基于python实现的电影推荐系统
設(shè)計總說明
本文設(shè)計了一個個性化電影推薦系統(tǒng).眾所周知，現(xiàn)在電影資源是網(wǎng)絡(luò)資源的重要組成部分，隨著網(wǎng)絡(luò)上電影資源的數(shù)量越來越龐大，設(shè)計電影個性化推薦系統(tǒng)迫在眉睫.所以本文旨在為每一個用戶推薦與其興趣愛好契合度較高的電影.
論文首先闡述推薦系統(tǒng)的研究現(xiàn)狀以及意義，隨后介紹了相關(guān)的推薦算法，重點介紹協(xié)同過濾算法，并對系統(tǒng)實現(xiàn)所需技術(shù)進行了研究，接著介紹了整個推薦系統(tǒng)的實現(xiàn)，最后對整個項目進行了回顧與總結(jié).
本系統(tǒng)包含電影前端展示界面、電影評分板塊、推薦算法的實現(xiàn)以及后端數(shù)據(jù)庫的設(shè)計.其中實現(xiàn)推薦算法是整個電影推薦系統(tǒng)的核心.系統(tǒng)采用由grouplens項目組從美國著名電影網(wǎng)站movielens整理的ml-latest-small數(shù)據(jù)集，該數(shù)據(jù)集包含了671個用戶對9000多部電影的10萬條評分數(shù)據(jù).首先將該數(shù)據(jù)集包含的全部文件經(jīng)過篩選重組之后存儲到建好的數(shù)據(jù)庫中，并將數(shù)據(jù)集按一定比例劃分為訓練集和測試集，對訓練集進行算法分析生成Top-N
個性化電影推薦列表，然后在測試集上對算法進行評測，至少包括準確率和召回率兩種評測指標.
協(xié)同過濾算法是推薦領(lǐng)域最出名也是應(yīng)用最廣泛的推薦算法.所以系統(tǒng)擬采用兩種協(xié)同過濾算法給出兩種不同的推薦結(jié)果，一種是基于用戶的協(xié)同過濾算法，另一種是基于物品的協(xié)同過濾算法，用戶可以根據(jù)兩種推薦結(jié)果更加合理的選擇合適的電影.系統(tǒng)采用了改進之后的ItemCF-IUF和UserCF-IIF算法，對計算用戶相似度和物品相似度的計算都做出了改進.最后通過計算兩種算法的準確率（Precision）、召回率(Recall)和流行度從而對系統(tǒng)進行評測、并比較了兩種算法各自的優(yōu)勢和劣勢.實驗證明，改進后的算法比原始的協(xié)同過濾算法推薦效果要好，準確率更高.
整個系統(tǒng)涉及到的編程語言包含Python、Html5、JQuery、CSS3以及MySQL數(shù)據(jù)庫編程.用到的框架是Django重量級web框架，通過該框架連接系統(tǒng)的前、后端.用戶首先需要填寫用戶名、密碼以及郵箱注冊系統(tǒng)，然后才能登陸推薦系統(tǒng).進入首頁后會看到8個電影分類，包括恐怖片、動作片、劇情片等.用戶需要給自己看過的電影進行評分，評分起止為0.5-5.0分，共10個分段.每評價一部電影就要點擊一下提交按鈕，將所評分的電影的
imdbId號以及對應(yīng)的評分存入數(shù)據(jù)庫中.用戶點擊“推薦結(jié)果”按鈕，系統(tǒng)就調(diào)用推薦算法遍歷數(shù)據(jù)庫所存數(shù)據(jù)，得出推薦列表之后將結(jié)果反饋給瀏覽器，同時調(diào)取數(shù)據(jù)庫所存電影海報圖片進行展示.用戶點擊自己登陸的昵稱，會跳轉(zhuǎn)頁面顯示自己已經(jīng)評價過的電影.
本文還分析了系統(tǒng)的需求，并對需求進行相關(guān)設(shè)計，最后用Django框架實現(xiàn)了該系統(tǒng)，
并給出了系統(tǒng)所用的主要數(shù)據(jù)表展示以及各個功能界面的展示.
關(guān)鍵詞：電影推薦系統(tǒng)；協(xié)同過濾；基于鄰域推薦；個性化服務(wù)
第 1 章 緒論
研究背景及意義
隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，現(xiàn)在已經(jīng)進入了大數(shù)據(jù)時代，網(wǎng)絡(luò)上的信息呈現(xiàn)爆炸式增長，每天都會有數(shù)以億計的數(shù)據(jù)涌現(xiàn).人們接觸各種信息的途徑也越來越豐富，比如微博、Facebook、Twitter、微信公眾號等等.而這些在給用戶帶來便利的同時也帶來了前所未有的問題——“信息過載”[1].
“信息過載”就是指用戶很難從龐大的數(shù)據(jù)中找到自己感興趣的信息[2],[3].為了解決信息過載問題，首先出現(xiàn)的是搜索引擎，但是一旦用戶無法準確描述自己所需的關(guān)鍵詞，搜索引擎就無能為力了，且搜索是一種被動的檢索.而且，不同用戶之間的需求差異很大.如果只是單純的靠搜索引擎以及無法滿足獲取自身需求的信息.隨著科技的發(fā)展，后來才有了推薦系統(tǒng)[4].
但是，最初的自動推薦系統(tǒng)，只是會將時下熱門的、大眾都愛的或者能使公司獲得最大收益的產(chǎn)品推薦給用戶，并沒有針對每一個用戶進行分析給出推薦.這樣推薦的效果非常不理想.因此，人們希望有一種能向用戶自動推薦項目的系統(tǒng)和方法，并且這個系統(tǒng)基于用戶的偏好且對所推薦的產(chǎn)品進行屬性分析.這就是個性化推薦系統(tǒng).
個性化推薦系統(tǒng)技術(shù)可以應(yīng)用到很多網(wǎng)站上，比如圖書網(wǎng)站、視頻網(wǎng)站、音樂網(wǎng)站、交友網(wǎng)站等.用戶使用推薦系統(tǒng)的時間越長，不僅可以提高用戶對該網(wǎng)站的忠誠度[5]，還能為網(wǎng)站帶來更多收益.最近幾年推薦系統(tǒng)發(fā)展迅速，這要歸功于Web2.0技術(shù)的成熟.現(xiàn)在用戶已經(jīng)成為了網(wǎng)頁的積極參與者而不再是被動的網(wǎng)頁瀏覽者[6].所以，為眾多平臺用戶提供個性化推薦迫在眉睫.
截止于2017年底，國內(nèi)知名視頻網(wǎng)站優(yōu)酷網(wǎng)上的電影和電視劇數(shù)量已達16040部.在如此龐大的視頻數(shù)量下，怎樣快速幫助用戶發(fā)掘自己感興趣的電影在網(wǎng)站運營中顯得尤為重要.而且看電影常常被用戶當做一種放松娛樂的方式，所以用戶在打開電影網(wǎng)站時可能沒有明確想看的電影.這樣只有靠推薦系統(tǒng)通過分析用戶的歷史行為以及現(xiàn)下看的電影去分析潛在的用戶可能感興趣的電影.
國內(nèi)外研究現(xiàn)狀
“推薦系統(tǒng)”這個概念首次由Resnick在1997年提出[7]，此后就一直被廣泛引用.2007
年，ACM推薦系統(tǒng)會議開始舉辦，這是第一個以“推薦系統(tǒng)”命名的頂級會議，旨在分享研究成果和方法，推動該領(lǐng)域的發(fā)展.現(xiàn)在，AI（人工智能）、DM（數(shù)據(jù)挖掘）等學科的研究更加推動了推薦系統(tǒng)的發(fā)展.
如今，人們生活的方方面面已經(jīng)離不開推薦系統(tǒng)了.幾乎所有的領(lǐng)域都在應(yīng)用個性化推薦，比如電子商務(wù)、圖書網(wǎng)站、社交網(wǎng)站等等.
-
電子商務(wù)推薦
Amazon是電子商務(wù)推薦系統(tǒng)的代表，當用戶登錄后進入亞馬遜圖書網(wǎng)站首頁，就會看到“為您推薦”板塊，系統(tǒng)根據(jù)你的歷史行為生成了圖書推薦列表，如圖1-1所示.還有一
個“與您瀏覽過的商品相關(guān)的推薦”板塊.正式這樣有針對性的推薦，潛在的給Amazon帶來了巨大的經(jīng)濟收益.
圖1-1 亞馬遜網(wǎng)站的推薦板塊1
[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-lzvl81jE-1617337753444)(media/c4b7635f4d00ca1b003f542abbe022d5.jpeg)]
圖1-2 亞馬遜網(wǎng)站的推薦板塊2
國內(nèi)的淘寶網(wǎng)也是典型代表.淘寶app首頁的“必買清單”其實就是根據(jù)用戶的瀏覽和購物行為而自動生成的產(chǎn)品推薦.當用戶購買商品之后，頁面下方有“你可能喜歡”板塊，
這樣對用戶進行針對性的推薦，極大的促進了每日的交易量.
-
社交網(wǎng)絡(luò)推薦
扎克伯格開發(fā)的Facebook是社交網(wǎng)絡(luò)推薦領(lǐng)域的代表[16]，它也是利用社交網(wǎng)絡(luò)數(shù)據(jù)進行相關(guān)推送.比如里面的好友推薦界面，其實是根據(jù)用戶現(xiàn)有的好友以及用戶的行為記錄給用戶推薦新的好友.因為如果社交網(wǎng)站里的用戶的好友量很稀少，就不能體驗到社會化的優(yōu)勢.因此，好友推薦模塊已經(jīng)成為社交網(wǎng)絡(luò)的標配.
