278-基于Django的协同过滤旅游推荐系统

码界筑梦坊2025-09-04 13:57

基于Django的协同过滤旅游推荐系统：从0到1落地实战

一套可跑通、可扩展、可二开的旅游推荐系统，涵盖用户端与管理端，内置 UserCF/ItemCF 推荐，支持评分、收藏、浏览行为采集与"猜你喜欢"。本文完整拆解技术架构、目录结构与核心代码，并预留可视化展示位。

目录

  • 项目概览
  • 技术栈
  • 目录结构
  • 数据模型设计
  • 核心业务流程
    • 首页与分类检索
    • 猜你喜欢（个性化推荐）
    • 协同过滤算法实现
  • 接口与路由
  • 前端与可视化）
  • 部署与运行
  • 性能与扩展建议
  • 常见问题 FAQ
  • 结语与联系方式

项目概览

本项目是一个基于 Django 的智能旅游推荐系统，面向"景点、美食、酒店、路线"等多类型内容，支持：

  • 用户体系：注册、登录、个人信息管理、头像上传
  • 行为采集：评分、收藏、浏览记录
  • 推荐能力：基于用户/物品的协同过滤（UserCF/ItemCF），"猜你喜欢"与随机补全
  • 内容展示：首页轮播、卡片列表、详情页、搜索与类型切换
  • 管理后台：基于 Django Admin 的数据增删改查

技术栈

  • 后端：Django 3.x，Django Admin
  • 数据库：MySQL
  • 前端：Django Template、Bootstrap、jQuery
  • 可视化：ECharts（本地静态资源）
  • 推荐算法：UserCF、ItemCF（余弦相似度、邻域、预测评分）
  • 其他：Pillow、SimpleUI（美化后台）

目录结构

text 复制代码 
TravelRecSystem/
├── apps/
│   ├── app/               # 核心业务模型：美食(App)、酒店(Hotel)、景点(ScenicSpot)、路线(Router)
│   ├── user/              # 用户模块
│   ├── record/            # 评分记录
│   ├── collection/        # 收藏记录
│   ├── comment/           # 评论（如需）
│   ├── type/              # 类型管理
│   ├── index/             # 首页、推荐、检索
│   └── common/            # 常量、历史记录、通用视图
│       └── ...
├── apps/util/cfra/        # 协同过滤算法实现（UserCF/ItemCF 等）
├── static/                # 静态资源（CSS/JS/Images）
├── media/                 # 媒体资源（上传头像/图片）
├── templates/             # 模板页面（首页、详情、用户中心等）
├── TravelRecSys/          # Django 项目配置、全局路由
├── requirements.txt
├── design_278_travel.sql  # 初始数据库结构
└── manage.py

数据模型设计

以 apps/app/models.py 为例，项目内置了多类型旅游对象：

python 复制代码 
class App(models.Model):
    name = models.CharField(max_length=100)
    typeid = models.ForeignKey('type.Type', models.CASCADE, db_column='typeid')
    image = models.ImageField(upload_to='')
    deal = models.CharField(blank=True, max_length=1000)
    price = models.CharField(blank=True, max_length=50)
    address = models.TextField(max_length=200)
    grade = models.CharField(blank=True, max_length=5)
    comment_count = models.IntegerField(blank=True)
    meishi_url = models.CharField(blank=True, max_length=300)
    img_url = models.CharField(blank=True, max_length=300)

class Hotel(models.Model):
    name = models.CharField(max_length=255)
    hotelHeadPicture = models.CharField(max_length=255)
    commentScore = models.FloatField()
    city = models.CharField(max_length=255)
    description = models.TextField()

class ScenicSpot(models.Model):
    name = models.CharField(max_length=255)
    img = models.CharField(max_length=255)
    ticket = models.IntegerField()
    star_num = models.IntegerField()  # 收藏人数
    lat = models.FloatField()
    lng = models.FloatField()

class Router(models.Model):
    name = models.CharField(max_length=255)
    img = models.CharField(max_length=255)
    detail = models.TextField()

用户行为数据（评分、收藏、浏览）在推荐中至关重要：

python 复制代码 
# apps/record/models.py
class Record(models.Model):
    score = models.IntegerField(validators=[MaxValueValidator(5), MinValueValidator(1)])
    userid = models.ForeignKey('user.User', models.CASCADE, db_column='userid')
    appid = models.IntegerField()  # 评分对象ID
    type = models.CharField(max_length=255)
    createtime = models.DateTimeField(auto_now_add=True)

