某购物网站推荐系统实现 | 数据库、推荐算法
2024-05-18 04:18:28
MySQL数据库配置文件config.py分析
HOST = 'localhost'
USER = 'root'
PASSWORD = '123456'
DATABASE = 'llllll'
数据库操作文件db.py分析
import pymysql # 数据库用的MySQL
from config import *# 获取数据库连接
def get_db():return pymysql.connect(HOST, USER, PASSWORD, DATABASE)# 执行查询多条的sql语句
def select(sql):db = get_db()cursor = db.cursor() # 使用cursor()获取操作游标try:cursor.execute(sql) # 使用execute()方法执行sql语句result = cursor.fetchall() # 使用fetchall()方法获取所有数据return resultexcept:db.rollback() # 发生错误时回滚finally:db.close() # 关闭连接# 执行查询单条的sql语句
def select_one(sql):db = get_db()cursor = db.cursor()try:cursor.execute(sql)result = cursor.fetchone() # 使用fetchone()方法获取一条数据return resultexcept:db.rollback()finally:db.close()
推荐算法1（购买过此物品的用户还购买过）recommend1.py分析
| 属性名称 | 类型 | 描述 |
|---|---|---|
| good_id | int | 商品编号 |
| good_img | string | 商品图片 |
| id | int | 商品编号 |
| img | string | 商品图片 |
| title | string | 商品名称 |
| eva_num | int | 商品评价人数 |
# itemgetter 用于获取对象的哪些位置的数据，参数即为代表位置的序号值
from operator import itemgetter
from db import select# 将购买过good_id的用户及其购物信息筛选出来
def get_data(good_id):sql = 'SELECT u_g.userId, u_g.goodsId, g.img, g.title, g.eva_num FROM user_goods u_g, goods g WHERE userId in (SELECT userId FROM user_goods WHERE goodsId = %d) AND u_g.goodsId = g.id' %good_idresult = select(sql)data = {} # 数据矩阵for row in result: # 遍历result，将数据以字典的形式存储到data中if row[0] not in data: # 如果data中没有这用户，则将这个用户添加进去data[row[0]] = []data[row[0]].append({'id':row[1],'img': row[2],'title': row[3],'eva_num': row[4]})# print(data)return data # data 的结构与下面注释的data的结构近似"""
>>> import numpy as np
>>> data = {}
>>> result = np.array([[1,11,111],[2,22,222],[3,33,333],[1,44,444]])
>>> for row in result:
... if row[0] not in data:
... data[row[0]] = []
... data[row[0]].append({'id':row[1],'title':row[2]})
...
>>> data
{1: [{'id': 11, 'title': 111}, {'id': 44, 'title': 444}], 2: [{'id': 22, 'title': 222}], 3: [{'id': 33, 'title': 333}]}
"""# 购买过此商品的用户还购买过——推荐算法
def recommend1(good_id, count):data = get_data(good_id)goods_count = {} # 统计每个商品出现的次数goods_data = [] # 统计每个商品的信息for user in data.keys(): # 遍历大字典，用户为键，商品信息为值for good in data[user]: # 遍历小字典if good['id'] == good_id: # 如果与已给出的商品相同，则退出此次循环，查看下一个continueif good['id'] not in goods_count: # 如果这个商品没在goods_count中，则添加给物品，默认出现次数为0goods_count.setdefault(good['id'], 0)goods_count[good['id']] += 1 # 将这个商品的出现次数+1 if good['id'] not in goods_data: #如果这个商品不在goods_data中，则添加这个商品goods_data.append(good)# print('商品出现的频次', goods_count)if count < len(goods_count): # 需要推荐的商品个数小于 len(goods_count)，则推荐前count个goods_count_sort = sorted(goods_count.items(), key=itemgetter(1), reverse=True)[:count]else: # 需要推荐的商品个数大于 len(goods_count)，则推荐goods_count里的所有商品goods_count_sort = goods_count# print('商品出现的频次排序', goods_count_sort)count_sort = []for good_id in goods_count_sort: # 统计待推荐的商品序号count_sort.append(good_id[0])print('所要推荐的商品的序号', count_sort)# print('商品信息数据', goods_data, end='\n')# print('要推荐的商品信息')recommend_goods = [] # 存储要推荐的商品for id in count_sort: # 统计要推荐的商品的信息for good in goods_data:if id == good['id'] and good not in recommend_goods:# print('item', good)recommend_goods.append(good)return recommend_goodsif __name__ == '__main__':# get_data(1)for good in recommend1(1, 6): # 推荐6个与商品1相似的商品print(good)
推荐算法2（根据用户的相似度推荐商品） recommend2.py分析
import math
from operator import itemgetter
from db import select# 读出所要的数据并形成矩阵
