计算机毕业设计基于协同过滤大数据的美食推荐系统的设计与实现 Python 可视化大屏（源码+文档报告+部署讲解文档）

雨晨源码

于 2024-09-28 13:26:32 发布

阅读量404

点赞数 14

分类专栏： Python实战项目集文章标签：课程设计大数据美食 python 协同过滤 django vue.js

本文链接：https://blog.csdn.net/qq_1445749146/article/details/142614059

版权

Python实战项目集专栏收录该内容

28 篇文章 30 订阅

订阅专栏

🔥作者：雨晨源码🔥
💖简介：java、微信小程序、安卓；定制开发，远程调试代码讲解，文档指导，ppt制作💖
精彩专栏推荐订阅：在下方专栏👇🏻👇🏻👇🏻👇🏻
Java精彩实战毕设项目案例
 小程序精彩项目案例
 Python实战项目案例

💕💕文末获取源码

本次文章主要是介绍基于大数据、协同过滤、Python 、Hadoop+Spark 、可视化大屏的美食推荐系统的功能，

1、美食推荐系统-前言介绍

1.1背景

随着互联网技术和智能设备的普及，用户获取美食信息的方式变得更加多样化和便捷化。当前，大量美食信息分布在各大美食平台和社交媒体上，用户在面对海量信息时常常难以快速找到符合自身口味和需求的美食推荐。此外，传统的美食推荐方式多依赖于用户的历史行为和简单的标签匹配，缺乏精准性和个性化推荐能力，难以满足用户日益多样化的饮食偏好。为了解决这一问题，本课题提出了基于大数据的美食推荐系统，通过引入爬虫技术、大数据平台和协同过滤推荐算法，从而实现对用户个性化美食需求的精准满足，并提供多维度的数据分析与展示功能。

1.2课题功能、技术

本系统主要分为用户和管理员两个角色。用户角色包括登录注册、个性化美食推荐、评论、收藏、美食购买和个人中心等功能。系统利用协同过滤算法，根据用户的浏览历史、收藏和购买行为，结合其他用户的相似偏好，为其推荐个性化的美食信息。此外，用户还可以在个人中心中查看并管理自己的收藏夹、购买记录和浏览历史。管理员角色主要负责美食数据的管理和系统维护。通过爬虫技术，系统能够从各大美食平台自动抓取最新的美食信息，并进行数据清洗和处理。管理员还可以对美食分类、轮播图、通知公告等系统内容进行管理，同时对用户和购买记录进行有效维护和监督。系统采用B/S架构，前端使用Vue框架开发，后端基于Django框架，并借助Hadoop、Spark和Hive等大数据技术对海量数据进行存储和处理，数据库采用MySQL进行结构化数据管理。

1.3 意义

本系统在功能设计上还引入了大屏数据可视化模块，展示了包括美食信息收藏TOP10、烹饪方式统计、菜谱收藏统计、浏览量统计以及发布人词云图等多维度的数据分析结果。这些可视化分析能够帮助用户和管理员直观地了解系统的使用情况和用户偏好，为优化推荐策略和改善用户体验提供有力的数据支持。通过本系统的设计与实现，提升了推荐系统的精准性和个性化水平，不仅为用户提供了更加便捷的美食发现途径，也为平台方提供了基于大数据的运营决策依据。该系统的成功开发和应用，证明了大数据技术在美食推荐领域的广阔应用前景，对同类推荐系统的设计和实现具有一定的参考价值和指导意义。

2、美食推荐系统-研究内容

1、数据采集与清洗：使用 Python 中的爬虫工具（如 Scrapy、BeautifulSoup）从美食平台上抓取数据，获取美食信息、用户评论、评分等内容。对采集到的数据进行去重、处理缺失值、修正格式等清洗操作，确保数据的准确性和完整性，以便后续分析和使用。
2、数据存储：采用 MySQL 数据库进行结构化数据存储，创建包括用户、美食、评论、收藏、购买记录等表结构。利用 Django ORM 实现与数据库的交互操作，确保数据的高效读写。同时，定期备份数据库，保证数据的安全性与一致性。
3、数据处理与分析：基于协同过滤算法，通过用户的历史数据和相似用户的行为分析，生成个性化的美食推荐。同时，统计用户的收藏、浏览和购买记录，生成相关的热门美食、菜谱偏好等数据分析报告，为系统推荐和决策提供数据支撑。
4、数据可视化展示：通过使用 ECharts 或 D3.js 等前端可视化工具，将美食收藏 TOP10、烹饪方式、菜谱浏览量等统计数据以图表形式展示在大屏上。结合数据动态变化，实时更新展示内容，提供直观的用户行为数据分析和美食趋势图表。
5、系统集成与部署：完成系统各模块开发后，利用 Docker 容器化技术进行系统集成，确保系统的可移植性与部署灵活性。

