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项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

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语言、Django框架、MySQL数据库、前端用的bootstrap做界面渲染设计、基于用户的协同过滤算法、Echarts可视化

项目主要的功能模块
1、用户登录，注册，退出登录
2、前台：岗位操作（查看、评论、评分等）、投递简历、推荐岗位、图表分析展示
3、后台：岗位管理、用户管理、评论管理、打分管理、分类管理等
4、推荐岗位（推荐列表），使用推荐系统（基于用户的协同过滤）算法，给用户推荐可能喜欢的岗位

2、项目界面

（1）首页

（2）职位详情页

（3）职位推荐

（4）用户评分、投递简历、收藏、留言

（5）数据可视化分析

（6）投递信息

（7）我的收藏

（8）后台数据管理

3、项目说明

项目介绍：基于Python+Django+MySQL的岗位招聘推荐系统
在当今数字化时代，招聘行业正迅速向智能化、个性化方向发展。为了帮助企业和求职者更有效地匹配岗位与人才，我们开发了一款基于Python、Django框架、MySQL数据库以及基于用户的协同过滤算法的岗位招聘推荐系统。该系统不仅提供了用户登录、注册、岗位查看、评论、评分、简历投递等基础功能，还通过先进的推荐算法为用户提供个性化的岗位推荐，极大地提升了用户体验和招聘效率。

技术栈与项目结构
项目采用Python作为开发语言，得益于其简洁的语法和丰富的第三方库，使得开发过程更加高效。Django框架则提供了强大的Web开发功能，包括ORM（对象关系映射）、模板引擎、用户认证等，大大简化了后端开发流程。MySQL作为数据库，保证了数据的高可靠性和可扩展性。前端使用Bootstrap进行界面渲染设计，使得页面布局美观、响应速度快。同时，结合Echarts进行数据可视化，为用户提供直观的图表分析展示。

主要功能模块
用户管理：提供用户登录、注册、退出登录功能，确保用户信息的安全性和隐私性。用户可以通过简单的操作完成账号的创建和登录，享受个性化的服务。
前台功能：用户可以在前台查看岗位信息，包括岗位名称、职位描述、薪资待遇等。同时，用户可以对岗位进行评论和评分，为其他求职者提供参考。此外，用户还可以投递简历到感兴趣的岗位，并查看系统为其推荐的岗位列表。通过Echarts，用户可以直观地看到岗位评分分布、热门岗位排行等图表分析。
后台管理：管理员可以在后台进行岗位管理，包括岗位的添加、编辑、删除等操作。同时，管理员还可以管理用户信息、评论信息、打分信息等，确保数据的准确性和完整性。分类管理功能使得岗位信息更加有序，方便用户查找。
推荐系统：基于用户的协同过滤算法是项目的核心亮点。该算法通过分析用户的评论和评分行为，计算用户之间的相似度，从而为每个用户推荐可能感兴趣的岗位。推荐列表不仅提高了用户的满意度，也为企业提供了更精准的招聘服务。
总结
本项目通过整合先进的技术栈和创新的推荐算法，为招聘行业带来了全新的解决方案。它不仅提高了招聘效率，还为用户提供了个性化的服务体验。无论是求职者还是企业，都能从中受益，实现双赢。未来，我们将继续优化算法，拓展功能，为用户提供更加智能、便捷的招聘推荐服务。

项目结构清晰，分为多个模块：

JobRecommendSystem：主模块，包含项目的主路由和配置文件，是项目的核心部分。
media：用于存放用户上传的图片等多媒体文件，实现文件的动态管理。
front：前端文件，包括HTML、CSS、JS等，负责页面的渲染和交互逻辑。
job：岗位招聘推荐系统的业务逻辑实现，包括岗位管理、用户管理、评论管理、打分管理等核心功能。
utils：工具类，存储了登录用户数据处理、推荐算法实现等辅助方法。
venv：项目虚拟环境，隔离了项目依赖，保证了环境的一致性。
manage.py：项目管理文件，作为项目的入口，用于启动服务器、创建应用、迁移数据库等。

