商品推荐系统+可视化+2种协同过滤推荐算法 Django框架 大数据毕业设计（附源码+论文）✅

毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕设选题推荐汇总

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、项目介绍

技术栈:
python语言、MySQL数据库、Django框架、2种协同过滤推荐算法、Echarts可视化、HTML

协同过滤推荐算法的推荐系统>商品推荐系统可以根据用户的历史行为和用户之间的相似性，帮助用户发现他们可能感兴趣的商品。它是一种基于用户行为的个性化推荐方法，能够提高用户的购买满意度和平台的销售额。

协同过滤推荐算法是一种常用的推荐系统>商品推荐系统算法，它基于用户行为数据和用户之间的相似性来进行推荐。

协同过滤推荐算法的推荐系统>商品推荐系统包括以下几个步骤：

  1. 用户相似度计算：根据用户的行为数据，计算用户之间的相似度。常用的相似度计算方法包括余弦相似度、皮尔逊相关系数等。

  2. 相似用户选择：根据用户相似度，选择与目标用户最相似的一些用户作为邻居用户。

  3. 邻居用户的商品推荐：根据邻居用户的行为数据，预测目标用户对未购买的商品的喜好程度。常用的预测方法包括基于用户的协同过滤和基于物品的协同过滤。

  4. 推荐结果生成：根据预测的喜好程度，生成对目标用户的商品推荐列表。

  5. 结果过滤和排序：对生成的推荐列表进行过滤和排序，以提供最优的推荐结果给用户。

协同过滤推荐算法的推荐系统>商品推荐系统可以根据用户的历史行为和用户之间的相似性，帮助用户发现他们可能感兴趣的商品。它是一种基于用户行为的个性化推荐方法，能够提高用户的购买满意度和平台的销售额。

2、项目界面

（1）系统首页

在这里插入图片描述

（2）数据可视化1----柱状图分析

在这里插入图片描述

（3）数据可视化2—词云图分析
在这里插入图片描述

（4）数据可视化3—饼状图分析

在这里插入图片描述

（5）数据可视化4—折线图分析

在这里插入图片描述

（6）商品详情页-----双推荐算法

在这里插入图片描述

（7）个人信息页面

在这里插入图片描述

（8）后台数据管理

在这里插入图片描述

3、项目说明

技术栈:
python语言、MySQL数据库、Django框架、2种协同过滤推荐算法、Echarts可视化、HTML

协同过滤推荐算法是一种常用的推荐系统>商品推荐系统算法，它基于用户行为数据和用户之间的相似性来进行推荐。

协同过滤推荐算法的推荐系统>商品推荐系统包括以下几个步骤：

  1. 用户相似度计算：根据用户的行为数据，计算用户之间的相似度。常用的相似度计算方法包括余弦相似度、皮尔逊相关系数等。

  2. 相似用户选择：根据用户相似度，选择与目标用户最相似的一些用户作为邻居用户。

  3. 邻居用户的商品推荐：根据邻居用户的行为数据，预测目标用户对未购买的商品的喜好程度。常用的预测方法包括基于用户的协同过滤和基于物品的协同过滤。

  4. 推荐结果生成：根据预测的喜好程度，生成对目标用户的商品推荐列表。

  5. 结果过滤和排序：对生成的推荐列表进行过滤和排序，以提供最优的推荐结果给用户。

协同过滤推荐算法的推荐系统>商品推荐系统可以根据用户的历史行为和用户之间的相似性，帮助用户发现他们可能感兴趣的商品。它是一种基于用户行为的个性化推荐方法，能够提高用户的购买满意度和平台的销售额。

4、核心代码

python">
# -*-coding:utf-8-*-
import os

os.environ["DJANGO_SETTINGS_MODULE"] = "recomend.settings"
import django

django.setup()
from shop.models import *
from math import sqrt, pow
import operator
from django.db.models import Subquery, Q, Count


# from django.shortcuts import render,render_to_response
class UserCf:

    # 获得初始化数据
    def __init__(self, all_user):
        self.all_user = all_user

    # 通过用户名获得列表，仅调试使用
    def getItems(self, username1, username2):
        return self.all_user[username1], self.all_user[username2]

