【《基于python的影视系统的设计和实现》6600字（论文）】

基于python的影视推荐系统的设计和实现摘要近期，人们对互联网的依赖程度越来越高,其中各种数据信息资源飞速发展，网络影视资源量随之也逐渐扩大，变成人们日常生活中不可或缺的一部分。本设计是基于PyCharm平台，以Python为设计语言，使用Django框架连接系统的前、后端实现的。该影视推荐系统功能用户注册登录模块、电影分类模块、用户评分及反馈模块和推荐影视显示模块。论文介绍了推荐系统的设计过程，利用了协同过滤算法快速推荐给用户符合他们兴趣的影视资源，从而节省时间，让用户能够更好的体验。

关键词：影视推荐系统；Python；协同过滤算法目录TOC\o"1-3"\h\u摘要 I目录 3第1章绪论 51.1课题背景及意义 51.2国内外研究现状 51.3研究目的 51.4开发工具及相关技术 61.5本文组织结构 7第2章需求分析 83.1需求分析 83.1.1用户需求分析 83.2数据流程分析 9第3章系统设计 103.1推荐算法介绍 103.1.1协同过滤算法 103.1.2基于内容的推荐算法 113.1.3基于标签的推荐算法 123.2皮尔逊系数介绍 123.3系统数据集介绍 123.3.1movies数据集简介 123.3.2ratings数据集简介 133.3.3tags数据集简介 143.4系统总体架构 143.5系统架构图 153.6系统概念结构设计 15第4章系统实现 164.1注册登录模块 164.1.1登录 164.1.2用户注册 174.1.3用户登录 174.2电影分类模块 184.2.1管理员登录 184.2.2管理员增加电影 194.2.3电影分类 194.3用户评分反馈模块 204.3.1用户查看电影信息 204.3.2用户给电影评分 214.3.3用户历史评价电影 214.4推荐电影展示模块 22第5章测试 236.1系统的特点和优点 236.2系统存在的不足和改进方案 23结语 24参考文献 25第1章绪论1.1课题背景及意义现如今在网络上，电影资源的需求量愈来愈大，因此设计一款针对用户的影视推荐统必须提上日程。本系统设计的目的就是节约每一个用户寻找感兴趣电影的时间并推荐给她们最符合口味的电影。1.2国内外研究现状在互联网技术不断更迭的年代下，如今已经悄然进入了大数据时代，网络上各种信息资源的增长率异常惊人，每时每刻都会有无数的网络信息出现，人们接触这些信息的途径也各式各样。个性化推荐系统技术在多个领域中都有应用，用户都很依赖于使用这些推荐系统，所以应该尽快在各个平台为这些用户提供个性化推荐系统。目前要在海量电影资源中为用户推荐他们喜爱的部分相当关键。看电影作为大量用户空余时间消遣的手段，很多时间或许没有感兴趣的电影观看。这就可以通过影视推荐系统来帮助分析用户过去看过的电影从而挖掘出一些契合用户的电影资源。1.3研究目的本系统的研究目标是通过协同过滤算法设计并实现影视推荐系统：用户通过网址进入登录界面后要求先填写用户名、密码、邮箱、性别和年龄进行注册。注册成功输入用户名及密码后进入系统，然后可以从八个类型的电影中选择自己喜欢的，浏览它们的评分与标签，并在观看结束后给这些电影打出评分，最低分是一分，满分为五分。当用户提交评分后，推荐系统后台就会采用协同过滤算法将用户可能感兴趣的一些电影展示在电影推荐网首页中“推荐电影”栏中。1.4开发工具与相关技术本系统的开发工具与相关技术如下：1、Python简介Python语言是一种支持使用者采用多种不同的编程范式来撰写程序、各个领域都可使用、合理解释事物变换的高级编程语言。详细说来，Python语言具有特别多的特性：（1）易于学习；（2）易于阅读；（3）面向对象；（4）拥有丰富的库；（5）支持跨平台运行，并且开放源码等等2、PyCharm简介PyCharm是一款极其适合初学者的编辑器，它主要针对Python语言，配置简便、功能全面，使用起来既可以节约时间又降低了工作量，。3、Django框架Django是一个基于Python的Web框架，服务器平台的不同不会影响该框架的使用，这在保证灵活性的同时又相对很安全，因为它可以预防多种漏洞、缺陷。