企业官网建设流程全解析

简介：这是一套面向计算机专业本科生的毕业设计级电影推荐系统实战资源，聚焦协同过滤算法工程落地，适用于课程设计、毕设开题与全栈开发能力训练。系统采用Python+Django（后端）+Vue（前端）+MySQL（数据库）技术栈实现前后端分离架构，完整覆盖用户管理、电影信息维护、评分评论收藏及个性化推荐等核心业务模块。压缩包共688个文件，含38个核心Python逻辑文件、33个Vue组件、162个SVG图标与162个JS脚本，辅以CSS样式、HTML模板、SQL建表语句及运行批处理脚本（如install.bat、run.bat），总大小13.07MB，结构清晰便于分层学习与调试。已有277人下载学习，资源包含可直接运行的完整源码、配套毕业论文文档及备份文件（.bak），特别适合快速搭建演示环境、理解协同过滤在真实系统中的集成方式，并掌握Django REST API与Vue组件通信的关键实践。

1. 项目概述与核心价值

又到了一年一度的毕业季，相信不少计算机相关专业的同学正在为毕设选题发愁。如果你对Web开发、数据算法和实际应用场景的结合感兴趣，那么一个“基于协同过滤算法的电影推荐系统”绝对是一个能让你脱颖而出、同时又能学到真东西的优质选题。这个项目听起来高大上，但拆解开来，它本质上是一个融合了Python后端、Vue前端、MySQL数据库和核心推荐算法的典型全栈应用。我当年毕业时做的也是类似方向的系统，深知这里面的门道和踩过的坑。今天，我就以一个过来人的身份，把这个项目的里里外外、从技术选型到代码实现、从算法原理到避坑指南，给你掰开揉碎了讲清楚。无论你是想直接参考复现，还是想深入理解其设计精髓，这篇文章都能给你提供一份详尽的“地图”。

这个系统要解决的核心问题很明确：在信息过载的时代，如何帮助用户从海量电影中发现自己的兴趣所在。协同过滤算法就是解决这个问题的经典钥匙。整个项目采用前后端分离架构，Django作为稳健的后台大脑，负责业务逻辑、数据接口和算法运算；Vue构建灵动的前端界面，提供流畅的用户交互体验；MySQL则作为可靠的数据仓库，存储用户、电影和评分数据。这种技术栈组合，不仅是毕业设计的黄金搭配，也高度契合当前企业的主流开发模式，做完这个项目，你对现代Web开发的整套流程会有一个非常扎实的把握。

2. 技术栈深度选型解析

为什么是Python+Django+Vue+MySQL这个组合？这绝不是随便选的，每一环都有其深层的考量，是平衡了开发效率、学习成本、社区生态和项目需求后的最优解。

2.1 后端：Python与Django的黄金搭档

选择Python作为后端语言，首要原因是协同过滤算法的实现。Python在数据科学和机器学习领域的生态是统治级的，NumPy、Pandas、SciPy等库为矩阵运算、数据处理提供了近乎于“白话文”般的简洁语法，这让实现和调试推荐算法变得异常轻松。你用纯Java或C++写一个矩阵余弦相似度计算，代码量可能多出好几倍，调试也更复杂。

而Django框架，则是Python Web开发的“开箱即用”典范。对于毕业设计这类需要快速成型、且功能模块（用户认证、后台管理、REST API）相对标准的项目，Django的ORM（对象关系映射）、自带Admin后台、健全的安全机制和清晰的MVT模式，能帮你节省大量重复造轮子的时间。很多人问“Django在国内使用广泛吗？”，答案是肯定的。虽然新兴的FastAPI等框架在API领域很火，但Django在需要完整后台管理、内容发布的中大型项目、甚至一些快速迭代的创业公司中，依然占据重要地位，其稳定性和全面性经过了十多年考验。你用它，学到的是一套非常规范、易于协作的开发模式。

2.2 前端：Vue的渐进式魅力

前端选择Vue.js，看中的是其渐进式和易上手的特性。相比于React和Angular，Vue的学习曲线更为平缓，对于即将毕业、可能前端经验并不特别深厚的同学来说，更容易在短时间内构建出美观、交互丰富的界面。Vue的核心库只关注视图层，你可以轻松地通过vue create搭建一个项目，然后根据需要引入Vue Router做路由、Vuex做状态管理。

