从零构建基于用户画像与协同过滤的推荐系统实战指南

简介本资源是一套完整的毕业设计级用户画像驱动的商品推荐系统实现方案面向计算机专业本科生及初阶算法工程师解决电商、影音、图书等多场景下的个性化推荐落地难题。项目采用Java WebSSM/SpringBoot构建前端网站Python端集成TF-IDF特征提取与Word2Vec文档向量化技术完整覆盖物品画像基于标签TF-IDF加权分类词注入与用户画像行为反打标签频次加权排序两大核心模块。压缩包含1172个文件涵盖256个HTML页面、227个CSS样式、204个JS交互脚本、62个JSP模板、45个Java后端类及1个核心Python算法脚本辅以SQL建库语句、演示MP4视频、详细README说明与毕业论文文档整体26.96MB。目前已有104人学习下载所有代码均经实测运行通过支持远程教学与答疑适合用于课程设计、毕设开发与推荐算法工程化入门实践。1. 项目概述从零构建一个“懂你”的推荐系统如果你正在为计算机、数据科学或相关专业的毕业设计发愁或者想找一个能真正写在简历上的实战项目那么一个“基于用户画像的商品推荐系统”绝对是个黄金选择。这玩意儿听起来高大上但说白了就是让网站或APP变得更“聪明”能猜到你喜欢什么电影、音乐或者书然后主动推给你。它不像那些只靠“猜你喜欢”的简单算法而是通过构建一个立体的“用户画像”把你看电影、听歌、买书的零散行为变成一张清晰的个人兴趣地图再基于这张地图进行精准推荐。这个项目之所以经典是因为它完美融合了数据处理、算法应用和工程实现从数据爬取、清洗、建模到最后的Web展示一条龙全流程覆盖能让你把学校里学的Python、数据库、机器学习知识全用上而且做出来的东西有界面、有逻辑、有数据答辩和展示的时候特别有说服力。我当年带学生做这类项目发现最大的难点不是某个算法多复杂而是如何把零散的知识点串成一个能跑通的系统。很多人卡在数据上——去哪找数据怎么处理也有人卡在算法上——协同过滤、内容推荐、深度学习到底用哪个更有人卡在工程上——模型训练好了怎么变成一个能点按钮、出结果的网页这个项目我将以一个“电影推荐系统”为核心案例手把手带你走通全流程。我会分享从数据获取的“野路子”和“正规军”到特征工程里那些教科书不会写的“脏活累活”再到算法选型时如何做“性价比”最高的权衡最后用最轻量级的Web框架把一切串起来。你会发现只要思路清晰用Python从零搭建一个推荐系统并没有想象中那么遥不可及。2. 核心思路与架构设计为什么是“用户画像”“协同过滤”做推荐系统第一步不是急着写代码而是想清楚架构。市面上推荐算法五花八门但对于毕业设计或者入门项目我的建议是核心采用“基于用户的协同过滤”并用“用户画像”进行冷启动和效果增强。这是一个经过大量实践验证的、性价比极高的组合拳。2.1 用户画像不只是打标签用户画像不是简单地说“用户A喜欢科幻片”。那太粗糙了。一个有效的画像应该是多维度、可量化的。在我们的电影推荐系统中我通常会构建以下几个核心维度人口统计学特征年龄、性别如果数据可得。这决定了基础的兴趣倾向比如年轻男性可能更偏爱动作片。行为特征这是核心。包括用户对电影的评分1-5分、点击、收藏、观看时长如果有日志、搜索关键词。我们需要把这些行为转化为数值。兴趣偏好特征通过用户的历史行为挖掘出他对电影类型科幻、喜剧、爱情等、导演、主演、年代甚至情感基调的偏好强度。例如用户看了10部科幻片并都给了高分那么他的“科幻”偏好权重就应该很高。构建画像的本质是特征工程。例如用户对“科幻”类型的偏好权重可以这样简单计算(该用户给科幻片的平均评分 * 看过科幻片数量) / 总评分电影数量。这只是一个例子实际中可以设计更复杂的公式。2.2 协同过滤找到“臭味相投”的人基于用户的协同过滤User-CF原理非常直观如果用户A和用户B过去喜欢的东西很相似那么用户A喜欢的、但用户B还没看过的东西就很可能也适合用户B。计算用户相似度我们需要一个数学方法来衡量两个用户有多像。最常用的是余弦相似度或皮尔逊相关系数。简单理解就是把每个用户表示成一个向量向量值就是他对所有电影的评分计算这两个向量之间的夹角余弦值值越接近1说明两个用户越相似。寻找最近邻为每个目标用户找出相似度最高的K个其他用户称为“K个最近邻”。生成推荐汇总这K个最近邻看过且喜欢高评分但目标用户还没看过的电影。根据邻居们的评分和相似度加权预测目标用户对这些电影的评分最后按预测分从高到低推荐。2.3 架构设计模块化让开发更清晰一个可维护的推荐系统必须模块化。我建议的架构如下数据层 (Data Layer) ├── 原始数据 (raw_data)存放爬取或下载的原始数据集如MovieLens。 ├── 数据处理脚本 (data_processing.py)负责数据清洗、转换、画像构建。 └── 特征存储 (features.pkl)保存处理好的用户-物品矩阵、用户画像向量。 模型层 (Model Layer) ├── 相似度计算 (similarity.py)实现余弦相似度等计算函数。 ├── 协同过滤核心 (collaborative_filtering.py)实现最近邻查找和评分预测。 └── 冷启动处理 (cold_start.py)对于新用户或新物品利用用户画像或物品内容信息进行推荐。 应用层 (Application Layer) ├── Web框架 (Flask/Django)提供用户交互界面。 ├── 推荐接口 (recommend_api.py)接收用户ID调用模型返回推荐列表。 └── 前端展示 (templates/*.html)简单的HTML页面展示推荐结果。这个架构的好处是数据、算法、展示分离。你可以先集中精力搞定数据和算法再用Web框架把它们“包”起来每一步都目标明确。注意很多同学一开始就想用深度学习如神经网络协同过滤但对于中小规模数据集和毕业设计周期来说传统协同过滤结合精心设计的用户画像效果足够好且可解释性强更容易在答辩中讲清楚原理。