简介：面向计算机专业毕业设计的电影推荐系统源码包，融合知识图谱与图神经网络（KGCN）技术，利用电影、用户、实体之间的关系建模，可完成从原始数据预处理、知识图谱构建、模型训练评估到Web端推荐展示的完整流程。该压缩包共31个文件，其中以21个Python源码文件为核心，涵盖数据加载与预处理、图谱构建、KGCN模型实现、训练与评测脚本、Web应用接口等模块；另含5个dat格式的电影/用户/评分数据文件，以及readme、txt、md等部署说明文档，整体仅14.84MB，便于快速下载与部署。项目代码带有详细注释，功能完整、界面简洁，经严格调试可直接运行，即使新手也能很快上手。目前已有172人学习下载，适合用于毕业设计、课程设计或期末大作业的高分参考，也可作为深入理解知识图谱结合图神经网络推荐系统的实战范例。
1. 知识图谱+图神经网络：电影推荐毕设为什么都在往这里走
打开技术社区搜索“毕业设计 电影推荐”，最常见的结果是协同过滤加一个 Web 壳子，但这类题目的答辩难点从来不在代码量，而在“你如何解决冷启动”这个问题上。一个只点过两三部电影的新用户，评分矩阵对应行几乎没有非零项，矩阵分解学出来的向量接近随机初始化，推荐结果自然很差。知识图谱把电影、演员、导演、类型这些实体关系引进来，一条“用户→电影→导演→另一部电影”的路径能绕过稀疏评分，而图神经网络负责在这种非结构化图数据上做邻居消息传递，把路径信息变成可训练的节点向量，两者结合后，冷启动与长尾推荐都会比传统方案明显改善，还能顺带回答“为什么推荐这部电影”的追问。本文按项目落地顺序讲完整路线：数据清洗、三元组建库、图模型训练、评估与答辩避坑，最后给一个可以写进论文的推理解释器技巧，让新手能跟着搭，也让有基础的同学看到参数与边界在哪。
2. 先立方案：协同过滤的短板，知识图谱和图神经网络怎么补
2.1 协同过滤的边界：稀疏评分卡住的不只是准确率
先说清楚为什么要引入图模型，不是图神经网络比矩阵分解“高级”，而是它在任务结构上更匹配电影推荐的真实数据形态。协同过滤的底层假设是“过去行为相似的用户未来也相似”，这个假设依赖一个足够稠密的评分矩阵。实际情况里，绝大多数用户只对一小部分电影有过交互，评分矩阵稀疏度往往在 99% 以上，这时候相似度计算和矩阵分解都面临同一个问题：可用的共现信息太少，学到的隐向量置信度很低。
常见的做法是加内容特征，比如把导演、类型、演员编码成向量拼进因子分解机。这么做确实有效，但有一个结构性缺陷：电影之间的语义关系被拍平了，导演和演员之间、类型和系列之间的高阶关联没有被建模。举个例子，某部冷门电影和用户看过的热门电影可能没有共同用户，但它们的导演参与过同一部作品，或者类型标签在知识图谱里直接相连。协同过滤看不到这种关系，而知识图谱天然把这类关系做成显式边，图神经网络又能在这些边上做聚合传播，等于把“二阶、三阶关联”变成了可以训练的向量表示。这也是近几年图推荐方向的核心动机：用图结构补偿交互稀疏性。
2.2 知识图谱接入推荐的路径：从相关性到可解释性
知识图谱在推荐里一般以三元组形式出现，即头实体、关系、尾实体，比如“《某电影》, 导演, 某导演”。把这些三元组拼起来，就得到一张以物品节点为中心的异构大图：电影节点连接演员、导演、类型、出品公司、标签等实体。推荐任务从评分预测变成了图上的相关性问题：给定用户的历史电影节点，去找与他们邻近且尚未交互的电影节点。
这里有两个技术路线可以区分。一条是路径级方法，先枚举用户到候选电影之间的元路径，再用路径相似度打分，类似基于规则的扩展，可解释性好但很难端到端训练，路径枚举在大图上也比较耗时。另一条是嵌入传播方法，也叫“基于图神经网络的聚合方法”，它把电影实体先初始化成向量，然后通过图卷积层把邻居信息不断聚合进节点表示，最后用用户表示和电影表示做内积打分。这个路线的好处是整个过程可以反向传播，图谱中哪些邻居重要、哪些关系该被弱化，都由训练数据决定，这也是毕设中更推荐的主干方案。
2.3 图神经网络选型：GCN、GraphSAGE、R-GCN 怎么选
真正动手前需要对三个常见模型做一次实用的选型对比，因为它们对图数据的假设不一样。
| 模型 | 对同质图的支持 | 对多关系/异构边的支持 | 可扩展性 | 毕设实现成本 |
|---|---|---|---|---|
| GCN | 强，操作简单 | 弱，需要把异构边简化成统一邻接 | 一般，需要全图或大 batch 传播 | 低 |
| GraphSAGE | 强 | 弱 | 高，邻居采样可控制规模 | 低到中 |