在电影推荐系统中，前端需要完成几个关键交互：用户登录注册、电影列表浏览与搜索、评分滑块或点击评分、个人推荐结果展示与刷新。Vue的响应式数据绑定和组件化开发，能让这些功能的实现变得清晰且模块化。例如，一个MovieCard.vue组件负责展示单部电影的海报和基本信息，一个RatingComponent.vue组件负责处理用户的评分行为，然后在Home.vue页面中像搭积木一样组合它们。这种开发体验非常直观，也便于调试。

2.3 数据层：MySQL的稳健之选

MySQL作为关系型数据库的代表，是这个项目最稳妥的选择。电影推荐系统的数据关系非常清晰：用户表、电影表、评分表，三者之间通过外键关联。这种结构化的数据，用关系型数据库来管理是天作之合。MySQL的安装配置（mysql安装教程、mysql安装配置教程）资源丰富，遇到问题几乎都能找到解决方案。你可以用Django的ORM来定义数据模型，几行代码就完成了数据库表结构的设计，无需直接编写复杂的SQL语句。

对于推荐系统，评分表是核心，它记录了用户对物品（电影）的偏好。表结构大概是这样：id,user_id（外键）,movie_id（外键）,rating（评分，如1-5分）,created_at。海量的用户-电影评分数据，构成了我们实现协同过滤算法的基石。

2.4 协同过滤算法：项目的灵魂

这是整个项目的技术核心，也是你毕业论文的理论基石。协同过滤基本思想是“物以类聚，人以群分”。它主要分为两类：

1. 基于用户的协同过滤：找到和你兴趣相似的用户，把他们喜欢而你没看过的电影推荐给你。
2. 基于物品的协同过滤：找到你喜欢过的电影相似的电影，直接推荐这些相似的电影。

在毕业设计规模的系统中，基于物品的协同过滤通常是更优选择。因为电影的数量相对稳定，而用户数量可能增长很快。计算所有电影之间的相似度（物品相似度矩阵）可以离线进行，性能压力小。其核心步骤是：

• 构建用户-物品评分矩阵：行是用户，列是电影，值是评分。
• 计算物品相似度：通常使用余弦相似度或皮尔逊相关系数，计算每两部电影在所有用户评分向量上的相似程度。
• 生成推荐：针对目标用户，找出他评分高的电影，然后聚合与这些电影相似度高的其他电影，剔除已看过的，按加权相似度排序生成推荐列表。

用Python实现这个算法，你会深刻体会到NumPy的强大。向量化运算替代循环，几十行代码就能高效完成相似度计算和预测评分。

3. 系统架构与模块设计

一个清晰合理的架构是项目成功的保障。前后端分离的架构让职责分明，后端专注数据和逻辑，前端专注展示和交互。

3.1 后端Django项目结构设计

你的Django项目目录应该模块清晰，我建议这样组织：

movie_recommend_backend/ ├── manage.py ├── movie_recommend/ │ ├── __init__.py │ ├── settings.py # 项目配置，数据库、中间件、App等 │ ├── urls.py # 项目主路由 │ └── wsgi.py ├── recommender/ # 核心推荐算法App │ ├── migrations/ │ ├── __init__.py │ ├── admin.py # 注册模型到Django Admin │ ├── apps.py │ ├── models.py # 定义User, Movie, Rating等数据模型 │ ├── serializers.py # DRF序列化器，定义API数据格式 │ ├── views.py # 基于DRF的API视图类（ViewSet） │ ├── urls.py # App级别的路由 │ └── algorithm/ # 算法模块目录 │ ├── __init__.py │ ├── cf.py # 协同过滤算法实现类 │ └── data_processor.py # 数据预处理工具 ├── user/ # 用户认证相关App（可选，也可合并） └── static/

