标题：Django+Vue 协同过滤 大数据的美食推荐系统

1. 系统概述

1.1 研究背景与意义

• 餐饮行业数字化转型与个性化推荐需求增长

• 传统推荐方法在美食领域的局限性

• 大数据技术赋能精准美食推荐

• 协同过滤算法在推荐系统中的优势

1.2 系统目标

• 构建基于用户行为的大数据美食推荐平台

• 实现用户-美食交互数据的采集与存储

• 开发基于协同过滤的推荐算法引擎

• 提供个性化、场景化的美食推荐服务

2. 技术架构

2.1 整体架构

text

前端展示层 (Vue.js + Element UI)
↑
API网关层 (Django REST Framework)
↑
推荐引擎层 (协同过滤算法)
↑
大数据处理层 (Spark MLlib)
↑
数据存储层 (MongoDB + Redis + HBase)
↑
数据采集层 (用户行为日志 + 第三方API)

2.2 技术选型

• 前端：Vue3 + Vant UI + ECharts

• 后端：Django + Django REST Framework

• 数据库：

  • MongoDB (用户画像/美食数据)

  • Redis (实时推荐/缓存)

  • HBase (海量用户行为日志)

• 大数据处理：Spark + Spark MLlib

• 推荐算法：基于用户的协同过滤(UserCF) + 基于物品的协同过滤(ItemCF)

• 辅助工具：Kafka (实时数据流), ELK (日志分析)

3. 系统功能模块

3.1 数据采集模块

• 用户显式评分数据采集(1-5星评价)

• 用户隐式行为数据采集(浏览、收藏、下单、分享等)

• 美食基础信息采集(品类、口味、价格、地理位置等)

• 第三方数据接入(美团/大众点评API)

3.2 用户画像模块

• 用户基础属性(年龄、性别、地区等)

• 口味偏好模型(辣度、甜度、菜品类型等)

• 消费行为分析(消费时段、价格敏感度等)

• 社交关系图谱(好友口味相似度)

3.3 推荐引擎模块

• 基于用户的协同过滤(UserCF)

  • 计算用户相似度矩阵

  • 生成最近邻用户集

  • 预测目标用户未评分项目

• 基于物品的协同过滤(ItemCF)

  • 计算物品相似度矩阵

  • 基于用户历史偏好推荐相似物品

• 混合推荐策略

  • 加权融合UserCF和ItemCF结果

  • 结合时间衰减因子

  • 冷启动处理策略(热门推荐/内容推荐)

3.4 实时推荐模块

• 用户实时行为捕捉与分析

• 短期兴趣模型更新

• 实时推荐列表刷新

• A/B测试框架支持

3.5 可视化分析模块

• 用户偏好雷达图

• 推荐结果解释性展示

• 推荐效果评估指标可视化

• 系统运行监控看板

4. 数据库设计

4.1 主要数据集合

• 用户数据(user_profiles)

  json

  {
    "user_id": "u1001",
    "basic_info": {"age": 25, "gender": "male", "location": "重庆渝中区"},
    "taste_prefs": {"spicy_level": 4, "sweet_level": 2},
    "diet_restrictions": ["no_pork"]
  }

• 美食数据(food_items)

  json

  {
    "food_id": "f2001",
    "name": "重庆火锅",
    "category": ["火锅", "川菜"],
    "attributes": {"spicy_level": 5, "price_range": 2},
    "location": {"lng": 106.55, "lat": 29.56}
  }

• 用户行为日志(user_behavior_logs)

  json

  {
    "log_id": "log3001",
    "user_id": "u1001",
    "food_id": "f2001",
    "behavior_type": "order", // view/collect/share/order
    "timestamp": "2023-08-20T18:30:00Z",
    "context": {"device": "mobile", "location": "home"}
  }

• 推荐结果(recommendations)

  json

  {
    "rec_id": "r4001",
    "user_id": "u1001",
    "recommended_items": [
      {"food_id": "f2001", "score": 0.87, "reason": "similar_users_liked"},
      {"food_id": "f2002", "score": 0.82, "reason": "similar_to_your_favorites"}
    ],
    "generated_at": "2023-08-20T18:35:00Z"
  }

