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、MySQL数据库、HTML、CSS、Echarts可视化工具、协同过滤推荐算法（基于用户+基于物品）

功能模块
• 用户注册登录模块
• 首页房源展示模块
• 热门房源展示模块
• 房源详细信息模块
• 房源收藏模块
• 房源评分模块
• 基于用户的协同过滤推荐模块
• 基于物品的协同过滤推荐模块
• 租金区间分布可视化模块
• 房源词云图展示模块
• 发布时间分布可视化模块
• 饼图分析模块
• 个人中心模块
• 评论管理模块
• 后台数据管理模块

项目介绍
本系统是基于Python与Django框架构建的智能房源推荐与分析平台，聚焦租房市场信息繁杂、用户筛选低效的痛点。系统后端采用Django框架搭建稳定Web应用，MySQL数据库存储房源、用户、评分及评论等核心数据；前端通过HTML、CSS构建友好交互界面，集成Echarts可视化工具生成多维度数据图表。核心技术亮点在于融合基于用户与基于物品的双协同过滤推荐算法，根据用户历史行为与房源特征相似度进行个性化房源匹配。系统功能覆盖用户找房全流程，包括房源信息展示、热门房源推荐、房源详情查看、收藏评分交互、个性化推荐、多维度可视化分析、个人中心管理以及后台数据管控等模块，通过算法推荐与可视化分析双重赋能，帮助用户快速把握市场动态、提升找房效率，同时为管理员提供便捷的数据维护工具。

2、项目界面

（1）房源信息+热门房源
该页面是租房数据分析与推荐系统界面，包含首页导航、标签筛选、数据可视化、管理员后台入口、房源搜索、收藏排序、热门房源展示、基于用户推荐房源及分页浏览等功能模块，可多维度展示与推荐租房房源信息。

（2）房源详细信息、收藏、评分、基于用户推荐、基于房源推荐
该页面是租房数据分析与推荐系统界面，包含首页导航、标签筛选、数据可视化、管理员后台入口、房源搜索、房源详情查看、收藏操作、评分提交、基于物品与用户的房源推荐及热门房源展示等功能模块，可多维度呈现租房房源信息并提供个性化推荐。

（3）可视化分析----租金区间分布
该页面是租房数据分析与推荐系统界面，包含首页导航、标签筛选、数据可视化、管理员后台入口、房源搜索等功能模块，可通过双轴图表直观展示不同租金区间的房源数量与对应房源评分分布情况，辅助用户了解租房市场价格与评分关联。

（4）房源词云图
该页面是租房数据分析与推荐系统界面，包含首页导航、标签筛选、数据可视化、管理员后台入口、房源搜索等功能模块，可通过词云图直观呈现租房房源的小区名称分布特征，直观展示热门租房区域信息。

（5）发布时间分布图
该页面是租房数据分析与推荐系统界面，集成了首页导航、标签筛选、数据可视化展示、管理员后台功能入口，可进行房源信息管理、租房数据统计分析及可视化呈现，还支持房源搜索等操作，用于直观展示租房市场数据并提供系统管理功能。

（6）饼图分析
该页面是租房数据分析与推荐系统界面，包含首页导航、标签筛选、数据可视化、管理员后台入口、房源搜索等功能模块，可通过饼图直观展示不同租金区间的房源占比分布，帮助用户快速把握租房市场价格结构。

（7）个人中心-----我的收藏、评论、评分、个人信息
该页面是租房数据分析与推荐系统界面，包含首页导航、标签筛选、数据可视化、管理员后台入口、房源搜索等功能模块，可展示个人信息、管理收藏评论评分，支持修改账号与邮箱信息，同时呈现热门房源与基于用户的推荐房源。

（8）注册登录
该页面是租房数据分析与推荐系统的用户登录界面，包含账号密码输入、登录验证及注册入口等功能模块，支持用户输入账号密码完成登录，也可跳转至注册页面，是系统访问的身份验证入口。

（9）后台数据管理
该页面是租房数据分析与推荐系统的后台管理界面，包含首页导航、Item 管理、偏好设置、房源数据管理、标签管理、用户管理、评分信息与评论管理等功能模块，可对房源数据进行增加、删除等操作，同时支持主题切换与用户信息管理，是系统数据维护的核心入口。

3、项目说明

一、技术栈简要说明

本系统后端基于Python语言开发，采用Django框架构建Web应用层，负责处理业务逻辑与数据交互；使用MySQL数据库作为数据存储介质，管理房源信息、用户数据、评分记录及评论内容；前端页面采用HTML、CSS构建用户交互界面，保证页面布局清晰与操作流畅；数据可视化层面引入Echarts工具生成各类分析图表，直观呈现市场数据特征；核心算法层面集成基于用户与基于物品的双协同过滤推荐算法，实现个性化房源匹配。