由于Django的使用无需支付费用，并且公布了它的所有源码，它也拥有丰富的文档，能够和其他任何客户端框架一起联合使用，因此用户量是很多的。1.5本文组织结构此项目的目标是实现基于Python的影视推荐系统，它的基本框架是Django重量级Web框架。文章分为以下六个部分，具体的各内容将在下方进行介绍：第一章：本章主要介绍了影视推荐系统和它包含的技术、基础研究发展背景和意义，阐明了该项技术在国内外的研究发展现状，简要说明了此系统所需采用的各种技术、原理及其框架。第二章：本章主要给出了用户方向的需求分析，并展示系统设计的流程。第三章：本章重点分析并简要介绍了几种重要的推荐算法:协同过滤算法、基于内容的推荐算法、基于标签的推荐算法，由于此系统主要采用基于用户的协同过滤算法，所以详细解释此算法。并且对系统使用的三种数据集和皮尔逊系数也简要地进行了阐述。在该章节中还对系统进行了具体设计、对系统的总体架构进行了梳理。第四章：本章是用户注册登录模块、电影分类模块、用户评分反馈模块和推荐电影展示模块的介绍和各个界面展示的部分。第五章：本章主要进行系统的测试环节，总结该系统的优势与改善提高之处。第2章需求分析2.1需求分析在我国，电影市场的发展速度似箭如梭、难以预测，很短的时间内就会诞生大量各种类型的电影。用户如果想花费极少的功夫就可以在这些电影海洋里寻找到一部分自己喜欢的风格的电影，这就需要一款高效的影视推荐系统来推荐，以此减少用户搜索的时间和观看到自己不喜欢的电影的几率。本次推荐系统主要实现的就是一个基于用户历史观影信息从而推荐电影的影视推荐系统，根据网络上的movies数据集里面海量的电影类型、电影标签、电影评分这些信息，通过协同过滤算法，从而为每一位用户推荐出几部符合他们兴趣的电影。2.1.1用户需求分析如图是系统中用户的需求分析图，介绍了该系统的五种对用户来说最重要的功能，分别是用户注册功能、用户登录功能、用户给电影评分功能、用户查看历史评分电影功能与用户查看推荐结果功能。注册注册登录登录评分评分查看历史查看历史评分电影查看推荐结果查看推荐结果图2-1用户的需求分析图3.2数据流程分析电影评分登录系统用户电影评分登录系统用户原数据集原数据集推荐算法推荐结果推荐算法推荐结果前段展示前段展示图3-2推荐过程流程图第3章系统设计3.1推荐算法介绍3.1.1协同过滤算法协同过滤算法主要包括基于用户的协同过滤算法与基于物品的协同过滤算法。本系统算法设计重点依靠基于物品的协同过滤算法，所以下面主要介绍此算法：算法核心：以物品的角度为核心寻找相似度高的其他物品推荐给目标用户。算法思想：该算法在计算相邻其他用户的时候主要的关注对象是物品的本身，而不是用户,简言之就是通过每个用户有兴趣爱好的物品来寻找与其相似的物品，然后根据每个用户历史的兴趣爱好，推荐特点相似的物品给目标用户。算法示例：下面展示了一个案例，首先把注意力集中到物品P上，根据所有用户的爱好不难看出，所有对物品P感兴趣的用户同时也会对物品R产生好感，所以完全可以总结出物品P和物品R的特征是极其相似的，而且用户丙也是对物品P感兴趣的，那么就可以推断出用户丙可能也会对物品R感兴趣。表3-1用户/物品示例表用户/物品物品P物品Q物品R用户甲√√用户乙√√√用户丙√推荐物品P物品P物品Q相似物品Q物品R喜欢物品R推荐图3-1用户/物品示例图3.1.2基于内容的推荐算法从每一个物品中分别选取部分特点，然后使用一个人评价过的喜爱和不喜爱的物品的特点来判断这个人的兴趣和特点。通过对用户的特点进行比较和分析，为用户提供了与他品味更契合的物品。基于内容的推荐算法不仅很好地维持了不同用户之间的关系的独立性，而且有效处理了物品冷启动时发生的故障。基于内容的推荐算法彻底将用户本身拥有的特征与项目的内容紧紧联系了起来，例如某一部电影的类型、导演、标签与用户的职业、性别、年龄。此算法依据每一位用户的历史行为建立并构造了一个关于这些用户的兴趣爱好的项目文档，再计算出所需要推荐的项目和用户兴趣爱好文档之间的相似程度，选择其中最相近的一个项目来推荐到更多的用户。