基于协同过滤推荐的在线课程选修系统

demo

网站查看 http://course.qsxbc.com/all_course/
点我查看
效果
在这里插入图片描述

功能

登录注册、点赞收藏、评分评论，课程推荐，热门课程，个人中心，可视化，后台管理，课程选修

推荐算法

# -*-coding:utf-8-*-
"""
@contact: 微信 1257309054
@file: recommend_user.py
@time: 2024/6/8 16:21
@author: LDC
使用Keras框架实现一个深度学习推荐算法
"""import collections
import math
import os
import django
import operator
import numpy as np
from course.models import *
from k_means_utils import predictos.environ["DJANGO_SETTINGS_MODULE"] = "course_manager.settings"
django.setup()def get_default_recommend(user_id):# 获取默认推荐# 获取用户注册时选择的类别category_ids = []us = UserSelectTypes.objects.get(user_id=user_id)for category in us.category.all():category_ids.append(category.id)course_list = CourseInfo.objects.filter(tags__in=category_ids).distinct().order_by("-collect_num")[:30]return course_listclass UserCf:# 基于用户协同算法来获取推荐列表"""利用用户的群体行为来计算用户的相关性。计算用户相关性的时候我们就是通过对比他们选修过多少相同的课程相关度来计算的举例：--------+--------+--------+--------+--------+|   X    |    Y   |    Z   |    R   |--------+--------+--------+--------+--------+a   |   1    |    1   |    1   |    0   |--------+--------+--------+--------+--------+b   |   1    |    0   |    1   |    0   |--------+--------+--------+--------+--------+c   |   1    |    1   |    0   |    1   |--------+--------+--------+--------+--------+a用户选修了：X、Y、Zb用户选修了：X、Zc用户选修了：X、Y、R那么很容易看到a用户和b、c用户非常相似，给a用户推荐课程R，给b用户推荐课程Y给c用户推荐课程Z这就是基于用户的协同过滤。a用户向量为(1,1,1,0)b用户向量为(1,0,1,0)c用户向量为(1,1,0,1)找a用户的相似用户，则计算a向量与其他向量的夹角即可，夹角越小则说明越相近利用求高维空间向量的夹角,可以估计两组数据的吻合程度"""# 获得初始化数据def __init__(self, data):self.data = data# 计算N维向量的夹角def calc_vector_cos(self, a, b):'''cos=(ab的内积)/(|a||b|):param a: 向量a:param b: 向量b:return: 夹角值'''a_n = np.array(a)b_n = np.array(b)if any(b_n) == 0:return 0cos_ab = a_n.dot(b_n) / (np.linalg.norm(a_n) * np.linalg.norm(b_n))print('值为', cos_ab)return round(cos_ab, 2)# 计算与当前用户的距离，获得最临近的用户def nearest_user(self, username, n=2):distances = {}# 用户，相似度# 遍历整个数据集for user, rate_set in self.data.items():# 非当前的用户if user != username:print('获取{}与{}的向量夹角'.format(username, user))vector_a = tuple(self.data[username].values())vector_b = tuple(self.data[user].values())distance = self.calc_vector_cos(vector_a, vector_b)# 计算两个用户的相似度distances[user] = distance# 排序，按向量夹角由小到到排序closest_distance = sorted(distances.items(), key=operator.itemgetter(1), reverse=True)# 最相似的N个用户closest_users = []for cd in closest_distance:if cd[1] == 1:closest_users.append(cd)else:if len(closest_users) >= n:breakclosest_users.append(cd)print("closest user:", closest_users)return closest_users# 给用户推荐课程def recommend(self, username, n=1):recommend = set()nearest_user = self.nearest_user(username, n)  # 获取最相近的n个用户for user_id, _ in nearest_user:for usercourse in UserCourse.objects.filter(user_id=user_id):if usercourse.course.id not in self.data[username].keys():recommend.add(usercourse.course.id)return recommend# 用户推荐
