1 Java介绍3
2.2 Hibernate中间件4
2.3 MySQL4
2.4 B/S概述4
第三章系统总体设计5
3.1系统功能模块设计5
3.1.1项目计划5
3.2系统UML建模分析5
3.2.1系统的用例图5
3.2.2系统的时间图6
3.2.3系统活动图7
3.3数据库设计8
第四章电影、电视推荐系统的实现12
4.1系统功能框图12
4.2系统主界面12
4.3系统推荐接口13
4.4查看接口14
4.5我的收藏界面14
第五章系统测试21
5.1代码测试21
5.2程序功能测试21
5.3性能测试21
第六章结论与展望22
23谢谢你
参考文献24