设计 任务书 论文 开题 答辩 说明书 格式 模板 外文 翻译 范文 资料 作品 文献 课程 实习 指导 调研 下载 网络教育 计算机 网站 网页 小程序 商城 购物 订餐 电影 安卓 Android Html Html5 SSM SSH Python 爬虫 大数据 管理系统 图书 校园网 考试 选题 网络安全 推荐系统 机械 模具 夹具 自动化 数控 车床 汽车 故障 诊断 电机 建模 机械手 去壳机 千斤顶 变速器 减速器 图纸 电气 变电站 电子 Stm32 单片机 物联网 监控 密码锁 Plc 组态 控制 智能 Matlab 土木 建筑 结构 框架 教学楼 住宅楼 造价 施工 办公楼 给水 排水 桥梁 刚构桥 水利 重力坝 水库 采矿 环境 化工 固废 工厂 视觉传达 室内设计 产品设计 电子商务 物流 盈利 案例 分析 评估 报告 营销 报销 会计
 首 页 机械毕业设计 电子电气毕业设计 计算机毕业设计 土木工程毕业设计 视觉传达毕业设计 理工毕业论文 文科毕业论文 毕业设计资料 毕业设计论文流程 
垫片
您现在所在的位置:首页 >>计算机毕业设计 >> 文章内容
                 
垫片
   我们提供全套毕业设计和毕业论文服务,联系点击这里给我发消息   914298682   
基于python+django的个性化电影推荐系统设计与实现毕业论文+项目源码+运行说明
文章来源:www.biyezuopin.cc   发布者:学生毕业作品网站  

设计总说明

本文设计了一个个性化电影推荐系统.众所周知,现在电影资源是网络资源的重要组 成部分,随着网络上电影资源的数量越来越庞大,设计电影个性化推荐系统迫在眉睫.所 以本文旨在为每一个用户推荐与其兴趣爱好契合度较高的电影.

论文首先阐述推荐系统的研究现状以及意义,随后介绍了相关的推荐算法,重点介绍 协同过滤算法,并对系统实现所需技术进行了研究,接着介绍了整个推荐系统的实现,最 后对整个项目进行了回顾与总结.

本系统包含电影前端展示界面、电影评分板块、推荐算法的实现以及后端数据库的设 计.其中实现推荐算法是整个电影推荐系统的核心.系统采用由grouplens项目组从美国著名 电影网站movielens整理的ml-latest-small数据集,该数据集包含了671个用户对9000多部电 影的10万条评分数据.首先将该数据集包含的全部文件经过筛选重组之后存储到建好的数 据库中,并将数据集按一定比例划分为训练集和测试集,对训练集进行算法分析生成Top-N 个性化电影推荐列表,然后在测试集上对算法进行评测,至少包括准确率和召回率两种评 测指标.

协同过滤算法是推荐领域最出名也是应用最广泛的推荐算法.所以系统拟采用两种协 同过滤算法给出两种不同的推荐结果,一种是基于用户的协同过滤算法,另一种是基于物 品的协同过滤算法,用户可以根据两种推荐结果更加合理的选择合适的电影.系统采用了 改进之后的ItemCF-IUF和UserCF-IIF算法,对计算用户相似度和物品相似度的计算都做出 了改进.最后通过计算两种算法的准确率(Precision)、召回率(Recall)和流行度从而对系 统进行评测、并比较了两种算法各自的优势和劣势.实验证明,改进后的算法比原始的协 同过滤算法推荐效果要好,准确率更高.

整个系统涉及到的编程语言包含Python、Html5、JQuery、CSS3以及MySQL数据库编 程.用到的框架是Django重量级web框架,通过该框架连接系统的前、后端.用户首先需要 填写用户名、密码以及邮箱注册系统,然后才能登陆推荐系统.进入首页后会看到8个电影 分类,包括恐怖片、动作片、剧情片等.用户需要给自己看过的电影进行评分,评分起止 为0.5-5.0分,共10个分段.每评价一部电影就要点击一下提交按钮,将所评分的电影的 imdbId号以及对应的评分存入数据库中.用户点击“推荐结果”按钮,系统就调用推荐算法 遍历数据库所存数据,得出推荐列表之后将结果反馈给浏览器,同时调取数据库所存电影 海报图片进行展示.用户点击自己登陆的昵称,会跳转页面显示自己已经评价过的电影.

本文还分析了系统的需求,并对需求进行相关设计,最后用Django框架实现了该系统, 并给出了系统所用的主要数据表展示以及各个功能界面的展示.

关键词:电影推荐系统;协同过滤;基于邻域推荐;个性化服务

I


Abstract

DESIGN GENERAL DESCRIPTION

This paper designs a personalized movie recommendation system. As we all know, nowdays, film resources are an important part of network resources. The number of film resources on the Internet is increasing. Designing a personalized movie recommendation system is imminent. Therefore, this project aims to implement a personalized movie recommendation system, recommending movies for each user in accordance with their interests.

The paper elaborates the research status and significance of the recommendation system firstly. Then it introduces the related recommendation algorithm, focuses on the collaborative filtering algorithm, and studies the required technology of the system implementation. Then it introduces the implementation of the entire recommendation system, finally reviews and summarizes the whole system.

