电脑基础 · 2023年4月18日

微信小程序 | 基于ChatGPT实现电影推荐小程序

文章目录

    • ** 效果预览 **
      • 1、根据电影明星推荐
      • 2、根据兴趣标签推荐
      • 3、根据电影名推荐
    • 一、需求背景
    • 二、项目原理及架构
      • 2.1 实现原理
        • (1)根据用户的兴趣标签
        • (2)根据关联类似主题的题材
        • (3)根据特定的电影明星
      • 2.2 技术架构
      • 2.3 技术栈
    • 三、项目功能的实现
      • 3.1 小程序端设计与实现
      • 3.2 数据后端设计与实现
      • 3.3 数据智能获取功能设计与实现
    • 四、推荐阅读

微信小程序 | 基于ChatGPT实现电影推荐小程序


** 效果预览 **

1、根据电影明星推荐

微信小程序 | 基于ChatGPT实现电影推荐小程序


2、根据兴趣标签推荐

微信小程序 | 基于ChatGPT实现电影推荐小程序


3、根据电影名推荐

微信小程序 | 基于ChatGPT实现电影推荐小程序


一、需求背景

在我们日常想看电影的时候,经常会遇到一些问题:
1. 闲来无事想看个电影,打开电影列表,感觉都是看过的,一下子不知道该如何去发现新大陆?
2. 喜欢某个演员,想看与他风格类似的电影,可惜电影网站的影片推荐总是那么不尽人意!
3. 在不同的电影网站,填入自己的感兴趣的标签,结果推荐出来的电影题材并不是自己想要的效果!


既然说起推荐系统,这就刚好踩中了我那研究三年推荐系统的读研苦逼时光了。稍微介绍一下时下主流的推荐系统的架构和算法:

主流推荐算法
基于用户的推荐算法
原理:将用户画像近似的用户进行相互推荐关联
基于项目的推荐算法
原理:将物品特征类似的项目进行相互推荐关联
协同过滤推荐算法
原理:通过协同过滤算法进行相互推荐关联

微信小程序 | 基于ChatGPT实现电影推荐小程序

这里的大数据推荐系统体系仅为简单的架构模型,其中涉及到更多的计算任务和调度数据流等细节均已省略 【有兴趣的友友可关注后续栏目更新—带你手把手从零实现推荐系统

在如此庞大的数据体量和计算引擎的支持下,现如今的推荐系统仍然没有以完美的姿态来解决用户的冷启动问题,所以说时下,推荐系统在学术界的研究已经达到了一种登峰造极的状态,你我都知道可能多引入一些高性能的模型去加强,多跑几轮模型去调参优化,从而实现更美丽的推荐效果!这样我们可能可以得到一篇优秀的论文!但是在工业应用领域,对于推荐算法的优化,新投入的算力跟人工成本,通常并不会由于更准推荐效果从而产生更丰厚的营收,可以说投入跟产出完全不成正比!这对于时下资本退却的互联网来说,这是最要命的!

于是乎,我们可以转换一下思路,有没有什么模型和算法可以实现推荐效果最优化,不惧怕因为用户数据量少而导致的冷启动问题 ------ 那么这个时候ChatGPT获取可以申请一战,他有超海量的全人类用户数据、连续产生内容及记忆理解上下文功能!

好那么,基于此,让我们来用ChatGPT做一个电影推荐小程序 做一个可以满住你的任意无理要求的电影小程序。


二、项目原理及架构

2.1 实现原理

1. 要利用上ChatGPT的推荐功能,首先构造好目标明确的问题是成功的关键。
2. 在获取到GPT的推荐数据之后,我们需要将推荐结果中的电影内容获取并展示在小程序端,这里我们需要采用Python爬虫对豆瓣电影网进行爬取!

输入用户的喜好
返回电影数据
构造电影问题
返回推荐列表
爬取推荐电影信息
电影小程序
小程序后台服务
ChatGPT模型服务
豆瓣电影爬虫后台服务

这里我们构造了三类推荐类目: 兴趣标签电影主题电影明星


(1)根据用户的兴趣标签

通过用户输入的兴趣标签进行电影的匹配

整合用户兴趣数据
返回推荐结果
用户选择自己感兴趣的标签
ChatGPT进行分析

微信小程序 | 基于ChatGPT实现电影推荐小程序


(2)根据关联类似主题的题材

发送电影名称
返回推荐结果
用户输入自己的喜欢的电影
ChatGPT进行分析

微信小程序 | 基于ChatGPT实现电影推荐小程序


(3)根据特定的电影明星

发送电影明星姓名
返回推荐结果
用户输入自己的喜欢的电影明星
ChatGPT进行分析

微信小程序 | 基于ChatGPT实现电影推荐小程序


2.2 技术架构

微信小程序 | 基于ChatGPT实现电影推荐小程序


2.3 技术栈

模块 语言及框架 涉及的技术要点
小程序前端 基于VUE 2.0语法+Uni-app跨平台开发框架 Http接口通信、Flex布局方式、uView样式库的使用、JSON数据解析、定时器的使用
小程序接口服务端 Python + Flask WEB框架 rest接口的开发、 ChatGPT API接口的数据对接
小程序数据爬虫服务端 Python + Request 库 Xpath路径元素解析、Http请求爬虫