def recommend_by_user_id(user_id, is_mix=False):# 通过用户协同算法来进行推荐current_user = User.objects.get(id=user_id)# 如果当前用户没有选修过课程，则按照收藏量降序返回if current_user.usercourse_set.count() == 0:if is_mix:return []return get_default_recommend(user_id)data = {}course_ids = []other_user_ids = set()# 把该用户选修过的课程变成向量字典：{'用户id': {'课程1id': 1, '课程2id': 1...}}for u_course in current_user.usercourse_set.all():# 遍历用户选修过的课程if not data:data[current_user.id] = {u_course.course.id: 1}  # 已选课程，设置值为1else:data[current_user.id][u_course.course.id] = 1course_ids.append(u_course.course)# 获取其他选修过该课程的用户idfor usercourse in UserCourse.objects.filter(course=u_course.course):if usercourse.user.id != current_user.id:other_user_ids.add(usercourse.user.id)# 把选修过其中课程的用户选修过的课程变成向量字典：{'用户2id': {'课程1id': 0, '课程2id': 1...}}for other_user in User.objects.filter(pk__in=other_user_ids):other_user_id = other_user.idfor i in range(len(course_ids)):course = course_ids[i]if UserCourse.objects.filter(user_id=other_user_id, course=course):is_select = 1else:is_select = 0if other_user_id not in data:data[other_user_id] = {course.id: is_select}  # 已选课程，设置值为1,未选课程设置为0else:data[other_user_id][course.id] = is_selectuser_cf = UserCf(data=data)recommend_ids = user_cf.recommend(current_user.id, 1)if not recommend_ids:# 如果没有找到相似用户则按照收藏量降序返回if is_mix:return []return get_default_recommend(user_id)if is_mix:return list(recommend_ids)return CourseInfo.objects.filter(is_show=True, id__in=recommend_ids).order_by('-select_num')# 物品推荐
class ItemCf:# 基于物品协同算法来获取推荐列表'''1.构建⽤户–>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'''def __init__(self, user_id):self.user_id = user_id  # 用户iddef get_data(self):# 获取用户评分过的课程rate_courses = RateCourse.objects.filter()if not rate_courses:return Falsedatas = {}for rate_course in rate_courses:user_id = rate_course.user_idif user_id not in datas:datas.setdefault(user_id, {})datas[user_id][rate_course.course.id] = rate_course.markelse:datas[user_id][rate_course.course.id] = rate_course.markreturn datasdef similarity(self, data):# 1 构造物品：物品的共现矩阵N = {}  # 喜欢物品i的总⼈数C = {}  # 喜欢物品i也喜欢物品j的⼈数for user, item in data.items():for i, score in item.items():N.setdefault(i, 0)N[i] += 1C.setdefault(i, {})for j, scores in item.items():if j != i:C[i].setdefault(j, 0)C[i][j] += 1print("---1.构造的共现矩阵---")print('N:', N)print('C', C)# 2 计算物品与物品的相似矩阵W = {}for i, item in C.items():W.setdefault(i, {})for j, item2 in item.items():W[i].setdefault(j, 0)W[i][j] = C[i][j] / math.sqrt(N[i] * N[j])print("---2.构造的相似矩阵---")print(W)return Wdef recommand_list(self, data, W, user, k=3, N=10):'''# 3.根据⽤户的历史记录，给⽤户推荐物品:param data: 用户数据:param W: 相似矩阵:param user: 推荐的用户:param k: 相似的k个物品:param N: 推荐物品数量:return:'''rank = {}for i, score in data[user].items():  # 获得⽤户user历史记录，如A⽤户的历史记录为{'唐伯虎点秋香': 5, '逃学威龙1': 1, '追龙': 2}for j, w in sorted(W[i].items(), key=operator.itemgetter(1), reverse=True)[0:k]:  # 获得与物品i相似的k个物品if j not in data[user].keys():  # 该相似的物品不在⽤户user的记录⾥rank.setdefault(j, 0)rank[j] += float(score) * w  # 预测兴趣度=评分*相似度print("---3.