计算机毕业设计：基于Python与协同过滤的美食推荐系统 Django框架 可视化 协同过滤推荐算法 菜谱 食品 机器学习（建议收藏）✅

博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅**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、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机大数据专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈

Python 语言、Django 框架、MySQL 数据库、Echarts 可视化库、协同过滤推荐算法（基于用户与基于物品）、HTML、Bootstrap 前端框架

功能模块

• 美食列表模块
• 美食详情页模块
• 美食推荐模块
• 可视化分析模块
• 词云图分析模块
• 折线图分析模块
• 饼图分析模块
• 个人中心模块
• 用户认证模块
• 后台管理模块

项目介绍

本系统是基于 Python 与 Django 开发的美食推荐与可视化平台，以 B/S 架构为基础，融合协同过滤推荐算法解决美食领域的个性化推荐问题。系统前端采用 Bootstrap 与 HTML 构建响应式界面，后端通过 Django 框架处理业务逻辑，数据存储于 MySQL 数据库。用户可通过美食列表按菜系、口味、价格等多维度筛选菜品，进入详情页查看用料与步骤并进行收藏、评分、评论。推荐模块同时提供基于用户与基于物品的协同过滤算法，生成"猜你喜欢"与"口味邻居也在吃"双栏推荐结果。可视化部分集成词云、折线图、饼图等组件，支持多维度数据展示与图表联动。个人中心聚合收藏与评分记录，后台管理支持菜品、用户、评论的全模块维护。

2、项目界面

（1）美食列表

该页面是美食推荐系统的首页模块，可按热度排序展示菜谱，支持搜索功能，同时设有标签分类、数据可视化、后台管理等导航入口，还提供最近更新菜谱展示及基于用户的个性化美食推荐功能。

（2）美食详情页

该页面是美食推荐系统的菜谱详情模块，展示菜谱的基础信息、配料及互动数据，支持收藏操作，同时提供基于物品和用户的个性化推荐功能，还具备搜索、标签分类、数据可视化及后台管理等系统功能入口。

（3）美食推荐---基于用户、基于物品

该页面是美食推荐系统的菜谱详情模块，展示菜谱配料与标签信息，支持用户提交评论，提供基于物品和用户的个性化推荐功能，同时具备最近更新菜谱展示及系统导航等功能入口。

（4）可视化分析1

该页面是美食推荐系统的数据可视化模块，通过双轴图表同步展示不同菜系的菜谱数量与美食评分分布情况，同时系统还提供首页、标签分类、后台管理及搜索等功能入口，方便用户进行多维度数据查看与系统操作。

（2）词云图分析

该页面是美食推荐系统的数据可视化模块，以词云图形式展示美食名称分布，同时提供分类数量与美食评分、上架数量曲线、分类占比等多维度可视化视图切换功能，还集成了系统导航与搜索等功能入口。

（3）折线图分析

该页面是美食推荐系统的数据可视化模块，通过折线图表展示美食上架数量随时间的变化趋势，同时支持多维度可视化视图切换，还集成了首页、标签分类、后台管理及搜索等系统功能入口。

（4）饼图分析

该页面是美食推荐系统的数据可视化模块，通过环形饼图展示各菜系菜谱的分类占比情况，支持多维度可视化视图切换，同时集成了首页、标签分类、后台管理及搜索等系统功能入口。

（5）个人中心

该页面是美食推荐系统的个人中心模块，展示用户基础信息，支持查看收藏、评论、评分记录，可修改账号信息，同时集成最近更新菜谱展示、个性化推荐及系统导航与搜索等功能入口。

（6）美食分类

该页面是美食推荐系统的标签分类模块，以列表形式展示各类菜系标签，方便用户按菜系筛选菜谱，同时集成最近更新菜谱展示、个性化推荐及系统导航与搜索等功能入口。

（7）注册登录

该页面是美食推荐系统的用户登录模块，提供账号密码输入与登录功能，同时支持新用户注册跳转，是系统权限管控与用户身份验证的核心入口。

（8）后台数据管理

这是推荐系统后台管理的美食管理页面，可进行美食数据的浏览、增加、删除操作，同时展示美食相关信息及图片链接，左侧还包含首页、偏好、标签、用户等其他管理功能模块入口。

3、项目说明

一、技术栈简要说明

系统后端采用 Python 语言与 Django 框架构建，数据库选用 MySQL 进行数据存储。前端使用 Bootstrap 与 HTML 构建响应式界面。推荐模块采用基于用户与基于物品的协同过滤算法，可视化部分通过 Echarts 图表库实现词云、折线图、饼图等多种图形渲染。

