🌐 跨境电商产品推荐与展示系统（Django 项目）
项目简介
本项目是一个基于 Django 框架 开发的跨境电商产品推荐与展示系统，融合了智能推荐算法 、数据可视化分析 和用户互动功能。系统采用协同过滤算法实现个性化商品推荐，配备现代化响应式界面与完整的后台管理模块。
✨ 核心功能
🛍️ 商品展示与管理
- 商品浏览：分页展示商品信息（图片、价格、店铺等）
- 分类标签：支持多标签关联与分类筛选
- 模糊搜索：按商品名称关键词快速检索
- 商品详情页：展示评分、评论、收藏等交互信息
🎯 智能推荐系统
- 基于用户的协同过滤（UserCF）：根据相似用户行为推荐商品
- 基于物品的协同过滤（ItemCF）：基于商品标签相似度推荐同类商品
- 用户偏好学习：记录评分与收藏行为，持续优化推荐效果
- 缓存优化：利用 Django Cache 提升推荐响应速度
📊 数据分析与可视化
- 数据看板：实时展示核心运营指标
- 商品分析：分类分布、价格区间统计
- 店铺分析：类型分布、商品数量排行
- 词云图：基于商品名称生成关键词云（使用 jieba + PyECharts）
- 交互图表：集成 ECharts，支持柱状图、饼图、折线图等
👥 用户交互功能
- 用户系统：注册 / 登录 / 密码找回
- 商品评分：1--5 星打分机制
- 评论系统：发布、点赞、删除评论
- 收藏功能：一键收藏心仪商品
- 个人中心：集中查看评分、评论、收藏记录
🔧 后台管理
- 美化 Admin：基于 SimpleUI 的 Django 管理后台
- 数据管理：对商品、用户、标签、评论等进行增删改查（CRUD）
- 权限控制：支持管理员角色分级
⚙️ 技术栈
后端
- 框架：Django 2.2.10
- 数据库：SQLite（开发环境）
- ORM：Django ORM
- 缓存：Django Cache Framework
- API：Django REST Framework（预留扩展接口）
前端
- 模板引擎：Django Templates
- 样式：Bootstrap + 自定义 CSS
- JS 库：jQuery + ECharts
- 图标：Font Awesome
- 响应式：适配 PC 与移动端
数据分析
- 可视化：ECharts + PyECharts
- 数据处理：Pandas
- 中文分词：jieba
- 词云生成：PyECharts WordCloud
推荐算法
- 协同过滤：UserCF + ItemCF
- 相似度计算：皮尔逊相关系数（Pearson Correlation）
- 行为挖掘：用户评分、收藏、标签偏好分析
🗂️ 项目结构
DjangoCart/
├── code/
│ ├── manage.py
│ ├── db.sqlite3
│ ├── productrecomend/ # 项目配置
│ │ ├── settings.py
│ │ ├── urls.py
│ │ └── wsgi.py
│ ├── product/ # 核心应用
│ │ ├── models.py
│ │ ├── views.py
│ │ ├── admin.py
│ │ ├── forms.py
│ │ └── word_cloud.py
│ ├── product_it/ # 推荐算法模块
│ │ ├── recommend_movies.py
│ │ └── cache_keys.py
│ ├── templates/ # HTML 模板
│ │ ├── base.html
│ │ ├── dashboard.html
│ │ ├── product.html
│ │ └── ...
│ ├── static/ # 静态资源
│ │ ├── css/
│ │ ├── js/
│ │ └── images/
│ ├── media/ # 用户上传媒体（如商品图）
│ └── csv_data/ # 初始数据文件（可用于导入）🧩 数据模型（核心）
| 模型 | 说明 |
|---|---|
User |
用户基本信息（用户名、邮箱、密码等） |
Product |
商品信息（名称、价格、店铺、图片、标签等） |
Tags |
商品分类标签 |
Rate |
用户对商品的评分记录（1--5星） |
Comment |
用户评论内容及时间 |
UserTagPrefer |
用户对标签的偏好权重（用于冷启动推荐） |
关系设计
- 用户 ↔ 商品：多对多（收藏）
- 用户 → 评分：一对多
- 用户 → 评论：一对多
- 商品 ↔ 标签：多对多
- 评论 ↔ 用户（点赞）：多对多
🧠 推荐算法详解
1. 基于用户的协同过滤（UserCF）
- 相似度计算：皮尔逊相关系数
- 邻居选择：选取最相似的 K 个用户
- 评分预测：加权平均相似用户的历史评分
- 推荐生成：推荐预测评分最高的 N 个商品
2. 基于物品的协同过滤（ItemCF）
- 标签相似度：通过商品共现标签计算相似性
- 同类推荐：在商品详情页推荐相似标签商品
- 热度加权：结合收藏数、评分数量提升热门商品曝光
3. 冷启动策略
- 新用户：默认推荐热门商品
- 标签引导：根据用户初始选择的偏好标签推荐
- 随机兜底：无行为数据时启用多样性随机推荐
代码下载地址：点击下载