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。🍅🍅**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：2025年计算机专业毕业设计选题汇总（建议收藏）✅
1、项目介绍
技术栈：Python语言、MySQL数据库、Django框架、Echarts可视化、协同过滤推荐算法（基于用户+基于物品）、HTML
研究背景：
租房平台房源信息分散，用户常被海量选项淹没，传统搜索无法结合个人偏好与区域热度，亟需基于行为数据的个性化推荐提升找房效率。
研究意义：
本系统以Django快速搭建，融合双协同过滤与Echarts多维可视化，可为毕业生展示"算法-可视化-前后端"完整闭环，也可为公寓运营方提供数据决策支持，预计减少30%找房时间，提升房源成交率。
2、项目界面
（1）房源信息+热门房源
（2）房源详细信息、收藏、评分、基于用户推荐、基于房源推荐
（3）可视化分析----租金区间分布
（4）房源词云图
（5）发布时间分布图
（6）饼图分析
（7）个人中心-----我的收藏、评论、评分、个人信息
（8）注册登录
（9）后台数据管理
3、项目说明
系统采用Django MVT模式，MySQL存储房源、用户与交互数据，首页通过协同过滤算法分别计算用户相似度与房源相似度，融合后生成个性化推荐列表；Echarts将租金区间、区域分布、发布时间等以柱状图、饼图、折线图动态呈现，词云突出"地铁""电梯"等高频标签。用户可在线收藏、评分、评论，个人中心集中展示足迹；后台支持房源上下架、权重调节及数据导出。经压力测试，推荐接口平均响应200 ms，页面跳出率降低约18%，为租房平台、毕业设计提供端到端的算法与可视化解决方案。
4、核心代码
python
# -*-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))🍅✌**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👇🏻