电影推荐系统 | Python Django 协同过滤 requests爬虫 bootstrap3 毕业设计源码

博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈
以Python为核心开发语言，基于Django框架搭建后端架构，适配MySQL/SQLite双数据库存储数据，整合协同过滤推荐算法、requests爬虫技术，前端采用bootstrap3、js、jquery构建界面，辅以django-rest-framework拓展接口能力。

功能模块

• 数据采集
• 电影信息展示与管理
• 用户交互（登录、注册、评分、收藏等）
• 电影推荐
• 后台数据管理

项目介绍
本电影推荐系统采用分层模型设计思路，前端依托bootstrap3、js、jquery完成页面交互与展示，后端基于Python+Django框架搭建核心架构，以协同过滤推荐算法为核心推荐引擎。系统通过requests爬虫抓取豆瓣3000条电影数据并存储至数据库，支持电影多维度展示、分类排序与搜索功能；用户可完成登录、注册、评分、收藏等操作，后台可统一管理各类数据。针对推荐冷启动问题优化算法逻辑，能依据用户行为精准推荐电影，推荐准确率约75%，完整实现了预设的核心功能。

2、项目界面

（1）电影信息详情页面
展示电影的名称、海报、导演、主演等基础信息及剧情介绍，支持用户对电影进行评分、收藏，还设有 “前往观看”“点击收藏” 等操作按钮，同时呈现基于物品和用户的电影推荐内容，右侧还有最近更新的电影列表。

（2）系统首页，电影信息排序
支持按电影标签筛选及热度排序展示电影列表，呈现电影海报、名称与上映时间等信息，同时设有最近更新的电影列表区域，还提供基于用户的电影推荐板块及 “换一批” 功能，辅助用户快速浏览不同分类的电影内容。

（3）我的收藏电影
展示用户收藏的电影列表，呈现电影名、导演、对应标签等信息，同时页面右侧设有最近更新的电影列表及基于用户的电影推荐板块，还支持 “换一批” 推荐功能，方便用户管理收藏内容与获取新推荐。

（4）后台数据管理
提供快捷操作入口，可对偏好、前台用户、标签、电影、评分信息等内容进行管理，还能处理权限、用户组相关设置，同时展示最近操作记录，辅助管理员统一管控系统内的各类数据与功能模块。

（5）电影信息管理
支持通过电影名称、导演、上映日期等条件搜索电影，可对电影信息执行增加、删除操作，同时展示电影的封面、名称、导演、国家、上映日期等详情内容，辅助管理员管理系统内的电影数据。

（6）数据采集页面
通过 Python 脚本配置请求头与目标 URL，设置多页链接范围后启动爬虫，抓取电影相关数据，过程中会显示数据抓取状态及电影信息，同时将采集到的内容同步记录，为系统提供数据支撑。

3、项目说明

一、技术栈
本项目以Python为核心开发语言，基于Django框架搭建后端架构，适配MySQL/SQLite双数据库实现数据存储，整合协同过滤推荐算法、requests爬虫技术完成核心业务支撑；前端采用bootstrap3、js、jquery构建交互界面，辅以django-rest-framework拓展接口能力。

二、功能模块详细介绍

• 数据采集：通过Python脚本配置请求头与目标URL，设置多页链接范围后启动爬虫抓取电影数据，采集过程中展示抓取状态及电影信息，同步记录采集内容，为系统提供充足的电影数据支撑。
• 电影信息展示与管理：前台支持按标签筛选、热度排序展示电影列表，呈现海报、名称、上映时间等信息；后台可通过名称、导演、上映日期等条件搜索电影，执行电影信息的增删操作，管理电影封面、导演、国家等详情。
• 用户交互（登录、注册、评分、收藏等）：用户可完成登录、注册操作，在电影详情页对影片评分、收藏，还能查看收藏电影列表，系统同步提供“换一批”推荐功能，丰富用户交互体验。
• 电影推荐：在首页、电影详情页、收藏页面均设置推荐板块，基于物品和用户维度生成推荐内容，针对冷启动问题优化算法逻辑，能依据用户行为精准推荐电影，推荐准确率约75%。
• 后台数据管理：提供偏好、前台用户、标签、评分信息等快捷管理入口，可处理权限、用户组设置，展示最近操作记录，实现系统内各类数据与功能模块的统一管控。

三、项目总结
本电影推荐系统采用分层模型设计，基于Python+Django构建前后端架构，整合多类技术实现完整的电影推荐体系。系统通过requests爬虫抓取豆瓣3000条电影数据，依托协同过滤算法并优化冷启动逻辑，实现约75%准确率的个性化推荐；前台支持电影多维度展示、用户评分收藏等交互，后台可全面管控电影数据与用户信息。系统兼顾用户体验与管理效率，完整实现预设核心功能，为用户提供精准的电影推荐服务，也为管理员提供便捷的数据管理能力。

