基于卷积神经网络的电影推荐系统

基于卷积神经网络的电影推荐系统

  • 前言
  • 1.实现效果
    • 1.1 算法运行结果
    • 1.2 系统主要界面
  • 2.主要代码实现
    • 2.1 网络模型代码
    • 2.2 django代码

前言

如今协同过滤等传统推荐算法被广泛用于推荐,但也存在冷启动、矩阵稀疏等问题,本项目用深度学习来实现电影推荐,核心算法主要参考了https://blog.csdn.net/chengcheng1394/article/details/78820529,基于tensorflow和卷积神级网络来实现个性化电影推荐。web端用django来进行开发。

1.实现效果

1.1 算法运行结果

(1)输入电影,推荐相似的电影以及看过的人还喜欢的电影
基于卷积神经网络的电影推荐系统_第1张图片

基于卷积神经网络的电影推荐系统_第2张图片

(2)输入用户信息,推荐其喜爱的电影
基于卷积神经网络的电影推荐系统_第3张图片

1.2 系统主要界面

  • 登录模块

基于卷积神经网络的电影推荐系统_第4张图片

  • 电影推荐模块

基于卷积神经网络的电影推荐系统_第5张图片

基于卷积神经网络的电影推荐系统_第6张图片

2.主要代码实现

2.1 网络模型代码

网络模型代码这里就不放了,可以参考https://blog.csdn.net/chengcheng1394/article/details/78820529

2.2 django代码

以下是django的一些主要代码:

  • urls.py配置路由

基于卷积神经网络的电影推荐系统_第7张图片

  • settings.py配置数据库

基于卷积神经网络的电影推荐系统_第8张图片

  • 登录模块
def login(request):
    if request.method == 'GET':
        return render(request, 'login.html')
    else:
        #用户POST提交的数据
        u = request.POST.get('user')
        p = request.POST.get('pwd')
        #把账号密码写死了
        # if u == 'cxx' and p == '123':
        #     #登录成功
        #     return redirect('/mess/')
        #从数据库中判断账号密码是否正确
        if u and p:
            c = User.objects.filter(username=u,password=p).count()
            if c >= 1:
                #获取当前登录的用户id
                cur_id = User.objects.get(username=u, password=p).id
                return redirect('/mess/?user_id='+str(cur_id))
            else:
                return render(request, 'login.html', {'msg': '账号密码错误'})
        else:
            #登录失败
            return render(request, 'login.html', {'msg': '请输入正确的账号密码'})
  • 推荐喜欢的电影
def like(request):
    user_id = request.GET.get('user_id')
    #获取当前用户
    my_user = models.User.objects.get(id=user_id)

    global global_model
    model = global_model
    print('-------正在推荐--------', user_id)

    list_like_movies_names, list_like_movies_ids = model.recommend_your_movie(int(user_id))
    print('你喜欢的电影:', list_like_movies_names)
    print('你喜欢的电影id:', list_like_movies_ids)

    # 你喜欢的电影
    list_dict_like = []
    for i in list_like_movies_names[:6]:
        list_dict_like.append(utils.movie_dic(i))
    for i in range(len(list_dict_like)):
        # list_dict_like[i]['movie_id'] = list_like_movies_ids[i]
        list_dict_like[i]['movie_id'] = int(list_like_movies_ids[i])    #把字典中的id转int类型,便于前端if判断
    print('相似电影列表:', list_dict_like)

    context = {}
    context['list_dict_like'] = list_dict_like
    context['my_user'] = my_user    #返回当前用户,在前端页面显示当前登陆的用户名

    return render(request, 'like.html', context)
  • 推荐同类型的电影和看过的人喜欢的电影
def index(request):
    #获取电影id
    movie_id = request.GET.get('movie_id')

    global global_model
    model = global_model
    print('-------正在推荐--------', movie_id)

    #choice_movie_name 选择的电影名称
    #list_same_movies_names 相似的电影名称
    #list_pepole_like_movies_names 喜欢这个电影的人还喜欢的电影名称
    #list_same_movies_ids 相似的电影id
    #list_pepole_like_movies_ids 喜欢这个电影的人还喜欢的电影id
    #和recommend_by_movie方法的返回值一一对应
    choice_movie_name, list_same_movies_names, list_pepole_like_movies_names, list_same_movies_ids, list_pepole_like_movies_ids = model.recommend_by_movie(
        int(movie_id))

    print('选择电影:', choice_movie_name)
    print('相似的电影:', list_same_movies_names)
    print('喜欢这个电影的人还喜欢:', list_pepole_like_movies_names)
    print('相似的电影id:', list_same_movies_ids)
    print('喜欢这个电影的人还喜欢id:', list_pepole_like_movies_ids)

    #选择的电影
    list_dict_choice = []
    for i in choice_movie_name:
        list_dict_choice.append(utils.movie_dic(i))
    list_dict_choice[0]['movie_id'] = movie_id
    print('选择电影列表:', list_dict_choice)

    # 相似的电影
    list_dict_same = []
    # for i in list_same_movies_names[:3]:    #最多显示3部电影
    for i in list_same_movies_names:
        list_dict_same.append(utils.movie_dic(i))
    for i in range(len(list_dict_same)):
        # list_dict_same[i]['movie_id'] = list_same_movies_ids[i]
        list_dict_same[i]['movie_id'] = int(list_same_movies_ids[i])    #把字典中的id转int类型,便于前端if判断
    print('相似电影列表:', list_dict_same)


    # 看过的用户还喜欢的电影
    list_dict_otherlike = []
    for i in list_pepole_like_movies_names:
        list_dict_otherlike.append(utils.movie_dic(i))
    for i in range(len(list_dict_otherlike)):
        # list_dict_otherlike[i]['movie_id'] = list_pepole_like_movies_ids[i]
        list_dict_otherlike[i]['movie_id'] = int(list_pepole_like_movies_ids[i])    #把字典中的id转int类型,便于前端if判断
    print('喜欢这个电影的人还喜欢列表:', list_dict_otherlike)
   

    context = {}
    context['list_dict_choice'] = list_dict_choice
    context['list_dict_same'] = list_dict_same
    context['list_dict_otherlike'] = list_dict_otherlike


    return render(request, 'index.html', context)

你可能感兴趣的:(机器学习,#,Django,卷积神经网络,django,tensorflow)