计算机毕业设计：Python全栈小说推荐与协同过滤分析平台 Django框架协同过滤推荐算法可视化机器学习大数据大模型（建议收藏）✅-Seo优化-合肥市网站建设公司

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：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈
Python语言、MySQL数据库、Django框架、基于用户与基于物品的双重协同过滤推荐算法、Echarts可视化工具、HTML

功能模块
注册登录模块：提供用户账户注册与登录功能，保障访问安全与操作权限
系统首页模块：聚合小说推荐、可视化分析等核心模块入口，以热度排序展示小说封面与名称，支持搜索与排序切换
小说详情页模块：展示小说封面、作者、字数、评分、标签、收藏人数及详细介绍，提供阅读下载、收藏评分操作入口
可视化分析模块：通过双轴图表展示小说分类数量与评分分布，以词云图呈现作者热度权重，用折线图分析上架数量趋势，用饼图展示分类占比
推荐模块：融合基于用户和基于物品的协同过滤算法，根据用户阅读历史与偏好生成个性化推荐列表
个人信息页面模块：展示用户名与邮箱，支持查看收藏记录、评论内容、评分记录，提供密码账号等资料修改功能
后台管理模块：以列表形式管理小说ID、名称、作者、评分、描述等信息，支持增加删除操作，提供用户、评分、评论等数据管控功能

项目介绍
本系统基于Python与Django框架开发，采用MySQL数据库存储小说与用户数据，前端通过HTML展示界面，结合Echarts实现数据可视化。核心推荐模块融合基于用户和基于物品的双重协同过滤算法，通过分析用户评分、收藏、阅读历史等行为数据，计算用户相似度与物品相似度，精准生成个性化推荐列表。系统提供小说分类浏览、详情查看、收藏评分、阅读下载等交互功能，可视化模块以双轴图、词云图、折线图、饼图等形式直观呈现小说分类分布、作者热度、上架趋势等关键指标。个人信息页面集中管理用户的阅读记录与互动数据，后台支持管理员对小说、用户、评论等内容进行全面维护。

2、项目界面

（1）系统首页
该页面是小说推荐系统的首页，以热度排序展示小说封面、名称、更新时间等信息，支持搜索与排序切换，同时设有最近更新、基于用户推荐小说模块，系统还包含标签、数据可视化、后台管理等功能模块入口，方便用户查找小说与进行系统操作。

（2）小说详情页
该页面是小说推荐系统的小说详情页，展示小说的封面、作者、字数、评分、标签、收藏人数及详细介绍，支持查看详情、收藏、添加评分操作，同时设有最近更新、基于用户推荐小说模块，系统还包含首页、标签、数据可视化、后台管理等功能模块入口。

（3）可视化分析1
该页面是小说推荐系统的数据可视化页，通过双轴图表展示不同小说分类的数量与对应评分分布情况，同时提供多种可视化分析选项，系统还设有首页、标签、后台管理等功能模块入口，方便用户进行多维度数据查看与系统操作。

（2）可视化分析2
该页面是小说推荐系统的作者词云可视化页，以词云形式直观展示不同作者及其作品热度分布，文字大小体现热度权重，同时系统还设有首页、标签、其他数据可视化选项及后台管理等功能模块入口，方便用户进行多维度数据查看与系统操作。

（3）可视化分析3
该页面是小说推荐系统的小说上架数量趋势可视化页，通过折线图展示不同年份的小说上架数量变化情况，可直观呈现上架量的波动趋势，同时系统还设有首页、标签、其他数据可视化选项及后台管理等功能模块入口，方便用户进行多维度数据查看与系统操作。

（4）可视化分析4
该页面是小说推荐系统的小说分类占比可视化页，通过饼图展示不同类别小说的数量占比情况，可直观呈现各分类的占比权重，同时系统还设有首页、标签、其他数据可视化选项及后台管理等功能模块入口，方便用户进行多维度数据查看与系统操作。

