ssm电影售票管理系统系统
影院购票系统,本项目分为前台和后台，用户有普通用户和管理员，普通用户只可访问前台页面，管理员可以访问后台；
前台主要功能有电影分类、电影排行、电影详细介绍、选座购票、评论等功能；
后台主要功能有用户管理、电影管理、订单管理、评论管理、标签管理、放映厅管理、场次安排等功能。
环境需要
1.运行环境：最好是java jdk 1.8，我们在这个平台上运行的。其他版本理论上也可以。
2.IDE环境：IDEA，Eclipse,Myeclipse都可以。推荐IDEA;
3.tomcat环境：Tomcat 8.x,9.x版本均可 注：不可使用tomcat7.0,会造成图片显示异常等
技术栈
1. 后端：spring + spring mvc + mybatis + spring security
2. 前端：JSP+jQuery+bootstrap+layui+echarts
2022-04-29 18:07:28
15.31MB
使用python语言和flask框架实现电影推荐系统，数据源可以爬也可以利用现有的，并依靠spark实现协同过滤推荐，适合初学者使用和学习，有详细的说明文档，使用前请仔细查看说明文档
2022-04-29 17:13:37
32.5MB
1
在我们生活的世界中，每一个人以及每一个事物相互之间都存在着关系，有直接关系，也有间接关系，最终会形成一个无形的大的关系网。network模块是一个用python语言开发的图论和复杂网络建模工具，模块内置了常用的图与复杂网络分析算法。
network模块有四种图：Graph、DiGraph、MultiGraph、MultiDigraph,分别为无多重边无向图、无多重边有向图、有多重边无向图、有多重边有向图。其中Graph是用点和线来刻画离散事物集合中，每对事物间以某种方式相联系的数学模型。
下面我们来分析《复仇者联盟4》人物关系：
import pandas as pd
#导入绘图模块
imp
2022-04-28 19:21:04
180KB
1
aclImdb.zip电影影评情感分析数据集，里面有两个子文件夹，train和test，里面又分别是有好的影评文件和坏的影评文件数据集
2022-04-28 16:51:07
106.85MB
1
项目前端搭建:
使用jQuery和Bootsrap完成网站前端JS脚本和样式处理；
前后端的数据请求交互通过Ajax完成；
引入了Moment.js格式化前端页面显示时间；
2、项目后端搭建:
使用NodeJs的express框架完成电影网站后端搭建；
使用mongodb完成数据存储，通过mongoose模块完成对mongodb数据的构建；
使用jade模板引擎完成页面创建渲染；
使用Moment.js格式化电影存储时间；
3、本地开发环境搭建:
使用gulp集成jshint对JS语法检查，加入browser-sync与nodemon，实现实时刷新及服务器的自动重启等功能。
4、网站整体功能:
网站正常访问无需管理员权限，对电影的评论及个人中心资料的修改，需要用户登录，对网站数据的修改添加删除需要管理员的权限，默认一个管理员，具体功能如下：
实现了用户的基本注册，登录，登出及管理功能；
实现了搜索功能，模糊关键字可搜索电影名字及电影类别下的电影；
用户登录做session处理，失效期暂为5天；
用户可以对电影进行评论及个人中心资料的修改（可上传用户头像）；
电影添加分类及录入，数据可
2022-04-27 20:04:10
5.97MB
苹果CMS程序是一套采用PHP+MYSQL环境下运行的完善而强大的快速建站系统。 经过近多年的开发经验和技术积累，苹果CMS程序已逐步走向成熟，在易用性和功能上已经成为同行中的佼佼者。 程序体积小->优化程序代码，运行速度快->高效的缓存处理，只要普通的虚拟主机就可以完美搭建起来，建站成本非常低。仿MVC模板分离，内置标签，自定义函数标签接口，强大的自定义采集功能，只要你会HTML就可以轻松做出个性化的网站。 程序易用性和功能上一直以来都积极采纳广大站长提出的各种好的建议，迅速响应各种紧急问题，我们的服务理念贯穿其中，保证每一位站长每一个环节都可以从容应对。
两套苹果CMS付费模板免费分享没有任何套路。
2022-04-27 18:06:03
3.42MB
1
使用python实现KNN原理，同时应用到电影分类过程中，训练集和测试集都来自李航的《统计学方法》中KNN那一章。
2022-04-27 09:14:45
2KB
界面设计及简易图片墙
免责声明：本站所有文章和图片均来自用户分享和网络收集，文章和图片版权归原作者及原出处所有，仅供学习与参考，请勿用于商业用途，如果损害了您的权利，请联系网站客服处理。
2022-04-26 13:46:35
53KB
1
MovieLens推荐模型。
MovieLens是一个2,000万收视率的数据集，涉及138 000多名用户的27 000部电影，更多信息请。
最先进的模型使用：
RMSE为0.80的
RMSE为0.81的自动。
从出发，我们使用针对分类变量的实体嵌入来构建深度学习模型，该模型可实现与最新模型相当的RMSE为0.81 。 神经网络是在具有TensorFlow后端的Keras中实现的。 该代码在“ movienet.py”文件中，而培训在培训笔记本中。
实体嵌入的一大优点是，在训练过程中，我们可以计算电影和用户的嵌入空间。 因此，我们有不同的方法将电影推荐给用户：
我们评估网络并推荐收视率最高的电影。 但是，RMSE为0.81时，每个预测的平均误差为0.8星。
对于电影，我们查看嵌入空间中最近的邻居。 在这种情况下，我们使用带有的KNN索引。 有了足够的尺寸，我们希望这些嵌入能
2022-04-24 14:08:29
25KB
1