毕业设计：基于python汽车推荐系统 双协同过滤推荐算法 Django框架（源码）✅

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毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌感兴趣的可以先收藏起来，点赞、关注不迷路✌

毕业设计：2023-2024年计算机毕业设计1000套（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕业设计选题汇总

1、项目介绍

技术栈：
Python语言、Django框架、双协同过滤推荐算法（基于用户推荐+基于物品推荐）、CSS+JS+HTML

2、项目界面

（1）基于用户协同过滤算法推荐

（2）基于物品协同过滤算法推荐

（3）汽车品牌数据分类

（4）汽车详情页面

（5）用户评分记录

（6）用户收藏记录

（7）热门车型推荐

（8）后台数据管理

（9）注册登录界面

3、项目说明

汽车推荐系统是一个基于Python语言、Django框架、双协同过滤推荐算法、CSS+JS+HTML技术栈的Web应用程序，它的主要功能是向用户推荐适合其需求的汽车。

下面是一个简单的汽车推荐系统的工作流程：

用户进入网站后，填写一份汽车需求问卷，包括品牌、价格、使用场景等信息。
根据用户的需求问卷，系统会通过基于用户的协同过滤算法和基于物品的协同过滤算法，分别推荐适合用户口味的汽车品牌和型号。
推荐结果将以列表或卡片形式展示在网页上，用户可以点击查看详情，了解更多汽车信息。
用户还可以保存自己感兴趣的汽车，在我的收藏夹中查看和管理。
除此之外，汽车推荐系统还可以提供车辆信息的搜索功能，用户可以通过关键词搜索到与汽车相关的品牌、型号和配置等信息。同时，系统还可以对用户的收藏行为进行分析，为用户提供更加个性化的推荐服务。

总之，汽车推荐系统的目标是帮助用户更轻松地找到适合自己的汽车，提高购车体验和效率。

4、核心代码

# 基于用户的协同过滤推荐算法实现模块
import operator
from apps.util.cfra.common.Constant import Constant
from apps.util.cfra.model.DataModel import DataModel
from apps.util.cfra.neighborhood.UserNeighborhood import UserNeighborhood
from apps.util.cfra.recommender.UserRecommender import UserRecommender
from apps.util.cfra.similarity.CosineSimilarity import CosineSimilarity
from apps.util.cfra.similarity.UserSimilarity import UserSimilarity


class UserCF(object):

    def __init__(self):
        pass

    # 推荐方法
    def recommend(self, dataModel, cUserid):
        print("基于用户的协同过滤推荐算法开始")
        # 获取用户id列表
        userIDsList = dataModel.userIDsList

        if len(userIDsList) == 0:
            print("\n暂无评分数据！")
            print("\n基于用户的协同过滤推荐算法结束")
            return None

        # 升序排列
        userIDsList = sorted(userIDsList, reverse=False)
        print("用户数量：%d" % len(userIDsList))
        # 输出用户id列表
        dataModel.printUserIds(userIDsList)

        # 获取项目id列表
        itemIDsList = dataModel.itemIDsList
        # 降序排列
        itemIDsList = sorted(itemIDsList, reverse=False)
        print("\n项目数量：%d" % len(itemIDsList))
        # 输出项目id列表
        dataModel.printItemIds(itemIDsList)

        # 打印用户项目喜好矩阵
        dataModel.printUserItemPrefMatrix(userIDsList,dataModel.userItemPrefMatrixDic)

        # 判断当前用户是否有评分数据
        if cUserid not in dataModel.userItemPrefMatrixDic.keys():
            print("\n当前用户 %s 暂无评分数据！" % cUserid)
            print("\n基于用户的协同过滤推荐算法结束")
            return None

        # 实例化余弦相似度算法
        cosineSimilarity = CosineSimilarity()

        # 实例化用户相似度
        userSimilarity = UserSimilarity()

        # 计算目标用户与其他用户的相似度
        userSimilarityDic = userSimilarity.getUserSimilaritys(cUserid, cosineSimilarity, dataModel)
        # 先根据用户id升序
        userSimilarityDicTemp = sorted(userSimilarityDic.items(), key=operator.itemgetter(0), reverse=False)
        print("\n用户：%-5s与其他用户的相似度为：" % cUserid)
        # 输出目标用户的相似度
        userSimilarity.printUserSimilaritys(userSimilarityDicTemp)

        # 实例化用户邻居对象
        userNeighborhood = UserNeighborhood()
        # 获取目标用户的最近邻居
        kNUserNeighborhood = userNeighborhood.getKUserNeighborhoods(userSimilarityDic)
        print("\n用户：%-5s的前%d个最近邻居为：" % (cUserid, Constant.knn))
        # 输出目标用户的最近邻居
        userNeighborhood.printKUserNeighborhoods(kNUserNeighborhood)

        # 实例化用户推荐对象
        userRecommender = UserRecommender()
        # 推荐
        recommenderItemFinalDic = userRecommender.getUserRecommender(cUserid, dict(kNUserNeighborhood), dataModel)
        print("\n用户：%-5s的前%d个推荐项目为：" % (cUserid, Constant.cfCount))

        recommenderItemFinalDic = sorted(recommenderItemFinalDic.items(), key=operator.itemgetter(1), reverse=True)
        recommenderItemFinalDic = recommenderItemFinalDic[0:Constant.cfCount]
        # 打印预测评分
        userRecommender.printPref(recommenderItemFinalDic)

        print("\n基于用户的协同过滤推荐算法结束")
        return recommenderItemFinalDic

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86