| R-GCN | 中 | 强，每种关系单独建模 | 差，关系数多时参数爆炸 | 高 |
我一般会建议毕设以 GCN 或 GraphSAGE 为主干，不建议直接上 R-GCN。原因是电影知识图谱里关系类型虽然多，但真正有用的集中在“属于类型、导演、主演、同系列”这几种，关系种类可能不到 10 个。R-GCN 对每种关系都单独维护一个变换矩阵，关系一多参数量成倍上涨，在几千个样本的小数据上容易过拟合。更稳妥的做法是：用 GraphSAGE 做邻居采样控制训练时间，把关系类型当作边特征或者按关系分组做聚合权重，既保留异构信息，又不引入过多参数。
3. 构建电影知识图谱：数据准备与三元组落地
3.1 数据决策：公开评分集合和补充属性
知识图谱推荐系统需要两类数据来源：一类是用户对电影的评分或点击行为，这类数据可以从公开匿名评分数据集中获取，字段通常包含用户编号、电影编号、评分时间戳；另一类是电影属性数据，包含电影标题、导演、演员、类型、上映年份。做毕设时优先选已经做过 ID 对齐的数据集，也就是“评分数据里的电影编号”和“属性数据里的电影编号”能直接对应，这样能省掉一大半清洗时间。
如果只能拿到电影名而没有统一编号，就需要自己做实体对齐，规则是：先按“标题+年份”精确匹配，匹配不上的再用导演或主演信息做候选集打分。这一步看着不起眼，却是后期坑最多的地方。名字里带空格、中英文括号、系列名后缀的电影，如果不对齐，图谱里会生成两个孤立节点，最终导致模型召回率莫名其妙下降。模拟项目 X 的数据量在几千部电影规模时，实体对齐失败率控制在 2% 以下才算合格。
3.2 实体对齐与三元组写入图数据库
清洗完属性表后，下一步是把电影属性转成三元组并写入图数据库。这里以 py2neo 驱动连接一个开源图数据库为例，展示最小可运行写入脚本。图数据库的作用是辅助查询和可视化，并不是训练必须步骤，但毕设流程里保留它能让数据展示更完整，也方便后期做路径解释。
from py2neo import Graph, Node, Relationship # 建立连接：bolt 端口是图数据库默认服务端口，按实际环境修改 graph = Graph("bolt://127.0.0.1:7687", auth=("user", "your_password")) def write_triple(graph, head, relation, tail, head_type, tail_type): # 用 merge 避免重复创建节点，保证实体唯一性 head_node = Node(head_type, name=head) tail_node = Node(tail_type, name=tail) rel = Relationship(head_node, relation, tail_node) graph.merge(head_node, head_type, "name") graph.merge(tail_node, tail_type, "name") graph.merge(rel) # 示例三元组：电影属于某类型 write_triple(graph, "样例电影A", "属于类型", "剧情", "Movie", "Genre") # 示例三元组：电影由某导演执导 write_triple(graph, "样例电影A", "导演", "样例导演甲", "Movie", "Director")写这段代码需要解释三个关键点。第一是使用 merge 而不是 create， merge 会先查询节点是否已存在，如果存在就复用，避免重复节点产生的“同实体多节点”问题；第二是每个节点都必须带类型标签，因为后续图神经网络建模时，需要区分电影、演员、导演这些不同实体；第三是以“name”作为唯一键，前提是清洗阶段确保同一实体在不同三元组里写法完全一致，如果导演名在有的地方写“样例导演甲”，有的地方写“导演甲”，知识图谱就会错乱。
3.3 节点特征与邻接关系构造
图数据库适合给人看，但图神经网络训练更适合用稀疏矩阵或邻接列表。因此建库之后，要导出一份纯数值格式的图数据：给所有实体分配一个全局 ID，并构造节点特征矩阵和边列表。
