毕业设计-基于微信小程序的电影推荐系统

Mini_hailang_IT 2023-10-30 原文

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长微信小程序毕设专题,本次分享的课题是

🎯基于微信小程序的电影推荐系统

课题背景与简介

随着信息技术和移动互联网技术的发展，信息的数据量呈爆炸式增长趋势，社会逐渐从信息匮乏时代进入了信息过载的“大数据”时代。在这种背景下，人们越来越难从大量的信息中找到自身感兴趣的信息，如何从大量冗杂的信息中获取有价值的信息成了一个需要迫切解决的问题。基于此，搭建微信小程序平台上的电影推荐系统，以在一定程度上解决电影的信息过载问题。推荐系统作为解决信息超载问题的有效方法受到公众的广泛关注。假设用户想去看最新上映电影，只需要通过网络找到一家电影院并订一张电影票，就可以观看自己喜爱的电影。但是，这种方式需要用户有明确的目的性，他需要知道自己想要看什么样的电影。当用户没有明确的需求，不知道想要看哪种类型的电影时，就只能在大量的电影中逐一查找，很难在短时间内找到自己想看的影片。为了解决使用户能够快速找到想看的电影，电影推荐系统应运而生。一个优秀的电影推荐系统,不仅能为在线用户提供更多的电影推荐服务,还可以提高用户对电影平台的认可度和使用体验。

实现设计思路

一、电影推荐算法的设计与实现

推荐算法设计

电影推荐系统的核心在于推荐算法。本文所采用的是经过改良的基于用户的协同过滤算法。算法采用的技术路线图如图所示：

技术路线图包括以下四个部分：（1）数据准备与预处理（2）数据特征提取（3）训练分类模型（4）计算推荐列表

推荐算法实施过程

推荐算法实施过程主要分为以下五个部分。

（1）数据准备（2）数据处理（3）特征提取（4）情感极性分类（5）构建推荐算法模型

1、数据准备

首先，需要准备推荐算法所需要的数据。需要编写爬虫程序抓取电影的基本信息和评论信息。爬虫程序的编写过程中主要使用了 Python 的 Requests 工具包和 BeautifulSoup4 工具包。Requests 包负责从网页中下载数据，BeautifulSoup4 包负责解析数据。

2、数据处理

将抓取的数据存储到数据库后，需要对数据进行处理，方便从文本数据中提取特征。数据处理主要包含两部分，中文分词，去除停用词。

（ 1 ）中文分词

本文使用基于 Python 的 jieba 分词模块进行评论的分词。将预处理之后的评论进行分词，为构建词向量做准备。中文分词效果：

（2）去除停用词

在自然语言处理（Nature Language Processing，NLP）领域停用词通常被认为是无实际语义信息、无区分度的词，为了节省数据储存空间和提高特征提取效率，需要在处理文本数据的时候，剔除这些停用词。去停用词效果：

3、特征提取

在进行完中文分词和去除停用词之后，得到了文本特征数据。但是训练 CNN 分类模型不能输入文本数据，需要以矩阵的形式作为输入。下面，将分为两部分说明文本特征数据如何转换成矩阵形式。生成词典：

生成特征向量：

选用 Word2vec 工具进行特征的进一步提取。它主要的目的是将高维的词向量转化为低维的词向量，并能将单个词的上下文其他词也加入到当前词的提取过程中。现在 Word2vec 常用的模型有 CBOW(Continuous Bag-of-Words Model)和 Skip-Gram(Continuous Skip-gram Model)，CBOW 模型是跟据词语的上下文来预测它本身，而 Skip-Gram 模型是根据当前的词语来预测该词语上下文的其他词。在本文中，采用的是 CBOW 模型。

4、构建情感极性分类模型

采用的情感分类模型是卷积神经网络（ Convolutional Neural Networks，CNN），CNN 是一种具有“深度”的多层神经网络模型，善于从特征不明显的数据中提取特征，经常被用于处理图像识别问题[28]。但在近年来， CNN 在 NLP 领域的文本分类上的效果也非常出色。 CNN 通常由输入层、卷积层、池化层、全连接层、输出层组成。

