[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-kishan0725--AJAX-Movie-Recommendation-System-with-Sentiment-Analysis":3,"similar-kishan0725--AJAX-Movie-Recommendation-System-with-Sentiment-Analysis":127},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":14,"owner_website":21,"owner_url":22,"languages":23,"stars":48,"forks":49,"last_commit_at":50,"license":51,"difficulty_score":52,"env_os":53,"env_gpu":54,"env_ram":55,"env_deps":56,"category_tags":66,"github_topics":71,"view_count":52,"oss_zip_url":51,"oss_zip_packed_at":51,"status":82,"created_at":83,"updated_at":84,"faqs":85,"releases":126},5719,"kishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis","AJAX-Movie-Recommendation-System-with-Sentiment-Analysis","A content-based recommender system that recommends movies similar to the movie the user likes and analyses the sentiments of the reviews given by the user","AJAX-Movie-Recommendation-System-with-Sentiment-Analysis 是一款基于内容的智能电影推荐工具，旨在为用户发现与其喜好高度相似的影片，并深入分析用户评论的情感倾向。它有效解决了传统推荐系统仅依赖评分而忽略评论情感细节的痛点，帮助用户更精准地判断电影口碑。\n\n该项目特别适合对 Web 开发、数据挖掘或自然语言处理感兴趣的开发者与研究人员使用。通过本项目，用户可以学习如何构建端到端的推荐应用。其技术亮点在于巧妙的架构设计：利用 TMDB API 实时获取电影元数据（如海报、类型、时长），结合 BeautifulSoup 爬虫技术从 IMDB 抓取真实用户评论，并运用余弦相似度算法计算电影文本特征的匹配度，同时集成情感分析模块来量化评论的正负面情绪。此外，前端采用 AJAX 技术实现无刷新交互，提升了用户体验。作为一个开源学习项目，它不仅展示了 Flask 后端与前端的协同工作，还提供了处理大规模数据向量化挑战的实际案例参考，是入门影视推荐系统开发的优质资源。","# Content-Based-Movie-Recommender-System-with-sentiment-analysis-using-AJAX\n\n![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.8-blueviolet)\n![Framework](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFramework-Flask-red)\n![Frontend](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFrontend-HTML\u002FCSS\u002FJS-green)\n![API](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAPI-TMDB-fcba03)\n\n**Updated version of this application can be found at:** https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FThe-Movie-Cinema\n\nContent Based Recommender System recommends movies similar to the movie user likes and analyses the sentiments on the reviews given by the user for that movie.\n\nThe details of the movies(title, genre, runtime, rating, poster, etc) are fetched using an API by TMDB, https:\u002F\u002Fwww.themoviedb.org\u002Fdocumentation\u002Fapi, and using the IMDB id of the movie in the API, I did web scraping to get the reviews given by the user in the IMDB site using `beautifulsoup4` and performed sentiment analysis on those reviews.\n\nLink to youtube demo: https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=dhVePtyECFw\n\n## The Movie Cinema\n\nI've developed a similar application called \"The Movie Cinema\" which supports all language movies. But the only thing that differs from this application is that I've used the TMDB's recommendation engine in \"The Movie Cinema\". The recommendation part developed by me in this application doesn't support for multi-language movies as it consumes 200% of RAM (even after deploying it to Heroku) for generating Count Vectorizer matrix for all the 700,000+ movies in the TMDB. \n\nLink to \"The Movie Cinema\" application: [https:\u002F\u002Ftmc.kishanlal.dev\u002F](https:\u002F\u002Ftmc.kishanlal.dev\u002F)\n\nIf you can't find the movie you're searching for through auto-suggestions while typing, there's no need to worry. Simply type the name of the movie and press \"enter\". Even if you make some typos, it should still work fine.