大数据毕业设计：python美食推荐系统 协同过滤推荐算法 可视化 Django框架（源码）?

毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕设选题推荐汇总

🍅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、项目介绍

技术栈：
Python语言、Django框架、协同过滤推荐算法、Echarts可视化、HTML

美食推荐系统是基于协同过滤推荐算法的应用程序，旨在为用户提供个性化的美食推荐。系统使用Python语言和Django框架进行开发，并结合Echarts可视化库和HTML技术，实现了用户界面和推荐结果的展示。

该系统的核心是协同过滤推荐算法。该算法基于用户的历史行为和其他用户的行为进行分析，通过计算用户之间的相似度，为用户推荐他可能喜欢的美食。具体而言，系统会根据用户的历史评分数据和浏览记录，找到与用户兴趣相似的其他用户，然后根据这些用户的评分数据，推荐给用户他们喜欢的美食。

2、项目界面

（1）美食数据分析

（2）美食评分区间分析

（3）美食数据

（4）美食推荐

（5）美食推荐2

（6）后台数据管理

3、项目说明

美食推荐系统是基于协同过滤推荐算法的应用程序，旨在为用户提供个性化的美食推荐。系统使用Python语言和Django框架进行开发，并结合Echarts可视化库和HTML技术，实现了用户界面和推荐结果的展示。

该系统的核心是协同过滤推荐算法。该算法基于用户的历史行为和其他用户的行为进行分析，通过计算用户之间的相似度，为用户推荐他可能喜欢的美食。具体而言，系统会根据用户的历史评分数据和浏览记录，找到与用户兴趣相似的其他用户，然后根据这些用户的评分数据，推荐给用户他们喜欢的美食。

在系统的实现过程中，使用了Python语言和Django框架来构建后端逻辑和用户界面。Python是一种简洁、易学且功能强大的编程语言，适合用于开发推荐系统。Django框架是一个高效、灵活的Web开发框架，可以帮助开发者快速构建Web应用程序。

为了更好地展示推荐结果，系统使用了Echarts可视化库。Echarts是一款基于JavaScript的可视化库，可以轻松地创建各种交互式图表和数据展示效果。通过使用Echarts，系统可以将推荐结果以图表的形式展示给用户，提供更直观、易于理解的推荐结果。

最后，为了实现用户界面，系统采用了HTML技术。HTML是一种用于构建Web页面的标记语言，可以定义页面的结构和内容。通过使用HTML，系统可以创建用户友好的界面，使用户可以方便地浏览和使用美食推荐系统。

综上所述，该美食推荐系统使用了Python语言、Django框架、协同过滤推荐算法、Echarts可视化和HTML技术，为用户提供个性化的美食推荐，并通过图表展示推荐结果，提升用户体验。

4、核心代码

# coding=utf-8
from math import sqrt,pow
import operator
import random

class UserCf():


    def __init__(self,data):
        self.data=data


    def getItems(self,username1,username2):
        return self.data[username1],self.data[username2]

    def pearson(self,user1,user2):
        sumXY=0.0;
        n=0;
        sumX=0.0;
        sumY=0.0;
        sumX2=0.0;
        sumY2=0.0;
        try:
            for movie1,score1 in user1.items():
                if movie1 in user2.keys():
                    n+=1;
                    sumXY+=score1*user2[movie1]
                    sumX+=score1;
                    sumY+=user2[movie1]
                    sumX2+=pow(score1,2)
                    sumY2+=pow(user2[movie1],2)

            molecule=sumXY-(sumX*sumY)/n;
            denominator=sqrt((sumX2-pow(sumX,2)/n)*(sumY2-pow(sumY,2)/n))
            r=molecule/denominator
        except Exception as e:
            print("异常信息:",e)
            return None
        return r

    def test1(self,user1,user2):

        # 取出两位用户评论过的美食和评分
        user1_data = self.data[user1]
        user2_data = self.data[user2]
        distance = 0
        common = {}