4、核心代码

# 投递简历
def add_order(request):
    user_id = request.session.get('user_id')
    if not user_id:
        return JsonResponse({'code': 400, 'message': '请先登录'})
    job_id = request.POST.get('job_id')
    flag = OrderModel.objects.filter(user_id=user_id, job_id=job_id).first()
    if flag:
        return JsonResponse({'code': 400, 'message': '您已投递该岗位，请勿重复投递!'})
    OrderModel.objects.create(
        user_id=user_id,
        job_id=job_id
    )
    return JsonResponse({'code': 200})


# 添加收藏
def add_collect(request):
    user_id = request.session.get('user_id')
    if not user_id:
        return JsonResponse({'code': 400, 'message': '请先登录'})
    job_id = request.POST.get('job_id')
    flag = CollectModel.objects.filter(user_id=user_id, job_id=job_id).first()
    if flag:
        return JsonResponse({'code': 400, 'message': '您已收藏该岗位，请勿重复收藏!'})
    CollectModel.objects.create(
        user_id=user_id,
        job_id=job_id
    )
    return JsonResponse({'code': 200})


# 添加评论
def add_comment(request):
    user_id = request.session.get('user_id')
    if not user_id:
        return JsonResponse({'code': 400, 'message': '请先登录'})
    content = request.POST.get('content')
    job_id = request.POST.get('job_id')
    if not content:
        return JsonResponse({'code': 400, 'message': '内容不能为空'})

    CommentModel.objects.create(
        user_id=user_id,
        content=content,
        job_id=job_id
    )
    return JsonResponse({'code': 200})


# 用户对岗位进行评分
def input_score(request):
    user_id = request.session.get('user_id')
    if not user_id:
        return JsonResponse({'code': 400, 'message': '请先登录'})
    score = int(request.POST.get('score'))
    item_id = request.POST.get('job_id')
    mark = MarkModel.objects.filter(item_id=item_id, user_id=user_id).first()
    if mark:
        mark.score = score
        mark.save()
    else:
        MarkModel.objects.create(
            item_id=item_id,
            score=score,
            user_id=user_id
        )
    return JsonResponse({'code': 200})


# 我的收藏
def my_collect(request):
    user_id = request.session.get('user_id')
    collects = CollectModel.objects.filter(user_id=user_id)
    return render(request, 'my_collect.html', {'collects': collects})


# 取消收藏
def delete_collect(request):
    collect_id = request.POST.get('collect_id')
    collect = CollectModel.objects.get(id=collect_id)
    collect.delete()
    return JsonResponse({'code': 200})


# 我的投递信息
def my_order(request):
    user_id = request.session.get('user_id')
    orders = OrderModel.objects.filter(user_id=user_id)
    return render(request, 'my_order.html', {'orders': orders})


# 我的评分信息
def my_mark(request):
    user_id = request.session.get('user_id')
    marks = MarkModel.objects.filter(user_id=user_id)
    return render(request, 'my_mark.html', {'marks': marks})


# 个人信息
def my_info(request):
    user_id = request.session.get('user_id')
    if request.method == 'GET':
        # 个人信息界面
        info = UserInfoModel.objects.get(id=user_id)
        return render(request, 'my_info.html', {'info': info})
    else:
        # 更新个人信息
        username = request.POST.get('username')
        password = request.POST.get('password')
        phone = request.POST.get('phone') or ''
        edu_level = request.POST.get('edu_level') or ''
        major = request.POST.get('major') or ''
        age = request.POST.get('age') or ''
        content = request.POST.get('content') or ''

        UserInfoModel.objects.filter(
            id=user_id
        ).update(
            username=username,
            password=password,
            phone=phone,
            edu_level=edu_level,
            major=major,
            age=age,
            content=content,
        )
        return JsonResponse({'code': 200})