\n\nSource Code: https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FThe-Movie-Cinema\n\n## Featured in Krish's Live Session on YouTube\n\n[![krish youtube](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_175760bfd901.png)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=A_78fGgQMjM)\n\n## How to get the API key?\n\nCreate an account in https:\u002F\u002Fwww.themoviedb.org\u002F, click on the `API` link from the left hand sidebar in your account settings and fill all the details to apply for API key. If you are asked for the website URL, just give \"NA\" if you don't have one. You will see the API key in your `API` sidebar once your request is approved.\n\n## How to run the project?\n\n1. Clone or download this repository to your local machine.\n2. Install all the libraries mentioned in the [requirements.txt](https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FMovie-Recommendation-System-with-Sentiment-Analysis\u002Fblob\u002Fmaster\u002Frequirements.txt) file with the command `pip install -r requirements.txt`\n3. Get your API key from https:\u002F\u002Fwww.themoviedb.org\u002F. (Refer the above section on how to get the API key)\n3. Replace YOUR_API_KEY in **both** the places (line no. 15 and 29) of `static\u002Frecommend.js` file and hit save.\n4. Open your terminal\u002Fcommand prompt from your project directory and run the file `main.py` by executing the command `python main.py`.\n5. Go to your browser and type `http:\u002F\u002F127.0.0.1:5000\u002F` in the address bar.\n6. Hurray! That's it.\n\n## Architecture\n\n![Recommendation App](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_2c4e4d13115d.png)\n\n## Similarity Score : \n\n   How does it decide which item is most similar to the item user likes? Here come the similarity scores.\n   \n   It is a numerical value ranges between zero to one which helps to determine how much two items are similar to each other on a scale of zero to one. This similarity score is obtained measuring the similarity between the text details of both of the items. So, similarity score is the measure of similarity between given text details of two items. This can be done by cosine-similarity.\n   \n## How Cosine Similarity works?\n  Cosine similarity is a metric used to measure how similar the documents are irrespective of their size. Mathematically, it measures the cosine of the angle between two vectors projected in a multi-dimensional space. The cosine similarity is advantageous because even if the two similar documents are far apart by the Euclidean distance (due to the size of the document), chances are they may still be oriented closer together. The smaller the angle, higher the cosine similarity.\n  \n  ![image](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_06e08c8637f4.png)\n\n  \nMore about Cosine Similarity : [Understanding the Math behind Cosine Similarity](https:\u002F\u002Fwww.machinelearningplus.com\u002Fnlp\u002Fcosine-similarity\u002F)\n\n### Sources of the datasets \n\n1. [IMDB 5000 Movie Dataset](https:\u002F\u002Fwww.kaggle.com\u002Fcarolzhangdc\u002Fimdb-5000-movie-dataset)\n2. [The Movies Dataset](https:\u002F\u002Fwww.kaggle.com\u002Frounakbanik\u002Fthe-movies-dataset)\n3. [List of movies in 2018](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FList_of_American_films_of_2018)\n4. [List of movies in 2019](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FList_of_American_films_of_2019)\n5. [List of movies in 2020](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FList_of_American_films_of_2020)\n\n## Star History\n\n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_8ab8866de5b1.png)](https:\u002F\u002Fstar-history.com\u002F#kishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis&Timeline)\n\n","# 