关键点在于recommender这个App。models.py里定义核心数据模型；serializers.py将模型实例转化为JSON格式；views.py使用Django REST Framework (DRF) 构建RESTful API，例如MovieViewSet,RatingViewSet,RecommendationViewSet；algorithm/cf.py则是存放你算法核心代码的地方。

3.2 前端Vue项目结构设计

Vue项目使用Vue CLI创建，结构如下：

movie_recommend_frontend/ ├── public/ ├── src/ │ ├── assets/ │ ├── components/ # 可复用组件 │ │ ├── MovieCard.vue # 电影卡片 │ │ ├── RatingStar.vue # 评分组件 │ │ └── NavigationBar.vue # 导航栏 │ ├── views/ # 页面组件 │ │ ├── Home.vue # 首页，电影列表/推荐 │ │ ├── Login.vue # 登录页 │ │ ├── Register.vue # 注册页 │ │ └── MovieDetail.vue # 电影详情页 │ ├── router/ # Vue Router配置 │ ├── store/ # Vuex状态管理（管理用户登录态等） │ ├── api/ # 封装所有对后端API的请求 │ │ └── index.js │ ├── App.vue │ └── main.js ├── package.json └── vue.config.js # 可配置代理，解决开发环境跨域

在src/api/index.js中，你会使用axios库来封装HTTP请求，例如getMovies()、submitRating(movieId, rating)、getRecommendations()等函数，这样在组件中调用起来非常整洁。

3.3 前后端通信与API设计

前后端通过HTTP API进行数据交换，遵循RESTful风格。这是连接两大模块的桥梁。

• 用户认证：POST /api/token/(DRF的djangorestframework-simplejwt库提供JWT认证)。
• 电影列表：GET /api/movies/，支持分页和搜索查询参数。
• 提交评分：POST /api/ratings/，请求体包含movie_id和rating。
• 获取推荐：GET /api/recommendations/，根据当前登录用户返回推荐电影列表。

在vue.config.js中配置开发服务器代理，将/api请求转发到Django后端（如http://localhost:8000），完美解决跨域问题。

4. 核心算法实现与优化细节

理论说再多，不如一行代码。这里我们深入基于物品的协同过滤算法的Python实现。

4.1 数据准备与模型构建

首先，我们需要从MySQL中加载数据。假设我们已经通过Django ORM将数据加载为Pandas DataFrame。

# algorithm/data_processor.py import pandas as pd import numpy as np from django.db import connection def load_rating_data(): """从数据库加载评分数据，构建用户-物品矩阵""" # 使用原生SQL或Django ORM查询，这里用pandas直接读SQL更高效 query = "SELECT user_id, movie_id, rating FROM recommender_rating" df = pd.read_sql(query, connection) # 构建评分矩阵，行索引为用户，列索引为电影，值为评分 rating_matrix = df.pivot(index='user_id', columns='movie_id', values='rating').fillna(0) return rating_matrix, df

