推荐项目实战：python旅游景点推荐系统 双协同过滤+Django 个性化推荐 源码+文档✅

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项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅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、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

🍅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（后端）、MySQL数据库、协同过滤推荐算法（含基于用户+基于物品双模式）、Echarts可视化（评分分析/词云/省份占比等）、HTML+Bootstrap（前端界面）
• 核心功能：旅游景点个性化推荐（双协同过滤算法驱动）、景点详情交互（点赞/收藏/评分）、多维度数据可视化分析（评分/分类/地域分布）、用户中心（收藏/评论管理）、后台数据管理（用户/景点/权限管控）
• 研究背景：互联网时代旅游信息爆炸式增长，用户面临“信息过载”痛点——海量景点数据分散在各平台，手动筛选效率低，难以快速找到匹配自身偏好的目的地；传统推荐多依赖热门度，缺乏个性化（如亲子游用户被推荐探险景点），亟需“基于用户行为的智能推荐+数据可视化”系统解决。
• 研究意义：技术层面，整合Django后端、协同过滤算法（解决个性化推荐）、Echarts可视化（提升数据可读性），构建“数据采集-推荐-交互-分析”完整技术链；用户层面，为游客提供精准推荐（如根据历史评分推荐相似景点），为管理者提供市场洞察（如热门省份分布）；应用层面，可作为旅游平台子系统或毕业设计，兼具实用价值与学术展示性。

2、项目界面

1. 首页—旅游景点排序
   

2. 旅游景点详情页—点赞、收藏、评分、景点详情信息
   

3. 基于用户推荐、基于物品推荐
   

4. 景点评分与数量分析
   

5. 景点词云图分析
   

6. 旅游景点年份分析
   

7. 省份占比分析
   

8. 旅游景点分类
   

9. 个人中心----我的收藏、评论、评分
   

10. 后台数据管理
    

3、项目说明

本项目是基于Python+Django开发的智能旅游推荐系统，核心依托协同过滤推荐算法（双模式）实现个性化景点推荐，结合Echarts可视化与用户交互功能，构建“推荐精准化、数据可视化、管理便捷化”的旅游信息服务平台，旨在解决旅游信息过载与推荐同质化问题。

（1）系统架构与技术逻辑

• 架构设计：采用“后端算法驱动+前端交互展示”模式，分层清晰：
  1. 数据层（MySQL）：存储核心数据——用户信息（账号、偏好）、景点数据（名称、详情、分类、地域、评分）、用户行为数据（点赞、收藏、评分记录）、推荐日志；
  2. 算法层：集成协同过滤双算法——基于用户的协同过滤（找相似用户偏好）、基于物品的协同过滤（找相似景点特征），输出个性化推荐结果；
  3. 后端（Django）：负责业务逻辑——用户认证（注册登录）、算法调用（触发推荐）、数据接口开发（提供景点/推荐/可视化数据）、后台管理功能（用户/景点管控）；
  4. 前端（HTML+Bootstrap）：构建响应式界面，实现景点展示、推荐结果呈现、用户交互（点赞/收藏）、Echarts可视化图表渲染；
• 核心流程：用户行为（评分/收藏）存入MySQL→Django调用协同过滤算法（分析用户偏好/景点相似度）→生成推荐列表→前端展示推荐结果+可视化分析→用户在个人中心管理行为记录→管理员通过后台维护数据。

（2）核心功能模块详解

① 协同过滤推荐模块（技术核心）

双算法驱动个性化推荐，解决“千人一面”问题：

• 基于用户的协同过滤：
  • 逻辑：找到与目标用户“行为相似”的用户群体（如都喜欢“人文古迹”且评分倾向一致），将相似用户高评分的景点推荐给目标用户；
  • 应用场景：新用户（行为数据少，可依赖相似群体偏好）；
• 基于物品的协同过滤：
  • 逻辑：分析景点特征相似度（如“故宫”与“长城”都属于“北京+人文古迹+高评分”），向浏览过A景点的用户推荐相似的B景点；
  • 应用场景：景点数据丰富时（通过特征快速匹配）；
• 推荐结果展示：“基于用户推荐/基于物品推荐”页面分别呈现两种算法结果，标注推荐理由（如“与您相似的100位用户都喜欢”“与您收藏的‘西湖’相似”），支持一键跳转景点详情。

