计算机毕业设计：基于python旅游推荐系统+爬虫+分析可视化 +django框架

[毕业设计]2023-2024年最新最全计算机专业毕设选题推荐汇总

Python项目——毕业设计选题参考

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人 。

摘 要

互联网改变了世界，在互联网时代，各行各业的人们都在寻求增长点，人们的日常生活越来越离不开互联网。以旅游信息为例，线下大量的各种旅游信息基本只会出现在旅游会上，但是现如今，人们越来越重视时间成本，所以越来越多的年轻人在网上查找自己想要查找的旅游就业信息。然而，在互联网信息和海量数据源混合的情况下，如何快速精确的找到自己想要的数据是一个值得探讨的问题。
本系统主要针对解决获取旅游信息滞后、参加线下旅行社和人工检索时间成本高等问题，运用网络爬虫信息技术设计思想，实现了一个基于Python的旅游信息推荐系统。本系统以Python计算机设计语言为基础，使用 requests对去哪儿旅游信息源进行抓取,针对网页信息编写抽取规则，对旅游信息进行必要的过滤和提取，使用MySql对旅游信息进行数据存储。然后使用 Python 开源web框架 Django进行系统搭建，基于旅游信息采用协同过滤推荐算法完成对用户的旅游信息推荐，完成整个爬取以及数据检索到成功进行旅游推荐的网页端操作展示。

项目截图

1、价格与销量分析

2、城市与景点等级分析

3、首页—数据概况

4、评分情况分析

5、景点推荐---------协同过滤推荐算法

6、景点数据管理

7、后台管理

8、数据采集页面

4、 部分代码

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
import os
import json
import django
os.environ.setdefault('DJANGO_SETTINGS_MODULE','travel.settings')
django.setup()
from app.models import TravelInfo

user_ratings = {
    "admins": {"广州塔": 5},
    "user2": {"广州塔": 5, "三亚蜈支洲岛旅游区": 2},

}



def getUser_ratings():
    user_ratings = {}
    for travel in TravelInfo.objects.all():
        comments = json.loads(travel.comments)
        for com in comments:
            try:
                com['userId']
            except:
                continue
            if user_ratings.get(com['userId'],-1) == -1:
                user_ratings[com['userId']] = {travel.title:com['score']}
            else:
                user_ratings[com['userId']][travel.title] = com['score']
    return user_ratings

def user_bases_collaborative_filtering(user_id,user_ratings,top_n=20):
# def user_bases_collaborative_filtering(user_id, user_ratings, top_n=3):
    # 获取目标用户的评分数据
    target_user_ratings = user_ratings[user_id]

    # 初始化一个字段，用于保存其他用户与目标用户的相似度得分
    user_similarity_scores = {}

    # 将目标用户的评分转化为numpy数组
    target_user_ratings_list = np.array([
        rating for _ , rating in target_user_ratings.items()
    ])

    # 计算目标用户与其他用户之间的相似度得分
    for user,ratings in user_ratings.items():
        if user == user_id:
            continue
        # 将其他用户的评分转化为numpy数组
        user_ratings_list = np.array([ratings.get(item,0) for item in target_user_ratings])
        # 计算余弦相似度
        similarity_score = cosine_similarity([user_ratings_list],[target_user_ratings_list])[0][0]
        user_similarity_scores[user] = similarity_score

    # 对用户相似度得分进行降序排序
    sorted_similar_user = sorted(user_similarity_scores.items(),key=lambda x:x[1],reverse=True)

    # 选择 TOP N 个相似用户喜欢的景点 作为推荐结果
    recommended_items = set()
    for similar_user,_ in sorted_similar_user[:top_n]:
        recommended_items.update(user_ratings[similar_user].keys())

    # 过滤掉目标用户已经评分过的景点
    recommended_items = [item for item in recommended_items if item not in target_user_ratings]

    return recommended_items


if __name__ == '__main__':
    user_id =1
    user_ratings = getUser_ratings()
    recommended_items = user_bases_collaborative_filtering(user_id,user_ratings)

源码获取：

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看主页【专栏名称】或者【用户名】或者顶部的【选题链接】就可以找到我获取项目源码学习啦~🍅

大家点赞、收藏、关注、评论啦 ！