!
以下文字解释recommend.py，也就是推荐模块，比较长，不方便念。
1. 计算基于用户收藏的 Jaccard 相似度
这个函数的目的是计算当前用户与其他用户之间的 Jaccard 相似度，基于他们的收藏行为。Jaccard 相似度是通过计算两个集合的交集元素数量与并集元素数量之间的比值来衡量的。
功能:
首先，该函数获取了当前用户收藏的学校，然后根据这些学校构建了一个收藏向量，向量中的每个元素代表一个学校的收藏情况。如果用户收藏了某个学校，则在向量中相应的位置上置1，否则为0。
接着，遍历除了当前用户之外的所有其他用户。对每个用户，获取其收藏的学校，构建一个收藏向量，然后计算当前用户与其他用户之间的 Jaccard 相似度。
最后，将与当前用户相似度大于给定阈值的用户及其相似度存储在一个字典中并返回。
2. 基于用户收藏计算当前用户对邻居收藏院校的 Jaccard 兴趣度
python
Copy code
def user_recommendations_jaccard_collections(user_id, similarities, similarities_jaccard):
# 获取当前用户的收藏数据
user_collections = UserCollection.objects.filter(user_id=user_id).values('school_id', 'collection')
# 获取当前用户收藏的学校id
user_collections_school_id = [user_collection['school_id'] for user_collection in user_collections]
recommendations_jaccard = {}
# 邻居用户已收藏的学校中目标用户未收藏的学校
for school_id in UserCollection.objects.filter(user_id__in=similarities).exclude(
school_id__in=user_collections_school_id).values_list('school_id', flat=True).distinct():
# 获取收藏了当前物品的用户:用户id和收藏情况（collection = 1）
item_collections = UserCollection.objects.filter(school_id=school_id).values('user_id', 'collection')
# 初始化一个空列表
weighted_scores = []
# 遍历 item_collections 中的每一条记录
for collection in item_collections:
# 如果该收藏记录对应的用户在 similarities_jaccard 字典中，则计算该收藏记录对该物品的权重得分
if collection['user_id'] in similarities_jaccard:
# 获取该收藏记录对应用户与目标用户的相似度
similarity = similarities_jaccard[collection['user_id']]
# 计算该收藏记录对该物品的权重得分
weighted_score = similarity * collection['collection']
# 将该权重得分添加到列表中
weighted_scores.append(weighted_score)
numerator = sum(weighted_scores)
denominator = sum(similarities_jaccard.values())
if denominator > 0:
recommendations_jaccard[school_id] = round(numerator / denominator, 2)
return recommendations_jaccard
功能:
这个函数的目的是计算当前用户对邻居收藏院校的 Jaccard 兴趣度。该兴趣度是基于当前用户与邻居用户的相似度以及邻居用户对学校的收藏情况计算的。
该函数首先检索当前用户的收藏数据，并构建了一个收藏向量，表示用户收藏的情况。
接着，遍历所有邻居用户收藏的学校，计算当前用户对这些学校的兴趣度得分，并存储在一个字典中以便返回。
2. 基于用户评分计算相似度的函数
2.1. 基于用户评分计算当前用户与其他用户的余弦相似度
python
Copy code
def user_cosine_similarity_ratings(user_id, default_similarity_cosine=0):
# 获取当前用户评分数据
user_ratings = UserScore.objects.filter(user_id=user_id).values('school_id', 'score')
user_ratings_school_id = [user_rating['school_id'] for user_rating in user_ratings]
# 构造当前用户评分向量
user_rating_vector = [0 for i in range(999)]
for school_id, score in user_ratings:
user_rating_vector[school_id] = score
similarities_cosine = {}
for user in User.objects.exclude(id=user_id):
# 获取当前用户与其他用户共同评价的物品的评分数据
ratings = user.userscores.filter(school_id__in=user_ratings_school_id).values('school_id', 'score')
if ratings: # 如果当前用户与该用户有共同评分的学校，则计算当前用户与该用户的相似度，这里使用余弦相似度
# 获取该用户所有的评分学校的评分情况：(school_id,score)
ratings = user.userscores.filter().values('school_id', 'score')
ratings_school = [(rating['school_id'], rating['score']) for rating in ratings]
# 构造该用户评分向量：rating_vector
rating_vector = [0 for i in range(999)]
for school_id, score in ratings_school:
rating_vector[school_id] = score
# 计算两用户之间的余弦相似度
similarity_cosine = cosine_similarity(user_rating_vector, rating_vector)