import numpy as np # 所有实体统一编号，电影、演员、导演、类型都进同一张表 all_nodes = ["样例电影A", "样例电影B", "样例导演甲", "剧情", "动作"] node2id = {name: i for i, name in enumerate(all_nodes)} num_nodes = len(all_nodes) # 用邻接列表保存边关系，节省内存且便于后续建稀疏矩阵 kg_edges = [ ("样例电影A", "样例导演甲"), ("样例电影A", "剧情"), ("样例电影B", "动作"), ] adj_list = [[] for _ in range(num_nodes)] for head, tail in kg_edges: h_id = node2id[head] t_id = node2id[tail] adj_list[h_id].append(t_id) adj_list[t_id].append(h_id) # 输出每个节点的邻居数量，检查是否存在完全孤立的实体 for i, neighbors in enumerate(adj_list): print(i, len(neighbors))节点特征的构造方式要看数据基础。如果只有 ID table，一个稳妥的做法是给每种实体类型做一个 one-hot 标识，再用一个可学习的嵌入层把它转成稠密向量；如果电影本身有文本描述、标签列表、海报图像特征，可以用这些向量作为初始特征拼接图卷积。常见做法是先用类型 multi-hot 加主演 ID 的加权平均作为初始特征，因为导演和演员通常已经映射成 ID，可以直接进入 Embedding 层。这样构造出来的特征既能表达电影属性，又能避免纯 one-hot 向量维度过高、训练太慢的问题。
4. 图神经网络推荐模型：从构图到训练评估
4.1 构图：用户-物品交互图和知识图谱统一成一张大图
模型训练前要把两类数据统一成一张图，否则用户侧和物品侧无法协同训练。这里的关键是：用户节点只连电影节点，电影节点同时连知识图谱实体，交互关系与语义关系通过电影节点桥接起来。这样图里有两类边，一类是“用户-电影”的交互边，另一类是“电影-属性实体”的语义边，二者共享同一套电影节点 ID。
代码上需要给用户、电影、知识实体分别分配连续 ID，并确保电影 ID 在交互边和语义边里指向同一个节点。
num_users = 1000 num_movies = 500 # 知识图谱实体接在电影编号之后 entity_offset = num_users + num_movies # 用户-电影交互：user_id 和 movie_id 都是原始编号，统一映射 interaction_edges = [] for user_original_id, movie_original_id in interactions: interaction_edges.append( (user_original_id, movie_original_id + num_users) ) # 电影-知识图谱边：电影编号转成图节点 ID，实体编号统一加上偏移量 kg_movie_edges = [] for movie_original_id, entity_id in movie_entity_pairs: kg_movie_edges.append( (movie_original_id + num_users, entity_id + entity_offset) )这里最容易写错的是偏移量计算。用户 ID 起点是 0，电影 ID 起点是 num_users，知识图谱实体 ID 又偏移到 num_users+num_movies 之后，任何一边少加偏移都会导致不同类型的节点重叠，模型训练时会出现“用户去和演员做邻居”这种错误。构图后建议先做一次连通性检查，确认每个电影节点至少有一条语义边指向知识图谱，否则这个电影在语义聚合时只会收到零向量。
4.2 消息传递实现：GCN 核心代码与关键参数
图神经网络最核心的操作就是消息传递：每个节点收集邻居的特征，聚合成新表示。以一个两层 GCN 为例，实现思路是先把节点特征线性变换，再通过邻接矩阵做聚合，加上激活与丢弃层，防止过拟合。