深度学习可以作为后期优化点提及。3. 数据获取与处理你的推荐系统“吃”什么巧妇难为无米之炊。数据是推荐系统的血液。对于毕业设计我强烈推荐使用MovieLens数据集。它是由明尼苏达大学GroupLens实验室整理的经典电影评分数据集完全免费、干净、标注规范包含了用户ID、电影ID、评分、时间戳以及电影的名称、类型信息。这能帮你省去90%的数据清洗烦恼。3.1 获取与探索数据你可以从GroupLens官网下载不同规模的数据集对于毕业设计ml-latest-small约10万评分9千多部电影600多用户完全够用。import pandas as pd # 加载数据 ratings pd.read_csv(ml-latest-small/ratings.csv) movies pd.read_csv(ml-latest-small/movies.csv) print(ratings.head()) # 查看评分数据前几行 print(movies.head()) # 查看电影信息前几行 print(f评分记录数: {len(ratings)}) print(f用户数: {ratings[userId].nunique()}) print(f电影数: {ratings[movieId].nunique()})加载后你首先要做的是探索性数据分析EDA了解数据的分布比如评分的平均值、中位数用户评分数量的分布有些用户可能只评了一两部这些用户数据可能不可靠电影热门程度等。3.2 构建用户-物品评分矩阵这是协同过滤的基石。我们需要一个矩阵行是用户列是电影值是评分。由于用户只对极少部分电影评分这个矩阵会非常稀疏大部分是空值。# 创建用户-电影评分矩阵 rating_matrix ratings.pivot_table(indexuserId, columnsmovieId, valuesrating) print(rating_matrix.shape) # 输出矩阵形状例如 (610, 9724) print(rating_matrix.head())这个rating_matrix就是我们算法直接“食用”的核心数据。3.3 用户画像工程从行为到特征这一步是提升推荐质量的关键。我们利用movies表中的电影类型信息来丰富用户画像。# 将电影的类型字符串拆分成列表 movies[genres] movies[genres].apply(lambda x: x.split(|)) # 合并评分数据和电影信息 merged_data pd.merge(ratings, movies, onmovieId) # 计算每个用户对每种电影类型的平均评分偏好 # 思路将每个评分按电影类型展开然后按用户和类型分组计算 user_genre_pref [] for _, row in merged_data.iterrows(): user_id row[userId] rating row[rating] genres row[genres] for genre in genres: user_genre_pref.append({userId: user_id, genre: genre, rating: rating}) user_genre_pref_df pd.DataFrame(user_genre_pref) user_genre_profile user_genre_pref_df.groupby([userId, genre])[rating].mean().unstack(fill_value0) print(user_genre_profile.head())现在user_genre_profile这个DataFrame就是用户的类型偏好画像。用户ID是索引列是各种电影类型如Action, Comedy值是该用户对此类型电影的平均评分。对于没有评过分的类型我们用0填充表示暂无明确偏好。实操心得处理电影类型时你可能会遇到(no genres listed)。一种常见做法是直接忽略这些电影或者在画像中增加一个“未知”类型。对于评分数据我们通常需要处理“冷启动”问题即新用户没有评分记录。这时用户画像如果收集了注册信息或热门电影推荐就派上用场了。在rating_matrix中空值NaN代表用户未评分在计算相似度时我们需要忽略它们而不是当作0处理。4. 核心算法实现手把手编写协同过滤有了数据我们就可以动手实现核心算法了。我们会分步实现相似度计算 - 寻找最近邻 - 预测评分。4.1 计算用户相似度我们将使用余弦相似度。由于矩阵稀疏我们只计算两个用户共同评过分的电影之间的相似度。这里使用scipy库的cosine_similarity函数它会自动处理稀疏向量。import numpy as np from scipy.spatial.distance import cosine from scipy.sparse import csr_matrix # 将评分矩阵转换为SciPy的稀疏矩阵格式节省内存 rating_matrix_sparse csr_matrix(rating_matrix.fillna(0).values) # 由于余弦相似度计算需要密集矩阵或迭代对于教学我们用一个自定义函数更清晰 def calculate_user_similarity_cosine(rating_matrix): 计算用户间的余弦相似度。 输入pandas DataFrame 行用户 列电影 值评分 NaN表示未评分。 输出相似度矩阵 DataFrame 索引和列均为userId。 # 创建一个空矩阵来存储相似度 n_users rating_matrix.shape[0] user_ids rating_matrix.index similarity_matrix pd.DataFrame(np.eye(n_users), indexuser_ids, columnsuser_ids) # 对角线为1自己与自己相似 # 遍历用户对上三角避免重复计算 for i in range(n_users): user_i_id user_ids[i] ratings_i rating_matrix.loc[user_i_id].dropna() # 用户i评过分的电影和评分 if ratings_i.empty: continue for j in range(i1, n_users): user_j_id user_ids[j] ratings_j rating_matrix.loc[user_j_id].dropna() # 找到共同评分的电影 common_movies ratings_i.index.intersection(ratings_j.index) if len(common_movies) 2: # 共同评分太少相似度不可靠设为0或忽略 sim 0.0 else: vec_i ratings_i[common_movies].values vec_j ratings_j[common_movies].values # 计算余弦相似度1 - 余弦距离 sim 1 - cosine(vec_i, vec_j) # 如果因为数值原因得到nan则设为0 if np.isnan(sim): sim 0.0 similarity_matrix.at[user_i_id, user_j_id] sim similarity_matrix.at[user_j_id, user_i_id] sim # 对称矩阵 return similarity_matrix # 注意上述双重循环在用户量很大时几千会非常慢。在实际项目中我们会使用向量化操作或近似算法。 # 对于毕业设计的小数据集可以直接使用。也可以使用sklearn的pairwise_distances进行优化。 print(开始计算用户相似度...可能需要几分钟) user_sim_matrix calculate_user_similarity_cosine(rating_matrix) print(相似度矩阵计算完成) print(user_sim_matrix.head())4.2 为指定用户寻找最近邻并生成推荐假设我们要为用户ID为1的用户做推荐。def recommend_for_user(user_id, rating_matrix, user_sim_matrix, movies_df, top_n10, k_neighbors20): 为目标用户生成电影推荐。 参数: user_id: 目标用户ID rating_matrix: 用户-物品评分矩阵 user_sim_matrix: 用户相似度矩阵 movies_df: 电影信息DataFrame top_n: 返回前N个推荐 k_neighbors: 使用的最近邻数量 # 1. 检查目标用户是否存在 if user_id not in rating_matrix.index: print(f用户 {user_id} 不存在于评分矩阵中。) return pd.DataFrame() # 返回空触发冷启动 # 2. 获取目标用户已经评过分的电影ID rated_movies rating_matrix.loc[user_id].dropna().index.tolist() # 3. 获取目标用户的相似用户排除自己 sim_users_series user_sim_matrix[user_id].drop(user_id) # 是一个Series索引是其他用户ID值是相似度 # 按相似度降序排序取前k_neighbors个 top_sim_users sim_users_series.sort_values(ascendingFalse).head(k_neighbors) # 4. 初始化一个字典来存储电影ID和预测评分 pred_ratings {} # 5. 遍历最近邻看过的、且目标用户没看过的电影 for sim_user_id, similarity in top_sim_users.items(): if similarity 0: # 忽略相似度为0或负的邻居 continue # 获取相似用户评过分的电影 sim_user_ratings rating_matrix.loc[sim_user_id].dropna() for movie_id, rating in sim_user_ratings.items(): if movie_id in rated_movies: # 目标用户已看过跳过 continue # 预测评分 邻居的评分 * 相似度 (这里是最简单的加权) # 更复杂的做法是考虑用户的平均评分偏差 if movie_id not in pred_ratings: pred_ratings[movie_id] {weighted_sum: 0, sim_sum: 0} pred_ratings[movie_id][weighted_sum] rating * similarity pred_ratings[movie_id][sim_sum] similarity # 6. 计算最终预测评分 recommended_movies [] for movie_id, scores in pred_ratings.items(): if scores[sim_sum] 0: predicted_rating scores[weighted_sum] / scores[sim_sum] recommended_movies.append((movie_id, predicted_rating)) # 7. 