得到的rating_matrix是一个稀疏矩阵，大部分用户没看过的电影评分为0。

4.2 相似度计算与算法核心

接下来是实现相似度计算和预测。

# algorithm/cf.py import numpy as np from scipy.spatial.distance import cosine from sklearn.metrics.pairwise import cosine_similarity class ItemBasedCF: def __init__(self, rating_matrix): """ 初始化 :param rating_matrix: 用户-物品评分矩阵，DataFrame，索引为user_id，列为movie_id """ self.rating_matrix = rating_matrix.values # 转为NumPy数组 self.user_ids = rating_matrix.index.tolist() self.item_ids = rating_matrix.columns.tolist() # 计算物品相似度矩阵（余弦相似度） # 这里进行转置，使行变为物品，列变为用户，然后计算行（物品）之间的相似度 self.item_sim_matrix = cosine_similarity(self.rating_matrix.T) # 将相似度矩阵转换为DataFrame，方便索引 self.item_sim_df = pd.DataFrame(self.item_sim_matrix, index=self.item_ids, columns=self.item_ids) def predict_rating(self, user_id, item_id): """ 预测用户user_id对物品item_id的评分 :param user_id: 用户ID :param item_id: 物品ID :return: 预测评分 """ if user_id not in self.user_ids or item_id not in self.item_ids: return 0 # 或返回全局平均分 user_index = self.user_ids.index(user_id) # 找到用户已经评过分的所有物品 rated_items = np.where(self.rating_matrix[user_index] > 0)[0] if len(rated_items) == 0: return 0 # 获取目标物品与用户已评分物品的相似度 sim_scores = [] ratings = [] for rated_item_index in rated_items: rated_item_id = self.item_ids[rated_item_index] sim = self.item_sim_df.loc[item_id, rated_item_id] # 只考虑正相似度的物品 if sim > 0: sim_scores.append(sim) ratings.append(self.rating_matrix[user_index, rated_item_index]) if not sim_scores: return 0 # 加权平均计算预测评分 sim_scores = np.array(sim_scores) ratings = np.array(ratings) pred_rating = np.dot(sim_scores, ratings) / np.sum(sim_scores) # 将评分限制在合理范围，例如1-5 return np.clip(pred_rating, 1, 5) def recommend_items(self, user_id, top_n=10): """ 为用户推荐top_n个物品 :param user_id: 用户ID :param top_n: 推荐数量 :return: 推荐的物品ID列表 """ if user_id not in self.user_ids: return [] user_index = self.user_ids.index(user_id) # 用户未评分的物品 unrated_items = np.where(self.rating_matrix[user_index] == 0)[0] if len(unrated_items) == 0: return [] # 计算每个未评分物品的预测评分 item_scores = [] for item_index in unrated_items: item_id = self.item_ids[item_index] pred_score = self.predict_rating(user_id, item_id) item_scores.append((item_id, pred_score)) # 按预测评分降序排序，返回top_n item_scores.sort(key=lambda x: x[1], reverse=True) recommendations = [item[0] for item in item_scores[:top_n]] return recommendations

这个类封装了核心逻辑。cosine_similarity计算物品间的余弦相似度。预测评分时，我们找到用户评过分的、且与目标物品相似度为正的物品，用相似度加权用户的实际评分来预测。

4.3 性能优化与冷启动问题

性能优化：直接计算所有物品的相似度矩阵，在电影数量（比如几千部）下是可行的。但如果物品数量巨大（十万级以上），就需要优化，比如使用稀疏矩阵运算库（scipy.sparse），或者只计算每个物品最相似的K个物品（K近邻），存储为稀疏格式。

冷启动问题：这是推荐系统的经典难题。对于新用户（没有评分记录）或新电影（没有被评分过），协同过滤无法工作。在毕业设计中，你可以提出并实现简单的解决方案：

• 新用户：推荐热门电影（评分次数多且平均分高）或随机推荐一些高质量电影，引导用户评分。
• 新电影：可以暂时基于电影的内容信息（如类型、导演、演员）进行推荐，或者暂时不放入推荐池，直到积累一定评分。

在你的系统中，可以在recommend_items方法开头加入冷启动判断逻辑，如果用户没有评分记录，则返回一个预定义的热门电影列表。

5. 前后端功能实现与联调

算法是大脑，前后端是四肢。让它们协调工作起来，才是完整的系统。

5.1 Django后端API实现

使用Django REST Framework可以极快地构建出健壮的API。

# recommender/views.py from rest_framework import viewsets, status from rest_framework.decorators import action from rest_framework.response import Response from rest_framework.permissions import IsAuthenticated from .models import Movie, Rating from .serializers import MovieSerializer, RatingSerializer from .algorithm.cf import ItemBasedCF import pandas as pd class MovieViewSet(viewsets.ReadOnlyModelViewSet): queryset = Movie.objects.all() serializer_class = MovieSerializer # 可以在这里实现搜索、过滤等功能 class RatingViewSet(viewsets.ModelViewSet): permission_classes = [IsAuthenticated] # 必须登录才能评分 serializer_class = RatingSerializer def get_queryset(self): # 用户只能看到和操作自己的评分 return Rating.objects.filter(user=self.request.user) def perform_create(self, serializer): # 创建评分时自动关联当前用户 serializer.save(user=self.request.user) class RecommendationViewSet(viewsets.ViewSet): permission_classes = [IsAuthenticated] @action(detail=False, methods=['get']) def for_me(self, request): user = request.user # 1. 加载数据并训练/加载模型（实际生产环境会缓存模型） rating_matrix, _ = load_rating_data() # 从4.1节定义的函数 cf_model = ItemBasedCF(rating_matrix) # 2. 获取推荐结果 recommended_movie_ids = cf_model.recommend_items(user.id, top_n=20) # 3. 根据ID查询电影详情 movies = Movie.objects.filter(id__in=recommended_movie_ids) serializer = MovieSerializer(movies, many=True, context={'request': request}) return Response(serializer.data)

