协同过滤算法实现的Movies_Recommend电影推荐系统源码

Movies_Recommend Python Python, HTML, JavaScript, CSS 共9834个文件 jpg: 9731 py: 23 pyc: 23 html: 12 js: 10 css: 8 csv: 4 png: 4 map: 4 gif: 3 movie recommender system in use Collaborative Filtering / 基于协同过滤的电影推荐系统 基于协同过滤的电影推荐系统 数据集：MovieLens的ml-latest-small数据集，大概600多个用户，大概9700多部电影，10万条评分记录 电影详细信息：ml-latest-small提供了一个CSV文件，里面有电影在IMDB上面的ID编号，用爬虫爬下来的，https://blog.csdn.net/hhmy77/article/details/106389370 这篇博客里面有爬虫的代码 技术栈：web框架用的是Django，数据库MySQL，使用Navicat操作数据库，前端用的bootstrap做渲染 算法：使用的是UserCF做推荐，600多个用户用UserCF比较快。ItemCF只计算了相似度，在展示相似电影栏里面用到。 https://github.com/hhmy27/ReSysCode/tree/master/CF 上面有CF算法的代码 详细版本： Django 2.0 Python 3.6 运行方法： 本项目运行需要数据库，database文件夹里面提供了我的数据库备份文件。 如果你想直接导入我的数据库 导入数据库，数据库命名必须是movie_recommend_db 配置好Django里面的数据库链接选项 开始运行 如果你想自己导入数据，从头开始做的话，在views.py开始的地方注释了一大块导入数据库的代码 配置好Django连接数据库的属性 迁移model到数据库上 按顺序运行注释掉的导入数据库代码 开始运行 确保你之前已经配置好Django环境 缺点： 数据库密码用明文存储，当时存储的时候没有想到用加密存储 注释了csrf中间件，没有继续研究这个部分 只在本地运行测试，没有部署到服务器上 推荐大概需要3~4秒的时间，并且推荐的结果中热门电影出现的概率很高（当年的星战，黑客帝国，阿甘正传，肖申克的救赎几乎每次都会推荐。。） 界面有些简陋 页面展示： 首页： 电影详情页：Toy Story为例。黄色提示条下面是相似电影（使用ItemCF计算相似度的方法得出） 用户的评分记录： 推荐效果：使用UserCF https://gitee.com/zyq520zyq/Movies_Recommend