5. 协同过滤算法实现

5.1 基于用户的协同过滤(UserCF)

python

from pyspark.mllib.recommendation import ALS, Rating

# 准备评分数据
ratings = sc.parallelize([
    Rating(user=1, product=101, rating=5.0),
    Rating(user=1, product=102, rating=3.0),
    # ...更多评分数据
])

# 训练ALS模型
rank = 10  # 潜在因子数
numIterations = 10
model = ALS.train(ratings, rank, numIterations)

# 为用户推荐Top-N美食
user_id = 1
top_n = model.recommendProducts(user_id, 5)

5.2 基于物品的协同过滤(ItemCF)

python

from pyspark.mllib.recommendation import MatrixFactorizationModel

# 计算物品相似度矩阵
item_sim = model.productFeatures.cartesian(model.productFeatures)\
    .map(lambda x: {
        "item1": x[0][0],
        "item2": x[1][0],
        "sim": cosine_similarity(x[0][1], x[1][1])
    }).filter(lambda x: x["item1"] != x["item2"])

# 为指定物品找相似物品
def find_similar_items(food_id, n=5):
    return item_sim.filter(lambda x: x["item1"] == food_id)\
                  .takeOrdered(n, key=lambda x: -x["sim"])

5.3 混合推荐策略

python

def hybrid_recommend(user_id, n=10):
    # UserCF推荐结果
    user_cf_recs = model.recommendProducts(user_id, n*2)
    
    # ItemCF推荐结果(基于用户最近浏览)
    recent_views = get_user_recent_views(user_id)
    item_cf_recs = []
    for view in recent_views:
        item_cf_recs.extend(find_similar_items(view["food_id"], n//2))
    
    # 合并并去重
    all_recs = combine_and_deduplicate(user_cf_recs, item_cf_recs)
    
    # 加入业务规则过滤(如距离、价格等)
    filtered_recs = apply_business_rules(all_recs, user_id)
    
    return filtered_recs[:n]

6. 系统实现细节

6.1 前端关键功能

• 个性化推荐主页：基于用户口味的瀑布流展示

• 美食详情页："喜欢这个的人也喜欢"推荐模块

• 搜索推荐：输入联想与搜索结果排序优化

• 反馈机制：推荐结果满意度评价收集

6.2 后端关键设计

• 推荐API服务：

  • GET /api/recommendations?user_id=u1001&context=home

  • POST /api/feedback (收集用户反馈)

• 实时数据处理流水线：

  text

  用户行为 → Kafka → Spark Streaming → 更新推荐模型 → Redis缓存

• 冷启动解决方案：

  • 新用户：基于人口统计特征的推荐

  • 新菜品：基于内容相似度的推荐

6.3 性能优化策略

• 离线计算：每日更新用户相似度矩阵

• 近线更新：每小时更新物品相似度

• 实时补充：基于最新行为的实时调整

• 缓存策略：Redis缓存热门推荐结果

7. 评估指标

7.1 算法评估

• 准确率：Precision@K, Recall@K

• 覆盖率：推荐物品占总物品比例

• 新颖性：推荐物品的平均热门程度

• 多样性：推荐列表的内部分散度

7.2 业务指标

• 点击率(CTR)

• 转化率(订单量/曝光量)

• 用户停留时长

• 复购率提升

8. 扩展方向

1. 多模态推荐：结合菜品图片的视觉特征

2. 情境感知推荐：天气、时间、位置等上下文因素

3. 社交推荐：好友关系网络分析

4. 强化学习：动态调整推荐策略

5. 可解释推荐：生成推荐理由自然语言描述

9. 部署方案

9.1 开发环境

• 前端：Webpack + Vue CLI

• 后端：Django开发服务器

• 数据库：MongoDB社区版

9.2 生产环境

• 前端：Nginx静态资源服务 + CDN加速

• 后端：Docker容器 + Kubernetes集群

• 数据库：

  • MongoDB分片集群

  • Redis哨兵模式

  • HBase on HDFS

• 大数据处理：Spark on YARN

• 监控：Prometheus + Grafana

10. 典型应用场景

1. 外卖平台：首页个性化推荐

2. 餐饮连锁：跨门店推荐

3. 美食社区：内容推荐

4. 智能点餐：搭配推荐

5. 饮食健康：营养均衡推荐

代码实现：