开发软件：Pycharm 开发环境: Python3.6 数据库：mysql5.6
本系统包含电影前端展示界面、电影评分板块、推荐算法的实现以及后端数据库的设 计.其中实现推荐算法是整个电影推荐系统的核心.系统采用由grouplens项目组从美国著名 电影网站movielens整理的ml-latest-small数据集，该数据集包含了671个用户对9000多部电 影的10万条评分数据.首先将该数据集包含的全部文件经过筛选重组之后存储到建好的数 据库中，并将数据集按一定比例划分为训练集和测试集，对训练集进行算法分析生成Top-N 个性化电影推荐列表，然后在测试集上对算法进行评测，至少包括准确率和召回率两种评 测指标.
协同过滤算法是推荐领域最出名也是应用最广泛的推荐算法.所以系统拟采用两种协 同过滤算法给出两种不同的推荐结果，一种是基于用户的协同过滤算法，另一种是基于物 品的协同过滤算法，用户可以根据两种推荐结果更加合理的选择合适的电影.系统采用了 改进之后的ItemCF-IUF和UserCF-IIF算法，对计算用户相似度和物品相似度的计算都做出 了改进.最后通过计算两种算法的准确率（Precision）、召回率(Recall)和流行度从而对系 统进行评测、并比较了两种算法各自的优势和劣势.实验证明，改进后的算法比原始的协 同过滤算法推荐效果要好，准确率更高.
整个系统涉及到的编程语言包含Python、Html5、JQuery、CSS3以及MySQL数据库编 程.用到的框架是Flask重量级web框架，通过该框架连接系统的前、后端.用户首先需要 填写用户名、密码以及邮箱注册系统，然后才能登陆推荐系统.进入首页后会看到8个电影 分类，包括恐怖片、动作片、剧情片等.用户需要给自己看过的电影进行评分，评分起止 为0.5-5.0分，共10个分段.每评价一部电影就要点击一下提交按钮，将所评分的电影的 imdbId号以及对应的评分存入数据库中.用户点击“推荐结果”按钮，系统就调用推荐算法 遍历数据库所存数据，得出推荐列表之后将结果反馈给浏览器，同时调取数据库所存电影 海报图片进行展示.用户点击自己登陆的昵称，会跳转页面显示自己已经评价过的电影.