二、功能模块详细介绍

• 用户注册登录模块
该模块作为系统访问入口，提供账号密码输入与登录验证功能，支持新用户通过注册页面创建账户。系统对输入信息进行基础校验，保障用户身份认证准确性与账户信息安全。

• 首页房源展示模块
模块以分页列表形式在系统首页展示全部房源信息，包含房源图片、租金价格、所在区域、户型结构等核心字段，支持用户快速浏览房源基础信息，了解市场供给概况。

• 热门房源展示模块
该模块基于房源收藏量、评分数据及浏览热度等指标，筛选出高人气房源并在首页突出展示，帮助用户快速发现市场中受关注程度较高的优质房源。

• 房源详细信息模块
用户点击特定房源后进入详情页面，模块展示该房源的完整信息，包括户型详情、建筑面积、配套设施、所在楼层、详细地址等，为用户提供全面的房源了解渠道。

• 房源收藏模块
模块支持用户在浏览房源时进行收藏操作，收藏记录存入数据库并与用户账号关联。用户可在个人中心查看收藏列表，方便后续快速查找意向房源。

• 房源评分模块
该模块允许用户对已查看房源进行评分提交，评分数据作为推荐算法的重要输入特征，同时丰富系统数据维度，为其他用户提供参考依据。

• 基于用户的协同过滤推荐模块
模块通过分析用户历史评分与收藏行为，计算用户之间的相似度，为目标用户匹配行为相似的其他用户所偏好的房源，生成个性化推荐列表。

• 基于物品的协同过滤推荐模块
该模块基于房源特征数据及用户行为记录，计算房源之间的相似度，为用户推荐与其曾关注房源特征相似的其他房源，拓宽用户选择范围。

• 租金区间分布可视化模块
模块对房源租金数据进行分段统计，通过Echarts生成双轴图表，直观展示不同租金区间内的房源数量分布及各区间对应的平均评分情况，辅助用户了解市场价格与质量关联。

• 房源词云图展示模块
该模块对房源描述文本及小区名称进行分词处理，统计关键词出现频率，利用Echarts生成词云图进行可视化展示，字号大小代表词频高低，直观呈现热门租房区域与房源特征。

• 发布时间分布可视化模块
模块提取房源发布时间数据，通过Echarts生成时间分布折线图或柱状图，展示房源在不同时间段的发布数量变化趋势，帮助用户了解市场更新频率。

• 饼图分析模块
该模块对房源分类数据进行统计，包括不同租金区间占比、区域分布占比、户型结构占比等，通过Echarts生成饼图直观展示各类别比例关系。

• 个人中心模块
模块集中管理用户个人信息，展示用户收藏房源列表、历史评论记录及评分提交记录，支持用户修改账号资料与登录密码，同时展示基于用户行为的推荐房源。

• 评论管理模块
该模块对用户提交的房源评论进行集中管理，展示评论内容、评论用户及对应房源信息，支持管理员审核与删除操作，维护系统评论环境质量。

• 后台数据管理模块
模块为管理员提供系统数据维护功能，可对房源信息、用户账户、标签分类、评分记录、评论内容等各类数据进行增删改查操作，保障平台数据有序更新与准确管理。

三、项目总结

本系统聚焦租房市场信息繁杂、用户筛选低效的现实痛点，构建了一套功能完整的智能房源推荐与分析平台。后端采用Python与Django框架搭建稳定Web应用，MySQL数据库保障房源、用户、评分等核心数据高效存储；前端通过HTML、CSS构建友好交互界面，集成Echarts可视化工具生成多维度数据图表。核心技术亮点在于融合基于用户与基于物品的双协同过滤推荐算法，根据用户历史行为与房源特征相似度进行个性化房源匹配。系统功能覆盖用户找房全流程，涵盖房源信息展示、热门推荐、详情查看、收藏评分、双算法个性化推荐、多维度可视化分析、个人中心管理以及后台数据管控等模块，通过算法推荐与可视化分析双重赋能，帮助用户快速把握市场动态、提升找房效率，同时为管理员提供便捷的数据维护工具，兼具技术创新性与实际应用价值。

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：房源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]

    # 给用户推荐房源
    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():  # 推荐的用户的房源列表
                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
        # 对推荐的结果按照房源
        # 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 = {}
        # 用户有给房源打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.movie.id), i.mark)#填充房源数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为房源打过分，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()
    # 没有人给当前房源打分
    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，用户评分前三的房源
    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房源，用户没看过的30部，对这30部房源，计算距离最近
    un_watched = xiangmu.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的房源
    watched = Rate.objects.filter(user_id=user_id).values_list('movie_id', 'mark')
    distances = []
    names = []
    # 在未看过的房源中找到
    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))#加入相似的房源
    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 按照未看过的房源中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list


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

5、项目列表

6、项目获取方式

🍅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👇🏻