前言
大家好,我是南木元元,热衷分享有趣实用的文章。如今协同过滤等传统推荐算法被广泛用于推荐,但也存在冷启动、矩阵稀疏等问题,本文来分享一下用深度学习的方式来实现电影推荐,主要算法基于tensorflow和卷积神级网络,web端采用python的django框架来进行开发。
实现效果
话不多说,先来看完成的效果。
算法运行结果
- 输入:用户选择的电影id。
输出1:推荐出与该电影相似的电影。
输出2:推荐看过该电影的人还喜欢看的电影。
- 输入:用户的id。
输出:推荐出前5部他可能会喜欢的电影。
系统主要界面
- 登录模块
- 电影推荐模块
选择一部电影后,调用上述算法,从而为用户推荐的电影。
主要代码实现
网络模型
本项目使用的是文本卷积神经网络,并使用MovieLens数据集进行训练,网络模型如下:
经过训练后的loss:
网络模型的代码主要参考了这篇文章。
系统相关代码
本项目主要是用python的django框架进行开发的,以下是django的一些主要代码:
- urls.py配置路由
- settings.py配置数据库
- 登录模块
def login(request):
if request.method == 'GET':
return render(request, 'login.html')
else:
#用户POST提交的数据
u = request.POST.get('user')
p = request.POST.get('pwd')
#把账号密码写死了
# if u == 'cxx' and p == '123':
# #登录成功
# return redirect('/mess/')
#从数据库中判断账号密码是否正确
if u and p:
c = User.objects.filter(username=u,password=p).count()
if c >= 1:
#获取当前登录的用户id
cur_id = User.objects.get(username=u, password=p).id
return redirect('/mess/?user_id='+str(cur_id))
else:
return render(request, 'login.html', {'msg': '账号密码错误'})
else:
#登录失败
return render(request, 'login.html', {'msg': '请输入正确的账号密码'})
- 推荐喜欢的电影
def like(request):
user_id = request.GET.get('user_id')
#获取当前用户
my_user = models.User.objects.get(id=user_id)
global global_model
model = global_model
print('-------正在推荐--------', user_id)
list_like_movies_names, list_like_movies_ids = model.recommend_your_movie(int(user_id))
print('你喜欢的电影:', list_like_movies_names)
print('你喜欢的电影id:', list_like_movies_ids)
# 你喜欢的电影
list_dict_like = []
for i in list_like_movies_names[:6]:
list_dict_like.append(utils.movie_dic(i))
for i in range(len(list_dict_like)):
# list_dict_like[i]['movie_id'] = list_like_movies_ids[i]
list_dict_like[i]['movie_id'] = int(list_like_movies_ids[i]) #把字典中的id转int类型,便于前端if判断
print('相似电影列表:', list_dict_like)
context = {}
context['list_dict_like'] = list_dict_like
context['my_user'] = my_user #返回当前用户,在前端页面显示当前登陆的用户名
return render(request, 'like.html', context)
- 推荐同类型的电影和看过的人喜欢的电影
def index(request):
#获取电影id
movie_id = request.GET.get('movie_id')
global global_model
model = global_model
print('-------正在推荐--------', movie_id)
#choice_movie_name 选择的电影名称
#list_same_movies_names 相似的电影名称
#list_pepole_like_movies_names 喜欢这个电影的人还喜欢的电影名称
#list_same_movies_ids 相似的电影id
#list_pepole_like_movies_ids 喜欢这个电影的人还喜欢的电影id
#和recommend_by_movie方法的返回值一一对应
choice_movie_name, list_same_movies_names, list_pepole_like_movies_names, list_same_movies_ids, list_pepole_like_movies_ids = model.recommend_by_movie(
int(movie_id))
print('选择电影:', choice_movie_name)
print('相似的电影:', list_same_movies_names)
print('喜欢这个电影的人还喜欢:', list_pepole_like_movies_names)
print('相似的电影id:', list_same_movies_ids)
print('喜欢这个电影的人还喜欢id:', list_pepole_like_movies_ids)
#选择的电影
list_dict_choice = []
for i in choice_movie_name:
list_dict_choice.append(utils.movie_dic(i))
list_dict_choice[0]['movie_id'] = movie_id
print('选择电影列表:', list_dict_choice)
# 相似的电影
list_dict_same = []
# for i in list_same_movies_names[:3]: #最多显示3部电影
for i in list_same_movies_names:
list_dict_same.append(utils.movie_dic(i))
for i in range(len(list_dict_same)):
# list_dict_same[i]['movie_id'] = list_same_movies_ids[i]
list_dict_same[i]['movie_id'] = int(list_same_movies_ids[i]) #把字典中的id转int类型,便于前端if判断
print('相似电影列表:', list_dict_same)
# 看过的用户还喜欢的电影
list_dict_otherlike = []
for i in list_pepole_like_movies_names:
list_dict_otherlike.append(utils.movie_dic(i))
for i in range(len(list_dict_otherlike)):
# list_dict_otherlike[i]['movie_id'] = list_pepole_like_movies_ids[i]
list_dict_otherlike[i]['movie_id'] = int(list_pepole_like_movies_ids[i]) #把字典中的id转int类型,便于前端if判断
print('喜欢这个电影的人还喜欢列表:', list_dict_otherlike)
context = {}
context['list_dict_choice'] = list_dict_choice
context['list_dict_same'] = list_dict_same
context['list_dict_otherlike'] = list_dict_otherlike
return render(request, 'index.html', context)
结语
🔥如果此文对你有帮助的话,欢迎💗关注、👍点赞、⭐收藏、✍️评论,支持一下博主~