基于Python协同过滤算法的商品推荐系统

随着电商的不断发展，线上出现多种多样的商品，用户购买商品的可选择性越来越高，导致大量客户出现选择困难症，用户需要大量时间挑选商品，如今人们生活质量的提高，对于电商的服务要求也越来越高，希望电商平台能够根据个人的喜爱进行提供精准化、个性化商品推荐，基于这种情况，通过大数据技术中的协同过滤算法来实现商品个人性化推荐，所以实现一个基于协同过滤的商品推荐系统意义重大。

本基于协同过滤的商品推荐系统是Python语言实现，通过Flask框架界面布局，通过MySQL数据库存储商品等相关数据，通过基于物品得协同过滤算法进行商品推荐。本系统用户前端可进行注册和登录，并对热门商品进行查看，并对商品进行评价，并可自动进行用户个性化推荐。管理员重点对用户、商品类别以及商品、热门商品、评价数据进行维护。

课题研究的背景

推荐系统[1]是一种提升电子商务零售网站整体营销性能的个性化推荐工具，构建个性化推荐系统[2]就是要向来到电商平台购买商品的客户推荐其喜爱的商品。协同过滤是目前推荐引擎中应用最广泛的个性化推荐技术[3]之一。其通过研究用户历史行为，分析用户兴趣 (或项目属性)，为用户建立模型，依据活跃用户对项目的评价，来寻找与活跃用户兴趣相同的用户组，然后用该用户组中评价比较高的一组项目序列为活跃用户作出相关推荐。 现有协同过滤算法分为基于用户的协同过滤[4]、基于物品的协同过滤[5]和基于模型的协同过滤[6]。

近年来，随着电商的不断发展，线上出现多种多样的商品，用户购买商品的可选择性越来越高，导致大量客户出现选择困难症 ，为了解决这一问题，本文在大数据技术的应用背景下，构建出功能完善、实用性强的基于协同过滤的商品推荐系统，为用户提供精准化、个性化商品推荐，从而提高用户的使用体验。

课题研究意义

通过构建基于协同过滤的商品推荐系统，其现实意义如下：

(1)提高电商等企业平台的个性化商品推荐服务[7]；通过该系统能够很好的解决传统商品推荐精确度低的问题，加强个性化商品推荐。

(2)提高电商等企业平台的商品营销效果，帮助企业提高商品销售量，只有通过推荐最为合适的商品，才能引起用户的购买欲，从而提高商品的销售量。

(3)减少用户搜索商品时间，帮助用户快速有效的定位到自己喜欢的商品，从而提高用户选择商品的效率。

需求分析

根据企业商品推荐的需求，调研分析得出该系统功能主要有用户前端功能和管理员后端功能，具体如下所示：

一、用户前端功能：

用户登录，通过注册的账号密码登录基于协同过滤的商品推荐系统。

账号注册，通过账号、密码、昵称、电话、性别、邮箱、头像等进行注册个人账号。

用户个人信息，对个人信息可以查看和修改。

商城首页，显示商城导航以及最新商品，热门商品，其中最新商品为管理员最近发布得商品。热门商品为管理员在后台设置得商品。

热门商品，显示管理员设置得所有热门商品信息，并可通过商品编码、名称等进行查询。

商品查询，显示管理员上传得所有商品信息，并可通过商品编码、名称、商品类别等进行查询。

用户个性化推荐，通过基于物品的协同过滤算法，通过构建用户和商品之间得倒排矩阵、构造商品与商品的共现矩阵，计算商品与商品的相似矩阵，最后通过商品与商品的相似矩阵为用户通过基于物品的协同过滤算法进行个性推荐。如果该用户没有评价信息，则根据商品的评分排名进行推荐。

商品评价，用户登录系统后，可以对商品进行星级评价以及内容评价。

用户商品评价维护，对用户自己的商品评价可以删除和查看。

二、管理员后端功能：

登录，通过管理员得专有账号密码登录。

用户信息管理，对注册用户信息进行删除、查看、修改等。

商品类别管理，对前端商品类别信息增加、修改、删除、查看。商品类别信息包括商品类别、备注.

商品管理，对前端商品信息增加、修改、删除、查看，并设置热门商品。商品信息包括商品信息，商品编号、商品编码、商品名称、商品类别、商品价格、上传时间、商品图片、商品介绍、是否热门(是、否)。、

商品评价管理，对前端商品评价信息进行查看、删除。商品评价编号、评价星级(1,2,3,4,5),商品评价时间、商品评价内容、评价人。