|
|
|
|
@ -0,0 +1,56 @@
|
|
|
|
|
# java
|
|
|
|
|
|
|
|
|
|
FilmFinder - 智能电影推荐系统
|
|
|
|
|
<p align="center"> <img src="https://via.placeholder.com/150x50/4F46E5/FFFFFF?text=FilmFinder" alt="FilmFinder Logo" /> <br> <em>基于Flask与AI的个性化电影发现平台</em> </p><p align="center"> <a href="#项目简介">项目简介</a> • <a href="#核心特性">核心特性</a> • <a href="#技术栈">技术栈</a> • <a href="#系统架构">系统架构</a> • <a href="#快速开始">快速开始</a> • <a href="#项目文档">项目文档</a> </p>
|
|
|
|
|
🎬 项目简介
|
|
|
|
|
FilmFinder 是一个基于Web的智能电影推荐系统，旨在解决用户在影视内容爆炸式增长时代面临的"选择困难"问题。系统通过多维度筛选、AI智能搜索和个性化推荐算法，帮助用户快速发现符合个人喜好的电影。
|
|
|
|
|
|
|
|
|
|
目标用户：电影爱好者、有观影需求但缺乏明确目标的普通用户、希望探索冷门佳片的观众。
|
|
|
|
|
|
|
|
|
|
✨ 核心特性
|
|
|
|
|
🎯 智能搜索
|
|
|
|
|
传统搜索：支持按电影名称关键词快速检索
|
|
|
|
|
|
|
|
|
|
AI台词搜索：集成DeepSeek大模型，支持通过经典台词、角色名、电影描述进行智能语义匹配
|
|
|
|
|
|
|
|
|
|
🤖 个性化推荐
|
|
|
|
|
基于内容的推荐：分析用户收藏、评分行为，构建用户兴趣向量
|
|
|
|
|
|
|
|
|
|
余弦相似度算法：计算用户兴趣与电影特征的匹配度，实现精准推荐
|
|
|
|
|
|
|
|
|
|
冷启动处理：新用户通过兴趣标签选择（5-10个）获得初始推荐
|
|
|
|
|
|
|
|
|
|
🎨 用户体验
|
|
|
|
|
多维度筛选：支持按类型、评分、地区等多条件组合筛选
|
|
|
|
|
|
|
|
|
|
响应式设计：基于Tailwind CSS，完美适配手机和电脑屏幕
|
|
|
|
|
|
|
|
|
|
交互式操作：收藏电影、1-5星评分、个人中心管理
|
|
|
|
|
|
|
|
|
|
👨💼 管理员功能
|
|
|
|
|
电影库管理：手动添加/删除电影
|
|
|
|
|
|
|
|
|
|
批量导入：通过TMDB API实现电影数据批量导入
|
|
|
|
|
|
|
|
|
|
数据统计：查看用户行为数据、电影热度排行
|
|
|
|
|
|
|
|
|
|
🛠 技术栈
|
|
|
|
|
后端技术
|
|
|
|
|
框架：Flask (Python)
|
|
|
|
|
|
|
|
|
|
ORM：SQLAlchemy
|
|
|
|
|
|
|
|
|
|
数据库：SQLite
|
|
|
|
|
|
|
|
|
|
算法库：NumPy (余弦相似度计算)
|
|
|
|
|
|
|
|
|
|
AI集成：DeepSeek API (智能搜索)
|
|
|
|
|
|
|
|
|
|
前端技术
|
|
|
|
|
基础技术：HTML5, CSS3, JavaScript
|
|
|
|
|
|
|
|
|
|
样式框架：Tailwind CSS
|
|
|
|
|
|
|
|
|
|
模板引擎：Jinja2
|
|
|
|
|
|
|
|
|
|
数据可视化：ECharts (管理员统计)
|
ruanshuoyang
1 month ago