tensorflow 协同过滤_基于django和协同过滤/cnn的电影推荐系统

技术

前端: bootstrap3 + vue + jquery
后端: django 2.2.1 +djangorestframework (MVC框架)
数据库: mysql
数据集:
1. 豆瓣数据集+豆瓣电影爬虫+csv存储
2. movielens数据集+图片+用户数据和评分数据+csv存储

功能介绍

录入电影信息
用户打分
电影标签分类
电影推荐
电影分享
电影收藏
后台管理系统。

算法

基于用户的协同过滤

算法: 协同过滤，根据用户的打分来进行推荐。从所有打分的用户中找出和当前用户距离最近的n用户，然后从n个用户打分的电影中找15个当前用户未看过的电影。最近距离算法通过协同过滤来实现。推荐算法—协同过滤 - 简书此项目采用的是皮尔逊相关系数来计算相似度。采取基于用户模型的的协同过滤(Neighbor-based Collaborative Filtering)。皮尔森距离公式:

基于物品的协同过滤

计算物品之间的相似度，然后根据相似度来推荐

物品间的共现矩阵，两个物品同时被n个用户购买物品间的相似度

相似度:共现值/N的点赞值M的点赞值开根号 推荐值: 相似度评分根据用户点赞过得商品来寻找相似度推荐。计算每个点赞过的物品和所有未点赞物品之间的得分。得分=相似度*打分值得分越高表示越相似。然后返回结果

基于tensorflow/文本卷积网络的推荐

通过movielens所提供的用户信息: 年龄—性别—职业。这三个数据维度来刻画用户数据信息。然后构造文本卷积网络来生成模型。用户可以根据自己的年龄/性别等特征信息来得到个性化的推荐。

基于交互式的推荐

交互式的推荐为通过问答选择的形式来为用户推荐电影，根据回答的问题不同，得到的推荐电影也不同。

各文件功能

media/ 静态文件存放处，图片
movie/ Django的默认app，负责设置的配置还有url路由,部署等功能
static/ css文件和js文件的存放处
user/ 主app，程序的所有代码基本都在这下面 user/migrations为自动生成的数据库迁移文件 user/templates为前端页面模板文件， user/admins.py 为管理员后台代码 user/forms.py为前端表单代码 user/models.py为数据库orm模型 user/serializers.py为restful文件，不用管。 user/urls为路由注册文件。 user/views为负责处理前端请求和与后端数据库交互的模块，也就是controller模块。
cache_keys.py为缓存的key值名称存放文件，不用管。
db.sqlite3数据库文件
douban_crawler.py 豆瓣爬虫文件
manage.py 运行的主程序，从这里启动
populate_movies_script.py 填充电影数据到数据库中
populate_user_rate.py 随机生成用户评分

github链接

https://github.com/Colaplusice/movie_recommendgithub.com

参考文档

协同过滤和基于内容推荐有什么区别？www.zhihu.com