面向影迷的电影推荐系统：浏览与搜索电影、打分、获得个性化推荐（UserCF / ItemCF / 矩阵分解三算法可切换）并查看算法离线对比报告。算法全部用 NumPy 手写，不依赖第三方推荐库。在同一份切分（每用户随机 8:2，种子 42）下比较评分预测（RMSE/MAE）与 Top-N 排序（Precision@10/Recall@10），并报告覆盖率。

技术栈

Python、Django、NumPy、pandas、ECharts、MySQL

功能模块

• 三算法对比实验：热门基线 / UserCF / ItemCF / 矩阵分解（FunkSVD）在同一份切分下评测，指标由脚本产出、页面直接读取
• 评分预测与排序质量分开看：MF 的 RMSE 最低（0.8445），UserCF 的 Top-10 排序最好（P@10 0.1889）
• 覆盖率对比：UserCF 覆盖 12.84%，热门基线仅 2.84% —— 说明个性化推荐确实打破了「千人一面」
• 收缩项（λ=10）：把低证据预测拉回均值；无收缩时邻域方法 P@10 低到 0.004（低于随机），这是稀疏数据上的关键细节
• 可解释推荐：卡片给出理由（相似用户也给了高分 / 因为你喜欢 X / 隐向量预测高分）
• 冷启动兜底：评分数少于 5 条按「高分热门」推荐并提示，不返回空结果
• 电影详情：平均分、评分人数、本站评分分布图、相似电影（ItemCF 副产品）、星级打分
• 工程实现：NumPy 手写算法（无第三方推荐库）；矩阵与相似度进程内缓存、评分后失效重建

运行环境

• 编程语言：Python 3.8 及以上
• 后端框架：Django 4.2
• 算法与计算：NumPy 1.23 手写（余弦相似度 + TopK 邻居 + FunkSVD），不依赖第三方推荐库
• 数据处理：pandas 2.0
• 数据库：MySQL 8.0（交付默认 SQLite，免安装）
• 可视化：ECharts 5（已内置本地文件，离线可用）
• 数据集：MovieLens ml-latest-small（100836 条评分 / 610 用户 / 9742 电影），原始 CSV 随包
• 操作系统：Windows / macOS / Linux
• 启动方式：双击一键脚本，或 python manage.py runserver 8075

界面截图

文档预览

交付的任务书、开题报告与论文均为 Word 文档，下面是真实页面预览：

交付内容

• 完整源码（已跑通，Django 工程 + 三种推荐算法 + 离线评估脚本）
• MovieLens 原始数据（movies.csv / ratings.csv）与演示数据库（含电影、评分与演示账号）
• 离线评估报告 rec/artifacts/metrics.json（页面直接读取，保证指标可复现）
• 毕业设计任务书（Word）
• 开题报告（Word）
• 毕业论文（Word，七章制，含对比实验与收缩项分析）
• 系统使用与二次开发说明（Word + md）
• 11 张系统运行截图