推荐----")print(sorted(rank.items(), key=operator.itemgetter(1), reverse=True)[0:N])return sorted(rank.items(), key=operator.itemgetter(1), reverse=True)[0:N]def recommendation(self, k=3, N=10):"""给用户推荐相似课程:param user: 推荐的用户:param k: 相似的k个物品:param N: 推荐物品数量"""data = self.get_data()if not data or self.user_id not in data:# 用户没有评分过任何课程，就返回空列表return []W = self.similarity(data)  # 计算物品相似矩阵sort_rank = self.recommand_list(data, W, self.user_id, k, N)  # 推荐return sort_rankdef recommend_by_item_id(user_id, is_mix=False):# 物品推荐cf_list = ItemCf(user_id).recommendation()  # 物品协同过滤得到的推荐列表course_ids = [s[0] for s in cf_list]if is_mix:return course_idscourse_list = CourseInfo.objects.filter(id__in=course_ids).distinct().order_by("-select_num")if not course_list:# 推荐列表为空if is_mix:return []return get_default_recommend(user_id)return course_list# k-means推荐
def recommend_by_k_mean(user_id, course_id=None, is_mix=False):# 使用机器学习K-means聚类算法推荐用户喜欢的课程try:data = []  # 用户课程类型挑选列表tag_dict = collections.OrderedDict()  # 课程类型字典(有序字典)# 获取所有类型，并设置值为0for tag in Tags.objects.filter():tag_dict[tag.name] = 0# 获取用户喜欢的课程类型us = UserSelectTypes.objects.get(user_id=user_id)for category in us.category.filter():# 在类型字典中设置用户喜欢的类型为1tag_dict[category.name] = 1data.append(list(tag_dict.values()))tag_like_list = predict(data)  # 预测数据if not tag_like_list:# 预测推荐集合为空，则返回用户注册时选择的类别if is_mix:return []return get_default_recommend(user_id)index = 0recommend_tag = []for tag, value in tag_dict.items():if tag_like_list[index] == 1:# 用户喜欢的课程类型recommend_tag.append(tag)index += 1print('推荐的类型', recommend_tag)rank_set = set()  # 推荐课程id集合# 获取各推荐课程类型中排行前三的课程推荐给用户，其中排行按照收藏量来计算for tag in recommend_tag:courses = CourseInfo.objects.filter(tags__name=tag).order_by("-collect_num")[:5]for course in courses:rank_set.add(course.id)print('推荐的列表id', rank_set)if is_mix:return list(rank_set)if rank_set:course_list = CourseInfo.objects.filter(id__in=rank_set).exclude(id=course_id).distinct().order_by("-collect_num")return course_listexcept Exception as e:print('k-means出错', e)# 预测推荐集合为空，则返回用户注册时选择的类别if is_mix:return []return get_default_recommend(user_id)# 混合推荐
def recommend_by_mix(user_id):recommend_user_ids = recommend_by_user_id(user_id, is_mix=True)  # 基于用户推荐print('recommend_user_ids', recommend_user_ids)recommend_item_ids = recommend_by_item_id(user_id, is_mix=True)  # 基于物品推荐print('recommend_item_ids', recommend_item_ids)recommend_kmean_ids = recommend_by_k_mean(user_id, is_mix=True)  # 基于k-means推荐print('recommend_kmean_ids', recommend_kmean_ids)recommend_ids = list(set(recommend_user_ids + recommend_item_ids + recommend_kmean_ids)) # 总的推荐列表print('总的推荐列表', recommend_ids)course_list = CourseInfo.objects.filter(is_show=True, id__in=recommend_ids).order_by('-select_num')if not course_list:# 推荐列表为空return get_default_recommend(user_id)return course_list