F048 体育新闻推荐系统vue+flask

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: F048

视频

待发布

1 系统简介

系统简介：本系统是一个基于Vue+Flask构建的体育新闻推荐系统，其核心功能围绕体育新闻的展示、推荐、媒体信息管理和用户交互展开。主要包括：用户管理模块，提供登录、注册、修改个人信息及密码功能，确保系统的安全性和个性化体验；体育新闻推荐模块，根据用户需求推荐相关体育新闻，并提供新闻卡片查看功能；媒体人信息模块，支持对各类体育媒体人的信息搜索和查询；数据可视化分析模块，通过动态柱状图、环图、饼图、折线图等形式展示新闻总数、发帖数、类型分析、精华媒体分析及查看量分析；文本算法分析模块，利用textrank、TF-IDF等算法对新闻内容进行关键主题提取和关键词分析，为用户提供深度的新闻洞察。

2 功能设计

该系统采用典型的B/S（浏览器/服务器）架构模式。用户通过浏览器访问Vue前端界面，该前端由HTML、CSS、JavaScript以及Vue.js生态系统中的Vuex（用于状态管理）、Vue Router（用于路由导航）和Echarts（用于数据可视化）等组件构建。前端通过API请求与Flask后端进行数据交互，Flask后端则负责业务逻辑处理，并利用SQLAlchemy（或类似ORM工具）与MySQL数据库进行持久化数据存储。系统还集成了自然语言处理技术，通过textrank和TF-IDF算法实现新闻内容的关键主题提取和关键词分析。同时，系统包含一个独立的爬虫模块，负责从外部来源抓取体育新闻数据，并将其导入MySQL数据库，为整个系统提供数据支撑。

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

登录注册做的是一个可以切换的登录注册界面，点击去登录后者去注册可以切换，背景是一个视频，循环播放。

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 主页 & 新闻推荐

主页的布局采用了左侧是菜单，右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。

主页可以搜索体育新闻，也可以进行新闻推荐。

3.3 新闻详情

3.4 媒体人搜索

3.5 数据可视化分析

3.6 文本分析

textrank 和 tfidf 算法

3.7 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。

修改密码需要输入用户旧密码和新密码，验证旧密码成功后，就可以完成密码修改。

4程序代码

4.1 代码说明

代码介绍：以下是基于TextRank和TF-IDF实现的体育新闻内容关键词分析算法的Python代码。该代码通过结合TextRank算法和TF-IDF技术，提取体育新闻中的关键词。首先，代码对新闻内容进行分词和去停用词处理，然后构建词图并利用TextRank算法计算词语的重要性得分。接着，结合TF-IDF进一步筛选关键词，最后输出前K个关键词。

4.2 流程图

4.3 代码实例

python 复制代码

import jieba
from collections import defaultdict
import networkx as nx
from sklearn.feature_extraction.text import TfidfVectorizer

class KeywordExtractor:
    def __init__(self, stop_words_path):
        self.stop_words = set()
        with open(stop_words_path, 'r', encoding='utf-8') as f:
            for line in f:
                self.stop_words.add(line.strip())
                
    def textrank_tfidf(self, text, k=10):
        # 分词
        words = jieba.lcut(text)
        # 去停用词
        filtered_words = [word for word in words if word not in self.stop_words]
        # 构建词图
        graph = defaultdict(float)
        for i in range(len(filtered_words)-1):
            current = filtered_words[i]
            next_word = filtered_words[i+1]
            graph[(current, next_word)] += 1.0
        # TextRank计算
        G = nx.DiGraph()
        for edge, weight in graph.items():
            G.add_edge(edge[0], edge[1], weight=weight)
        pr = nx.pagerank(G, weight='weight', tol=1e-08)
        textrank_words = sorted(pr.items(), key=lambda x: x[1], reverse=True)
        # TF-IDF计算
        vectorizer = TfidfVectorizer()
        tfidf = vectorizer.fit_transform([' '.join(filtered_words)])
        feature_names = vectorizer.get_feature_names_out()
        tfidf_values = dict(zip(feature_names, tfidf.toarray()[0]))
        # 结合TextRank和TF-IDF
        combined_scores = defaultdict(float)
        for word, _ in textrank_words:
            combined_scores[word] += pr[word] * tfidf_values.get(word, 0)
        # 返回前k个关键词
        return [word for word, score in sorted(combined_scores.items(), key=lambda x: x[1], reverse=True)[:k]]

# 示例使用
extractor = KeywordExtractor('stopwords.txt')
news_text = """
XX赛事精彩瞬间：C罗梅开二度，曼联2-1逆转利兹联。
"""
keywords = extractor.textrank_tfidf(news_text, k=5)
print("关键词:", keywords)