基于内容的电影推荐系统，结合情感分析与 AJAX\n![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.8-blueviolet)\n![Framework](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFramework-Flask-red)\n![Frontend](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FFrontend-HTML\u002FCSS\u002FJS-green)\n![API](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAPI-TMDB-fcba03)\n\n**此应用的更新版本可在以下地址找到：** https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FThe-Movie-Cinema\n\n基于内容的推荐系统会根据用户喜欢的电影推荐相似的影片，并对用户对该电影的评论进行情感分析。\n\n电影的详细信息（标题、类型、时长、评分、海报等）通过 TMDB 的 API 获取，网址为：https:\u002F\u002Fwww.themoviedb.org\u002Fdocumentation\u002Fapi。此外，我还利用电影在 IMDB 上的 ID，使用 `beautifulsoup4` 进行网页爬取，获取用户在 IMDB 网站上留下的评论，并对这些评论进行了情感分析。\n\nYouTube 演示链接：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=dhVePtyECFw\n\n## The Movie Cinema\n\n我开发了一个类似的应用程序，名为“Movie Cinema”，它支持多语言电影。不过，与本应用不同的是，“Movie Cinema”使用了 TMDB 自带的推荐引擎。而我在本应用中实现的推荐功能并不适用于多语言电影，因为即使部署到 Heroku 平台上，为 TMDB 数据库中的 70 多万部电影生成 CountVectorizer 矩阵也会占用 200% 的内存。\n\n“The Movie Cinema”应用链接：[https:\u002F\u002Ftmc.kishanlal.dev\u002F](https:\u002F\u002Ftmc.kishanlal.dev\u002F)\n\n如果您在输入时无法通过自动补全找到想要的电影，也不必担心。只需直接输入电影名称并按下回车键即可。即使拼写有误，通常也能正常工作。\n\n源代码：https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FThe-Movie-Cinema\n\n## 克里什 YouTube 直播中的展示\n\n[![krish youtube](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_175760bfd901.png)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=A_78fGgQMjM)\n\n## 如何获取 API 密钥？\n\n请先在 https:\u002F\u002Fwww.themoviedb.org 注册账号，在账户设置的左侧边栏中点击 `API` 链接，填写相关信息申请 API 密钥。如果系统要求您提供网站 URL，而您暂时没有，可以直接填写“NA”。申请获批后，您将在 `API` 侧边栏中看到您的 API 密钥。\n\n## 如何运行该项目？\n\n1. 将此仓库克隆或下载到本地机器。\n2. 使用命令 `pip install -r requirements.txt` 安装 [requirements.txt](https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FMovie-Recommendation-System-with-Sentiment-Analysis\u002Fblob\u002Fmaster\u002Frequirements.txt) 文件中列出的所有依赖库。\n3. 从 https:\u002F\u002Fwww.themoviedb.org 获取您的 API 密钥。（参考上方关于如何获取 API 密钥的部分）\n4. 在 `static\u002Frecommend.js` 文件中，将 YOUR_API_KEY 替换到 **两个位置**（第 15 行和第 29 行），然后保存文件。\n5. 打开终端或命令提示符，进入项目目录，执行命令 `python main.py` 来运行主程序。\n6. 打开浏览器，在地址栏输入 `http:\u002F\u002F127.0.0.1:5000\u002F`。\n7. 大功告成！\n\n## 架构图\n\n![推荐应用架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_2c4e4d13115d.png)\n\n## 相似度分数：\n\n系统如何判断哪部影片与用户喜欢的影片最为相似呢？这就需要用到相似度分数。\n\n相似度分数是一个介于 0 到 1 之间的数值，用于衡量两件物品在 0 到 1 的尺度上有多相似。该分数是通过比较两件物品的文本描述来计算得出的。因此，相似度分数就是衡量两件物品文本描述之间相似程度的指标。这一过程可以通过余弦相似度来实现。\n\n## 余弦相似度是如何工作的？\n\n余弦相似度是一种用于衡量文档相似性的指标，它不考虑文档的大小。从数学角度来看，它是两个向量在多维空间中投影后所形成夹角的余弦值。余弦相似度的优势在于，即使两篇相似的文档在欧几里得距离上相距较远（由于文档长度的原因），它们的方向仍然可能非常接近。夹角越小，余弦相似度就越高。\n\n![余弦相似度示意图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_06e08c8637f4.png)\n\n更多关于余弦相似度的信息：[理解余弦相似度背后的数学原理](https:\u002F\u002Fwww.machinelearningplus.com\u002Fnlp\u002Fcosine-similarity\u002F)\n\n### 数据集来源\n\n1. [IMDB 5000 部电影数据集](https:\u002F\u002Fwww.kaggle.com\u002Fcarolzhangdc\u002Fimdb-5000-movie-dataset)\n2. [电影数据集](https:\u002F\u002Fwww.kaggle.com\u002Frounakbanik\u002Fthe-movies-dataset)\n3. [2018 年美国电影列表](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FList_of_American_films_of_2018)\n4. [2019 年美国电影列表](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FList_of_American_films_of_2019)\n5. [2020 年美国电影列表](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FList_of_American_films_of_2020)\n\n## 星标历史\n\n[![星标历史图表](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_readme_8ab8866de5b1.png)](https:\u002F\u002Fstar-history.com\u002F#kishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis&Timeline)","# AJAX 电影推荐与情感分析系统快速上手指南\n\n本指南帮助开发者快速部署基于内容过滤的电影推荐系统，该系统结合用户评论进行情感分析，并通过 AJAX 实现无刷新交互。