# apps/collection/models.py
class Collection(models.Model):
    userid = models.ForeignKey('user.User', models.CASCADE, db_column='userid')
    appid = models.IntegerField()  # 收藏对象ID
    type = models.CharField(max_length=255)
    createtime = models.DateTimeField(auto_now_add=True)

# apps/common/models.py
class History(models.Model):
    userid = models.ForeignKey('user.User', models.CASCADE, db_column='userid')
    appid = models.IntegerField()  # 浏览对象ID
    type = models.CharField(max_length=255)
    createtime = models.DateTimeField(auto_now_add=True)

核心业务流程

首页与分类检索

首页聚合轮播与卡片位，支持类型切换和搜索，代码见 apps/index/views.py：

python 复制代码 
def index(request):
    # 未传 type 时渲染首页轮播与卡片
    if not request.GET.get('type'):
        carousel_items = []
        top_app = App.objects.order_by('?').first()
        top_hotel = Hotel.objects.order_by('?').first()
        top_scenic = ScenicSpot.objects.order_by('?').first()
        top_router = Router.objects.order_by('?').first()
        # ... 组装 carousel_items 与四类卡片数据 apps/hotels/scenics/routers
        return render(request, 'index/home.html', context)

    # 传入 type 与 keyword 时，进入列表检索与分页逻辑
    item_type = request.GET.get('type')
    keyword = request.GET.get('keyword', '')
    page = int(request.GET.get('page', 1))
    page_size = 10
    if item_type == 'scenic_spot':
        queryset = ScenicSpot.objects.filter(Q(name__icontains=keyword)) if keyword else ScenicSpot.objects.all()
        queryset = queryset.annotate(is_gif=Case(When(img__iendswith='.gif', then=Value(1)), default=Value(0), output_field=IntegerField())).order_by('is_gif', '-star_num')
        paginator = Paginator(queryset, page_size)
        items = paginator.get_page(page)
    # hotel/app/router 分支类似
    return render(request, 'index/index.html', context=data)

亮点：

  • 首页轮播从"美食/酒店/景点/路线"四类随机抽取，过滤 GIF
  • 列表按类型与关键词检索，并对景点优先展示"非 GIF + 收藏热度高"的内容

猜你喜欢（个性化推荐）

登录用户可见，综合评分、收藏、浏览构建评分矩阵，调用 UserCF 生成推荐：

python 复制代码 
def guess_you_like(request):
    if not request.session.get(Constant.session_user_isLogin, None):
        return render(request, 'index/guess.html', {"not_login": True})

    cUserid = request.session.get(Constant.session_user_id)
    records = Record.objects.all()
    collections = Collection.objects.all()
    historys = History.objects.all()

    dataModel = setDataModelWithRules(historys, records, collections, None)
    userCf = UserCF()

    scenic_list = list(getRecommendItems(userCf.recommend(dataModel, int(cUserid)), 'scenic_spot') or [])
    # 若不足 6 条，随机补全，hotel/app/router 同理
    return render(request, 'index/guess.html', context)

评分矩阵构建规则（关键加权策略）：

python 复制代码 
def setDataModelWithRules(historys, records, collections, item_type):
    dataModel = DataModel()
    # 评分：1→-2、2→-1、3→+1、4→+2、5→+3（最低不低于0）
    for record in records:
        score = float(record.score)
        if score == 1: adjusted_score = max(0, score - 2)
        elif score == 2: adjusted_score = max(0, score - 1)
        elif score == 3: adjusted_score = score + 1
        elif score == 4: adjusted_score = score + 2
        elif score == 5: adjusted_score = score + 3
        else: adjusted_score = score
        dataModel.setUserItemValue(record.userid_id, record.appid, adjusted_score)
        dataModel.setItemUserValue(record.appid, record.userid_id, adjusted_score)

    # 收藏：+5 分（在已有分数基础上叠加）
    for collection in collections:
        current_score = dataModel.userItemPrefMatrixDic.get(collection.userid_id, {}).get(collection.appid, 0)
        new_score = current_score + 5 if current_score else 5
        dataModel.setUserItemValue(collection.userid_id, collection.appid, new_score)
        dataModel.setItemUserValue(collection.appid, collection.userid_id, new_score)

