博主介绍：✌全网粉丝50W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战8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：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈
Python语言、Django框架、双协同过滤推荐算法、requests爬虫、HTML、MySQL数据库

功能模块
· 用户认证模块
· 个性化商品推荐模块
· 商品全流程交互模块
· 秒杀商品展示模块
· 后台数据管理模块
· 商品数据爬虫采集模块

项目介绍
本项目是基于Django与双协同过滤算法开发的商品推荐系统，核心解决电商平台商品信息过载与用户找货难的问题。系统以product/views.py的index方法为业务中枢，为登录用户调用基于用户和基于物品的两种协同过滤算法生成个性化推荐结果，为未登录用户提供随机商品展示。通过requests爬虫从外部采集商品数据并存入MySQL数据库，为推荐算法运行与商品展示提供数据支撑。业务功能完整覆盖用户认证、商品浏览搜索、收藏打分购买、后台数据管理等全流程，构建起从数据采集、推荐运算到用户交互、运营维护的完整闭环，通过精准推荐提升用户购物体验与平台运营效率。

2、项目界面

双协同过滤推荐算法推荐商品界面（展示基于用户/基于物品两种算法的推荐结果）
该页面展示了基于Django搭建的站点界面，呈现出商品推荐板块，区分了基于用户协同过滤与基于物品协同过滤的推荐商品区域，各板块下配有商品图片，展示了商品外观，并附带商品名称与价格信息，直观呈现不同算法下的推荐商品内容。

系统首页----商品分类界面（展示商品分类导航与秒杀商品列表）
该页面是基于Django搭建的电商站点首页，具备顶部的登录注册与后台管理入口、商品搜索栏与热门搜索词推荐、左侧多级商品分类导航、中部的促销广告与活动展示区、下方的限时秒杀模块等功能，可实现商品检索、分类浏览与营销活动展示。

商品搜索界面（支持商品关键词检索，展示匹配结果）
该页面是基于Django搭建的电商商品搜索结果页，顶部设有登录注册与后台管理入口、商品搜索框及热门搜索词推荐，中部有商品推荐侧边栏与综合排序筛选栏，下方展示匹配关键词的商品列表，包含商品图片、名称及浏览数据，可实现商品检索、筛选与浏览功能。

商品详情页（展示商品信息、支持收藏、打分、购买操作）
该页面是基于Django搭建的电商商品详情页，顶部设有登录注册与后台管理入口、商品搜索框及热门搜索词推荐，中部有面包屑导航、商品多图展示区，下方呈现商品名称、库存、价格、浏览量等信息，还有立即购买按钮与商品介绍模块，可实现商品信息查看与购买引导功能。

后台数据管理界面（维护商品/用户/订单数据，配置系统参数）
该页面是Django管理后台的商品信息管理界面，左侧设有功能导航栏，顶部包含商品信息、账号信息等标签页，配备搜索筛选栏与增加、删除操作按钮，主体区域展示商品列表，包含ID、商品名、价格等信息字段，可实现商品数据的管理、检索与批量操作。

数据网络爬虫界面（配置爬虫任务，采集外部商品数据补充数据库）
该页面是Python开发环境下的爬虫代码编辑与运行界面，左侧为项目文件结构导航，中部是爬虫代码编辑区，可定义搜索关键词与目标网址模板，下方是运行日志输出区，可执行爬虫任务并展示商品数据保存的运行结果，实现电商商品数据的爬取与存储功能。

3、项目说明

一、技术栈简要说明
本系统后端采用Python语言作为开发基础，基于Django框架搭建Web服务架构，实现业务逻辑处理、路由分发与数据交互。推荐算法层面采用双协同过滤机制，融合基于用户的协同过滤与基于物品的协同过滤两种算法，通过用户行为数据计算相似度生成个性化推荐结果。数据采集环节使用requests库编写爬虫脚本，从外部电商平台抓取商品信息，经过清洗处理后存入MySQL数据库，为系统提供基础数据支撑。前端界面采用HTML配合Django模板引擎构建，实现动态页面渲染与用户交互，整体技术架构完整覆盖数据层、算法层、业务层与表现层。

