背景
基于Django和Bootstrap的电影推荐系统结合了用户协同过滤算法，通过爬虫技术获取电影数据，并在可视化后台展示推荐结果。该系统旨在提供个性化的电影推荐服务，帮助用户发现符合其喜好的电影。
用户协同过滤算法是一种常用的推荐算法，通过分析用户的历史行为数据，如电影评分和浏览记录，来推荐类似兴趣的电影给用户。结合Django框架，系统可以实现用户注册、登录、电影推荐等功能，提升用户体验。
通过Bootstrap框架，系统可以实现响应式设计，确保在不同设备上的良好展示效果。爬虫技术用于从各种数据源获取电影信息，保持电影库的更新和完整性。可视化后台提供管理员管理推荐算法、查看推荐结果等功能，使系统更易于操作和管理。
这样的电影推荐系统将为用户提供个性化推荐体验，帮助他们快速找到感兴趣的电影，同时为管理员提供管理工具，帮助他们更好地监控和优化推荐算法。系统的结合了多种技术和功能，旨在为用户和管理员提供便捷、有效的电影推荐服务。
主要功能
基于Django和Bootstrap的电影推荐系统结合了基于用户的协同过滤算法，具备爬虫和可视化后台功能，主要功能包括：
-
用户注册与登录：用户可以注册账户并登录系统，以便记录其个性化的电影偏好和行为数据。
-
电影推荐：基于用户协同过滤算法，系统能够分析用户的历史行为数据，为用户推荐可能感兴趣的电影，提供个性化推荐服务。
-
电影信息展示：系统展示丰富的电影信息，包括电影名称、海报、简介、评分等，帮助用户了解电影内容。
-
爬虫数据更新：通过爬虫技术，系统可以定期从各种数据源获取最新的电影信息，确保电影库的更新和完整性。
-
可视化后台：系统提供可视化后台管理界面，管理员可以通过后台对推荐算法进行调整和管理，查看推荐结果，监控系统运行情况等。
-
响应式设计：使用Bootstrap实现响应式设计，确保系统在不同设备上都能有良好的展示效果。
-
个人化设置：用户可以设置个性化的偏好和关注的电影类型，系统会根据这些设置进行推荐。
这些功能共同构建了一个功能完善的电影推荐系统，旨在提供用户友好的界面和个性化的推荐体验，同时为管理员提供方便的管理工具，以优化推荐算法和提升系统效率。
技术栈
Django
MySQL
Bootstrap
echarts
基于用户的协同过滤算法
主要代码
class ItemBasedCF:
# 初始化参数
def __init__(self):
# 找到相似的20部电影，为目标用户推荐10部电影
self.n_sim_movie = 100
self.n_rec_movie = 15
# 用户相似度矩阵
self.movie_sim_matrix = defaultdict(lambda: defaultdict(float))
# 物品共现矩阵
self.cooccur = defaultdict(lambda: defaultdict(int))
self.movie_popular = defaultdict(int)
self.movie_count = 0
print('Similar user number = %d' % self.n_sim_movie)
print('Recommended user number = %d' % self.n_rec_movie)
self.calc_movie_sim()
# 计算电影之间的相似度
def calc_movie_sim(self):
model_path = 'item_rec.pkl'
# 已有的话，就不重新计算
# try:
# 重新计算
# except FileNotFoundError:
users = User.objects.all()
for user in users:
movies = Rate.objects.filter(user=user).values_list('movie_id', flat=True)
for movie in movies:
self.movie_popular[movie] += 1
self.movie_count = len(self.movie_popular)
print("Total user number = %d" % self.movie_count)
for user in users:
movies = Rate.objects.filter(user=user).values_list('movie_id', flat=True)
for m1 in movies:
for m2 in movies:
if m1 == m2:
continue
self.cooccur[m1][m2] += 1
# self.movie_sim_matrix[m1][m2] += 1
print("Build co-rated users matrix success!")
# 计算电影之间的相似性
print("Calculating user similarity matrix ...")
for m1, related_movies in self.cooccur.items():
for m2, count in related_movies.items():
# 注意0向量的处理，即某电影的用户数为0
if self.movie_popular[m1] == 0 or self.movie_popular[m2] == 0:
self.movie_sim_matrix[m1][m2] = 0
else:
# 根据公式计算w[i][j]
self.movie_sim_matrix[m1][m2] = count / sqrt(self.movie_popular[m1] * self.movie_popular[m2])
print('Calculate user similarity matrix success!')
# 保存模型
with open(model_path, 'wb')as opener:
pickle.dump(dict(self.movie_sim_matrix), opener)
print('保存模型成功!')运行效果
