最终版

other/用例名称：查看订单.md

@@ -1,247 +0,0 @@
-用例名：查看订单。
-
-用例的功能或其业务目标：使用户可以查看其各类订单。
-
-前置条件：用户已登录。
-
-触发条件：用户发起查看订单请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1.用户发起查看“我的订单”请求，系统接受请求后调用订单信息，返回至商城界面。
-
-
-
-用例名：结算支付。
-
-用例的功能或其业务目标：使用户可以支付其购物车内的订单或支付其待支付订单。
-
-前置条件：用户已登录。
-
-触发条件：用户发起支付订单请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1.用户通在支付界面发送支付请求，系统根据其支付请求调取相应商品的基础信息。
-
-2.系统将商品价格信息及支付请求发送至支付宝，支付宝返回支付信息。
-
-3.用户支付成功后，系统新建订单信息。
-
-扩展交互动作：
-
-2a.若支付失败
-
-​	2a1.系统建立失败订单。
-
-
-
-用例名：评价商品。                                                                                      
-
-用例的功能：对已购买完成的商品进行星级和文字评价 。
-
-前置条件：用户已登录。
-
-触发条件：商城系统接收到查看订单并评价的请求。
-
-基本交互动作：
-
-1. 用户完成购买商品查看订单，商城系统判断用户登陆状态。
-
-2. 商城系统查找订单信息并显示本订单的星级选择和文字评价。
-
-3. 用户选择星级，进行评价，商城系统将用户评价结果上传。
-
-4. 用户查看商品评价区即可看到自己评论。
-
-扩展交互动作:
-
-1a.若用户未登录
-
-​    1a1 跳转登陆界面。
-
-2a.若用户评价字数少于6个字
-
-​	2a1则显示弹窗要求字数需超过6个字。
-
-
-
-用例描述：增删收货地址。                                                                               
-
-用例的功能：对将要购买的商品进行修改或者添加收货地址。
-
-前置条件：用户已登录。
-
-触发条件：商城系统接收到用户并评价的请求。
-
-基本交互动作：
-
-1. 用户选择添加、删除收货地址，商城系统判断并登陆状态。
-
-2. 商城系统显示已有地址及新地址填写栏。
-
-扩展交互动作:
-
-1a.若用户未登录
-
-​          1a1 跳转登陆界面。
-
-1b.若用户不增删地址
-
-​          1b1 可以直接在已有地址上修改。
-
-
-
-用例名：商品搜索。
-
-用例的功能或其业务目标：为用户提供搜索商品的功能。
-
-前置条件：用户已登录。
-
-触发条件：用户发起搜索商品请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1.用户进入商城页面，商城系统返回商城的主页面。
-
-2.用户搜索商品，商城系统检索用户输入的关键字。
-
-3.商品系统返回检索到的相关商品，并呈现给用户。
-
-扩展交互动作过程：
-
-1a. 用户无法进入商店页面
-
-​	1a1 用户得到一个“找不到网页”的错误页面。
-
-2a.若没有检索到用户输入的关键字
-
-​	2a1 用户得到一个没有相关商品的页面。
-
-
-
-用例名：查看商品信息。
-
-用例的功能或其业务目标：为用户提供查看商品信息的功能。
-
-前置条件：用户已登录。
-
-触发条件：用户发起查看商品链接请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1. 用户进入商城页面，商城系统返回商城的主页面。
-2. 用户查看所需的商品，商城系统返回相关商品的详细信息。
-
-扩展交互动作过程：
-
-1a. 用户无法进入商店页面
-
-​      1a1 用户得到一个“找不到网页”的错误页面。
-
-
-
-用例名：加入购物车。
-
-用例的功能或其业务目标：用户可以将其已选择的商品添加至购物车。
-
-前置条件：用户已登录。
-
-触发条件：商城系统接收到用户的选择商品请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1.用户选择商品加入购物车，商城系统判断用户登录状态。
-
-2.商城系统检索用户选择的商品并将商品加入用户的购物车。
-
-扩展交互动作：
-
-1a.如果用户未登录
-
-​	1a1 跳转到登录界面。
-
-2a.若商品未能添加至购物车
-
-​	2a1 显示加入购物车失败。
-
-
-
-用例名：查看购物车。
-
-用例的功能或其业务目标：满足用户查看商品购物清单的需求。
-
-前置条件：商品已添加至购物车。
-
-触发条件：商城系统接收到用户查看购物车请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1.用户选择购物车,商城系统打开购物车向用户显示购物清单。
-
-扩展交互动作：
-
-1a.如果购物车内无商品
-
-​    1a1 显示弹窗购物车内无商品
-
-
-
-用例名：增删商品。
-
-用例的功能或其业务目标：满足用户在本平台上售卖商品的需求。
-
-前置条件：用户已登录。
-
-触发条件：用户发送增加商品的请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1.用户添加商品信息数据，商城系统判断商品信息是否符合要求。
-
-2.如果不符合要求，反馈给用户。
-
-3.用户提交后在页面展示出用户的商品列表。
-
-扩展交互动作：
-
-2a.新增商品超出上限。
-
-​	2a1 跳出弹窗提示用户。
-
-
-
-用例名：交易时间地点选定。
-
-用例的功能或其业务目标：提供商品交易的时间(按照课表时间)以及地点(校内标志性地点)，方便用户进行交易。
-
-前置条件：处于添加商品窗口或查看商品页面。
-
-触发条件：用户发送交易时间地点的请求。
-
-执行者：用户。
-
-基本交互动作：
-
-1.用户在添加商品窗口选择时间和地点，供购买的用户选择。
-
-2.商城系统将用户添加的时间和地点存在商品信息中。
-
-3.购买用户在查看商品页面选择卖家提供的时间和地点。
-
-4.商城系统把购买用户选定的时间地点呈现给用户
-

