当前位置：首页 > news >正文

F046 新闻推荐可视化大数据系统vue3+flask+neo4j

news 2025/11/16 5:31:47

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: F046

视频

视频链接

1 系统简介

系统简介：本系统是一个基于Vue3和Flask构建的新闻推荐、可视化与问答系统。其核心功能围绕新闻数据的展示、推荐、分析和用户交互展开。主要包括以下模块：

登录与注册：提供用户身份验证功能，支持切换登录注册界面，采用视频背景增强用户体验。
新闻推荐：基于用户兴趣推荐相关新闻，主页布局包含菜单、操作面板和用户交互区域。
数据分析：对新闻数据进行统计分析，生成可视化图表。
知识图谱构造：通过爬取新闻数据，构建知识图谱并存储到Neo4j数据库中。
知识图谱可视化：展示知识网络结构，直观呈现新闻数据关联。
智能聊天：提供自然语言交互的问答服务。
新闻搜索：支持关键词搜索新闻内容。
个人设置：包含用户信息修改和密码更改功能，支持个性化头像设置。

2 功能设计

该系统采用B/S架构模式，前端使用Vue3框架，结合其生态系统中的Pinia（状态管理）、Vue Router（路由导航）和Echarts（数据可视化）等组件构建用户界面。前端通过RESTful API与Flask后端交互，Flask后端负责业务逻辑处理，并使用SQLAlchemy等ORM工具与MySQL数据库进行数据持久化，同时整合Neo4j图数据库存储知识图谱数据。系统还包含独立的爬虫模块，用于抓取新闻数据并导入数据库，为推荐和分析提供数据支撑。

2.1系统架构图

在这里插入图片描述

2.2 功能模块图

在这里插入图片描述

3 功能展示

3.1 登录 & 注册

登录需要验证用户名和密码是否正确，如果不正确会有错误提示。
在这里插入图片描述
注册需要验证用户名是否存在，如果错误会有提示。

3.2 新闻推荐 (2种推荐算法）

主页的布局采用了上侧是菜单，下侧是操作面板的布局方法，右侧的上方还有用户的头像和退出按钮，如果是新注册用户，没有头像，这边则不显示，需要在个人设置中上传了头像之后就会显示。
主页布局：
在这里插入图片描述
希望推荐就是根据用户兴趣点推荐相关新闻：

3.3 数据分析

对新闻数据进行统计分析
在这里插入图片描述
词云分析：

3.4 知识图谱构造

通过代码对爬取到的新闻创建知识图谱导入到neo4j:
在这里插入图片描述

3.5 知识图谱可视化

展示知识网络结构
在这里插入图片描述

3.6 智能聊天

提供自然语言交互问答服务
在这里插入图片描述

3.7 新闻搜索

支持关键词搜索新闻内容
在这里插入图片描述

3.8 个人设置

个人设置方面包含了用户信息修改、密码修改功能。
用户信息修改中可以上传头像，完成用户的头像个性化设置，也可以修改用户其他信息。
在这里插入图片描述

4程序代码

4.1 代码说明

代码介绍：以下是基于协同过滤的新闻推荐算法的实现代码

4.2 流程图

在这里插入图片描述

4.3 代码实例

import numpy as npclass NewsRecommender:def __init__(self, user_news_data):"""初始化推荐系统:param user_news_data: 用户新闻交互矩阵，形状为（用户数，新闻数）"""self.user_news_data = user_news_dataself.user_num = user_news_data.shape[0]self.news_num = user_news_data.shape[1]self.similarity_matrix = self.calculate_similarity()def calculate_similarity(self):"""计算用户之间的余弦相似度"""similarity = np.zeros((self.user_num, self.user_num))for i in range(self.user_num):for j in range(i+1, self.user_num):vec_i = self.user_news_data[i]vec_j = self.user_news_data[j]dot = np.dot(vec_i, vec_j)norm_i = np.linalg.norm(vec_i)norm_j = np.linalg.norm(vec_j)if norm_i == 0 or norm_j == 0:sim = 0else:sim = dot / (norm_i * norm_j)similarity[i][j] = simsimilarity[j][i] = simreturn similaritydef recommend(self, user_id, num_recommend=5):"""为指定用户生成推荐列表:param user_id: 用户ID:param num_recommend: 推荐数量:return: 推荐的新闻列表"""scores = {}for news_id in range(self.news_num):if self.user_news_data[user_id][news_id] == 0:total = 0.0count = 0for other_user_id in range(self.user_num):if other_user_id != user_id and self.user_news_data[other_user_id][news_id] > 0:total += self.similarity_matrix[user_id][other_user_id] * self.user_news_data[other_user_id][news_id]count += 1if count > 0:scores[news_id] = total / count# 按照得分排序，取前num_recommend个sorted_news = sorted(scores.items(), key=lambda x: x[1], reverse=True)[:num_recommend]return [news[0] for news in sorted_news]# 示例使用：
user_news_data = np.array([[1, 0, 1, 1, 0],  # 用户1喜欢新闻1、3[1, 1, 0, 0, 1],  # 用户2喜欢新闻0、1、4[0, 1, 1, 1, 0],  # 用户3喜欢新闻1、2、3[1, 0, 1, 0, 0],  # 用户4喜欢新闻0、2
])recommender = NewsRecommender(user_news_data)
recommended = recommender.recommend(0)  # 为用户0推荐新闻
print(f"推荐新闻：{recommended}")