简介：面向计算机相关专业毕业设计、课程大作业及项目实战学习者，提供一份以知识图谱与图神经网络为核心的电影推荐系统完整实现。项目源码经导师指导并以98分通过评审，所有代码均可本地编译运行，包含数据处理、知识图谱构建、KGCN模型训练与Web展示等模块。资源共31个文件，其中21个Python脚本承担数据加载、模型训练、测试与可视化等任务，5个dat文件为用户、评分与电影原始数据，另有readme、md和txt配置说明辅助快速上手，整体压缩包仅14.84MB，结构清晰、难度适中。目前已有50人学习下载。下载后可获得可直接运行的完整工程、全套电影数据集、训练与推理脚本，以及从知识图谱构建到图神经网络推荐的完整落地思路，适合用于毕设参考、系统复现或推荐系统方向的项目练习。

1. 知识图谱与 GNN 电影推荐：毕业设计级源码包到底值不值得打开

如果让协同过滤去推荐一部刚上映、还没有人打分的电影，结果基本靠猜；反过来，一个新注册用户没有任何行为记录，矩阵分解同样给不出像样结果。这套基于 Python 的知识图谱与图神经网络电影推荐系统，思路是把“用户–电影–电影属性”全部放到一张图里：用户看过的电影、电影的导演、演员、类型、同类型影片都是节点，评分和各种关系是边。模型通过图神经网络在邻居节点之间传播兴趣信号，让“没看过”也能根据关系链推断出来。整套代码包含数据处理、构图、训练、评估和可视化，配了可运行的数据集，适合做毕业设计、面试作品集，也适合想从代码层面入门图学习的开发者。

2. 为什么选知识图谱加图神经网络：协同过滤不够用

2.1 协同过滤的边界与知识图谱的补位

传统协同过滤把用户和物品投影到同一个向量空间，核心数据是用户–物品评分矩阵。我拆过的几个推荐项目里，矩阵稀疏度在 95% 以上非常常见，一个用户看过几十部电影已经算活跃了，在 3000 部电影的池子里也就占了不到 2% 的位置。评分矩阵太稀疏，模型就只能从少量交叉行为里学特征，结果就是长尾物品和冷门用户双双表现差。

知识图谱给了一个新维度——把电影本身的属性结构化。一部电影和它的导演、主演、类型、出品地区、关键词之间构成三元组关系：(电影, 导演, 某导演)、(电影, 类型, 科幻)。把这些三元组接入推荐系统后，用户的兴趣可以从“看过的电影”沿着关系边扩散到没看过的电影：你给《盗梦空间》打了高分，图里能顺着“导演”边找到《星际穿越》，顺着“类型”边找到《源代码》。

这个思路解决的不只是冷启动，还顺带带来了可解释性。协同过滤给推荐结果时只能告诉你“和你口味相似的用户也喜欢它”，知识图谱驱动的模型可以说“因为你喜欢诺兰导演，所以推荐诺兰的另一部作品”。这在毕业设计答辩时特别好用，一张可视化图就能把推荐理由讲清楚。

2.2 图神经网络怎么理解“推荐”这个任务

图神经网络做的事情一句话概括：节点按图结构互相“传话”。每个节点维护一个向量表示，每一层网络把邻居节点的向量聚合成新向量，更新自己。在电影推荐场景里，节点类型包括用户、电影、导演、演员、类型等，边包括“评分过”“出演”“执导”“属于某种类型”。

消息传递的过程可以理解成用户节点从电影节点拿信息，电影节点从导演和演员节点拿信息。经过 2 层传播后，用户不仅知道直接看过的电影，还能间接知道这些电影的导演拍了什么其他电影、主演演过什么其他电影。层数越多，能覆盖的关系越远，但并不是越多越好，层数过高时所有节点向量会趋向一致，这在图神经网络里叫过度平滑，后面避坑章节会说明怎么处理。

对于推荐任务来说，GNN 的输出有两份：一份是用户节点的向量，一份是电影节点的向量。预测用户对某部电影的评分时，把两个向量做内积或者送入一个小型 MLP，得到一个 0 到 1 之间的偏好概率。训练目标就是让正样本（看过的电影）得分高于负样本（没看过的电影）。

