目录
以下正文：
本文利用Python的Django框架最终实现一个简单的基于协同过滤算法的在线电影推荐系统。
功能齐全可作为练习或毕设参考项目
电影推荐算法基于用户的历史评分数据和电影之间的相似度。
软件及版本
开发相关的技术和软件版本如下：
服务端：Python 3.9
Web框架：Django 4
数据库：Sqlite / Mysql
开发工具IDE：Pycharm
电影推荐系统算法的实现过程
实现的电影推荐算法基于用户的历史评分数据和电影之间的相似度。
这种类型的推荐系统通常被称为协同过滤（Collaborative Filtering），具体来说，这里使用的是基于项目的协同过滤方法。
本系统实现系统推荐算法的实现过程如下：
1 数据准备：
首先，从数据库中获取所有用户的评分数据。这些数据存储在Myrating模型中，其中包含用户ID、电影ID和评分。
使用pandas库将这些数据转换为DataFrame，以便于进行数据处理和分析。
2 构建评分矩阵：
使用用户的评分数据构建一个评分矩阵，其中行代表用户，列代表电影，矩阵中的元素表示用户对电影的评分。
对于缺失的评分（即用户未对某些电影进行评分的情况），使用0来填充。
3 计算电影相似度：
计算电影之间的相似度矩阵。这通常是通过皮尔逊相关系数（Pearson correlation coefficient）来实现的。
对于评分矩阵，计算每对电影之间的相关系数，以衡量它们之间的相似性。
4 处理新用户：
如果当前用户是新用户（即没有进行过任何评分），则推荐一个默认的电影（在这个例子中是ID为19的电影）。
为新用户创建一个初始的评分记录，评分值为0。
5 生成推荐列表：
对于当前用户已经评分的电影，计算其他用户的评分与当前用户的评分之间的相似度。
使用这些相似度来加权其他用户的评分，从而预测当前用户可能对未观看电影的评分。
通过将加权评分相加并排序，得到一个推荐列表，推荐列表中的电影是用户可能感兴趣的，但用户尚未观看的。
6 选择推荐电影：
从推荐列表中选择前10部电影作为推荐结果。
这些电影是根据用户的评分历史和相似度矩阵计算出来的，理论上应该与用户的喜好相匹配。
7 渲染推荐结果：
将推荐的电影列表传递给模板，并渲染成HTML页面展示给用户。
系统功能模块
主页电影列表
电影详情
电影评分
电影收藏
电影推荐
注册
登录
项目文件结构
核心功能代码
显示电影详情评分及收藏功能视图
# 显示电影详情
def detail(request, movie_id):
# 如果用户未登录，则重定向到登录页面
if not request.user.is_authenticated:
return redirect("login")
# 如果用户未激活，则抛出404错误
if not request.user.is_active:
raise Http404
# 获取电影对象，如果不存在则抛出404错误
movies = get_object_or_404(Movie, id=movie_id)
movie = Movie.objects.get(id=movie_id)
# 获取当前用户对该电影的观看状态
temp = list(MyList.objects.all().values().filter(movie_id=movie_id, user=request.user))
if temp:
update = temp[0]['watch']
else:
update = False
if request.method == "POST":
# 对于我的列表
if 'watch' in request.POST:
watch_flag = request.POST['watch']
# 更新观看状态
if watch_flag == 'on':
update = True
else:
update = False
# 更新用户的观看列表
if MyList.objects.all().values().filter(movie_id=movie_id, user=request.user):
MyList.objects.all().values().filter(movie_id=movie_id, user=request.user).update(watch=update)
else:
q = MyList(user=request.user, movie=movie, watch=update)
q.save()
# 显示消息
if update:
messages.success(request, "电影已收藏！")
else:
messages.success(request, "电影已取消收藏！")
# 对于评分
else:
rate = request.POST['rating']
# 更新用户的评分
if Myrating.objects.all().values().filter(movie_id=movie_id, user=request.user):
Myrating.objects.all().values().filter(movie_id=movie_id, user=request.user).update(rating=rate)
else:
q = Myrating(user=request.user, movie=movie, rating=rate)
q.save()
# 显示消息
messages.success(request, "评分已提交！")
return HttpResponseRedirect(request.META.get('HTTP_REFERER'))
out = list(Myrating.objects.filter(user=request.user.id).values())
# 在电影详情页面显示评分
movie_rating = 0
rate_flag = False
for each in out:
if each['movie_id'] == movie_id:
movie_rating = each['rating']
rate_flag = True
break
context = {'movies': movies, 'movie_rating': movie_rating, 'rate_flag': rate_flag, 'update': update}
return render(request, 'recommend/detail.html', context)根据用户评分获取相似电影
# 根据用户评分获取相似电影
def get_similar(movie_name,rating,corrMatrix):
similar_ratings = corrMatrix[movie_name]*(rating-2.5)
similar_ratings = similar_ratings.sort_values(ascending=False)
