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)✅

news2024/11/15 23:47:50

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


# -*-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👇🏻

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1353022.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【论文笔记】An Extractive-and-Abstractive Framework for Source Code Summarization

An Extractive-and-Abstractive Framework for Source Code Summarization 1. Introduction2. Model2.1 Overview2.2 Training of EACS2.2.1 Part i : Training of Extractor2.2.2 Part ii : Training of Abstracter 3. Evaluation 1. Introduction 代码摘要可以细分为抽取式代…

眼镜店系统管理软件,眼镜店配镜视力检查顾客资料管理系统

一、软件程序问答 1、这个软件在配镜的时候可以开配镜处方吗,可以打印出来吗? 如上图,以 佳易王眼镜店配镜顾客信息管理系统为例说明: 点击软件中的 配镜处方按钮,填写配镜相关信息,即可打印,…

Spring系列学习六、深入Spring AOP——揭开代理的神秘面纱

深入Spring AOP——揭开代理的神秘面纱 一、动态代理的实现原理二、CGLIB字节码增强的实现原理三、结语 上一章节,我们体验了Spring AOP强大的能力的同时,是不是也想弄明白,它是怎么原理是什么呢?如果自己要做一个类似的框架&…

SQL Server注入之攻防技战法

那天下着很大的雨,母亲从城里走回来的时候,浑身就是一个泥人,那一刻我就知道我没有别的选择了 1.Mssql报错注入 0.判断数据库类型 1.爆当前用户名 2.爆版本 3.爆服务器名 4.判断数据库个数 5.获取全部数据库 语句只适合>2005 爆当前数据…

旧电脑搭建NAS

旧电脑可以搭建NAS吗? 可以! 性能好吗? 完全没问题! 简单吗? 轻松上手! 怎吗搭建? 这里:用旧电脑搭建NAS在您的家庭中,通过将旧 PC 转变为NAS服务器,您…

Winform中使用Fleck实现Websocket服务端并读取SQLite数据库中数据定时循环群发消息

场景 Winform中使用Websocket4Net实现Websocket客户端并定时存储接收数据到SQLite中: Winform中使用Websocket4Net实现Websocket客户端并定时存储接收数据到SQLite中-CSDN博客 Winform中操作Sqlite数据增删改查、程序启动时执行创建表初始化操作: Wi…

BLE Mesh蓝牙组网技术详细解析之Access Layer访问层(六)

目录 一、什么是BLE Mesh Access Layer访问层? 二、Access payload 2.1 Opcode 三、Access layer behavior 3.1 Access layer发送消息的流程 3.2 Access layer接收消息的流程 3.3 Unacknowledged and acknowledged messages 3.3.1 Unacknowledged message …

轻松上手:Postman Interceptor 插件使用指南

什么是 Postman? Postman 是一种用于测试和开发 API 的工具,让开发者可以轻松地构建、发送、调试 HTTP 请求,并检查响应结果。通过Postman,开发者可以在不编写代码的情况下快速测试 API 的正确性和可靠性。Postman 还支持协作和自…

ubuntu18.04安装MySQL

1.安装mysql服务器端 sudo apt-get -y install mysql-server(18.04/20.04不会提示输入密码,默认是没有密码) 2.安装mysql客户端 sudo apt-get -y install mysql-client3.安装mysql模块 sudo apt-get -y install libmysqlclient-dev4.验证是…

融资项目——全局统一日志说明

通过日志可以查看程序的运行信息和异常信息等,便于维护。日志级别分为TRACE、DEBUG、INFO、WARN、ERROR级别,越往后打印的日志信息越少,如ERROR 级别只会在程序运行出错时才会打印日志。可在application.properties中设置日志级别。 logging…

Python+OpenGL绘制3D模型(七)制作3dsmax导出插件

系列文章 一、逆向工程 Sketchup 逆向工程(一)破解.skp文件数据结构 Sketchup 逆向工程(二)分析三维模型数据结构 Sketchup 逆向工程(三)软件逆向工程从何处入手 Sketchup 逆向工程(四&#xf…

最新Tomcat下载安装详细教程

Tomcat下载安装教程 Tomcat简介Tomcat下载tomcat安装验证安装是否成功 Tomcat简介 Tomcat是什么? Tomcat是web容器。你在做web项目时,多数需要http协议,也就是基于请求和响应,比如你在百度输入一行内容搜索,那么百度服…

一文讲清数据资产入表实操

《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》已发布一年,数据资产化和入表已成为2023年的热门话题,随着2023年底国家数据局吹风《"数据要素x"三年行动计划(2024-2026年)》即将发布,这…

Java_IO流(字节流)

一、IO流(字节流) 1.1 IO流概述 在前面已经学习过File类。知道File只能操作文件,但是不能操作文件中的内容。我们也学习了字符集,不同的字符集存字符数据的原理是不一样的。有了前面两个知识的基础,接下来我们再学习…

Git(3):Git环境常用命令

1 获取本地仓库 要使用Git对我们的代码进行版本控制,首先需要获得本地仓库 (1)在电脑的任意位置创建一个空目录(例如test)作为我们的本地Git仓库 (2)进入这个目录中,点击右键打开…

NSSCTF sql

开启环境: ?wllm1 回显正常,试试?wllm1 出现报错;加上%23正常 ?wllm-1or 11%23出现过滤 测试,空格用**替代, 等号用like替代 测试长度 ?wlmm1order/**/by/**/3%23正常 ?wlmm1order/**/by/**/4%23报错 长度为3,测试回显位置: ?wlmm-1union/**/select/**/1,2,3%23 …

c++ / day06

1. 利用模板类完成顺序表(两天时间&#xff0c;今天至少写出大致框架) 代码 //implement template in sqlist #include <iostream> #include <cstring>#define MAXSIZE 100using namespace std;template <typename T> class Sqlist {unsigned int len 0;T…

【普中开发板】基于51单片机音乐盒LCD1602显示( proteus仿真+程序+设计报告+讲解视频)

【普中开发板】基于51单片机音乐盒LCD1602显示( proteus仿真程序设计报告讲解视频&#xff09; 仿真图proteus7.8及以上 程序编译器&#xff1a;keil 4/keil 5 编程语言&#xff1a;C语言 设计编号&#xff1a;P08 1. 主要功能&#xff1a; 基于51单片机AT89C51/52&#…

环境准备-VMware安装

照顾到很多人不是很会环境搭建,我这里会将搭建的步骤讲的细致点 第一步,VMware下载。目的是通过VMware搭建Linux服务器,因为大家大部分还是Windows的电脑,我们先下载虚拟机搭建一个Linux系统的服务器 下载完成之后,点击安装,如下: 点击“下一步” 勾选“我接受许可协议…