大数据毕业设计：基于python美食推荐系统+爬虫+Echarts可视化+协同过滤推荐算法+Django框架（源码）✅

毕业设计：2023-2024年计算机专业毕业设计选题汇总（建议收藏）

毕业设计：2023-2024年最新最全计算机专业毕设选题推荐汇总

🍅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、项目介绍

技术栈：
Python语言、Django框架、requests爬虫、基于用户协同过滤推荐算法、Echarts可视化、携程美食网

美食推荐系统是基于用户协同过滤推荐算法的系统，使用Django框架搭建，通过爬虫技术获取携程美食网上的美食数据，使用requests库进行数据爬取。爬取到的美食数据包括美食名称、评分、价格、地址等信息。

推荐算法部分使用基于用户协同过滤的算法，通过分析用户的历史行为数据和其他用户的行为数据，计算用户之间的相似度，从而推荐给用户可能感兴趣的美食。

2、项目界面

（1）美食数据分析可视化

在这里插入图片描述

（2）美食数据
在这里插入图片描述

（3）美食推荐

在这里插入图片描述

（4）后台数据管理

在这里插入图片描述

（5）数据爬取

在这里插入图片描述

（6）注册登录界面

在这里插入图片描述

（7）留言板

在这里插入图片描述

3、项目说明

系统中使用Echarts可视化库将美食数据进行可视化展示，包括美食评分、价格分布、地理位置等信息。

用户可以在系统中进行美食的搜索、查看美食详情、评价美食等操作。系统根据用户的行为数据不断优化推荐结果，提供更符合用户口味的美食推荐。

4、核心代码


from math import sqrt,pow
import operator

class UserCf():


    def __init__(self,data):
        self.data=data


    def getItems(self,username1,username2):
        return self.data[username1],self.data[username2]

    def Euclidean(self,user1, user2):
        # 取出两位用户评论过的美食和评分
        user1_data = self.data[user1]
        user2_data = self.data[user2]
        distance = 0
        # 找到两位用户都评论过的美食，并计算欧式距离
        for key in user1_data.keys():
            if key in user2_data.keys():
                # 注意，distance越大表示两者越相似
                distance += pow(float(user1_data[key]) - float(user2_data[key]), 2)

        return 1 / (1 + sqrt(distance))  # 这里返回值越小，相似度越大

    # 计算某个用户与其他用户的相似度
    def top10_simliar(self,userID):
        res = []
        for userid in self.data.keys():
            # 排除与自己计算相似度
            if not userid == userID:
                simliar = self.Euclidean(userID, userid)
                res.append((userid, simliar))
        res.sort(key=lambda val: val[1])
        return res[:4]

    # 根据用户推荐美食给其他人
    def recommend(self,user):
        # 相似度最高的用户
        top_sim_user = self.top10_simliar(user)[0][0]
        print(top_sim_user)
        # 相似度最高的用户的记录
        items = self.data[top_sim_user]
        recommendations = []
        # 筛选出该用户未美食并添加到列表中
        for item in items.keys():
            if item not in self.data[user].keys():
                recommendations.append((item, items[item]))
        recommendations.sort(key=lambda val: val[1], reverse=True)  # 按照评分排序
        # 返回评分最高的10部美食
        return recommendations[:10]

if __name__=='__main__':
    userCf=UserCf(data=users)
    r = userCf.recommend('gou')
    print(r)