这里的关键是RecommendationViewSet，它提供了一个for_me的action，当用户访问/api/recommendations/for_me/时，会触发推荐算法并返回结果。

5.2 Vue前端页面与交互实现

前端需要调用这些API。以首页Home.vue为例，它可能包含推荐列表和全部电影列表。

<!-- src/views/Home.vue --> <template> <div class="home"> <h1>为您推荐</h1> <div v-if="recommendations.length" class="movie-grid"> <MovieCard v-for="movie in recommendations" :key="movie.id" :movie="movie" @rate="handleRate" /> </div> <p v-else>暂无推荐，请先对几部电影进行评分吧！</p> <h2>全部电影</h2> <!-- 电影列表和搜索组件 --> </div> </template> <script> import { mapState } from 'vuex'; import MovieCard from '@/components/MovieCard.vue'; import { getRecommendations, getMovies, submitRating } from '@/api'; export default { name: 'Home', components: { MovieCard }, data() { return { recommendations: [], allMovies: [], loading: false, }; }, computed: { ...mapState(['user']), }, async created() { if (this.user) { await this.fetchRecommendations(); } await this.fetchAllMovies(); }, methods: { async fetchRecommendations() { this.loading = true; try { const { data } = await getRecommendations(); this.recommendations = data; } catch (error) { console.error('获取推荐失败:', error); this.$message.error('获取推荐列表失败'); } finally { this.loading = false; } }, async fetchAllMovies() { // 类似地调用getMovies API }, async handleRate({ movieId, rating }) { try { await submitRating(movieId, rating); this.$message.success('评分成功！推荐列表即将更新'); // 重新获取推荐，让用户立即看到评分带来的变化 await this.fetchRecommendations(); } catch (error) { console.error('评分失败:', error); this.$message.error('评分提交失败'); } }, }, }; </script>

MovieCard组件内会包含一个评分交互元素（如五星评分组件），当用户评分后，会触发@rate事件，父组件Home.vue捕获后调用handleRate方法提交评分，并刷新推荐列表，形成即时反馈。

5.3 数据库设计与数据填充

清晰的数据库设计是基础。Django模型定义如下：

# recommender/models.py from django.db import models from django.contrib.auth.models import User # 或使用自定义用户模型 class Movie(models.Model): title = models.CharField(max_length=200) genres = models.CharField(max_length=100) # 可以用逗号分隔的字符串，或使用多对多关系 release_date = models.DateField(null=True, blank=True) poster_url = models.URLField(max_length=500, blank=True) overview = models.TextField(blank=True) # 可以添加更多字段，如导演、演员、IMDb链接等 def __str__(self): return self.title class Rating(models.Model): user = models.ForeignKey(User, on_delete=models.CASCADE, related_name='ratings') movie = models.ForeignKey(Movie, on_delete=models.CASCADE, related_name='ratings') rating = models.FloatField() # 或IntegerField，如1-5的整数 created_at = models.DateTimeField(auto_now_add=True) class Meta: unique_together = ('user', 'movie') # 防止用户对同一电影重复评分 def __str__(self): return f'{self.user.username} rates {self.movie.title}: {self.rating}'

数据填充可以使用Django的fixtures（JSON/XML/YAML格式），或者编写一个自定义管理命令，从公开数据集（如MovieLens）中导入电影和评分数据。这是让系统“活”起来的关键一步。

6. 部署、测试与毕业论文撰写要点

项目开发完成，只算成功了一半。顺利部署运行并通过答辩，才是终点。

6.1 本地运行与基础测试

在部署前，务必在本地完整跑通。

1. 后端：在项目根目录下。

   python manage.py migrate # 创建数据库表 python manage.py createsuperuser # 创建管理员 python manage.py runserver