src/协同过滤推荐算法.txt

@@ -0,0 +1,51 @@
+import math
+from django.db.models import Count
+
+def cosine_similarity(user1, user2):
+    # 获取用户1和用户2共同购买的商品
+    user1_purchased = UserBehavior.objects.filter(user=user1, action='purchase')
+    user2_purchased = UserBehavior.objects.filter(user=user2, action='purchase')
+
+    common_products = set(user1_purchased.values_list('product', flat=True)).intersection(
+        user2_purchased.values_list('product', flat=True)
+    )
+
+    if not common_products:
+        return 0  # 无共同购买的商品，相似度为0
+
+    # 计算余弦相似度
+    numerator = sum(user1_purchased.filter(product=product).count() *
+                    user2_purchased.filter(product=product).count()
+                    for product in common_products)
+
+    user1_norm = math.sqrt(sum(user1_purchased.count() for product in common_products))
+    user2_norm = math.sqrt(sum(user2_purchased.count() for product in common_products))
+
+    return numerator / (user1_norm * user2_norm)
+
+
+def user_based_recommendation(user_id, num_recommendations=5):
+    users = User.objects.exclude(id=user_id)
+    user_similarities = []
+
+    for user in users:
+        similarity = cosine_similarity(user_id, user.id)
+        user_similarities.append((user, similarity))
+
+    # 按相似度降序排序
+    user_similarities.sort(key=lambda x: x[1], reverse=True)
+
+    recommended_products = set()
+    user_purchased_products = set(UserBehavior.objects.filter(user=user_id, action='purchase').values_list('product', flat=True))
+
+    for similar_user, similarity in user_similarities:
+        similar_user_purchased_products = set(UserBehavior.objects.filter(user=similar_user, action='purchase').values_list('product', flat=True))
+
+        # 获取与相似用户购买，但当前用户未购买的商品
+        recommendations = similar_user_purchased_products - user_purchased_products
+        recommended_products.update(recommendations)
+
+        if len(recommended_products) >= num_recommendations:
+            break
+
+    return Product.objects.filter(id__in=list(recommended_products))[:num_recommendations]

src/基于内容的推荐算法.txt

@@ -0,0 +1,66 @@
+from django.db import models
+
+class Movie(models.Model):
+    title = models.CharField(max_length=200)
+    director = models.CharField(max_length=100)
+    actors = models.CharField(max_length=500)
+    genre = models.CharField(max_length=100)
+    # 添加其他特征字段
+
+
+
+
+
+from nltk.tokenize import word_tokenize
+from nltk.corpus import stopwords
+
+def extract_features(movie):
+    # 从电影对象中提取特征信息
+    title = movie.title
+    director = movie.director
+    actors = movie.actors
+    genre = movie.genre
+
+    # 在这里，您可以执行文本处理，如分词、去停用词等
+    tokens = word_tokenize(title.lower() + " " + director.lower() + " " + actors.lower() + " " + genre.lower())
+    features = [word for word in tokens if word not in stopwords.words('english')]
+
+    return features
+
+
+
+
+
+import math
+
+def cosine_similarity(features1, features2):
+    # 计算余弦相似度
+    dot_product = sum(features1.count(word) * features2.count(word) for word in set(features1) & set(features2)
+    magnitude1 = math.sqrt(sum(features1.count(word) ** 2 for word in features1))
+    magnitude2 = math.sqrt(sum(features2.count(word) ** 2 for word in features2))
+
+    if magnitude1 == 0 or magnitude2 == 0:
+        return 0  # 避免零除错误
+
+    return dot_product / (magnitude1 * magnitude2)
+
+
+
+
+
+def content_based_recommendation(user, item, num_recommendations=5):
+    item_features = extract_features(item)
+
+    # 获取所有其他物品
+    all_items = Movie.objects.exclude(id=item.id)
+
+    # 计算每个物品与目标物品的相似度
+    similarities = [(other_item, cosine_similarity(item_features, extract_features(other_item))) for other_item in all_items]
+
+    # 根据相似度降序排序
+    similarities.sort(key=lambda x: x[1], reverse=True)
+
+    # 选择相似度最高的物品作为推荐
+    recommended_items = [item for item, similarity in similarities[:num_recommendations]]
+
+    return recommended_items