-
視頻推薦
Netflix是電影和視頻推薦領(lǐng)域的代表，它舉辦了在整個業(yè)界都產(chǎn)生廣泛影響的Netflix
比賽，極大促進了推薦技術(shù)的研究.國內(nèi)的愛奇藝視頻網(wǎng)站也有相應(yīng)的電影推薦模塊.
-
音樂推薦
國內(nèi)非常受大眾喜愛的音樂播放器有“網(wǎng)易云音樂”.打開界面就能看到“私人FM”
板塊，里面全部是根據(jù)用戶歷史聽過的歌曲進行的推薦；“個性化推薦”板塊如圖1-3所示，其中展示了三個歌單，都是根據(jù)用戶聽過的歌曲所生成的推薦列表.里面還包括了“每日歌曲推薦”，也是根據(jù)用戶的音樂口味生成.點進去查看如圖1-4所示.
圖1-3 網(wǎng)易云“個性化推薦”板塊
圖1-3 網(wǎng)易云“每日歌曲推薦”板塊
國外對音樂個性化推薦系統(tǒng)的研究：認為用戶所處的情境，比如用戶當時所處的地點、時間以及天氣等因素，都會對用戶的偏好類型有影響[8].如Wang等人[9]用手機作傳感器來收
集用戶聽音樂時的環(huán)境信息，然后構(gòu)建出概率模型進行分析后給用戶做推薦.
基本現(xiàn)在所有的推薦系統(tǒng)都是由前端web頁面、推薦算法、后臺日志系統(tǒng)組成.其中最核心的就是推薦算法.目前常用的算法有：協(xié)同過濾算法(Breese
JS et al,1998)、基于內(nèi)容的推薦算法(Mooney et al,2000)、
基于關(guān)聯(lián)規(guī)則的推薦算法(Agrawal el)以及混合推薦算法(Claypool M et al,1999).
基于內(nèi)容的過濾算法是根據(jù)信息資源和用戶興趣的相似度來推薦商品.能推薦新項目或者冷門的項目，使推薦系統(tǒng)不受冷啟動和數(shù)據(jù)稀疏問題的影響.其實搜索引擎就是基于內(nèi)容的檢索，該算法在國外的主要應(yīng)用有Pazzani等人設(shè)計[19]的Syskill&Webert系統(tǒng)[17].
協(xié)同過濾是利用用戶之間的相似性來推薦用戶該興趣的物品.但有兩個很難解決的問題，一個是稀疏性：系統(tǒng)初期由于系統(tǒng)資源還未獲得足夠的評價與反饋[9],[10]，另一個是可擴展性：用戶和資源的增多會使系統(tǒng)性能越來越差.
本文研究目標和研究內(nèi)容
本論文的研究目標是通過協(xié)同過濾算法實現(xiàn)一個個性化電影推薦系統(tǒng)：用戶首先通過填寫用戶名、密碼、郵箱地址注冊后進入系統(tǒng)，然后對系統(tǒng)主頁所展示的8個類別的電影中看過的電影進行評分，0.5分為最低分，滿分為5分，所對應(yīng)的評價分別是：不喜歡、一般、喜歡、推薦.提交評分后瀏覽器將評分數(shù)據(jù)通過表單提交到數(shù)據(jù)庫，推薦系統(tǒng)后臺的分析算法通過UserCF（基于用戶的協(xié)同過濾算法）和ItemCF（基于物品的協(xié)同過濾算法）
給出兩種推薦.即一個是基于用戶之間的相似度，一個是基于電影之間的相似度.
本文主要研究內(nèi)容包括：
研究原始的協(xié)同過濾算法，并調(diào)研應(yīng)用該算法的視頻網(wǎng)站.
對原始的協(xié)同過濾算法做出改進，使推薦結(jié)果更加切符合用戶興趣.
選定Top-N推薦的常用評價標準召回率和準確率與原始的協(xié)同過濾算法進行比較.
以傳統(tǒng)的協(xié)同過濾算法為基礎(chǔ)，設(shè)計和實現(xiàn)一個個性化電影推薦系統(tǒng)，并從需求分析、系統(tǒng)設(shè)計、系統(tǒng)實現(xiàn)三個方面對該系統(tǒng)進行闡述.
論文結(jié)構(gòu)安排
本文的結(jié)構(gòu)安排如下： 第一章 緒論
主要闡述個性化推薦系統(tǒng)技術(shù)的研究背景及意義，說明推薦系統(tǒng)的實用性，講解推薦算法的國內(nèi)外研究現(xiàn)狀以及推薦系統(tǒng)的國內(nèi)外應(yīng)用現(xiàn)狀，并簡述本文的研究目標以及研究內(nèi)容.
第二章 推薦算法的研究
分析并介紹現(xiàn)有的幾種推薦算法：協(xié)同過濾算法、基于內(nèi)容的推薦算法、基于標簽的推薦算法，重點分析協(xié)同過濾算法.簡要介紹相似度的計算公式：余弦相似度、歐式距離、皮爾遜(Pearson)相關(guān)系數(shù)以及曼哈頓距離，本系統(tǒng)所用的相似度計算公式為余弦相似度.還介紹了幾種推薦系統(tǒng)常用的評測指標.
第三章 實驗設(shè)計及系統(tǒng)實現(xiàn)相關(guān)技術(shù)的研究
介紹了三個實驗的設(shè)計流程及結(jié)果分析，對算法進行了評測.介紹了實現(xiàn)系統(tǒng)所需技術(shù)，重點介紹了Python、Django和MySQL.
第四章 推薦系統(tǒng)的設(shè)計與實現(xiàn)
對國內(nèi)外主流視頻網(wǎng)站進行調(diào)研.闡述了系統(tǒng)的需求分析，詳細描述了系統(tǒng)的各個功能模塊設(shè)計、數(shù)據(jù)庫設(shè)計以及界面展示等方面的內(nèi)容.
第五章 總結(jié)與展望
本章對整篇論文的研究過程進行回顧，并總結(jié)出不足之處，對推薦系統(tǒng)的后續(xù)研究做出相關(guān)探討.
第 2 章 推薦算法的研究
推薦算法簡介
協(xié)同過濾算法
協(xié)同過濾算法[12]主要包括基于用戶的協(xié)同過濾算法（UserCF）和基于物品的協(xié)同過濾算法(ItemCF)兩種推薦算法.
基于用戶的協(xié)同過濾算法是推薦系統(tǒng)中最古老的算法，它是推薦系統(tǒng)誕生的標志[17].
其主要包括兩個步驟：
找到和目標用戶興趣相似的用戶集合
找到這個集合中大多數(shù)用戶都喜歡的，且目標用戶沒有買過或者看過的物品進行推薦[18]
基于物品的協(xié)同過濾算法目前使用也很普遍.很多著名的視頻網(wǎng)站如：Hulu、YouTube
推薦算法的基礎(chǔ)都是該算法.該推薦算法的原理是向用戶推薦和他們之前購買過的物品相似度很高的物品.比如，該算法會因為你購買過《python編程從入門到實踐》而給你推薦《用
python寫網(wǎng)絡(luò)爬蟲》.主要分為兩個步驟：
計算各個物品間的相似度
對物品的相似度從高到低進行排序，然后挑選一定數(shù)量的相似度較高物品進行推薦.或者根據(jù)用戶曾經(jīng)的歷史記錄進行推薦.
基于內(nèi)容的推薦算法
從每個物品中抽取一些特征，然后利用一個用戶過去喜歡和不喜歡的物品的特征數(shù)據(jù)來學習此用戶的喜好特征.通過比較用戶的特征和物品的特征，給用戶推薦相似度較高的物品.基于內(nèi)容的推薦算法保護了用戶之間的獨立性，并且能很好的解決物品的冷啟動問題.
基于內(nèi)容的推薦算法可以充分將項目內(nèi)容和用戶本身的諸多特征聯(lián)系起來，比如一部電影的演員、導(dǎo)演、類型，用戶的性別、年齡、職業(yè)等.
其根據(jù)用戶歷史行為構(gòu)造出用戶偏好文檔，計算所推薦的項目與用戶偏好文檔的相似度，選擇最相似的項目推薦給用戶.首先為每個物品構(gòu)建一個物品的屬性資料，然后為每個用戶建立其一個喜歡的物品集，最后計算其和物品屬性資料的相似度.相似度高意味著用戶可能喜歡這個物品，相似度很低則意味著用戶會討厭這個物品[13].
基于標簽的推薦算法
標簽是一種無層次化結(jié)構(gòu)的、用來描述信息的關(guān)鍵詞，可以描述物品的內(nèi)涵特征.有很多網(wǎng)站都利用了標簽系統(tǒng).比如：CiteULike論文書簽網(wǎng)站，它允許科研人員收藏自己喜歡的論文并給論文打上標簽[21].還有國內(nèi)的豆瓣網(wǎng)站，豆瓣網(wǎng)允許用戶對電影以及圖書等打標簽，系統(tǒng)利用打標簽這個途徑可以獲悉圖書和電影的內(nèi)容以及所屬類別.
