python版协同过滤算法图书管理系统

本文介绍: 基于用户协同过滤算法的图书推荐系统基于物品协同过滤算法的图书推荐系统基于机器学习 k–m e ans 聚类的图书推荐系统

在这里插入图片描述

根据用户对物品或者信息的偏好，发现物品或者内容本身的相关性，或者是发现用户的相关性，然后再基于这些关联性进行推荐，种被称为基于协同过滤的推荐。

本系统使用了三种推荐算法：基于用户的协同过滤算法、基于物品的协同过滤算法、基于机器学习 k–m e ans 聚类的过滤算法，以及三种算法的混合推荐算法。

在这里插入图片描述

用户在浏览器发起一个请求：通过V对M和T进行连接，用户通过T(界面)对服务器进行访问（发送请求），T把请求传给V(调度)，V调用M(数据模型)获取数据，把数据给模板T进行渲染，然后再把渲染后的模板返回给用户。
MTV框架是一种 把业务逻辑、数据、界面显示分离而设计创建的Web应用程序的开发模式。在web开发中应该尽量使代码高内聚低耦合，这样利于代码复用、维护、管理，MTV框架就是这样分层的。
M对应于Model，即数据模型（数据层），用于管理数据库，对数据进行增删改查；
T对应于视图，template(即T),模板，用于管理html文件，呈现给用户的界面；
V对应于控制层，views(即V),视图调度器，用于访问数据层，获取数据，把数据调度给模板进行渲染，把渲染的结果返回给客户端。
MTV框架的大体流程是：
1、客户端发起请求，路由对客户发起的请求进行统一处理和分发给控制层；
2、控制层获取请求，访问数据层；
3、数据层对数据进行增删改查，把数据返回给控制层；
4、控制层获取数据，把数据调度给视图(模板)；
5、视图(模板)对数据进行渲染，形成html文件返回给控制层；
6、控制层把渲染后的视图(模板)返回给客户端。

启动项目后，浏览器输入127.0.0.1:8000即可打开前端界面。

启动项目后，浏览器输入127.0.0.1:8000xadmin可打开后台界面。
在这里插入图片描述

--------+--------+--------+--------+--------+
        |   X    |    Y   |    Z   |    R   |
--------+--------+--------+--------+--------+
    a   |   5    |    4   |    1   |    5   |
--------+--------+--------+--------+--------+
    b   |   4    |    3   |    1   |    ?   |
--------+--------+--------+--------+--------+
    c   |   2    |    2   |    5   |    1   |
--------+--------+--------+--------+--------+

--------+--------+--------+--------+
        |   X    |    Y   |    Z   |
--------+--------+--------+--------+
    d   |   4    |    4   |    5   |
--------+--------+--------+--------+
    e   |   1    |    1   |    2   |
--------+--------+--------+--------+
    f   |   4    |    1   |    5   |
--------+--------+--------+--------+

1.构建⽤户–&gt;物品的对应表
2.构建物品与物品的关系矩阵(同现矩阵)
3.通过求余弦向量夹角计算物品之间的相似度，即计算相似矩阵
4.根据⽤户的历史记录，给⽤户推荐物品

例如：A⽤户喜欢唐伯虎点秋香，逃学威龙1，追龙 ，兴趣度分别为5,1,2

在用户A的评分电影列表中只有唐伯虎点秋香与喜欢你有相似度，推荐喜欢你的预测兴趣度=5 x 0.5 = 2.5

在用户A的评分电影列表中只有唐伯虎点秋香与暗战有相似度，推荐暗战的预测兴趣度=5 x 0.5 = 2.5

在用户A的评分电影列表中只有逃学威龙1与他人笑我太疯癫有相似度，推荐他人笑我太疯癫的预测兴趣度=1 x 0.82 =0.82

从数据库中
1、首先获取书籍类别
2、获取用户注册时勾选喜欢的类别，勾选的为1，否则为0，得到一个样本数据
例：[1,0,1,0,0,...]，[1,1,1,0,1,...]，[0,0,1,0,0,...]，
3、使用k-mean算法把用户分成6类【用户模型】
4、获取6类的【用户模型】的质心，比如[1,0,1,0,0,...]
把为1的类别找出来，然后获取该类别排行前3的书籍，组成一个推荐列表推荐给用户
5、类别书籍排行按收藏量来排序
6、用户购买书籍行为会动态更新样本数据