def get_data():sql = 'SELECT u_g.userId, u_g.goodsId, g.img, g.title, g.eva_num FROM user_goods u_g, goods g WHERE u_g.goodsId = g.id'result = select(sql)return result# 根据用户购买商品的余弦相似度推荐算法
def recommend2(user_id, user_num, recommend_num):result = get_data()user_goods_info = {} # 带有详细信息的数据矩阵{用户：【商品及其信息。。。】。。。}user_goods_matrix = {} # 用户商品矩阵只有用户编号和商品编号的数据矩阵，便于算法使用{用户：【商品。。。】。。。}for row in result: if row[0] not in user_goods_matrix:user_goods_info.setdefault(row[0],[])user_goods_matrix.setdefault(row[0], [])user_goods_info[row[0]].append({'id':row[1],'img': row[2],'title': row[3],'eva_num': row[4]})user_goods_matrix[row[0]].append(row[1])good_user_matrix = {} # 商品用户矩阵，将用户商品矩阵 user_goods_matrix 转换为商品用户矩阵 good_user_matrix，{商品：【用户。。。】。。。}for user, goods in user_goods_matrix.items():for good in goods:if good not in good_user_matrix:good_user_matrix.setdefault(good, set())good_user_matrix[good].add(user)user_inner_matrix = {} # 用户之间相同商品数量矩阵，统计用户之间购买过相同商品的数量{用户1：{用户2：相同商品数，。。。}。。。}for users in good_user_matrix.values():for user1 in users:for user2 in users:if user1 == user2:continueif user1 not in user_inner_matrix:user_inner_matrix.setdefault(user1, {})if user2 not in user_inner_matrix[user1]:user_inner_matrix[user1][user2] = 0user_inner_matrix[user1][user2] += 1user_similar_matrix = {} # 用户之间相似度矩阵，计算用户之间的相似度{用户1：{用户2：相似度，。。。}。。。}for user1, inner in user_inner_matrix.items():for user2, num in inner.items():if user1 not in user_similar_matrix:user_similar_matrix.setdefault(user1, {})if user2 not in user_similar_matrix[user1]:user_similar_matrix[user1][user2] = 0user_similar_matrix[user1][user2] = num / math.sqrt(len(user_goods_matrix[user1]) * len(user_goods_matrix[user2]))user_goods = user_goods_matrix[user_id] # 目标用户的商品集合"""key=itemgetter(1) 按值排序reverse=True 降序排列"""user_similar_matrix = sorted(user_similar_matrix[user_id].items(), key=itemgetter(1), reverse=True)[:user_num] # 和目标用户的相似用户相似度排序good_ids = {} # 要推荐的商品的序号及相似度（ 未排序）for user, similar in user_similar_matrix:for goods in user_goods_matrix[user]:if goods in user_goods:continueif goods not in good_ids:good_ids.setdefault(goods, 0)good_ids[goods] += similargood_ids = sorted(good_ids.items(), key=itemgetter(1), reverse=True)[:recommend_num] # 排序后的商品的序号及相似度count_sort = [] # 要推荐的商品的序号for id in good_ids:count_sort.append(id[0])goods_data = [] # 商品信息数组for user in user_goods_info.keys():for good in user_goods_info[user]:if good not in goods_data:goods_data.append(good)recommend_goods = [] # 要推荐的详细商品for id in count_sort:for good in goods_data:if id == good['id'] and good not in recommend_goods:recommend_goods.append(good)return recommend_goodsif __name__ == '__main__':print(recommend2(2, 2, 4))
推荐算法3（根据商品的相似度推荐）recommend3.py分析
import json
from operator import itemgetter
from db import select,select_one
from jieba import posseg, analyse # 分词、关键词提取# 读出所要的数据并形成矩阵
def get_data(current_page):start = ((current_page-1)*24)+1end = start + 24sql = 'SELECT id, img, title, eva_num FROM goods WHERE id NOT IN ' \'(SELECT id FROM goods WHERE id >= %d AND id < %d)' %(start, end)result = select(sql)return result# 根据商品的相似度推荐