二、功能模块详细介绍

· 美食列表模块

作为系统首页，采用瀑布流卡片形式展示全部菜品，支持按菜系、口味、价格、评分等多维度筛选与模糊搜索。集成图片懒加载与分页滚动功能，提供按热度排序、最近更新菜谱展示以及基于用户的个性化推荐入口，用户点击卡片即可进入详情页。

· 美食详情页模块

集中展示菜谱的轮播主图、用料列表、制作步骤、营养标签等信息，同时呈现菜谱的基础数据与互动统计。用户可在该页面执行收藏、打分、评论等操作，并即时查看基于物品与基于用户协同过滤算法生成的"相似菜品"推荐结果。

· 美食推荐模块

提供"猜你喜欢"与"口味邻居也在吃"双栏推荐区域，前者基于物品协同过滤算法，后者基于用户协同过滤算法。推荐结果采用无刷新加载方式，根据用户历史行为动态生成个性化菜品推荐列表。

· 可视化分析模块

集成交互式仪表板，支持词云、折线图、饼图三大组件的任意切换与多维度数据筛选。各图表间可实现图形联动，并支持一键导出高清图片用于汇报分析。

· 词云图分析模块

自动抽取菜名、食材、用户标签等文本信息生成词云图，高频词汇突出显示，鼠标悬停可查看关联菜品，帮助用户洞察当前流行口味与热门食材。

· 折线图分析模块

动态展示菜品价格、评分或销量随时间变化的趋势曲线，支持区域缩放与节点标注功能，便于运营人员掌握市场波动规律与菜品表现变化。

· 饼图分析模块

以环形饼图直观对比各菜系、辣度等级、人群偏好等分类维度的占比情况，支持钻取下一级分类查看细分数据，颜色主题可一键切换适应不同展示场景。

· 个人中心模块

聚合用户的收藏记录、浏览足迹、评分记录与偏好标签，支持头像修改与账号信息编辑，同时集成最近更新菜谱展示与个性化推荐入口，便于用户集中管理个人互动数据。

· 用户认证模块

提供用户注册与登录功能，包含滑块验证码验证、密码找回等安全机制，保障系统访问安全，是用户使用收藏、评分、评论等个性化功能的前提。

· 后台管理模块

为管理员提供菜品、用户、订单、评论等全模块的增删改查操作，支持批量导入数据、图片裁剪、敏感词过滤及操作日志审计功能，运营人员无需编写代码即可维护全站数据。

三、项目总结

本系统是基于 Python 与 Django 开发的美食推荐与可视化平台，以 B/S 架构为基础，融合协同过滤推荐算法解决美食领域的个性化推荐问题。系统前端采用 Bootstrap 与 HTML 构建响应式界面，后端通过 Django 框架处理业务逻辑，数据存储于 MySQL 数据库。用户可通过美食列表按多维度筛选菜品，进入详情页查看用料与步骤并进行收藏、评分、评论。推荐模块同时提供基于用户与基于物品的协同过滤算法，生成"猜你喜欢"与"口味邻居也在吃"双栏推荐结果。可视化部分集成词云、折线图、饼图等组件，支持多维度数据展示与图表联动。个人中心聚合收藏与评分记录，后台管理支持菜品、用户、评论的全模块维护，为美食爱好者与运营人员提供完整的菜品浏览、互动推荐与数据洞察服务。

4、核心代码

# -*-coding:utf-8-*-
import os

os.environ["DJANGO_SETTINGS_MODULE"] = "recommend.settings"
import django

django.setup()
from item.models import *
from math import sqrt, pow
import operator
from django.db.models import Subquery, Q, Count


# from django.shortcuts import render,render_to_response
class UserCf:

    # 获得初始化数据
    def __init__(self, all_user):
        self.all_user = all_user

    # 通过用户名获得列表，仅调试使用
    def getItems(self, username1, username2):
        return self.all_user[username1], self.all_user[username2]

    # 计算两个用户的皮尔逊相关系数
    def pearson(self, user1, user2):  # 数据格式为：美食id，浏览此
        sum_xy = 0.0  # user1,user2 每项打分的成绩的累加
        n = 0  # 公共浏览次数
        sum_x = 0.0  # user1 的打分总和
        sum_y = 0.0  # user2 的打分总和
        sumX2 = 0.0  # user1每项打分平方的累加
        sumY2 = 0.0  # user2每项打分平方的累加
        for movie1, score1 in user1.items():
            if movie1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[movie1]
                sum_x += score1
                sum_y += user2[movie1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[movie1], 2)
        if n == 0:
            # print("p氏距离为0")
            return 0
        molecule = sum_xy - (sum_x * sum_y) / n  # 分子
        denominator = sqrt((sumX2 - pow(sum_x, 2) / n) * (sumY2 - pow(sum_y, 2) / n))  # 分母
        if denominator == 0:
            return 0
        r = molecule / denominator
        return r