② 景点展示与交互模块（用户体验核心）

• 首页—旅游景点排序：
  • 功能：默认按“综合热度”（评分+收藏量）排序展示景点，支持切换排序维度（如“评分从高到低”“最新上线”），卡片式展示景点名称、缩略图、评分、所属省份，点击进入详情；
• 旅游景点详情页：
  • 核心交互：用户可对景点进行“点赞”（增加热度）、“收藏”（存入个人中心）、“评分”（1-5星，为推荐算法提供数据）；
  • 信息展示：包含景点详细介绍（地址、开放时间、特色）、用户评论区（显示其他用户评分与留言）；

③ 多维度可视化分析模块（数据洞察）

通过Echarts将景点数据转化为直观图表，辅助用户与管理者决策：

• 景点评分与数量分析：柱状图展示“不同评分区间的景点数量”（如4-5星景点120个，3-4星80个），直观呈现整体口碑；
• 景点词云图分析：从景点详情与用户评论中提取高频词（如“山水”“历史”“亲子”），词云大小反映出现频率，帮助用户快速识别景点特色；
• 旅游景点年份分析：折线图展示“各年份新增景点数量”，揭示旅游市场发展趋势（如近5年自然景观类景点增长快）；
• 省份占比分析：饼图展示“各省份景点数量占比”（如四川占15%，云南占12%），明确热门旅游区域；
• 旅游景点分类：柱状图对比“不同类型景点数量”（自然景观/人文古迹/主题乐园等），辅助用户定位兴趣类别。

④ 个人中心与用户管理模块（个性化与安全）

• 个人中心：
  • 功能：登录用户可查看“我的收藏”（已收藏景点列表，支持取消收藏）、“我的评论”（历史留言记录）、“我的评分”（对景点的评分记录），方便跟踪个人偏好；
• 注册登录：基于Django认证系统，用户通过账号密码注册登录，保障个人行为数据安全，未登录用户仅可浏览景点，无法使用点赞/收藏/推荐功能。

⑤ 后台数据管理模块（管理员专属）

• 核心功能：
  • 景点管理：增删改查景点数据（如录入新景点、更新开放时间、删除失效景点）；
  • 用户管理：查看注册用户列表，管理用户权限（如禁用违规账号），查看用户行为日志（如“用户A近7天评分5个景点”）；
  • 推荐管理：监控推荐算法效果（如推荐点击率），手动调整推荐权重（如临时提升某热门景点推荐优先级）；
• 价值：保障数据准确性与系统秩序，为算法优化提供依据。

4、核心代码

# -*-coding:utf-8-*-
import os

os.environ["DJANGO_SETTINGS_MODULE"] = "recommend.settings"
import django

django.setup()
from item.models import *
from math import sqrt, pow
import operator
from django.db.models import Subquery, Q, Count


# from django.shortcuts import render,render_to_response
class UserCf:

    # 获得初始化数据
    def __init__(self, all_user):
        self.all_user = all_user

    # 通过用户名获得列表，仅调试使用
    def getItems(self, username1, username2):
        return self.all_user[username1], self.all_user[username2]

    # 计算两个用户的皮尔逊相关系数
    def pearson(self, user1, user2):  # 数据格式为：旅游景点id，浏览此
        sum_xy = 0.0  # user1,user2 每项打分的成绩的累加
        n = 0  # 公共浏览次数
        sum_x = 0.0  # user1 的打分总和
        sum_y = 0.0  # user2 的打分总和
        sumX2 = 0.0  # user1每项打分平方的累加
        sumY2 = 0.0  # user2每项打分平方的累加
        for movie1, score1 in user1.items():
            if movie1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[movie1]
                sum_x += score1
                sum_y += user2[movie1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[movie1], 2)
        if n == 0:
            # print("p氏距离为0")
            return 0
        molecule = sum_xy - (sum_x * sum_y) / n  # 分子
        denominator = sqrt((sumX2 - pow(sum_x, 2) / n) * (sumY2 - pow(sum_y, 2) / n))  # 分母
        if denominator == 0:
            return 0
        r = molecule / denominator
        return r