2.3 三种常见模型结构对比：GCN、GAT、GraphSAGE

搭建知识图谱推荐系统时，图编码器通常在三类模型里选。

我的建议是：如果只是想快速跑通流程、把毕业设计主体做完，优先用 GCN；如果想把推荐精度做得更好看，并在论文里写出“注意力权重分析了哪些关系更重要”，就上 GAT。GraphSAGE 在这个体量的电影数据集上没有明显优势，反而要多调一个采样邻居数目的参数，平白增加工作量。

3. 数据工程：把评分和三元组变成一张能训练的图

3.1 数据格式与字段说明

这套源码包里的数据主要分两部分：电影评分数据和电影知识图谱数据。评分数据是常规的三张表结构，知识图谱数据则是标准的三元组格式。先看文件格式再动手，后面能少踩一半坑。

这里最容易混淆的是 ID 体系：ratings.csv里的movieId和kg.csv里的head、tail并不是同一套编号。有些开源数据体系的电影 ID 能从 1 排到 3000，而实体 ID 是从 0 开始独立编码的，直接拿movieId去图里找对应实体，大概率找到的是另一个节点。我拿到这套数据的第一件事就是单独抽一张 ID 映射表，统一到一个连续编号空间里。

3.2 构建节点映射与边索引

构图的核心工作是把原始 ID 映射成连续整数节点编号，再把三元组转换成长整型边索引。下面这段代码是统一映射的常见做法，我一般会把用户、电影、实体三套 ID 合并到一个字典里，确保互不冲突。

def build_node_mapping(ratings, kg): users = sorted(ratings["userId"].unique()) movies = sorted(ratings["movieId"].unique()) entities = sorted(set(kg["head"]) | set(kg["tail"])) node_map = {} node_map.update({f"user_{u}": i for i, u in enumerate(users)}) node_map.update({f"movie_{m}": i + len(users) for i, m in enumerate(movies)}) node_map.update({f"entity_{e}": i + len(users) + len(movies) for i, e in enumerate(entities)}) num_nodes = len(users) + len(movies) + len(entities) return node_map, num_nodes

这段代码把三类节点放进同一个node_map，用户节点从 0 开始，电影节点接在用户后面，实体节点再接在电影后面。用user_、movie_、entity_前缀区分原始 ID 所属类型，避免不同类型出现相同编号而冲突。返回的num_nodes是图里节点总数，后续初始化嵌入矩阵和建边索引用得着。

转换三元组为边索引时需要注意一个细节：kg.csv里的head往往是电影节点，但也可能是普通实体，所以不能单向假设头实体就是电影，要同时查电影映射和实体映射。

def build_edge_index(kg, node_map, relation_map): src, dst, rel = [], [], [] for _, row in kg.iterrows(): head, tail, relation = str(row["head"]), str(row["tail"]), row["relation"] h_id = node_map.get(f"movie_{head}") if h_id is None: h_id = node_map.get(f"entity_{head}") t_id = node_map.get(f"movie_{tail}") if t_id is None: t_id = node_map.get(f"entity_{tail}") if h_id is None or t_id is None: continue src.append(h_id) dst.append(t_id) rel.append(relation_map.get(relation, 0)) return torch.tensor([src, dst], dtype=torch.long), torch.tensor(rel)

relation_map是把字符串关系名映射成整数编号，这样模型里才能用嵌入层处理关系类型。代码里分别对head和tail先查电影映射、再查实体映射，实际上是在两个类型之间做了一次容错。如果原始三元组里有重复或自环边，建议在这里用一个set去重，防止后续训练时同一对节点被反复聚合。

3.3 数据划分与负采样策略

划分训练集和测试集最讲究的一点：不要随机切分。时间顺序切分更符合真实场景，用前 80% 时间的评分数据训练，后 20% 做测试，能避免“用未来数据预测过去”的数据泄漏问题。

def temporal_split(ratings, train_ratio=0.8): ratings = ratings.sort_values("timestamp").reset_index(drop=True) split_idx = int(len(ratings) * train_ratio) train = ratings.iloc[:split_idx] test = ratings.iloc[split_idx:] return train, test