    # 计算两个用户的皮尔逊相关系数
    def pearson(self, user1, user2):  # 数据格式为：商品id，浏览此
        sum_xy = 0.0  # user1,user2 每项打分的成绩的累加
        n = 0  # 公共浏览次数
        sum_x = 0.0  # user1 的打分总和
        sum_y = 0.0  # user2 的打分总和
        sumX2 = 0.0  # user1每项打分平方的累加
        sumY2 = 0.0  # user2每项打分平方的累加
        for shop1, score1 in user1.items():
            if shop1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[shop1]
                sum_x += score1
                sum_y += user2[shop1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[shop1], 2)
        if n == 0:
            # print("p氏距离为0")
            return 0
        molecule = sum_xy - (sum_x * sum_y) / n  # 分子
        denominator = sqrt((sumX2 - pow(sum_x, 2) / n) * (sumY2 - pow(sum_y, 2) / n))  # 分母
        if denominator == 0:
            return 0
        r = molecule / denominator
        return r

    # 计算与当前用户的距离，获得最临近的用户
    def nearest_user(self, current_user, n=1):
        distances = {}
        # 用户，相似度
        # 遍历整个数据集
        for user, rate_set in self.all_user.items():
            # 非当前的用户
            if user != current_user:
                distance = self.pearson(self.all_user[current_user], self.all_user[user])
                # 计算两个用户的相似度
                distances[user] = distance
        closest_distance = sorted(
            distances.items(), key=operator.itemgetter(1), reverse=True
        )
        # 最相似的N个用户
        print("closest user:", closest_distance[:n])
        return closest_distance[:n]

    # 给用户推荐商品
    def recommend(self, username, n=3):
        recommend = {}
        nearest_user = self.nearest_user(username, n)
        for user, score in dict(nearest_user).items():  # 最相近的n个用户
            for shops, scores in self.all_user[user].items():  # 推荐的用户的商品列表
                if shops not in self.all_user[username].keys():  # 当前username没有看过
                    if shops not in recommend.keys():  # 添加到推荐列表中
                        recommend[shops] = scores*score
        # 对推荐的结果按照商品
        # 浏览次数排序
        return sorted(recommend.items(), key=operator.itemgetter(1), reverse=True)


# 基于用户的推荐
def recommend_by_user_id(user_id):
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            shop_list = shop.objects.filter(tags__in=user_prefer)[:15]
        else:
            shop_list = shop.objects.order_by("-num")[:15]
        return shop_list
    # 选取评分最多的10个用户
    users_rate = Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')
    user_ids = [user_rate['user'] for user_rate in users_rate]
    user_ids.append(user_id)
    users = User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户
    all_user = {}
    for user in users:
        rates = user.rate_set.all()#查出10名用户的数据
        rate = {}
        # 用户有给商品打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.shop.id), i.mark)#填充商品数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为商品打过分，设为0
            all_user.setdefault(user.username, {})

    user_cf = UserCf(all_user=all_user)
    recommend_list = [each[0] for each in user_cf.recommend(current_user.username, 15)]
    shop_list = list(shop.objects.filter(id__in=recommend_list).order_by("-num")[:15])
    other_length = 15 - len(shop_list)
    if other_length > 0:
        fix_list = shop.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in shop_list:
                shop_list.append(fix)
            if len(shop_list) >= 15:
                break
    return shop_list


# 计算相似度
def similarity(shop1_id, shop2_id):
    shop1_set = Rate.objects.filter(shop_id=shop1_id)
    # shop1的打分用户数
    shop1_sum = shop1_set.count()
    # shop_2的打分用户数
    shop2_sum = Rate.objects.filter(shop_id=shop2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(shop1_set.values('user_id')), shop=shop2_id).values('user_id').count()
    # 没有人给当前商品打分
    if shop1_sum == 0 or shop2_sum == 0:
        return 0
    similar_value = common / sqrt(shop1_sum * shop2_sum)#余弦计算相似度
    return similar_value


#基于物品
def recommend_by_item_id(user_id, k=15):
    # 前三的tag，用户评分前三的商品
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    user_prefer = list(user_prefer)[:3]
    print('user_prefer', user_prefer)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            shop_list = shop.objects.filter(tags__in=user_prefer)[:15]
        else:
            shop_list = shop.objects.order_by("-num")[:15]
        print('from here')
        return shop_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(shop__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的商品，用户没看过的30部，对这30部商品，计算距离最近
    un_watched = shop.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的商品
    watched = Rate.objects.filter(user_id=user_id).values_list('shop_id', 'mark')
    distances = []
    names = []
    # 在未看过的商品中找到
    for un_watched_shop in un_watched:
        for watched_shop in watched:
            if un_watched_shop not in names:
                names.append(un_watched_shop)
                distances.append((similarity(un_watched_shop.id, watched_shop[0]) * watched_shop[1], un_watched_shop))#加入相似的商品
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, shop in distances:
        if len(recommend_list) >= k:
            break
        if shop not in recommend_list:
            recommend_list.append(shop)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的商品中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list


if __name__ == '__main__':
    # similarity(2003, 2008)
    print(recommend_by_item_id(1799))

