1．毕业设计（论文）课题来源及内容：（注明自拟、科研、科技服务类别及任务提出单位）
课题来源：
自拟
课题内容：
随着我们国家的互联网规模不断的扩大，用户规模越来越庞大，网络上的电影资源数量和用户对电影资源的需求也越来越多，“信息过载”是现代许多电影系统面临的问题，用户很难快速有效的获取到所需要的电影资源，虽然搜索引擎能够为解决上述的问题提供一种解决方面，但是当用户没有确切的观影目标时，搜索引擎所呈现的结果会让顾客眼花缭乱，难以快速而准确的发挥作用。为了解决搜索引擎难以满足用户需求，怎么样设计才能过滤掉搜索引擎所展示的无用的信息，并且能够提升用户的体验成为了系统的首要任务。
通过完成毕业设计，将所学的python编程知识和数据库知识相结合，根据开发和业务需要，完成一个完整的软件开发项目；运用软件工程理论，通过需求分析、系统设计、系统编程以及系统测试这四个步骤来完成本系统的开发；系统总体采用Django框架对网站进行设计与制作，数据库选用Django自带的sqlite，实现一个页面直观简洁、易于操作且推荐结果准确的电影推荐网站。
2．毕业设计（论文）课题任务的要求和主要技术指标：
要求：
1.在进行毕业设计之前了解电影网站的用户需求及业务流程处理。
2.结合大学期间所学的编程知识和数据库知识，做好课题研究的知识准备。
3.配置好系统的开发环境，使用pycharm进行系统编程以及软件的制作。
4.能够结合先前所知的电影网站业务需求，对系统的数据库、系统界面进行设计，归纳系统的具体功能。
5.在系统的设计工作结束后，针对系统的功能代码进行编写。
6.系统初步设计完成后，对系统进行进一步的优化。
7.在系统编程已经完成的基础上，对系统功能进行全面测试，确保系统的稳定性和可靠性。
8.以认真严谨的态度对待毕业论文，按照进度要求认真完成毕业论文。
主要技术要求：
1.能够熟练使用python语言和Django框架进行系统的开发；
2.在开发过程中选用合适的开发工具进行系统开发；
3.设计出一个直观简洁的系统界面，利于用户使用，系统能够正常运行，不出现较大错误；能够实现在系统设计阶段提出的系统功能；
4.按照软件开发的步骤，独立自主的完成系统的需求分析、系统设计、系统实现和系统测试；
5.独立进行毕业论文的撰写工作，结合毕业设计开发的实际情况撰写论文，论文整体框架结构合理完整。论文通过学校的查重方式测试且重复率小于20%，字数不少于14000字，论文格式符合学校相应的论文格式规范。
3．进度安排：
第3学期第9周–第11周：完成系统开发的相关书籍查找工作、确定系统的开发方向，
在该阶段确定系统开发平台和后台使用的数据库。 第3学期第12周–第13周：进行系统的需求分析 第3学期第14周–第15周：进行系统数据库的设计 第3学期第16周–第18周：进行系统总体和模块化设计 第4学期第1周–第5周：
进行系统的编码和单元测试 第4学期第6周–第7周： 软件的系统测试，并进行完善 第4学期第8周–第10周： 撰写毕业论文
第4学期第11周–第12周：进行答辩准备
4．参考文献：
[1]协同过滤算法中相似度计算问题研究[J]. 樊艳清,梁宏宇,纪佳琪. 计算机技术与发展. 2020(08)
[2]基于协同过滤混合算法的餐饮推荐系统设计与实现[J]. 金强山,冯光. 计算机时代. 2020(02).
[3]基于协同过滤的电商推荐系统的设计与实现[J]. 贾玉罡. 数字通信世界. 2018(03).
[4]基于协同过滤的个性化民宿推荐系统的设计与实现[J]. 路丹,陈占芳. 现代计算机(专业版). 2018(32).
[5]协同过滤算法在电影推荐系统中的应用[J]. 黄莹,宋伟伟,邓春玲,江晓苏. 软件导刊. 2015(08).
[6]混合协同过滤个性化推荐算法研究[J]. 黄琼,冯军焕. 计算机光盘软件与应用. 2014(04).
[7]基于深度学习的资源个性化推荐算法及模型设计[J]. 梁婷婷,李丽琴. 智能计算机与应用. 2018(06).
[8]基于Web挖掘的个性化视频推荐系统设计与实现[J]. 汤伟. 电子设计工程. 2018(18).
[9]基于混合推荐算法的个性化电影推荐系统的设计与实现[D]. 王璇璇.华中科技大学 2021.
[10]基于用户相似度的协同过滤推荐算法[J]. 荣辉桂,火生旭,胡春华,莫进侠. 通信学报. 2014(02). [11]曾浩鸣.
基于神经协同过滤的个性化电影推荐研究与系统设计[D].广东财经大学,2021. [12]石科. Research and
Development of Movie Recommendation System Based on Hybrid
Recommendation Algorithm[D].首都经济贸易大学,2020. [13]刘淑钰.
基于卷积神经网络和循环神经网络的电影推荐算法研究[D].重庆大学,2020. [14]李欢.
基于社交网络的个性化推荐系统的设计与实现[D].扬州大学,2020
[15]郑策,尤佳莉.电影推荐系统中基于图的协同过滤算法[J].计算机与现代化,2019(11):38-43+48…
[16]胡正江,兰海翔,卢涵宇,侯汝冲,薛安琪.基于Python的协同过滤算法的研究与应用实现[J].电脑知识与技术,2019,15(25).
[17] 杨浪. 基于Spark的电影推荐系统设计与实现[D].北京邮电大学,2021. [18]Duan Rui,Jiang
Cuiqing,Jain Hemant K… Combining review-based collaborative filtering
and matrix factorization: A solution to rating’s sparsity problem[J].
Decision Support Systems,2022,156. [19]白松滔.
融合协同过滤和图卷积的电影推荐研究[D].南京信息工程大学,2022. [20]雷前春.
基于网络爬虫的电商比价及推荐系统的设计与实现[D].东华大学,2018.
