博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业毕业设计项目实战6年之久，选择我们就是选择放心、选择安心毕业✌感兴趣的可以先收藏起来，点赞、关注不迷路✌

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、MySQL数据库、Django框架、Echarts可视化、基于用户和基于物品的协同过滤推荐算法、HTML技术

2、项目界面

（1）系统首页

（2）岗位详情页

（3）可视化分析1

（2）可视化分析2

（3）可视化分析3

（4）可视化分析4

（5）个人信息页面

（6）后台数据管理

（7）注册登录

3、项目说明

该系统是一个智能化的招聘推荐平台，旨在帮助企业快速找到合适的人才，同时帮助求职者更精准地匹配到符合自己能力和兴趣的职位。系统采用了先进的技术栈，包括Python作为开发语言，MySQL作为数据库存储，Django框架用于构建后端服务，Echarts用于数据可视化，以及HTML用于前端页面展示。

在功能方面，该系统首先通过数据爬虫技术从各大招聘网站抓取职位信息，并使用MySQL数据库进行存储。这些信息包括职位名称、工作地点、薪资范围、学历要求等关键信息。同时，系统还记录了用户的搜索和点击行为，以便进行个性化的推荐。

系统的核心在于协同过滤推荐算法。该算法分为基于用户的协同过滤和基于物品的协同过滤两种。基于用户的协同过滤算法通过分析用户的历史行为和偏好，找到与目标用户相似的其他用户，并根据这些用户的职位喜好来推荐职位。而基于物品的协同过滤算法则通过分析职位的特性和用户评价，找到与目标职位相似的其他职位，并向用户推荐。

为了提升用户体验，系统还采用了Echarts进行数据可视化。通过柱状图、饼状图等图表形式，用户可以直观地看到职位的分布情况、学历要求分析等信息。这些可视化数据不仅有助于用户更好地了解市场趋势，还能为他们的求职决策提供参考。

在前端页面展示方面，系统采用了HTML技术，为用户提供了简洁明了的操作界面。用户可以通过系统首页浏览推荐的职位，也可以通过搜索功能快速找到符合自己条件的职位。同时，系统还支持用户注册和登录功能，以便记录用户的个人信息和偏好，从而提供更精准的推荐服务。

总的来说，该系统通过先进的技术栈和智能的推荐算法，为企业和求职者提供了一个高效、精准的招聘推荐平台。

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：岗位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 job1, score1 in user1.items():
            if job1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[job1]
                sum_x += score1
                sum_y += user2[job1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[job1], 2)
        if n == 0:
            # print("p氏距离为0")
            return 0
        molecule = 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 0
        r = molecule / denominator
        return 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] = distance
        closest_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]

    # 给用户推荐岗位
    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 jobs, scores in self.all_user[user].items():  # 推荐的用户的岗位列表
                if jobs not in self.all_user[username].keys():  # 当前username没有看过
                    if jobs not in recommend.keys():  # 添加到推荐列表中
                        recommend[jobs] = scores*score
        # 对推荐的结果按照岗位
        # 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:
            job_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            job_list = xiangmu.objects.order_by("-c9")[:15]
        return job_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 = {}
        # 用户有给岗位打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.job.id), i.mark)#填充岗位数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为岗位打过分，设为0
            all_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)]
    job_list = list(xiangmu.objects.filter(id__in=recommend_list).order_by("-c9")[:15])
    other_length = 15 - len(job_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 job_list:
                job_list.append(fix)
            if len(job_list) >= 15:
                break
    return job_list


# 计算相似度
def similarity(job1_id, job2_id):
    job1_set = Rate.objects.filter(job_id=job1_id)
    # job1的打分用户数
    job1_sum = job1_set.count()
    # job_2的打分用户数
    job2_sum = Rate.objects.filter(job_id=job2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(job1_set.values('user_id')), job=job2_id).values('user_id').count()
    # 没有人给当前岗位打分
    if job1_sum == 0 or job2_sum == 0:
        return 0
    similar_value = common / sqrt(job1_sum * job2_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，用户评分前三的岗位
    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:
            job_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            job_list = xiangmu.objects.order_by("-c9")[:15]
        print('from here')
        return job_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(job__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的岗位，用户没看过的30部，对这30部岗位，计算距离最近
    un_watched = xiangmu.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的岗位
    watched = Rate.objects.filter(user_id=user_id).values_list('job_id', 'mark')
    distances = []
    names = []
    # 在未看过的岗位中找到
    for un_watched_job in un_watched:
        for watched_job in watched:
            if un_watched_job not in names:
                names.append(un_watched_job)
                distances.append((similarity(un_watched_job.id, watched_job[0]) * watched_job[1], un_watched_job))#加入相似的岗位
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, job in distances:
        if len(recommend_list) >= k:
            break
        if job not in recommend_list:
            recommend_list.append(job)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的岗位中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list

if __name__ == '__main__':
    # similarity(2003, 2008)
    print(recommend_by_item_id(1799))

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。🍅

点赞、收藏、关注，不迷路，下方查看👇🏻获取联系方式👇🏻