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：
python语言、Django框架、snowNLP情感分析 基于矩阵分解的协同过滤推荐系统 requests爬虫

二、推荐 （model/index.py）
基于矩阵分解的协同过滤推荐系统。
它从数据库和CSV文件中获取用户对汽车的评分数据，构建用户-物品评分矩阵，然后通过矩阵分解模型（MF）进行训练，预测用户对未评分物品的评分，并为指定用户生成推荐列表。
代码首先通过 getAllCars 函数从数据库和CSV文件中提取用户评分数据，将用户ID、汽车ID和评分整合成一个列表。然后，getUIMat 函数根据这些数据构建用户-物品评分矩阵（UI_matrix），矩阵中的值表示用户对汽车的评分。
接下来，定义了一个矩阵分解类 MF，它通过随机梯度下降（SGD）优化算法训练模型，学习用户和物品的潜在特征向量，并计算评分预测值。训练完成后，full_matrix 方法生成完整的评分预测矩阵。
modelFn 函数是整个推荐系统的入口，它调用上述函数和类，为指定用户（如用户ID为3）生成推荐列表。推荐列表是根据用户评分预测值从高到低排序的汽车ID列表，用于推荐用户可能感兴趣的汽车。
最后，代码在主函数中调用 modelFn，输出用户ID为3的推荐结果。

项目介绍

1. 数据采集与预处理模块：基于requests爬虫获取汽车评分、价格、性能参数、舆情等多维度数据，整合数据库与CSV文件中的用户-汽车评分数据，完成数据清洗与格式规整，为后续分析和推荐提供数据支撑。
2. 协同过滤推荐模块：构建基于矩阵分解的协同过滤推荐系统，通过构建用户-物品评分矩阵，结合随机梯度下降优化的矩阵分解模型（MF）训练潜在特征向量，预测用户对未评分汽车的喜好度，生成个性化车型推荐列表并展示在车型详情页。
3. 情感与舆情分析模块：借助snowNLP完成汽车舆情热点的情感分析，挖掘用户对不同车型、品牌的态度倾向，以可视化形式呈现舆情热点分布，辅助把握市场口碑趋势。
4. 多维度数据分析模块：涵盖价格分析、车型占比、百公里加速性能分析等维度，通过数据统计面板、表格、词云图等形式直观展示分析结果，清晰呈现汽车市场各类特征规律。
5. 系统管控模块：设计注册登录与后台管理功能，依托Django框架实现用户权限管控、数据增删改查等操作，保障系统数据安全与运维便捷性。

2、项目界面

1数据统计面板

2数据表格

3车型详细页 车辆推荐

4 数据分析

6舆情热点分析

7价格分析

8车型占比

10百公里加速分析

13车系词云图

14 注册登录

15 后台管理

3、项目说明

项目介绍

1. 数据采集与预处理模块：基于requests爬虫获取汽车评分、价格、性能参数、舆情等多维度数据，整合数据库与CSV文件中的用户-汽车评分数据，完成数据清洗与格式规整，为后续分析和推荐提供数据支撑。
2. 协同过滤推荐模块：构建基于矩阵分解的协同过滤推荐系统，通过构建用户-物品评分矩阵，结合随机梯度下降优化的矩阵分解模型（MF）训练潜在特征向量，预测用户对未评分汽车的喜好度，生成个性化车型推荐列表并展示在车型详情页。
3. 情感与舆情分析模块：借助snowNLP完成汽车舆情热点的情感分析，挖掘用户对不同车型、品牌的态度倾向，以可视化形式呈现舆情热点分布，辅助把握市场口碑趋势。
4. 多维度数据分析模块：涵盖价格分析、车型占比、百公里加速性能分析等维度，通过数据统计面板、表格、词云图等形式直观展示分析结果，清晰呈现汽车市场各类特征规律。
5. 系统管控模块：设计注册登录与后台管理功能，依托Django框架实现用户权限管控、数据增删改查等操作，保障系统数据安全与运维便捷性。

