【项目介绍】
基于Django协同过滤和spark-als的电影推荐系统源码+项目使用说明+设计报告.zip
该资源内项目代码都是经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！
本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，
或者实际项目借鉴参考！
当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。如果基础还行，也可在此代码基础上进行修改，以实现其他功能。
说明
1. 新手建议结合pycharm使用，https://www.jetbrains.com/pycharm/，下载专业版试用30天。
2. 注册普通用户通过web界面来设置，创建创建用户通过creeatsuperuser创建。下文有详细命令
3. 导入电影信息通过insert_movies_script.py来操作 (会删除已有的所有信息!)
4. 前端展示 浏览最多，评分最多，收藏最多，写的比较直白，你可以改的委婉点: 最热电影，火爆排行...之类的。每种有10条。
我猜你喜欢为基于用户推荐，item推荐为基于项目推荐。两种推荐思路下文有介绍
系统采用的技术
前端: bootstrap3 css 框架
后端: django 2.2.1 + sqlite3数据库 (MVC框架)
数据: python异步爬虫从豆瓣top250抓取数据，保存到本地csv文件中
主要功能: 录入图书信息，用户打分，电影标签分类，电影推荐，电影分享，电影收藏，后台管理系统。
整体采用MVC架构，前端页面通过django template模板来实现，实现了模板的复用功能。同时前端页面的组织结构较为清晰。
推荐算法思路
通过协调过滤计算和其他用户的距离，然后进行筛选。如果用户数量不足，推荐数目不够15条，就会自动从
所有未打分的电影中按照浏览数降序选一部分填充进去。
基于用户的推荐
1. 用户需要给电影打分。通过用户已打分的部分来计算相似度,如果用户未打分，或者没有其他用户，则按照浏览数降序返回。
2. 通过pearson算法来计算用户之间的距离，找到距离最近的N个用户。将这些用户中已打分的电影(且要推荐的用户未看过的部分)返回。
基于item的推荐
1. 计算物品相似度矩阵: https://www.jianshu.com/p/27b1c035b693
2. 遍历当前用户已打分的item，计算和未打分的item的相似距离。
3. 对相似距离进行排序 返回
主要实现的功能
1. 登录注册页面
2. 基于协同过滤的电影的分类，排序，搜索，打分，排序功能。
3. 基于协同过滤的周推荐和月推荐
4. 观影分享会等活动功能，用户报名功能 (需要额外添加)
5. 发帖留言论坛功能 (要额外添加)
6. 基于spark的ALS算法 (要额外添加)
7. Mysql适配
8. movielens数据集适配
fixed
1. 首页导航栏链接错误
2. 首页面为空
3. 登录注册页面
4. 推荐跳转登录
5. 周推荐用户没有评分时随机推荐
6. 按照收藏数量排序
7. 重新设计了 action 和UserAction model，拆分出了UserAction
电影模型
1. 浏览量 每次刷新页面的浏览数
2. 收藏量 user manytomany field 每个用户收藏一次
3. 评分 rate 每个用户评分一次
4. 在电影下面的评论加点赞功能
安装运行方法
安装依赖
1. 将项目导入pycharm, 在pycharm配置python解释器，3.7及以下都可以。可以通过conda或者其他的虚拟环境来安装
2. 打开终端 输入pip install -r requirements.txt 若提示无pip。去下载get-pip.py 运行python get-pip.py
3. 在pip安装过程中如果报错C++ 14依赖问题。则安装c++依赖工具。找不到找我要。如果安装速度过慢，请更换国内镜像https://blog.csdn.net/chenghuikai/article/details/55258957
4. 安装成功后，进入运行阶段
运行
1. 运行服务器: python manage.py runserver
2. 如果无数据，运行项目根目录下的数据迁移脚本 populate开头。
3. python manage.py createsuperuser 创建超级管理员, (密码输入时终端暂时看不到)
4. 进入后台: 127.0.0.1:8000/admin
