计算机毕业设计：基于Python与协同过滤的美食推荐系统 Django框架 可视化 协同过滤推荐算法 菜谱 食品 机器学习（建议收藏）✅

博主介绍✌全网粉丝50W前互联网大厂软件研发、集结硕博英豪成立软件开发工作室专注于计算机相关专业项目实战6年之久累计开发项目作品上万套。凭借丰富的经验与专业实力已帮助成千上万的学生顺利毕业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2026年计算机专业毕业设计选题汇总建议收藏✅2、最全计算机大数据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、Echarts 可视化库、协同过滤推荐算法基于用户与基于物品、HTML、Bootstrap 前端框架功能模块美食列表模块美食详情页模块美食推荐模块可视化分析模块词云图分析模块折线图分析模块饼图分析模块个人中心模块用户认证模块后台管理模块项目介绍本系统是基于 Python 与 Django 开发的美食推荐与可视化平台以 B/S 架构为基础融合协同过滤推荐算法解决美食领域的个性化推荐问题。系统前端采用 Bootstrap 与 HTML 构建响应式界面后端通过 Django 框架处理业务逻辑数据存储于 MySQL 数据库。用户可通过美食列表按菜系、口味、价格等多维度筛选菜品进入详情页查看用料与步骤并进行收藏、评分、评论。推荐模块同时提供基于用户与基于物品的协同过滤算法生成“猜你喜欢”与“口味邻居也在吃”双栏推荐结果。可视化部分集成词云、折线图、饼图等组件支持多维度数据展示与图表联动。个人中心聚合收藏与评分记录后台管理支持菜品、用户、评论的全模块维护。2、项目界面1美食列表该页面是美食推荐系统的首页模块可按热度排序展示菜谱支持搜索功能同时设有标签分类、数据可视化、后台管理等导航入口还提供最近更新菜谱展示及基于用户的个性化美食推荐功能。2美食详情页该页面是美食推荐系统的菜谱详情模块展示菜谱的基础信息、配料及互动数据支持收藏操作同时提供基于物品和用户的个性化推荐功能还具备搜索、标签分类、数据可视化及后台管理等系统功能入口。3美食推荐—基于用户、基于物品该页面是美食推荐系统的菜谱详情模块展示菜谱配料与标签信息支持用户提交评论提供基于物品和用户的个性化推荐功能同时具备最近更新菜谱展示及系统导航等功能入口。4可视化分析1该页面是美食推荐系统的数据可视化模块通过双轴图表同步展示不同菜系的菜谱数量与美食评分分布情况同时系统还提供首页、标签分类、后台管理及搜索等功能入口方便用户进行多维度数据查看与系统操作。2词云图分析该页面是美食推荐系统的数据可视化模块以词云图形式展示美食名称分布同时提供分类数量与美食评分、上架数量曲线、分类占比等多维度可视化视图切换功能还集成了系统导航与搜索等功能入口。3折线图分析该页面是美食推荐系统的数据可视化模块通过折线图表展示美食上架数量随时间的变化趋势同时支持多维度可视化视图切换还集成了首页、标签分类、后台管理及搜索等系统功能入口。4饼图分析该页面是美食推荐系统的数据可视化模块通过环形饼图展示各菜系菜谱的分类占比情况支持多维度可视化视图切换同时集成了首页、标签分类、后台管理及搜索等系统功能入口。5个人中心该页面是美食推荐系统的个人中心模块展示用户基础信息支持查看收藏、评论、评分记录可修改账号信息同时集成最近更新菜谱展示、个性化推荐及系统导航与搜索等功能入口。6美食分类该页面是美食推荐系统的标签分类模块以列表形式展示各类菜系标签方便用户按菜系筛选菜谱同时集成最近更新菜谱展示、个性化推荐及系统导航与搜索等功能入口。7注册登录该页面是美食推荐系统的用户登录模块提供账号密码输入与登录功能同时支持新用户注册跳转是系统权限管控与用户身份验证的核心入口。8后台数据管理这是推荐系统后台管理的美食管理页面可进行美食数据的浏览、增加、删除操作同时展示美食相关信息及图片链接左侧还包含首页、偏好、标签、用户等其他管理功能模块入口。3、项目说明一、技术栈简要说明系统后端采用 Python 语言与 Django 框架构建数据库选用 MySQL 进行数据存储。前端使用 Bootstrap 与 HTML 构建响应式界面。推荐模块采用基于用户与基于物品的协同过滤算法可视化部分通过 Echarts 图表库实现词云、折线图、饼图等多种图形渲染。二、功能模块详细介绍· 美食列表模块作为系统首页采用瀑布流卡片形式展示全部菜品支持按菜系、口味、价格、评分等多维度筛选与模糊搜索。集成图片懒加载与分页滚动功能提供按热度排序、最近更新菜谱展示以及基于用户的个性化推荐入口用户点击卡片即可进入详情页。· 美食详情页模块集中展示菜谱的轮播主图、用料列表、制作步骤、营养标签等信息同时呈现菜谱的基础数据与互动统计。用户可在该页面执行收藏、打分、评论等操作并即时查看基于物品与基于用户协同过滤算法生成的“相似菜品”推荐结果。· 美食推荐模块提供“猜你喜欢”与“口味邻居也在吃”双栏推荐区域前者基于物品协同过滤算法后者基于用户协同过滤算法。推荐结果采用无刷新加载方式根据用户历史行为动态生成个性化菜品推荐列表。· 可视化分析模块集成交互式仪表板支持词云、折线图、饼图三大组件的任意切换与多维度数据筛选。各图表间可实现图形联动并支持一键导出高清图片用于汇报分析。· 词云图分析模块自动抽取菜名、食材、用户标签等文本信息生成词云图高频词汇突出显示鼠标悬停可查看关联菜品帮助用户洞察当前流行口味与热门食材。· 折线图分析模块动态展示菜品价格、评分或销量随时间变化的趋势曲线支持区域缩放与节点标注功能便于运营人员掌握市场波动规律与菜品表现变化。· 饼图分析模块以环形饼图直观对比各菜系、辣度等级、人群偏好等分类维度的占比情况支持钻取下一级分类查看细分数据颜色主题可一键切换适应不同展示场景。· 个人中心模块聚合用户的收藏记录、浏览足迹、评分记录与偏好标签支持头像修改与账号信息编辑同时集成最近更新菜谱展示与个性化推荐入口便于用户集中管理个人互动数据。· 用户认证模块提供用户注册与登录功能包含滑块验证码验证、密码找回等安全机制保障系统访问安全是用户使用收藏、评分、评论等个性化功能的前提。· 后台管理模块为管理员提供菜品、用户、订单、评论等全模块的增删改查操作支持批量导入数据、图片裁剪、敏感词过滤及操作日志审计功能运营人员无需编写代码即可维护全站数据。