电影推荐系统 | Python Django框架双数据库协同过滤 requests bootstrap3 大数据毕业设计源码

博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈
以Python作为核心开发语言，基于Django框架构建后端架构，适配MySQL/SQLite双数据库存储数据，整合协同过滤推荐算法、requests爬虫技术，前端采用bootstrap3、js、jquery搭建交互界面，借助django-rest-framework拓展接口功能。

功能模块

数据采集
电影信息展示与管理
用户交互（登录、注册、评分、收藏等）
电影推荐
后台数据管理

项目介绍
本电影推荐系统采用分层模型设计思路，前端基于bootstrap3、js、jquery实现页面交互与展示效果，后端以Python+Django框架搭建核心架构，将协同过滤推荐算法作为核心推荐引擎。系统通过requests爬虫抓取豆瓣3000条电影数据并存储至数据库，支持电影多维度展示、分类排序与搜索操作；用户可完成登录、注册、评分、收藏等交互操作，后台可统一管控各类数据。针对推荐冷启动问题优化算法逻辑，能依据用户行为精准推荐电影，推荐准确率约75%，全面达成了预设的核心功能目标。

2、项目界面

（1）电影信息详情页面
展示电影的名称、海报、导演、主演等基础信息及剧情介绍，支持用户对电影进行评分、收藏，还设有 “前往观看”“点击收藏” 等操作按钮，同时呈现基于物品和用户的电影推荐内容，右侧还有最近更新的电影列表。

（2）系统首页，电影信息排序
支持按电影标签筛选及热度排序展示电影列表，呈现电影海报、名称与上映时间等信息，同时设有最近更新的电影列表区域，还提供基于用户的电影推荐板块及 “换一批” 功能，辅助用户快速浏览不同分类的电影内容。

（3）我的收藏电影
展示用户收藏的电影列表，呈现电影名、导演、对应标签等信息，同时页面右侧设有最近更新的电影列表及基于用户的电影推荐板块，还支持 “换一批” 推荐功能，方便用户管理收藏内容与获取新推荐。

（4）后台数据管理
提供快捷操作入口，可对偏好、前台用户、标签、电影、评分信息等内容进行管理，还能处理权限、用户组相关设置，同时展示最近操作记录，辅助管理员统一管控系统内的各类数据与功能模块。

（5）电影信息管理
支持通过电影名称、导演、上映日期等条件搜索电影，可对电影信息执行增加、删除操作，同时展示电影的封面、名称、导演、国家、上映日期等详情内容，辅助管理员管理系统内的电影数据。

（6）数据采集页面
通过 Python 脚本配置请求头与目标 URL，设置多页链接范围后启动爬虫，抓取电影相关数据，过程中会显示数据抓取状态及电影信息，同时将采集到的内容同步记录，为系统提供数据支撑。

3、项目说明

一、技术栈
本项目以Python为核心开发语言，基于Django框架构建后端架构，适配MySQL/SQLite双数据库进行数据存储，整合协同过滤推荐算法、requests爬虫技术，前端采用bootstrap3、js、jquery搭建交互界面，借助django-rest-framework拓展接口功能。

二、功能模块详细介绍

数据采集：通过Python脚本配置请求头与目标URL，设置多页链接范围后启动爬虫抓取电影相关数据，过程中展示数据抓取状态及电影信息，同时同步记录采集内容，为系统运行提供充足的数据支撑。
电影信息展示与管理：前台可展示电影名称、海报、导演等基础信息及剧情介绍，支持按标签筛选、热度排序浏览电影；后台支持按名称、导演等条件搜索电影，可对电影信息执行增删操作，全面管理系统内电影数据。
用户交互（登录、注册、评分、收藏等）：用户可完成登录、注册操作，在电影详情页对影片进行评分、收藏，还能查看个人收藏电影列表，系统同时提供推荐影片“换一批”功能，提升用户交互体验。
电影推荐：作为核心功能，系统基于协同过滤推荐算法，针对推荐冷启动问题优化逻辑，在首页、电影详情页、收藏页等板块呈现基于物品和用户的电影推荐内容，推荐准确率约75%。
后台数据管理：提供偏好、前台用户、标签、评分信息等多类数据的快捷管理入口，可处理权限、用户组相关设置，展示最近操作记录，辅助管理员统一管控系统内各类数据与功能模块。

三、项目总结
本电影推荐系统采用分层模型设计，前端基于bootstrap3、js、jquery实现交互展示，后端依托Python+Django框架搭建核心架构，以协同过滤推荐算法为核心引擎。系统通过requests爬虫抓取豆瓣3000条电影数据存储至双数据库，实现了电影多维度展示、用户交互、精准推荐及后台数据管控等功能，针对推荐冷启动问题优化算法后，推荐准确率达75%，全面达成预设的核心功能目标，为用户提供了便捷的电影浏览与个性化推荐体验。