（5）推荐模块
该页面是小说推荐系统的小说推荐页，分别基于物品和用户协同过滤算法推荐小说，以卡片形式展示推荐小说的封面、名称等信息并支持换一批操作，同时设有评论输入框，系统还包含首页、标签、数据可视化、后台管理等功能模块入口。

（6）个人信息页面
该页面是小说推荐系统的个人信息管理页，展示用户的用户名、邮箱等信息，支持查看我的收藏、我的评论、我的评分，还能进行密码、账号、邮箱等信息的修改与重置操作，同时设有最近更新、基于用户推荐小说模块及首页、标签、数据可视化、后台管理等功能入口。

（7）后台数据管理
该页面是小说推荐系统的后台小说管理页，以列表形式展示小说的 ID、名称、作者、评分、描述等信息，支持增加、删除小说操作，同时系统还设有首页、偏好、标签、用户、评分信息、评论等功能模块入口，方便管理员进行系统数据维护。

（8）注册登录
该页面是推荐系统的用户登录页，提供账号和密码输入框及登录按钮，同时设有注册入口，支持用户进行账号登录与注册操作，登录成功后可进入系统使用小说推荐、数据可视化、个人信息管理、后台管理等功能。

3、项目说明

一、技术栈简要说明

本系统以Python为开发语言，采用Django框架构建后端架构，实现路由分发、模型定义、视图逻辑及用户认证等核心功能。数据存储选用MySQL关系型数据库，保障小说数据、用户信息及互动记录的高效存储与查询。推荐算法核心采用双重协同过滤技术，同时实现基于用户的协同过滤和基于物品的协同过滤，通过分析用户评分、收藏、阅读历史等行为数据，计算用户相似度与物品相似度，生成个性化推荐结果。前端界面使用HTML模板渲染页面内容，配合Echarts可视化库实现双轴图、词云图、折线图、饼图等多维度图表展示。整体技术架构覆盖用户交互、推荐计算、数据管理与可视化呈现的完整业务流程。

二、功能模块详细介绍

注册登录模块
该模块提供用户注册与登录功能，采用Django认证系统保障账户安全。注册登录界面设计简洁，用户完成身份验证后即可使用系统全部功能，包括小说浏览、收藏评分、个性化推荐、可视化分析等操作，确保用户使用权限与数据访问安全。

系统首页模块
该模块作为功能枢纽，以热度排序展示小说封面、名称、更新时间等信息，支持关键词搜索与排序方式切换。首页设有最近更新小说模块和基于用户推荐小说模块，同时聚合标签、数据可视化、后台管理等核心功能入口，方便用户快速查找小说与进行系统导航。

小说详情页模块
该模块完整展示小说封面、作者、字数、评分、标签、收藏人数及详细介绍等信息，提供阅读下载、收藏、添加评分等操作入口。详情页同时设有最近更新和基于用户推荐小说模块，帮助用户在浏览单本小说时发现更多相关作品。

可视化分析模块
该模块通过Echarts生成多维度数据分析图表。双轴图表展示不同小说分类的数量与对应评分分布情况，作者词云图以文字大小直观呈现作者及其作品热度权重，折线图分析不同年份小说上架数量变化趋势，饼图展示各类别小说数量占比，为用户与管理员提供全面的数据参考。

推荐模块
该模块是系统核心功能，融合基于用户和基于物品的双重协同过滤算法。基于用户的协同过滤通过分析当前用户与其他用户的相似度，找到相似用户群体并推荐其喜爱的小说；基于物品的协同过滤则依据用户历史行为，计算小说之间的相似度，推荐与用户曾互动小说相似的其他作品。推荐页面以卡片形式展示小说封面与名称，支持换一批操作，并设有评论输入框方便用户交流。

个人信息页面模块
该模块集中管理用户个人数据，展示用户名、邮箱等基本信息，支持查看我的收藏、我的评论、我的评分三项互动记录，同时提供密码、账号、邮箱等信息的修改与重置功能，方便用户维护个人资料。

