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
（2）输入用户信息，推荐其喜爱的电影
1.2 系统主要界面
登录模块
电影推荐模块
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
settings.py配置数据库
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)