    # 浏览：+1 分（在已有分数基础上叠加）
    for history in historys:
        current_score = dataModel.userItemPrefMatrixDic.get(history.userid_id, {}).get(history.appid, 0)
        new_score = current_score + 1 if current_score else 1
        dataModel.setUserItemValue(history.userid_id, history.appid, new_score)
        dataModel.setItemUserValue(history.appid, history.userid_id, new_score)
    return dataModel

协同过滤算法实现

UserCF 通过"用户-用户相似度 + 邻域 + 预测评分"进行推荐：

python 复制代码 
class UserCF(object):
    def recommend(self, dataModel, cUserid):
        # 1) 基于余弦相似度计算目标用户与其他用户相似度
        userSimilarityDic = UserSimilarity().getUserSimilaritys(cUserid, CosineSimilarity(), dataModel)
        # 2) 选取前 K 个最近邻
        kNUserNeighborhood = UserNeighborhood().getKUserNeighborhoods(userSimilarityDic)
        # 3) 预测评分并返回 TopN 推荐
        recommenderItemFinalDic = UserRecommender().getUserRecommender(cUserid, dict(kNUserNeighborhood), dataModel)
        return sorted(recommenderItemFinalDic.items(), key=operator.itemgetter(1), reverse=True)[:Constant.cfCount]

ItemCF 通过"物品-物品相似度 + 用户历史偏好"进行推荐：

python 复制代码 
class ItemCF(object):
    def recommend(self, dataModel: DataModel, cUserid):
        # 1) 计算物品-物品相似度
        itemSimilarityDic = ItemSimilarity().getItemSimilaritys(cUserid, CosineSimilarity(), dataModel)
        # 2) 基于用户的已评物品与候选物品的相似度，预测喜好
        recItemDic = ItemRecommender().getItemRecommender(cUserid, itemSimilarityDic, dataModel)
        return sorted(recItemDic.items(), key=operator.itemgetter(1), reverse=True)[:Constant.cfCount]

接口与路由

主路由 TravelRecSys/urls.py：

python 复制代码 
urlpatterns = [
    path('', include('apps.common.urls')),
    path('', include('apps.index.urls')),
    path('index/', include('apps.index.urls')),
    path('app/', include('apps.app.urls')),
    path('user/', include('apps.user.urls')),
    path('record/', include('apps.record.urls')),
    path('collection/', include('apps.collection.urls')),
    path('comment/', include('apps.comment.urls')),
    path('admin/', admin.site.urls),
] + static(settings.MEDIA_URL, document_root=settings.MEDIA_ROOT)

首页与推荐 apps/index/urls.py：

python 复制代码 
urlpatterns = [
    path('', views.index),         # 首页/列表
    path('guess', views.guess_you_like),  # 猜你喜欢（登录用户）
]

前端与可视化

🦀 项目源码获取，码界筑梦坊各平台同名，博客底部含联系方式卡片，欢迎咨询！

























页面模板位于 templates/，静态资源位于 static/。建议在首页与"猜你喜欢"侧添加 ECharts 大盘，可展示：

  • 省份分布（Geo/Map）
  • 类型占比（Pie/Donut）
  • 收藏与评分趋势（Line/Bar）

ECharts 选项（示例，可放入 templates/index/kanban.html）：

html 复制代码 
<div id="chart1" style="height: 360px;"></div>
<script src="/static/js/echarts.min.js"></script>
<script>
  var chart = echarts.init(document.getElementById('chart1'));
  var option = {
    title: { text: '景点类型占比' },
    tooltip: { trigger: 'item' },
    legend: { bottom: 0 },
    series: [{
      type: 'pie', radius: ['40%', '70%'],
      data: [
        { name: '景点', value: 123 },
        { name: '美食', value: 98 },
        { name: '酒店', value: 76 },
        { name: '路线', value: 45 }
      ]
    }]
  };
  chart.setOption(option);
</script>

部署与运行

  1. 安装依赖
bash 复制代码 
pip install -r requirements.txt

  1. 配置 MySQL 连接（在 TravelRecSys/settings.py 内修改数据库配置）

  2. 数据迁移与初始化

bash 复制代码 
python manage.py makemigrations
python manage.py migrate
  1. 创建超级用户
bash 复制代码 
python manage.py createsuperuser
  1. 启动服务
bash 复制代码 
python manage.py runserver
  1. 访问
  • 前台：http://localhost:8000/
  • 后台：http://localhost:8000/admin/

