宣传广告制作效果图优化系统的软件
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: F025 pro
架构: vue+flask+neo4j+mysql+pytorch
亮点：两种基于知识图谱的推荐算法（GNN和基于路径推荐）+基于用户协同过滤（总共三种推荐算法）
支持爬取图书数据，数据超过万条，知识图谱节点几万个
架构说明
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，特别是用户、图书及其关系（如阅读、写、出版等）。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（如用户、图书、作者、出版社，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，获取图书信息或推荐图书。
- 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
1 系统主页，统计页面
2 知识图谱
支持可视化
支持模糊搜索，比如搜索法国作家 加缪
3 推荐算法
没有登录无法推荐
基于GNN 图神经网络训练和推荐
基于知识图谱路径的推荐算法
基于用户协同过滤推荐算法推荐
点击可以进入图书详情页面(可以查看 名称、作者、系列、图片、装帧、用户给图书的评分）
支持使用评分控件进行评分
4 可视化分析
分为4个页面
图书出版地图分析
图书分析
图书评分分析
图书词云分析
5 登录与注册
支持登录与注册