3、美食推荐系统-开发技术与环境

1、亮点（爬虫、大屏可视化）

2、技术分析：

开发语言：Python
后端框架：Django
算法：协同过滤
前端：Vue
数据库：MySQL

3、开发工具：pycharm

4、美食推荐系统-功能介绍

2个角色：用户/管理员（亮点：爬虫、大屏可视化、协同过滤推荐算法）

(1) 用户：登录注册、特色美食推荐（协同过滤）、评论、收藏、美食购买、个人中心（修改密码、我的收藏、购买记录、浏览历史）

(2) 管理员：美食管理(爬虫)、系统管理（轮播图管理、通知公告管理、系统简介管理）、分类管理、购买记录管理、用户管理

大屏分析（美食信息收藏TOP10、烹饪方式统计、菜谱收藏统计、浏览量统计、发布人词云图）

5、美食推荐系统成果展示

5.1演示视频

【推荐算法】基于python+协同过滤+大数据的音乐推荐系统（附源码+数据库+开发文档）-计算机毕业设计，项目实战

5.2演示图片

1、用户端页面：
☀️登录☀️
在这里插入图片描述

☀️查看美食列表☀️
在这里插入图片描述

☀️协同过美食推荐☀️
在这里插入图片描述

☀️美食详情信息☀️
在这里插入图片描述

☀️个人中心☀️
在这里插入图片描述

2、管理员端页面：

☀️大屏可视化统计☀️
在这里插入图片描述

☀️特色美食管理☀️
在这里插入图片描述

☀️用户管理☀️
在这里插入图片描述

美食推荐系统-代码展示

1.数据爬虫【代码如下（示例）：】

# 美食信息
class MeishixinxiSpider(scrapy.Spider):
    name = 'meishixinxiSpider'
    spiderUrl = 'https://www.douguo.com/jingxuan/{}'
    start_urls = spiderUrl.split(";")
    protocol = ''
    hostname = ''
    realtime = False


    def __init__(self,realtime=False,*args, **kwargs):
        super().__init__(*args, **kwargs)
        self.realtime = realtime=='true'

    def start_requests(self):

        plat = platform.system().lower()
        if not self.realtime and (plat == 'linux' or plat == 'windows'):
            connect = self.db_connect()
            cursor = connect.cursor()
            if self.table_exists(cursor, 'ncl04r3f_meishixinxi') == 1:
                cursor.close()
                connect.close()
                self.temp_data()
                return
        pageNum = 0 + 1

        for url in self.start_urls:
            if '{}' in url:
                for page in range(1, pageNum):

                    next_link = url.format(page)
                    yield scrapy.Request(
                        url=next_link,
                        callback=self.parse
                    )
            else:
                yield scrapy.Request(
                    url=url,
                    callback=self.parse

2.数据清洗【代码如下（示例）：】

 
    # 数据清洗
    def pandas_filter(self):
        engine = create_engine('mysql+pymysql://root:123456@localhost/spiderncl04r3f?charset=UTF8MB4')
        df = pd.read_sql('select * from meishixinxi limit 50', con = engine)

        # 重复数据过滤
        df.duplicated()
        df.drop_duplicates()

        #空数据过滤
        df.isnull()
        df.dropna()

        # 填充空数据
        df.fillna(value = '暂无')

        # 异常值过滤

        # 滤出 大于800 和 小于 100 的
        a = np.random.randint(0, 1000, size = 200)
        cond = (a<=800) & (a>=100)
        a[cond]

        # 过滤正态分布的异常值
        b = np.random.randn(100000)
        # 3σ过滤异常值，σ即是标准差
        cond = np.abs(b) > 3 * 1
        b[cond]