    # 计算与当前用户的距离，获得最临近的用户
    def nearest_user(self, current_user, n=1):
        distances = {}
        # 用户，相似度
        # 遍历整个数据集
        for user, rate_set in self.all_user.items():
            # 非当前的用户
            if user != current_user:
                distance = self.pearson(self.all_user[current_user], self.all_user[user])
                # 计算两个用户的相似度
                distances[user] = distance
        closest_distance = sorted(
            distances.items(), key=operator.itemgetter(1), reverse=True
        )
        # 最相似的N个用户
        print("closest user:", closest_distance[:n])
        return closest_distance[:n]

    # 给用户推荐美食
    def recommend(self, username, n=3):
        recommend = {}
        nearest_user = self.nearest_user(username, n)
        for user, score in dict(nearest_user).items():  # 最相近的n个用户
            for movies, scores in self.all_user[user].items():  # 推荐的用户的美食列表
                if movies not in self.all_user[username].keys():  # 当前username没有看过
                    if movies not in recommend.keys():  # 添加到推荐列表中
                        recommend[movies] = scores*score
        # 对推荐的结果按照美食
        # 浏览次数排序
        return sorted(recommend.items(), key=operator.itemgetter(1), reverse=True)


# 基于用户的推荐
def recommend_by_user_id(user_id):
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = xiangmu.objects.order_by("-c9")[:15]
        return movie_list
    # 选取评分最多的10个用户
    users_rate = Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')
    user_ids = [user_rate['user'] for user_rate in users_rate]
    user_ids.append(user_id)
    users = User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户
    all_user = {}
    for user in users:
        rates = user.rate_set.all()#查出10名用户的数据
        rate = {}
        # 用户有给美食打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.movie.id), i.mark)#填充美食数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为美食打过分，设为0
            all_user.setdefault(user.username, {})

    user_cf = UserCf(all_user=all_user)
    recommend_list = [each[0] for each in user_cf.recommend(current_user.username, 15)]
    movie_list = list(xiangmu.objects.filter(id__in=recommend_list).order_by("-c9")[:15])
    other_length = 15 - len(movie_list)
    if other_length > 0:
        fix_list = xiangmu.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in movie_list:
                movie_list.append(fix)
            if len(movie_list) >= 15:
                break
    return movie_list


# 计算相似度
def similarity(movie1_id, movie2_id):
    movie1_set = Rate.objects.filter(movie_id=movie1_id)
    # movie1的打分用户数
    movie1_sum = movie1_set.count()
    # movie_2的打分用户数
    movie2_sum = Rate.objects.filter(movie_id=movie2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(movie1_set.values('user_id')), movie=movie2_id).values('user_id').count()
    # 没有人给当前美食打分
    if movie1_sum == 0 or movie2_sum == 0:
        return 0
    similar_value = common / sqrt(movie1_sum * movie2_sum)#余弦计算相似度
    return similar_value


#基于物品
def recommend_by_item_id(user_id, k=15):
    # 前三的tag，用户评分前三的美食
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    user_prefer = list(user_prefer)[:3]
    print('user_prefer', user_prefer)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = xiangmu.objects.order_by("-c9")[:15]
        print('from here')
        return movie_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(movie__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的美食，用户没看过的30部，对这30部美食，计算距离最近
    un_watched = xiangmu.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的美食
    watched = Rate.objects.filter(user_id=user_id).values_list('movie_id', 'mark')
    distances = []
    names = []
    # 在未看过的美食中找到
    for un_watched_movie in un_watched:
        for watched_movie in watched:
            if un_watched_movie not in names:
                names.append(un_watched_movie)
                distances.append((similarity(un_watched_movie.id, watched_movie[0]) * watched_movie[1], un_watched_movie))#加入相似的美食
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, movie in distances:
        if len(recommend_list) >= k:
            break
        if movie not in recommend_list:
            recommend_list.append(movie)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的美食中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list


if __name__ == '__main__':
    # similarity(2003, 2008)
    print(recommend_by_item_id(1799))

5、源码获取方式