三、项目功能的实现

3.1 小程序端设计与实现

首页 标签选择
微信小程序 | 基于ChatGPT实现电影推荐小程序 微信小程序 | 基于ChatGPT实现电影推荐小程序
推荐电影列表页 电影详情页
微信小程序 | 基于ChatGPT实现电影推荐小程序 微信小程序 | 基于ChatGPT实现电影推荐小程序

3.2 数据后端设计与实现

Flask后端接口服务
用户电影偏好数据交互接口
电影列表及详情获取接口
电影信息爬取接口
ChatGPT数据交互接口
  • 注重介绍后端服务接入 ChatGPT API,需要按照以下步骤进行操作:
  1. 注册一个账号并登录到OpenAI的官网:https://openai.com/
  2. 在Dashboard页面上,创建一个API密钥。在“API Keys”选项卡下,点击“Generate New Key”按钮。将生成的密钥保存好,以备后续使用。
  3. 选择所需的API服务,例如“Completion” API,以使用OpenAI的文本生成功能。

微信小程序 | 基于ChatGPT实现电影推荐小程序
使用Python调用ChatGPT API实现代码如下:

  • 方法一:使用request
import requests
import json
# 构建API请求
url = "https://api.openai.com/v1/engines/davinci-codex/completions"
headers = {"Content-Type": "application/json",
           "Authorization": "Bearer YOUR_API_KEY"}
data = {
    "prompt": "Hello, my name is",
    "max_tokens": 5
}
# 发送API请求
response = requests.post(url, headers=headers, data=json.dumps(data))
# 解析API响应
response_data = json.loads(response.text)
generated_text = response_data["choices"][0]["text"]
print(generated_text)
  • 方式二:使用openAI库
from flask import Flask, request
import openai
app = Flask(__name__)
openai.api_key = "YOUR_API_KEY_HERE"
@app.route("/")
def home():
    return "Hello, World!"
@app.route("/chat", methods=["POST"])
def chat():
    data = request.json
    response = openai.Completion.create(
        engine="davinci",
        prompt=data["message"],
        max_tokens=60
    )
    return response.choices[0].text
if __name__ == "__main__":
    app.run()

3.3 数据智能获取功能设计与实现

定义一个函数来实现电影信息的爬取,该函数的输入参数为电影名,输出为该电影的名称、导演、主演、类型、上映时间、评分等信息。具体实现步骤如下:

  • 构造请求 URL,其中电影名需要进行 URL 编码。

  • 发送 HTTP 请求,获取豆瓣电影页面的 HTML 内容。

  • 使用 lxml 库解析 HTML 文档,提取电影信息。

import requests
from lxml import etree
def crawl_movie_info(movie_name):
    # 1. 构造请求 URL
    url = f'https://www.douban.com/search?q={movie_name}'
    # 2. 发送 HTTP 请求,获取 HTML 内容
    response = requests.get(url)
    html = response.content.decode()
    # 3. 解析 HTML 文档,提取电影信息
    tree = etree.HTML(html)
    # 获取搜索结果列表中的第一个电影条目
    movie_link = tree.xpath('//div[@class="result"]/div[@class="content"]/h3/a/@href')[0]
    response = requests.get(movie_link)
    html = response.content.decode()
    # 解析电影页面 HTML 文档,提取电影信息
    tree = etree.HTML(html)
    # 电影名称
    movie_title = tree.xpath('//span[@property="v:itemreviewed"]/text()')[0]
    # 导演
    directors = tree.xpath('//a[@rel="v:directedBy"]/text()')
    director = ' / '.join(directors)
    # 主演
    actors = tree.xpath('//span[@class="actor"]/span[@class="attrs"]/a/text()')
    actor = ' / '.join(actors)
    # 类型
    genres = tree.xpath('//span[@property="v:genre"]/text()')
    genre = ' / '.join(genres)
    # 上映日期
    release_date = tree.xpath('//span[@property="v:initialReleaseDate"]/text()')[0]
    # 评分
    rating = tree.xpath('//strong[@class="ll rating_num"]/text()')[0]
    # 返回电影信息
    return {
        '电影名称': movie_title,
        '导演': director,
        '主演': actor,
        '类型': genre,
        '上映时间': release_date,
        '评分': rating,
    }
  • 我们可以通过调用该函数,传入电影名参数来获取电影信息。例如:
Copy code
movie_name = '大赢家'
movie_info = crawl_movie_info(movie_name)
print(movie_info)
  • 输出结果如下:

{'电影名称': '大赢家', '导演': '李伟 / 黄伟明', '主演': '赵本山 / 贾玲 / 小沈阳 / 张子枫 / 李春

四、推荐阅读

🥇入门和进阶小程序开发,不可错误的精彩内容🥇 :

  • 《小程序开发必备功能的吐血整理【个人中心界面样式大全】》
  • 《微信小程序 | 借ChatGPT之手重构社交聊天小程序》
  • 《微信小程序 | 人脸识别的最终解决方案》
  • 《微信小程序 |基于百度AI从零实现人脸识别小程序》
  • 《吐血整理的几十款小程序登陆界面【附完整代码】》