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。🍅

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、最全计算机大数据专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈

采用 Python 语言开发，基于 Django 框架搭建后端服务，使用 MySQL 数据库进行数据存储，运用协同过滤推荐算法（基于用户和基于物品）实现个性化推荐，前端结合 Echarts 可视化库与 HTML 构建页面。

功能模块

· 首页
· 农产品详情页
· 对农产品评分
· 基于用户推荐
· 基于农产品推荐
· 评分与数量分析
· 词云图分析
· 上架数量折线图
· 类型分布饼图
· 个人中心
· 后台数据管理

项目介绍

本系统基于 Django 框架构建农产品推荐平台，运用协同过滤推荐算法（基于用户和基于物品）为用户提供个性化农产品推荐。系统首页提供热度排序、最近更新、搜索及菜单导航功能；商品详情页支持点赞、收藏、评分及推荐展示。数据可视化模块包括评分与数量分析柱状折线图、店铺词云图、上架数量趋势折线图及品类分布饼图。个人中心管理收藏、评论与评分记录，后台支持农产品数据的增删改查与批量管理。

2、项目界面

（1）首页----数据中心、热度排序、最近更新、搜索、菜单栏
该页面为基于协同过滤算法的农产品推荐平台首页，展示了热度排序的农产品商品列表，搭配最近更新板块与用户推荐农产品模块，提供搜索功能，方便用户浏览、查找和获取推荐商品。

（2）农产品详情页----详细信息 、点赞、收藏、评分、推荐
该页面为农产品推荐平台的商品详情页，展示商品图片、名称、价格、店铺等信息，支持收藏操作，同时提供基于物品和用户的推荐农产品板块，搭配最近更新列表，方便用户查看详情与获取推荐商品。

（3）对农产品评分
该页面为农产品推荐平台的商品详情页，展示商品图片、店铺、价格等信息，支持收藏与评分操作，同时提供基于物品和用户的推荐农产品板块，搭配最近更新列表，方便用户查看详情与获取推荐。

（4）基于用户推荐、基于农产品推荐
该页面为农产品推荐平台的商品详情页，核心展示了基于物品和基于用户的推荐农产品模块，以图文形式呈现推荐商品信息，支持一键换批刷新推荐，方便用户发现更多相关农产品，满足多样化浏览需求。

（5）评分与数量分析
该页面为农产品推荐平台的数据可视化模块，以柱状图和折线图结合的形式，直观展示不同类别农产品的数量与评分分布情况，便于用户分析各类商品的规模与用户评价趋势，为平台运营和推荐策略提供数据支撑。

（6）词云图分析
该页面为农产品推荐平台的数据可视化模块，以词云图形式直观展示各店铺名称的出现频次，通过字体大小区分店铺热度，便于用户快速识别平台上的热门店铺，了解各商家的关注度分布情况。

（7）上架数量折线图
该页面为农产品推荐平台的数据可视化模块，以折线图形式展示不同年份的农产品上架数量变化趋势，通过线条走势直观呈现平台商品上架规模的动态变化，便于用户分析平台商品数量的发展趋势与增长情况。

（8）类型分布饼图
该页面为农产品推荐平台的数据可视化模块，以饼图形式直观展示不同类别农产品的占比分布情况，通过扇形区块的大小和标注呈现各类商品的占比，便于用户快速了解平台商品的品类结构与分布特征。

（9）个人中心
该页面为农产品推荐平台的个人中心模块，展示用户个人信息，提供我的收藏、我的评论、我的评分功能入口，支持信息修改与重置，右侧搭配最近更新和用户推荐农产品板块，方便用户管理个人互动内容与查看相关推荐。

（10）后台数据管理
该页面是农产品数据管理后台，展示了包含农产品名称、店铺、地区、上架信息、评分、浏览量等数据的数据列表模块，配有增加、删除等操作按钮，左侧还有功能导航栏，可对农产品数据进行管理、查看与操作。

3、项目说明

一、技术栈简要说明

本系统采用 Python 语言开发，基于 Django 框架搭建后端服务，使用 MySQL 数据库进行数据存储，运用协同过滤推荐算法（基于用户和基于物品）实现个性化推荐，前端结合 Echarts 可视化库与 HTML 构建页面。

二、功能模块详细介绍

· 首页
该页面为农产品推荐平台首页，展示了热度排序的农产品商品列表，搭配最近更新板块与用户推荐农产品模块，提供搜索功能与菜单导航栏，方便用户浏览、查找和获取推荐商品，是系统的核心入口。

· 农产品详情页
该页面为商品详情页，展示商品图片、名称、价格、店铺等信息，支持收藏操作，同时提供基于物品和基于用户的推荐农产品板块，搭配最近更新列表，方便用户查看商品详情与获取相关推荐。

· 对农产品评分
该页面提供评分界面，用户在商品详情页可对农产品进行评分，评分数据将被用于协同过滤推荐算法，优化推荐结果，帮助其他用户参考，同时提升个性化推荐的准确性。

