当前位置：首页 > news >正文

✅ Python+Django租房推荐系统双协同过滤+Echarts可视化租房系统推荐算法全栈开发（建议收藏）✅

news 2025/9/23 7:28:41

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。🍅

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：2025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、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
在这里插入图片描述

（2）房源详细信息、收藏、评分、基于用户推荐、基于房源推荐
在这里插入图片描述

（3）可视化分析----租金区间分布
在这里插入图片描述

（4）房源词云图
在这里插入图片描述

（5）发布时间分布图
在这里插入图片描述

（6）饼图分析
在这里插入图片描述

（7）个人中心-----我的收藏、评论、评分、个人信息
在这里插入图片描述

（8）注册登录
在这里插入图片描述

（9）后台数据管理
在这里插入图片描述

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

# -*-coding:utf-8-*-
import osos.environ["DJANGO_SETTINGS_MODULE"] = "recommend.settings"
import djangodjango.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 += 1sum_xy += score1 * user2[movie1]sum_x += score1sum_y += user2[movie1]sumX2 += pow(score1, 2)sumY2 += pow(user2[movie1], 2)if n == 0:# print("p氏距离为0")return 0molecule = 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 0r = molecule / denominatorreturn 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] = distanceclosest_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0all_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:breakreturn 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 0similar_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:breakif 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_listif __name__ == '__main__':# similarity(2003, 2008)print(recommend_by_item_id(1799))