# 浏览量统计
def view_count(request):
    if request.method == 'GET':
        return render(request, 'view_count.html')
    else:
        jobs = JobModel.objects.all().order_by('-view_number')[:10]
        name_list = []
        count_list = []
        for job in jobs:
            name_list.append(job.name)
            count_list.append(job.view_number)
        return JsonResponse({'code': 200, 'name_list': name_list, 'count_list': count_list})


# 计算两用户的余弦相似度
def calculate_cosine_similarity(user_ratings1, user_ratings2):
    # 将用户1的职位评分存入字典，键为职位ID，值为评分 1:5 2:3
    item_ratings1 = {rating.item_id: rating.score for rating in user_ratings1}
    print('item_ratings1:', item_ratings1)
    # 将用户2的职位评分存入字典，键为职位ID，值为评分 1:4
    item_ratings2 = {rating.item_id: rating.score for rating in user_ratings2}
    print('item_ratings2:', item_ratings2)
    # 找出两个用户共同评价过的职位 1
    common_items = set(item_ratings1.keys()) & set(item_ratings2.keys())
    print('common_items:', common_items)
    if len(common_items) == 0:
        return 0.0  # 无共同评价的职位，相似度为0

    # 提取共同评价职位的评分，存入NumPy数组
    user1_scores = np.array([item_ratings1[item_id] for item_id in common_items]) # 5
    user2_scores = np.array([item_ratings2[item_id] for item_id in common_items])  # 4
    print('user1_scores:', user1_scores)
    print('user2_scores:', user2_scores)
    # 计算余弦相似度
    cosine_similarity = np.dot(user1_scores, user2_scores) / (
            np.linalg.norm(user1_scores) * np.linalg.norm(user2_scores))
    print('cosine_similarity:', cosine_similarity)
    return cosine_similarity


# 基于用户协同过滤推荐
def user_based_recommendation(request, user_id):
    try:
        # 获取目标用户对象
        target_user = UserInfoModel.objects.get(id=user_id)
    except UserInfoModel.DoesNotExist:
        return JsonResponse({'code': 400, 'message': '该用户不存在'})

    # 获取目标用户的职位评分记录
    target_user_ratings = MarkModel.objects.filter(user=target_user)

    # 用于存储推荐职位的字典
    recommended_items = {}

    # 遍历除目标用户外的所有其他用户 test1 bhml
    for other_user in UserInfoModel.objects.exclude(pk=user_id):
        # 获取其他用户的职位评分记录
        other_user_ratings = MarkModel.objects.filter(user=other_user)

        # 计算目标用户与其他用户的相似度
        similarity = calculate_cosine_similarity(target_user_ratings, other_user_ratings)

        if similarity > 0:
            # 遍历其他用户评价的职位
            for item_rating in other_user_ratings:
                # 仅考虑目标用户未评价过的职位
                if item_rating.item.id not in target_user_ratings.values_list('item', flat=True):
                    if item_rating.item.id in recommended_items:
                        # 累积相似度加权的评分和相似度
                        recommended_items[item_rating.item.id]['score'] += similarity * item_rating.score
                        recommended_items[item_rating.item.id]['similarity'] += similarity
                    else:
                        # 创建推荐职位的记录
                        recommended_items[item_rating.item.id] = {'score': similarity * item_rating.score,
                                                                  'similarity': similarity}

    # 将推荐职位按照加权评分排序
    sorted_recommended_items = sorted(recommended_items.items(), key=lambda x: x[1]['score'], reverse=True)

    # 获取排名靠前的推荐职位的ID
    top_recommended_items = [item_id for item_id, _ in sorted_recommended_items[:5]]

    # 构建响应数据
    response_data = []
    for item_id in top_recommended_items:
        item = JobModel.objects.get(pk=item_id)
        similarity = recommended_items[item_id]['similarity']
        response_data.append({
            'job': item,
            'name': item.name,
            'id': item.id,
            'image': item.image,
            'similarity': similarity,
        })
    context = {
        'response_data': response_data
    }
    return render(request, 'job_recommend.html', context=context)

🍅✌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

https://mbd.pub/o/author-aWiYmGxnZA==/work

🍅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👇🏻