当前位置：首页 > news >正文

推荐系统实战：python新能源汽车智能推荐（两种协同过滤+Django 全栈项目源码）计算机专业✅

news 2025/10/14 6:35:12

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：2026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（数据存储）、Django框架（Web后端+MVT架构）、Echarts可视化（多维度图表展示）、两种协同过滤推荐算法（基于用户/基于物品）、HTML+CSS（前端界面）
核心功能：新能源汽车数据管理（车型信息、参数、用户评价）、多维度可视化分析（销量/价格/品牌分布、用户评价词云）、个性化推荐（基于用户偏好的两种协同过滤算法）、汽车详情展示、用户中心（个人信息管理）、后台数据管理（增删改查）
研究背景：新能源汽车市场快速增长，车型迭代频繁（如比亚迪、特斯拉、蔚来等品牌多系列车型），用户面临“选车难”痛点——参数复杂（续航、充电速度、价格）、信息分散（不同平台数据碎片化）；传统推荐依赖人工导购，缺乏“数据驱动的个性化匹配”。亟需整合“数据聚合+可视化分析+智能推荐”的系统，降低选车门槛。
研究意义：技术层面，融合Django全栈开发与协同过滤算法，构建“数据-分析-推荐”闭环，为推荐系统落地提供参考；应用层面，为购车用户提供“精准推荐+数据对比”，为车企提供“市场趋势洞察”；学习层面，适合作为Web开发+推荐算法的毕业设计，覆盖数据库设计、算法实现、可视化开发核心技能。

2、项目界面

新能源汽车数据（车型列表与核心参数）
新能源汽车详情页（单车型完整信息）
新能源汽车词云图分析（用户评价关键词）
两种协同过滤推荐算法推荐结果（个性化推荐列表）
新能源汽车曲线分析（如续航与价格关联趋势）
新能源汽车发行年份曲线图（各年份车型数量趋势）
新能源汽车品牌饼状图（市场占比分布）
新能源汽车分类（按类型/价格区间划分）
个人信息（用户中心与偏好设置）
后台数据管理（数据维护界面）

3、项目说明

本项目是基于Django+协同过滤算法的新能源汽车智能推荐系统，聚焦“数据聚合-可视化分析-个性化推荐”核心需求，通过MySQL存储车型数据，Echarts实现多维度可视化，两种协同过滤算法生成精准推荐，构建“用户友好+技术完整”的新能源汽车信息服务平台。

（1）系统架构与技术逻辑

架构设计：采用Django MVT（Model-View-Template）架构，分层清晰：
1. 数据层（MySQL）：存储核心数据，核心表结构包括——
  - 车型表（id、名称、品牌、续航里程、价格、发布年份、类型（纯电/混动））；
  - 用户表（id、账号、密码、注册时间、浏览历史、收藏车型）；
  - 评价表（id、用户id、车型id、评分、评价内容、时间）；
2. 业务逻辑层（Django）：
  - 模型层（Model）：定义数据结构，映射MySQL表，提供数据库操作接口；
  - 视图层（View）：处理用户请求（如浏览、推荐、分析），调用推荐算法与数据分析逻辑；
  - 模板层（Template）：结合HTML+CSS渲染前端界面，嵌入Echarts图表；
3. 算法层：实现两种协同过滤推荐算法，为推荐功能提供核心逻辑；
4. 可视化层（Echarts）：将分析后的数据转化为直观图表，支撑数据洞察；
核心流程：车型数据存入MySQL→Django后端处理用户请求（浏览/评价）→记录用户行为→调用协同过滤算法生成推荐→Echarts渲染可视化结果→前端展示（列表/详情/推荐）→管理员通过后台维护数据。

（2）核心功能模块详解

① 数据管理与采集模块（基础支撑）

功能：聚合新能源汽车核心数据，为分析与推荐提供基础；
数据构成：
- 基础参数：车型名称、品牌（比亚迪/特斯拉等）、类型（纯电动/插电混动）、续航里程（CLTC工况）、价格区间、发布年份、充电时间；
- 用户生成内容：用户评分（1-5星）、评价文本（如“续航扎实”“空间小”）；
数据来源：通过结构化爬取（或手动录入）主流汽车平台的新能源车型数据，经清洗（去重、补全缺失值）后存入MySQL，支持管理员通过“后台数据管理”手动更新（如新增2024款车型）。

② 多维度可视化分析模块（数据洞察）

通过Echarts将数据转化为多类型图表，直观呈现市场规律与用户偏好：

核心图表与价值：
1. 词云图分析：提取用户评价文本中的高频词（如“续航”“智能驾驶”“性价比”），展示用户关注焦点（如词云越大代表提及次数越多）；
2. 曲线分析：折线图展示“续航里程与价格的关联趋势”（如“价格越高，续航普遍越长”）、“年度销量变化”（反映市场热度趋势）；
3. 发行年份曲线：折线图展示“各年份新能源车型发布数量”，反映市场扩张速度（如2020年后车型数量激增）；
4. 品牌饼状图：展示“各品牌车型数量占比”（如比亚迪占比30%，特斯拉占比15%），反映品牌市场布局；
5. 分类展示：按“价格区间（10万以下/10-20万等）”“类型（纯电/混动）”划分车型列表，方便用户筛选。