5、推荐算法实现

在上一步中得到了电影评论的情感极性值，下面将要讲述如何把情感值加入到协同过滤算法的计算当中，并构建改进版的推荐算法模型。基于物品的协同过滤算法的本质是给用户推荐他之前喜欢的物品的相似物品。所以该算法的重点是计算物品之间的相似度，相似度计算主要有三个经典算法：余弦定理相似性度量、欧氏距离相似度度量和杰卡德相似性度量。

推荐算法评估

完成了对电影推荐算法的设计，但是无法判别这个算法的好坏，是否能够推荐合适的电影，下面将对推荐算法进行评估。主要从准确率、召回率、覆盖率三个方面进行评估。

（ 1 ）召回率

（2）准确率

（3）覆盖率

二、电影推荐系统分析与设计

需求分析

需求分析的过程就是将系统从黑盒逐步转换为白盒的一个过程。

1、功能性需求

功能需求是规定开发人员必须在产品中实现的软件功能，用户利用这些功能来完成任务，满足业务需求。功能需求有时也被称作行为需求。

2、非功能性需求

非功能性需求是指依一些条件判断系统运作情形或其特性，而不是针对系统特定行为的需求。系统有以下五个方面的非功能需求。

（1）性能需求（2）可维护性（3）可用性（4）易用性（5）安全性

架构设计

系统构架是对已确定的需求的技术实现构架、作好规划，运用成套、完整的工具，在规划的步骤下去完成任务。电影推荐系统架构采用 B/S 架构，包含三部分 Browser 微信小程序、Sever服务器、Database 数据库。

Browser 即前端，在本系统中代表着微信小程序，它负责与用户的交互、发送数据请求，Sever 即服务器，负责数据的交互、事务的处理等重要处理和计算工作，Database 即数据库，用来储存电影数据，评论数据，用户数据等。

功能设计

电影推荐系统的功能模块图如图所示：

（1）影片推荐模块

影片推荐模块分区域显示热门推荐，个性化推荐，高分推荐。

（2）搜索模块

搜索模块可以输入匹配字符搜索。

（3）用户信息模块

用户信息，可以查询和修改用户数据；电影收藏，收藏对用户收藏的电影进行查看和管理；系统设置，可以设置小程序的背景、风格；应用信息，显示小程序的基本信息。

1、影片推荐模块设计

本模块功能为影片推荐，按照来源区分可以分为三个部分，分别是热门电影推荐、个性化电影推荐，高分推荐。热门推荐是根据电影的上映时间、评论数、评分数据生成电影推荐列表，并按照热度排序展示。个性化推荐是上一章重点介绍的由改进版基于物品的协同过滤算法计算的电影推荐，推荐信息与用户个人行为记录有关，按照推荐度排列展示。高分推荐是根据电影的评分、类型、国家\地区数据生成的电影推荐，并按照分类、国家展示。

2、搜索模块设计

本模块功能为影片搜索，使用字符匹配搜索。字符匹配搜索用户通过自己的需求从输入框输入电影、演员、导演名称，获取与输入字符匹配的相应电影列表。

3、用户信息模块设计

本模块功能为影片推荐，分为四个部分，分别是。用户信息、电影收藏、系统设置、应用信息。

数据库设计

数据库是信息的载体,是系统的重要组成部分。应用本系统采用了 MySQL 数据库作为储存电影相关信息的数据库，MySQL 数据库属于关系型数据库，多用于 WEB 应用，MySQL 的优点是易于搭建、轻量化易于迁移、处理数据速度快，并且可以免费使用。

1、E-R 图设计

由需求分析和功能设计可知，在系统中涉及到的实体有用户、评论、电影、电影收藏。表示它们之间的关系的 E-R 图如图

2、数据表设计

数据库由四个表组成，user 表储存着用户基本信息，comment 表储存着评论信息，movie 表储存这电影基本信息，movie_collection 表储存着用户收藏的电影信息。

user表：

comment表：

movie 表：

movie_collection 表：

实现效果样例

电影推荐模块：

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

毕业设计-基于微信小程序的电影推荐系统

前言

课题背景与简介

实现设计思路

一、电影推荐算法的设计与实现

二、电影推荐系统分析与设计

实现效果样例

更多帮助

有关毕业设计-基于微信小程序的电影推荐系统的更多相关文章

随机推荐