Python+Django+Mysql开发个性化电影推荐系统 movielens数据集 基于机器学习/深度学习/人工智能 基于用户的协同过滤推荐算法 爬虫 可视化数据分析

CSDN 2024-07-02 11:31:02 阅读 50

Python+Django+Mysql开发个性化电影推荐系统 movielens数据集 基于机器学习/深度学习/人工智能 基于用户的协同过滤推荐算法 爬虫 可视化数据分析MovielensRecommendSysPy

一、项目简介

1、开发工具和使用技术

Python,Django,mysql8,navicat数据库管理工具,html页面,javascript脚本,jquery脚本,bootstrap前端框架,layer弹窗组件、echarts可视化组件等。

2、实现功能

前台首页地址:http://127.0.0.1:8000/

后台首页地址:http://127.0.0.1:8000/admin

管理员账号:admin 管理员密码:admin

前台用户包含:注册、登录、注销、喜好标签、浏览电影、搜索电影、信息修改、密码修改、电影评分、电影收藏、电影评论、排行榜、热点推荐、个性化推荐电影等功能;

后台管理员包含:数据分析、用户管理、电影管理、电影类型管理、用户喜好标签管理、评分管理、收藏管理、评论管理、浏览记录管理等。

个性化推荐功能:

游客:热点推荐(根据电影总评分降序推荐);

登录用户:基于用户的协同过滤推荐算法(根据评分数据),如果没有推荐结果,采用标签推荐(推荐登录用户喜好标签下的总评分较高的电影,同时是登录用户没有评分的)。

人气榜单:查询浏览数量最多的电影,同时不包括当前登录用户浏览过的电影。

相关推荐:

推荐与当前电影相同类型下收藏量较高的电影,同时不包括当前登录用户收藏过的电影。

电影数据来源:

系统采用由grouplens项目组从美国著名电影网站movielens整理的ml-latest-small数据集,该数据集包含了671个用户对9000多部电影的10万条评分数据

ml-latest-small数据集是由grouplens项目组从美国著名电影网站movielens整理的

该数据集包含:

movies.csv文件:9742个电影数据,包括电影id、电影名称、电影类型

links.csv文件:包含了电影id在imdb电影网站与tmdb电影网站的id,即:movieid是当前数据集中的电影的id,imdbid是电影在imdb网站中的id,tmdbid是电影在tmdb网站中的id

ratings.csv文件:包含了671个用户对电影的100836个评分数据

movies_all.csv文件:是爬虫根据电影imdbid从imdb网站爬取的电影的其他信息,包括:

导演、编剧、演员、电影图片、电影时长、语言、区域、简介等

保存了9738个电影数据

将ml-latest-small数据集保存在数据库中的过程:

1、爬虫读取movies.csv和links.csv文件,并通过电影的imdbid到imdb网站爬取电影数据(包括图片、导演、演员等信息),同时将电影图片下载在电脑中,数据库中只保存电影图片的名称

2、将爬取的数据保存在movies_all.csv文件中

3、解析movies_all.csv,将电影类型数据保存在电影类型表中,将电影数据保存在电影表中,将电影-电影类型关联数据,保存在关联表中

4、解析ratings.csv文件,将用户id保存在用户表中,将评分数据保存在评分表中

5、因为数据集中只有用户id数据,所以用户表中也只有用户id,因此需要添加用户的用户名、密码等信息

6、添加用户标签数据

3、开发步骤

一、需求分析

主要是分析需要实现的功能、确定开发工具及技术等。例如:前台用户需要有登录、注册、注销、搜索电影、电影评分、个性化推荐等,后台管理员需要有登录、注销、用户管理、电影管理、电影类型管理等,个性化推荐使用基于用户的协同过滤推荐算法等。Python开发语言,mysql数据库,django开发框架等。

二、数据库设计

数据库设计使用navicat数据库管理工具,可通过sql语句脚本生成数据库表,也可以直接操作新建表设计表等。注意主外键关联设计,例如:评分记录表需要外键关联用户表和电影表。

三、页面设计

使用bootstrap前端框架,通过学习https://v5.bootcss.com/官方文档和开发案例来设计页面。

四、开发框架搭建

Django开发框架搭建请参考:使用pycharm创建django项目讲解.doc

五、功能开发

首先是进行前台用户首页的开发,其次是电影详情,然后是用户注册、登录等,接着是用户的评分、修改信息等,然后是进行管理员功能的开发,最后是进行前台用户的个性化推荐功能实现。

六、系统测试

主要是进行bug修改,推荐算法测试。

二、项目展示

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

三、代码展示及运行结果

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

专业长期研究java、python推荐算法(基于内容、协同过滤、关联规则、机器学习等)、大数据等,欢迎留言、私信互相交流学习,后续会不断更新,欢迎关注。


声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。