按预测评分降序排序取top_n recommended_movies.sort(keylambda x: x[1], reverseTrue) top_recommendations recommended_movies[:top_n] # 8. 将电影ID转换为电影名 recommendations_df pd.DataFrame(top_recommendations, columns[movieId, predicted_rating]) recommendations_df pd.merge(recommendations_df, movies_df, onmovieId, howleft) # 选择需要的列并排序 recommendations_df recommendations_df[[movieId, title, genres, predicted_rating]] recommendations_df recommendations_df.sort_values(predicted_rating, ascendingFalse) return recommendations_df # 为用户1生成推荐 user_id 1 recommendations recommend_for_user(user_id, rating_matrix, user_sim_matrix, movies, top_n10, k_neighbors20) print(f为用户 {user_id} 生成的推荐列表) print(recommendations)注意事项上面的预测公式预测评分 sum(邻居评分 * 相似度) / sum(相似度)是最基础的形式。一个重要的改进是考虑用户评分偏差。有些用户打分普遍偏高有些则偏低。更好的预测公式是预测评分 目标用户平均分 sum(相似度 * (邻居评分 - 邻居平均分)) / sum(相似度)。你可以尝试实现这个改进版本它通常能提升预测准确性。5. 冷启动与效果评估让系统更健壮一个只能服务老用户的推荐系统是不完整的。我们必须处理新用户没有评分记录和新电影没有被评分过的问题。5.1 冷启动策略新用户冷启动当系统识别到一个新用户在rating_matrix中找不到我们可以利用注册信息如果用户在注册时提供了年龄、性别或兴趣标签可以匹配具有相似画像的老用户推荐他们喜欢的电影。推荐热门电影直接推荐当前评分最高、观看次数最多的电影。虽然个性化不足但能保证一定的接受度。引导用户行为在用户首次使用时让其对少量如10-20部精心挑选的、覆盖各类型的电影进行评分快速构建初始画像。新物品冷启动对于一部新上映的电影没有评分数据。我们可以利用内容信息基于电影的导演、主演、类型、简介等内容特征找到内容上相似的电影将喜欢那些相似电影的用户作为潜在推荐对象。混合推荐在推荐列表中混入少量新电影并标注“新片速递”测试用户反馈。在我们的代码中可以在recommend_for_user函数开头加入冷启动判断def recommend_for_user(user_id, rating_matrix, user_sim_matrix, movies_df, top_n10, k_neighbors20): # ... 原有代码 ... if user_id not in rating_matrix.index: print(f触发新用户冷启动策略为用户 {user_id} 推荐热门电影。) # 计算电影平均评分和评分人数取两者综合排名靠前的 movie_stats ratings.groupby(movieId)[rating].agg([mean, count]) # 过滤掉评分人数过少的电影避免偶然性 movie_stats movie_stats[movie_stats[count] 10] # 使用贝叶斯平均或简单排序 movie_stats[score] movie_stats[mean] * np.log1p(movie_stats[count]) # 一个简单的热度公式 top_popular movie_stats.sort_values(score, ascendingFalse).head(top_n).index return movies_df[movies_df[movieId].isin(top_popular)][[movieId, title, genres]].assign(predicted_rating4.0) # 给个默认高分 # ... 原有协同过滤代码 ...5.2 推荐效果评估我们不能光说系统“好用”需要用数据证明。对于离线评估即用历史数据测试常用指标有均方根误差RMSE衡量预测评分与实际评分的差距。值越小越好。这需要将数据集分为训练集和测试集。平均绝对误差MAE与RMSE类似对异常值不那么敏感。Top-N推荐的精确率PrecisionN、召回率RecallN更贴近真实场景。我们关心的是在推荐给用户的N个电影中有多少是用户真正喜欢的精确率以及用户喜欢的电影里我们推荐出了多少召回率。这需要定义“喜欢”比如评分4的电影。