③ 两种协同过滤推荐模块（核心价值）

针对用户个性化需求，实现两种推荐算法，提升推荐精准度：

基于用户的协同过滤：
- 逻辑：找到与目标用户“评价偏好相似”的用户群体（如用户A和用户B对3款车型的评分相似度达80%），将相似用户高评分的车型推荐给目标用户；
- 实现：通过余弦相似度计算用户间的偏好相似度，选取TOP10相似用户，加权其评分生成推荐列表；
- 适用场景：用户评价数据丰富时，推荐“小众但符合偏好”的车型；
基于物品的协同过滤：
- 逻辑：分析车型间的“共现关系”（如同时被多个用户收藏的车型视为相似），向用户推荐与其浏览/收藏车型相似的车型；
- 实现：计算车型间的相似度（基于参数向量：续航、价格、类型等），选取TOP5相似车型生成推荐；
- 适用场景：新用户（无历史评价）时，基于其浏览的车型参数推荐相似款；
推荐结果展示：界面同时展示两种算法的推荐列表，标注“推荐理由”（如“与您相似的用户常选”“与您浏览的Model 3参数相似”），支持用户切换查看。

④ 用户功能与后台管理模块（交互与运维）

用户功能：
- 基础操作：注册登录（密码加密存储）、浏览车型列表、查看详情页（含参数、评价、相关推荐）；
- 个性化行为：收藏车型、发表评价（评分+文本），系统记录行为数据用于优化推荐；
- 个人中心：查看收藏列表、评价历史，修改个人信息（如昵称、偏好设置）；
后台数据管理（管理员专属）：
- 数据维护：对车型数据进行增删改查（如新增2024款比亚迪海豹参数）、审核用户评价（删除违规内容）；
- 系统配置：查看推荐算法运行日志、调整相似度计算阈值（优化推荐精度）；
- 数据导出：将车型数据、用户行为数据导出为Excel，用于离线分析。

4、核心代码


# -*-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：新能源汽车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 car1, score1 in user1.items():if car1 in user2.keys():  # 计算公共的浏览次数n += 1sum_xy += score1 * user2[car1]sum_x += score1sum_y += user2[car1]sumX2 += pow(score1, 2)sumY2 += pow(user2[car1], 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]# 给用户推荐新能源汽车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 cars, scores in self.all_user[user].items():  # 推荐的用户的新能源汽车列表if cars not in self.all_user[username].keys():  # 当前username没有看过if cars not in recommend.keys():  # 添加到推荐列表中recommend[cars] = scores*score# 对推荐的结果按照新能源汽车# 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:car_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]else:car_list = xiangmu.objects.order_by("-c9")[:15]return car_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 = {}# 用户有给新能源汽车打分 在rate和all_user中进行设置if rates:for i in rates:rate.setdefault(str(i.car.id), i.mark)#填充新能源汽车数据all_user.setdefault(user.username, rate)else:# 用户没有为新能源汽车打过分，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)]car_list = list(xiangmu.objects.filter(id__in=recommend_list).order_by("-c9")[:15])other_length = 15 - len(car_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 car_list:car_list.append(fix)if len(car_list) >= 15:breakreturn car_list# 计算相似度
def similarity(car1_id, car2_id):car1_set = Rate.objects.filter(car_id=car1_id)# car1的打分用户数car1_sum = car1_set.count()# car_2的打分用户数car2_sum = Rate.objects.filter(car_id=car2_id).count()# 两者的交集common = Rate.objects.filter(user_id__in=Subquery(car1_set.values('user_id')), car=car2_id).values('user_id').count()# 没有人给当前新能源汽车打分if car1_sum == 0 or car2_sum == 0:return 0similar_value = common / sqrt(car1_sum * car2_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，用户评分前三的新能源汽车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:car_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]else:car_list = xiangmu.objects.order_by("-c9")[:15]print('from here')return car_list# most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(car__rate__user_id=user_id).order_by('-tags_sum')# 选用户最喜欢的标签中的新能源汽车，用户没看过的30部，对这30部新能源汽车，计算距离最近un_watched = xiangmu.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的新能源汽车watched = Rate.objects.filter(user_id=user_id).values_list('car_id', 'mark')distances = []names = []# 在未看过的新能源汽车中找到for un_watched_car in un_watched:for watched_car in watched:if un_watched_car not in names:names.append(un_watched_car)distances.append((similarity(un_watched_car.id, watched_car[0]) * watched_car[1], un_watched_car))#加入相似的新能源汽车distances.sort(key=lambda x: x[0], reverse=True)print('this is distances', distances[:15])recommend_list = []for mark, car in distances:if len(recommend_list) >= k:breakif car not in recommend_list:recommend_list.append(car)# print('this is recommend list', recommend_list)# 如果得不到有效数量的推荐 按照未看过的新能源汽车中的热度进行填充print('recommend list', recommend_list)return recommend_listif __name__ == '__main__':# similarity(2003, 2008)print(recommend_by_item_id(1799))