基于协同过滤算法的理财产品推荐系统

前言介绍

随着中国经济的持续增长，民众生活水平显著提升，对网络的依赖程度日益加深，网络已成为处理各类事务不可或缺的工具。在理财产品推荐领域，随着信息量的急剧新增，传统的管理方式逐渐显露出其局限性，信息数据管理变得日益繁重，效率低下。为了应对这一挑战，提升理财产品推荐的管理效率，减轻管理人员的负担，我决定依托当前广泛普及的网络环境，开发一款基于协同过滤算法的理财产品推荐系统。

在平台的开发过程中，我选择了既熟悉的python语言作为开发工具，并搭配了开源的MySQL数据库，以实现数据的高效存储与搜索。在正式开发之前，我进行了深入的前期调研，对系统的可行性、功能需求以及性能要求进行了全面细致的分析。在确保项目方向正确无误后，我绘制了详细的程序结构图，并据此展开了数据库的设计与构建，随后进入了紧张的编码阶段。在编码完成后，我对整个系统进行了严格的测试，通过对测试结果的细致分析，确保系统的稳定性和可靠性。

在设计这款基于协同过滤算法的理财产品推荐系统时，我始终秉持着易用性、高性能与功能全面的原则。平台不仅涵盖了用户、产品类型、理财产品、理财订单、反馈信息等基础功能，为用户提供更加丰富、便捷的使用体验。我坚信，通过我的不懈努力，这款平台定能以其实用性、高效性和创新性，赢得广大用户的青睐与认可，成为理财产品推荐管理领域的佼佼者。

01开发环境

1.1、 Python语言

1.2、 flask 框架

1.3、 VUE 框架

1.4、B/S 架构

1.5 、Mysql数据库

1.6、 协同过滤算法

02系统功能模块

亮点：协同过滤推荐算法

  具体运用基于用户的协同过滤方法，借助解析用户收藏行为数据，辨别出和目标用户有着相似兴趣偏好的用户群体，再依照这些相似用户的历史记录为目标用户生成个性化的音乐推荐列表。

  协同过滤算法的核心机制是依靠量化用户之间的相似性程度达成个性化推荐，在这个过程中，余弦相似度作为经典的相似性度量办法，在该领域得到了广泛运用。

余弦相似度计算公式：

03图片展示

04部分代码展示

#协同过滤算法部分代码展示（交流学习+vx：S20231025S ）
#计算相似度
def cosine_similarity(a, b):
    numerator = sum([a[key] * b[key] for key in a if key in b])
    denominator = math.sqrt(sum([a[key]**2 for key in a])) * math.sqrt(sum([b[key]**2 for key in b]))
    return numerator / denominator
#收藏协同算法
@main_bp.route("/pythonlrx30079/licaichanpin/autoSort2", methods=['GET'])
def pythonlrx30079_licaichanpin_autoSort2():
    if request.method == 'GET':#get请求
        user_ratings = {}
        req_dict = session.get("req_dict")
        userinfo = session.get("params")
        #查询收藏了的记录
        sql = "select * from storeup where type = 1 and tablename = 'licaichanpin' order by addtime desc"
        #执行查询
        data = db.session.execute(sql)
        data_dict = [dict(zip(result.keys(), result)) for result in data.fetchall()]
        for item in data_dict:
            #封装userid、refid的矩阵
            if user_ratings.__contains__(item["userid"]):
                ratings_dict = user_ratings[item["userid"]]
            else:
                user_ratings[item["userid"]] = {
                    str(item["refid"]):1
                }
        sorted_recommended_goods=[]
        try:
            # 计算目标用户与其他用户的相似度
            similarities = {other_user: cosine_similarity(user_ratings[userinfo.get("id")], user_ratings[other_user])
                            for other_user in user_ratings if other_user != userinfo.get("id")}
            # 找到与目标用户最相似的用户
            most_similar_user = sorted(similarities, key=similarities.get, reverse=True)[0]
            # 找到最相似但目标用户未购买过的商品
            recommended_goods = {goods: rating for goods, rating in user_ratings[most_similar_user].items() if
                                 goods not in user_ratings[userinfo.get("id")]}
            # 按评分降序排列推荐
            sorted_recommended_goods = sorted(recommended_goods, key=recommended_goods.get, reverse=True)
        except:
            pass
        L = []
        #按评分顺序查询要推荐列表(当前用户收藏关注过的同类型优先)
        where = " AND ".join([f"{key} = '{value}'" for key, value in req_dict.items() if key!="page