一、介绍

商品管理与推荐系统。本系统使用Python作为主要开发语言，前端采用HTML、CSS、BootStrap等技术搭建显示界面，后端采用Django框架处理用户的请求响应。
创新点：使用协同过滤算法，以用户对商品的评分作为依据，在猜你喜欢界面中实现对当前登录用户的个性化推荐。
主要功能有：

• 系统分为用户和管理员两个角色。
• 用户可以登录、注册、查看商品、购买商品、添加购物车、发布评论、对商品进行评分、查看购物车、编辑个人信息、充值等操作
• 管理员在后台管理系统中可以对用户和商品进行管理

二、系统功能效果图片展示

三、演示视频 and 代码 and 安装

地址：https://www.yuque.com/ziwu/yygu3z/qsszw5siwwf2vtf3

四、协同过滤算法介绍

协同过滤算法是一种广泛应用于推荐系统的技术，它基于一个简单的假设：如果两个人在过去喜欢相同的东西，那么他们在将来也有可能喜欢相似的东西。这种算法通常分为两类：基于用户的协同过滤和基于物品的协同过滤。

• 基于用户的协同过滤：这种方法首先找出与目标用户兴趣相似的其他用户，然后根据这些相似用户的喜好来推荐物品给目标用户。
• 基于物品的协同过滤：与之相反，这种方法先找出与目标物品相似的其他物品，然后把这些物品推荐给那些喜欢目标物品的用户。

现在，让我们用Python实现一个简单的基于用户的协同过滤算法。我们将创建一个小型的电影评分数据集，并基于用户的评分相似性来推荐电影。

import numpy as np

# 创建一个用户-电影评分矩阵
ratings = np.array([
    [5, 4, 1, 1, 3],
    [3, 2, 1, 3, 3],
    [4, 3, 3, 1, 5],
    [3, 3, 1, 2, 4],
    [1, 5, 5, 2, 1],
])

def cosine_similarity(v1, v2):
    """计算两个向量之间的余弦相似度"""
    return np.dot(v1, v2) / (np.linalg.norm(v1) * np.linalg.norm(v2))

def recommend_movies(ratings, user_index):
    """为指定用户推荐电影"""
    scores = []
    target = ratings[user_index]

    for i, user_ratings in enumerate(ratings):
        if i != user_index:
            score = cosine_similarity(target, user_ratings)
            scores.append((i, score))

    scores.sort(key=lambda x: x[1], reverse=True)
    print("最相似的用户索引和相似度分数:", scores)

    # 取出最相似用户的评分
    similar_user_ratings = ratings[scores[0][0]]

    # 找出该用户未评分但相似用户评分高的电影
    recommendations = []
    for i in range(len(similar_user_ratings)):
        if target[i] == 0 and similar_user_ratings[i] >= 4:
            recommendations.append(i)

    return recommendations

# 推荐电影给用户0
print("推荐给用户0的电影索引:", recommend_movies(ratings, 0))

这段代码中，我们首先定义了一个简单的用户-电影评分矩阵，然后使用余弦相似度计算不同用户之间的相似度。基于这些相似度分数，我们找出与目标用户最相似的用户，然后推荐那些目标用户未评分但相似用户评分较高的电影。这就是一个基本的协同过滤推荐示例。