        # 找到两位用户都评论过的美食
        for key in user1_data.keys():
            if key in user2_data.keys():
                common[key] = 1
        if len(common) == 0:
            return 0  # 如果没有共同评论过的美食，则返回0
        n = len(common)  # 共同美食数目
        print(n, common)

        ##计算评分和
        sum1 = sum([float(user1_data[movie]) for movie in common])
        print(sum1)
        sum2 = sum([float(user2_data[movie]) for movie in common])
        print(sum2)
        ##计算评分平方和
        sum1Sq = sum([pow(float(user1_data[movie]), 2) for movie in common])
        sum2Sq = sum([pow(float(user2_data[movie]), 2) for movie in common])

        ##计算乘积和
        PSum = sum([float(user1_data[it]) * float(user2_data[it]) for it in common])
        print(PSum)
        ##计算相关系数
        num = PSum - (sum1 * sum2 / n)
        print(num)
        den = sqrt((sum1Sq - pow(sum1, 2) / n) * (sum2Sq - pow(sum2, 2) / n))

        if den == 0:
            return 0
        r = num / den
        print(111111)
        print(r)
        return r


    def nearstUser(self,username,n=1):
        distances={};
        for otherUser,items in self.data.items():
            if otherUser not in username:
                print(otherUser)
                distance=self.pearson(self.data[username],self.data[otherUser])
                if distance is None:
                    continue
                distances[otherUser]=distance
        print(distances)

        sortedDistance=sorted(distances.items(),key=operator.itemgetter(1),reverse=True);
        print("排序后的用户为：",sortedDistance)
        return sortedDistance[:n]



    def recomand(self,username,n=1):
        recommand={};
        for user,score in dict(self.nearstUser(username,n)).items():
            print("推荐的用户：",(user,score))
            for movies,scores in self.data[user].items():
                if movies not in self.data[username].keys():
                    print("%s为该用户推荐的：%s"%(user,movies))
                    if movies not in recommand.keys():
                        recommand[movies]=scores

        return sorted(recommand.items(),key=operator.itemgetter(1),reverse=True)

    def Euclidean(self,user1, user2):
        # 取出两位用户评论过的美食和评分
        user1_data = self.data[user1]
        user2_data = self.data[user2]
        distance = 0
        # 找到两位用户都评论过的美食，并计算欧式距离
        for key in user1_data.keys():
            if key in user2_data.keys():
                # 注意，distance越大表示两者越相似
                distance += pow(float(user1_data[key]) - float(user2_data[key]), 2)

        return 1 / (1 + sqrt(distance))  # 这里返回值越小，相似度越大

    # 计算某个用户与其他用户的相似度
    def top10_simliar(self,userID):
        res = []
        for userid in self.data.keys():
            # 排除与自己计算相似度
            if not userid == userID:
                simliar = self.Euclidean(userID, userid)
                res.append((userid, simliar))
        res.sort(key=lambda val: val[1])
        return res[:4]

    # 根据用户推荐美食给其他人
    def recommend(self,user):
        # 相似度最高的用户
        top_sim_user = self.top10_simliar(user)[0][0]
        print(top_sim_user)
        # 相似度最高的用户的观影记录
        items = self.data[top_sim_user]
        recommendations = []
        # 筛选出该用户未观看的美食并添加到列表中
        for item in items.keys():
            if item not in self.data[user].keys():
                recommendations.append((item, items[item]))
        recommendations.sort(key=lambda val: val[1], reverse=True)  # 按照评分排序
        # 返回评分最高的10部美食
        if len(recommendations) == 1:
            recommendations = []
            lists = []
            for key,value in self.data.items():
                for keys,values in value.items():
                    lists.append((keys,values))
            for i in range(4):
                recommendations.append(random.choice(lists))
            recommendations = list(set(recommendations))
        return recommendations[:10]

if __name__=='__main__':
    # print(users)
    userCf=UserCf(data=users)
    # recommandList=userCf.recomand('root', 2)
    # print("最终推荐：%s"%recommandList)
    r = userCf.recommend('root')
    print(r)

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