# 豆瓣电影推荐系统
## 项目概述
本项目是一个基于Python实现的豆瓣电影推荐系统，集成了协同过滤、知识图谱和混合推荐算法，为用户提供个性化的电影推荐服务。系统采用FastAPI框架构建Web服务，使用SQLAlchemy进行数据库操作，并提供了直观的数据可视化功能。
## 系统架构
### 技术栈
- 后端框架：FastAPI
- 数据库：SQLite
- ORM：SQLAlchemy
- 数据处理：Pandas, NumPy
- 机器学习：Scikit-learn
- 图数据处理：NetworkX
- 数据可视化：前端图表库
### 核心模块
1. 数据管理模块
2. 用户认证模块
3. 推荐算法模块
4. 可视化模块
5. Web接口模块
## 推荐算法实现
### 1. 基于项目的协同过滤（Item-based CF）
- 实现原理：基于用户对电影的评分矩阵，计算电影之间的相似度
- 核心步骤：
- 构建用户-电影评分矩阵
- 计算电影间的相似度（采用余弦相似度）
- 基于相似电影的评分预测用户可能喜欢的电影
- 特点：
- 使用缓存优化（@lru_cache）提高性能
- 过滤低活跃用户和冷门电影
- 支持冷启动策略
### 2. 基于知识图谱的推荐（Knowledge Graph）
- 实现原理：构建用户-电影-特征的知识图谱，基于图结构推荐
- 核心步骤：
- 构建包含用户、电影节点的图结构
- 添加用户评分作为边的权重
- 计算用户相似度
- 基于相似用户的评分生成推荐
- 特点：
- 利用NetworkX构建和处理图结构
- 考虑用户间的相似度关系
- 支持冷启动处理
### 3. 混合推荐算法
- 实现原理：结合项目协同过滤和知识图谱推荐的优势
- 核心步骤：
- 获取两种算法的推荐结果
- 对推荐分数进行归一化处理
- 加权融合两种推荐结果
- 考虑用户兴趣偏好
- 特点：
- 权重可调整（当前项目CF:0.6，用户CF:0.4）
- 完善的冷启动处理机制
- 支持基于用户兴趣的推荐