这里给出一个简单的训练/测试集划分和RMSE计算示例from sklearn.model_selection import train_test_split # 假设我们有一个评分DataFrame ratings train_data, test_data train_test_split(ratings, test_size0.2, random_state42) # 用train_data重新构建rating_matrix_train rating_matrix_train train_data.pivot_table(indexuserId, columnsmovieId, valuesrating) # 重新计算相似度矩阵 (这里省略实际需重算) # user_sim_matrix_train calculate_user_similarity_cosine(rating_matrix_train) # 在测试集上评估 def evaluate_rmse(test_df, rating_matrix_train, user_sim_matrix_train, k_neighbors20): errors [] for _, row in test_df.iterrows(): user_id row[userId] movie_id row[movieId] true_rating row[rating] # 这里需要实现一个预测单个评分的函数基于rating_matrix_train和user_sim_matrix_train # pred_rating predict_rating(user_id, movie_id, rating_matrix_train, user_sim_matrix_train, k_neighbors) # if pred_rating is not None: # 确保可以预测 # errors.append((true_rating - pred_rating) ** 2) if errors: rmse np.sqrt(np.mean(errors)) return rmse else: return None # rmse_score evaluate_rmse(test_data, rating_matrix_train, user_sim_matrix_train) # print(fRMSE on test set: {rmse_score:.4f})实操心得离线评估很重要但它和线上真实效果可能有差距。因为离线评估用的是“用户已知并评分”的电影而线上推荐的是“用户未知”的电影。因此在答辩时除了展示RMSE等指标更重要的是展示推荐列表的合理性和可解释性。例如为一个喜欢《星际穿越》的用户推荐了《盗梦空间》和《火星救援》这从类型和导演上看是合理的即使无法用数字精确衡量也足以让人信服。6. 系统集成与Web展示让项目“活”起来算法跑通只是成功了一半一个带有界面的可交互系统才是毕业设计的亮点。我们用轻量级的Flask框架来快速搭建一个Web应用。6.1 项目结构movie_recommendation_system/ ├── app.py # Flask主应用文件 ├── data_processing.py # 数据加载和处理模块 ├── cf_model.py # 协同过滤模型核心函数 ├── static/ # 静态文件CSS, JS │ └── style.css ├── templates/ # HTML模板 │ ├── index.html # 主页 │ ├── recommend.html # 推荐结果页 │ └── cold_start.html # 冷启动页面 ├── ml-latest-small/ # MovieLens数据集 └── requirements.txt # 项目依赖6.2 Flask应用核心代码 (app.py)from flask import Flask, render_template, request, jsonify import pandas as pd import numpy as np from data_processing import load_and_process_data, build_rating_matrix, build_user_sim_matrix from cf_model import recommend_for_user, get_popular_movies app Flask(__name__) # 在应用启动时加载数据和模型简单起见这里全局加载。生产环境需优化 print(正在加载数据与模型...) ratings, movies load_and_process_data(ml-latest-small) rating_matrix build_rating_matrix(ratings) user_sim_matrix build_user_sim_matrix(rating_matrix) # 注意这里计算可能较慢可以预先计算好保存为文件直接加载。 print(数据与模型加载完成) app.route(/) def index(): 主页展示用户列表或搜索框 # 获取前20个用户ID用于演示 sample_user_ids rating_matrix.index[:20].tolist() return render_template(index.html, user_idssample_user_ids) app.route(/recommend, methods[POST]) def get_recommendation(): 处理推荐请求 user_id_input request.form.get(user_id) top_n int(request.form.get(top_n, 10)) try: user_id int(user_id_input) except ValueError: return render_template(error.html, message请输入有效的用户ID数字) # 检查用户是否存在 if user_id in rating_matrix.index: # 老用户使用协同过滤 recommendations_df