后台管理模块
该模块面向系统管理员，以列表形式展示小说的ID、名称、作者、评分、描述等信息，支持增加和删除小说操作。同时提供首页、偏好、标签、用户、评分信息、评论等功能入口，便于管理员对系统数据进行全面管控，保障数据的准确性与实时性。

三、项目总结

本系统构建了集小说展示、用户互动、个性化推荐、数据可视化与后台管理于一体的完整小说推荐平台。核心推荐模块采用基于用户和基于物品的双重协同过滤算法，通过分析用户评分、收藏、阅读历史等行为数据，精准生成个性化推荐列表，有效提升阅读匹配度。前端提供小说分类浏览、详情查看、收藏评分、阅读下载等丰富交互功能，可视化模块以双轴图、词云图、折线图、饼图等形式直观呈现小说分类分布、作者热度、上架趋势等关键指标。个人信息页面集中管理用户阅读记录与互动数据，后台支持管理员对小说、用户、评论等内容进行全面维护。平台实现从用户行为采集、推荐计算到可视化呈现的全链路服务，有效满足用户个性化阅读需求。

4、核心代码

# -*-coding:utf-8-*-importos os.environ["DJANGO_SETTINGS_MODULE"]="recommend.settings"importdjango django.setup()fromitem.modelsimport*frommathimportsqrt,powimportoperatorfromdjango.db.modelsimportSubquery,Q,Count# from django.shortcuts import render,render_to_responseclassUserCf:# 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defgetItems(self,username1,username2):returnself.all_user[username1],self.all_user[username2]# 计算两个用户的皮尔逊相关系数defpearson(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forjob1,score1inuser1.items():ifjob1inuser2.keys():# 计算公共的浏览次数n+=1sum_xy+=score1*user2[job1]sum_x+=score1 sum_y+=user2[job1]sumX2+=pow(score1,2)sumY2+=pow(user2[job1],2)ifn==0:# print("p氏距离为0")return0molecule=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ifdenominator==0:return0r=molecule/denominatorreturnr# 计算与当前用户的距离，获得最临近的用户defnearest_user(self,current_user,n=1):distances={}# 用户，相似度# 遍历整个数据集foruser,rate_setinself.all_user.items():# 非当前的用户ifuser!=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])returnclosest_distance[:n]# 给用户推荐岗位defrecommend(self,username,n=3):recommend={}nearest_user=self.nearest_user(username,n)foruser,scoreindict(nearest_user).items():# 最相近的n个用户forjobs,scoresinself.all_user[user].items():# 推荐的用户的岗位列表ifjobsnotinself.all_user[username].keys():# 当前username没有看过ifjobsnotinrecommend.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returnsorted(recommend.items(),key=operator.itemgetter(1),reverse=True)# 基于用户的推荐defrecommend_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ifcurrent_user.rate_set.count()==0:iflen(user_prefer)!=0:job_list=xiangmu.objects.filter(tags__in=user_prefer)[:15]else:job_list=xiangmu.objects.order_by("-c9")[:15]returnjob_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']foruser_rateinusers_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={}foruserinusers: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ifrates:foriinrates: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0all_user.setdefault(user.username,{})user_cf=UserCf(all_user=all_user)recommend_list=[each[0]foreachinuser_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)ifother_length>0:fix_list=xiangmu.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')forfixinfix_list:iffixnotinjob_list:job_list.append(fix)iflen(job_list)>=15:breakreturnjob_list# 计算相似度defsimilarity(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ifjob1_sum==0orjob2_sum==0:return0similar_value=common/sqrt(job1_sum*job2_sum)#余弦计算相似度returnsimilar_value#基于物品defrecommend_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ifcurrent_user.rate_set.count()==0:iflen(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')returnjob_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forun_watched_jobinun_watched:forwatched_jobinwatched:ifun_watched_jobnotinnames: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=lambdax:x[0],reverse=True)print('this is distances',distances[:15])recommend_list=[]formark,jobindistances:iflen(recommend_list)>=k:breakifjobnotinrecommend_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)returnrecommend_listif__name__=='__main__':# similarity(2003, 2008)print(recommend_by_item_id(1799))