一、项目介绍
随着互联网和多媒体技术的迅猛发展，电影推荐系统在在线视频平台和社交媒体中扮演着越来越重要的角色。传统的推荐系统主要依赖于单一的文本信息或用户行为数据，往往难以全面捕捉用户的兴趣和需求。为了提高推荐质量，多模态信息融合成为近年来的研究热点。
本文提出了一种基于Streamlit和多模态RAG（Retrieval-Augmented Generation）技术的电影推荐系统，旨在通过整合文本、图像和用户偏好等多模态信息，提供高质量、个性化的电影推荐。背景和意义在于，多模态信息能够更全面地描述电影内容和用户兴趣，而RAG技术则能够有效地结合检索和生成两种机制，提高推荐的准确性和多样性。
本文的主要内容包括：构建多模态电影特征表示，设计基于RAG的推荐模型，并通过实验评估不同嵌入方法在推荐任务上的性能差异。本项目采取的技术路线是：首先收集电影的多模态数据，包括文本描述、海报图像和用户评分等；然后利用预训练的模型分别提取文本和图像的特征，并结合用户偏好信息，构建多模态电影特征表示；接着设计基于RAG的推荐模型，通过检索相关电影并生成推荐列表；最后通过实验模块评估不同嵌入方法在推荐任务上的性能差异。
具体情况是：系统首先从电影数据库中获取电影的文本描述和海报图像，使用预训练的BERT模型提取文本特征，使用预训练的卷积神经网络（CNN）提取图像特征。然后将文本特征、图像特征和用户偏好信息进行融合，构建多模态电影特征表示。接着，设计基于RAG的推荐模型，利用检索机制找到与用户兴趣相关的电影，并通过生成机制生成推荐列表。最后，通过实验模块分别评估文本嵌入和多模态嵌入在推荐任务上的性能差异，验证多模态信息融合在提高推荐质量方面的有效性。本文详细阐述了系统的架构设计、关键技术和实现流程，并通过实验验证了系统的有效性和实用性。该系统不仅提高了电影推荐的准确性和多样性，还为用户提供了更加个性化的观影体验，具有重要的应用价值。
