一、文献综述
（一）国内外研究现状
随着互联网规模的爆发性增长，信息过载问题也越来越突出，用户无法自己从大量的网络信息里获取对自己有用的部分，大大降低了信息使用效率。一方面，用户通过搜索引擎和专业数据索引来过滤信息，另一方面，单纯依靠人力来实现个性化推荐以不具可行性，所以用户选择推荐系统来为自己推荐个性化的内容 [3]。而在电影的传播方面，海量用户的点击、观看、打分、评论、转发等所构成的大数据信息影视产业的上下游造成了巨大影响。在传统的CF推荐算法上，大部分电影推荐只考虑了一种或两种的影响，并没有考虑多种因素共同作用下对推荐系统的影响[5]。
优酷、哔哩哔哩等网站都有着大量用户整理和上传的内容，对于不涉及版权争议的作品，用户的上传是其他人主要的资源获取方式，但这也造成了大量重复的的，无意义的或低质量的内容，构成了一种低价值密度的现象。海量的用户也提供了海量的评论，这其中鲜有真知灼见，各类评论针锋相对，更不要提汉语体系中丰富的近义词，同义词，缩略词等，会大大降低推荐系统的准确度。这两种现象对推荐系统如何推荐增加了挑战难度。
随着文化产业的发展，尤其是电影上映数量的急剧增长，用户对于电影推荐系统有了更加严格的要求。智能推荐系统会追踪用户的历史行为数据，并以此为基础进行“用户画像”，对用户的需求进行预测，建立用户和电影之间的匹配关系，尽可能做到对用户的个性化推荐，不同用户界面的“千人千面”，增加用户对平台的满意度和粘合性。例如Netflix就斥资100万美元来找出最佳的电影推荐方案[6][7]。
（二）研究主要成果
随着电影市场的不断扩大，电影推荐系统也愈发重要，国内外的影视类网站大都有自己的推荐系统，比如爱奇艺，优酷，豆瓣，Netflix等，但是现阶段做的并不是很好。为了更好的完善推荐系统主要从引入跟多附加信息，如社交信息、文本评论信息、上下文信息等；引入深度学习技术，更细粒度的抽取用户，物品的特征[1]；加强推荐效率来满足在大数据量面前实现快速模型训练和推荐；重视推荐的隐私与安全问题等入手。
对电影推荐系统的研究，既有重大的社会价值，又有重大的经济意义，既能作为信息过滤的工具帮助用户更好的利用资源，又能作为价值观传播和网站营销的武器。因此对于推荐算法的研究受到了包括数学、物理、管理科学等多学科的关注。
常见的电影推荐算法有基于内容的推荐算法，基于协同过滤的推荐算法，基于图模型的推荐算法等。部分学者在这些算法的基础上进行了优化，如何明等改进了相似度计算方法和数据稀疏性问题，曾安等提出了融合时间因素和用户评分特性的协同过滤算法[5]。这些都极大地提高了推荐系统的准确性。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
