## 1. 项目概述当美食遇上机器学习 每次打开外卖软件面对上百家店铺时你是否也经历过选择困难症这个基于Django的毕业设计项目用Python协同过滤算法构建了一个会学习的智能美食推荐系统。它不仅会记住你的口味偏好还能通过直观的可视化图表展示为什么给你推荐这道水煮鱼——可能是你上周点赞过川菜或者和你有相似饮食喜好的用户都偏爱这道菜。 作为完整的全栈项目系统包含三个核心模块采用Django框架搭建的Web交互平台、基于用户行为的协同过滤推荐引擎、以及使用ECharts实现的数据可视化看板。我在开发过程中特别注重实用性所有菜品数据均来自公开美食API确保同学们能真实复现一个能上桌的推荐系统。 ## 2. 技术架构深度解析 ### 2.1 为什么选择Django全栈框架 相比Flask等轻量级框架Django自带ORM系统和Admin后台特别适合需要快速开发数据库应用的毕业设计场景。以用户收藏行为记录为例用Django模型只需三行代码 python class UserFavorite(models.Model): user models.ForeignKey(User, on_deletemodels.CASCADE) recipe models.ForeignKey(Recipe, on_deletemodels.CASCADE) created_at models.DateTimeField(auto_now_addTrue)后台立即获得数据管理界面省去手动编写CRUD接口的时间。但要注意Django的模板系统比较封闭我推荐前后端分离开发模式用Django REST framework构建API前端使用Vue.js等框架调用接口通过Nginx统一代理前后端资源2.2 协同过滤算法的工程实现核心推荐模块采用基于用户的协同过滤UserCF其工作原理就像美食兴趣小组计算用户相似度余弦相似度公式def cosine_sim(user1, user2): common_recipes set(user1.ratings) set(user2.ratings) numerator sum(user1.ratings[r]*user2.ratings[r] for r in common_recipes) denominator (sqrt(sum(v**2 for v in user1.ratings.values())) * sqrt(sum(v**2 for v in user2.ratings.values()))) return numerator/denominator if denominator else 0找出K个最相似用户K15效果最佳聚合相似用户喜欢的菜品排除已品尝过的关键细节必须对稀疏矩阵做归一化处理否则活跃用户会主导推荐结果2.3 可视化设计的三个层次用户画像层雷达图展示口味偏好酸甜/麻辣等维度推荐解释层桑基图显示用户A→相似群体→推荐菜品的关联路径热度分析层热力图呈现不同时段的菜品流行趋势使用ECharts时要注意异步加载问题建议采用以下初始化方案// 在Vue的mounted钩子中初始化图表 mounted() { this.$nextTick(() { const chart echarts.init(this.$refs.chartDom) window.addEventListener(resize, chart.resize) }) }3. 关键实现步骤详解3.1 数据采集与清洗使用Python的requests库爬取公开美食数据时建议设置headers { User-Agent: Mozilla/5.0 (Windows NT 10.0) AppleWebKit/537.36, Accept-Language: zh-CN,zh;q0.9 } proxies {http: http://127.0.0.1:1087} # 注意替换为合法代理清洗数据时要特别注意去除配料表中适量等非量化描述将微辣/中辣/特辣转换为1-5的数值对菜谱文本做jieba分词处理3.2 推荐系统冷启动方案新用户没有历史数据时采用混合策略基于内容推荐匹配用户注册时选择的饮食禁忌热门榜单近7天收藏量Top50随机试探10%概率推荐新上架菜品对应的Django视图函数逻辑def recommend(request): if request.user.is_anonymous: return JsonResponse({type: hot, recipes: get_hot_recipes()}) elif request.user.favorites.count() 5: return hybrid_recommend(request.user) else: return cf_recommend(request.user)3.3 性能优化技巧缓存策略对相似度矩阵使用Redis缓存设置1小时过期from django.core.cache import cache cache.set(fuser_sim_{user1.id}_{user2.id}, sim_score, 3600)批量计算凌晨定时任务预计算用户相似度数据库索引为user_id和recipe_id创建联合索引4. 踩坑实录与解决方案4.1 相似度计算报错排查现象部分用户配对返回NaN值原因新用户尚未产生任何评分数据修复方案def safe_cosine_sim(u1, u2): if not u1.ratings or not u2.ratings: return 0 # 默认无相似度 # 原有计算逻辑...4.2 推荐结果重复问题背景用户抱怨连续三天看到相同推荐优化措施在推荐结果中混入10%的新品记录已推荐列表的有效期加入时间衰减因子weight 0.8 ** (today - last_viewed_date).days4.3 可视化图表加载慢瓶颈分析ECharts地图数据过大优化方案使用CDN加载压缩后的echarts.min.js按需导入组件import * as echarts from echarts/core import { RadarChart } from echarts/charts echarts.use([RadarChart])5. 项目扩展方向多算法融合加入基于内容的推荐TF-IDF分析菜谱文本实时推荐用WebSocket推送好友正在吃信息增强可视化食材供应链地图营养成分子弹图移动端适配PWA渐进式Web应用方案这个项目最让我惊喜的是当测试用户说它比我还了解自己的口味时那些深夜调试算法的疲惫都值得了。如果你也在做类似毕设强烈建议从小的数据集开始先确保核心推荐逻辑跑通再逐步添加花哨功能——毕竟导师最关心的永远是算法创新点而不是界面有多炫酷。