负采样是另一个关键环节。训练图神经网络推荐模型时，正样本是“用户 i 看过电影 j”，但只有正样本模型学不出决策边界，必须构造用户没看过的电影作为负样本。常见做法是每 1 个正样本配 4 个负样本。

def negative_sampling(train_interactions, num_items, num_neg=4): user_list, pos_list, neg_list = [], [], [] for u, pos in train_interactions: user_list.extend([u] * num_neg) pos_list.extend([pos] * num_neg) seen = train_interactions[train_interactions[:, 0] == u][:, 1] for _ in range(num_neg): neg = np.random.randint(0, num_items) while neg in seen: neg = np.random.randint(0, num_items) neg_list.append(neg) return torch.tensor(user_list), torch.tensor(pos_list), torch.tensor(neg_list)

num_neg参数直接影响训练速度与效果：设 2 时训练最快，但负样本不足会让模型倾向于给所有电影打高分；设 8 以上精度提升有限，训练时间大约翻倍。我一般先设 4，跑通后看验证集指标再调。while循环在电影数量大时理论上可能死循环，但电影数量几千部、负概率极低，实际运行没有问题；如果把数量级放大到百万级，就得改成先构造候选集再排除已看过的集合。

4. 从零训练一个 GNN 推荐器：模型实现与参数细节

4.1 图注意力层的实现细节

图编码器我推荐用两层 GAT，第一层把原始特征嵌入做消息传递，第二层输出最终节点表示。PyTorch Geometric里GATConv直接封装了多头注意力，省去了手写注意力分布的麻烦。

import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GATConv class GATEncoder(nn.Module): def __init__(self, embed_dim, hidden_dim=64, heads=4, dropout=0.2): super().__init__() self.conv1 = GATConv(embed_dim, hidden_dim, heads=heads) self.conv2 = GATConv(hidden_dim * heads, hidden_dim, heads=1) self.dropout = nn.Dropout(dropout) def forward(self, x, edge_index): x = F.elu(self.conv1(x, edge_index)) x = self.dropout(x) x = self.conv2(x, edge_index) return x

第一层GATConv输出维度是hidden_dim * heads，因为每个注意力头独立算一份向量，然后拼接到一起。第二层只用 1 个头，相当于把多头结果融合成 64 维。dropout放在第一层和第二层之间，只在训练时生效，评估时会自动关闭。x的初始输入是节点嵌入，图里每个节点有一个随机初始化的向量，维度embed_dim一般取 64 或 128。

需要注意edge_index是2 x num_edges的长整型张量，第一行源节点、第二行目标节点。假如建图时把边方向弄反，整个训练过程不会报错，但推荐效果会莫名其妙差很多，我在踩坑章节里会专门提这个。

4.2 评分预测与损失函数设计

拿到节点表示后，用户和电影都在同一个向量空间里。预测评分最简单有效的方法是内积，用点积衡量两个向量的相似度。在真实工程里，点积比 MLP 打分器更稳，参数量也少得多。

def predict_score(user_emb, movie_emb): return (user_emb * movie_emb).sum(dim=-1)

损失函数有两种选择：BCE 和二分类交叉熵，以及 BPR 贝叶斯个性化排序损失。BCE 把问题看成二分类，正样本标签为 1、负样本为 0；BPR 则强调正样本得分要高于负样本，即使两个分数都高也没关系。

def bpr_loss(user_emb, pos_emb, neg_emb): pos_score = (user_emb * pos_emb).sum(dim=-1) neg_score = (user_emb * neg_emb).sum(dim=-1) loss = -torch.nn.functional.logsigmoid(pos_score - neg_score).mean() return loss

BPR 不需要生成绝对标签，更符合推荐场景中的“相对偏好”——用户只是更喜欢某个电影，而不是绝对喜欢或不喜欢。我在跑这个项目时用 BPR 比 BCE 的验证集命中率普遍高 3 到 5 个百分点，所以源码里默认用的也是 BPR。如果你的评分数据是 1 到 5 分的显式评分，也可以直接回归预测评分值，但那样就得把输出层换成线性层，损失函数改成 MSE，整体复杂度高了不少。

