博主介绍：✌全网粉丝50W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战8年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅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、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

• 技术栈：Python语言、MySQL数据库（核心数据存储）、SQLite数据库（辅助存储）、Django框架（Web后端）、两种协同过滤推荐算法（基于用户/基于物品）、Echarts可视化（多维度图表）、HTML+Bootstrap框架（前端界面构建）
• 核心功能：商品个性化推荐（双协同过滤驱动）、用户交互（注册登录、商品标签分类/列表/排序）、数据可视化分析（柱状图/词云图/饼状图/折线图）、后台管理（用户管理、商品管理、权限管控）
• 研究背景：互联网电商商品量激增，用户面临“信息过载”痛点——手动筛选商品效率低，传统推荐依赖热门度缺乏个性化；平台需通过精准推荐提升用户留存与转化率，协同过滤算法因贴合“用户行为驱动”需求，成为商品推荐的核心技术选择。
• 研究意义：技术层面，整合Django全栈开发与双协同过滤算法，构建“推荐-交互-管理”完整链路；应用层面，为电商平台提供个性化推荐方案，提升用户购物体验与平台销售额；学习层面，适合作为Web开发+推荐算法方向毕业设计，覆盖核心技能与实际业务场景。

2、项目界面

1. 系统首页（功能导航与核心推荐商品展示）

2. 数据可视化1----柱状图分析（如商品销量/分类占比柱状图）

3. 数据可视化2—词云图分析（商品关键词/用户评价高频词展示）

4. 数据可视化3—饼状图分析（如商品品类分布/用户购买偏好占比）

5. 数据可视化4—折线图分析（如商品销量趋势/用户活跃度变化）

6. 商品详情页-----双推荐算法（商品信息+基于用户/物品的推荐列表）

7. 个人信息页面（用户基本信息查看与编辑）

8. 后台数据管理（商品/用户/权限的维护与管控界面）
   

8.注册登录

3、项目说明

在电商行业用户体验与平台转化竞争日益激烈的背景下，传统“一刀切”的热门商品推荐已无法满足用户个性化需求，亟需基于用户行为的精准推荐系统破局。本项目基于Python开发商品推荐系统，通过技术整合构建高效解决方案。系统采用Django框架搭建后端，依托其MTV架构实现业务逻辑与数据交互的清晰分离，前端结合HTML与Bootstrap框架打造响应式界面，确保用户在不同设备上均能流畅操作；数据存储采用MySQL与SQLite协同，MySQL存储核心业务数据（用户信息、商品详情、行为记录），SQLite辅助存储轻量配置信息，兼顾性能与灵活性。核心推荐功能依托两种协同过滤算法实现：基于用户的协同过滤通过余弦相似度、皮尔逊相关系数计算用户间偏好相似度，筛选相似用户群体的高兴趣商品推荐；基于物品的协同过滤则分析商品间的关联度（如“同时购买A与B的用户占比”），为浏览商品的用户推荐相似物品。两种算法互补，有效解决“冷启动”初期推荐精度不足的问题。系统还配套完整的功能模块：用户端支持注册登录、商品标签分类查询、列表排序（如按销量/价格），通过Echarts可视化呈现商品销量趋势、品类分布等数据，帮助用户快速把握市场动态；后台管理端支持用户账号管控、商品信息维护（新增/编辑/删除）、用户权限分配（如普通用户/管理员权限区分），保障系统数据规范与稳定运行。整体而言，该系统以用户行为为核心，通过双协同过滤算法实现精准推荐，结合可视化与管理功能形成闭环，既提升了用户购物效率与满意度，也为电商平台运营提供数据支撑，同时其完整的技术链路使其成为Web开发与推荐算法方向的优质毕业设计，兼具实用价值与学习意义。

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

biyesheji0005  或  biyesheji0001   （绿色聊天软件）

🍅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👇🏻