二、功能模块详细介绍
· 用户认证模块：系统提供完整的用户注册、登录与退出功能。注册时采集用户基础信息并加密存储，登录后通过Django session机制维持用户会话状态，为后续个性化推荐和行为数据采集奠定用户身份基础。系统区分登录与未登录两种状态，未登录用户仅能访问基础浏览功能，登录后方可触发精准推荐算法并记录行为数据。

· 个性化商品推荐模块：作为系统的核心功能，该模块针对登录用户调用双协同过滤算法生成个性化推荐。基于用户的协同过滤算法通过构建用户-商品打分矩阵，计算用户间余弦相似度，找到相似用户的高评分商品进行推荐；基于物品的协同过滤算法基于用户浏览行为构建商品共现矩阵，计算商品间相似度，推荐与用户历史浏览相似的商品。两种算法结果分别展示在首页不同区域供用户参考。针对未登录用户，系统从数据库中随机抽取商品进行展示，保障基础浏览体验。

· 商品全流程交互模块：用户可通过搜索框输入关键词检索商品，系统在数据库中进行模糊匹配返回结果页；也可通过左侧多级分类导航按品类筛选商品。进入商品详情页后，用户可以查看商品图片、价格、库存、详细介绍等信息，并执行收藏、打分和购买操作。其中打分数据会实时更新至用户行为表，作为协同过滤算法的输入数据；收藏功能方便用户后续快速找到感兴趣商品；购买操作模拟真实电商交易流程，生成订单记录。

· 秒杀商品展示模块：系统首页设置限时秒杀专区，每次刷新页面时从商品库中随机选取5个商品进行展示，标注秒杀价格，营造促销氛围提升用户访问新鲜感和购买转化率。该模块通过随机抽取逻辑实现，确保每次刷新展示不同商品组合，增强用户回访意愿。

· 后台数据管理模块：基于Django原生admin后台进行二次开发，提供商品信息管理、用户信息管理、订单数据管理功能。管理员可通过可视化界面增删改查商品信息，调整商品分类、价格、库存等参数；查看注册用户列表和行为数据；处理用户订单状态。同时支持配置系统基础参数，如推荐算法权重和秒杀商品选取规则，满足日常运营维护需求。

· 商品数据爬虫采集模块：系统集成基于requests库的爬虫脚本，可配置搜索关键词和目标网站模板，自动抓取外部电商平台的商品标题、图片链接、价格、销量等信息。爬取结果经过数据清洗和格式转换后批量导入MySQL数据库，快速扩充商品库容量，为推荐算法提供丰富素材。该模块支持断点续爬和去重处理，避免重复采集，提升数据采集效率。

三、项目总结
本项目构建了一个基于Django与双协同过滤算法的完整商品推荐系统，实现了从数据采集、个性化推荐到用户交互、后台管理的全流程闭环。系统通过基于用户和基于物品的双协同过滤算法，充分利用用户打分和浏览行为数据，有效解决电商平台商品信息过载和推荐精准度不足的问题，为用户提供差异化购物体验。界面层面，系统首页展示商品分类导航与秒杀商品列表，推荐页面清晰区分两种算法结果，搜索页面支持关键词检索与结果筛选，详情页集成收藏、打分、购买等完整交互功能，后台管理界面提供便捷的数据维护操作，爬虫界面支持外部数据采集配置。在技术实现上，系统将Python爬虫、推荐算法与Web开发有机结合，前端界面简洁直观，后台管理高效便捷，用户操作流程完整流畅。本项目既可作为推荐算法与Web开发方向的毕业设计实践案例，也可为中小型电商平台提供可落地的个性化推荐解决方案，具有较高的应用参考价值。

4、核心代码

"""
协同过滤-基于商品
"""

import math

from account.models import Account
from product.models import Product


class ItemCF:

    # 获得初始化数据
    def __init__(self, data):
        self.similar = dict()
        self.data = data

    def item_similarity(self):
        # 建立物品-物品的共现矩阵
        cooccur = dict()  # 物品-物品的共现矩阵
        buy = dict()  # 物品被多少个不同用户购买N
        for user, items in self.data.items():
            for i in items.keys():
                buy.setdefault(i, 0)
                buy[i] += 1
                cooccur.setdefault(i, {})
                for j in items.keys():
                    if i == j:
                        continue
                    cooccur[i].setdefault(j, 0)
                    cooccur[i][j] += 1
        # 计算相似度矩阵
        for i, related_items in cooccur.items():
            self.similar.setdefault(i, {})
            for j, cij in related_items.items():
                self.similar[i][j] = cij / (math.sqrt(buy[i] * buy[j]))
        print('similar items: ', self.similar.items())
        return self.similar