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **Python 版本**：Python 3.8 或更高版本\n- **包管理工具**：pip\n- **API 密钥**：需要 [TMDB (The Movie Database)](https:\u002F\u002Fwww.themoviedb.org\u002F) 的 API Key\n  - 注册账号后，在设置侧边栏点击 `API` 申请密钥。\n  - 若询问网站 URL，可填写 \"NA\"。\n  - 审核通过后即可在侧边栏查看 API Key。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   将仓库克隆到本地机器：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis.git\n   cd AJAX-Movie-Recommendation-System-with-Sentiment-Analysis\n   ```\n\n2. **安装依赖库**\n   使用 pip 安装所需依赖（国内用户推荐使用清华源加速）：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **配置 API Key**\n   打开 `static\u002Frecommend.js` 文件，找到第 **15** 行和第 **29** 行，将 `YOUR_API_KEY` 替换为您申请的 TMDB API Key：\n   ```javascript\n   \u002F\u002F 示例：将 YOUR_API_KEY 替换为实际密钥\n   const apiKey = \"您的实际_API_Key_此处\";\n   ```\n   保存文件。\n\n## 基本使用\n\n1. **启动服务**\n   在项目根目录下运行主程序：\n   ```bash\n   python main.py\n   ```\n\n2. **访问应用**\n   打开浏览器，在地址栏输入以下地址：\n   ```text\n   http:\u002F\u002F127.0.0.1:5000\u002F\n   ```\n\n3. **操作演示**\n   - 在搜索框输入电影名称（支持模糊匹配，若有拼写错误通常也能识别）。\n   - 如果自动建议未出现，直接输入完整名称并按 **Enter** 键。\n   - 系统将展示电影详情（海报、评分、类型等），并基于该内容推荐相似电影。\n   - 同时，系统会抓取 IMDB 评论并进行情感分析，展示用户对这部电影的情绪倾向。","电影爱好者小林想在周末找一部与《星际穿越》风格相似且口碑极佳的新片，但面对海量数据难以快速决策。\n\n### 没有 AJAX-Movie-Recommendation-System-with-Sentiment-Analysis 时\n- **推荐匹配度低**：只能依赖简单的类型标签查找，无法深入分析剧情文本，导致推荐结果往往“形似神不似”。\n- **情感判断缺失**：必须手动翻阅大量 IMDb 评论来辨别观众真实情绪，极易被刷分或极端评价误导。\n- **交互体验割裂**：每次筛选新条件都需要刷新整个页面，等待时间长，浏览过程断断续续，打断选片思路。\n- **数据获取繁琐**：需要分别在 TMDB 查海报信息、去 IMDb 爬取评论，人工整合多源数据耗时耗力。\n\n### 使用 AJAX-Movie-Recommendation-System-with-Sentiment-Analysis 后\n- **精准内容推荐**：系统利用余弦相似度算法深度分析电影文本细节，能精准推送在剧情和内核上与《星际穿越》高度相似的影片。\n- **智能情感洞察**：自动抓取并分析用户评论的情感倾向，直接量化展示观众是“感动”还是“失望”，辅助快速判断口碑。\n- **无感流畅交互**：基于 AJAX 技术实现局部刷新，输入关键词或切换电影时页面无需重载，推荐结果毫秒级呈现。\n- **一站式数据聚合**：后台自动通过 TMDB API 获取海报评分，并结合 BeautifulSoup 抓取评论，将所有关键信息集中展示。\n\nAJAX-Movie-Recommendation-System-with-Sentiment-Analysis 将原本碎片化、低效的选片过程，转化为一个基于深度内容理解与情感分析的智能化流畅体验。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkishan0725_AJAX-Movie-Recommendation-System-with-Sentiment-Analysis_2804db46.png","kishan0725","Kishan Lal","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkishan0725_8cd04c4d.jpg","👨🏻‍💻 Lead Engineer at Presidio\r\n\r\n\r\n\r\n\r\n","Presidio","Coimbatore, India","kishanlal0725@gmail.com","https:\u002F\u002Fkishanlal.dev\u002F","https:\u002F\u002Fgithub.com\u002Fkishan0725",[24,28,32,36,40,44],{"name":25,"color":26,"percentage":27},"Jupyter Notebook","#DA5B0B",92,{"name":29,"color":30,"percentage":31},"HTML","#e34c26",2.9,{"name":33,"color":34,"percentage":35},"JavaScript","#f1e05a",2.5,{"name":37,"color":38,"percentage":39},"Python","#3572A5",1.6,{"name":41,"color":42,"percentage":43},"CSS","#663399",1.1,{"name":45,"color":46,"percentage":47},"Procfile","#3B2F63",0,606,470,"2026-03-27T13:15:21",null,2,"未说明","不需要 GPU","未说明（但在处理多语言推荐时提到会消耗大量内存，甚至导致 Heroku 部署失败）",{"notes":57,"python":58,"dependencies":59},"1. 需要从 TMDB 获取 API Key 并配置到前端 JS 文件中。\n2. 该项目使用基于内容的推荐算法和余弦相似度，不涉及深度学习模型，因此无需 GPU。\n3. 作者提到如果扩展到支持所有语言的 70 万 + 部电影，计数向量器矩阵将消耗极大内存（原文称 200% RAM），当前版本可能仅针对部分数据集优化。\n4. 运行前需安装 requirements.txt 中列出的所有库。","3.8",[60,61,62,63,64,65],"Flask","beautifulsoup4","requests","scikit-learn","pandas","numpy",[67,68,69,70],"开发框架","插件","语言模型","数据工具",[72,73,74,75,76,77,78,79,80,81],"python","ajax","machine-learning","nlp","sentiment-analysis","recommendation-system","api","movie-recommender","movie-recommendation","movie-recommendation-system","ready","2026-03-27T02:49:30.150509","2026-04-09T09:34:41.303673",[86,91,96,101,106,111,116,121],{"id":87,"question_zh":88,"answer_zh":89,"source_url":90},25999,"部署到 Heroku 时出现 \"Application Error\" 该如何排查？","首先运行命令 `heroku logs --tail` 查看具体日志。