# 电影评论情感分析预测可视化系统
**Repository Path**: guangduan/movie-review-sentiment-analysis-prediction-visualization-and-recommendation-system
## Basic Information
- **Project Name**: 电影评论情感分析预测可视化系统
- **Description**: 基于大数据技术电影评论情感分析预测可视化系统（基于机器学习的电影评论情感分析预测可视化系统），该系统基 Java 语言，运用Spring Boot 框架搭建后端架构，搭配MySQL 数据库，Scrapy爬取电影数据及用户影评（豆瓣电影网），经机器学习情感分析算法处理后，借助Hadoop大数据分析和Echarts 将复杂的情感倾向以直观的可视化图表呈现，协同算法推荐。
- **Primary Language**: Java
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-09-18
- **Last Updated**: 2025-09-24
## Categories & Tags
**Categories**: Uncategorized
**Tags**: 电影评论情感分析预测可视化系统, SpringBoot, 机器学习, Hadoop-spark-hive, 大数据
## README
**Springboot影评情感分析可视化及推荐系统**
**基于大数据技术电影评论情感分析预测可视化系统**
**基于机器学习的电影评论情感分析预测可视化系统**
## 前言介绍
随着数字化娱乐的蓬勃发展，影评情感分析可视化及推荐系统应运而生，旨在为用户提供个性化、智能化的电影推荐与情感分析服务。该系统基于 Java 语言构建核心逻辑，运用 Spring Boot 框架搭建稳定高效的后端架构，搭配 MySQL 数据库实现数据的高效存储与管理。Scrapy 负责抓取海量电影数据及用户影评，经情感分析算法处理后，借助Hadoop大数据分析和Echarts 将复杂的情感倾向以直观的可视化图表呈现，助力用户快速把握影片口碑。
系统涵盖多维度模块：首页聚合热门推荐、新片速递；用户模块实现个性化账号管理与互动；电影信息模块详尽展示影片详情；影评信息模块汇聚用户观点碰撞；情感分析模块深度洞察评论情感；论坛分类与举报记录保障社区交流有序；互动交流促进用户思想共鸣；系统管理维护平台稳定运营；“我的”模块打造专属个性空间。各模块协同运作，为用户打造一站式电影娱乐生态，让观影决策更加明智愉悦。
本系统通过整合数据挖掘、机器学习及可视化技术，构建了一个涵盖用户管理、电影信息整合、影评情感分析、互动交流与智能推荐的多模块协同平台。
## 01开发环境
1.1Java 技术
1.2Spring Boot 框架
1.3Hadoop，spark，hive
1.4Scrapy爬虫
1.5MySQL数据库
1.6B/S 结构
1.7Vue.js 技术
1.8随机森林回归算法和基于用户收藏的协同算法
## 02系统功能模块
**亮点（爬虫【豆瓣电影网站】、机器学习（随机森林）、数据预测、Echarts可视化）**
1、电影数据管理：爬虫信息列表展示。
2、数据备份：进行mysql数据备份。
3、可视化分析：各种数据分析统计后报表大屏展示
4、情感分析预测：根据电影名称、评论人预测。
5、数据分析：根据hadoop大数据技术进行数据分析
## 03图片展示
## 05 部分代码展示
5.2 代码展示/**
*交流学习vx18484646674
*/
private Map<String, Object> forecastRes(Instances instances, Map<String, Object> params, String[] eigenValueArr, String[] targetValueArr) throws Exception {
Map<String, Object> forecastRes = new HashMap<>();
// 预测结果
// 创建一个与训练数据集结构相同的 Instance
double[] instanceValue = new double[instances.numAttributes()];
int x = 0;
for (String attr : eigenValueArr) {
if (instances.attribute(attr).isNominal()) {
// 对于名义属性，使用indexOfValue
double res = instances.attribute(attr).indexOfValue(params.get(attr).toString());
instanceValue[x++] = res == -1 ? instances.attribute(attr).indexOfValue("unknown") : res; // 如果值不存在，使用Double.NaN
} else {
// 对于数值属性，直接使用数值
instanceValue[x++] = Double.parseDouble(params.get(attr).toString());
}
}
for (String attr : targetValueArr) {
instanceValue[x++] = Double.NaN;
}
Instance instance = new DenseInstance(1.0, instanceValue);
instance.setDataset(instances);
for (int i = 0; i < targetValueArr.length; i++) {
// 设置类属性索引为当前目标属性
instances.setClassIndex(instances.numAttributes() - targetValueArr.length + i);
// 创建并训练随机森林模型
RandomForest randomForest = new RandomForest();
randomForest.buildClassifier(instances);
// 为预测创建一个新的实例
double[] instanceValueForPrediction = Arrays.copyOf(instanceValue, instanceValue.length);
instanceValueForPrediction[instances.numAttributes() - targetValueArr.length + i] = Double.NaN; // 设置目标属性为缺失值
Instance instanceForPrediction = new DenseInstance(1.0, instanceValueForPrediction);
instanceForPrediction.setDataset(instances);
// 进行预测
double predictedValue = randomForest.classifyInstance(instanceForPrediction);
if (instances.classAttribute().isNominal()) {
// 如果是名义属性，获取预测的类别名称
String predictedClassName = instances.classAttribute().value((int) predictedValue);
forecastRes.put(targetValueArr[i], predictedClassName);
} else {
// 如果是数值属性，直接使用预测值
DecimalFormat df = new DecimalFormat("#.00");
double formattedPredictedValue = Double.parseDouble(df.format(predictedValue));
forecastRes.put(targetValueArr[i], formattedPredictedValue);
}
}
return forecastRes;
}
/**
* 协同算法（基于用户收藏的协同算法）
*/
@RequestMapping("/autoSort2")
public R autoSort2(@RequestParam Map<String, Object> params,MovieinfoEntity movieinfo, HttpServletRequest request){
String userId = request.getSession().getAttribute("userId").toString();
Integer limit = params.get("limit")==null?10:Integer.parseInt(params.get("limit").toString());
List<StoreupEntity> storeups = storeupService.selectList(new EntityWrapper<StoreupEntity>().eq("type", 1).eq("tablename", "movieinfo"));
Map<String, Map<String, Double>> ratings = new HashMap<>();
if(storeups!=null && storeups.size()>0) {
for(StoreupEntity storeup : storeups) {
Map<String, Double> userRatings = null;
if(ratings.containsKey(storeup.getUserid().toString())) {
userRatings = ratings.get(storeup.getUserid().toString());
} else {
userRatings = new HashMap<>();
ratings.put(storeup.getUserid().toString(), userRatings);
}
if(userRatings.containsKey(storeup.getRefid().toString())) {
userRatings.put(storeup.getRefid().toString(), userRatings.get(storeup.getRefid().toString())+1.0);
} else {
userRatings.put(storeup.getRefid().toString(), 1.0);
}
}
}
// 创建协同过滤对象
UserBasedCollaborativeFiltering filter = new UserBasedCollaborativeFiltering(ratings);