性能与扩展建议

  • 分页与延迟加载：列表页默认分页 10 条，减少单页渲染压力
  • 缓存：热门资源与推荐结果可加缓存（如基于用户维度的短期缓存）
  • 向量化召回：可引入向量检索（Faiss/ScaNN）作为召回层，CF 作为精排
  • 多信号融合：评分、收藏、浏览之外，可引入评论情感、停留时长等行为信号
  • 推荐评估：A/B 测试、点击率/转化率监控，闭环优化

常见问题 FAQ

  1. ECharts 图表不显示？
    • 确认 static/js/echarts.min.js 是否就绪，并正确引入
  2. 图片 404 或显示异常？
    • 检查 MEDIA_URL/MEDIA_ROOT 配置，确保图片位于 media/ 目录
  3. 后台未显示模型？
    • 使用超级用户登录 /admin/，确认相关模型在各 app 的 admin.py 注册
  4. 推荐结果为空？
    • 初期行为数据不足时，会进行随机补全；建议先产生评分/收藏/浏览数据
  5. 数据库连接失败？
    • 检查 MySQL 服务、账号权限与 settings.py 配置

结语与联系方式

如果你正在做课程设计、毕设或企业内小型 PoC，本项目是不错的起点：结构清晰、功能完整、算法可替换。欢迎在此基础上二次开发，如引入多模态、图网络或大模型增强。

联系方式：码界筑梦坊各大平台同名

s.min.js` 是否就绪，并正确引入

  1. 图片 404 或显示异常？
  • 检查 MEDIA_URL/MEDIA_ROOT 配置，确保图片位于 media/ 目录
  1. 后台未显示模型？
    • 使用超级用户登录 /admin/，确认相关模型在各 app 的 admin.py 注册
  2. 推荐结果为空？
    • 初期行为数据不足时，会进行随机补全；建议先产生评分/收藏/浏览数据
  3. 数据库连接失败？
    • 检查 MySQL 服务、账号权限与 settings.py 配置

结语与联系方式

如果你正在做课程设计、毕设或企业内小型 PoC，本项目是不错的起点：结构清晰、功能完整、算法可替换。欢迎在此基础上二次开发，如引入多模态、图网络或大模型增强。

联系方式：码界筑梦坊各大平台同名

相关推荐
AiPy_极客团长7 小时前
用AI做旅游攻略，真能比人肉整理靠谱？
旅游
BYSJMG7 小时前
计算机大数据毕业设计选题：基于Spark+hadoop的全球香水市场趋势分析系统
大数据·vue.js·hadoop·python·spark·django·课程设计
小白学大数据7 小时前
Scrapy框架实战：大规模爬取华为应用市场应用详情数据
开发语言·爬虫·python·scrapy·华为
大翻哥哥8 小时前
Python 2025：AI代理、Rust与异步编程的新时代
开发语言·人工智能·python
我是海飞8 小时前
TensorFlow的Yes/No 关键词识别模型训练
人工智能·python·tensorflow·语音识别·neo4j
百锦再8 小时前
Python：AI开发第一语言的全面剖析
java·开发语言·人工智能·python·sql·ai·radis
绿豆_13148 小时前
playwright+python UI自动化测试中实现图片颜色和像素对比
自动化测试·python·opencv·计算机视觉·playwirght
盗理者8 小时前
Python 工具： Windows 带宽监控工具
开发语言·windows·python
大翻哥哥8 小时前
Python 2025：量子计算、区块链与边缘计算的新前沿
python·区块链·量子计算
热门推荐
01UV安装并设置国内源02奈飞工厂官网，国内Netflix影视在线看|中文网页电脑版入口03Xget：下一代开源资源获取加速引擎，让你的文件下载、储存库克隆和镜像拉取快如闪电04Qwen3-Coder 快速上手教程 | Qwen Code + Claude Code05不再让Windows更新！&Edge游戏助手卸载及关闭自动更新06Linux下V2Ray安装配置指南07KGG转MP3工具|非KGM文件|解密音频08A股预测还能更准？开源大模型Kronos带你跑通预测+回测全流程09jdk21下载、安装（Windows、Linux、macOS）10【2025.08.06最新版】Android Studio下载、安装及配置记录（自动下载sdk）