def recommend3(current_page, goods_num):sql = 'SELECT words FROM word WHERE id = %d' %current_pageresult_words = select_one(sql)[0]result = get_data(current_page)other_goods_info = {} # 详细信息的其他商品矩阵other_goods = {} # 便于分析的其他商品矩阵for row in result:if row[0] not in result:other_goods_info.setdefault(row[0],[])other_goods.setdefault(row[0],[])other_goods_info[row[0]] = {'id':row[0],'img': row[1],'title': row[2],'eva_num': row[3]}other_goods[row[0]].append(row[2])stop_words = []with open('stop_words.txt', 'r', encoding='utf-8') as obj: # 获取停用词stop_words = obj.readlines()other_goods_words = {} # {id:[关键词]}for i, (id, oword) in enumerate(other_goods.items()):# print(id, ':', oword[0])keys = []owords = posseg.cut(oword[0]) # 将title分词for owds in owords:if owds.flag.startswith('n') and owds.word not in stop_words:keys.append(owds.word)if id not in other_goods_words:other_goods_words.setdefault(id, [])other_goods_words[id] = analyse.extract_tags(str(keys), topK=4) # 关键词提取# print('other_goods_words', other_goods_words)result_words = json.loads(result_words.replace('\'', '\"'))# print('result_words', result_words)recommend_sort = {}for id, word in other_goods_words.items():if id not in recommend_sort:recommend_sort.setdefault(id, 0)# print('test')# print(set(word))# print(set(result_words))recommend_sort[id] = len(set(word) & set(result_words)) / len(result_words)recommend_sort = sorted(recommend_sort.items(), key=itemgetter(1), reverse=True)[:goods_num]count_sort = [] # 要推荐的商品编号集合for row in recommend_sort:if row[0] not in count_sort:count_sort.append(row[0])print('推荐序号', count_sort)recommend_goods = [] # 要推荐的详细商品# print('推荐详细商品')for id in count_sort:for key, value in other_goods_info.items():if id == key and key not in recommend_goods:recommend_goods.append(value)return recommend_goodsif __name__ == '__main__':recommend3(2,5)
响应状态码文件status_code.py 分析
from flask import jsonify# 状态码列表
STATUS_CODE_200 = {'code': 200, 'message': 'OK all right.'}
STATUS_CODE_201 = {'code': 201, 'message': 'All created.'}
STATUS_CODE_204 = {'code': 204, 'message': 'All deleted.'}
STATUS_CODE_400 = {'code': 400, 'message': 'Bad request.'}
STATUS_CODE_403 = {'code': 403, 'message': 'You can not do this.'}
STATUS_CODE_404 = {'code': 404, 'message': 'No result matched.'}# 带数据的响应
def data_response(status_code, data):return jsonify({'status': status_code, 'data': data})# 带分页数据的响应
def data_with_page_response(status_code, data, current_page, total_pages, total_items):return jsonify({'status': status_code, 'data': data, 'current_page':current_page, 'total_pages': total_pages, 'total_items':total_items})# 只有状态码的响应
def status_response(status_code):return jsonify({'status': status_code})
Flask框架主程序app.py分析
import os
from math import ceil
from flask import Flask, send_file as _send_file
from db import select, select_one
from status_code import *
from recommend1 import recommend1
from recommend2 import recommend2
from recommend3 import recommend3
app = Flask(__name__)# beken code
def get_folder(folder):return os.path.join(os.path.dirname(os.path.abspath(__file__)),folder)def send_file(filename):return _send_file(os.path.join('webroot', filename))# 返回页面
@app.route('/detail/<int:id>')
def detail(id):return send_file('detail.html')@app.route('/')
def index():return send_file('index.html')# 按页获取商品列表 API，/api/goods/<int:page>/<int:offset>
# 说明：前台发送 GET 请求，传入需要显示页面的页数 page，页数从 1 开始，以及每页想显示的条数 offset
# return data, total_pages, current_page, total_items
@app.route('/api/goods/<int:page>/<int:offset>')
