# movie_recommendation_APP_question

**Repository Path**: YXY0216/movie_recommendation_app_question

## Basic Information

- **Project Name**: movie_recommendation_APP_question
- **Description**: 使用sklearn的KNN实现电影推荐应用
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 253
- **Created**: 2025-09-17
- **Last Updated**: 2025-09-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 电影推荐应用

## 项目简介

这是一个基于KNN（K-最近邻）算法的电影推荐系统模拟应用。用户可以对两部电影进行评分（1-5分），系统会根据用户的评分模式和已有的训练数据，预测用户可能偏好的电影类型（动作片或喜剧片）。

项目包含两个主要部分：
1. **Jupyter Notebook (`1_movie_KNN.ipynb`)**：演示KNN算法的基本原理和实现
2. **图形界面应用 (`2_movie_rating_APP.py`)**：提供交互式的电影推荐体验

## 技术架构

### 核心技术栈
- **Python 3.x**：主要编程语言
- **scikit-learn**：机器学习库，提供KNN算法实现
- **tkinter**：GUI界面开发
- **pandas**：数据处理和分析
- **matplotlib**：数据可视化
- **PIL (Pillow)**：图像处理
- **numpy**：数值计算

### 系统架构
```
电影推荐应用
├── 数据层
│   ├── ratings.csv (用户评分数据)
│   └── 电影海报图片
├── 算法层
│   └── KNN分类器 (K=1)
├── 业务逻辑层
│   ├── 数据预处理
│   ├── 模型训练
│   └── 预测推理
└── 表示层
    ├── GUI界面
    └── 数据可视化
```

## 环境要求

### Python版本
- Python 3.7+

### 依赖库安装
```bash
pip install numpy pandas scikit-learn matplotlib pillow tkinter
```

或使用requirements.txt（如果提供）：
```bash
pip install -r requirements.txt
```

## 安装与运行

### 1. 克隆项目
```bash
git clone [项目地址]
cd movie_recommendation_app_question
```

### 2. 安装依赖
```bash
pip install -r requirements.txt
```

### 3. 运行Jupyter Notebook
```bash
jupyter notebook 1_movie_KNN.ipynb
```

### 4. 运行GUI应用
```bash
python 2_movie_rating_APP.py
```

## 使用指南

### Jupyter Notebook使用
1. 打开 `1_movie_KNN.ipynb`
2. 按顺序执行每个代码单元
3. 观察KNN算法的工作原理和可视化结果

### GUI应用使用
1. **评分**：使用下拉菜单为两部电影评分（1-5分）
2. **选择偏好**：选择你更喜欢的电影类型
   - 动作片（标签0）
   - 喜剧片（标签1）
3. **确认数据**：点击"Confirm"按钮保存你的评分数据
4. **获取推荐**：点击"Predict"按钮获取系统推荐
5. **清除数据**：点击"Clear"按钮清空所有历史数据
6. **查看可视化**：右侧图表实时显示数据分布和预测结果

## 项目特色

### 算法特点
- 使用KNN算法进行分类预测
- K值设置为1，寻找最相似的用户
- 支持实时数据更新和预测

### 界面特点
- 直观的图形用户界面
- 实时数据可视化
- 交互式操作体验

### 教学价值
- 演示机器学习算法的基本原理
- 提供完整的从数据到预测的流程
- 可视化算法决策过程

## 文件结构
```
movie_recommendation_app_question/
├── 1_movie_KNN.ipynb          # KNN算法演示notebook
├── 2_movie_rating_APP.py      # GUI应用主程序
├── ratings.csv                # 用户评分数据存储
├── post1_relie.jpg           # 电影1海报
├── post2_family.jpg          # 电影2海报
└── README.md                 # 项目说明文档
```

## 算法原理

KNN（K-最近邻）算法是一种基于实例的学习算法：
1. 计算新样本与所有训练样本的距离
2. 选择距离最近的K个样本
3. 根据这K个样本的标签进行分类决策

在本项目中：
- 特征：两部电影的评分 (Movie A, Movie B)
- 标签：电影类型偏好（0=动作片，1=喜剧片）
- K值：1（选择最相似的1个用户）


## 常见问题

### Q: 为什么需要先添加数据才能进行预测？
A: KNN算法需要训练数据来寻找最相似的样本。至少需要一条历史数据才能进行有效预测。

### Q: 如何解释预测结果？
A: 系统会找到与你评分最相似的历史用户，并推荐该用户偏好的电影类型。红色虚线显示了你与最相似用户的连接。

### Q: 可以修改K值吗？
A: 当前版本K值固定为1。可以在代码中修改 `KNeighborsClassifier(n_neighbors=1)` 来改变K值。

## 扩展功能建议

1. **支持更多电影**：扩展到多部电影评分
2. **动态K值选择**：允许用户调整K值
3. **数据持久化**：使用数据库存储用户数据
4. **推荐置信度**：显示预测的置信度分数
5. **用户画像**：分析用户的评分模式

## 技术支持

如有技术问题，请检查：
1. Python版本是否符合要求
2. 所有依赖库是否正确安装
3. 图片文件是否存在于正确路径
4. CSV文件权限是否正常

## 作者信息

- **学号**: 202352320208
- **年级**: 2023级
- **专业**: 智能科学与技术
- **班级**: 二班
- **姓名**: 尹星宇

## 版本历史

- **v1.0** (2025-09-17): 初始版本发布
  - 完成KNN算法基本实现
  - 实现GUI交互界面
  - 添加数据可视化功能

## 许可证

本项目仅供学习和教学使用。