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻


http://www.niftyadmin.cn/n/5302077.html

相关文章

斯坦福和 Meta学者发现Gemini在常识推理任务中有较强潜力；初学者GPT：Ai和LLM资源

斯坦福和 Meta学者发现Gemini在常识推理任务中有较强潜力；初学者GPT：Ai和LLM资源

🦉 AI新闻 🚀 斯坦福和 Meta学者发现Gemini在常识推理任务中有较强潜力 摘要：斯坦福和Meta的学者发表论文为Gemini正名，他们发现之前对Gemini的评估并不能完全捕捉到其真正的常识推理潜力。他们设计了需要跨模态整合常识知识的任…
阅读更多...
C#VB.net如何增加WinForms中复选框的大小？

C#VB.net如何增加WinForms中复选框的大小？

如何增加.Net WinForm中复选框的大小。我尝试了“高度”和“宽度”，但它不会增加Box的大小。 最佳答案 复选框的大小在Windows窗体内是硬编码的，您不能将其弄乱。一种可能的解决方法是在现有复选框的上方绘制一个复选框。这不是一个很好的解决方案&#…
阅读更多...
ngrok-内网穿透

ngrok-内网穿透

一、访问官网下载相关的内容 Download (ngrok.com) linux或者windows可供选择，主要在于你的项目跑在什么地方 选择下载 二、获取Authtoken 点击右上角登录，没有号用谷歌账号登录即可跳转 三、在Windows进行内网穿透 下载打开 打开 运行在命令行中&am…
阅读更多...
【数据仓库与联机分析处理】数据仓库

【数据仓库与联机分析处理】数据仓库

目录 一、数据仓库的概念 二、数据仓库与操作性数据库的区别 三、发展前期 四、数据仓库的系统结构 五、建模划分 六、主要案例 一、数据仓库的概念 目前很难给数据仓库（Data Warehouse）一个严格的定义，不准确地说，数据仓库…
阅读更多...
❀记忆冒泡、选择和插入排序算法思想在bash里运用❀

❀记忆冒泡、选择和插入排序算法思想在bash里运用❀

目录 冒泡排序算法:) 选择排序算法:) 插入排序算法:) 冒泡排序算法:) 思想：依次比较相邻两个元素，重复的进行直到没有相邻元素需要交换，排序完成。 #!/bin/bash arr(12 324 543 213 65 64 1 3 45) #定义一个数组 n${#arr[*]} #获取数组…
阅读更多...
Application layer

Application layer

title: 应用层 date: 2023-12-20 21:03:48 tags: 知识总结 categories: 计算机网络 应用层：负责最直观的应用请求的封装、发起 一、域名系统DNS 连接在互联网上的主机不仅有IP地址，还有便于用户记忆的主机名字。域名系统DNS能够把互联网上的主机的名字…
阅读更多...
记一个常用的正则验证表达式（邮箱、电话、URL等）

记一个常用的正则验证表达式（邮箱、电话、URL等）

只允许 email： /^[^\s][^\s]\.[^\s]$/只允许电话（如果存在的号码，只能放在最前面）：/^\?[0-9]*$/只允许输入url地址：/^(http|https):\/\/[\w\-_\u4E00-\u9FA5:/](\.[\w\-_\u4E00-\u9FA5])([\u4E00-\u9FA5\w…
阅读更多...
78 Python开发-多线程FuzzWaf异或免杀爆破

78 Python开发-多线程FuzzWaf异或免杀爆破

这里写目录标题 本课知识点:学习目的:演示案例:Python开发-简单多线程技术实现脚本Python开发-利用FTP模块实现协议爆破脚本Python开发-配合Fuzz实现免杀异或Shell脚本 涉及资源: 本课知识点: 协议模块使用，Request爬虫技术，简易多线程技术，…
阅读更多...
最新文章

Copyright @ 2022~2023