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）✅

🍅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

基于协同过滤算法的商品推荐系统的设计与实现

本论文基于Python技术，设计并实现了一个商品推荐可视化分析系统。通过获取各大电商平台上的商品数据，系统能够自动分析商品的特征，并根据用户的购买历史和行为习惯，推荐与其兴趣相关的商品。
系统的实现主要包括以下几个模块：数据处理模块、数据可视化模块和推荐算法模块。数据处理模块使用Pandas库对获取到的数据进行处理，包括数据清洗、特征提取等。数据可视化模块使用wordcloud库，将商品的特征以可视化的方式展示出来，帮助用户更直观地了解商品的属性。推荐算法模块使用基于协同过滤的推荐算法，根据用户的购买历史和行为数据，计算与其兴趣相似的商品，为用户提供个性化的推荐。实验结果表明，该系统能够有效地分析商品的特征，并根据用户的兴趣进行个性化的推荐。用户可以通过系统的可视化功能，直观地了解商品的特点，提高购物的决策效果。系统还具有良好的拓展性和适用性，可以方便地扩展到其他电商平台，并根据不同用户的需求进行定制。

关键词：商品推荐系统，可视化分析，Python语言，Django框架，MySQL数据库

2、项目界面

（1）可视化大屏分析

（2）首页

（3）商品词云分析

（4）商品数据可视化分析

（5）商品数据统计分析

（6）商品详细页面------收藏、评分、商品推荐

（7）个人中心

（8）后台数据管理

3、项目说明

可视化大屏分析：展示系统的整体数据概况和分析结果，如商品的总体销量趋势、热门商品排行榜、用户活跃度分布等，以直观的图表和数据形式呈现，方便管理员或运营人员快速了解系统的运行情况和市场动态。
首页：作为用户进入系统的第一界面，展示推荐的商品列表、热门商品、新品上市等信息，吸引用户的注意力并引导用户进行浏览和购买。首页的设计简洁大方，突出重点推荐内容，同时提供搜索框等交互元素，方便用户快速查找感兴趣的商品。
商品词云分析：专门展示商品词云的页面，用户可以查看不同类别或品牌商品的词云图，深入了解商品的特点和用户关注的焦点。页面可以提供一些筛选和交互功能，如按类别筛选词云、点击词云中的关键词查看相关商品等，增强用户的参与感和体验感。
商品数据可视化分析：详细展示商品的各项数据可视化图表，包括销量、价格、评价等多维度的分析。用户可以通过这些图表深入了解商品的市场表现和用户反馈，为购买决策提供全面的数据支持。例如，用户可以通过查看某款商品的评价分布图，了解该商品的优点和不足，从而做出更明智的选择。
商品数据统计分析：对商品数据进行统计分析，如统计不同类别的商品数量、各品牌的市场份额等。以表格、图表等形式展示统计结果，帮助用户和运营人员了解市场的整体格局和竞争态势。同时，也可以为商家提供市场分析报告，辅助其进行商品采购和营销决策。
商品详细页面：展示商品的详细信息，如商品图片、描述、规格参数、价格、库存等。页面还包括收藏、评分、商品推荐等功能模块，用户可以对商品进行收藏以便后续查看，也可以对商品进行评分和评论，分享自己的使用体验。同时，系统会根据用户的浏览和购买行为，在该页面为用户推荐相似的商品，提高用户的购买转化率。
个人中心：用户的个人专属页面，展示用户的个人信息、购买历史、收藏夹、评价记录等。用户可以在这里管理自己的账户信息，查看和跟踪订单状态，还可以根据自己的需求对推荐算法进行一些简单的设置，如调整推荐偏好等，提升个性化体验。
后台数据管理：为系统管理员或运营人员提供的后台管理界面，可以进行商品数据的导入导出、用户数据的管理、推荐算法的配置和优化等操作。后台界面功能强大且操作便捷，能够帮助管理人员高效地管理和维护系统数据，确保系统的稳定运行和推荐效果的持续优化。

关键词：商品推荐系统，可视化分析，Python语言，Django框架，MySQL数据库

4、核心代码

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

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

django.setup()
from product.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：物品id，浏览
        sum_xy = 0.0  # user1,user2 每项打分的的累加
        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:
            product_list = Product.objects.filter(tags__in=user_prefer)[:15]
        else:
            product_list = Product.objects.order_by("-num")[:15]
        return product_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.product.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)]
    product_list = list(Product.objects.filter(id__in=recommend_list).order_by("-num")[:15])
    other_length = 15 - len(product_list)
    if other_length > 0:
        fix_list = Product.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in product_list:
                product_list.append(fix)
            if len(product_list) >= 15:
                break
    return product_list


# 计算相似度
def similarity(product1_id, product2_id):
    product1_set = Rate.objects.filter(product_id=product1_id)
    # 1的打分用户数
    product1_sum = product1_set.count()
    # 2的打分用户数
    product2_sum = Rate.objects.filter(product_id=product2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(product1_set.values('user_id')), product=product2_id).values('user_id').count()
    # 没有人给当前商品打分
    if product1_sum == 0 or product2_sum == 0:
        return 0
    similar_value = common / sqrt(product1_sum * product2_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]
    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:
            product_list = Product.objects.filter(tags__in=user_prefer)[:15]
        else:
            product_list = Product.objects.order_by("-num")[:15]
        print('from here')
        return product_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 = Product.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('product_id', 'mark')
    distances = []
    names = []
    # 在未看过的商品中找到
    for un_watched_product in un_watched:
        for watched_product in watched:
            if un_watched_product not in names:
                names.append(un_watched_product)
                distances.append((similarity(un_watched_product.id, watched_product[0]) * watched_product[1], un_watched_product))#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)
    recommend_by_item_id(1)

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【用户名】、【专栏名称】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👇🏻