    # 给用户user推荐，前K个相关用户，前N个物品
    def recommend(self, user, K=6, N=15):
        rank = dict()
        action_item = self.data[user]
        # 用户user产生过行为的item和评分
        for item, score in action_item.items():
            sorted_items = sorted(self.similar[item].items(), key=lambda x: x[1], reverse=True)[0:K]
            for j, wj in sorted_items:
                if j in action_item.keys():
                    continue
                rank.setdefault(j, 0)
                rank[j] += score * wj
        return sorted(rank.items(), key=lambda x: x[1], reverse=True)[0:N]


def recommend_by_item(user_id, u_num=5, p_num=15):
    """
    这是根据用户的浏览数据，进行推荐的
    """
    current_user = Account.objects.get(id=user_id)
    # print("我是当前用户")
    print(current_user.footmark_set.count())
    # 如果当前用户没有浏览任何商品 则按照热度顺序返回
    if current_user.footmark_set.count() == 0:
        book_list = Product.objects.all().order_by("-views_count")[:p_num]
        return book_list
    users = Account.objects.all()
    # 构建评分矩阵
    all_user = {}
    for user in users:
        rates = user.footmark_set.all()
        rate = {}
        # 用户有浏览商品,包装成字典的形式
        if rates:
            for i in rates:
                if i.product.id in rate:
                    rate[i.product.id] += 1
                else:
                    rate.setdefault(str(i.product.id), 1)  # 浏览一次设置为1分
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有浏览过商品，设为0
            all_user.setdefault(user.username, {})
    print("this is all user:", all_user)
    item = ItemCF(data=all_user)
    item.item_similarity()
    recommend_dict = item.recommend(current_user.username, u_num, p_num)
    print('recommend_dict: ', recommend_dict)

    if not recommend_dict:
        # 如果=没有推荐任何商品 则按照热度顺序返回
        maquillage_list = Product.objects.all().order_by("-views_count")[:p_num]
        return maquillage_list

    good_list = [each[0] for each in recommend_dict]
    print('good_list: ', good_list)
    product_qu = Product.objects.filter(id=good_list[0])
    for i in range(1, len(good_list)):
        product_qu = product_qu | Product.objects.all().filter(id=good_list[i])
    return product_qu


def recommend_by_item_collect(user_id, u_num=5, p_num=15):
    """
    这是根据用户收藏的数据进行推荐的
    """
    current_user = Account.objects.get(id=user_id)
    # print("我是当前用户")
    print(current_user.collect_set.count())
    # 如果当前用户没有浏览任何商品 则按照热度顺序返回
    if current_user.collect_set.count() == 0:
        maquillage_list = Product.objects.all().order_by("-views_count")[:p_num]
        return maquillage_list
    users = Account.objects.all()
    # 构建评分矩阵
    all_user = {}
    for user in users:
        rates = user.collect_set.all()
        rate = {}
        # 用户有浏览商品,包装成字典的形式
        if rates:
            for i in rates:
                if i.product.id in rate:
                    rate[i.product.id] += 1
                else:
                    rate.setdefault(str(i.product.id), 1)  # 收藏一次设置为1分
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有浏览过商品，设为0
            all_user.setdefault(user.username, {})
    print("this is all user:", all_user)
    item = ItemCF(data=all_user)
    item.item_similarity()
    recommend_dict = item.recommend(current_user.username, u_num, p_num)
    print('recommend_dict: ', recommend_dict)

    if not recommend_dict:
        # 如果=没有推荐任何商品 则按照热度顺序返回
        maquillage_list = Product.objects.all().order_by("-views_count")[:p_num]
        return maquillage_list

    good_list = [each[0] for each in recommend_dict]
    print('good_list: ', good_list)
    product_qu = Product.objects.filter(id=good_list[0])
    for i in range(1, len(good_list)):
        product_qu = product_qu | Product.objects.all().filter(id=good_list[i])
    return product_qu

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，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