系統(tǒng)實現(xiàn)算法介紹
基于用戶的協(xié)同過濾算法
假設(shè)給定用戶 u 和用戶 v，令 N(u)表示用戶 u 曾經(jīng)評價過的電影集合，令
N(v)表示用戶 v 曾經(jīng)評價過的電影集合.通過余弦相似度計算用戶 u 和 v
的興趣相似度：
| N (u) || N (v) |
| N (u) ? N (v) |
（2-1）
但是上述公式過于粗糙，本系統(tǒng)采用的計算相似度的公式是 John S.Breese
在論文[14] 中提出的下列計算興趣相似度的公式：
?i ? N (u) ? N (v) 1
w uv
???log(1? | N (i) |)
| N (u) || N (v) |
（2-2）
該改進過的基于用戶的協(xié)同過濾算法記為 UserCF-IIF[14].式（2-2）通過
1 懲
log(1? | N (i) |)
罰了兩個用戶的興趣列表中包含熱門電影而對他們相似度產(chǎn)生的影響.這樣得到用戶之間的相似度之后，推薦算法會給用戶推薦與他興趣最相似的
K 個用戶喜歡的電影，下列公式計算了用戶 u 對電影 j 的興趣度.
pui ?
? wuv rvi
v?I (i )?S (u ,k )
（2-3）
式（2-3）中的 I(i)是對電影 i 打過分的用戶集合. S?u, k ?是和用戶 u
有著相似興趣愛好的 k 個用戶的集合， wuv 表示用戶 u 和用戶 v 之間的相似度，
rvi 衡量了用戶 v 對電影 i 的興趣度，在本系統(tǒng)里是指用戶 v 對電影 i
的評分.最后按對電影的興趣度從高到低排序，推薦前 N 部電影給用戶 u，屬于 Top-N
推薦.
基于物品的協(xié)同過濾算法
基于物品的協(xié)同過濾算法是計算物品之間的相似度，然后根據(jù)用戶之前喜歡的物品來推薦用戶可能喜歡的物品.
| N (i) || N ( j) |
| N (i) ? N ( j) |
（2-4）
式（2-4）為計算物品相似度的公式，它懲罰了物品 j
的權(quán)重，運用到本系統(tǒng)中可以有效避免某一熱門電影和很多其他多數(shù)電影都產(chǎn)生較大的相似度.
在基于物品的協(xié)同過濾算法中，兩個物品之間有相似度是因為它們存在于很多用戶的興趣列表中.但是每個用戶的貢獻都不相同.活躍用戶對物品相似度的貢獻應(yīng)該小于不活躍的用戶.所以本系統(tǒng)采用下列改進過的計算物品相似度的公式：
?u ? N (i) ? N ( j) 1
wij
???log(1? | N (u) |)
| N (i) || N ( j) |
（2-5）
式（2-5）中的
1
log(1? | N (u) |)
也懲罰了活躍用戶對物品相似度的貢獻.之后通過下列公
式計算來用戶 v 對物品 j 的興趣度.
pvj ?
? wji rvi
i?I (v)?S ( j ,k )
（2-6）
式（2-6）中的 I(v)表示用戶 v 喜歡的或者曾經(jīng)產(chǎn)生過行為的物品集合， S ? j,
k ?表示和物品 j 最相似的 k 個物品的集合， rvi 是用戶 v 對物品 i
的興趣度， w ji 為物品 j 和物品 i 之間的相似度，在本系統(tǒng)中取用戶 v 對電影 i
的評分.改進過的基于物品的協(xié)同過濾算法記為
ItemCF-IUF[14].
相似度計算
在協(xié)同過濾算法中，相似度的計算至關(guān)重要.只有計算了用戶或者物品之間的相似度才能得出推薦列表.常用的相似度計算方法有以下幾種：
余弦相似度
在 n 維空間中，任意兩個向量之間的夾角的余弦值大小即代表這兩個向量的相似程度.
余弦值的取值范圍為[-1,1].
假設(shè) n 維空間中存在向量 i 和向量 j，式（2-7）為計算其余弦相似度的公式.
?
?
? ?
Sim(i,j) = cos( i , j ) =
i ? j （2-7）
歐式距離
|| i || * || j ||
歐式距離也稱為歐幾里得度量，是指在 n
維向量空間中，任意兩個向量之間的自然長度.同樣的，假設(shè)存在向量 M 和
N，則歐式距離表達公式如式（2-8）所示.
?
i?1
n
(m ? n )
2
i i
皮爾遜(Pearson)相關(guān)系數(shù)
如果一個推薦算法使用的是皮爾森相關(guān)系數(shù)來計算相似度，那么該算法將會比使用余弦相似度公式計算相似度的算法的精確度更高[19].然而這是要建立在兩個用戶擁有較多共同評分項目的基礎(chǔ)上，如果兩個用戶之間共同評分項目很少[19]，使用皮爾森相關(guān)系數(shù)進行計算無法反映出真實的相似度.
?(J ? J )(K ? K )
?(J ? J )2 ?(K ? K )2
曼哈頓距離
?J ,K ?
（2-9）
在平面上，坐標( x1 , y1 )與坐標( y1 , y2 )的曼哈頓距離為：
Sim(x,y) =
| x1 - x 2 | ? | y1 - y2 |
（2-10）
推薦算法評測指標
評分預(yù)測
| T |
u ,i?T
(r ? r? )2
ui ui
RMSE ?
（2-11）
式（2-11）中的 T 表示實驗數(shù)據(jù)集的數(shù)量，rui 表示的是用戶 u 對物品 i
的真實評分，r?ui表示的是用戶 u 對物品 i 的預(yù)測評分[14].
MAE ?
1
| T |
?u,i?T
| rui
-
r?ui* |
（2-12）
TopN 推薦
通常，網(wǎng)站在提供預(yù)測服務(wù)時會選擇為用戶生成推薦列表，這種推薦就叫 Top-N
推薦， 這種預(yù)測準確率一般是通過準確率或者召回率測量[14].
推薦結(jié)果的準確率定義為：
Precision ? ?u?U | R(u) ? T (u) |
?u?U | R(u) |
（2-13）
推薦結(jié)果的召回率定義為：
Recall ? ?u?U | R(u) ? T (u) |
?u?U | T (u) |
（2-14）
式（2-14）中的 R(u)為算法根據(jù)用戶的訓練集給出的推薦列表，T(u)是用戶測試集列
表.
本章小結(jié)
本章節(jié)主要闡述了推薦系統(tǒng)實現(xiàn)所需的算法基礎(chǔ)、技術(shù)平臺以及一些開發(fā)工具，主要介紹了協(xié)同過濾算法及常用的評測指標，同時簡述了相似度的計算公式.
第 3 章 實驗設(shè)計及系統(tǒng)實現(xiàn)相關(guān)技術(shù)的研究
實驗設(shè)計及結(jié)果分析
本節(jié)將設(shè)計三個實驗對第2 章第2
節(jié)介紹的改進后的兩種算法與原始的協(xié)同過濾算法進行性能對比，并分析得出結(jié)論.
實驗環(huán)境
對比實驗使用的環(huán)境如表 3-1 所示：
表 3-1 實驗環(huán)境
處理器 Intel? Core? i5-7200U 2.5GHz
內(nèi)存 4.00GB
運行環(huán)境 Windows 10
軟件 Sublime Text3, MYSQL，Pycharm
編程語言 Python
實驗設(shè)計
將數(shù)據(jù)集隨機分為 10 份，其中的 7 份為訓練集，另外的 3
份為測試集.在訓練集上建立用戶行為數(shù)據(jù)模型，在測試集上進行實驗測評，并統(tǒng)計測評結(jié)果.由于本系統(tǒng)采用的是Top-N
推薦，故使用準確率、召回率以及流行度來對算法進行評測.
-
實驗一：對 UserCF 和 UserCF-IIF
算法分別取不同的推薦電影數(shù)目（N）計算準確率和召回率的值，得出 N
取多少時推薦算法的性能相對最好.分別取推薦電影資源個數(shù)為 5，10，15，20 對 UserCF
算法進行對比實驗，得到的結(jié)果數(shù)據(jù)如表 3-2 所示.
表 3-2 UserCF 算法的準確率和召回率
| 5 | 0.3768 | 0.0421 |
| 10 | 0.3244 | 0.0724 |
| 15 | 0.2881 | 0.0965 |
| 20 | 0.2629 | 0.1174 |
分別取推薦電影資源個數(shù)為 5，10，15，20 對 UserCF-IIF
算法進行對比實驗，得到的結(jié)果數(shù)據(jù)如表 3-3 所示.
表 3-3 UserCF-IIF 算法的準確率和召回率
| 5 | 0.3782 | 0.0422 |
| 10 | 0.3264 | 0.0729 |
| 15 | 0.2925 | 0.0980 |
| 20 | 0.2660 | 0.1188 |
將上述兩張表的數(shù)據(jù)畫成折線圖分別對比兩個算法的準確率和召回率，如圖 3-1 和圖
圖 3-1 UserCF 和 UserCF-IIF 準確率對比
[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-WQbXUD96-1617337753463)(media/3a58adb53752204d8d82e2cd9b4626ea.jpeg)]
圖 3-2 UserCF 和 UserCF-IIF 召回率對比
由圖知，準確率隨著推薦數(shù)目的增加呈遞減趨勢，召回率隨著推薦數(shù)目的增加呈遞增趨勢.結(jié)合實際的推薦情況，選擇
N=10 推薦效果最好.
并且改進之后的基于用戶的協(xié)同過濾算法的準確率和召回率都比傳統(tǒng)的算法略高.
-
實驗二：對 ItemCF 和 ItemCF-IUF 算法也進行準確率和召回率的計算和對比.
通過圖 3-3 和圖 3-4 可以得出推論，ItemCF-IUF
算法的準確率和召回率都明顯高于傳統(tǒng)的 ItemCF 算法.
圖 3-3 ItemCF 和 ItemCF-IUF 準確率對比
圖 3-4 ItemCF 和 ItemCF-IUF 召回率對比
-
實驗三：綜合準確率、召回率、流行度的平均值對比 UserCF-IIF 和 UserCF 以及
ItemCF-IUF 和 ItemCF 算法性能.