2. 前端：在前端项目目录下。

   npm install # 安装依赖 npm run serve # 启动开发服务器

3. 测试：手动测试所有核心流程：注册、登录、浏览电影、评分、查看推荐列表。同时，为后端关键API编写单元测试（Django的TestCase）是加分项，能体现你的工程素养。

6.2 生产环境部署简析

毕业答辩通常只需要在本地演示。但如果想部署到公网（如阿里云、腾讯云学生机），流程如下：

• 后端：使用Gunicorn或uWSGI作为WSGI服务器，配合Nginx做反向代理和静态文件服务。使用pip freeze > requirements.txt管理依赖。
• 前端：运行npm run build生成静态文件（dist目录），将其配置到Nginx的静态文件路径，或者直接拷贝到Django的静态文件目录（需配置STATIC_ROOT和collectstatic）。
• 数据库：确保生产环境MySQL服务正常运行，在Django的settings.py中正确配置DATABASES。
• 跨域：生产环境前端和后端通常在同一域名下，不存在跨域问题。如果分开放置，需要在Django后端配置django-cors-headers中间件。

6.3 毕业论文撰写核心要点

毕业论文是对你整个工作的总结和升华。结构可以参照：摘要、绪论、相关技术与理论（协同过滤、Django、Vue等）、系统需求分析、系统总体设计、系统详细设计与实现（分模块阐述）、系统测试与结果分析、总结与展望。

重中之重是“系统详细设计与实现”和“系统测试与结果分析”。

• 设计实现部分：不要只贴代码！要用流程图、类图、时序图、界面截图配合文字，清晰地阐述你的架构、模块划分、关键类的设计（如上面的ItemBasedCF类）、核心API的设计、以及前后端交互的流程。把关键代码片段作为示例嵌入说明。
• 测试分析部分：这是体现你研究深度的地方。不能只说“系统运行良好”。
  1. 推荐效果评估：划分训练集和测试集（如80%-20%）。在测试集上，用你的算法预测评分，然后计算评估指标，如：
     • 均方根误差：衡量预测评分与实际评分的差距。
     • 精确率与召回率：假设你推荐Top-N个电影，看这N个中有多少是用户实际喜欢的（在测试集中评分高的）。可以绘制P-R曲线。
     • 覆盖率：你的推荐算法能够覆盖多少比例的电影。
  2. 性能测试：模拟多用户并发请求，测试API的响应时间。分析算法在不同数据量下的计算时间。
  3. 对比实验：可以简单实现一个基于热门度的推荐（总是推荐最热门的电影）作为基线，与你的协同过滤算法进行对比，用数据证明你的算法更优。

避坑指南：

• 代码别全贴：论文不是代码仓库，挑最核心、最能体现你工作的部分展示即可。
• 讲清楚“为什么”：为什么选物品协同过滤而不是用户的？为什么用余弦相似度？为什么前端用Vue？这些选择背后的权衡要在论文中体现。
• 结果要可视化：用图表展示你的评估指标（柱状图、折线图），比干巴巴的数字有说服力得多。
• 展望要实在：不要说“未来将引入深度学习”这种空话。可以具体说“未来可以引入电影的内容特征（如演员、导演），实现混合推荐，以缓解冷启动问题”，或者“可以考虑使用更高效的相似度计算库来提升大规模数据下的性能”。

7. 常见问题与实战调试心得

做这个项目，你几乎一定会遇到下面这些问题，这里是我的实战解决方案。

7.1 跨域问题

问题：前端运行在localhost:8080，后端在localhost:8000，浏览器因同源策略阻止请求。解决：

1. 开发环境：在vue.config.js中配置代理。

   module.exports = { devServer: { proxy: { '/api': { target: 'http://localhost:8000', changeOrigin: true, } } } }