三、项目总结本系统是基于 Python 与 Django 开发的美食推荐与可视化平台以 B/S 架构为基础融合协同过滤推荐算法解决美食领域的个性化推荐问题。系统前端采用 Bootstrap 与 HTML 构建响应式界面后端通过 Django 框架处理业务逻辑数据存储于 MySQL 数据库。用户可通过美食列表按多维度筛选菜品进入详情页查看用料与步骤并进行收藏、评分、评论。推荐模块同时提供基于用户与基于物品的协同过滤算法生成“猜你喜欢”与“口味邻居也在吃”双栏推荐结果。可视化部分集成词云、折线图、饼图等组件支持多维度数据展示与图表联动。个人中心聚合收藏与评分记录后台管理支持菜品、用户、评论的全模块维护为美食爱好者与运营人员提供完整的菜品浏览、互动推荐与数据洞察服务。4、核心代码# -*-coding:utf-8-*-importos os.environ[DJANGO_SETTINGS_MODULE]recommend.settingsimportdjango django.setup()fromitem.modelsimport*frommathimportsqrt,powimportoperatorfromdjango.db.modelsimportSubquery,Q,Count# from django.shortcuts import render,render_to_responseclassUserCf:# 获得初始化数据def__init__(self,all_user):self.all_userall_user# 通过用户名获得列表仅调试使用defgetItems(self,username1,username2):returnself.all_user[username1],self.all_user[username2]# 计算两个用户的皮尔逊相关系数defpearson(self,user1,user2):# 数据格式为美食id浏览此sum_xy0.0# user1,user2 每项打分的成绩的累加n0# 公共浏览次数sum_x0.0# user1 的打分总和sum_y0.0# user2 的打分总和sumX20.0# user1每项打分平方的累加sumY20.0# user2每项打分平方的累加formovie1,score1inuser1.items():ifmovie1inuser2.keys():# 计算公共的浏览次数n1sum_xyscore1*user2[movie1]sum_xscore1 sum_yuser2[movie1]sumX2pow(score1,2)sumY2pow(user2[movie1],2)ifn0:# print(p氏距离为0)return0moleculesum_xy-(sum_x*sum_y)/n# 分子denominatorsqrt((sumX2-pow(sum_x,2)/n)*(sumY2-pow(sum_y,2)/n))# 分母ifdenominator0:return0rmolecule/denominatorreturnr# 计算与当前用户的距离获得最临近的用户defnearest_user(self,current_user,n1):distances{}# 用户相似度# 遍历整个数据集foruser,rate_setinself.all_user.items():# 非当前的用户ifuser!current_user:distanceself.pearson(self.all_user[current_user],self.all_user[user])# 计算两个用户的相似度distances[user]distance closest_distancesorted(distances.items(),keyoperator.itemgetter(1),reverseTrue)# 最相似的N个用户print(closest user:,closest_distance[:n])returnclosest_distance[:n]# 给用户推荐美食defrecommend(self,username,n3):recommend{}nearest_userself.nearest_user(username,n)foruser,scoreindict(nearest_user).items():# 最相近的n个用户formovies,scoresinself.all_user[user].items():# 推荐的用户的美食列表ifmoviesnotinself.all_user[username].keys():# 当前username没有看过ifmoviesnotinrecommend.keys():# 添加到推荐列表中recommend[movies]scores*score# 对推荐的结果按照美食# 浏览次数排序returnsorted(recommend.items(),keyoperator.itemgetter(1),reverseTrue)# 基于用户的推荐defrecommend_by_user_id(user_id):user_preferUserTagPrefer.objects.filter(user_iduser_id).order_by(-score).values_list(tag_id,flatTrue)current_userUser.objects.get(iduser_id)# 如果当前用户没有打分 则看是否选择过标签选过的话就从标签中找# 没有的话就按照浏览度推荐15个ifcurrent_user.rate_set.count()0:iflen(user_prefer)!0:movie_listxiangmu.objects.filter(tags__inuser_prefer)[:15]else:movie_listxiangmu.objects.order_by(-c9)[:15]returnmovie_list# 选取评分最多的10个用户users_rateRate.objects.values(user).annotate(mark_numCount(user)).order_by(-mark_num)user_ids[user_rate[user]foruser_rateinusers_rate]user_ids.append(user_id)usersUser.objects.filter(id__inuser_ids)#users 