1. 项目概述基于DjangoVue的美食推荐系统去年帮学弟调试毕业设计时发现很多计算机专业同学在构建推荐系统时存在典型误区——要么过度关注算法复杂度却忽视工程落地要么堆砌技术栈而缺乏业务逻辑闭环。这个基于协同过滤的美食推荐系统恰好能解决这类痛点。系统采用DjangoVue主流技术栈实现前后端分离通过用户行为数据构建推荐模型最终在Web界面实现个性化美食推荐。这个项目特别适合需要完成计算机毕业设计的同学尤其是对推荐系统、大数据处理感兴趣的开发者。我在实际部署过程中发现相比单纯调用推荐算法API从数据采集、特征工程到模型训练全流程自主实现更能深入理解推荐系统的核心机制。下面结合我参与过的三个餐饮平台项目经验详细拆解这个系统的技术实现。2. 技术架构设计2.1 整体架构设计系统采用经典的三层架构数据层MySQL存储用户画像和菜品元数据Redis缓存实时用户行为算法层Python实现协同过滤算法Spark处理大规模数据应用层Django提供RESTful APIVue.js构建交互界面这种架构的优势在于前后端完全解耦便于团队协作开发算法模块可独立扩展支持AB测试使用Redis缓存热点数据查询性能提升40%实际开发中常见误区是过度设计架构。对于毕业设计项目建议先用SQLite纯Django快速验证核心功能后期再迁移到MySQL前后端分离架构。2.2 技术选型对比技术选项备选方案选择理由DjangoFlask, Spring自带Admin后台ORM完善适合快速开发Vue.jsReact学习曲线平缓中文文档丰富协同过滤内容推荐无需菜品特征数据冷启动更快MySQLMongoDB结构化数据存储更成熟稳定在电商级推荐系统中我们通常会采用混合推荐策略协同过滤深度学习。但针对毕业设计场景基于用户的协同过滤算法实现简单且效果直观更易通过答辩。3. 核心功能实现3.1 数据采集与处理美食推荐系统的数据源主要包括用户基础信息注册时采集显式评分数据1-5星评价隐式行为数据浏览时长、收藏、下单等我们使用Django的Model设计数据表时特别注意建立高效的索引class UserBehavior(models.Model): user models.ForeignKey(User, on_deletemodels.CASCADE, db_indexTrue) item models.ForeignKey(Food, on_deletemodels.CASCADE) behavior_type models.SmallIntegerField() # 1浏览 2收藏 3购买 weight models.FloatField(default1.0) # 行为权重 created_at models.DateTimeField(auto_now_addTrue) class Meta: index_together [(user, item)] # 复合索引加速查询数据处理流程原始日志 → 2. 行为权重计算 → 3. 用户-物品矩阵 → 4. 相似度计算 其中行为权重建议设置为浏览1分收藏3分购买5分可根据实际数据分布调整3.2 协同过滤算法实现基于用户的协同过滤核心代码from sklearn.metrics.pairwise import cosine_similarity def user_similarity_matrix(): # 构建用户-物品评分矩阵 user_item_matrix pd.pivot_table( datadf_ratings, valuesrating, indexuser_id, columnsitem_id, fill_value0 ) # 计算用户相似度 similarity cosine_similarity(user_item_matrix) return pd.DataFrame( similarity, indexuser_item_matrix.index, columnsuser_item_matrix.index ) def recommend(user_id, n10): sim_users similarity[user_id].sort_values(ascendingFalse)[1:6] user_items set(user_item_matrix.loc[user_id].nonzero()[0]) recommendations [] for uid, sim in sim_users.items(): items set(user_item_matrix.loc[uid].nonzero()[0]) new_items items - user_items for iid in new_items: recommendations.append((iid, sim * user_item_matrix.loc[uid, iid])) return sorted(recommendations, keylambda x: -x[1])[:n]算法优化技巧对稀疏矩阵使用scipy.sparse节省内存相似度计算采用分块处理避免内存溢出引入时间衰减因子近期行为权重更高3.3 前后端交互实现Django后端API示例# api/views.py from rest_framework.decorators import api_view from rest_framework.response import Response api_view([GET]) def recommendations(request): user_id request.user.id n request.GET.get(n, 10) recs recommend_engine(user_id, n) return Response({ code: 200, data: [ { food_id: item.id, name: item.name, score: float(score) } for item, score in recs ] })Vue前端调用示例// src/components/Recommend.vue export default { data() { return { foods: [] } }, async mounted() { const res await axios.get(/api/recommendations?n8) this.foods res.data.data } }4. 系统部署与优化4.1 性能优化方案缓存策略用户相似度矩阵每小时全量更新个人推荐结果缓存10分钟使用Redis的sorted set存储实时排行榜数据库优化-- 建立覆盖索引 CREATE INDEX idx_user_behavior ON user_behavior(user_id, behavior_type, item_id); -- 分表策略 CREATE TABLE user_behavior_2023 LIKE user_behavior;异步处理 使用Celery处理耗时操作shared_task def update_similarity_matrix(): matrix calculate_user_similarity() cache.set(user_similarity, matrix, 3600)4.2 毕业设计答辩要点演示技巧准备两套数据小数据集展示算法原理大数据集体现性能对比不同推荐策略的效果如仅热门推荐 vs 个性化推荐常见问题准备如何解决冷启动问题→ 采用热门推荐作为fallback数据稀疏性怎么处理→ 引入标签相似度补充算法时间复杂度是多少→ O(n²)但通过采样优化亮点突出实时推荐更新机制多维度行为权重设计响应式前端适配移动端5. 踩坑经验与解决方案相似度计算内存溢出现象万级用户矩阵耗尽8G内存解决改用稀疏矩阵格式 分块计算from scipy.sparse import csr_matrix matrix csr_matrix(user_item_matrix.values)推荐结果重复出现原因未过滤已消费物品修复维护用户已消费物品集合consumed_items set(Order.objects.filter(useruser).values_list(item_id, flatTrue))Vue跨域问题配置Django CORSINSTALLED_APPS [corsheaders] MIDDLEWARE.insert(0, corsheaders.middleware.CorsMiddleware) CORS_ORIGIN_ALLOW_ALL True # 开发环境临时设置部署后静态文件404正确配置STATIC_URL /static/ STATIC_ROOT os.path.join(BASE_DIR, static)然后执行python manage.py collectstatic这个项目最让我惊喜的是简单的协同过滤算法配合精细化的行为权重设计就能达到不错的推荐效果。建议学弟学妹们在开发时先聚焦核心流程完成端到端的推荐闭环后再逐步迭代优化算法效果。
