1. 项目概述：基于Django+Vue的美食推荐系统

去年帮学弟调试毕业设计时，发现很多计算机专业同学在构建推荐系统时存在典型误区——要么过度关注算法复杂度却忽视工程落地，要么堆砌技术栈而缺乏业务逻辑闭环。这个基于协同过滤的美食推荐系统，恰好能解决这类痛点。系统采用Django+Vue主流技术栈实现前后端分离，通过用户行为数据构建推荐模型，最终在Web界面实现个性化美食推荐。

这个项目特别适合需要完成计算机毕业设计的同学，尤其是对推荐系统、大数据处理感兴趣的开发者。我在实际部署过程中发现，相比单纯调用推荐算法API，从数据采集、特征工程到模型训练全流程自主实现，更能深入理解推荐系统的核心机制。下面结合我参与过的三个餐饮平台项目经验，详细拆解这个系统的技术实现。

2. 技术架构设计

2.1 整体架构设计

系统采用经典的三层架构：

• 数据层：MySQL存储用户画像和菜品元数据，Redis缓存实时用户行为
• 算法层：Python实现协同过滤算法，Spark处理大规模数据
• 应用层：Django提供RESTful API，Vue.js构建交互界面

这种架构的优势在于：

1. 前后端完全解耦，便于团队协作开发
2. 算法模块可独立扩展，支持AB测试
3. 使用Redis缓存热点数据，查询性能提升40%+

实际开发中常见误区是过度设计架构。对于毕业设计项目，建议先用SQLite+纯Django快速验证核心功能，后期再迁移到MySQL+前后端分离架构。

2.2 技术选型对比

在电商级推荐系统中，我们通常会采用混合推荐策略（协同过滤+深度学习）。但针对毕业设计场景，基于用户的协同过滤算法实现简单且效果直观，更易通过答辩。

3. 核心功能实现

3.1 数据采集与处理

美食推荐系统的数据源主要包括：

• 用户基础信息（注册时采集）
• 显式评分数据（1-5星评价）
• 隐式行为数据（浏览时长、收藏、下单等）

我们使用Django的Model设计数据表时，特别注意建立高效的索引：

class UserBehavior(models.Model): user = models.ForeignKey(User, on_delete=models.CASCADE, db_index=True) item = models.ForeignKey(Food, on_delete=models.CASCADE) behavior_type = models.SmallIntegerField() # 1浏览 2收藏 3购买 weight = models.FloatField(default=1.0) # 行为权重 created_at = models.DateTimeField(auto_now_add=True) class Meta: index_together = [('user', 'item')] # 复合索引加速查询

数据处理流程：

1. 原始日志 → 2. 行为权重计算 → 3. 用户-物品矩阵 → 4. 相似度计算 其中行为权重建议设置为：浏览1分，收藏3分，购买5分（可根据实际数据分布调整）

3.2 协同过滤算法实现

基于用户的协同过滤核心代码：

from sklearn.metrics.pairwise import cosine_similarity def user_similarity_matrix(): # 构建用户-物品评分矩阵 user_item_matrix = pd.pivot_table( data=df_ratings, values='rating', index='user_id', columns='item_id', fill_value=0 ) # 计算用户相似度 similarity = cosine_similarity(user_item_matrix) return pd.DataFrame( similarity, index=user_item_matrix.index, columns=user_item_matrix.index ) def recommend(user_id, n=10): sim_users = similarity[user_id].sort_values(ascending=False)[1:6] user_items = set(user_item_matrix.loc[user_id].nonzero()[0]) recommendations = [] for uid, sim in sim_users.items(): items = set(user_item_matrix.loc[uid].nonzero()[0]) new_items = items - user_items for iid in new_items: recommendations.append((iid, sim * user_item_matrix.loc[uid, iid])) return sorted(recommendations, key=lambda x: -x[1])[:n]

算法优化技巧：

1. 对稀疏矩阵使用scipy.sparse节省内存
2. 相似度计算采用分块处理，避免内存溢出
3. 引入时间衰减因子：近期行为权重更高

3.3 前后端交互实现

Django后端API示例：

# api/views.py from rest_framework.decorators import api_view from rest_framework.response import Response @api_view(['GET']) def recommendations(request): user_id = request.user.id n = request.GET.get('n', 10) recs = recommend_engine(user_id, n) return Response({ 'code': 200, 'data': [ { 'food_id': item.id, 'name': item.name, 'score': float(score) } for item, score in recs ] })

Vue前端调用示例：

// src/components/Recommend.vue export default { data() { return { foods: [] } }, async mounted() { const res = await axios.get('/api/recommendations?n=8') this.foods = res.data.data } }

4. 系统部署与优化

4.1 性能优化方案

1. 缓存策略：

   • 用户相似度矩阵每小时全量更新
   • 个人推荐结果缓存10分钟
   • 使用Redis的sorted set存储实时排行榜

2. 数据库优化：

   -- 建立覆盖索引 CREATE INDEX idx_user_behavior ON user_behavior(user_id, behavior_type, item_id); -- 分表策略 CREATE TABLE user_behavior_2023 LIKE user_behavior;

3. 异步处理： 使用Celery处理耗时操作：

   @shared_task def update_similarity_matrix(): matrix = calculate_user_similarity() cache.set('user_similarity', matrix, 3600)

4.2 毕业设计答辩要点

1. 演示技巧：

   • 准备两套数据：小数据集展示算法原理，大数据集体现性能
   • 对比不同推荐策略的效果（如仅热门推荐 vs 个性化推荐）

2. 常见问题准备：

   • 如何解决冷启动问题？→ 采用热门推荐作为fallback
   • 数据稀疏性怎么处理？→ 引入标签相似度补充
   • 算法时间复杂度是多少？→ O(n²)但通过采样优化

3. 亮点突出：

   • 实时推荐更新机制
   • 多维度行为权重设计
   • 响应式前端适配移动端

5. 踩坑经验与解决方案

1. 相似度计算内存溢出

   • 现象：万级用户矩阵耗尽8G内存
   • 解决：改用稀疏矩阵格式 + 分块计算

   from scipy.sparse import csr_matrix matrix = csr_matrix(user_item_matrix.values)

2. 推荐结果重复出现

   • 原因：未过滤已消费物品
   • 修复：维护用户已消费物品集合

   consumed_items = set(Order.objects.filter(user=user).values_list('item_id', flat=True))

3. Vue跨域问题

   • 配置Django CORS：

   INSTALLED_APPS += ['corsheaders'] MIDDLEWARE.insert(0, 'corsheaders.middleware.CorsMiddleware') CORS_ORIGIN_ALLOW_ALL = True # 开发环境临时设置

4. 部署后静态文件404

   • 正确配置：

   STATIC_URL = '/static/' STATIC_ROOT = os.path.join(BASE_DIR, 'static')

   然后执行：

   python manage.py collectstatic

这个项目最让我惊喜的是，简单的协同过滤算法配合精细化的行为权重设计，就能达到不错的推荐效果。建议学弟学妹们在开发时先聚焦核心流程，完成端到端的推荐闭环后，再逐步迭代优化算法效果。