为评分最多的10个用户all_user{}foruserinusers:ratesuser.rate_set.all()#查出10名用户的数据rate{}# 用户有给美食打分 在rate和all_user中进行设置ifrates:foriinrates:rate.setdefault(str(i.movie.id),i.mark)#填充美食数据all_user.setdefault(user.username,rate)else:# 用户没有为美食打过分设为0all_user.setdefault(user.username,{})user_cfUserCf(all_userall_user)recommend_list[each[0]foreachinuser_cf.recommend(current_user.username,15)]movie_listlist(xiangmu.objects.filter(id__inrecommend_list).order_by(-c9)[:15])other_length15-len(movie_list)ifother_length0:fix_listxiangmu.objects.filter(~Q(rate__user_iduser_id)).order_by(-collect)forfixinfix_list:iffixnotinmovie_list:movie_list.append(fix)iflen(movie_list)15:breakreturnmovie_list# 计算相似度defsimilarity(movie1_id,movie2_id):movie1_setRate.objects.filter(movie_idmovie1_id)# movie1的打分用户数movie1_summovie1_set.count()# movie_2的打分用户数movie2_sumRate.objects.filter(movie_idmovie2_id).count()# 两者的交集commonRate.objects.filter(user_id__inSubquery(movie1_set.values(user_id)),moviemovie2_id).values(user_id).count()# 没有人给当前美食打分ifmovie1_sum0ormovie2_sum0:return0similar_valuecommon/sqrt(movie1_sum*movie2_sum)#余弦计算相似度returnsimilar_value#基于物品defrecommend_by_item_id(user_id,k15):# 前三的tag用户评分前三的美食user_preferUserTagPrefer.objects.filter(user_iduser_id).order_by(-score).values_list(tag_id,flatTrue)user_preferlist(user_prefer)[:3]print(user_prefer,user_prefer)current_userUser.objects.get(iduser_id)# 如果当前用户没有打分 则看是否选择过标签选过的话就从标签中找# 没有的话就按照浏览度推荐15个ifcurrent_user.rate_set.count()0:iflen(user_prefer)!0:movie_listxiangmu.objects.filter(tags__inuser_prefer)[:15]else:movie_listxiangmu.objects.order_by(-c9)[:15]print(from here)returnmovie_list# most_tags Tags.objects.annotate(tags_sumCount(name)).order_by(-tags_sum).filter(movie__rate__user_iduser_id).order_by(-tags_sum)# 选用户最喜欢的标签中的美食用户没看过的30部对这30部美食计算距离最近un_watchedxiangmu.objects.filter(~Q(rate__user_iduser_id),tags__inuser_prefer).order_by(?)[:30]# 看过的美食watchedRate.objects.filter(user_iduser_id).values_list(movie_id,mark)distances[]names[]# 在未看过的美食中找到forun_watched_movieinun_watched:forwatched_movieinwatched:ifun_watched_movienotinnames:names.append(un_watched_movie)distances.append((similarity(un_watched_movie.id,watched_movie[0])*watched_movie[1],un_watched_movie))#加入相似的美食distances.sort(keylambdax:x[0],reverseTrue)print(this is distances,distances[:15])recommend_list[]formark,movieindistances:iflen(recommend_list)k:breakifmovienotinrecommend_list:recommend_list.append(movie)# print(this is recommend list, recommend_list)# 如果得不到有效数量的推荐 按照未看过的美食中的热度进行填充print(recommend list,recommend_list)returnrecommend_listif__name____main__:# similarity(2003, 2008)print(recommend_by_item_id(1799))5、源码获取方式