大数据python卷积神经网络基于知识图谱的智能推荐系统flask协同过滤算法

智能推荐系统平台开发设计的主要需求是进行合理的音乐、电影以及书籍内容的推荐，帮助用户在海量的信息平台中获取到相关的资源信息，利用智能平台的推荐帮助用户提取有效的信息内容，实现快速的信息获取和内容查询。同时可以通过系统平台的内容提供帮助用户实现在线的资源搜索，系统会按照搜索内容以及喜好反馈进行智能的内容推荐，对于用户而言主要的需求内容如下：
（1）系统用户需要通过登录的方式来实现平台的登录和使用，需要借助注册登录环节来完成个人信息的记录和存储。
（2）通过音乐、电影以及书籍数据信息的管理搜索来实现资源内容的获取，用户可以结合需求进行在线的文本搜索，同时可以通过标记喜好和收藏的方式实现数据信息的标记。
（3）结合用户的搜索记录以及信息标记，通过知识图谱的运用将用户关键词系统化的呈现给到用户端，利用文本分析和智能推算来实现相关资源的推荐，帮助用户快速批量获取到资源信息。

在海量的信息下，通过推荐系统的搭建，可以实现信息搜索的自动化、智能化，能够通过智能化的过滤来自动将无价值的信息进行剔除，从而满足用户需求，降低用户获取信息的时间。本次通过智能图谱来进行一款智能推荐系统的搭建，是对在当下复杂的信息流量中针对电影、音乐、书籍进行有效的智能推荐，可以更好的帮助用户快速的按照输入的关键词查找到相关的内容。本次以Python语言为主要的开发语言，以flask框架为主开发框架，后台的数据库通过以MySQL来进行搭建，实现一款基于B/S结构的知识图谱智能推荐系统的开发，通过这款系统的开发能够实现通过歌名、电影名或者是书名来查找相关的信息介绍，通过深度学习的加入来扩展相关内容的有效应用。
关 键 词：知识图谱；智能推荐；Python；MySQL 卷积神经网络可以用于知识图谱的嵌入。卷积神经是推荐系统的搭建上常用的一种技术，这种技术在图片、文字等方面的推荐能力很强，对于图书、电影等文字、图片的推荐十分使用，而在音乐的推荐上则是以混合卷积神经网络的应用来进行音乐特征的查找。卷积神经是一种能够实现多层感知的网络模型，通过从一个局部的点向更广阔的层面去进行信息的扩散，从而实现找到更加敏感的信息内容。
在基本内容算法的运行下，人们不断的通过提升算法的功能和效率来实现更好的推荐，由此产生了协同过滤法。这种算法是国际推荐算法比赛中经常获奖的一种成熟的算法。这种算法的特征是对物品的表象进行分析，实际对于物品的内容并不过度的关注。通过关心用户的历史行为，以其历史行为为画像，从而更加精确的查找到物品与物品之间的关系，通过建立相关性的分析来实现有效推荐。通过协同过滤可以最终实现类似电商平台中的“猜你喜欢”的功能，实现领域协同和模型协同。协同分类方法的具体应用模型如下图所示：

图2.2协同过滤推荐方法分类

通过领域推荐算法，本次仍然以音乐的推荐为例，假设用户A喜欢歌曲1、2，用户B喜欢歌曲3，用户C喜欢歌曲1、2、4。通过领域推荐来对A、B、C三个用户的喜好进行分析，可以看出A与C的喜好相同，所以在协同过滤过程中就会将A与C的喜好进行相邻用户集的分类，从而让A与C成为了邻居，所以系统在向A推荐的歌曲C也有可能会喜欢。所以会将C喜欢的歌曲4推荐给用户A。
协同过滤的推荐方式是能够通过用户的历史行为分析来在物品特征提取困难时通过集体决策的方式阿里对用户的需求进行判断。在音乐、电影、书籍等搜索引擎的使用上，可以通过对用户与用户之间的关联度来实现“可能喜欢”的内容推荐。但是这种功能算法也有着一些弊端，其对于数据的需求过大，通过依赖交互数据来进行评判，主要还是在对历史数据的评判过程中实现使用，而在新物品出现，对新物品没有历史依据的判断上有一定的使用弊端。

目 录
摘 要 I
ABSTRACT II
1、绪论 5
1.1研究背景 5
1.2研究现状 5
1.3研究的内容 6
1.4开发的技术介绍 6
1.4.1Python语言 6
1.4.2flask框架 7
1.4.3MySQL数据库 7
1.4.3B/S结构 7
1.5论文的结构 7
2相关理论与技术 9
2.1卷积神经网络介绍 9
2.1.1卷积神经网络特性 9
2.1.2卷积的方式 9
2.2基本内容推荐算法 9
2.3基于协同过滤的推荐算法 10
2.4深度学习技术相关概念 11
2.5深度学习技术推荐算法 11
3智能推荐系统的需求分析 12
3.1需求设计 12
3.2可行性分析 12
3.2.1技术可行性 12
3.2.2经济可行性 12
3.2.3操作可行性 13
4系统设计 14
4.1系统的整体设计 14
4.2数据库的设计 14
5系统的实现 16
5.1用户注册界面 16
5.2系统首页 16
5.3智能搜索功能的实现 17
5.4音乐管理 17
5.5电影管理 18
5.6 书籍管理 18
5.7 个人信息管理 19
6系统的测试 20
6.1测试的目的 20
6.2测试的内容 20
6.3测试的结果 20
结论 21
参考文献 22
致谢 24