基于协同过滤算法的理财产品推荐系统 Flask 实现

基于协同过滤算法的理财产品推荐系统

技术栈与架构

本项目采用 Python 3.8 作为核心开发语言，后端基于 Flask 轻量级 Web 框架构建。数据存储选用 MySQL 5.7，配合 Navicat 12 进行数据库管理，开发环境为 PyCharm。整体架构遵循 B/S（浏览器/服务器）模式，前端界面交互流畅，后端逻辑清晰，便于维护与扩展。

系统功能概览

系统主要划分为用户端与管理端两大模块，涵盖了从产品浏览、个性化推荐到后台审核的全流程。

用户端体验

首页集成了智能推荐引擎，用户登录后即可看到基于其历史行为生成的理财列表。支持按产品名称、类型等条件搜索，并提供购买、收藏及评论功能。

在个人中心，用户可以查看订单状态、管理收藏信息以及提交反馈。

管理端功能

管理员拥有最高权限，可管理系统首页内容、用户账户、产品类型定义、理财产品上下架、理财订单处理及反馈信息审核。

产品经理端则专注于产品的展示与操作，顶部显示系统名称与菜单，中部表格列明产品名称、期限、金额范围及发行状态，底部提供搜索、添加和删除按钮，布局清晰高效。

核心算法：协同过滤

传统的人工推荐方式效率低且难以规模化。本系统引入用户协同过滤算法（User-Based Collaborative Filtering），通过分析用户的历史行为和偏好，识别用户之间的相似性，从而预测用户对未接触产品的兴趣。

具体而言，系统会计算目标用户与其他用户的相似度（采用余弦相似度），找到最相似的用户群体，提取他们购买或收藏过但目标用户尚未接触的产品，按评分降序排列后返回给前端。

代码实现细节

在 Flask 路由中，我们实现了自动排序接口。核心逻辑分为两步：首先构建用户 - 商品矩阵，然后计算相似度并筛选推荐项。

# 计算余弦相似度
def cosine_similarity(a, b):
    numerator = sum([a[key] * b[key] for key in a if key  b])
    denominator = math.sqrt(([a[key]**  key  a])) * math.sqrt(([b[key]**  key  b]))
     numerator / denominator



 ():
     request.method == :
        user_ratings = {}
        req_dict = session.get()
        userinfo = session.get()
        
        
        sql = 
        data = db.session.execute(sql)
        data_dict = [((result.keys(), result))  result  data.fetchall()]
        
        
         item  data_dict:
             user_ratings.__contains__(item[]):
                ratings_dict = user_ratings[item[]]
                 ratings_dict.__contains__(item[]):
                    ratings_dict[(item[])] += 
                :
                    ratings_dict[(item[])] = 
            :
                user_ratings[item[]] = { (item[]):  }
        
        sorted_recommended_goods = []
        :
            
            similarities = {
                other_user: cosine_similarity(user_ratings[userinfo.get()], user_ratings[other_user]) 
                 other_user  user_ratings  other_user != userinfo.get()
            }
            
            
            most_similar_user = (similarities, key=similarities.get, reverse=)[]
            
            
            recommended_goods = {
                goods: rating 
                 goods, rating  user_ratings[most_similar_user].items() 
                 goods   user_ratings[userinfo.get()]
            }
            
            
            sorted_recommended_goods = (recommended_goods, key=recommended_goods.get, reverse=)
        :
            
        
        L = []
        
        where = .join([
             
             key, value  req_dict.items() 
             key   [, , , ]
        ])
        
         where:
            sql = 
        :
            sql = ) union  select *  licaichanpin where   (%().join(sorted_recommended_goods)+
        
        
        data = db.session.execute(sql)
        data_dict = [((result.keys(), result))  result  data.fetchall()]
        
        
         online_dict  data_dict:
             key  online_dict:
                   ((online_dict[key]))    ((online_dict[key])):
                    online_dict[key] = online_dict[key].strftime()
            L.append(online_dict)
        
        
         jsonify({: , : , :{
            : , : , : , : , : L[:(req_dict[])]
        }})