分別計算出四個算法在 N 取 5、10、15、20
的準確率、召回率、流行度的值，并取平均數(shù).如表 3-4 所示，UserCF-IIF 在準確率和召回率上和 UserCF
算法相近，降低了推薦結(jié)果的流行度.如表 3-5 所示，ItemCF-IUF
在準確率和召回率上明顯優(yōu)于 ItemCF
算法，同樣降低了推薦結(jié)果的流行度.這說明在計算物品相似度時考慮用戶的活躍程度可以提升推薦結(jié)果的質(zhì)量.且對于本數(shù)據(jù)集，基于用戶的協(xié)同過濾算法性能優(yōu)于基于物品的協(xié)同過濾算法.
表 3-4 基于用戶的協(xié)同過濾算法對比
算法 準確率 召回率 流行度
UserCF 0.3130 0.0821 4.8831
UserCF-IIF 0.3158 0.0830 4.8637
表 3-5 基于物品的協(xié)同過濾算法對比
算法 準確率 召回率 流行度
ItemCF 0.2660 0.0829 4.0427
ItemCF-IUF 0.2952 0.0831 4.0316
系統(tǒng)實現(xiàn)相關(guān)技術(shù)的研究
論文中推薦系統(tǒng)的開發(fā)與實現(xiàn)主要包括 web
前端技術(shù)、數(shù)據(jù)處理技術(shù)、推薦算法實現(xiàn)，系統(tǒng)開發(fā)所需技術(shù)如表 3-6 所示.
表 3-6 系統(tǒng)所需技術(shù)
技術(shù)類型 技術(shù)名稱
推薦算法開發(fā)語言 Python3
前端開發(fā)語言 Html5、CSS3、Jquery
web 框架 Django
數(shù)據(jù)庫 MySQL
Python 語言研究
Python 是由 Guido van Rossum
在八十年代末和九十年代初，在荷蘭國家數(shù)學和計算機科學研究所設(shè)計出來的[16],[21].是一個高層次的結(jié)合了解釋性、編譯性、互動性和面向?qū)ο蟮哪_本語言[21].相比于
C 或者 Java 等其他編程語言，Python
能讓開發(fā)者很輕松的用幾行代碼就能實現(xiàn)一個功能完善的程序.
詳細說來，Python 語言的優(yōu)勢有以下幾點：
易于學習：Python 相對其他語言比如
C++來說關(guān)鍵字較少，并且語法簡單，這種特性可以讓開發(fā)者輕而易舉的上手.
易于閱讀：Python 嚴格控制代碼縮進，使讀者能夠更加清晰的閱讀代碼.
面向?qū)ο?#xff1a;Python 和 Java
類似，存在一個介于源代碼文件和二進制代碼文件之間的字節(jié)碼文件，更有利于項目在不同的平臺間移植.
豐富的庫：Python
擁有大量且豐富的標準庫，可以減少很多不必要的代碼，也可以更高效的對數(shù)據(jù)、圖像進行處理.
跨平臺且開源.Python 可以跨平臺運行，并且開放源碼超過 20
年，能讓開發(fā)者更加深入的了解 Python 的機制.
Django 框架研究
Django 是一個基于 Python 的 Web 框架，可以用來開發(fā)交互式網(wǎng)站.Django 采用的是
MTV
框架模式，即模型（Model），模板(Template)和視圖(Views).它們各自的職責如表
3-7
所示.
由于 Django 是免費的，且公布了其源碼，又擁有豐富的文檔，所以使用的人員很多.
其具體有以下幾個優(yōu)點：
通用性：Django 可以和任何客戶端框架一起工作，并且可以提供幾乎任何格式的內(nèi)容.
安全性：Django 提供一種安全的方式管理用戶的賬戶和密碼，其 cookies
只包括一個秘鑰，而實際數(shù)據(jù)存儲在數(shù)據(jù)庫中.并且 Django
可以防范許多漏洞，大大提高了網(wǎng)站的安全性.
靈活性：由于 Django 是用 Python 語言所編寫的，所以它不受服務(wù)器平臺的限制.
比如在 Linux 系統(tǒng)、Windows 系統(tǒng)或者 Mac 系統(tǒng)上都能運行程序.
表 3-7 MTV 各自職責
層次 職責
模型，即數(shù)據(jù)存取層 處理與數(shù)據(jù)相關(guān)的事物，比如存取數(shù)據(jù)、驗證數(shù)據(jù)合法性
模板，即業(yè)務(wù)邏輯層 一般包含前端所有代碼以及調(diào)用的圖片
視圖，即表現(xiàn)層 是模型與模板之間的橋梁
Django 的 MTV 各個組織之間的協(xié)作如圖 3-5 所示.
圖 3-5 MTV 協(xié)作流程圖
MySQL 數(shù)據(jù)庫研究
數(shù)據(jù)庫是一種用于存儲數(shù)據(jù)集合的獨立應(yīng)用程序.每種數(shù)據(jù)庫都會有一個或多個獨特的
API，用來創(chuàng)建、訪問、管理、搜索或復(fù)制數(shù)據(jù)庫中保存的數(shù)據(jù).關(guān)系數(shù)據(jù)庫是建立在關(guān)系模型基礎(chǔ)上的數(shù)據(jù)庫，其所有數(shù)據(jù)都存儲在不同的表中，表之間的關(guān)系由主鍵或者外鍵等連接.
MySQL 數(shù)據(jù)庫就是一種快速易用的關(guān)系型數(shù)據(jù)庫管理系統(tǒng)（RDBMS），是瑞典的MySQL
AB
公司開發(fā)的一個可用于各種流行操作系統(tǒng)平臺的關(guān)系數(shù)據(jù)庫系統(tǒng)，并且是一種免費的數(shù)據(jù)庫管理系統(tǒng).
MySQL 語言由
DDL（數(shù)據(jù)定義語言）、DML（數(shù)據(jù)操縱語言）、DCL（數(shù)據(jù)控制語言）組成.相比于其他的關(guān)系型數(shù)據(jù)庫，MySQL
具有許多吸引人之處：
比較容易使用.MySQL
是一個高性能并且相對很多其他數(shù)據(jù)庫來說是比較簡單的數(shù)據(jù)庫系統(tǒng).
全面支持查詢語言.MySQL
可以利用結(jié)構(gòu)化查詢語言，并且支持聚合函數(shù)，程序員可以在同一個查詢中混合來自不同數(shù)據(jù)庫的表.
連接性和安全性.完全支持網(wǎng)絡(luò)化，其數(shù)據(jù)庫可以在 Internet 上的任何地方訪問，
不會有限制.
MySQL
是客戶端/服務(wù)器架構(gòu)的服務(wù)器，為客戶端提供了不同的程序接口和連接庫，且是多線程的[24].
支持大型的數(shù)據(jù)庫，可以方便的支持上千萬條記錄的數(shù)據(jù)庫.
3.3 本章小結(jié)
本章簡要介紹了系統(tǒng)所需實驗環(huán)境，設(shè)計了三個實驗對算法進行比較，第一個實驗比較
UserCF-IIF 和 UserCF 算法的性能，第二個實驗比較 ItemCF-IUF 和 ItemCF
算法的性能，
第三個實驗從準確率、召回率、流行度三個方面對基于用戶的協(xié)同過濾算法和基于物品的協(xié)同過濾算法進行了比較，得出在本數(shù)據(jù)集的基礎(chǔ)上，基于用戶的協(xié)同過濾算法性能更優(yōu)一些的結(jié)論.最后對系統(tǒng)所用的技術(shù)進行了研究，詳細介紹了
Python 語言的優(yōu)勢、Django 框架和 MySQL 數(shù)據(jù)庫的優(yōu)點.
第 4 章 推薦系統(tǒng)的設(shè)計與實現(xiàn)
本章將改進后的基于用戶的協(xié)同過濾算法和基于物品的協(xié)同過濾算法相結(jié)合應(yīng)用到實際中，做出了個性化的電影推薦系統(tǒng).本章首先對國內(nèi)外的主流視頻網(wǎng)站進行了調(diào)研，然后講解系統(tǒng)的需求分析，介紹系統(tǒng)架構(gòu)以及數(shù)據(jù)庫，最后展示系統(tǒng)界面.
國內(nèi)外主流視頻網(wǎng)站推薦效果調(diào)研
國內(nèi)視頻網(wǎng)站調(diào)研
調(diào)研了作為國內(nèi)第一大視頻網(wǎng)站的優(yōu)酷網(wǎng).圖 4-1 為優(yōu)酷視頻網(wǎng)站首頁的“優(yōu)酷懂你”
板塊為某用戶給出的推薦列表[17]，圖 4-2 為該用戶的觀看記錄.
對比觀察用戶的觀看記錄和優(yōu)酷給出的推薦列表，發(fā)現(xiàn)該用戶比較偏向看綜藝、日劇以及恐怖片.但是推薦列表中的視頻基本都與用戶的喜好不同.其實優(yōu)酷網(wǎng)的這個版塊只是推薦了一些熱門視頻，缺乏個性化和針對性，推薦效果很差，既浪費用戶時間也降低了用戶的體驗.
圖 4-1 “優(yōu)酷懂你”給出的推薦
圖 4-2 用戶觀看記錄
國外視頻網(wǎng)站調(diào)研
調(diào)研了在全世界都著名的 Youtube
視頻網(wǎng)站.用戶登錄后進入首頁就有“推薦視頻”板塊，如圖 4-3
所示.其中推薦的視頻都是根據(jù)用戶的歷史看過的視頻分析所得,而且每個視
頻下方還有上傳網(wǎng)站的時間.該用戶的歷史記錄所看的視頻節(jié)選如圖 4-4 和圖 4-5
所示.
