博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业 毕业设计 项目实战6年之久，选择我们就是选择放心、选择安心毕业✌感兴趣的可以先收藏起来，点赞、关注不迷路✌
毕业设计：2023-2024年计算机毕业设计1000套（建议收藏）
毕业设计：2023-2024年最新最全计算机专业毕业设计选题汇总
技术栈：
Python语言、Django框架、协同过滤推荐算法、Echarts可视化、HTML
（1）美食数据分析
（2）美食评分区间分析
（3）美食数据
（4）美食推荐
（5）美食推荐2
（6）后台数据管理
（7）个人信息
美食推荐系统是基于协同过滤推荐算法的应用程序，旨在为用户提供个性化的美食推荐。系统使用Python语言和Django框架进行开发，并结合Echarts可视化库和HTML技术，实现了用户界面和推荐结果的展示。
该系统的核心是协同过滤推荐算法。该算法基于用户的历史行为和其他用户的行为进行分析，通过计算用户之间的相似度，为用户推荐他可能喜欢的美食。具体而言，系统会根据用户的历史评分数据和浏览记录，找到与用户兴趣相似的其他用户，然后根据这些用户的评分数据，推荐给用户他们喜欢的美食。
在系统的实现过程中，使用了Python语言和Django框架来构建后端逻辑和用户界面。Python是一种简洁、易学且功能强大的编程语言，适合用于开发推荐系统。Django框架是一个高效、灵活的Web开发框架，可以帮助开发者快速构建Web应用程序。
为了更好地展示推荐结果，系统使用了Echarts可视化库。Echarts是一款基于JavaScript的可视化库，可以轻松地创建各种交互式图表和数据展示效果。通过使用Echarts，系统可以将推荐结果以图表的形式展示给用户，提供更直观、易于理解的推荐结果。
最后，为了实现用户界面，系统采用了HTML技术。HTML是一种用于构建Web页面的标记语言，可以定义页面的结构和内容。通过使用HTML，系统可以创建用户友好的界面，使用户可以方便地浏览和使用美食推荐系统。
综上所述，该美食推荐系统使用了Python语言、Django框架、协同过滤推荐算法、Echarts可视化和HTML技术，为用户提供个性化的美食推荐，并通过图表展示推荐结果，提升用户体验。
# coding=utf-8
from math import sqrt,pow
import operator
import random
class UserCf():
def __init__(self,data):
self.data=data
def getItems(self,username1,username2):
return self.data[username1],self.data[username2]
def pearson(self,user1,user2):
sumXY=0.0;
n=0;
sumX=0.0;
sumY=0.0;
sumX2=0.0;
sumY2=0.0;
try:
for movie1,score1 in user1.items():
if movie1 in user2.keys():
n+=1;
sumXY+=score1*user2[movie1]
sumX+=score1;
sumY+=user2[movie1]
sumX2+=pow(score1,2)
sumY2+=pow(user2[movie1],2)
molecule=sumXY-(sumX*sumY)/n;
denominator=sqrt((sumX2-pow(sumX,2)/n)*(sumY2-pow(sumY,2)/n))
r=molecule/denominator
except Exception as e:
print("异常信息:",e)
return None
return r
def test1(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
common = {}
# 找到两位用户都评论过的美食
for key in user1_data.keys():
if key in user2_data.keys():
common[key] = 1
if len(common) == 0:
return 0 # 如果没有共同评论过的美食，则返回0
n = len(common) # 共同美食数目
print(n, common)
##计算评分和
sum1 = sum([float(user1_data[movie]) for movie in common])
print(sum1)
sum2 = sum([float(user2_data[movie]) for movie in common])
print(sum2)
##计算评分平方和
sum1Sq = sum([pow(float(user1_data[movie]), 2) for movie in common])
sum2Sq = sum([pow(float(user2_data[movie]), 2) for movie in common])
##计算乘积和
PSum = sum([float(user1_data[it]) * float(user2_data[it]) for it in common])
print(PSum)
##计算相关系数
num = PSum - (sum1 * sum2 / n)
print(num)
den = sqrt((sum1Sq - pow(sum1, 2) / n) * (sum2Sq - pow(sum2, 2) / n))
if den == 0:
return 0
r = num / den
print(111111)
print(r)
return r
def nearstUser(self,username,n=1):
distances={};
for otherUser,items in self.data.items():
if otherUser not in username:
print(otherUser)
distance=self.pearson(self.data[username],self.data[otherUser])
if distance is None:
continue
distances[otherUser]=distance
print(distances)
sortedDistance=sorted(distances.items(),key=operator.itemgetter(1),reverse=True);
print("排序后的用户为：",sortedDistance)
return sortedDistance[:n]
def recomand(self,username,n=1):
recommand={};
for user,score in dict(self.nearstUser(username,n)).items():
print("推荐的用户：",(user,score))
for movies,scores in self.data[user].items():
if movies not in self.data[username].keys():
print("%s为该用户推荐的：%s"%(user,movies))
if movies not in recommand.keys():
recommand[movies]=scores
return sorted(recommand.items(),key=operator.itemgetter(1),reverse=True)
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观影记录
items = self.data[top_sim_user]
recommendations = []
# 筛选出该用户未观看的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
if len(recommendations) == 1:
recommendations = []
lists = []
for key,value in self.data.items():
for keys,values in value.items():
lists.append((keys,values))
for i in range(4):
recommendations.append(random.choice(lists))
recommendations = list(set(recommendations))
return recommendations[:10]
if __name__=='__main__':
# print(users)
userCf=UserCf(data=users)
# recommandList=userCf.recomand('root', 2)
# print("最终推荐：%s"%recommandList)
r = userCf.recommend('root')
print(r)
????✌ 感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！ ????✌
???? 由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。 ????
点赞、收藏、关注，不迷路， 下方查看 ???????? 获取联系方式 ????????