说明文档.py

#!/usr/bin/python          
# -*- coding: UTF-8 -*-

# file_name: 说明文档
# author: catherine.qin
# create: 2020/5/08 5:49 下午


'''
绿色--已选
黄色--预选

Flask 框架里，可以用 jsonify 返回 json 数据

Request对象的重要属性如下所列：
    method - 当前请求方法。Form - 它是一个字典对象，包含表单参数及其值的键和值对。
    args - 解析查询字符串的内容，它是问号（？）之后的URL的一部分。
    Cookies  - 保存Cookie名称和值的字典对象。
    files - 与上传文件有关的数据。


可以利用Flask所基于的Jinja2模板引擎的地方。而不是从函数返回硬编码HTML，可以通过render_template()函数呈现HTML文件
Flask类有一个redirect()函数。调用时，它返回一个响应对象，并将用户重定向到具有指定状态代码的另一个目标位置。
redirect()函数的原型如下：
    Flask.redirect(location, statuscode, response)
在上述函数中：
    location参数是应该重定向响应的URL。
    statuscode发送到浏览器标头，默认为302。
    response参数用于实例化响应。



推荐模块:
    前端发送用户信息到后端
    后端从数据库中查询所有用户的课程评分，形成评分矩阵
    对评分矩阵进行SVD分解，得到用户以及课程的隐特征向量
    根据隐特征向量向用户推荐课程以及同伴，返回结果到前端
    前端以柱状图显示结果



query().py:
    data = {}
    data['name'] = '总进度'

    children = []
    children1 = {}
    children1['name'] = '思想政治理论'
    children1_list =[]

    add_time_list = [[]...]

SVD(singular value decomposition)（奇异值分解）：
    将一个比较复杂的矩阵用更小更简单的3个子矩阵的相乘来表示，这3个小矩阵描述了大矩阵重要的特性。
    SVD与PCA不同，PCA是对数据的协方差矩阵进行矩阵的分解，而SVD是直接在原始矩阵上进行的矩阵分解。并且能对【非方阵】矩阵分解，得到左奇异矩阵U、sigma矩阵Σ、右奇异矩阵VT。

    优点：简化数据，去除噪声点，提高算法的结果；
    缺点：数据的转换可能难以理解；
    适用于数据类型：数值型。

    通过SVD对数据的处理，我们可以使用小得多的数据集来表示原始数据集，这样做实际上是去除了噪声和冗余信息，以此达到了优化数据、提高结果的目的。

    推荐系统：SVD的另一个应用就是推荐系统，较为先进的推荐系统先利用SVD从数据中【构建一个主题空间】，然后再在该空间下【计算相似度】，以此提高推荐的效果。
    基于SVD的优势在于：用户的评分数据是稀疏矩阵，可以用SVD将原始数据映射到低维空间中，然后计算物品item之间的相似度，可以节省计算资源。

    整体思路：
        先找到用户没有评分的物品，
        然后再经过SVD“压缩”后的低维空间中，
        计算未评分物品与其他物品的相似性，得到一个预测打分，
        再对这些物品的评分从高到低进行排序，返回前N个物品推荐给用户。
    参考https://www.cnblogs.com/flightless/p/10424035.html


'''