标题

AI大模型：Python汽车数据分析与个性化推荐系统 大数据毕业设计 Python+Django+snowNLP+协同过滤+requests✅

4、核心代码

import os

import django
import pandas as pd
import numpy as np
from tqdm import tqdm
os.environ.setdefault('DJANGO_SETTINGS_MODULE','project.settings')
django.setup()
from myApp.models import *

def getAllCars():
    carInfoList = list(carInfo.objects.all())
    df = pd.read_csv('./commentNew.csv').values
    dataList = []
    for i in df:
        if type(i[0]) == str:
            title = i[0][0:2]
            for j in carInfoList:
                if j.carName.find(title) != -1:
                    dataList.append([
                        i[7],  # userid
                        j.id,#itemid
                        i[3]
                    ])
    print(dataList)
    return dataList

def getUIMat(data):
    user_list = [i[0] for i in data]
    item_list = [i[1] for i in data]
    UI_matrix = np.zeros((max(user_list) +1,max(item_list) +1))
    for eache_interation in tqdm(data,total = len(data)):
        UI_matrix[eache_interation[0]][eache_interation[1]] = eache_interation[2]
    return UI_matrix


class MF():
    def __init__(self,R,K,alpha,beta,iterations):
        self.R = R
        self.num_users,self.num_items = R.shape
        self.K = K
        self.alpha = alpha
        self.beta = beta
        self.iterations = iterations


    def train(self):
        self.P = np.random.normal(scale=1./self.K, size=(self.num_users, self.K))
        self.Q = np.random.normal(scale=1./self.K, size=(self.num_items, self.K))
        self.b_u = np.zeros(self.num_users)
        self.b_i = np.zeros(self.num_items)
        self.b = np.mean(self.R[np.where(self.R != 0)])
        self.samples = [
            (i, j, self.R[i, j])
            for i in range(self.num_users)
            for j in range(self.num_items)
            if self.R[i, j] > 0
        ]
        training_process = []
        for i in tqdm(range(self.iterations), total=self.iterations):
            np.random.shuffle(self.samples)
            self.sgd()
            mse = self.mse()
            training_process.append((i, mse))
            if (i == 0) or ((i+1) % (self.iterations / 10) == 0):
                pass
        return training_process

    def mse(self):
        xs, ys = self.R.nonzero()
        predicted = self.full_matrix()
        error = 0
        for x, y in zip(xs, ys):
            error += pow(self.R[x, y] - predicted[x, y], 2)
        return np.sqrt(error)

    def sgd(self):
        for i, j, r in self.samples:
            prediction = self.get_rating(i, j)
            e = (r - prediction)
            self.b_u[i] += self.alpha * (e - self.beta * self.b_u[i])
            self.b_i[j] += self.alpha * (e - self.beta * self.b_i[j])
            self.P[i, :] += self.alpha * (e * self.Q[j, :] - self.beta * self.P[i,:])
            self.Q[j, :] += self.alpha * (e * self.P[i, :] - self.beta * self.Q[j,:])
            # 数值检查和处理
            if np.isnan(self.P[i, :]).any() or np.isnan(self.Q[j, :]).any():
                self.P[i, :] = np.nan_to_num(self.P[i, :])
                self.Q[j, :] = np.nan_to_num(self.Q[j, :])

    def get_rating(self, i, j):
        prediction = self.b + self.b_u[i] + self.b_i[j] + self.P[i, :].dot(self.Q[j, :].T)
        if np.isnan(prediction) or np.isinf(prediction):
            prediction = 0
        return prediction

    def full_matrix(self):
        return self.b + self.b_u[:,np.newaxis] + self.b_i[np.newaxis:,] + self.P.dot(self.Q.T)


def modelFn(each_user):
    startList = getAllCars()
    obs_dataset = []
    for i in startList:
        obs_dataset.append([i[0],i[1],i[2]])
    R = getUIMat(obs_dataset)
    mf = MF(R,K=2,alpha=0.1,beta=0.8,iterations=3)
    mf.train()
    user_rating = mf.full_matrix()[each_user].tolist()
    topN = [(i,user_rating.index(i)) for i in user_rating]
    topN = [i[1] for i in sorted(topN,key=lambda x:x[0],reverse=True)]
    return topN


if __name__ == '__main__':
    # getAllCars()
    getAllCars()
    print(modelFn(3))

🍅✌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👇🏻