def goods_list_page(page, offset):sql = "SELECT COUNT(id) FROM goods"result = select_one(sql)total_items = result[0] # 总条数total_page = int(ceil(total_items / offset)) # 总页数data = []if page > 0 or page <= total_page:start = (page - 1) * offsetsql = "SELECT id, img, origin_country, brand, tag, title, cell_price, pefer_price, activity, explains, eva_num FROM goods LIMIT %d, %d" %(start, offset)result = select(sql)for row in result:data.append({'id': row[0], 'img': row[1], 'origin_country': row[2], 'brand': row[3], 'tag': row[4], 'title': row[5], 'cell_price':row[6], 'pefer_price':row[7], 'activity':row[8], 'explains':row[9], 'eva_num':row[10]})return data_with_page_response(STATUS_CODE_200, data, current_page=page, total_pages=total_page, total_items=total_items)# 获取某个商品的 API，/api/goods/<int:id>
@app.route('/api/goods/<int:id>')
def get_good_by_id(id):sql = "SELECT id, img, origin_country, brand, tag, title, cell_price, pefer_price, activity, service, explains, eva_score, eva_num, sun_num FROM goods WHERE id = %d" %idrow = select_one(sql)data = [{'id': row[0], 'img': row[1], 'origin_country': row[2], 'brand': row[3], 'tag':row[4], 'title': row[5], 'cell_price': row[6], 'pefer_price': row[7], 'activity': row[8], 'service': row[9], 'explains': row[10], 'eva_score': row[11], 'eva_num': row[12], 'sun_num': row[13]}]return data_response(STATUS_CODE_200, data)# 根据关键字搜索商品的 API，/api/goods/<string:keyword>/<int:goods_num>
@app.route('/api/search/<string:keyword>/<int:goods_num>')
def find_goods_by_name(keyword, goods_num):print('keyword', keyword, 'good_num', goods_num)sql = "SELECT id, img, origin_country, brand, tag, title, cell_price, pefer_price, activity, explains, eva_num FROM goods WHERE title LIKE '%%%s%%' LIMIT %d" %(keyword, goods_num)print(sql)result = select(sql)data = []for row in result:data.append({'id': row[0], 'img': row[1], 'origin_country': row[2], 'brand': row[3], 'tag': row[4], 'title': row[5],'cell_price': row[6], 'pefer_price': row[7], 'activity': row[8], 'explains': row[9], 'eva_num': row[10]})return data_response(STATUS_CODE_200, data)# 获取购买过此商品的用户还购买过推荐商品的 API，/api/goods/recommend1/<int:good_id>/<int:count>
@app.route('/api/goods/recommend1/<int:good_id>/<int:count>')
def get_recommend1_goods(good_id, count):# print('传过来的值为 recommend_id：' + str(recommend_id) + 'good_id：' + str(good_id) + 'count：' + str(count))data = recommend1(good_id, count)return data_response(STATUS_CODE_200, data)# 根据用户购买过商品的余弦相似度推荐商品的 API，/api/goods/recommend2/<int:user_id>/<int:user_num>/<int:recommend_num>
@app.route('/api/goods/recommend2/<int:user_id>/<int:user_num>/<int:recommend_num>')
def get_recommend2_goods(user_id, user_num, recommend_num):# print('传过来的值为 user_id：' + str(user_id) + 'good_id：' + str(user_num) + 'count：' + str(recommend_num))data = recommend2(user_id, user_num, recommend_num)return data_response(STATUS_CODE_200, data)# 根据商品的标题分词推荐关联高的商品的 API
@app.route('/api/goods/recommend3/<int:current_page>/<int:recommend_num>')
def get_recommend3_goods(current_page, recommend_num):# print('传过来的值为 current_page：', str(current_page) + ',goods_num:', str(goods_num))data = recommend3(current_page, recommend_num)return data_response(STATUS_CODE_200, data)if __name__ == '__main__':app.run()
本文根据github整理
某购物网站推荐系统实现 | 数据库、推荐算法相关推荐
- 在线图书推荐网 Python+Django+Mysql开发技术 个性化图书推荐系统 协同过滤推荐算法在图书网站中的运用 基于用户、物品的协同过滤推荐算法 个性化推荐算法、机器学习、分布式大数据、人工智
在线图书推荐网 Python+Django+Mysql开发技术 个性化图书推荐系统 协同过滤推荐算法在图书网站中的运用 基于用户.物品的协同过滤推荐算法 个性化推荐算法.机器学习.分布式大数据.人工智 ...