return similar_ratings推荐电影视图函数
# 推荐电影视图函数
def recommend(request):
# 检查用户是否已认证
if not request.user.is_authenticated:
return redirect("login")
if not request.user.is_active:
raise Http404
# 从数据库中获取所有用户的评分数据，并转换为DataFrame
movie_rating = pd.DataFrame(list(Myrating.objects.all().values()))
# 获取当前用户的唯一用户数量和当前用户的ID
new_user = movie_rating.user_id.unique().shape[0]
current_user_id = request.user.id
# 如果当前用户是新用户（没有对任何电影进行评分），则给用户一个默认推荐
if current_user_id >= new_user:
movie = Movie.objects.get(id=19) # 默认推荐的电影ID
q = Myrating(user=request.user, movie=movie, rating=0)
q.save()
# 构建用户-电影评分矩阵
userRatings = movie_rating.pivot_table(index=['user_id'], columns=['movie_id'], values='rating')
userRatings = userRatings.fillna(0, axis=1) # 填充缺失值为0
# 从数据库中获取当前用户的评分数据
corrMatrix = userRatings.corr(method='pearson') # 计算电影之间的相似度矩阵
# 获取当前用户已经评分的电影ID列表
user = pd.DataFrame(list(Myrating.objects.filter(user=request.user).values())).drop(['user_id', 'id'], axis=1)
user_filtered = [tuple(x) for x in user.values]
movie_id_watched = [each[0] for each in user_filtered]
# 初始化一个空的DataFrame用于存储推荐结果
similar_movies = pd.DataFrame()
# 对于当前用户已经评分的每部电影，计算相似电影的加权评分
for movie, rating in user_filtered:
similar_movies = similar_movies._append(get_similar(movie, rating, corrMatrix), ignore_index=True)
# 获取推荐列表中的电影ID，并排除用户已经观看过的电影
movies_id = list(similar_movies.sum().sort_values(ascending=False).index)
movies_id_recommend = [each for each in movies_id if each not in movie_id_watched]
# 使用Case语句和When语句来为推荐的电影列表创建一个排序字段
preserved = Case(*[When(pk=pk, then=pos) for pos, pk in enumerate(movies_id_recommend)])
# 从数据库中获取推荐的电影列表，并限制为前10部电影
movie_list = list(Movie.objects.filter(id__in=movies_id_recommend).order_by(preserved)[:10])
# 将推荐的电影列表传递给模板
context = {'movie_list': movie_list}
return render(request, 'recommend/recommend.html', context)系统源码及运行手册
下载并解压源文件后。
使用Pycharm打开文件夹movie_recommender
接着在Pycharm中参考如下步骤运行系统：
1、创建虚拟环境
在Pycharm的Teminal 终端输入如下命令：python -m venv venv
2、进入虚拟环境
在Pycharm的Teminal 终端输入如下命令：venv\Scripts\activate.bat
以下界面说明已进入虚拟环境
3、安装必须依赖包
终端输入如下命令：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple( -i 是为了指定安装源，可以加速依赖下载安装速度)
4、运行程序
4.1 直接运行程序（连接sqllite数据库）
本系统默认已自带并连接上了sqllite数据库。
输⼊命令： python manage.py runserver 运⾏服务器，浏览器输⼊地址：http://127.0.0.1:8000/
4.2、连接MySQL
如果想要连接MySQL参考如下步骤：
- 本地新建⼀个MySQL数据库: movie_recommed（名字可以自定义，如果修改，配置文件对应的NAME也要修改）
- 安装MySQL连接器：在终端输入命令：
pip install mysqlclient - 修改配置⽂件 movie_recommender/settings.py 的DATABASES相关的配置项连接到本地MySQL数据库。
修改USER和PASSWORD为⾃⼰的。
DATABASES = {
'default': {
'ENGINE': 'django.db.backends.mysql', # 数据库引擎
'NAME': 'movie_recommed', # 数据库名称
'HOST': '127.0.0.1', # 数据库地址，本机 ip 地址 127.0.0.1
'PORT': 3306, # 端口
'USER': 'root', # 数据库用户名
'PASSWORD': '123456', # 数据库密码
}
}
- 先后输⼊命令
python manage.py makemigrations迁移
数据， python manage.py migrate 创建数据库表。
- 输⼊命令： python manage.py runserver 运⾏服务器。
浏览器输⼊地址：http://127.0.0.1:8000/
源码下载
公众号回复：电影推荐系统
扫一扫
1251
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
