神经网络模型：由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。

全连接层：全连接层在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现。

卷积层：卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。

3项目设计

简单查看一下数据确认数据无误之后然后就可以开始了

3.1数据处理

读取用户数据，存储到字典

2.读取电影数据，存储到字典

3.读取评分数据，存储到字典

# 获得评分数据
def get_rating_info(self, path):
    # 读取文件里的数据
    with open(path, 'r') as f:
        data = f.readlines()
    # 将数据保存在字典中并返回
    rating_info = {}
    for item in data:
        item = item.strip().split("::")
        usr_id, movie_id, score = item[0], item[1], item[2]

        if usr_id not in rating_info.keys():
            rating_info[usr_id] = {movie_id: float(score)}
        else:
            rating_info[usr_id][movie_id] = float(score)

    return rating_info

4.将各个字典中的数据拼接，形成数据读取器

# 创建数据集,把读取并处理后的数据整合到一起
def get_dataset(self, usr_info, rating_info, movie_info):
    trainset = []
    # 以rating_info的key索引数据
    for usr_id in rating_info.keys():
        usr_ratings = rating_info[usr_id]
        for movie_id in usr_ratings:
            trainset.append({'usr_info': usr_info[usr_id],
                             'mov_info': movie_info[movie_id],
                             'scores': usr_ratings[movie_id]})
    return trainset

5.划分训练集和验证集，生成迭代器，每次提供一个批次的数据

3.2神经网络模型的设计

分别将用户、电影的多个特征数据转换成特征向量

2.使用全连接层或者卷积层进一步提取特征

3.将用户、电影多个数据的特征向量融合成一个向量表示，方便进行相似度计算

4.计算特征之间的相似度

3.3模型优化

化器使用Adam，学习率设置为0.01，一共训练5个epoch。用评分数据作为监督信息，神经网络的输出作为预测值，使用均方差（Mean Square Error）损失函数去训练网络模型。

def train(model):
   # 配置参数
   lr = 0.001
   epoches = 10
   paddle.set_device('cpu')
   # 开始训练
   model.train()
   # 获取数据读取器
   data_loader = model.train_loader
   # 设置Adam优化器
   opt = paddle.optimizer.Adam(learning_rate=lr, parameters=model.parameters())

   for epo in range(epoches):
       for idx, data in enumerate(data_loader()):
           # 获取数据，转换为tensor格式
           usr, mov, score = data
           usr_var = [paddle.to_tensor(var) for var in usr]
           mov_var = [paddle.to_tensor(var) for var in mov]
           scores_label = paddle.to_tensor(score)
           # 获得前向计算结果
           _, _, scores_predict = model(usr_var, mov_var)
           loss = F.square_error_cost(scores_predict, scores_label)
           avg_loss = paddle.mean(loss)
           if idx % 500 == 0:
               print("epoch: {}, batch_id: {}, loss: {}".format(epo, idx, avg_loss.numpy()))

           # 损失函数下降，并清除梯度
           avg_loss.backward()
           opt.step()
           opt.clear_grad()
       # 每个epoch保存一次模型
       paddle.save(model.state_dict(), './checkpoint/epoch' + str(epo) + '.pdparams')