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：

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

6. 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。

7. 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 = 100self.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 = 0print('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] += 1self.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:continueself.cooccur[m1][m2] += 1# self.movie_sim_matrix[m1][m2] += 1print("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0if self.movie_popular[m1] == 0 or self.movie_popular[m2] == 0:self.movie_sim_matrix[m1][m2] = 0else:# 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