博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，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、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：
Python语言、Django框架、requests爬虫、基于用户协同过滤推荐算法、Echarts可视化、携程美食网

2、项目界面

（1）美食数据分析可视化

（2）美食数据

（3）美食推荐

（4）后台数据管理

（5）数据爬取

（6）注册登录界面

（7）留言板

3、项目说明

美食推荐系统是基于用户协同过滤推荐算法的系统，使用Django框架搭建，通过爬虫技术获取携程美食网上的美食数据，使用requests库进行数据爬取。爬取到的美食数据包括美食名称、评分、价格、地址等信息。

推荐算法部分使用基于用户协同过滤的算法，通过分析用户的历史行为数据和其他用户的行为数据，计算用户之间的相似度，从而推荐给用户可能感兴趣的美食。

系统中使用Echarts可视化库将美食数据进行可视化展示，包括美食评分、价格分布、地理位置等信息。

用户可以在系统中进行美食的搜索、查看美食详情、评价美食等操作。系统根据用户的行为数据不断优化推荐结果，提供更符合用户口味的美食推荐。

1. 美食数据分析可视化
   动态聚合全国菜品与评价，按城市、商圈、菜系自由切片，热力图一眼锁定热门区域，折线、柱状、饼图联动展示价格、评分、关键词分布，支持缩放、下载，方便决策。

2. 美食数据
   收录爬取菜品与店铺信息，提供多条件筛选、模糊搜索与排序，点击即可查看详情、来源链接与实拍图片，快速核对原始内容。

3. 美食推荐
   依据用户历史评分，通过协同过滤寻找“口味邻居”，实时生成个性化榜单；新用户自动调用热门补位，结果可直接收藏或跳转详情。

4. 后台数据管理
   菜品、用户、评分、留言全表可增删改查，字段级权限控制，操作日志自动留痕，零代码完成日常维护。

5. 数据爬取
   输入城市与页数即可启动，断点续爬、异常重试、去重入库全流程自动，进度实时可见，爬完即刻通知。

6. 注册登录界面
   手机验证码与邮箱双通道注册，第三方一键绑定，登录后自动回到推荐页。

7. 留言板
   用户可匿名或实名发表口味感受与改进建议，图文混排，点赞回复两级互动，优质内容将被推荐页引用，形成社区闭环。

4、核心代码

from math import sqrt,pow
import operator

class UserCf():


    def __init__(self,data):
        self.data=data


    def getItems(self,username1,username2):
        return self.data[username1],self.data[username2]

    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记录
        items = self.data[top_sim_user]
        recommendations = []
        # 筛选出该用户未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
        return recommendations[:10]

if __name__=='__main__':
    userCf=UserCf(data=users)
    r = userCf.recommend('gou')
    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，项目编程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！🍅✌

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，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👇🏻