2. 生产环境：如前所述，部署在同一域名下，或使用django-cors-headers。

   pip install django-cors-headers

   在settings.py中：

   INSTALLED_APPS = [ ... 'corsheaders', ... ] MIDDLEWARE = [ 'corsheaders.middleware.CorsMiddleware', ... ] # 尽量放前面 CORS_ALLOW_ALL_ORIGINS = True # 开发时可设为True，生产环境应指定具体前端地址 # 或 CORS_ALLOWED_ORIGINS = ['http://your-frontend-domain.com']

7.2 推荐结果不准或总是热门电影

问题：算法跑通了，但推荐结果要么很随机，要么总是那几部最热门的电影。分析与解决：

1. 数据稀疏性：如果你的评分数据太少（比如只有几十个用户，几百条评分），用户-物品矩阵极度稀疏，相似度计算不可靠。解决：使用公开数据集（如MovieLens 100k或1M）来填充你的数据库，确保有足够的数据密度。
2. 相似度计算未处理评分尺度：用户评分习惯不同，有人习惯打高分，有人习惯打低分。使用余弦相似度前，可以对用户的评分向量进行中心化（减去用户平均分），这能消除用户偏置，让相似度计算更准确。
3. 冷启动策略干扰：你的代码中，对新用户是否直接返回了热门电影列表？检查推荐逻辑的分支。
4. 算法参数：在计算加权平均预测评分时，可以尝试给相似度加一个阈值（如只考虑相似度大于0.3的物品），或者对相似度进行指数衰减，让高相似度的物品权重更大。

7.3 前端评分提交后推荐列表不更新

问题：用户评分后，推荐列表没有实时变化。解决：这涉及到前端状态管理。在Home.vue的handleRate方法中，提交评分成功后，必须重新调用获取推荐列表的API（如this.fetchRecommendations()），然后用返回的新数据更新recommendations数组，Vue的响应式系统会自动更新视图。确保你的后端API在接收到新评分后，能实时（或通过任务队列稍后）更新推荐模型或计算结果。对于毕业设计，每次请求都重新计算可能有点慢，但可以接受。你可以引入简单的缓存，比如将每个用户的推荐结果缓存到Redis或数据库表中，设置一个短暂的过期时间。

7.4 Django静态文件与Admin样式丢失

问题：部署后，Django Admin页面没有CSS样式。解决：开发时runserver会自动处理静态文件。生产环境需要手动收集并配置。

1. 在settings.py中设置：

   STATIC_URL = '/static/' STATIC_ROOT = os.path.join(BASE_DIR, 'staticfiles') # 执行collectstatic后文件存放目录

2. 运行python manage.py collectstatic，将所有静态文件收集到STATIC_ROOT。
3. 配置Nginx，将/static/路径的请求指向STATIC_ROOT目录。

   location /static/ { alias /path/to/your/project/staticfiles/; }

7.5 数据库连接与性能

问题：随着评分数据增多，每次推荐都从数据库全量加载数据并计算，速度变慢。解决：

1. 离线计算，在线查询：这是推荐系统的标准实践。写一个Django自定义管理命令（python manage.py train_model），定期（比如每天凌晨）运行，使用全部数据重新计算物品相似度矩阵，然后将结果（例如每个电影最相似的10个电影及其相似度）存储到数据库的一张新表MovieSimilarity中。当用户请求推荐时，后端只需进行简单的数据库查询和加权计算，速度极快。
2. 使用缓存：使用django-redis等工具，将热门电影的相似物品列表、用户的推荐结果缓存起来，设置合理的过期时间。
3. 数据库索引：确保Rating表的user_id和movie_id字段上有索引，这对关联查询至关重要。

这个电影推荐系统项目，从算法理论到工程实践，从数据库设计到前后端联调，几乎涵盖了Web全栈开发的全部核心环节。把它做深做透，不仅是一份优秀的毕业设计，更是你求职时一个非常有说服力的项目经验。过程中遇到问题，多查文档（Django、Vue官方文档都非常优秀）、多调试（Chrome DevTools和Django的Debug Toolbar是你的好朋友）、多思考。当你看到自己实现的系统，能够根据你的评分，推荐出你真正可能喜欢的电影时，那种成就感就是对你所有努力最好的回报。

本文还有配套的精品资源，点击获取