The system includes the front-end display interface of the movie, the movie scoring board, the implementation of the recommendation algorithm, and the design of the back-end database. The implementation of the recommendation algorithm is the core of the entire movie recommendation system. The system plans to adopt the ml-latest-small dataset organized by the grouplens project team from the famous movie site movielens in the United States. This dataset contains 671 user ratings data for more than 9,000 movies. Firstly, the csv file included in the data set is stored in the database. The data set is divided into training set and test set. Algorithm analysis of the training set generates Top-N personalized movie recommendation list, and then  the algorithm is evaluated on the test set, there include at least two indicators of test: accuracy and recall.

Collaborative filtering algorithms are the best known and most widely used  recommendation algorithms. Therefore, the system proposes two collaborative filtering algorithms to give two different recommendation results. One is a user-based collaborative filtering algorithm, and the other is an item-based collaborative filtering algorithm. Users can make more reasonable choices based on the two recommended results. The right movie. The improved ItemCF-IUF and UserCF-IIF algorithms are used in the system to improve the calculation of user similarity and item similarity. Finally, the system is evaluated by calculating the precision, recall and popularity of the two algorithms, and the advantages and disadvantages of the two algorithms are compared. Experiments show that the improved  algorithm  is better than the original collaborative filtering algorithm and the accuracy is higher.

The programming languages involved in the entire system include Python, Html5, JQuery, CSS3 and MySQL database programming. The framework used is django's heavyweight web framework, connecting the system's front and back ends via the Django framework. The user   first needs to fill in the username, password, and email registration system before logging in to the recommendation system. After entering the front page, you will see 8 movie categories, including horror films, action films, drama films, etc. Users need to rate the movies they have seen. The score starts from 0.5-5.0 points, a total of 10 segments. Each time you evaluate a movie, you must click the submit button to save the imdbId    number of the movie you are rating

and the corresponding rating into the database. When the user clicks the        “ recommendation

result” button, the system invokes the recommendation algorithm to traverse the data stored  in

III


Design General Description

the database, and after the recommendation list is obtained, the result is fed back to the browser, and the movie poster picture stored in the database is retrieved for display.When the user clicks on the nickname that he or she login, he will jump to the page to show the movie he has already evaluated.

This article also analyzes the requirements of the system, and related design of the requirements. Finally, the system is implemented using the Django framework, and given the main data table and function interface display .

Keywords: Movie recommendation system; Collaborative Filtering; criterion; Based on neighborhood recommendation; Personalized service


目录

目录


第 1 章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 本文研究目标和研究内容 4

1.4 论文结构安排 4

第 2 章 推荐算法的研究 7

2.1 推荐算法简介 7

2.1.1 协同过滤算法 7

2.1.2 基于内容的推荐算法 7

2.1.3 基于标签的推荐算法 7

2.2 系统实现算法介绍 8

2.2.1 基于用户的协同过滤算法 8

2.2.2 基于物品的协同过滤算法 8

2.3 相似度计算 9

2.4 推荐算法评测指标 10

2.4.1 评分预测 10

2.4.2 TopN 推荐 10

2.5 本章小结 10

第 3 章 实验设计及系统实现相关技术的研究 11

3.1  实验设计及结果分析 11

3.1.1 实验环境 11

3.1.2 实验设计 11

3.2 系统实现相关技术的研究 14

3.2.1 Python 语言研究 15

3.2.2 Django 框架研究 15

3.2.3 MySQL 数据库研究 16

3.3 本章小结 17

第 4 章 推荐系统的设计与实现 19

4.1 国内外主流视频网站推荐效果调研 19

4.1.1 国内视频网站调研 19

4.1.2 国外视频网站调研 20

4.2  需求分析 21

4.3 用户功能需求 21

4.4  系统设计 21

4.4.1 系统总体架构 21

4.4.2 系统功能模块简述 23

4.5  数据库介绍与设计 32

4.5.1 实验数据集介绍 32

i

4.5.2  数据库逻辑结构设计 33

4.5.3  系统 E-R 图 34

4.5.4  系统数据表设计 35

4.6 本章小结 36

第 5 章 总结与展望 39

5.1 总结 39

5.2 不足之处及未来展望 39

参考文献 41

致 谢 43

附录 A: 作者在校期间发表的论文 45

附录 B: 代码 47





















  全套毕业设计论文现成成品资料请咨询点击这里给我发消息914298682      返回首页 如转载请注明来源于www.biyezuopin.cc  

                 

打印本页 | 关闭窗口
本类最新文章
基于JavaEE的宠物领养系统的 汽车租赁管理系统的设计与实现毕业 基于HTML制作的闲置交易网站设
基于Flask的视频网站设计与实 基于JSP的房屋销售系统设计与实 基于android音乐播放器的设
| 关于我们 | 友情链接 | 毕业设计招聘 |

Email:biyeshejiba@163.com 在线QQ: 点击这里给我发消息  914298682 学生毕业作品网站  
本站毕业设计毕业论文资料均属原创者所有,仅供学习交流之用,请勿转载并做其他非法用途.如有侵犯您的版权有损您的利益,请联系我们会立即改正或删除有关内容!
蜀ICP备10201305号-4