    # 计算与当前用户的距离，获得最临近的用户
    def nearest_user(self, current_user, n=1):
        distances = {}
        # 用户，相似度
        # 遍历整个数据集
        for user, rate_set in self.all_user.items():
            # 非当前的用户
            if user != current_user:
                distance = self.pearson(self.all_user[current_user], self.all_user[user])
                # 计算两个用户的相似度
                distances[user] = distance
        closest_distance = sorted(
            distances.items(), key=operator.itemgetter(1), reverse=True
        )
        # 最相似的N个用户
        print("closest user:", closest_distance[:n])
        return closest_distance[:n]

    # 给用户推荐旅游景点
    def recommend(self, username, n=3):
        recommend = {}
        nearest_user = self.nearest_user(username, n)
        for user, score in dict(nearest_user).items():  # 最相近的n个用户
            for movies, scores in self.all_user[user].items():  # 推荐的用户的旅游景点列表
                if movies not in self.all_user[username].keys():  # 当前username没有看过
                    if movies not in recommend.keys():  # 添加到推荐列表中
                        recommend[movies] = scores*score
        # 对推荐的结果按照旅游景点
        # 浏览次数排序
        return sorted(recommend.items(), key=operator.itemgetter(1), reverse=True)


# 基于用户的推荐
def recommend_by_user_id(user_id):
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = xiangmu.objects.order_by("-c9")[:15]
        return movie_list
    # 选取评分最多的10个用户
    users_rate = Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')
    user_ids = [user_rate['user'] for user_rate in users_rate]
    user_ids.append(user_id)
    users = User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户
    all_user = {}
    for user in users:
        rates = user.rate_set.all()#查出10名用户的数据
        rate = {}
        # 用户有给旅游景点打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.movie.id), i.mark)#填充旅游景点数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为旅游景点打过分，设为0
            all_user.setdefault(user.username, {})

    user_cf = UserCf(all_user=all_user)
    recommend_list = [each[0] for each in user_cf.recommend(current_user.username, 15)]
    movie_list = list(xiangmu.objects.filter(id__in=recommend_list).order_by("-c9")[:15])
    other_length = 15 - len(movie_list)
    if other_length > 0:
        fix_list = xiangmu.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in movie_list:
                movie_list.append(fix)
            if len(movie_list) >= 15:
                break
    return movie_list


# 计算相似度
def similarity(movie1_id, movie2_id):
    movie1_set = Rate.objects.filter(movie_id=movie1_id)
    # movie1的打分用户数
    movie1_sum = movie1_set.count()
    # movie_2的打分用户数
    movie2_sum = Rate.objects.filter(movie_id=movie2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(movie1_set.values('user_id')), movie=movie2_id).values('user_id').count()
    # 没有人给当前旅游景点打分
    if movie1_sum == 0 or movie2_sum == 0:
        return 0
    similar_value = common / sqrt(movie1_sum * movie2_sum)#余弦计算相似度
    return similar_value


#基于物品
def recommend_by_item_id(user_id, k=15):
    # 前三的tag，用户评分前三的旅游景点
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    user_prefer = list(user_prefer)[:3]
    print('user_prefer', user_prefer)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = xiangmu.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = xiangmu.objects.order_by("-c9")[:15]
        print('from here')
        return movie_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(movie__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的旅游景点，用户没看过的30部，对这30部旅游景点，计算距离最近
    un_watched = xiangmu.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的旅游景点
    watched = Rate.objects.filter(user_id=user_id).values_list('movie_id', 'mark')
    distances = []
    names = []
    # 在未看过的旅游景点中找到
    for un_watched_movie in un_watched:
        for watched_movie in watched:
            if un_watched_movie not in names:
                names.append(un_watched_movie)
                distances.append((similarity(un_watched_movie.id, watched_movie[0]) * watched_movie[1], un_watched_movie))#加入相似的旅游景点
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, movie in distances:
        if len(recommend_list) >= k:
            break
        if movie not in recommend_list:
            recommend_list.append(movie)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的旅游景点中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list


if __name__ == '__main__':
    # similarity(2003, 2008)
    print(recommend_by_item_id(1799))

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看【用户名】、【专栏名称】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