基于Django的知识图谱电影推荐系统

项目概述

本项目基于Django框架构建，旨在提供一个高效且智能的电影推荐系统。系统基于知识图谱技术，结合图数据库Neo4j，实现对电影数据的深入挖掘与个性化推荐，提升用户体验和推荐准确性。

主要目的和价值

• 智能推荐：利用基于Neo4j的协同过滤算法，精准挖掘用户兴趣，实现个性化电影推荐。
• 知识图谱支持：通过电影的关系构建知识图谱，丰富电影间的关联信息，便于深度推荐与查询。
• 便捷的数据采集与管理：集成爬虫模块自动获取电影信息，并通过电影信息管理模块处理和展示。
• 完善的用户管理：系统提供完整的用户注册、登录、个人信息维护及后台管理功能，确保安全与可控。
• 友好的用户界面：基于Django模板系统和Bootstrap前端框架，实现动态而响应式的网页展示。

解决的核心问题

• 数据自动化采集：减少人工输入电影数据的工作量，通过爬虫模块获取丰富、结构化的电影数据。
• 推荐准确性：借助图数据库支持和协同过滤算法，解决传统推荐中冷启动和数据稀疏问题。
• 用户身份安全管理：系统安全管理用户身份和权限，保障推荐服务的个性化和安全性。
• 用户交互体验：通过动态模板渲染和多功能页面，增强用户的使用便捷性与体验感。

目标用户群体

• 电影爱好者及观众：为其提供个性化的电影推荐与详细电影信息查询。
• 系统管理员：提供后台管理支持，便于维护用户和电影数据。
• 数据采集及分析人员：爬虫模块及数据存储方便进行后续数据利用和分析。

---

技术架构

整体架构设计

系统采用典型的三层架构设计：

• 数据采集层：由spider模块实现，负责电影数据的自动爬取与初步清洗。
• 业务逻辑层：movieapp与accounts模块组成，分别负责电影信息管理、推荐算法及用户认证与管理。movieapp通过Neo4j实现知识图谱及推荐服务。
• 表现层：基于Django模板系统的templates目录，负责动态网页渲染和用户交互，配合静态资源管理实现美观且响应式的前端界面。

主要技术栈

• 后端框架：Django
• 数据库：MySQL（关系型数据存储），Neo4j（图数据库用于知识图谱和协同过滤）
• 爬虫：Python requests + BeautifulSoup + concurrent.futures多线程
• 前端：Django模板语言（DTL），Bootstrap，Javascript及相关前端资源（CSS, JS）
• 富文本编辑：ckeditor富文本编辑器
• 用户认证：基于Django内置认证系统，用户模型扩展
• 推荐算法：基于Neo4j的图查询协同过滤实现个性化推荐

模块间的关系和交互

• spider 爬取的电影数据以CSV格式存储，为movieapp模块电影数据导入提供原始数据。
• movieapp管理电影数据，关联accounts的用户模型，实现用户评分、评论及推荐。
• accounts模块管理系统所有用户身份与访问权限，支撑业务层用户操作安全。
• templates目录中的各HTML页面与accounts和movieapp视图相关联，呈现动态内容与交互。
• movieapp中的pyneo_utils.py直接调用Neo4j图数据库进行推荐计算。

---

功能模块

1. accounts模块

• 用户注册：通过RegForm表单创建新用户，扩展头像及自定义密码字段。
• 用户登录/登出：验证用户身份，并管理登录状态。
• 个人信息维护：查看和更新用户基本信息与头像。
• 后台用户管理：提供管理界面，支持密码加密存储和用户权限管理。
• 安全控制：通过装饰器限制页面访问权限，保障用户信息安全。
• 路由管理：配置用户相关请求路径映射。

2. spider模块

• 电影数据爬取：采用pachong.py执行多线程爬取，抓取电影详情、海报、评分等。
• 数据解析与清洗：利用BeautifulSoup和正则表达式规范爬取内容。
• 数据存储：保存结构化的CSV文件，支持后续导入和分析。

3. movieapp模块

• 电影信息管理：管理电影类别、地区、评分、评论等多样化信息。
• 电影展示：提供电影列表、详细页面、搜索和分页功能。
• 用户交互：支持用户评分和评论功能，关联用户账号。
• 智能推荐：基于Neo4j图数据库实现的协同过滤算法，精准推荐符合用户口味的电影。
• 后台管理：管理员可维护电影及关联数据。
• 路由配置：定义电影相关的URL匹配和视图对应关系。

