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
mldong21 分钟前
保姆级教程！手把手教你搭建FastAPI + Vue3前后端分离项目
vue.js·python·全栈
Q_Q5110082851 小时前
python+uniapp基于微信小程序美食点餐系统
spring boot·python·微信小程序·django·flask·uni-app·node.js
kobe_OKOK_1 小时前
django 数据库迁移
数据库·oracle·django
小关会打代码1 小时前
关于Pycharm中在运行出现语法错误：Non-UTF-8 code starting with
ide·python·pycharm
用户3721574261351 小时前
Python 高效将 PDF 转换为 HTML 的实用指南
python
深栈1 小时前
机器学习：编码方式
人工智能·python·机器学习·编码
yzx9910131 小时前
Django 搭配数据库开发智慧园区系统全攻略
python·django·数据库开发
PixelMind1 小时前
【LLIE技术专题】 SCI代码讲解
图像处理·python·低照度图像增强·llie
天才测试猿2 小时前
Python常用自动化测试框架—Pytest详解
自动化测试·软件测试·python·测试工具·职场和发展·测试用例·pytest
胡耀超2 小时前
2、CPU深度解析：从微架构到性能优化
python·性能优化·架构·arm·cpu·x86·多核心
热门推荐
01Multisim使用教程详尽版--(2025最新版)02UV 工具安装与国内镜像源配置指南03GitHub 镜像站点0446个Nano-banana 精选提示词，持续更新中05UV安装并设置国内源06Spec-Kit 使用指南07VsCode远程Copilot无法使用Claude Agent问题08保姆级教程：手把手教你用Dify实现完美多轮对话（附Chatflow和提示词）09KGG转MP3工具|非KGM文件|解密音频10Linux下V2Ray安装配置指南