如果应用在本地运行正常，则是部署配置问题；如果本地也无法运行，请先解决本地环境问题。此外，免费版的 Heroku 有每月运行时长限制（如 550 小时），超出配额会导致应用暂停，需等待下个月重置或升级套餐。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F2",{"id":92,"question_zh":93,"answer_zh":94,"source_url":95},25996,"搜索电影后无法加载推荐结果或没有任何反应，如何解决？","请检查浏览器的开发者工具（Network 标签页），确认 API Key 是否正确传递以及是否有网络请求错误。通常是因为 API Key 配置错误或无效导致的。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F11",{"id":97,"question_zh":98,"answer_zh":99,"source_url":100},25997,"修改了 style.css 中的背景图片或加载 GIF 后，界面没有发生变化怎么办？","这是因为浏览器缓存了旧的资源文件。在修改完 styles.css 后，请在浏览器中按下 \"Ctrl+F5\" 进行硬刷新，以清除缓存并加载新的图片和样式。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F8",{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},25998,"运行时出现 \"Invalid Request\"（无效请求）错误，即使 API Key 看起来是正确的？","这通常与 TMDB API 的配置或权限有关。建议参考项目维护者提供的关联问题解答（如 The-Movie-Cinema 项目的第 2 号 issue）来排查 API 密钥的有效性及请求格式是否正确。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F5",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},26000,"找不到教程中提到的数据预处理（Data Preprocessing）相关的 ipynb 文件？","这些文件可能位于 `.ipynb_checkpoints` 隐藏目录中。请检查该目录下是否有名为 \"preprocessing 4\" 的文件，Git 有时会将其保存在此文件夹中而非根目录。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F1",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},26001,"为什么部分正面情感评论被模型错误标记为负面（或反之）？","这是由于训练数据集（reviews.txt）不够全面，且模型未进行充分的性能调优所致。这是预期内的现象。如果需要更高的准确率，可以使用更多数据重新训练模型并调整参数。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F14",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},26002,"如何获取电影中演员的个人简介（Biography）信息？","可以通过调用 TMDB API 来获取。需要使用演员的 ID 作为参数向 API 发起请求，即可返回对应的传记信息。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F13",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},26003,"项目中的 review.txt 数据集来源哪里？","该文件最初来源于 Kaggle 数据集，但可能因源地址变动而被删除。如果在项目中找不到，可以尝试在 Kaggle 上搜索相关的电影评论数据集进行替代。","https:\u002F\u002Fgithub.com\u002Fkishan0725\u002FAJAX-Movie-Recommendation-System-with-Sentiment-Analysis\u002Fissues\u002F4",[],[128,139,147,155,163,171],{"id":129,"name":130,"github_repo":131,"description_zh":132,"stars":133,"difficulty_score":134,"last_commit_at":135,"category_tags":136,"status":82},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[137,67,138,70],"Agent","图像",{"id":140,"name":141,"github_repo":142,"description_zh":143,"stars":144,"difficulty_score":134,"last_commit_at":145,"category_tags":146,"status":82},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[67,138,137],{"id":148,"name":149,"github_repo":150,"description_zh":151,"stars":152,"difficulty_score":52,"last_commit_at":153,"category_tags":154,"status":82},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",146793,"2026-04-08T23:32:35",[67,137,69],{"id":156,"name":157,"github_repo":158,"description_zh":159,"stars":160,"difficulty_score":52,"last_commit_at":161,"category_tags":162,"status":82},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[67,138,137],{"id":164,"name":165,"github_repo":166,"description_zh":167,"stars":168,"difficulty_score":52,"last_commit_at":169,"category_tags":170,"status":82},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[68,67],{"id":172,"name":173,"github_repo":174,"description_zh":175,"stars":176,"difficulty_score":134,"last_commit_at":177,"category_tags":178,"status":82},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[69,138,137,67]]