if similarity_cosine > default_similarity_cosine:
similarities_cosine[user.id] = similarity_cosine
return similarities_cosine
功能:
这个函数的目的是计算当前用户与其他用户之间的余弦相似度，基于他们的评分行为。余弦相似度是通过计算两个向量的夹角余弦值来衡量的。
首先，该函数获取了当前用户的评分数据，然后根据这些评分构建了一个评分向量，向量中的每个元素代表一个学校的评分情况。如果用户对某个学校进行了评分，则在向量中相应的位置上记录该评分，否则为0。
接着，遍历除了当前用户之外的所有其他用户。对每个用户，获取其评分的学校，构建一个评分向量，然后计算当前用户与其他用户之间的余弦相似度。
最后，将与当前用户相似度大于给定阈值的用户及其相似度存储在一个字典中并返回。
2.2. 基于用户评分计算当前用户对邻居评分院校的余弦兴趣度
python
Copy code
def user_recommendations_cosine_ratings(user_id, similarities, similarities_cosine):
# 获取当前用户评分数据
user_ratings = UserScore.objects.filter(user_id=user_id).values('school_id', 'score')
user_ratings_school_id = [user_rating['school_id'] for user_rating in user_ratings]
recommendations_cosine = {}
# 邻居用户已评分的学校中目标用户未评分的学校
for school_id in UserScore.objects.filter(user_id__in=similarities).exclude(
school_id__in=user_ratings_school_id).values_list('school_id', flat=True).distinct():
# 获取评价了当前物品的用户和评分数据
item_ratings = UserScore.objects.filter(school_id=school_id).values('user_id', 'score')
# 初始化一个空列表
weighted_scores = []
# 遍历 item_ratings 中的每一条记录
for rating in item_ratings:
# 如果该评分记录对应的用户在 similarities_cosine 字典中，则计算该评分记录对该物品的权重得分
if rating['user_id'] in similarities_cosine:
# 获取该评分记录对应用户与目标用户的相似度
similarity = similarities_cosine[rating['user_id']]
# 计算该评分记录对该物品的权重得分
weighted_score = similarity * rating['score']
# 将该权重得分添加到列表中
weighted_scores.append(weighted_score)
numerator = sum(weighted_scores)
denominator = sum(similarities_cosine.values())
if denominator > 0:
recommendations_cosine[school_id] = round(numerator / denominator, 2)
return recommendations_cosine
功能:
这个函数的目的是计算当前用户对邻居评分院校的余弦兴趣度。该兴趣度是基于当前用户与邻居用户的相似度以及邻居用户对学校的评分情况计算的。
该函数首先检索当前用户的评分数据，并构建了一个评分向量，表示用户评分的情况。
接着，遍历所有邻居用户评分的学校，计算当前用户对这些学校的兴趣度得分，并存储在一个字典中以便返回。
3. 计算相似度的函数
3.1. Jaccard 相似度计算函数
功能：
这个函数用于计算两个向量之间的 Jaccard 相似度。
通过将布尔向量转换为集合，它计算两个集合的交集和并集的大小，并据此计算相似度。
3.2. 重载字典计算方法
功能：
这个类重载了字典的加法和乘法运算符，以支持字典之间的加法和乘法操作。
3.3. 余弦相似度计算函数
功能：
这个函数用于计算两个向量之间的余弦相似度。
计算两个向量的内积作为分子，两个向量模长的乘积作为分母，然后计算相似度。
4. 基于用户收藏计算相似度的函数
4.1. 计算基于用户收藏的 Jaccard 相似度
功能:
这个函数的目的是计算当前用户与其他用户之间的 Jaccard 相似度，基于他们的收藏行为。
首先，该函数获取了当前用户收藏的学校，然后根据这些学校构建了一个收藏向量，向量中的每个元素代表一个学校的收藏情况。如果用户收藏了某个学校，则在向量中相应的位置上置1，否则为0。
接着，遍历除了当前用户之外的所有其他用户。对每个用户，获取其收藏的学校，构建一个收藏向量，然后计算当前用户与其他用户之间的 Jaccard 相似度。
最后，将与当前用户相似度大于给定阈值的用户及其相似度存储在一个字典中并返回。
4.2. 基于用户收藏计算当前用户对邻居收藏院校的 Jaccard 兴趣度
功能:
这个函数的目的是计算当前用户对邻居收藏院校的 Jaccard 兴趣度。该兴趣度是基于当前用户与邻居用户的相似度以及邻居用户对学校的收藏情况计算的。
该函数首先检索当前用户的收藏数据，并构建了一个收藏向量，表示用户收藏的情况。
接着，遍历所有邻居用户收藏的学校，计算当前用户对这些学校的兴趣度得分，并存储在一个字典中以便返回。
5. 基于用户评分计算相似度的函数
5.1. 基于用户评分计算当前用户与其他用户的余弦相似度
功能:
这个函数的目的是计算当前用户与其他用户之间的余弦相似度，基于他们的评分行为。余弦相似度是通过计算两个向量的夹角余弦值来衡量的。
首先，该函数获取了当前用户的评分数据，然后根据这些评分构建了一个评分向量，向量中的每个元素代表一个学校的评分情况。如果用户对某个学校进行了评分，则在向量中相应的位置上记录该评分，否则为0。
接着，遍历除了当前用户之外的所有其他用户。对每个用户，获取其评分的学校，构建一个评分向量，然后计算当前用户与其他用户之间的余弦相似度。
最后，将与当前用户相似度大于给定阈值的用户及其相似度存储在一个字典中并返回。
5.2. 基于用户评分计算当前用户对邻居评分院校的余弦兴趣度
功能:
这个函数的目的是计算当前用户对邻居评分院校的余弦兴趣度。该兴趣度是基于当前用户与邻居用户的相似度以及邻居用户对学校的评分情况计算的。
该函数首先检索当前用户的评分数据，并构建了一个评分向量，表示用户评分的情况。
接着，遍历所有邻居用户评分的学校，计算当前用户对这些学校的兴趣度得分，并存储在一个字典中以便返回。
