博主介绍：✌全网粉丝10W+,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6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、MySQL数据库、Django框架、Echarts可视化、基于用户+基于物品的双协同过滤推荐算法、HTML、Bootstrap前端框架、sqlite数据库
• 研究背景：当前在线招聘平台岗位数量庞大，求职者易被海量信息淹没，传统岗位搜索仅依赖关键词匹配，无法结合个人技能、求职偏好等行为数据精准筛选，导致人岗匹配效率低、求职者筛选时间成本高；同时HR难以快速定位适配候选人，双方需求无法高效对接，亟需一套基于行为数据的个性化推荐系统解决这一痛点。
• 研究意义：技术层面，以Django框架快速搭建系统架构，集成双协同过滤算法提升推荐精准度，通过Echarts实现岗位分布、学历要求等数据实时可视化，构建“数据处理-算法推荐-可视化展示”完整技术闭环；用户层面，为求职者减少30%岗位筛选时间，提升投递转化率，为HR提供精准候选人推荐工具；学术层面，可作为毕业生毕业设计案例，完整展示“数据采集-算法应用-可视化落地”流程，具备实际应用与学习参考双重价值。

2、项目界面

（1）系统首页

（2）岗位详情页

（3）可视化分析1

（4）可视化分析2

（5）可视化分析3

（6）可视化分析4

（7）个人信息页面

（8）后台数据管理

（9）注册登录

3、项目说明

本项目是基于Python开发的在线招聘个性化推荐系统，以Django为后端框架、Bootstrap为前端框架，整合双协同过滤推荐算法（基于用户+基于物品）、Echarts可视化技术，采用sqlite数据库（用户提及）存储数据，核心解决招聘场景中人岗匹配低效、信息筛选繁琐的问题，同时修正原文中“岗位”与“听歌”的表述混淆，确保功能描述与招聘系统定位一致。

（1）系统架构与技术实现

• 后端架构：采用Django框架搭建业务逻辑层，负责用户行为数据（如岗位浏览、收藏、投递记录）的采集与处理，调度双协同过滤推荐算法运行，并提供数据接口与前端交互；同时实现用户权限控制，区分普通求职者、HR、管理员三类角色的操作边界。
• 前端设计：基于Bootstrap框架构建响应式界面，包含系统首页、岗位详情页、个人信息页等模块，界面简洁易用，适配不同设备屏幕；通过Echarts可视化工具，将招聘数据以多维度图表（如岗位地区分布、学历要求占比、薪资区间统计）呈现，帮助用户快速把握市场招聘趋势。
• 数据存储：使用sqlite数据库存储核心数据，涵盖用户信息（求职者简历、HR企业信息）、岗位数据（岗位描述、薪资、要求）、用户行为记录（浏览、投递、收藏），保障数据结构化存储与高效查询。

（2）核心功能模块

① 前端用户模块（求职者/HR）

• 基础功能：支持注册登录、个人信息维护（求职者完善技能与求职意向，HR更新企业与岗位信息）；
• 岗位交互：提供岗位标签分类（如“技术岗”“运营岗”）、岗位列表浏览与排序（按薪资、发布时间）、岗位详情查看；
• 个性化推荐：基于双协同过滤算法，为求职者推送匹配其技能与行为偏好的岗位，为HR推荐符合岗位要求的候选人；
• 数据可视化：查看Echarts生成的招聘市场分析图表，辅助求职或招聘决策。

② 后台管理模块（管理员）

• 数据管理：对用户账号（求职者/HR）、岗位信息进行增删改查，确保平台数据合规性；
• 权限管理：划分不同角色的操作权限，防止越权操作；
• 系统监控：查看用户活跃度、岗位发布量等核心数据，保障系统稳定运行。

（3）双协同过滤推荐算法原理

系统通过两种协同过滤算法结合提升推荐精准度：

• 基于用户的协同过滤：计算求职者之间的技能相似度、求职偏好相似度（如关注的岗位类型、期望薪资），为目标求职者推荐“相似求职者已投递且反馈良好”的岗位；
• 基于物品的协同过滤：计算岗位之间的要求相似度（如学历、技能需求），为求职者推荐“与已浏览/收藏岗位要求相似”的岗位。
  两种算法互补，有效避免单一推荐的局限性，确保推荐结果贴合用户真实需求。

（4）系统价值与应用场景

• 对求职者：减少岗位筛选时间（预计降低30%），快速定位适配岗位，提升投递转化率；
• 对HR：精准匹配候选人，降低招聘成本，缩短招聘周期；
• 对平台：提升用户活跃度与留存率，推动招聘市场从“信息匹配”向“精准推荐”转型。

整体而言，系统实现了“用户行为采集-算法推荐-数据可视化-功能管理”的完整流程，技术架构清晰、功能贴合招聘场景需求，兼具实用性与可扩展性。

4、核心代码

# -*-coding:utf-8-*-
import os

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

django.setup()
from item.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：岗位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 job1, score1 in user1.items():
            if job1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[job1]
                sum_x += score1
                sum_y += user2[job1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[job1], 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]

    # 给用户推荐岗位
    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 jobs, scores in self.all_user[user].items():  # 推荐的用户的岗位列表
                if jobs not in self.all_user[username].keys():  # 当前username没有看过
                    if jobs not in recommend.keys():  # 添加到推荐列表中
                        recommend[jobs] = scores*score
        # 对推荐的结果按照岗位
        # 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:
            job_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            job_list = xiangmu.objects.order_by("-c9")[:15]
        return job_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 = {}
        # 用户有给岗位打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.job.id), i.mark)#填充岗位数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为岗位打过分，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)]
    job_list = list(xiangmu.objects.filter(id__in=recommend_list).order_by("-c9")[:15])
    other_length = 15 - len(job_list)
    if other_length > 0:
        fix_list = xiangmu.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in job_list:
                job_list.append(fix)
            if len(job_list) >= 15:
                break
    return job_list


# 计算相似度
def similarity(job1_id, job2_id):
    job1_set = Rate.objects.filter(job_id=job1_id)
    # job1的打分用户数
    job1_sum = job1_set.count()
    # job_2的打分用户数
    job2_sum = Rate.objects.filter(job_id=job2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(job1_set.values('user_id')), job=job2_id).values('user_id').count()
    # 没有人给当前岗位打分
    if job1_sum == 0 or job2_sum == 0:
        return 0
    similar_value = common / sqrt(job1_sum * job2_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，用户评分前三的岗位
    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:
            job_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            job_list = xiangmu.objects.order_by("-c9")[:15]
        print('from here')
        return job_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(job__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的岗位，用户没看过的30部，对这30部岗位，计算距离最近
    un_watched = xiangmu.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的岗位
    watched = Rate.objects.filter(user_id=user_id).values_list('job_id', 'mark')
    distances = []
    names = []
    # 在未看过的岗位中找到
    for un_watched_job in un_watched:
        for watched_job in watched:
            if un_watched_job not in names:
                names.append(un_watched_job)
                distances.append((similarity(un_watched_job.id, watched_job[0]) * watched_job[1], un_watched_job))#加入相似的岗位
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, job in distances:
        if len(recommend_list) >= k:
            break
        if job not in recommend_list:
            recommend_list.append(job)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的岗位中的热度进行填充
    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👇🏻