基于知识图谱的电影推荐问答系统 | Python Django Neo4j Echarts 协同过滤大数据人工智能毕业设计源码

Ne0inhk

23 Mar 2026 — 11 min read

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框架搭建系统架构，搭配Neo4j图形数据库、MySQL数据库实现数据存储，整合Echarts可视化工具、协同过滤推荐算法，结合HTML完成前端页面构建。

功能模块

电影知识图谱管理
电影问答交互
电影列表展示
个人信息查看
电影详情展示
用户注册登录
后台电影数据管理

项目介绍
本系统是一款基于知识图谱的电影推荐问答系统，针对传统电影信息获取效率低、推荐精准度不足的问题开发。前端采用HTML5、DIV+CSS布局方式，支持多终端访问；后端依托Python+Django框架搭建，通过MySQL保障数据存储的安全性与稳定性，核心融合Neo4j知识图谱与协同过滤推荐算法，实现电影智能推荐与智能问答功能。系统涵盖用户注册登录、电影列表及详情展示、个人信息查看、问答交互、知识图谱管理、后台数据管控等功能，可精准推荐电影、高效解答用户问题，显著提升用户使用体验。

2、项目界面

（1）电影知识图谱
展示电影相关节点与关系的可视化图谱，支持通过 Cypher 语句查询数据并呈现对应节点信息，同时提供数据库信息查看、节点标签与关系类型管理等功能，还包含学习与代码操作的引导入口，辅助用户管理和分析电影知识图谱数据。

（2）电影问答系统
支持用户在输入框提交关于电影的问题并搜索，展示电影相关问题及对应回答内容，同时页面右侧设有电影推荐列表，辅助用户获取电影信息的同时提供观影推荐。

（3）电影列表
以海报形式展示多部电影，同时呈现电影名称与对应国家信息，支持用户浏览不同电影内容，结合系统的知识图谱能力，可辅助后续的推荐与信息查询，为用户提供直观的电影选择入口。

（4）个人信息
展示用户的 ID、账号、联系方式、是否管理员等个人信息内容，帮助用户查看自身在系统中的注册及身份相关数据，是系统中用户管理自身信息的展示入口。

（5）电影详情页
展示电影的名称、上映日期、演员、导演等基础信息，还有评分、用户想看数及故事简介，同时呈现评论数量，帮助用户全面了解该电影的相关内容，是系统中展示单部电影信息的核心页面。

（6）注册登录
分为登录与注册两个板块，登录板块提供用户名、密码输入框及登录按钮，支持记住在线选项；注册板块包含用户名、邮箱、密码等输入项及注册按钮，是用户进入系统的身份验证与账号创建入口。

（7）后台管理
展示电影信息列表，包含电影名称、类型、评分等内容，支持对电影信息进行添加、删除操作，同时左侧设有功能导航栏，可切换至不同管理模块，辅助管理员管控系统内的电影数据。

3、项目说明

一、技术栈
本项目以Python为核心开发语言，基于Django框架搭建系统整体架构，搭配Neo4j图形数据库、MySQL数据库实现多类型数据存储，整合Echarts可视化工具、协同过滤推荐算法支撑核心业务，结合HTML完成前端页面的搭建与展示。

二、功能模块详细介绍

电影知识图谱管理：展示电影相关节点与关系的可视化图谱，支持通过Cypher语句查询数据并呈现节点信息，提供数据库信息查看、节点标签与关系类型管理功能，还包含学习与代码操作引导入口，助力管理分析电影知识图谱数据。
电影问答交互：支持用户在输入框提交电影相关问题并搜索，展示对应问题与回答内容，页面右侧配备电影推荐列表，在解答用户问题的同时提供观影推荐，提升信息获取与推荐的一体化体验。
电影列表展示：以海报形式呈现多部电影，同步展示影片名称与所属国家信息，为用户提供直观的电影浏览与选择入口，结合知识图谱能力辅助后续推荐与信息查询。
个人信息查看：展示用户ID、账号、联系方式、身份权限等核心信息，作为用户管理自身注册及身份数据的展示入口，清晰呈现用户在系统中的基础信息。
电影详情展示：核心呈现单部电影的名称、上映日期、演员、导演等基础信息，搭配评分、想看数、故事简介及评论数量，帮助用户全面了解影片的完整信息。
用户注册登录：分为登录与注册两大板块，登录板块提供账号密码输入框、登录按钮及记住在线选项；注册板块包含用户名、邮箱、密码等输入项与注册按钮，是用户身份验证与账号创建的核心入口。
后台电影数据管理：展示包含电影名称、类型、评分等信息的影片列表，支持对电影信息执行添加、删除操作，左侧功能导航栏可切换至不同管理模块，实现系统内电影数据的全面管控。

三、项目总结
本基于知识图谱的电影推荐问答系统针对传统电影信息获取与推荐的痛点开发，基于Python+Django构建前后端架构，融合Neo4j知识图谱与协同过滤算法，搭配MySQL保障数据存储安全。系统前端适配多终端访问，功能覆盖注册登录、电影列表/详情展示、个人信息查看、问答交互、知识图谱管理及后台数据管控等全流程，既能通过知识图谱实现电影智能问答，又能依托算法完成精准推荐，有效提升了用户获取电影信息的效率与推荐精准度，兼顾用户体验与后台管理效率，实现了预期的核心功能目标。