首先为每个物品集构建一个自己喜欢的物品属性数据资料，然后为每个用户创建其一个自己喜欢的物品集，计算所需要推荐的项目和兴趣爱好在文档中的相似程度，选择类型最相似的项目来推荐到您的用户。如果相似度高的话就说明该用户很有可能会对这个物品感兴趣，如果相似度低的话则是说明该用户很有可能会厌恶这个物品。3.1.3基于标签的推荐算法标签是一种关键字，它用来描述物品信息和特征的，是无结构化的，目前有很多网站都在采用了这种标签体系的方式作为推荐算法。例如豆瓣网站可以让每一位用户对于电影进行打标签，系统就可以利用用户给出的标签这个特殊方式得到用户喜爱的电影的类型信息及重要内容，从而推荐一些新的电影给用户。相同的案例还有CiteULike论文书签这种类型的网站，它旨在帮助科研工作者收藏他们感兴趣的论文，然后给这些论文贴上标签。3.2皮尔逊系数介绍皮尔逊系数是一个值在-1与1之间的数，它的作用是负责衡量两对序列之间的线性相关性。如果这两对序列正相关的话值就会趋近1，否则就趋近于0。公式如下：为了比较两个不同用户之间相似度，则需要这两个用户所有共同评价过的物品作为各自的特征序列，这两个序列的相似度的衡量就需要用到皮尔逊系数，物品的相似度比较也可以这么实现。3.3系统数据集介绍3.3.1movies数据集简介表3-2movies数据集字段信息表名称类型含义备注namestring电影名称describestring电影描述timestring电影时长languagearray[string]电影语言每一项用“|”分割genrearray[string]电影类型每一项用“|”分割directorarray[string]电影导演每一项用“|”分割3.3.2ratings数据集简介表3-3ratings数据集字段信息表名称类型含义备注useridint用户IDmidint电影IDscoredouble电影评分3.3.3tags数据集简介表3-4tags数据集字段信息表名称类型含义备注useridint用户IDmovieidint电影IDtagstring电影标签3.4系统总体架构本系统实现的首要工作是从互联网上查找最合适的movies数据集并下载，然后经过一系列的数据的重组及筛选，通过Django框架在放置在网站的前端展示给所有用户。本系统采用的体系结构是浏览器/服务器体系结构，这使得用户仅仅凭借浏览器就能获得与影视推荐系统网站上的内容交互的权限。设计实现本系统主要是运用了Python语言进行后台的开发和编写推荐算法，将最后生成的目标推荐列表在前端页面显示展示给所有用户。用户交互层用户交互层获取推荐结果用户评分获取推荐结果用户评分用户登录用户注册图3-2用户交互层系统核心层系统核心层数据库用户评分反馈数据库用户评分反馈数据集处理模块前端框架推荐前端框架推荐引擎数据库更新图3-3系统核心层数据源数据源movies数据集movies数据集系统用户评分数据图3-4数据源3.5系统架构图在一个高效靠谱的推荐系统中，优秀的用户交互界面和用户行为数据是必不可少的。用户行为存储子模式用户行为存储子模式推荐系统用户交互模块推荐系统用户交互模块日志系统日志系统图3-5系统架构图3.6系统概念结构设计影视推荐系统的实体-联系图所下所示：用户名电影用户名电影名用户密码用户密码电影类型电影评分电影类型电影评分邮箱地址用户1n邮箱地址用户电影评分电影评分电影导演电影导演姓名电影标签评分年龄电影标签评分年龄图3-6系统E-R图第4章系统实现影视推荐系统是以改进后的基于用户的协同过滤算法和基于物品的协同过滤算法为依据，采用Django框架设计并实现。该系统主要包括了四种重要的模块，分别是注册登录模块、电影分类模块、用户评分反馈模块和推荐电影展示模块。下面将通过截图的形式简单概括介绍此系统各个模块的设计界面及作用。4.1注册登陆模块新用户登录电影推荐网站之前需要先输入个人的账号、密码、邮箱地址、性别、年龄进行注册。注册成功后手动回到首页输入账号、密码才可以进入影视推荐系统。4.1.1登录图4-1登录界面4.1.2用户注册图4-2用户注册界面4.1.3用户登陆图4-3用户登录界面4.2电影分类模块4.2.1管理员登录图4-4管理员登录界面4.2.2管理员增加电影管理员角色有对电影进行增添的权限。