圖 4-3 Youtube 首頁的推薦板塊
圖 4-4 用戶歷史記錄節(jié)選 1
圖 4-5 用戶歷史記錄節(jié)選 2
需求分析
隨著電影市場的迅速發(fā)展，每天都有大量電影上映.人們都希望可以高效的在海量電影庫中找到自己可能會喜歡的電影，以節(jié)省尋找電影的時間[22].電影推薦系統(tǒng)能給用戶帶來便利.本文要實現(xiàn)的是一個面向用戶的個性化電影推薦系統(tǒng)，根據(jù)
movielens
數(shù)據(jù)集里面大量用戶對電影的評分數(shù)據(jù)，通過計算用戶相似性、電影相似性，實現(xiàn)為用戶推薦符合其興趣的電影.
本文實現(xiàn)的個性化電影推薦系統(tǒng)有以下幾點基本需求：
數(shù)據(jù)集：每個用戶所評電影數(shù)量要多，盡量廣泛涉及大量電影
推薦算法：推薦效果要良好
包括用戶注冊登錄在內(nèi)的整個 web 系統(tǒng)
系統(tǒng)要易于擴展和維護
用戶功能需求
如圖 4-6 是系統(tǒng)中用戶的用例圖，有 5
個用例，分別是注冊、登錄、注銷、評分、查看推薦結(jié)果.
圖 4-6 用戶的用例圖
系統(tǒng)設(shè)計
系統(tǒng)總體架構(gòu)
本文從互聯(lián)網(wǎng)上下載 movielens
數(shù)據(jù)集，經(jīng)過數(shù)據(jù)重組和篩選，基于兩種推薦算法得出推薦結(jié)果保存至MySQL
數(shù)據(jù)庫中，并通過 Django
框架進行前端展示.本系統(tǒng)采用B/S（瀏覽器/服務(wù)器）體系結(jié)構(gòu)，用戶通過瀏覽器就能和網(wǎng)站上的內(nèi)容交互.
實現(xiàn)本系統(tǒng)主要需要以下幾種編程語言：
Python：進行后臺開發(fā)，寫推薦算法，和 MySQL
數(shù)據(jù)庫交互，將用戶的數(shù)據(jù)存儲到數(shù)據(jù)庫中，又將生成的推薦列表展示到前端頁面.
Html5：進行前端頁面的開發(fā).
Css3：美化前端頁面，特別是對電影分類板塊做處理.
Jquery：實現(xiàn)提交表單和首頁中的星星評分效果.
系統(tǒng)的總體架構(gòu)設(shè)計圖如圖 4-7 所示.
圖 4-7 系統(tǒng)架構(gòu)圖
一個良好的推薦系統(tǒng)，必須要有一個良好的用戶交互界面和用戶行為數(shù)據(jù)[16].其之間的關(guān)系如圖
4-8 所示.
圖 4-8 推薦系統(tǒng)和日志系統(tǒng)之間的聯(lián)系
系統(tǒng)功能模塊簡述
本系統(tǒng)以改進后的用戶協(xié)同過濾和物品協(xié)同過濾算法為依據(jù)，采用 django 重量級 Web
框架設(shè)計并實現(xiàn).包括了數(shù)據(jù)集處理模塊、注冊登錄模塊、電影分類模塊、用戶評分反饋模塊、推薦算法模塊和推薦電影展示模塊.
① 數(shù)據(jù)集處理模塊
本文設(shè)計的推薦系統(tǒng)的源數(shù)據(jù)集來源于 movielens 的 ml-latestl-small，其中包含
671 個用戶的 10 萬條評分數(shù)據(jù).對數(shù)據(jù)集里面的 ratings.csv 和 links.csv
文件進行連接處理，只保留 userId、imdbId、rating
三個字段存入數(shù)據(jù)庫中新建好的數(shù)據(jù)表 users_resulttable 中.
② 注冊登錄模塊
用戶只有先注冊并且登錄系統(tǒng)之后才能提交對電影的評分.注冊界面含用戶名、電子郵箱地址以及密碼.注冊和登錄界面如圖
4-9 所示.
圖 4-9 注冊和登錄界面
用戶注冊界面的核心代碼如下：
@register.html
<div class=“unit-1-2 unit-1-on-mobile”>
<h3>注冊</h3>
<form class=“form” action="{% url ‘users:register’ %}" method=“post”>
{% csrf_token %}
{% for field in form %}
{{ field.label_tag }}
{{ field }}
{{ field.errors }}
{% if field.help_text %}
<p class=“help text-small text-muted”>{{ field.help_text|safe }}</p>
{% endif %}
{% endfor %}
<button type=“submit” class=“btn btn-primary btn-block”>注冊</button>
</form>
<div class=“flex-center top-gap text-small”>
<a href=“l(fā)ogin.html”>已有賬號登錄</a>
</div>
</div>
用戶登錄界面的核心代碼如下：
@login.html
<div class=“unit-1-2 unit-1-on-mobile”>
<h3>登錄</h3>
<form class=“form” action="{% url ‘login’ %}" method=“post”>
{% csrf_token %}
{{ form.non_field_errors }}
{% for field in form %}
{{ field.label_tag }}
{{ field }}
{{ field.errors }}
{% if field.help_text %}
<p class=“help text-small text-muted”>{{ field.help_text|safe }}</p>
{% endif %}
{% endfor %}
<button type=“submit” class=“btn btn-primary btn-block”>登錄</button>
<input type=“hidden” name=“next” value="{{ next }}"/>
</form>
<div class=“flex-left top-gap text-small”>
<div class=“unit-2-3”><span>沒有賬號？<a href="{% url ‘users:register’
%}">立即注冊</a></span></div>
</div>
</div>
③ 電影分類模塊
系統(tǒng)首頁一共有 8 種類型的電影，如 4-10 所示.
從左到右依次是動作片、恐怖片、喜劇片、動畫片、科幻片、犯罪片、愛情片以及劇情片.
圖 4-10 系統(tǒng)首頁
圖 4-11 是愛情片的展示界面.
圖 4-11 愛情片展示界面
實現(xiàn)分類效果的部分代碼如下：
@index.html
<div>
<hr />
<ul class=“nav nav-tabs nav-justified” id=“index”>
<li class=“active”><a href="#tab0" data-toggle=“tab”>動作</a></li>
<li><a href="#tab1" data-toggle=“tab”>恐怖</a></li>
<li><a href="#tab2" data-toggle=“tab”>喜劇</a></li>
<li><a href="#tab3" data-toggle=“tab”>動畫</a></li>
<li><a href="#tab4" data-toggle=“tab”>科幻</a></li>
<li><a href="#tab5" data-toggle=“tab”>犯罪</a></li>
<li><a href="#tab6" data-toggle=“tab”>愛情</a></li>
<li><a href="#tab7" data-toggle=“tab”>劇情</a></li>
</ul>
</div>
每一部電影包括電影海報、電影名字、imdb 網(wǎng)站的超鏈接以及星星評分.代碼如下：
@index.html
<li class=“l(fā)ist_item” data-trigger-class=“l(fā)ist_item_hover”>
<a _boss=“film” target="_blank" class=“figure” tabindex="-1">
<img src="{% static ‘img/action/103776.jpg’ %}" alt=“蝙蝠俠歸來”>
</a>
<strong class=“figure_title”>
<a _boss=“film”
href="http://www.imdb.com/title/tt0103776/"
target="_blank"
title=“蝙蝠俠歸來”>蝙蝠俠歸來(8.1 分)</a>
<div class=“evaluate”>
<div class=“starts” id = “103776”></div>
</div>
</strong>
</li>
點擊電影名字會鏈接到 imdb 網(wǎng)站，用戶可以瀏覽電影的詳情頁.圖 4-12
是電影《千與千尋》的 imdb 網(wǎng)站的展示頁面.
圖 4-12 《千與千尋》的 imdb 網(wǎng)站詳情頁
④ 用戶評分反饋模塊
系統(tǒng)利用了 jquery-raty
評分插件，收集用戶對每一部電影的評分.用戶通過點擊‘提交評分’按鈕將評分數(shù)據(jù)提交到
MySQL 中的 users_resulttable 表中，插入到源數(shù)據(jù)集末尾.
圖 4-13 用戶對動作片評分
圖 4-14 用戶對恐怖片評分
圖 4-13 和圖 4-14 分別是某用戶對電影分類模塊中的動作片和恐怖片的評分圖.