4. templates模块（前端模板）

• 页面框架：base.html提供统一页面布局与静态资源引用。
• 核心页面：包括首页 (index.html), 推荐页面 (recommend.html), 详情页 (detail.html) 和用户管理相关页面 (login.html, register.html, my_info.html)。
• 交互组件：分页导航(pagination.html)、错误提示(error.html)等，提升用户界面友好度。
• 表单与查询：show.html实现知识图谱节点查询功能，支持前端数据动态获取。
• 技术实现：借助Django模板语法，实现内容复用与动态渲染，结合Bootstrap实现响应式设计。

模块间协作关系

• accounts提供安全的用户身份控制，为movieapp的评分和评论功能提供用户认证支撑。
• spider负责采集数据，供movieapp导入使用，保证数据的时效性与完整性。
• movieapp执行业务逻辑，将结果通过templates展示给最终用户。
• 前端模板通过页面请求交互，实现用户登录、电影查询、评分、评论及推荐的完整用户流程。

---

项目结构

xy25_film_recommend/
├── accounts/             # 用户认证与管理模块
├── movieapp/             # 电影信息管理和推荐核心模块
├── spider/               # 爬虫模块，负责数据采集
├── templates/            # 前端HTML模板
├── static/               # 项目静态资源（CSS, JS, 图片）
├── media/                # 用户上传文件和动态图片资源
├── datas/                # 存放爬虫导出的CSV数据文件
├── xy_movie_recommend/   # 项目配置和启动文件
├── manage.py             # Django命令行工具入口
├── requirements.txt      # 依赖包列表
└── .venv/                # 虚拟环境

关键目录和文件说明

• accounts/models.py：定义扩展用户模型（UserProfile）。
• movieapp/models.py：电影、类别、评分及评论数据模型定义。
• movieapp/pyneo_utils.py：Neo4j协同过滤推荐算法实现。
• spider/pachong.py：爬虫核心脚本，实现多线程电影信息抓取。
• templates/：前端页面模板，易于维护和界面定制。
• static/：前端样式和脚本，统一管理品牌样式和交互效果。
• media/：用户头像和电影相关图片文件存储。
• xy_movie_recommend/settings.py：Django全局配置，包括数据库、中间件、静态和媒体文件设置。
• manage.py：Django项目管理命令入口，支持项目运行、迁移等操作。

---

部署和运行

环境要求

• Python 3.9+
• Django 3.2+
• MySQL数据库
• Neo4j图数据库
• 虚拟环境推荐使用 .venv
• 依赖库：requests, beautifulsoup4, py2neo, ckeditor 等，详见 requirements.txt

安装和配置步骤

1. 创建并激活虚拟环境

   python3 -m venv .venv
   source .venv/bin/activate    # Linux/Mac
   .venv\Scripts\activate       # Windows

2. 安装依赖

   pip install -r requirements.txt

3. 数据库配置

• 配置MySQL数据库连接，更新xy_movie_recommend/settings.py中的数据库参数。
• 安装并配置Neo4j，确保Neo4j服务可用，修改movieapp/pyneo_utils.py中的连接参数。

3. 初始化数据库

   python manage.py makemigrations
   python manage.py migrate

5. 导入初始数据

• 使用spider模块生成的CSV数据导入movieapp数据库。
• 根据项目需求运行导入脚本或管理命令。

5. 创建超级管理员

   python manage.py createsuperuser

启动方式

python manage.py runserver

默认访问地址为 http://127.0.0.1:8000/，即可访问系统首页并进行后续操作。

---

总结

基于Django的知识图谱电影推荐系统结合了现代网页应用和图数据库技术，贯穿自动数据收集、关系建模、个性化推荐和安全用户管理等多个关键环节，形成了从数据采集到智能推荐的完整生态。系统架构清晰，模块划分合理，有效支撑了电影信息的维护和深度挖掘。前端页面设计美观且易用，面向广大电影用户和管理员提供优质服务。此项目不仅提升了电影推荐的体验和精准度，也展示了知识图谱在推荐领域的广泛应用潜力。

---

如有问题请联系作者：https://qalangtao.com 。

1000