电影推荐系统

目录

• 简介
• 功能
• 安装
• 使用方法
• 项目结构
• 正在实现的功能
• 未来会加入的功能
• 可能加入的功能
• 贡献
• 许可证

简介

本项目是一个使用Flask、Pandas和Scikit-learn构建的电影推荐系统。它包括基于用户和基于物品的协同过滤算法，并使用交互式图表可视化推荐结果和评估指标。

功能

• 用户和物品的协同过滤推荐算法
• 使用Chart.js可视化推荐结果
• 显示不同推荐算法的RMSE（均方根误差）
• 支持用户评分的实时更新和反馈

安装

前提条件

• Python 3.7或更高版本
• MySQL数据库

步骤

1. 克隆仓库：

   git clone https://github.com/yeliccc/ece4010project.git
   cd ece4010project

2. 创建虚拟环境并激活：

   python3 -m venv venv
   source venv/bin/activate   # 对于Windows用户，使用 `venv\Scripts\activate`

3. 安装依赖：

   pip install -r requirements.txt

4. 配置数据库：

   • 确保MySQL数据库已安装并运行。
   • 在MySQL中创建一个名为movielens的数据库，并导入数据。可以使用create_movielens.sql脚本，需要重启数据库可以使用reload_movielens
   • 在项目根目录创建一个名为config.py的文件，添加数据库配置信息：

   DB_CONFIG = {
       'host': 'localhost',
       'user': 'your_username',
       'password': 'your_password',
       'database': 'movielens'
   }

5. 运行应用程序：

   python app.py

使用方法

1. 启动应用后，在浏览器中访问http://127.0.0.1:5000/。
2. 在主页上输入用户ID和推荐数量，选择推荐算法，点击“Get Recommendations”获取推荐结果。
3. 推荐结果页面将显示推荐的电影列表及其评分，同时展示推荐结果的柱状图。
4. 新用户可以进行测试来获得推荐的电影

项目结构

movierecsys/
├── app.py
├── requirements.txt
├── config.py
├── data/
│   ├── __init__.py
│   ├── load_data.py
├── models/
│   ├── __init__.py
│   ├── collaborative_filtering.py
├── templates/
│   ├── index.html
│   ├── recommendations.html
│   ├── feedback_thankyou.html
└── utils/
    ├── __init__.py
    ├── database.py
    ├── evaluation.py

• app.py：主应用程序文件，定义了Flask路由和逻辑。
• requirements.txt：项目依赖列表。
• config.py：数据库配置文件。
• data/：包含数据加载和预处理脚本。
• models/：包含推荐算法实现。
• templates/：包含HTML模板文件。
• utils/：包含数据库连接和评估函数。

正在实现的功能

• 深度学习推荐系统：使用TensorFlow或PyTorch构建深度学习模型，提供更准确的推荐结果。

未来会加入的功能

• 矩阵分解方法：引入如ALS（交替最小二乘）或NMF（非负矩阵分解）等矩阵分解方法，以提高推荐精度。
• 实时推荐：实现实时推荐系统，能够在用户交互时实时更新推荐结果。

可能加入的功能

• 社交推荐：结合社交网络数据，提供基于社交关系的推荐服务。
• 多模态推荐：结合用户的浏览历史、评分、评论等多种数据源，提供更全面的推荐服务。
• 移动应用支持：开发移动端应用，使用户可以随时随地获取电影推荐。

贡献

欢迎贡献者！如果有任何改进建议或发现了问题，请提交issue或创建pull request。

许可证

本项目基于MIT许可证进行分发。详情请参见LICENSE文件。