recommend_for_user(user_id, rating_matrix, user_sim_matrix, movies, top_ntop_n) rec_type 基于协同过滤的个性化推荐 else: # 新用户触发冷启动 recommendations_df get_popular_movies(ratings, movies, top_ntop_n) rec_type 新用户热门电影推荐 # 将DataFrame转换为字典列表便于模板渲染 recommendations recommendations_df.to_dict(records) return render_template(recommend.html, user_iduser_id, rec_typerec_type, recommendationsrecommendations, top_ntop_n) if __name__ __main__: app.run(debugTrue) # 调试模式生产环境需关闭6.3 前端页面示例 (templates/index.html)!DOCTYPE html html langzh-CN head meta charsetUTF-8 title电影推荐系统/title link relstylesheet href{{ url_for(static, filenamestyle.css) }} /head body div classcontainer h1 个性化电影推荐系统/h1 p请输入一个用户ID示例用户ID: 1, 10, 20等系统将为您生成推荐列表。/p form action/recommend methodpost label foruser_id用户ID:/label input typenumber iduser_id nameuser_id required min1 brbr label fortop_n推荐数量:/label select idtop_n nametop_n option value55/option option value10 selected10/option option value1515/option option value2020/option /select brbr button typesubmit开始推荐/button /form hr h3可用的示例用户ID/h3 ul {% for uid in user_ids %} lia href# onclickdocument.getElementById(user_id).value{{ uid }}; return false;{{ uid }}/a/li {% endfor %} /ul /div /body /html6.4 运行与展示安装依赖pip install flask pandas numpy scipy scikit-learn在项目根目录运行python app.py浏览器访问http://127.0.0.1:5000输入用户ID点击按钮即可看到推荐结果页面。这个Web应用虽然简单但具备了核心功能输入、处理、输出。你可以在此基础上美化前端用Bootstrap增加更多功能比如展示用户历史评分、让用户对推荐结果进行反馈喜欢/不喜欢等。7. 项目扩展与深度优化方向完成基础版本后你的项目已经足够应对毕业设计。但如果想拿高分或深入探索可以考虑以下方向7.1 算法融合与混合推荐单一的协同过滤有局限性。可以尝试加权混合将基于用户的CF和基于物品的CF的结果按权重合并。切换混合根据用户状态切换算法。例如新用户用内容推荐老用户用协同过滤。特征组合将用户画像特征如类型偏好向量直接作为附加信息与评分矩阵一起用于计算相似度这需要用到更复杂的算法如基于模型的推荐。7.2 引入更高级的模型矩阵分解MF使用surprise库或scikit-surprise库实现SVD、SVD等算法。这些算法能更好地处理稀疏矩阵往往比传统CF有更低的RMSE。深度学习使用神经网络如NeuMF, Neural Collaborative Filtering来学习用户和物品的复杂非线性交互。这需要TensorFlow或PyTorch知识以及更多的数据。7.3 实时性考虑当前的系统是“离线训练在线推荐”。可以探索增量更新当用户产生新的评分后如何快速更新用户相似度和推荐结果而不必全量重新计算。流处理使用Kafka等消息队列处理实时用户行为流更新用户画像。7.4 部署与工程化数据库将用户信息、电影信息、评分数据存入MySQL或PostgreSQL而不是每次从CSV读取。API化将推荐逻辑封装成RESTful API方便其他系统如APP、小程序调用。Docker容器化将整个应用打包成Docker镜像实现环境隔离和一键部署。7.5 更换推荐领域本项目的核心代码数据处理、CF算法、Web框架是通用的。你可以很容易地将电影数据换成图书推荐使用豆瓣图书评分数据构建“用户-图书”矩阵图书的特征可以是作者、出版社、分类标签。音乐推荐使用Last.fm或网易云音乐需爬虫的数据特征包括歌手、流派、专辑年代。商品推荐使用电商平台的公开数据集如Amazon Product Data特征包括商品类别、品牌、价格区间。只需要更换数据源并相应地调整特征工程部分例如构建商品类目偏好画像整个系统的骨架可以完全复用。最后在撰写毕业设计论文和准备答辩时重点突出你的设计思路为什么选用户画像协同过滤、实现过程数据如何处理、算法如何实现、难点如何解决和结果分析展示推荐样例、进行简单的效果评估。将你的代码、文档、演示视频整理好一个丰满、扎实的毕业设计项目就完成了。记住清晰的结构、可运行的代码和自圆其说的论述比追求算法的复杂度更重要。祝你顺利通过答辩本文还有配套的精品资源点击获取