博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，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。🍅🍅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）✅
1、项目介绍
小说推荐系统功能模块介绍
本小说推荐系统以Python、Django为技术基石，整合MySQL数据库与Echarts可视化技术，核心依托协同过滤算法，构建起覆盖用户全流程需求的功能体系。
注册登录模块为用户提供安全访问入口，保障账户与操作安全。系统首页作为功能枢纽，聚合小说推荐、可视化分析等核心模块入口，方便用户快速导航。推荐模块是核心亮点，基于用户阅读历史与物品相似性，通过协同过滤算法生成个性化小说推荐，提升阅读匹配度。
小说详情页呈现标题、作者、章节等完整信息，并提供阅读及下载服务。可视化分析模块通过多维度图表，直观展示小说阅读趋势、类型热度、用户行为模式及不同时段阅读量变化，为用户与管理员提供数据参考。个人信息页面支持用户查看阅读记录、收藏列表及修改个人资料。后台数据管理则为管理员提供小说、用户、日志等数据的全流程管控，保障系统稳定与数据安全。
技术栈：
Python、MySQL数据库、Django框架、Echarts可视化、基于用户和基于物品的协同过滤推荐算法、HTML技术
2、项目界面
（1）系统首页
（2）小说详情页
（3）可视化分析1
（2）可视化分析2
（3）可视化分析3
（4）可视化分析4
（5）推荐模块
（6）个人信息页面
（7）后台数据管理
（8）注册登录
3、项目说明
小说推荐系统功能模块介绍
本小说推荐系统以Python、Django为技术基石，整合MySQL数据库与Echarts可视化技术，核心依托协同过滤算法，构建起覆盖用户全流程需求的功能体系。
注册登录模块为用户提供安全访问入口，保障账户与操作安全。系统首页作为功能枢纽，聚合小说推荐、可视化分析等核心模块入口，方便用户快速导航。推荐模块是核心亮点，基于用户阅读历史与物品相似性，通过协同过滤算法生成个性化小说推荐，提升阅读匹配度。
小说详情页呈现标题、作者、章节等完整信息，并提供阅读及下载服务。可视化分析模块通过多维度图表，直观展示小说阅读趋势、类型热度、用户行为模式及不同时段阅读量变化，为用户与管理员提供数据参考。个人信息页面支持用户查看阅读记录、收藏列表及修改个人资料。后台数据管理则为管理员提供小说、用户、日志等数据的全流程管控，保障系统稳定与数据安全。
一、技术栈
本项目采用了以下技术栈进行开发：
编程语言：Python，一种解释型、互动性和面向对象的高级程序设计语言，具有简洁易读、学习曲线平缓的特点。
数据库：MySQL，一个开源的关系型数据库管理系统，具有高性能、高可靠性和易用性等特点。
框架：Django，一个用Python编写的高级Web框架，它允许快速开发安全和维护性高的网站。
可视化：Echarts，一个使用JavaScript实现的开源可视化库，用于数据的可视化展示。
推荐算法：基于用户和基于物品的协同过滤推荐算法，这两种算法是推荐系统中常用的技术，用于根据用户的历史行为或物品之间的相似性来推荐新的内容。
前端技术：HTML，用于构建网页的基本结构和内容。
二、项目界面与功能模块介绍
系统首页
展示系统的主要功能和导航菜单，包括小说推荐、可视化分析、个人信息等模块的入口。
小说详情页
展示小说的详细信息，包括标题、作者、简介、评分、章节列表等，并提供阅读或下载链接。
可视化分析模块
可视化分析1：展示小说的阅读趋势、用户活跃度等统计数据。
可视化分析2：分析不同小说类型的受欢迎程度，帮助用户了解当前流行的阅读趋势。
可视化分析3：通过图表展示用户的行为模式，如阅读时长、阅读频率等。
可视化分析4：对比不同时间段的小说阅读量，分析阅读量的变化规律。
推荐模块
根据用户的阅读历史和偏好，使用协同过滤推荐算法为用户推荐新的小说。
个人信息页面
展示用户的个人信息，包括用户名、头像、阅读记录、收藏的小说等，并提供修改个人信息的功能。
后台数据管理
为管理员提供管理小说数据、用户数据、日志数据等后台管理功能，确保系统的正常运行和数据的安全性。
注册登录模块
提供用户注册和登录功能，确保用户能够安全地访问和使用系统。
通过以上功能模块，本小说推荐系统为用户提供了丰富的阅读体验，包括个性化的推荐、详细的小说信息、可视化的数据分析等，同时也为管理员提供了便捷的后台管理功能。
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))
🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目编程以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌
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，拉到文章底部即可看到个人联系方式。🍅
点赞、收藏、关注，不迷路，下方查看👇🏻获取联系方式👇🏻
扫一扫
2520
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
