/Movies_Recommend

movie recommender system in use Collaborative Filtering / 基于协同过滤的电影推荐系统

Primary LanguagePython

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：

  1. Django 2.0
  2. 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

  1. 导入数据库，数据库命名必须是movie_recommend_db
  2. 配置好Django里面的数据库链接选项
  3. 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

  1. 配置好Django连接数据库的属性
  2. 迁移model到数据库上
  3. 按顺序运行注释掉的导入数据库代码
  4. 开始运行

确保你之前已经配置好Django环境

缺点：

  1. 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
  2. 注释了csrf中间件，没有继续研究这个部分
  3. 只在本地运行测试，没有部署到服务器上
  4. 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。。）
  5. 界面有些简陋

页面展示：

首页：

tEkFIA.md.png

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）

tEkPVH.md.png

用户的评分记录：

tEkiad.md.png

推荐效果：使用UserCF

tEkprD.md.png