基于python的电影评论数据分析系统django 可视化大屏flask

随着电子技术的普及和快速发展，爬虫数据分析系统被广泛的使用，有很多商业机构都在实现现代化的爬虫数据推荐机制，电影评论数据也不例外，所以需要从爬虫网站数据，来对爬取的内容进行算法分析。 Python版本：python3.7+
前端：vue.js+elementui
框架：django/flask都有,都支持
后端：python 
数据库：mysql
数据库工具：Navicat
开发软件：PyCharm 

为了解决信息过载问题，出现了推荐系统，能够在海量的数据中将用户可能感兴趣的物品进行推荐。但目前对于电影评论的推荐系统应用还比较少，绝大多数电影评论观影软件没有提供推荐这个功能，无法从电影观众的观影历史记录中分析电影观众的兴趣爱好，不能做到提供个性化服务。因此将推荐技术应用在电影评论系统中，能够让电影观众体会到更加人性化的服务，能够根据电影观众的不同观影喜好来进行精确推荐，满足电影观众观影需求。
传统的电影评论数据管理，一开始都是手工记录，然后将手工记录的文档进行存档；随着电脑的普及，个性化智能电影评论数据管理演变成了手工记录后，输入电脑进行存档。传统的管理方式，对管理者来说工作量大。而且这种电影评论数据管理的方式，容易出现遗失或因为失误输入错误的信息等等。在这些基础上，我把python技术的豆瓣电影评论数据系统设计荐系统作为我的毕业设计，希望可以解决电影评论数据中出现的问题，简化工作人员的压力，也可以方便管理员进行系统化、电子化的管理。设计此系统，主要对电影评论馆领域书目的推荐算法研究中所面临的问题做了分析。并对推荐算法做了综述,详细的介绍了现在常用的推荐算法,对比了各种推荐算法的优缺点。另外针对数据稀疏性的问题,本文提出了基于图结构的个性化推荐。它是用图的方式将数据表现出来,用边线表示用户间的相似性。这种方法可以较为有效的避免数据的稀疏性。
意义：
三、研究方法和手段
1.文献研究法：通过查看文献来获得资料，从而全面、正确的了解和掌握豆瓣电影评论数据系统的设计与实现原理。
3.案例研究法：参考其他的少数电影评论，确定研究主要方向，了解它在实施过程中存在的问题来规避风险。
4.对比分析法：与其他同类型网站或系统进行类比，分析自身各个功能模块存在的不足并指出解决方案；自己的系统较其他同类型系统创新之处和优势。
5.经验总结法：坚持理论与实践相结合，及时进行动态分析，不断总结研究成果，进行阶段性小结，调整完善研究方案。