全文总字数：2546字
1. 研究目的与意义、国内外研究现状（文献综述）
随着互联网的普及和互联网用户数量的迅猛增长，互联网上的信息呈现爆炸式的增长。根据美国互联网数据中心的报告，近几年产生的数据占到目前互联数据的90%，且互联网上的数据正以每年50%的速度增长。“信息过载”问题也因此出现，即用户无法从海量的信息中快速准确定位到自己所需要的信息。为了解决这些问题，个性化推荐系统应运而生。
推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。高质量的推荐能够增加用户对网站的信任度，使用户产生依赖心理，提高用户的忠诚度。除了在电子商务领域的应用之外，推荐系统在新闻、电影、书籍、微博等的个性化推荐中也取得了不同程度的成功。
推荐系统作为一个独立的领域在 20 世纪 90 年代中期出现，发源于对认知科学、近似估算理论、信息检索、预测理论等学科的广泛研究。网络资源中各式各样的选择超出了用户能够作出明智选择的能力，推荐系统在这种情况下帮助用户辨别其感兴趣的产品和服务，是一种在用户选择使用项目的途中为用户提供建议的软件工具。世界上第一个推荐系统由 goldberg，nichols，okiterry
2. 研究的基本内容和问题
将协同过滤推荐算法与电影系统的具体应用相结合。
协同过滤推荐技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优点是对推荐对象没有特殊的要求，能处理
非结构化的复杂对象，如音乐、电影等。
3. 研究的方法与方案
采用基于数据库的方式实现以网络技术为核心的浏览器模式，并设计为三个结构层次，分别是逻辑处理层、程序表达层和数据记录层。当客户通过页面输入想要查询的关键信息时，将关键字输入页面中即可查询，并将查询结果提交给推荐引擎，经过处理完成用户信息库挖掘，由此获取推荐项目。推荐系统设计需要依赖各个模块，经过相互作用，获取个性化推荐结果集。
协同过滤算法流程：收集用户喜好，建立用户模型—发现兴趣相近的用户—产生推荐项目
4. 研究创新点
1） 利用协同过滤算法能够过滤难以进行机器内容自动分析的信息，如音乐等。2） 共享其他人的经验，避免了内容分析的不完全和不精确，并且能够基于一些复杂的，难以表述的概念（如信息质量、个人品味）进行过滤。3） 有推荐新信息的能力。可以发现内容上完全不相似的信息，用户对推荐信息的内容事先是预料不到的。协同过滤可以发现用户潜在的但自己尚未发现的兴趣偏好。4） 能够有效的使用其他相似用户的反馈信息，较少用户的反馈量，加快个性化学习的速度。
5. 研究计划与进展
2019年01月-02月：a.搜集相关资料并学习相关理论知识与技术
b.把所需的配置环境搭建好
2019年02月：学习协同过滤算法
