一、项目背景与意义

在数字娱乐高速发展的今天，电影资源呈现“爆炸式”增长，用户面临严重的“信息过载”问题。传统的热门榜单、分类浏览等方式已难以满足用户的个性化需求。如何让用户在海量内容中快速找到自己喜欢的电影，成为各大影视平台的核心竞争力之一。

为此，我设计并实现了一套基于大数据与智能算法的个性化电影推荐系统，融合了基于内容的推荐、协同过滤推荐与用户行为关联算法，旨在为用户提供精准、多样、实时的电影推荐服务。

二、技术选型与系统架构

2.1 技术栈概览

模块	技术选型
前端	Vue 3（页面渲染） + Vue Router 4（路由管理）+ Axios（接口封装） + CSS3（样式设计）
后端	Flask（轻量级 Web 框架） + Flask-CORS （跨域支持）+ SQLAlchemy（ORM映射）
数据库	MySQL 8.0（数据储存）
算法与数据处理	Pandas（数据读取与处理） + NumPy（数值计算）+ Joblib（模型序列化储存）
辅助技术	Werkzeug（密码加密） + OpenAI API（AI智能对话）

2.2 系统架构（前后端分离）

前端展示层 (Vue 3)
    ↓
接口交互层 (Axios + Flask-CORS)
    ↓
后端服务层 (Flask + 算法模块)
    ↓
数据存储层 (MySQL + Joblib 模型存储)

 三、核心推荐算法实现

3.1 基于内容的推荐（Content-Based）

原理：提取电影的文本特征（标签、导演、演员、简介），使用 TF-IDF 转化为向量，通过余弦相似度计算电影之间的相似性。

适用场景：电影详情页的“猜你喜欢”、新电影冷启动。

代码片段示例：

Python
tfidf = TfidfVectorizer(stop_words='english')
tfidf_matrix = tfidf.fit_transform(movie_texts)
content_sim = cosine_similarity(tfidf_matrix)

3.2 协同过滤推荐（ItemCF）

原理：基于用户评分行为，计算电影之间的相似度，为用户推荐与其历史喜好相似的电影。

评估指标：RMSE ≈ 1.12，准确率 ≈ 62.7%。

代码片段示例：

python

user_item_matrix = train_df.pivot_table(index='user_id', columns='movie_id', values='rating').fillna(0)
item_cf_sim = cosine_similarity(user_item_matrix.T)

3.3 个性化融合推荐

根据用户登录状态与行为足迹，实现分级推荐策略：

未登录 → 热门榜单

已登录无足迹 → 随机高分推荐

已登录有足迹 → 结合内容相似度 + ItemCF 推荐

---

四、系统功能展示

4.1 用户端功能

功能模块	说明
电影浏览	首页推荐、热门榜、新片榜
多维度搜索	支持片名、导演、演员、标签搜索
电影详情	沉浸式背景 + 海报 + 相似推荐
AI智能咨询	基于OpenAI API的对话式电影推荐
最近观看	记录用户浏览历史，用于个性化推荐

4.2 管理端功能

功能模块	说明
电影管理	增删改查电影信息
用户管理	查看用户列表、启用/禁用账号
数据统计	电影总数、用户数、播放量等图表展示
推荐模型管理	查看模型性能、重新训练

---

五、模型评估与测试

5.1 评估指标

RMSE（均方根误差）：1.08

准确率（差值≤1.0）：65.2%

推荐响应时间：≤ 500ms

5.2 测试环境

系统：Windows 11

语言：Python 3.9 + Node.js 16+

数据库：MySQL 8.0

工具：Postman + Chrome DevTools

5.3 核心功能测试结果

功能	测试用例	结果
用户登录	正确账号密码	登录成功，跳转首页
电影搜索	关键词“Action”，类型“标签”	返回动作类电影列表
个性化推荐	登录后浏览《Apollo 13》	推荐同类高分电影
AI对话	提问“哈利波特哪部好看”	返回智能推荐回复

---

六、系统界面截图（部分展示）

界面名称	说明
首页推荐	为你推荐 + 热门榜单
电影详情页	背景虚化 + 相似电影推荐
AI对话界面	智能问答电影相关话题
管理员后台	电影管理 + 用户审计 + 数据统计

---

七、项目总结与期望