import torch import torch.nn as nn import torch.nn.functional as F class GCNLayer(nn.Module): def __init__(self, in_dim, out_dim, dropout=0.2): super().__init__() # 线性变换负责把节点特征映射到目标维度 self.linear = nn.Linear(in_dim, out_dim) self.dropout = nn.Dropout(dropout) def forward(self, x, adj): # x: 节点特征矩阵，形状 [num_nodes, in_dim] # adj: 归一化邻接矩阵，形状 [num_nodes, num_nodes] support = self.linear(x) out = torch.matmul(adj, support) return self.dropout(F.relu(out)) class TwoLayerGCN(nn.Module): def __init__(self, in_dim, hidden_dim, out_dim): super().__init__() self.layer1 = GCNLayer(in_dim, hidden_dim, dropout=0.3) self.layer2 = GCNLayer(hidden_dim, out_dim, dropout=0.1) def forward(self, x, adj): h = self.layer1(x, adj) return self.layer2(h, adj)两个重要参数需要说明。一个是邻接矩阵必须做归一化，否则度数高的节点聚合后特征数值会远大于度数低的节点，导致训练不稳定，最简单的做法是让邻接矩阵每行除以行和，得到平均聚合语义；另一个是隐藏层维度和层数，电影推荐场景里 hidden_dim 取 64 或 128 已经够用，层数一般不超过 2 层，堆到 4 层以上会出现节点表示趋于一致的过平滑现象，效果不升反降。这段代码没有写用户侧的编码器。用户侧常见做法是把用户历史交互的电影向量求平均，作为用户向量，然后与候选电影向量做点积当作打分。
4.3 损失函数与评估指标：不只是准确率
图推荐模型一般用 BPR 损失，它是一种成对排序损失，核心思想是让正样本打分高于负样本。训练时每个正样本采样一个用户没交互过的电影作为负样本，负样本采样质量直接影响模型效果。
def bpr_loss(pos_score, neg_score): # 希望正样本得分高于负样本，差值越大 loss 越低 loss = -F.logsigmoid(pos_score - neg_score).mean() return loss # 训练循环片段 optimizer.zero_grad() pos_score = model(user_ids, pos_movie_ids) neg_score = model(user_ids, neg_movie_ids) loss = bpr_loss(pos_score, neg_score) loss.backward() optimizer.step()评估时不要只报准确率，推荐场景更关注排序质量。常用指标是 Recall@K 和 NDCG@K，前者看用户真实交互的电影有多少在 Top-K 里被召回，后者看排序位置是否靠前，能反映真实使用体验。我一般会把整体数据集按时间切分，前 80% 做训练，后 20% 做测试，而不是随机切分，这样能模拟用户行为随时间变化的情况，也是答辩时经得起追问的评估方式。
5. 毕设避坑指南：数据、训练与答辩的常见问题
5.1 数据阶段的坑
现象：图谱导入后，同一个导演在图数据库里出现了两个不同 ID，导致电影和导演之间的连接链断裂，模型召回率比协同过滤还低。
原因：清洗时没有做实体归一化，有的记录是“张某”，有的是“张某（导演）”，图数据库 merge 按 name 精确匹配时判断为不同实体。
解决：写入图数据库之前先做一层别名映射表，把所有同义写法统一到一个标准名称，同时用“类型+name”做唯一键，避免跨类型实体合并冲突。
现象：部分电影没有任何属性边，成了孤立节点，图神经网络更新时它们只能从初始特征学习。
原因：属性数据表不完整，早期版本电影和某些独立电影缺失导演或演员信息。
解决：在清洗阶段统计每条边类型覆盖率，低于阈值的电影要么用类型标签做回填，要么直接剔除出训练集，宁可少一个样本也不要在模型里引入无效节点。
现象：直接用原始用户行为数据构建交互边，结果训练集和测试集有重叠，指标看起来很高但实际不可信。
原因：先划分数据集再构图时，把测试期的交互也写进了图里，知识图谱模型在做消息聚合时泄露了未来信息。
解决：严格按时间戳划分，先划分训练测试再构图，测试集里的交互边完全不进入邻接矩阵和聚合过程。
5.2 训练阶段的坑
现象：模型从第 1 层叠到第 4 层，验证集 Recall@20 反而从 0.35 掉到 0.28，找不出原因。