- 电商大数据项目-推荐系统实战之推荐算法（三）
电商大数据项目-推荐系统实战(一)环境搭建以及日志,人口,商品分析 https://blog.51cto.com/6989066/2325073 电商大数据项目-推荐系统实战之推荐算法 https:/ ...
- JAVA计算机毕业设计潮购购物网站Mybatis+系统+数据库+调试部署
JAVA计算机毕业设计潮购购物网站Mybatis+系统+数据库+调试部署 JAVA计算机毕业设计潮购购物网站Mybatis+系统+数据库+调试部署 本源码技术栈: 项目架构:B/S架构 开发语言:Ja ...
- 在线新闻推荐网 Python+Django+Mysql开发技术 基于用户、物品的协同过滤推荐算法 个性化新闻推荐系统 协同过滤推荐算法在新闻网站中的运用 个性化推荐算法、机器学习、分布式大数据、人工智
在线新闻推荐网 Python+Django+Mysql开发技术 基于用户.物品的协同过滤推荐算法 个性化新闻推荐系统 协同过滤推荐算法在新闻网站中的运用 个性化推荐算法.机器学习.分布式大数据.人工智 ...
- java毕业设计潮购购物网站Mybatis+系统+数据库+调试部署
java毕业设计潮购购物网站Mybatis+系统+数据库+调试部署 java毕业设计潮购购物网站Mybatis+系统+数据库+调试部署 本源码技术栈: 项目架构:B/S架构 开发语言:Java语言 开 ...
- java计算机毕业设计购物网站源码+数据库+系统+lw文档+mybatis+运行部署
java计算机毕业设计购物网站源码+数据库+系统+lw文档+mybatis+运行部署 java计算机毕业设计购物网站源码+数据库+系统+lw文档+mybatis+运行部署 本源码技术栈: 项目架构:B ...
- 推荐系统常用的推荐算法
转载自 推荐系统常用的推荐算法 一.推荐系统概述和常用评价指标 1.1 推荐系统的特点 在知乎搜了一下推荐系统,果真结果比较少,显得小众一些,然后大家对推荐系统普遍的观点是: (1)重要性UI> ...
- 如何使用Spring+SpringMVC+Mybatis开发实现个性化小说推荐系统 协同过滤推荐算法实现 基于用户、项目的协同过滤推荐 基于聚类、关联规则、内容推荐算法 WebNovelCFRS
如何使用Spring+SpringMVC+Mybatis开发实现个性化小说推荐系统 协同过滤推荐算法实现 基于用户.项目的协同过滤推荐 基于聚类.关联规则.内容推荐算法 WebNovelCFRS 一. ...
- 个性化试题推荐系统 协同过滤推荐算法在在线考试系统中的运用 基于用户/项目的协同过滤推荐算法 混合协同过滤推荐算法 协同过滤混合推荐算法
个性化试题推荐系统 协同过滤推荐算法在在线考试系统中的运用 一.项目开发技术及功能介绍 1.SSH开发框架(spring+struts+hibernate) 2.js.jquery.bootstrap ...
最新文章
- python读文件的解码方式_跳过Python文件读取中的不可解码字符
- STL 中map的用法详解
- [性能测试] LoadRunner结果分析 – TPS
- 使用T-SQL进行数据库备份并检查该备份文件是否存在且作出相应处理
- 键盘一键自定义组合工具_为开发人员提供社区，通讯和自定义工具的组合
- NSDate的简单用法
- java零碎要点---大型软件部署方案,磁盘阵列,raid提升硬盘性能,解决由于集群带来的文件共享问题
- asp.net 页面右下角弹出类似QQ或MSN的消息提示
- 谈谈joomla1.5中个人遇见的古怪问题
- javascript当中iframe的用法
- 轻松拥有美国号码，免费收发短信
- secondary namenode详解
- html5移动开发是什么意思,移动端什么意思？
- cocos 获取物理碰撞瞄准线和两个向量的夹角
- md 文件使用html阅读,使用markdow-it渲染md文件为html页面
- 【用matplotlib,wordcloud和pyecharts分析三国的分词，词频，词性，小说人物出场次数排序小说人物关系】
- 对苹果输入法产品评价
- OSChina 周二乱弹 ——喷子：我想追 @巴拉迪维
- Linux，常用shell命令【删除文件或目录】
- 从0开始搭建一个自己的问卷系统