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
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
2.2 功能模块图
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 。
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：
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
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:
3.5 知识图谱可视化
展示知识网络结构
3.6 智能聊天
提供自然语言交互问答服务
3.7 新闻搜索
支持关键词搜索新闻内容
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。
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
4.3 代码实例
python
import numpy as np
class 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_data
self.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 = 0
else:
sim = dot / (norm_i * norm_j)
similarity[i][j] = sim
similarity[j][i] = sim
return similarity
def 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 = 0.0
count = 0
for 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 += 1
if 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}")