原因：典型的过平滑问题。多层图卷积不断拉近所有节点之间的表示距离，最终导致电影之间的向量几乎无差别。
解决：确认数据量与图规模的匹配程度，把网络控制在两层；如果必须加深，加入残差连接，把上一层表示与聚合结果相加，保留节点自身特征。
现象：训练时显存溢出或内存直接打满，程序报错后进程崩溃。
原因：使用稠密邻接矩阵做聚合，几千个实体时矩阵是几千乘几千，能撑住；到了几万个实体就彻底扛不住。
解决：换成稀疏矩阵存储邻接关系，或者采用邻居采样方式，每个 batch 只采样固定数量的邻居，比如 10 到 20 个，训练速度也能明显提升。
现象：同一份代码连续跑三遍，结果一次比一次好，答辩时被怀疑做过数据泄漏。
原因：没有固定随机种子，负采样和图采样过程每次都不一样，模型收敛程度也不同。
解决：在程序入口固定 Python、NumPy、PyTorch 三个随机种子；同时把采样到的负样本缓存下来，让每次训练看到相同的样本序列。
5.3 答辩环节的呈现坑
现象：答辩老师问“你的模型比矩阵分解好在哪”，只回答“图神经网络更强”，但拿不出量化对比数据。
原因：实验设计里没有跑基线模型，或者跑了但没保留评估结果。
解决：把协同过滤和只用 GCN 不用知识图谱的版本各跑一遍，做成三组对比，表格里同时列出 Recall@K、NDCG@K 和训练耗时，用数据说话。
现象：演示时图数据库可视化页面一片空白，连接超时，现场只能看 PPT。
原因：演示环境没有启动图数据库服务，或者数据没有提前导入到演示机器。
解决：答辩前专门做一次演示环境冷启动测试，把图数据库做成开机自启动服务，并把训练好的模型结果导出成静态 JSON 文件作为兜底，数据库连不上也能展示推荐结果。
现象：模型对老用户推荐很准，但一到新用户就阶段性地输出热门电影，看不出知识图谱的价值。
原因：新用户没有历史交互，用户向量退化成全零或全局平均向量，模型无法给出个性化结果。
解决：在系统里加入一个冷启动策略，用用户主动选择的三个偏好标签在知识图谱里找到最接近的电影节点做种子，再通过邻居扩展生成初始推荐。这个策略不复杂，但在问答时能直接回应“冷启动怎么解决”。
6. 给毕设加一个能讲清楚的推理解释器
评分预测做得再准，在答辩里都只是“黑匣子输出”，最加分的动作是给推荐结果配一个可解释面板。图神经网络的结构决定了我们可以做到这一点：在消息聚合时，每个电影节点都收集了知识图谱邻居的加权信息，把这些权重取出来，转化成可读文本，就能回答“为什么推荐这部电影”。常见做法是把最后一条边上的聚合结果按邻居贡献度排序，取前几个邻居解释为用户和电影之间的关联路径。
理解起来很容易：如果某个电影节点从“类型=某类型”这个邻居收到了很强的信息，说明类型是本次推荐的主要推动因素；如果贡献最高的邻居是“主演=某演员”，解释文案就写成“因为你喜欢该演员主演的影片”。这里用邻居贡献排序代替完整的注意力权重，优点是实现简单，不需要改造模型结构，也能在绝大多数基于聚合的图模型上跑通。
def explain_item(item_id, kg_graph, topk=3): # 找出目标电影在知识图谱中的一阶邻居及方向 neighbors = kg_graph.neighbors(item_id) # 计算每个邻居的聚合贡献值，这里用内积近似信息量 contribution = [] for neighbor in neighbors: score = torch.dot( item_embedding[item_id], item_embedding[neighbor] ).item() contribution.append((neighbor, score)) # 按分数排序，取前 topk 个作为推荐理由 contribution.sort(key=lambda x: x[1], reverse=True) return contribution[:topk]这段代码的价值不在性能，而在把模型输出变成答辩能演示的实物。演示时输入一部电影，界面直接显示“推荐理由：该电影与你看过的某电影同属动作类型，导演参与了另外两部你的高分影片”，比任何曲线图都直观。我在项目里会再进一步把解释结果导出为 JSON 文件，和训练好的模型一并保存，保证离线环境也能展示。养成这个习惯后，你会发现自己对新数据的敏感度也在提高：每次跑完实验顺手看一眼邻居贡献排行，就能发现哪些实体是图里的“中心节点”，哪些特征是冗余噪声，比死盯 loss 曲线能获得更多一手信号。希望这个思路，能帮到你少走一些弯路。
本文还有配套的精品资源，点击获取
