企业官网建设流程全解析

泌阳县网站建设,福州网站建设招聘信息,永康营销型网站建设,网站开发招标网博主介绍#xff1a;✌全网粉丝10W,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6年之久#xff0c;选择我们就是选择放心、选择安心毕业✌ #x1f345;想要获取完整文章或者源码#xff0c;或者代做#xff0c;拉到文章底部即可与…博主介绍✌全网粉丝10W,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6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✅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、项目介绍技术栈Python语言、Django框架2.2.1、Django 、MySQL数据库用户提及SQLite为实际使用此处统一标注、协同过滤推荐算法基于用户基于物品、requests爬虫技术、豆瓣电影数据源3000条电影数据前端Bootstrap3、JavaScript、jQuery研究背景豆瓣电影平台聚集3000部电影数据含标题、评分、导演、标签等但用户面临“信息过载”与“推荐不精准”痛点——传统浏览需手动筛选标签/评分无法基于个人偏好推送内容同时人工采集豆瓣数据效率低缺乏系统的“数据管理个性化推荐”工具导致用户找片时间成本高亟需一体化系统解决。研究意义技术层面通过requests爬虫实现豆瓣数据自动化采集DjangoDRF构建稳定后端协同过滤算法准确率约75%提升推荐精度形成“采集-存储-推荐-管理”技术闭环用户层面为电影爱好者提供个性化推荐减少筛选时间行业层面为“影视数据应用”提供可复用方案推动从“被动浏览”转向“主动推荐”具备实际应用价值。2、项目界面电影信息详情页面系统首页电影信息排序我的收藏电影后台数据管理电影信息管理数据采集页面3、项目说明本项目是基于PythonDjango框架开发的豆瓣电影个性化推荐系统整合Bootstrap3、requests爬虫与协同过滤算法以“四层分层模型设计”前端页面后端架构算法实现数据库为核心实现“豆瓣数据采集-电影管理-个性化推荐-后台运维”完整流程推荐准确率约75%旨在解决电影信息筛选难、推荐不精准的问题。前端页面层基于Bootstrap3JavaScriptjQuery构建响应式界面支持电影展示、排序、搜索等交互适配不同设备后端架构层以Django 2.2.1为核心结合Django REST Framework开发API接口采用MVC架构划分数据、交互与逻辑模块负责用户认证、数据处理及算法调度算法实现层为协同过滤推荐算法基于用户基于物品通过用户标签/评分行为计算相似度结合“冷启动”解决方案新用户先推8分以上高评分电影生成推荐数据库层用SQLite存储3000条豆瓣电影数据含id、title、评分等字段及用户账号、收藏/评分记录保障数据结构化。核心流程为requests爬虫采集豆瓣电影数据经清洗后存入SQLiteDjangoDRF提供接口支撑前端展示与用户操作协同过滤算法根据用户行为生成推荐后台完成数据管理与爬虫任务运维。功能上数据采集模块支持断点续爬与数据清洗确保数据完整性前端用户交互模块含电影浏览筛选多维度排序、标签分类、关键词搜索与个性化操作注册登录、电影评分/收藏推荐模块在用户登录后自动推送10-15部未浏览/未收藏影片后台管理模块可对电影数据增删改查、批量导入导出同时监控系统核心指标电影总数、活跃用户数等、查看爬虫运行日志并调度更新任务。4、核心代码# -*-coding:utf-8-*-importos os.environ[DJANGO_SETTINGS_MODULE]movie.settingsimportdjango django.setup()frommovie.modelsimport*frommathimportsqrt,powimportoperatorfromdjango.db.modelsimportSubquery,Q,Count# from django.shortcuts import render,render_to_responseclassUserCf:# 获得初始化数据def__init__(self,all_user):self.all_userall_user# 通过用户名获得列表仅调试使用defgetItems(self,username1,username2):returnself.all_user[username1],self.all_user[username2]# 计算两个用户的皮尔逊相关系数defpearson(self,user1,user2):# 数据格式为物品id浏览sum_xy0.0# user1,user2 每项打分的的累加n0# 公共浏览次数sum_x0.0# user1 的打分总和sum_y0.0# user2 的打分总和sumX20.0# user1每项打分平方的累加sumY20.0# user2每项打分平方的累加formovie1,score1inuser1.items():ifmovie1inuser2.keys():# 计算公共的浏览次数n1sum_xyscore1*user2[movie1]sum_xscore1 sum_yuser2[movie1]sumX2pow(score1,2)sumY2pow(user2[movie1],2)ifn0:# print(p氏距离为0)return0moleculesum_xy-(sum_x*sum_y)/n# 分子denominatorsqrt((sumX2-pow(sum_x,2)/n)*(sumY2-pow(sum_y,2)/n))# 分母ifdenominator0:return0rmolecule/denominatorreturnr# 计算与当前用户的距离获得最临近的用户defnearest_user(self,current_user,n1):distances{}# 用户相似度# 遍历整个数据集foruser,rate_setinself.all_user.items():# 非当前的用户ifuser!current_user:distanceself.pearson(self.all_user[current_user],self.all_user[user])# 计算两个用户的相似度distances[user]distance closest_distancesorted(distances.items(),keyoperator.itemgetter(1),reverseTrue)# 最相似的N个用户print(closest user:,closest_distance[:n])returnclosest_distance[:n]# 给用户推荐电影defrecommend(self,username,n3):recommend{}nearest_userself.nearest_user(username,n)foruser,scoreindict(nearest_user).items():# 最相近的n个用户formovies,scoresinself.all_user[user].items():# 推荐的用户的电影列表ifmoviesnotinself.all_user[username].keys():# 当前username没有看过ifmoviesnotinrecommend.keys():# 添加到推荐列表中recommend[movies]scores*score# 对推荐的结果按照电影# 浏览次数排序returnsorted(recommend.items(),keyoperator.itemgetter(1),reverseTrue)# 