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-*-importos os.environ["DJANGO_SETTINGS_MODULE"]="recommend.settings"importdjango django.setup()fromitem.modelsimport*frommathimportsqrt,powimportoperatorfromdjango.db.modelsimportSubquery,Q,Count# from django.shortcuts import render,render_to_responseclassUserCf:# 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defgetItems(self,username1,username2):returnself.all_user[username1],self.all_user[username2]# 计算两个用户的皮尔逊相关系数defpearson(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formovie1,score1inuser1.items():ifmovie1inuser2.keys():# 计算公共的浏览次数n+=1sum_xy+=score1*user2[movie1]sum_x+=score1 sum_y+=user2[movie1]sumX2+=pow(score1,2)sumY2+=pow(user2[movie1],2)ifn==0:# print("p氏距离为0")return0molecule=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ifdenominator==0:return0r=molecule/denominatorreturnr# 计算与当前用户的距离，获得最临近的用户defnearest_user(self,current_user,n=1):distances={}# 用户，相似度# 遍历整个数据集foruser,rate_setinself.all_user.items():# 非当前的用户ifuser!=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])returnclosest_distance[:n]# 给用户推荐美食defrecommend(self,username,n=3):recommend={}nearest_user=self.nearest_user(username,n)foruser,scoreindict(nearest_user).items():# 最相近的n个用户formovies,scoresinself.all_user[user].items():# 推荐的用户的美食列表ifmoviesnotinself.all_user[username].keys():# 当前username没有看过ifmoviesnotinrecommend.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returnsorted(recommend.items(),key=operator.itemgetter(1),reverse=True)# 基于用户的推荐defrecommend_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ifcurrent_user.rate_set.count()==0:iflen(user_prefer)!=0:movie_list=xiangmu.objects.filter(tags__in=user_prefer)[:15]else:movie_list=xiangmu.objects.order_by("-c9")[:15]returnmovie_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']foruser_rateinusers_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={}foruserinusers: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ifrates:foriinrates: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0all_user.setdefault(user.username,{})user_cf=UserCf(all_user=all_user)recommend_list=[each[0]foreachinuser_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)ifother_length>0:fix_list=xiangmu.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')forfixinfix_list:iffixnotinmovie_list:movie_list.append(fix)iflen(movie_list)>=15:breakreturnmovie_list# 计算相似度defsimilarity(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ifmovie1_sum==0ormovie2_sum==0:return0similar_value=common/sqrt(movie1_sum*movie2_sum)#余弦计算相似度returnsimilar_value#基于物品defrecommend_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ifcurrent_user.rate_set.count()==0:iflen(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')returnmovie_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forun_watched_movieinun_watched:forwatched_movieinwatched:ifun_watched_movienotinnames: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=lambdax:x[0],reverse=True)print('this is distances',distances[:15])recommend_list=[]formark,movieindistances:iflen(recommend_list)>=k:breakifmovienotinrecommend_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)returnrecommend_listif__name__=='__main__':# similarity(2003, 2008)print(recommend_by_item_id(1799))