如图4-5所示：图4-5管理员增加电影界面4.2.3电影分类图4-6电影分类界面4.3用户评分反馈模块用户可以查看感兴趣电影的信息，观看结束给予评分，并且可以在“打分电影”栏处查看历史打分电影。4.3.1用户查看电影信息图4-7用户查看电影信息界面4.3.2用户给电影评分图4-8用户给电影评分界面4.3.3用户历史评分电影图4-9用户历史评分电影界面4.4推荐电影展示模块：1、基于物品的推荐结果：图4-10基于物品的推荐结果界面2、基于用户的推荐结果：图4-11基于用户的推荐结果界面第5章测试5.1系统的特点和优点随着互联网技术更新换代的速度扶摇直上，有关各种类型的推荐系统研究也变得盛行起来，可谓突飞猛进。本系统的主要研究工作内容是实现影视推荐系统，并对这项技术中所应用的推荐算法和它在国内外的现状进行了充分的思考分析。对该系统的需求作出剖析，分析出目标用户对电影推荐网站应有功能的需求，再对所有用户详细介绍此系统各功能的模块。这款影视推荐系统的设计部分包括有注册登录模块、电影分类模块、用户评分反馈模块、推荐电影展示模块各模块这四种模块，同时也会展示系统总体架构的流程图便利目标用户熟知功能。此影视推荐系统的算法编写主要采用改良过后的基于用户的协同过滤算法和基于物品的协同过滤算法这两种算法，在电影推荐网站的首页以两种形式分别推荐电影给用户，以此便于用户更轻松地选择合适的部分。当所有的推荐算法编写测试无误后，结合现有通用性最强大的的Django框架，通过它自身的用户注册表格来完成用户的注册登录这个功能，再耗时斟酌出符合要求的视图代码帮助将电影推荐结果在用户端的首页展示出来。既高效又简洁，让所有使用该系统的用户都不可能会排斥它。5.2系统存在的不足和改进方案虽然影视推荐系统的主要功能已经完善，并且能有效地向每一位用户推荐几部符合他们口味的电影，完全能称之为一款实用的个性化电影推荐系统。但还是有很多地方做的不够合理、恰当：1、系统设计中所使用的算法效率有点过低。目前编写核心代码的两种协同过滤算法是很古老的算法，运行时间相对比较久并且推荐结果有时候会不合人意，因此不太适合一部分用户去使用。今后有机会会废除存在的低效的推荐算法，采用最近更高效的推荐算法，再适当配合使用基于标签的推荐算法和基于内容的推荐算法。在用户注册个人信息时，最好可以先让用户自己选择职业、性别和爱好，这样有助于根据历史评分更加精准地推荐。2、系统中主要采取了用户对电影的历史评分数据进行推荐，有时生成推荐结果并不能仅仅依赖这些数据。大部分在该网站注册的用户观看过的电影数量如果不多，同时其他用户过高评价的电影就会优先推荐，因此这样算法计算出来的相似度很容易不够精准。此系统采用的是互联网中的movies数据集，由于这个数据集压缩后的占比十分小，因此网站中的电影数量也不会多，这样推荐给用户电影的效果会相当不可靠。结语当代世界的网络中，电影资源的比例与日俱增，每一段时间都会诞生庞大数量的电影资源，所以为了满足用户完全可以选择设计一款个性化的影视推荐系统。这款基于Python的影视推荐系统的完整设计工作大致需要包括电影推荐网的前端展示、用户评分电影功能以及推荐算法的实现。其中编写符合要求的推荐算法是重中之重，系统采取的算法是整个推荐系统领域中使用最广泛的协同过滤算法。系统对基于用户的协同过滤算法和基于物品的协同过滤算法这两种算法进行了良性的调整，为此最终向用户推荐的电影会更加契合他们的胃口。从最早接触到这个论文题目到整个系统的具体功能完成，再到最后论文内容的撰写，每个部分对自己来说都是莫大的挑战，这款基于Python的影视推荐系统是我在大学学习生涯自主完成的最大的设计项目。在这漫长的时间段里，我受到了很多启发，也收获了更深入的知识。起初对Python语言、PyCharm平台等方面的认识异常模糊，但通过一步一步的独立学习、测试以及相关的文章资源，让我逐渐填补了这些欠缺，激励我完成好设计作品。然这篇论文内容很稚嫩，包含一些不清晰的想法，但我还是要发出声明：整个系统中的每一行代码，都是我付出了汗水才完成的。当看着程序完美地运行并且所有的功能都一一实现，这是无法超越