實現(xiàn)星星評分效果的核心代碼如下：
@index.html
$(".starts").raty({
number : 5,//星星個數(shù)
{#score :3,#}
path : ‘{% static ‘img’ %}’,//圖片路徑
{#target : ‘#grade’,//#}
{#hints : [‘0.5’,‘1’,‘1.5’,‘2’,‘2.5’,‘3’,‘3.5’,‘4’,‘4.5’,‘5’],#}
hints : [‘不喜歡’,‘不喜歡’,‘一般’,‘喜歡’,‘推薦’],
starHalf:‘star-half-big.png’,
half:true, round:{down:.26,full:.7,up:.9}, click : function(score, evt) {
if((score<0.5)) result = 0.5;
else if((score>0.51)&&(score<1.0)) result = 1.0; else
if((score>1.1)&&(score<1.5)) result = 1.5; else
if((score>1.5)&&(score<2)) result = 2.0; else
if((score>2.0)&&(score<2.5)) result = 2.5; else
if((score>2.5)&&(score<3.0)) result = 3.0; else
if((score>3.0)&&(score<3.5)) result = 3.5; else
if((score>3.5)&&(score<4.0)) result = 4.0; else
if((score>4.0)&&(score<4.5)) result = 4.5; else result = 5.0;
$("#rating").val(result.toFixed(1));
{#alert(result.toFixed(1));#}
}
});
提交用戶對電影的評分相關(guān)代碼如下：
@index.html
<form action="/insert" method=“get” target=“nm_iframe”>
<input type=“hidden” name=“userId” id = “userId”> <br>
評分: <input type=“text” name=“rating” id = “rating”> <br>
電影 ImdbId: <input type=“text” name=“imdbId” id = “imdbId”> <br>
<input type=“submit” value=“提交評分”>
</form>
<iframe id=“id_iframe” name=“nm_iframe” style=“display:none;”></iframe>
<script type=“text/javascript”>
$(document).ready(function(){
$(".starts").click(function(){
$("#imdbId").val(this.id);
$("#userId").val({{ user.id}});
});
</script>
def insert(request): global USERID
USERID = int(request.GET[“userId”])+1000 RATING =
float(request.GET[“rating”]) IMDBID = int(request.GET[“imdbId”])
Resulttable.objects.create(userId=USERID, rating=RATING,imdbId=IMDBID)
return HttpResponseRedirect(’/’)
⑤ 用戶評分記錄模塊
用戶登錄系統(tǒng)后點擊自己的昵稱，將跳轉(zhuǎn)頁面顯示自己曾經(jīng)評價過的電影列表.如圖4-15
所示.
圖 4-15 某用戶評價過的電影列表
相關(guān)代碼如下：
@views.py
def showmessage(request): usermovieid = [] usermovietitle = []
data=Resulttable.objects.filter(userId=1001) for row in data:
usermovieid.append(row.imdbId) try:
conn = get_conn() cur = conn.cursor()
#Insertposter.objects.filter(userId=USERID).delete() for i in usermovieid:
cur.execute(‘select * from moviegenre3 where imdbId = %s’,i) rr =
cur.fetchall()
for imdbId,title,poster in rr: usermovietitle.append(title) print(title)
finally:
conn.close()
return render(request, ‘users/message.html’, locals())
@message.html
<html lang=“en”>
<head>
<meta charset=“UTF-8”>
<title>用戶評過的電影</title>
<style> h2{
}
li{
}
text-align: center;
font-family: Georgia, serif; font-weight: bold
list-style: none; text-align: center;
{#display: inline-block;#}
</style>
</head>
<body>
<h2>您評價過下列電影：</h2>
<br/>
{% for dd in usermovietitle %}
<li>
<p>{{ dd }}</p>
</li>
{% endfor %}
</body>
</html>
⑥ 推薦算法模塊
本模塊是整個系統(tǒng)的核心組成部分，當用戶登錄進入系統(tǒng)并對電影進行評分之后，系統(tǒng)就記錄下了該用戶的
id
號，當用戶再次登入系統(tǒng)時，系統(tǒng)會將源數(shù)據(jù)集和該用戶之前的評分數(shù)據(jù)整合成新的數(shù)據(jù)表作為推薦的依據(jù).
整個推薦過程流程圖如圖 4-16
所示.
圖 4-16 系統(tǒng)推薦流程圖
算法生成推薦電影的 imdbId 號之后存入 matrix 全局變量列表中，并在 moviegenre
數(shù)據(jù)表中查詢到相關(guān)的電影名稱以及電影海報的鏈接，將 userId、title、poster
數(shù)據(jù)插入到
users_insertposter
數(shù)據(jù)表中，此表即為所有登錄用戶的電影推薦列表集.得出用戶的電影推薦結(jié)果并插入數(shù)據(jù)表中的核心代碼如下：
@views.py
def recommend(self, user): matrix.clear()
K = self.n_sim_user N = self.n_rec_movie rank = dict()
watched_movies = self.trainset[user]
for similar_user, similarity_factor in sorted(user_sim_mat[user].items(),
key=itemgetter(1),
reverse=True)[ 0:K]:
for imdbid in self.trainset[similar_user]: if imdbid in watched_movies:
continue rank.setdefault(imdbid, 0) rank[imdbid] += similarity_factor
rank_ = sorted(rank.items(), key=itemgetter(1), reverse=True)[0:N] for
key,value in rank_:
matrix.append(key) #matrix 為存儲推薦的 imdbId 號的數(shù)組
return matrix
def recommend1(request): Insertposter.objects.filter(userId=USERID).delete()
read_mysql_to_csv(‘users/static/users_resulttable.csv’,USERID)
#追加數(shù)據(jù)，提高速率ratingfile2 = os.path.join(‘users/static’,
‘users_resulttable.csv’)
usercf = UserBasedCF() userid = str(USERID) print(userid)
usercf.generate_dataset(ratingfile2) usercf.calc_user_sim()
usercf.recommend(userid)
try:
conn = get_conn() cur = conn.cursor() for i in matrix:
cur.execute(‘select * from moviegenre3 where imdbId = %s’,i) rr =
cur.fetchall()
for imdbId,title,poster in rr: if(Insertposter.objects.filter(title=title)):
continue
else:
Insertposter.objects.create(userId=USERID, title=title, poster=poster)
finally:
Conn.close()
results = Insertposter.objects.filter(userId=USERID)
return render(request, ‘users/movieRecommend.html’,locals())
⑦ 顯示推薦模塊
根據(jù)登錄用戶對電影的評分反饋，通過基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾算法給出圖
4-17 和圖 4-18 兩種推薦結(jié)果.
圖 4-17 基于用戶的推薦結(jié)果
圖 4-18 基于物品的推薦結(jié)果
算法從 users_insertposter
數(shù)據(jù)表中獲取相應(yīng)登錄用戶的推薦電影列表相關(guān)內(nèi)容展示到前端界面.上述過程的核心代碼如下：
@movieRecommend.html
{% for result in results %}
<li>
<p>{{ result.title }}</p>
<img src="{{ result.poster }}" alt="">
</li>
{% endfor %}
數(shù)據(jù)庫介紹與設(shè)計
實驗數(shù)據(jù)集介紹
本實驗采用的數(shù)據(jù)集是由 GroupLens 科研小組從電影網(wǎng)站 MovieLens 上統(tǒng)計的
ml-latest-small 數(shù)據(jù)集，該數(shù)據(jù)集包含了從 1995 年到 2016 年 10 月內(nèi) 671
名用戶對 9125 部
電影的評分記錄，一共 100004
條電影評分.里面的每一名用戶評價的電影數(shù)量都不少于 20 部.該 ml-latest-small
數(shù)據(jù)集由四個 csv 文件組成，分別是 ratings.csv、movies.csv、links.csv 以及
tags.csv[25].下面將一一介紹.
ratings.csv 是用戶評分信息表，第一行是 4 個 title：userId(用戶 id)、電影
id(movieId)、用戶評分(rating)以及 timestamp(時間戳)，其中用戶評分區(qū)間為 0.5
分-5 分.表 4-1 即為
ratings.csv 文件的節(jié)選.movies.csv 是電影屬性表，包含三個字段，分別是
movieId(電影的 id
號)、title(電影名稱)、genre（電影的題材），表 4-2 即為 movies.csv
文件的節(jié)選.
表 4-1 ratings.csv 內(nèi)容節(jié)選
| 1 31 | 2.5 | 1260759144 |
| 1 1029 | 3 | 1260759179 |
| 1 1061 | 3 | 1260759182 |
| 2 10 | 4 | 835355493 |
| 2 17 | 5 | 835355681 |
| 2 39 | 5 | 835355604 |
表 4-2 movies.csv 內(nèi)容節(jié)選
movieId title genres
Toy Story (1995) Adventure|Animation|Children|C omedy|Fantasy
Jumanji (1995) Adventure|Children|Fantasy
Grumpier Old Men (1995) Comedy|Romance
Waiting to Exhale (1995) Comedy|Drama|Romance
Father of the Bride Part II (1995) Comedy
links.csv 包含 movieId、imdbId、tmdbId 三個字段.其中 imdbId
是該電影在電影網(wǎng)站
imdb 的編號，tmdbId 是該電影在電影網(wǎng)站 The Movie Database
的編號，都可以用來唯一識別某部電影.tags.csv
主要包括電影的標簽，適合做基于標簽的推薦系統(tǒng)，本系統(tǒng)沒有用到該文件中的內(nèi)容.表
4-3 和表 4-4 分別是 links.csv 文件和 tags.csv 文件的內(nèi)容節(jié)選.
表 4-3 links.csv 內(nèi)容節(jié)選
movieId imdbId tmdbId
1 0114709 862
| 3 | 0113228 | 15602 |
| 4 | 0114885 | 31357 |
5 0113041 11862
6 0113277 949
表 4-4 tags.csv 內(nèi)容節(jié)選
| 15 | 339 | sandra ‘boring’ bullock | 1138537770 |
| 15 | 1955 | dentist | 1193435061 |
| 15 | 7478 | Cambodia | 1170560997 |
| 15 | 32892 | Russian | 1170626366 |
| 15 | 34162 | forgettable | 1141391765 |
| 15 | 35957 | short | 1141391873 |
另外數(shù)據(jù)庫中還有 moviegenre 數(shù)據(jù)表， 里面包含 imdbId、title( 電影名字)、imdb
score(imdb 網(wǎng)站的電影評分)、poster(電影海報鏈接)，通過查詢電影 imdbId
可以得到該電影的名字和海報圖展示到前端.
數(shù)據(jù)庫邏輯結(jié)構(gòu)設(shè)計
本節(jié)歸納了用戶、電影、推薦列表、用戶評分數(shù)據(jù)表之間的關(guān)系.
