基于KNN协同过滤的电影推荐系统产品系统

在线影视与流媒体服务平台，具体应用于电影资源展示、用户观影行为管理与个性化电影推荐领域。该系统旨在解决用户面对海量电影资源时的信息过载和选择困难问题，适用于中小型电影网站、影视社区或推荐系统教学演示场景。

用户管理：用户注册、登录、个人信息查看（昵称、邮箱等）。
电影浏览与搜索：电影库分页展示，支持按中文片名、英文片名、原始片名进行关键词搜索。
电影详情展示：展示电影海报、简介、类型、上映日期、TMDB综合评分等完整元数据。
用户交互行为：登录用户可对电影进行评分（1~5分，可修改）、收藏（切换式）、记录已观看（可多次记录，统计观看次数）。
个人中心：集中展示用户的评分记录、收藏列表、观看历史，以及系统为其生成的个性化推荐结果。
个性化推荐：基于Item-Based KNN协同过滤算法，根据用户历史评分生成Top-N推荐列表，并在首页或个人中心展示。
数据导入与补全：支持导入MovieLens数据集（电影、用户、评分），并通过TMDB API补全电影海报、简介、中文片名等展示信息。

技术架构：前后端分离架构。
后端：Python 3.9.6 + Django 4.2.29 + Django REST Framework，提供RESTful API。
前端：Vue 3 + Vite，组件化开发，实现首页、电影库、详情页、登录注册、个人中心等页面。
数据库：SQLite（轻量级关系型数据库，存储用户、电影、类型、评分、收藏、观看记录、推荐结果等）。
推荐算法：采用Item-Based KNN协同过滤，利用Pandas构建用户-电影评分矩阵，scikit-learn计算余弦相似度，根据用户已评分电影召回候选电影并加权计算推荐分数，生成Top-N推荐结果；冷启动时使用热门电影补充推荐。
数据来源：MovieLens latest-small数据集（约9750部电影、613个用户、10万余条评分），结合TMDB API补充元数据。
部署与测试：Django管理命令完成数据下载、导入、TMDB补全、推荐评估；功能测试及离线评估（Precision@K、Recall@K、HitRate@K）验证系统可用性。