基于卷积神经网络的电影推荐系统

前言

大家好，我是南木元元，热衷分享有趣实用的文章。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，本文来分享一下用深度学习的方式来实现电影推荐，主要算法基于tensorflow和卷积神级网络，web端采用python的django框架来进行开发。

实现效果

话不多说，先来看完成的效果。

算法运行结果

• 输入：用户选择的电影id。

输出1：推荐出与该电影相似的电影。

输出2：推荐看过该电影的人还喜欢看的电影。

• 输入：用户的id。

输出：推荐出前5部他可能会喜欢的电影。

系统主要界面

• 登录模块
  
• 电影推荐模块

选择一部电影后，调用上述算法，从而为用户推荐的电影。

主要代码实现

网络模型

本项目使用的是文本卷积神经网络，并使用MovieLens数据集进行训练，网络模型如下：

经过训练后的loss：

网络模型的代码主要参考了这篇文章。

系统相关代码

本项目主要是用python的django框架进行开发的，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'})
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

• 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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

• 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)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58

结语