4、核心代码


# -*-coding:utf-8-*-
import os
os.environ["DJANGO_SETTINGS_MODULE"] = "movie.settings"
import django
django.setup()
from movie.models import *
from math import sqrt, pow
import operator
from django.db.models import Subquery,Q,Count
# from django.shortcuts import render,render_to_response
class UserCf:
    # 获得初始化数据
    def __init__(self, all_user):
        self.all_user = all_user
    # 通过用户名获得列表，仅调试使用
    def getItems(self, username1, username2):
        return self.all_user[username1], self.all_user[username2]
    # 计算两个用户的皮尔逊相关系数
    def pearson(self, user1, user2):  # 数据格式为：物品id，浏览
        sum_xy = 0.0  # user1,user2 每项打分的的累加
        n = 0  # 公共浏览次数
        sum_x = 0.0  # user1 的打分总和
        sum_y = 0.0  # user2 的打分总和
        sumX2 = 0.0  # user1每项打分平方的累加
        sumY2 = 0.0  # user2每项打分平方的累加
        for movie1, score1 in user1.items():
            if movie1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[movie1]
                sum_x += score1
                sum_y += user2[movie1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[movie1], 2)
        if n == 0:
            # print("p氏距离为0")
            return 0
        molecule = sum_xy - (sum_x * sum_y) / n  # 分子
        denominator = sqrt((sumX2 - pow(sum_x, 2) / n) * (sumY2 - pow(sum_y, 2) / n))  # 分母
        if denominator == 0:
            return 0
        r = molecule / denominator
        return r
    # 计算与当前用户的距离，获得最临近的用户
    def nearest_user(self, current_user, n=1):
        distances = {}
        # 用户，相似度
        # 遍历整个数据集
        for user, rate_set in self.all_user.items():
            # 非当前的用户
            if user != current_user:
                distance = self.pearson(self.all_user[current_user], self.all_user[user])
                # 计算两个用户的相似度
                distances[user] = distance
        closest_distance = sorted(
            distances.items(), key=operator.itemgetter(1), reverse=True
        )
        # 最相似的N个用户
        print("closest user:", closest_distance[:n])
        return closest_distance[:n]
    # 给用户推荐电影
    def recommend(self, username, n=3):
        recommend = {}
        nearest_user = self.nearest_user(username, n)
        for user, score in dict(nearest_user).items():  # 最相近的n个用户
            for movies, scores in self.all_user[user].items():  # 推荐的用户的电影列表
                if movies not in self.all_user[username].keys():  # 当前username没有看过
                    if movies not in recommend.keys():  # 添加到推荐列表中
                        recommend[movies] = scores*score
        # 对推荐的结果按照电影
        # 浏览次数排序
        return sorted(recommend.items(), key=operator.itemgetter(1), reverse=True)
# 基于用户的推荐
def recommend_by_user_id(user_id):
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = Movie.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = Movie.objects.order_by("-num")[:15]
        return movie_list
    # 选取评分最多的10个用户
    users_rate = Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')
    user_ids = [user_rate['user'] for user_rate in users_rate]
    user_ids.append(user_id)
    users = User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户
    all_user = {}
    for user in users:
        rates = user.rate_set.all()#查出10名用户的数据
        rate = {}
        # 用户有给电影打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.movie.id), i.mark)#填充电影数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为电影打过分，设为0
            all_user.setdefault(user.username, {})
    user_cf = UserCf(all_user=all_user)
    recommend_list = [each[0] for each in user_cf.recommend(current_user.username, 15)]
    movie_list = list(Movie.objects.filter(id__in=recommend_list).order_by("-num")[:15])
    other_length = 15 - len(movie_list)
    if other_length > 0:
        fix_list = Movie.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in movie_list:
                movie_list.append(fix)
            if len(movie_list) >= 15:
                break
    return movie_list
# 计算相似度
def similarity(movie1_id, movie2_id):
    movie1_set = Rate.objects.filter(movie_id=movie1_id)
    # movie1的打分用户数
    movie1_sum = movie1_set.count()
    # movie_2的打分用户数
    movie2_sum = Rate.objects.filter(movie_id=movie2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(movie1_set.values('user_id')), movie=movie2_id).values('user_id').count()
    # 没有人给当前电影打分
    if movie1_sum == 0 or movie2_sum == 0:
        return 0
    similar_value = common / sqrt(movie1_sum * movie2_sum)#余弦计算相似度
    return similar_value
#基于物品
def recommend_by_item_id(user_id, k=15):
    # 前三的tag，用户评分前三的电影
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    user_prefer = list(user_prefer)[:3]
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = Movie.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = Movie.objects.order_by("-num")[:15]
        print('from here')
        return movie_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(movie__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的电影，用户没看过的30部，对这30部电影，计算距离最近
    un_watched = Movie.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的电影
    watched = Rate.objects.filter(user_id=user_id).values_list('movie_id', 'mark')
    distances = []
    names = []
    # 在未看过的电影中找到
    for un_watched_movie in un_watched:
        for watched_movie in watched:
            if un_watched_movie not in names:
                names.append(un_watched_movie)
                distances.append((similarity(un_watched_movie.id, watched_movie[0]) * watched_movie[1], un_watched_movie))#加入相似的电影
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, movie in distances:
        if len(recommend_list) >= k:
            break
        if movie not in recommend_list:
            recommend_list.append(movie)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的电影中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list
if __name__ == '__main__':
    similarity(2003, 2008)
    recommend_by_item_id(1)