fyzl233 / anime_recommendation

基于图嵌入和图神经网络模型的动画推荐，本项目同时是**人民大学数据挖掘中心案例和**人民大学数据科学实践课程(2021~2022春)大作业

anime_recommendation

基于图嵌入和图神经网络模型的动画推荐，本项目同时是**人民大学数据挖掘中心案例和**人民大学数据科学实践课程(2021~2022春)大作业

数据集：约5000部动画，数据爬取自 https://bgm.tv/

核心目标：

① 当用户访问一部动画时，利用动画和制作人员的关系，向这位用户推荐其他动画。

② 预测未来动画的优劣，根据预测结果向用户推荐动画。

仓库内文件介绍：

anime_information_2022_from_4_to_9_20220416.xlsx 动画信息，涵盖2022年4月~9月的动画

anime_information_20220416.xlsx 动画信息，涵盖1900~2021年的动画

instead_of.txt 同义标签替换文件(。・∀・)ノ 在展示标签的时候或许有用

msyhbd.ttc 微软雅黑字体

need_style_list_supplement.txt bangumi网站上，1000个最热门的动画标签（第一行无效）

同时建模.ipynb 在图神经网络模型中根据1900~2020年的动画建模，在2021年的动画上跑分，预测2022年的动画。

只关注新作.ipynb 在图神经网络模型中根据1900~2020年的新作动画（一般为一部动画的第一季）建模，在2021年的新作动画上跑分，预测2022年的新作动画。

只关注续作.ipynb 在图神经网络模型中根据1900~2020年的续作动画建模，在2021年的续作动画上跑分，预测2022年的续作动画。

注：以上三个代码中实际上包含图嵌入模型代码，但是在github的可视化界面中没有显示（待修复）

To do：

背景介绍

目前案例的背景介绍、描述统计、数据可视化的内容篇幅较少，需要完善。

模型改进

① DMC案例中deepwalk模型只使用了动画、导演和编剧的信息，推荐效果不佳，结果太像“这部动画的导演和编剧也做过…”，可以加上单集导演和单集编剧的信息。

② 对于图神经网络模型，尝试更改连边方式。

③ 引入更多的信息比如简介、海报。

④ 对于动画来讲，新作和续作是很不一样的，尝试分别训练模型加以预测。(已完成)

结果展示

① 动画优劣预测部分，添加消融实验，观察图神经网络是否真的有用。

② 每一部动画，我们可以获取它的三十个标签，由于标签的数量过多，用户难以获取最重要的标签，可以使用一种方法，将重要的标签筛选出来向用户展示。(代码内已有尝试)

③ 可以把动画优劣的预测结果，加上筛选出来的重要标签，以网页的形式展示。