当前位置：首页 > news >正文

F027 neo4j知识图谱音乐推荐系统vue+flask+知识图谱可视化+协同过滤推荐算法

news 2025/10/17 10:18:14

文章结尾部分有CSDN官方提供的学长联系方式名片
文章结尾部分有CSDN官方提供的学长联系方式名片
关注B站，有好处！

编号: F027

架构: vue+flask+neo4j+mysql
亮点：协同过滤推荐算法+知识图谱可视化
支持爬取音乐数据，数据超过3万条，知识图谱节点几万个

模块图

在这里插入图片描述

架构说明

在这里插入图片描述

系统架构主要分为以下几个部分：用户前端、后端服务、数据库、数据爬取与处理。各部分通过协调工作，实现数据的采集、存储、处理以及展示。具体如下：

1. 用户前端

用户通过浏览器访问系统，前端采用了基于 Vue.js 的技术栈来构建。

浏览器：作为用户与系统交互的媒介，用户通过浏览器进行各种操作，如浏览图书、获取推荐等。
Vue 前端：使用 Vue.js 框架搭建前端界面，包含 HTML、CSS、JavaScript，以及 Vuex（用于状态管理），vue-router（用于路由管理），和 Echarts（用于数据可视化）等组件。前端向后端发送请求并接收响应，展示处理后的数据。

2. 后端服务

后端服务采用 Flask 框架，负责处理前端请求，执行业务逻辑，并与数据库进行交互。

Flask 后端：使用 Python 编写，借助 Flask 框架处理 HTTP 请求。通过 SQLAlchemy 与 MySQL 进行交互，通过 py2neo 与 Neo4j 进行交互。后端主要负责业务逻辑处理、数据查询、数据分析以及推荐算法的实现。

3. 数据库

系统使用了两种数据库：关系型数据库 MySQL 和图数据库 Neo4j。

MySQL：存储从网络爬取的基本数据。数据爬取程序从外部数据源获取数据，并将其存储在 MySQL 中。MySQL 主要用于存储和管理结构化数据。
Neo4j：存储图谱数据，特别是歌手、歌曲及其关系。通过利用 py2neo 库将 MySQL 中的数据结构化为图节点和关系，再通过图谱生成程序（可能是一个 Python 脚本）将其导入到 Neo4j 中。

4. 数据爬取与处理

数据通过爬虫从外部数据源获取，并存储在 MySQL 数据库中，然后将数据转换为图结构并存储在 Neo4j 中。

爬虫：实现数据采集，从网络数据源抓取相关信息。爬取的数据首先存储在 MySQL 数据库中。
图谱生成程序：利用 py2neo 将爬取到的结构化数据（如歌曲、歌手，以及它们之间的关系）从 MySQL 导入到 Neo4j 中。通过构建图谱数据，使得后端能够进行复杂的图查询和推荐计算。

工作流程

数据爬取：爬虫程序从外部数据源抓取数据并存储到 MySQL 数据库中。
数据处理与导入：图谱生成程序将 MySQL 中的数据转换为图结构并导入到 Neo4j 中，利用 py2neo 与 Neo4j 交互。
前后端交互：
- 用户通过浏览器访问系统，前端用 Vue.js 构建，提供友好的用户界面和交互。
- 前端向 Flask 后端发送请求，获取歌曲信息或推荐歌曲。
推荐算法：后端在接收请求后，利用 Neo4j 图数据库中的数据和关系进行处理（如推荐计算），并使用 py2neo 库与 Neo4j 交互获取数据结果。
数据返回与展示：后端将计算结果返回给前端进行展示，通过 Vue.js 的图表库（如 Echarts）进行数据可视化，让用户得到直观的推荐结果和分析信息。

小结

这套系统通过整合爬虫、关系型数据库、图数据库，以及前后端的协调配合，实现了数据的高效采集、存储、处理、推荐和展示。从用户体验的角度，系统能够提供高度个性化的推荐，并通过图形化的方式呈现数据分析结果。

功能介绍

0 图谱构建

利用python读取数据并且构建图谱到neo4j中：
在这里插入图片描述

1 系统主页，统计页面

在这里插入图片描述
动态统计卡片

2 知识图谱

支持可视化
在这里插入图片描述
支持模糊搜索，比如搜索特定关键词【林俊杰】

3 推荐算法

没有登录无法推荐
两种协同过滤推荐算法推荐
第一种推荐算法
在这里插入图片描述
第二种推荐算法

点击可以播放可以播放歌曲

4 可视化分析

分为4个页面
歌手分析
在这里插入图片描述
专辑、热评分析等

歌词词云分析

评论词云分析

5 数据查询

数据关键词可以进行歌曲的查询：
在这里插入图片描述

算法部分

代码介绍

本代码实现了一个基于知识图谱和协同过滤的音乐推荐系统。系统首先通过Neo4j存储音乐数据，构建包含歌曲、歌手、风格等实体的知识图谱。然后，使用协同过滤算法分析用户的听歌历史，计算用户间的相似度，进而推荐音乐。具体步骤包括数据采集、特征提取、相似度计算和推荐生成。最终，系统能够根据用户的历史行为推荐个性化音乐。
代码实现了用户特征提取和相似度计算，通过Neo4j查询用户的听歌记录，并利用协同过滤算法生成推荐列表。推荐结果基于用户行为和知识图谱中的关联关系，能够有效提升推荐的准确性和多样性。

流程图

在这里插入图片描述

核心代码

from py2neo import Graph
from collections import defaultdict
import numpy as np# 连接Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))# 查询用户和歌曲的关系
def get_user_songs(user_id):query = """MATCH (u:User {id: $user_id})-[:LISTENED]->(s:Song)RETURN s.id AS song_id"""results = graph.run(query, user_id=user_id)return [record["song_id"] for record in results]# 计算用户相似度
def compute_similarity(user_songs, other_user_songs):intersection = set(user_songs) & set(other_user_songs)union = set(user_songs) | set(other_user_songs)jaccard = len(intersection) / len(union)return jaccard# 生成推荐列表
def generate_recommendations(user_id):user_songs = get_user_songs(user_id)all_users = graph.run("MATCH (u:User) RETURN u.id").data()similarities = defaultdict(float)for user in all_users:other_id = user["u.id"]if other_id != user_id:other_songs = get_user_songs(other_id)sim = compute_similarity(user_songs, other_songs)similarities[other_id] = sim# 根据相似度排序sorted_users = sorted(similarities.items(), key=lambda x: x[1], reverse=True)[:10]# 获取推荐歌曲recommendations = []for user_id, _ in sorted_users:songs = get_user_songs(user_id)for song in songs:if song not in user_songs:recommendations.append(song)return recommendations# 示例使用
recommendations = generate_recommendations("user1")
print("推荐的歌曲:", recommendations)