4.3 训练循环与超参数配置

训练过程的主体是一个两层循环：外层遍历 epoch，内层遍历 batch。PyG 提供了批处理机制，同一批里可以放入多组用户和电影的嵌入，按 batch 更新参数。

def train_one_epoch(model, optimizer, data): model.train() total_loss = 0.0 edge_index = data.edge_index for batch_start in range(0, len(users), batch_size): batch_end = batch_start + batch_size user_batch = users[batch_start:batch_end] pos_batch = pos_items[batch_start:batch_end] neg_batch = neg_items[batch_start:batch_end] x = model.graph_embedding.weight h = model.gnn(x, edge_index) user_emb = h[user_batch] pos_emb = h[pos_batch] neg_emb = h[neg_batch] loss = bpr_loss(user_emb, pos_emb, neg_emb) optimizer.zero_grad() loss.backward() optimizer.step() total_loss += loss.item() return total_loss / len(users) * batch_size

这里的graph_embedding.weight是nn.Embedding(num_nodes, embed_dim)的权重矩阵，里面存了每个节点的初始向量。GNN 层在整张图上做一次消息传递，然后按 batch 索引取出对应用户和电影的向量。之所以能这么做，是因为图结构计算和 batch 数据计算分开了：图传播是全局的，batch 只影响损失计算和梯度更新。

超参数建议按照这张表初始化，跑通后再按验证集指标微调。

5. 避坑记录：我实际跑这套源码时踩过的五个坑

5.1 数据对齐翻车：电影节点和实体节点断连

现象：模型训练起来 loss 下降正常，但验证集命中率始终在随机水平上下波动。打印节点向量发现电影节点和实体节点两群向量完全分离，像两块独立的高维点云。

原因：数据集里的movieId和知识图谱里的head、tail编号体系不一致，建图时直接拿两个原始字段拼边，导致用户–电影子图和实体子图两套图各自独立。GNN 在断开的图上传播时，用户节点根本接收不到实体信息，模型退化成纯协同过滤。

解决：在建图代码里强制走统一映射，不能跳过build_node_mapping直接用原始 ID。构建完图之后先算一次图的连通分量数量，如果连通分量数比节点类型数还多，说明图断了。我后来每次建完图都会执行几行检查代码。

import torch_geometric.utils as pyg_utils num_components = pyg_utils.connected_components(edge_index).max().item() + 1 print("连通分量数:", num_components)

5.2 全图训练显存溢出

现象：第一次执行训练脚本，跑第二个 epoch 时显存直接 OOM，服务进程被杀，前面白跑了。

原因：整张图的所有边一次性参与消息传递，边数量几十万条时，中间变量占用显存随边数近似线性增长。我只看到num_nodes几千觉得显存没压力，忽略了num_edges才是真正吃显存的因素。

解决：改用小批量邻居采样方案，把 GraphSAGE 的采样逻辑用到 GAT 里。PyG 有现成的NeighborSampler工具，对每个 batch 的用户节点采样一阶和二阶邻居，边数从几十万降到几千。代价是训练速度变慢，但显存占用可以压到 4G 以内。如果不想动代码结构，另一个退路是把batch_size从 1024 降到 256，减少每个 batch 里活跃的节点数量。

5.3 loss 降了但评估指标不动：数据泄漏问题

现象：BPR loss 从 0.7 降到 0.3，验证集 hit@10 却只有 1% 出头，加了知识图谱模块和纯随机推荐几乎没有差别。

原因：数据划分用了随机打乱，测试集里混入了与训练集同时段的评分。对热门电影来说，训练集里已经见过大量该电影的交互，测试集里同样出现，相当于模型在“背答案”，但因为这层信息不在图结构传播路径上，真正冷门的长尾电影一个都推荐不出来。评估指标算的是全体电影池子上的命中率，池子里几千部电影，命中概率本来就很低。

解决：把数据切分改成时间顺序切分，并且评估时只统计测试集中用户对冷门电影的行为。如果做对比实验，可以把候选集限定为用户看过电影的同类型电影，这样评估的是模型在有限候选集上的排序能力，指标会显著提升。在毕业设计论文里，两种评估口径都写上，说清楚差异会显得更严谨。

5.4 多层 GNN 越叠越差：过度平滑问题

现象：把 GNN 层数从 2 加到 4，模型在训练集上 loss 更低，验证集指标反而下降。打印用户和电影的向量余弦相似度，发现全部集中在 0.95 以上，所有节点的表示几乎变成同一个向量。