用戶實體屬性如圖 4-19
所示.每個用戶注冊系統(tǒng)的時候都必須填寫用戶名、郵箱地址，
設(shè)置用戶密碼，并且系統(tǒng)會自動為其分配一個 id 號.
[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-vIqJtup3-1617337753545)(media/37ea25e2cae0a1bc3fc6f2e491a7951e.png)]
圖 4-19 用戶 E-R 圖
每部電影信息的實體屬性如圖
4-20 所示.
圖 4-20 電影 E-R 圖
推薦結(jié)果列表信息的實體屬性如圖 4-21
所示.推薦結(jié)果列表中包含電影的海報圖地址，這樣推薦頁面就會展示出電影海報，增加系統(tǒng)美觀的同時也提高了用戶的可閱讀性.
圖 4-21 推薦結(jié)果 E-R 圖
用戶對電影的評分實體屬性如圖 4-22 所示.
圖 4-22 用戶評分 E-R 圖
系統(tǒng) E-R 圖
數(shù)據(jù)庫模型通常包括層次模型、網(wǎng)狀模型、關(guān)系模型以及 ER
圖（實體-聯(lián)系圖）.系統(tǒng)的 E-R 圖如圖 4-23 所示.
圖 4-23 系統(tǒng) E-R 圖
系統(tǒng)數(shù)據(jù)表設(shè)計
本系統(tǒng)采用 MySQL
數(shù)據(jù)庫，數(shù)據(jù)庫中包括用戶信息表、電影屬性表、電影評分表、電影推薦列表.下面將介紹主要的存儲表的結(jié)構(gòu).
電影屬性表
電影屬性表用來保存系統(tǒng)中每部電影的一些屬性，包括電影的 imdbId
號、電影名字、電影的海報鏈接三個字段，數(shù)據(jù)表的名字為 moviegenre.表 4-5 即為
moviegenre 表.
表 4-5 電影屬性表
| imdbId title | int(11) varchar(300) | imdb 網(wǎng)站上電影的編碼 電影名字 | 主鍵 |
| poster | varchar(300) | 電影海報圖的鏈接地址 |
電影評分表
該表所存內(nèi)容來自 movielens 的 ratings.csv 和 links.csv
文件，這兩個文件所含內(nèi)容已經(jīng)在 4.5.1 節(jié)說明，這里略過.用 mysql 語句將
ratings.csv 和 links.csv 連接，只保留 userId、
imdbId、rating 并存入已經(jīng)建好的空數(shù)據(jù)表 users_resulttable
中.這個數(shù)據(jù)表里的數(shù)據(jù)就是推薦算法得出推薦結(jié)果的依據(jù).算法只有遍歷這個數(shù)據(jù)表，才能計算出登錄用戶和該表中的哪些用戶相似度較高，從而給出推薦結(jié)果.電影評分表如表
4-6 所示.
| 字段名稱 | 字段類型 | 含義 | 備注 | |
| userId imdbId rating | int(11) int(11) decimal(3,1) | 用戶的 id 號 imdb 網(wǎng)站上電影的編碼用戶的電影評分 | ||
| id | int(11) | 主鍵 |
電影推薦列表
推薦算法遍歷 users_resulttable 表之后，會生成目標用戶的推薦的電影的 imdbID
號， 然后在電影屬性表 moviegenre
中查詢出電影的名字和海報鏈接并插入電影推薦列表中.存海報鏈接是為了展示頁面既有電影名也有電影的海報圖，這樣就生成了屬于登錄用戶專屬的電影推薦列表，表名為
users_insertposter.
系統(tǒng)給出的電影推薦列表包含字段如表 4-7 所示.
| 字段名稱 | 字段類型 | 含義 | 備注 | |
| id | int(11) | 主鍵 | ||
| userId title | int(11) varchar(60) | 用戶的 id 號 電影名字 | ||
| poster | varchar(400) | 電影海報地址 |
表 4-8 為 users_insertposter 數(shù)據(jù)表部分內(nèi)容節(jié)選.
表 4-8 users_insertposter 數(shù)據(jù)表內(nèi)容節(jié)選
| 1 | 1002 | Pitch Black (2000) | https://images-na.ssl-images-amazon.com/images/M/ |
| MV5BNTNmYzE1OWYtZDdjNC00OTdhLTg1YjU | |||
| tYWJlZTVkMzkzNmVkXkEyXkFqcGdeQXVyMT | |||
| QxNzMzNDI@.V1_UX182_CR0,0,182,268_AL.j | |||
| pg | |||
| 2 | 1002 | The Transporter (2002) | https://images-na.ssl-images-amazon.com/images/M/ |
| MV5BMTk2NDc2MDAxN15BMl5BanBnXkFtZTY | |||
| wNDc1NDY2.V1_UY268_CR2,0,182,268_AL.jp | |||
| g | |||
| 3 | 1002 | Big Hero 6 (2014) | https://images-na.ssl-images-amazon.com/images/M/ |
| MV5BMDliOTIzNmUtOTllOC00NDU3LWFiNjYt | |||
| MGM0NDc1YTMxNjYxXkEyXkFqcGdeQXVyNT | |||
| M3NzExMDQ@._V1_UY268_CR3,0,182,268_AL_ | |||
| .jpg | |||
| 4 | 1002 | Donnie Darko (2001) | https://images-na.ssl-images-amazon.com/images/M/ |
| MV5BZWQyN2ZkODktMTBkNS00OTBjLWJhOG | |||
| YtNGU4YWVkNTY0ZDZkXkEyXkFqcGdeQXVy | |||
| NjU0OTQ0OTY@._V1_UY268_CR0,0,182,268_A | |||
| L_.jpg |
本章小結(jié)
本章首先深刻分析了系統(tǒng)的需求分析，接著介紹了整個推薦系統(tǒng)的架構(gòu)和各個功能模塊的設(shè)計與實現(xiàn)，不僅展示了系統(tǒng)的注冊登錄界面、電影首頁、電影評分板塊以及電影推
薦界面，還給出了實現(xiàn)每個功能的核心代碼.
同時，本章節(jié)也詳細介紹了系統(tǒng)數(shù)據(jù)庫的設(shè)計，數(shù)據(jù)庫總共包含了用戶信息表、電影屬性表、電影評分表、電影推薦列表
4 張數(shù)據(jù)表，展示了各個表所含內(nèi)容.并且以 ER
圖的形式展示了各個數(shù)據(jù)表的屬性以及其內(nèi)在聯(lián)系.
第 5 章 總結(jié)與展望
總結(jié)
隨著互聯(lián)網(wǎng)的飛速發(fā)展，關(guān)于推薦系統(tǒng)的研究工作也蒸蒸日上.本文主要研究了實現(xiàn)推薦系統(tǒng)所需的技術(shù)，研究了推薦算法以及推薦系統(tǒng)的一些國內(nèi)外現(xiàn)狀.并以電影推薦系統(tǒng)為實例，對整個推薦系統(tǒng)的架構(gòu)以及所有功能做了詳盡的闡述與分析.從系統(tǒng)的需求分析出發(fā)，剖析了用戶對功能的需求，然后介紹了系統(tǒng)的各個功能模塊，最后充分展示了系統(tǒng)數(shù)據(jù)庫的設(shè)計以及數(shù)據(jù)表的內(nèi)容.
設(shè)計的系統(tǒng)包含用戶信息模塊、電影展示模塊、用戶評分模塊、推薦結(jié)果模塊.每個模塊的介紹都有流程圖或者系統(tǒng)截圖.數(shù)據(jù)庫中的核心數(shù)據(jù)表也充分對所存內(nèi)容、每個字段的類型進行了闡述.
本系統(tǒng)采用改進過的兩種協(xié)同過濾算法：基于用戶的協(xié)同過濾和基于物品的協(xié)同過濾，使用戶能從兩種不同角度獲得推薦，提高用戶的可選擇性.并且利用準確率、召回率以及流行度三個指標對算法進行評測.實驗表明，基于本系統(tǒng)所用數(shù)據(jù)集，UserCF-IIF
算法的性能要優(yōu)于 ItemCF-IUF 算法.
核心的推薦算法工作完成后，本文結(jié)合現(xiàn)有的較熱門的 Web 重量級框架 Django，利用
Django 內(nèi)置的用戶注冊表單實現(xiàn)用戶注冊，編寫視圖代碼進行電影推薦結(jié)果的 UI
前端展示.利用 CSS3
語言對網(wǎng)頁進行排版、美化，使系統(tǒng)看上去更加簡潔和美觀，增加用戶的體驗.
不足之處及未來展望
本文工作完成了一個簡單的個性化電影推薦系統(tǒng)，仍然還有很多地方不足需要進一步完善，主要有以下幾個方面：
采用的算法效率不夠高.當前使用的兩種算法依舊是上個世紀提出的算法，所以系統(tǒng)運行效率不高，速度很慢，推薦的物品準確率不高.后期可以考慮拋棄古老的推薦算法，
采用更新、效率更高的推薦算法，并結(jié)合基于標簽和基于內(nèi)容的推薦算法進行推薦.可以在用戶注冊時就填寫年齡、性別、職業(yè)等信息先進行初步的分類給出推薦，再根據(jù)評分精準推薦，效果會更好.
本系統(tǒng)使用的是用戶對電影的歷史評分數(shù)據(jù)，這些數(shù)據(jù)都存在一定的稀疏性.登錄用戶看過的電影可能很少，這樣就導(dǎo)致他和數(shù)據(jù)庫中所存用戶評過分的電影有較少的交叉項目，使得計算出的相似度很不準確.如何減少數(shù)據(jù)稀疏帶來的困擾是提高推薦系統(tǒng)準確度的又一個出發(fā)點.系統(tǒng)采用的是
movielens 網(wǎng)站的較小的數(shù)據(jù)集，整個數(shù)據(jù)集壓縮之后只有
897kb，所以包含的電影數(shù)目也不是很多，推薦的效果大打折扣.之后可以用更大的數(shù)據(jù)集，
考慮遍歷百萬條評分數(shù)據(jù)來進行推薦.