4、核心代码

# -*- coding = utf-8 -*-""" User-based Collaborative filtering. """import collections from operator import itemgetter import math from collections import defaultdict from.import similarity from.import utils from.utils import LogTime classUserBasedCF:""" User-based Collaborative filtering. Top-N recommendation. """def__init__(self, k_sim_user=20, n_rec_movie=10, use_iif_similarity=False, save_model=True):""" Init UserBasedCF with n_sim_user and n_rec_movie. @return: None """print("UserBasedCF start...\n") self.k_sim_user = k_sim_user self.n_rec_movie = n_rec_movie self.trainset =None self.save_model = save_model self.use_iif_similarity = use_iif_similarity deffit(self, trainset):""" Fit the trainset by calculate user similarity matrix. @param trainset: train dataset @return: None """ model_manager = utils.ModelManager()try: self.user_sim_mat = model_manager.load_model('user_sim_mat-iif'if self.use_iif_similarity else'user_sim_mat') self.movie_popular = model_manager.load_model('movie_popular') self.movie_count = model_manager.load_model('movie_count') self.trainset = model_manager.load_model('trainset')print('User origin similarity model has saved before.\nLoad model success...\n')except OSError:print('No model saved before.\nTrain a new model...') self.user_sim_mat, self.movie_popular, self.movie_count = \ similarity.calculate_user_similarity(trainset=trainset, use_iif_similarity=self.use_iif_similarity) self.trainset = trainset print('Train a new model success.')if self.save_model: model_manager.save_model(self.user_sim_mat,'user_sim_mat-iif'if self.use_iif_similarity else'user_sim_mat') model_manager.save_model(self.movie_popular,'movie_popular') model_manager.save_model(self.movie_count,'movie_count')print('The new model has saved success.\n')defrecommend(self, user):""" Find K similar users and recommend N movies for the user. @param user: The user we recommend movies to. @return: the N best score movies """ifnot self.user_sim_mat ornot self.n_rec_movie or \ not self.trainset ornot self.movie_popular ornot self.movie_count:raise NotImplementedError('UserCF has not init or fit method has not called yet.') K = self.k_sim_user N = self.n_rec_movie predict_score = collections.defaultdict(int)if user notin self.trainset:print('The user (%s) not in trainset.'% user)return# print('Recommend movies to user start...') watched_movies = self.trainset[user]for similar_user, similarity_factor insorted(self.user_sim_mat[user].items(), key=itemgetter(1), reverse=True)[0:K]:for movie, rating in self.trainset[similar_user].items():if movie in watched_movies:continue# predict the user's "interest" for each movie# the predict_score is sum(similarity_factor * rating) 预测分数为加权（相似度*评分）求和 predict_score[movie]+= similarity_factor * rating # log steps and times.# print('Recommend movies to user success.')# return the N best score moviesreturn[movie for movie, _ insorted(predict_score.items(), key=itemgetter(1), reverse=True)[0:N]]deftest(self, testset):""" Test the recommendation system by recommending scores to all users in testset. @param testset: test dataset @return: """ifnot self.n_rec_movie ornot self.trainset ornot self.movie_popular ornot self.movie_count:raise ValueError('UserCF has not init or fit method has not called yet.') self.testset = testset print('Test recommendation system start...') N = self.n_rec_movie # varables for precision and recall hit =0 rec_count =0 test_count =0# varables for coverage all_rec_movies =set()# varables for popularity popular_sum =0# record to calculate time has spent. test_time = LogTime(print_step=1000)for i, user inenumerate(self.trainset): test_movies = self.testset.get(user,{}) rec_movies = self.recommend(user)# type:listfor movie in rec_movies:if movie in test_movies: hit +=1 all_rec_movies.add(movie) popular_sum += math.log(1+ self.movie_popular[movie])# log steps and times. rec_count += N test_count +=len(test_movies)# print time per 500 times. test_time.count_time() precision = hit /(1.0* rec_count) recall = hit /(1.0* test_count) coverage =len(all_rec_movies)/(1.0* self.movie_count) popularity = popular_sum /(1.0* rec_count)print('Test recommendation system success.') test_time.finish()print('precision=%.4f\trecall=%.4f\tcoverage=%.4f\tpopularity=%.4f\n'%(precision, recall, coverage, popularity))defpredict(self, testset):""" Recommend movies to all users in testset. :param testset: test dataset :return: `dict` : recommend list for each user. """ movies_recommend = defaultdict(list)print('Predict scores start...')# record the calculate time has spent. predict_time = LogTime(print_step=500)for i, user inenumerate(testset): rec_movies = self.recommend(user)# type:list movies_recommend[user].append(rec_movies)# log steps and times. predict_time.count_time()print('Predict scores success.') predict_time.finish()return movies_recommend