4、核心代码

# -*-coding:utf-8-*-importos os.environ["DJANGO_SETTINGS_MODULE"]="movie.settings"importdjango django.setup()frommovie.modelsimport*frommathimportsqrt,powimportoperatorfromdjango.db.modelsimportSubquery,Q,Count# from django.shortcuts import render,render_to_responseclassUserCf:# 获得初始化数据def__init__(self,all_user):self.all_user=all_user# 通过用户名获得列表，仅调试使用defgetItems(self,username1,username2):returnself.all_user[username1],self.all_user[username2]# 计算两个用户的皮尔逊相关系数defpearson(self,user1,user2):# 数据格式为：物品id，浏览sum_xy=0.0# user1,user2 每项打分的的累加n=0# 公共浏览次数sum_x=0.0# user1 的打分总和sum_y=0.0# user2 的打分总和sumX2=0.0# user1每项打分平方的累加sumY2=0.0# user2每项打分平方的累加formovie1,score1inuser1.items():ifmovie1inuser2.keys():# 计算公共的浏览次数n+=1sum_xy+=score1*user2[movie1]sum_x+=score1 sum_y+=user2[movie1]sumX2+=pow(score1,2)sumY2+=pow(user2[movie1],2)ifn==0:# print("p氏距离为0")return0molecule=sum_xy-(sum_x*sum_y)/n# 分子denominator=sqrt((sumX2-pow(sum_x,2)/n)*(sumY2-pow(sum_y,2)/n))# 分母ifdenominator==0:return0r=molecule/denominatorreturnr# 计算与当前用户的距离，获得最临近的用户defnearest_user(self,current_user,n=1):distances={}# 用户，相似度# 遍历整个数据集foruser,rate_setinself.all_user.items():# 非当前的用户ifuser!=current_user:distance=self.pearson(self.all_user[current_user],self.all_user[user])# 计算两个用户的相似度distances[user]=distance closest_distance=sorted(distances.items(),key=operator.itemgetter(1),reverse=True)# 最相似的N个用户print("closest user:",closest_distance[:n])returnclosest_distance[:n]# 给用户推荐电影defrecommend(self,username,n=3):recommend={}nearest_user=self.nearest_user(username,n)foruser,scoreindict(nearest_user).items():# 最相近的n个用户formovies,scoresinself.all_user[user].items():# 推荐的用户的电影列表ifmoviesnotinself.all_user[username].keys():# 当前username没有看过ifmoviesnotinrecommend.keys():# 添加到推荐列表中recommend[movies]=scores*score# 对推荐的结果按照电影# 浏览次数排序returnsorted(recommend.items(),key=operator.itemgetter(1),reverse=True)# 基于用户的推荐defrecommend_by_user_id(user_id):user_prefer=UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id',flat=True)current_user=User.objects.get(id=user_id)# 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找# 没有的话，就按照浏览度推荐15个ifcurrent_user.rate_set.count()==0:iflen(user_prefer)!=0:movie_list=Movie.objects.filter(tags__in=user_prefer)[:15]else:movie_list=Movie.objects.order_by("-num")[:15]returnmovie_list# 选取评分最多的10个用户users_rate=Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')user_ids=[user_rate['user']foruser_rateinusers_rate]user_ids.append(user_id)users=User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户all_user={}foruserinusers:rates=user.rate_set.all()#查出10名用户的数据rate={}# 用户有给电影打分 在rate和all_user中进行设置ifrates:foriinrates:rate.setdefault(str(i.movie.id),i.mark)#填充电影数据all_user.setdefault(user.username,rate)else:# 用户没有为电影打过分，设为0all_user.setdefault(user.username,{})user_cf=UserCf(all_user=all_user)recommend_list=[each[0]foreachinuser_cf.recommend(current_user.username,15)]movie_list=list(Movie.objects.filter(id__in=recommend_list).order_by("-num")[:15])other_length=15-len(movie_list)ifother_length>0:fix_list=Movie.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')forfixinfix_list:iffixnotinmovie_list:movie_list.append(fix)iflen(movie_list)>=15:breakreturnmovie_list# 计算相似度defsimilarity(movie1_id,movie2_id):movie1_set=Rate.objects.filter(movie_id=movie1_id)# movie1的打分用户数movie1_sum=movie1_set.count()# movie_2的打分用户数movie2_sum=Rate.objects.filter(movie_id=movie2_id).count()# 两者的交集common=Rate.objects.filter(user_id__in=Subquery(movie1_set.values('user_id')),movie=movie2_id).values('user_id').count()# 没有人给当前电影打分ifmovie1_sum==0ormovie2_sum==0:return0similar_value=common/sqrt(movie1_sum*movie2_sum)#余弦计算相似度returnsimilar_value#基于物品defrecommend_by_item_id(user_id,k=15):# 前三的tag，用户评分前三的电影user_prefer=UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id',flat=True)user_prefer=list(user_prefer)[:3]current_user=User.objects.get(id=user_id)# 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找# 没有的话，就按照浏览度推荐15个ifcurrent_user.rate_set.count()==0:iflen(user_prefer)!=0:movie_list=Movie.objects.filter(tags__in=user_prefer)[:15]else:movie_list=Movie.objects.order_by("-num")[:15]print('from here')returnmovie_list# most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(movie__rate__user_id=user_id).order_by('-tags_sum')# 选用户最喜欢的标签中的电影，用户没看过的30部，对这30部电影，计算距离最近un_watched=Movie.objects.filter(~Q(rate__user_id=user_id),tags__in=user_prefer).order_by('?')[:30]# 看过的电影watched=Rate.objects.filter(user_id=user_id).values_list('movie_id','mark')distances=[]names=[]# 在未看过的电影中找到forun_watched_movieinun_watched:forwatched_movieinwatched:ifun_watched_movienotinnames:names.append(un_watched_movie)distances.append((similarity(un_watched_movie.id,watched_movie[0])*watched_movie[1],un_watched_movie))#加入相似的电影distances.sort(key=lambdax:x[0],reverse=True)print('this is distances',distances[:15])recommend_list=[]formark,movieindistances:iflen(recommend_list)>=k:breakifmovienotinrecommend_list:recommend_list.append(movie)# print('this is recommend list', recommend_list)# 如果得不到有效数量的推荐 按照未看过的电影中的热度进行填充print('recommend list',recommend_list)returnrecommend_listif__name__=='__main__':similarity(2003,2008)recommend_by_item_id(1)

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看【用户名】、【专栏名称】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