本系統(tǒng)電影首頁的分類模塊，只針對數(shù)據(jù)集中含有的電影的 8
個類別分別挑選了
16
部電影，導(dǎo)致用戶能進行評分的電影數(shù)量有限.且沒有設(shè)計電影搜索功能，用戶不能針對性的對自己看過的電影進行評分.
參考文獻
Pilli L E, Mazzon J A. Information overload, choice deferral, and moderating
role of need for cognition: Empirical evidence[J]. Revista De Administracao
Publica, 2016, 51(1):36-55.
朱杰. 基于標簽和協(xié)同過濾的圖片推薦系統(tǒng)[D]. 天津師范大學，2014.
王國霞，劉賀平. 個性化推薦系統(tǒng)綜述[J]. 計算機工程與應(yīng)用，2012:66-76.
[4] 許海玲，吳瀟，李曉東，等 互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 軟件學報. 2009,
20(2): 350-362.
Hofmann T. Latent semantic models for collaborative filtering[J].ACM
Transactions on Information Systems, 2004, 22(1):89-115.
楊杰. 個性化推薦系統(tǒng)應(yīng)用及研究[D].中國科學技術(shù)大學，2009.
Ungar L H, Foster D P. Clustering methods for collaborative
filtering[C].Proceedings of the AAAI Workshop on Recommendation
Systems,Madison, USA, Jul 26-27, 1998. Menlo Park, CA, USA: AAAI, 1997:
114-129 .
Tan Xueqing, He Shan. Research Review on Music Personalized Recommendation
System[J]. New Technology of Library and Information Service, 2014, 30(9):
22-32.
Wang X, Rosenblum D, Wang Y. Context-Aware Mobile Music Recommendation for
Daily Activities [C]. In: Proceedings of the 20th ACM International
Conference on Multimedia. ACM, 2012: 99-108.
徐晨. 基于二部網(wǎng)絡(luò)分析的推薦算法研究及其應(yīng)用[D]. 揚州大學，2017.
李小浩．協(xié)同過濾推薦算法稀疏性與可擴展性問題研究[D]．重慶大學，2015.
[12]X. Su, T.M. Khoshgoftaar, A survey of collaborative filtering
techniques, Adv. Artif. Intell. 2009 (2009) .
喜晶. 個性化推薦技術(shù)的分析和比較[J]. 軟件研發(fā)與應(yīng)用,2016:39.
Breese J S, Heckerman D, Kadie C. Empirical analysis of predictive
algorithms for collaborative filtering[J]. Uncertainty in Artificial
Intelligence, 2013, 98(7):43-52.
項亮.推薦系統(tǒng)實踐[M].北京：人民郵電出版社,2012 :26.
馮阿敏. 基于用戶協(xié)同過濾算法的推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 西安電子科技大學，
張明珺. 基于用戶的個性化影視推薦系統(tǒng)的研究與實現(xiàn)[D]. 電子科技大學，2017.
陳諾言. 基于個性化推薦引擎組合的推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 華南理工大學，2012.
Pazzani M J,J Muramatsu,D Billsus. Syskill & Webert:Identifying interesting
web sites[C]. Proceedings of the national conference on artificial
intelligence,1996:54-61.
尤方圓. 電影推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 華中科技大學,2013.
張兵. 空氣質(zhì)量模型的研究與應(yīng)用[D]. 中國地質(zhì)大學(北京),2017.
范永全，劉艷，陸園. 社會化推薦系統(tǒng)的研究進展綜述[J]. 現(xiàn)代計算機,2014:30-31.
王玉業(yè). 基于協(xié)同過濾的個性化推薦研究[D]. 江蘇大學，2017.
余文麗. 基于 Android 的教學信息管理系統(tǒng)的設(shè)計與實現(xiàn)[D]. 華中師范大學，2015.
張瓊林. 針對冷啟動的分布式協(xié)同過濾推薦系統(tǒng)的研究[D]. 湖南工業(yè)大學. 2015.
致 謝
從 17 歲的雨季到 21
歲的花季，我在江南大學度過了我人生中最青春的四年.轉(zhuǎn)眼間，
這四年的本科生生活就要結(jié)束了，我希望能給它畫上一個圓滿的句號.
在這四年的時光里，我得到許多老師以及同學的幫助.在論文完稿之際，我想借此機會向所有給予我支持和鼓勵的人表達我的謝意.
首先，我要感謝我的導(dǎo)師詹千熠老師對我的指導(dǎo).從開題報告、中期答辯到現(xiàn)在的定稿，
詹老師都認真負責，全心全意的輔導(dǎo)我，提出改進意見.詹老師的敬業(yè)態(tài)度以及對學術(shù)的鉆研精神，是值得我學習的榜樣.
其次，我要感謝我的父母，是他們一直在背后默默支持我，鼓勵我，才能讓我更加安心的投入到學習中，才能順利完成本科生學業(yè).
同時，我還要感謝同窗四年的大學同學所給予我生活和學習上的幫助，正是有你們的幫助，才使我在陌生的環(huán)境中有了家的歸屬感.
最后，我要感謝數(shù)字媒體學院的全體老師，感謝他們的辛勤付出，使我學習到很多知識，夯實了專業(yè)技能.
感謝各位評審老師，感謝你們在百忙之中對我的論文進行評審.
附錄 A： 作者在校期間發(fā)表的論文
伍靜，劉德豐，張松等.智能摔倒檢測監(jiān)控系統(tǒng)設(shè)計[J]．計算機技術(shù)與發(fā)展，2018：
6-10．
附錄B： 代碼
@views.py
def get_conn():
conn = pymysql.connect(host=‘127.0.0.1’, port=3307, user=‘root’,
passwd=‘a(chǎn)ptx4869.’, db=‘haha’, charset=‘utf8’)
return conn
def read_mysql_to_csv(filename,user):
with codecs.open(filename=filename, mode=‘w’, encoding=‘utf-8’) as f: write
= csv.writer(f, dialect=‘excel’)
conn = get_conn() cur = conn.cursor()
cur.execute(‘select * from users_resulttable’) rr = cur.fetchall()
for result in rr:
write.writerow(result[:-1])
def register(request):
# 只有當請求為 POST 時，才表示用戶提交了注冊信息
if request.method == ‘POST’:
form = RegisterForm(request.POST)
# 驗證數(shù)據(jù)的合法性
if form.is_valid():
# 如果提交數(shù)據(jù)合法，調(diào)用表單的 save 方法將用戶數(shù)據(jù)保存到數(shù)據(jù)庫
form.save()
# 注冊成功，跳轉(zhuǎn)回首頁
return redirect(’/’)
else:
# 請求不是 POST，表明用戶正在訪問注冊頁面，展示一個空的注冊表單給用戶form =
RegisterForm()
return render(request, ‘users/register.html’, context={‘form’: form})
def index(request):
return render(request, ‘users/…//index.html’)
def recommend1(request): Insertposter.objects.filter(userId=USERID).delete()
#selectMysql()
read_mysql_to_csv(‘users/static/users_resulttable.csv’,USERID)
#追加數(shù)據(jù)，提高速率ratingfile2 = os.path.join(‘users/static’,
‘users_resulttable.csv’)
usercf = UserBasedCF() #userid = ‘1001’
userid = str(USERID)#得到了當前用戶的 id print(userid)
usercf.generate_dataset(ratingfile2) usercf.calc_user_sim()
附錄usercf.recommend(userid) #得到 imdbId 號try:
conn = get_conn() cur = conn.cursor()
#Insertposter.objects.filter(userId=USERID).delete() for i in matrix:
cur.execute(‘select * from moviegenre3 where imdbId = %s’,i) rr =
cur.fetchall()
for imdbId,title,poster in rr:
#print(value) #value 才是真正的海報鏈接
if(Insertposter.objects.filter(title=title)): continue
finally:
else:
Insertposter.objects.create(userId=USERID, title=title, poster=poster)
conn.close()
results = Insertposter.objects.filter(userId=USERID)
return render(request, ‘users/movieRecommend.html’,locals())
def recommend2(request): Insertposter.objects.filter(userId=USERID).delete()
read_mysql_to_csv(‘users/static/users_resulttable2.csv’,USERID)
#追加數(shù)據(jù)，提高速率ratingfile2 = os.path.join(‘users/static’,
‘users_resulttable2.csv’)
itemcf = ItemBasedCF()
userid = str(USERID)#得到了當前用戶的 id print(userid)
itemcf.generate_dataset(ratingfile2) itemcf.calc_movie_sim()
itemcf.recommend(userid) #得到 imdbId 號try:
conn = get_conn() cur = conn.cursor()
#Insertposter.objects.filter(userId=USERID).delete() for i in matrix:
cur.execute(‘select * from moviegenre3 where imdbId = %s’,i) rr =
cur.fetchall()
for imdbId,title,poster in rr:
#print(value) #value 才是真正的海報鏈接
if(Insertposter.objects.filter(title=title)): continue
finally:
else:
Insertposter.objects.create(userId=USERID, title=title, poster=poster)
conn.close()
results = Insertposter.objects.filter(userId=USERID)
Insertposter.objects.all()
return render(request, ‘users/movieRecommend2.html’,locals())
總結(jié)
以上是生活随笔為你收集整理的基于python实现的电影推荐系统的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 美国团购网站Groupon的盈利模式
- 下一篇： ntp服务器池列表