· 基于用户推荐
该模块根据用户的历史行为和偏好，分析相似用户群体的喜好，推荐其他用户喜欢的农产品。以图文形式呈现推荐商品信息，支持一键换批刷新推荐，方便用户发现更多相关农产品。

· 基于农产品推荐
该模块根据用户浏览和购买的农产品，通过物品间的相似度计算，推荐相似或相关的产品。以图文形式呈现推荐商品信息，支持一键换批刷新推荐，满足用户多样化浏览需求。

· 评分与数量分析
该页面为数据可视化模块，以柱状图和折线图结合的形式，直观展示不同类别农产品的数量与评分分布情况，便于用户分析各类商品的规模与用户评价趋势，为平台运营和推荐策略提供数据支撑。

· 词云图分析
该页面以词云图形式直观展示各店铺名称的出现频次，通过字体大小区分店铺热度，便于用户快速识别平台上的热门店铺，了解各商家的关注度分布情况，辅助商家运营决策。

· 上架数量折线图
该页面以折线图形式展示不同年份的农产品上架数量变化趋势，通过线条走势直观呈现平台商品上架规模的动态变化，便于用户分析平台商品数量的发展趋势与增长情况。

· 类型分布饼图
该页面以饼图形式直观展示不同类别农产品的占比分布情况，通过扇形区块的大小和标注呈现各类商品的占比，便于用户快速了解平台商品的品类结构与分布特征。

· 个人中心
该页面为个人中心模块，展示用户个人信息，提供我的收藏、我的评论、我的评分功能入口，支持信息修改与重置，右侧搭配最近更新和用户推荐农产品板块，方便用户管理个人互动内容与查看相关推荐。

· 后台数据管理
该页面为农产品数据管理后台，展示了包含农产品名称、店铺、地区、上架信息、评分、浏览量等数据的数据列表模块，配有增加、删除等操作按钮，左侧还有功能导航栏，可对农产品数据进行管理、查看与批量操作。

三、项目总结

本系统基于 Django 框架构建农产品推荐平台，运用协同过滤推荐算法（基于用户和基于物品）为用户提供个性化农产品推荐。系统首页提供热度排序、最近更新、搜索及菜单导航功能；商品详情页支持点赞、收藏、评分及推荐展示。数据可视化模块包括评分与数量分析柱状折线图、店铺词云图、上架数量趋势折线图及品类分布饼图，帮助用户了解市场动态和消费者偏好。个人中心管理收藏、评论与评分记录，后台支持农产品数据的增删改查与批量管理。系统通过推荐算法与可视化分析，提升用户体验，为农产品销售和平台运营提供数据支持。

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：农产品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 movie1, score1 in user1.items():
            if movie1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[movie1]
                sum_x += score1
                sum_y += user2[movie1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[movie1], 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]

    # 给用户推荐农产品
    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 movies, scores in self.all_user[user].items():  # 推荐的用户的农产品列表
                if movies not in self.all_user[username].keys():  # 当前username没有看过
                    if movies not in recommend.keys():  # 添加到推荐列表中
                        recommend[movies] = scores*score
        # 对推荐的结果按照农产品
        # 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:
            movie_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = xiangmu.objects.order_by("-c9")[:15]
        return movie_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 = {}
        # 用户有给农产品打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.movie.id), i.mark)#填充农产品数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为农产品打过分，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)]
    movie_list = list(xiangmu.objects.filter(id__in=recommend_list).order_by("-c9")[:15])
    other_length = 15 - len(movie_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 movie_list:
                movie_list.append(fix)
            if len(movie_list) >= 15:
                break
    return movie_list


# 计算相似度
def similarity(movie1_id, movie2_id):
    movie1_set = Rate.objects.filter(movie_id=movie1_id)
    # movie1的打分用户数
    movie1_sum = movie1_set.count()
    # movie_2的打分用户数
    movie2_sum = Rate.objects.filter(movie_id=movie2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(movie1_set.values('user_id')), movie=movie2_id).values('user_id').count()
    # 没有人给当前农产品打分
    if movie1_sum == 0 or movie2_sum == 0:
        return 0
    similar_value = common / sqrt(movie1_sum * movie2_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，用户评分前三的农产品
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    user_prefer = list(user_prefer)[:3]
    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:
            movie_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = xiangmu.objects.order_by("-c9")[:15]
        print('from here')
        return movie_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(movie__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的农产品，用户没看过的30部，对这30部农产品，计算距离最近
    un_watched = xiangmu.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的农产品
    watched = Rate.objects.filter(user_id=user_id).values_list('movie_id', 'mark')
    distances = []
    names = []
    # 在未看过的农产品中找到
    for un_watched_movie in un_watched:
        for watched_movie in watched:
            if un_watched_movie not in names:
                names.append(un_watched_movie)
                distances.append((similarity(un_watched_movie.id, watched_movie[0]) * watched_movie[1], un_watched_movie))#加入相似的农产品
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, movie in distances:
        if len(recommend_list) >= k:
            break
        if movie not in recommend_list:
            recommend_list.append(movie)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的农产品中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list


if __name__ == '__main__':
    # similarity(2003, 2008)
    print(recommend_by_item_id(1799))

5、源码获取方式