原因：这是图神经网络里经典的过度平滑现象。随着消息传递层数增加，每个节点聚合了越来越多远邻节点的信息，自身特征被稀释。当所有节点都拥有相同的远邻集合时，表示自然趋同。推荐任务恰恰依赖节点间的差异性，所以层数过高反而有害。

解决：把层数维持在 2 到 3 层，同时在第一层输入处加上残差连接，让初始节点嵌入的信息保留到最后一层。代码里做一个小改动即可。

def forward(self, x, edge_index): h = F.elu(self.conv1(x, edge_index)) h = self.dropout(h) h = self.conv2(h, edge_index) return x + h

这里的x + h就是残差连接，把初始节点向量直接加到输出上。道理很朴素：即使 GNN 把节点信息“平均”掉了，初始向量中的差异仍然保留在最终表示里。

5.5 关系类型融入不进去：评分预测里忘了加权

现象：知识图谱里关系类型有“导演”“演员”“类型”三种，模型训练完成后分析边权重，发现不同类型的关系对结果几乎没有影响，去掉演员关系效果也不变。

原因：GAT 的注意力系数只根据节点特征计算，没有把关系类型本身作为输入。在异构图上，如果只用普通 GAT 而不区分边类型，模型会学习到所有关系的平均权重，导致具体的每一种关系都没有得到建模。

解决：把关系类型编号拼接进边特征。如果图边已经有relation_id，在传递消息前计算一个关系嵌入，加入聚合公式中。最简单的做法是给每类关系单独建一个子图，分别跑一遍 GNN，再把结果拼接；更高效的做法是使用关系感知的图卷积层，例如 RGCN，它内部维护了每种关系一个变换矩阵。毕业设计简版里也可以直接跳过，只保留用户–电影–类型三种关系，效果更容易解释。

6. 进阶验证：如何把毕业设计做出一眼可见的亮点

6.1 嵌入可视化：让评委一眼看懂模型学了什么

训练完成后，把节点向量降维到二维平面绘制散点图。借助 t-SNE 或 UMAP，将电影节点按类型着色，能看到同类型电影在向量空间里聚成一团；再把某个用户的周围电影标出来，评委就能直观看到“这个用户的兴趣区域对应什么类型”。

from sklearn.manifold import TSNE import matplotlib.pyplot as plt movie_indices = list(movie_node_ids) movie_vectors = h[movie_indices].detach().cpu().numpy() tsne = TSNE(n_components=2, perplexity=30, random_state=42) movie_2d = tsne.fit_transform(movie_vectors) plt.scatter(movie_2d[:, 0], movie_2d[:, 1], c=genre_labels, cmap="Set3", s=6) plt.xlabel("t-SNE dim 1") plt.ylabel("t-SNE dim 2") plt.show()

perplexity可以理解为每个点周围需要考虑多少邻居，一般取值 5 到 50。电影数量少时选小值如 10，数量多时选 30。这个可视化既是实验验证，也是论文里一张现成的示意图，比一堆表格有说服力得多。

6.2 消融实验：用一张对比表证明知识图谱有效

毕业论文里最有分量的结果是一张消融实验表。至少做三组对比：协同过滤基线（只用用户–电影评分）、知识图谱嵌入但不用 GNN 的版本、完整版 GNN 模型。如果想更细，可以把 GAT 换成 GCN 再跑一组。

基线模型的实现不用另写一套，把 GNN 模块摘掉直接使用节点嵌入，就等于 KG 嵌入加内积；协同过滤基线则只保留用户和电影节点，把实体节点全部从图里删掉。这样做实验改动最小，表格里的每一行都能对应到一份源码，复现起来不费劲。

6.3 把推荐理由可视化，拉开与普通毕设的差距

GAT 模型训练完成后，注意力权重可以直接提取。选取一位用户看过的某部电影，找到这类关系链路上的注意力系数，输出一行文字：“该用户喜欢电影 A，因为《A》与《B》同属科幻类型，类型关系注意力权重 0.62。” 用 matplotlib 画一张带箭头的三层关系图，比任何一段文字描述都直观。

从那次之后，我拿到任何图数据项目都会强制自己多走一步：先检查 ID 映射和图连通性，再开始调模型。这套源码如果只是跑通很轻松，但真正能让你在答辩现场讲清楚的，是数据怎么对齐、模型怎么设计、坏在哪一层。希望帮到你。

本文还有配套的精品资源，点击获取