基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统——深度学习算法应用(含微信小程序、ipynb工程源码)+MovieLens数据集（七）
目录
- 前言
- 总体设计
-
- 系统整体结构图
- 系统流程图
- 运行环境
- 模块实现
-
- 1. 模型训练
-
- 1）数据集分析
- 2）数据预处理
- 3）模型创建
- 4）模型训练
- 5）获取特征矩阵
- 2. 后端Django
- 3. 前端微信小程序
-
- 1）小程序全局配置文件
- 2）推荐电影页面
- 3）个人信息界面以及用户登录记录页面
- 系统测试
-
- 1. 模型损失曲线
- 2. 测试效果
- 相关其它博客
- 工程源代码下载
- 其它资料下载
前言
本项目专注于MovieLens数据集，并采用TensorFlow中的2D文本卷积网络模型。它结合了协同过滤算法来计算电影之间的余弦相似度，并通过用户的交互方式，以单击电影的方式，提供两种不同的电影推荐方式。
首先，项目使用MovieLens数据集，这个数据集包含了大量用户对电影的评分和评论。这些数据用于训练协同过滤算法，以便推荐与用户喜好相似的电影。
其次，项目使用TensorFlow中的2D文本卷积网络模型，这个模型可以处理电影的文本描述信息。模型通过学习电影的文本特征，能够更好地理解电影的内容和风格。
当用户与小程序进行交互时，有两种不同的电影推荐方式：
-
协同过滤推荐：基于用户的历史评分和协同过滤算法，系统会推荐与用户喜好相似的电影。这是一种传统的推荐方式，通过分析用户和其他用户的行为来推荐电影。
-
文本卷积网络推荐：用户可以通过点击电影或输入文本描述，以启动文本卷积网络模型。模型会分析电影的文本信息，并推荐与输入的电影或描述相匹配的其他电影。这种方式更注重电影的内容和情节相似性。
综合来看，本项目融合了协同过滤和深度学习技术，为用户提供了两种不同但有效的电影推荐方式。这可以提高用户体验，使他们更容易找到符合他们口味的电影。
总体设计
本部分包括系统整体结构图和系统流程图。
系统整体结构图
系统整体结构如图所示。
系统流程图
系统流程如图所示。
模型训练流程如图所示。
服务器运行流程如图所示。
运行环境
本部分包括Python环境、TensorFlow环境、 后端服务器、Django和微信小程序环境。
模块实现
本项目包括3个模块：模型训练、后端Django、 前端微信小程序模块，下面分别给出各模块的功能介绍及相关代码。
1. 模型训练
下载数据集，解压到项目目录下的./ml-1m文件夹下。数据集分用户数据users.dat、电影数据movies.dat和评分数据ratings.dat。
1）数据集分析
数据集网站地址为http://files.grouplens.org/datasets/movielens/ml-1m-README.txt对数据的描述。
相关博客：https://blog.csdn.net/qq_31136513/article/details/133124641#1_44
2）数据预处理
通过研究数据集中的字段类型，发现有一些是类别字段，将其转成独热编码，但是UserID、MovieID的字段会变稀疏，输入数据的维度急剧膨胀，所以在预处理数据时将这些字段转成数字。
相关博客：https://blog.csdn.net/qq_31136513/article/details/133124641#2_123
3）模型创建
相关博客：https://blog.csdn.net/qq_31136513/article/details/133125845#3_50
4）模型训练
相关博客：https://blog.csdn.net/qq_31136513/article/details/133130704#4_57
5）获取特征矩阵
本部分包括定义函数张量、生成电影特征矩阵、生成用户特征矩阵。
相关博客：https://blog.csdn.net/qq_31136513/article/details/133130704#5_240
2. 后端Django
该模块实现了推荐算法的封装与前端数据交互功能。
相关博客：https://blog.csdn.net/qq_31136513/article/details/133131103#2_Django_67
3. 前端微信小程序
该模块实现用户交互以及与后端数据的传输功能，通过微信开发者平台进行前端开发。
1）小程序全局配置文件
全局配置文件通常以APP开头，包括app.js、app.json、app.wxss等， 这些文件在新建小程序时，由微信开发者平台自动生成。
相关博客：https://blog.csdn.net/qq_31136513/article/details/133146411#1_75
2）推荐电影页面
推荐电影页面movies,包含movies.js、movies.json、movies.wxml、movies.wxss。其中movies.js记录的是逻辑层; movies.wxml记录的是视图层; movies.wxss记录页面元素的样式表；movies.json 类似于app.json,记录这个页面的相关配置信息。
相关博客：https://blog.csdn.net/qq_31136513/article/details/133146411#2_177
3）个人信息界面以及用户登录记录页面
这两个页面是新建小程序时系统自动生成的，不做改动。以下个人信息页面由index.js、index.html、 index.json、index.wxss等文件构成。
相关博客：https://blog.csdn.net/qq_31136513/article/details/133146411#3_383
系统测试
本部分包括模型损失曲线及测试效果。
1. 模型损失曲线
模型使用真实评分与预测评分的MSE作为损失函数，随着迭代次数的增多，在训练数据、测试数据上的损失逐渐降低，最终趋于稳定，经过5次迭代后，损失稳定为1。
训练损失如图所示。
测试损失如图所示。
2. 测试效果
前端小程序开发完成后，在微信开发者平台中进行预览，操作界面如图所示。
Movies页面中有两种推荐方式选择按钮，下面还有5部随机显示的电影信息。选择其中一种方式进行电影推荐,也就是“同类型电影”的推荐方式，再选择其中一部电影，例如，选择当前屏幕中的第一部电影Last Night，可以看到推荐了很多同类型的电影，如图所示。
选择另一种方式，即“看过这个的还喜欢看”的推荐方式，继续选择第一部电影，出现其他电影，如图所示。
相关其它博客
基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统——深度学习算法应用(含微信小程序、ipynb工程源码)+MovieLens数据集（一）
基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统——深度学习算法应用(含微信小程序、ipynb工程源码)+MovieLens数据集（二）
基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统——深度学习算法应用(含微信小程序、ipynb工程源码)+MovieLens数据集（三）
基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统——深度学习算法应用(含微信小程序、ipynb工程源码)+MovieLens数据集（四）
基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统——深度学习算法应用(含微信小程序、ipynb工程源码)+MovieLens数据集（五）
基于TensorFlow+CNN+协同过滤算法的智能电影推荐系统——深度学习算法应用(含微信小程序、ipynb工程源码)+MovieLens数据集（六）
工程源代码下载
详见本人博客资源下载页
其它资料下载
如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。