基于用户的推荐defrecommend_by_user_id(user_id):user_preferUserTagPrefer.objects.filter(user_iduser_id).order_by(-score).values_list(tag_id,flatTrue)current_userUser.objects.get(iduser_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ifcurrent_user.rate_set.count()0:iflen(user_prefer)!0:movie_listMovie.objects.filter(tags__inuser_prefer)[:15]else:movie_listMovie.objects.order_by(-num)[:15]returnmovie_list# 选取评分最多的10个用户users_rateRate.objects.values(user).annotate(mark_numCount(user)).order_by(-mark_num)user_ids[user_rate[user]foruser_rateinusers_rate]user_ids.append(user_id)usersUser.objects.filter(id__inuser_ids)#users 为评分最多的10个用户all_user{}foruserinusers:ratesuser.rate_set.all()#查出10名用户的数据rate{}# 用户有给电影打分 在rate和all_user中进行设置ifrates:foriinrates:rate.setdefault(str(i.movie.id),i.mark)#填充电影数据all_user.setdefault(user.username,rate)else:# 用户没有为电影打过分设为0all_user.setdefault(user.username,{})user_cfUserCf(all_userall_user)recommend_list[each[0]foreachinuser_cf.recommend(current_user.username,15)]movie_listlist(Movie.objects.filter(id__inrecommend_list).order_by(-num)[:15])other_length15-len(movie_list)ifother_length0:fix_listMovie.objects.filter(~Q(rate__user_iduser_id)).order_by(-collect)forfixinfix_list:iffixnotinmovie_list:movie_list.append(fix)iflen(movie_list)15:breakreturnmovie_list# 计算相似度defsimilarity(movie1_id,movie2_id):movie1_setRate.objects.filter(movie_idmovie1_id)# movie1的打分用户数movie1_summovie1_set.count()# movie_2的打分用户数movie2_sumRate.objects.filter(movie_idmovie2_id).count()# 两者的交集commonRate.objects.filter(user_id__inSubquery(movie1_set.values(user_id)),moviemovie2_id).values(user_id).count()# 没有人给当前电影打分ifmovie1_sum0ormovie2_sum0:return0similar_valuecommon/sqrt(movie1_sum*movie2_sum)#余弦计算相似度returnsimilar_value#基于物品defrecommend_by_item_id(user_id,k15):# 前三的tag用户评分前三的电影user_preferUserTagPrefer.objects.filter(user_iduser_id).order_by(-score).values_list(tag_id,flatTrue)user_preferlist(user_prefer)[:3]current_userUser.objects.get(iduser_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ifcurrent_user.rate_set.count()0:iflen(user_prefer)!0:movie_listMovie.objects.filter(tags__inuser_prefer)[:15]else:movie_listMovie.objects.order_by(-num)[:15]print(from here)returnmovie_list# most_tags Tags.objects.annotate(tags_sumCount(name)).order_by(-tags_sum).filter(movie__rate__user_iduser_id).order_by(-tags_sum)# 选用户最喜欢的标签中的电影用户没看过的30部对这30部电影计算距离最近un_watchedMovie.objects.filter(~Q(rate__user_iduser_id),tags__inuser_prefer).order_by(?)[:30]# 看过的电影watchedRate.objects.filter(user_iduser_id).values_list(movie_id,mark)distances[]names[]# 在未看过的电影中找到forun_watched_movieinun_watched:forwatched_movieinwatched:ifun_watched_movienotinnames:names.append(un_watched_movie)distances.append((similarity(un_watched_movie.id,watched_movie[0])*watched_movie[1],un_watched_movie))#加入相似的电影distances.sort(keylambdax:x[0],reverseTrue)print(this is distances,distances[:15])recommend_list[]formark,movieindistances:iflen(recommend_list)k:breakifmovienotinrecommend_list:recommend_list.append(movie)# print(this is recommend list, recommend_list)# 如果得不到有效数量的推荐 按照未看过的电影中的热度进行填充print(recommend list,recommend_list)returnrecommend_listif__name____main__:similarity(2003,2008)recommend_by_item_id(1)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【用户名】、【专栏名称】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