博主介绍：✌全网粉丝50W+，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、最全计算机大数据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、基于用户协同过滤推荐算法、菜品做法、HTML

美食推荐系统功能模块介绍

1. 用户管理模块：支持用户注册与登录，用户注册账户后可登录系统，系统会保存用户个人信息及推荐历史，保障用户个性化数据的存储与获取，为后续功能使用奠定基础。
2. 偏好收集模块：核心用于采集用户行为数据，涵盖用户对菜品的评分、收藏等操作信息，这些数据是推荐算法计算的核心依据，直接影响推荐结果的精准度。
3. 推荐算法模块：采用基于用户协同过滤算法，通过分析用户历史行为，计算目标用户与其他用户的相似度，挖掘相似用户的美食喜好，生成个性化推荐列表，实现精准美食推送。
4. 菜品信息模块：展示菜品详细内容，包括菜品图片、所需材料、制作步骤等做法信息，助力用户全面了解菜品，方便其尝试制作，丰富用户使用体验。
5. 评价反馈模块：允许用户对菜品进行评价、留言，系统基于用户反馈持续优化推荐算法模型，不断提升推荐准确性，形成“推荐-反馈-优化”的良性循环。
6. 后台管理模块：提供数据管理功能，支持对菜品信息、用户数据、评价内容等进行统筹管理，保障系统数据有序运转，为前端功能提供稳定支撑。

2、项目界面

（1）最新美食推荐

（2）美食详情

（3）用户评价评分

（4）美食分类、美食一览

（5）后台数据管理

（6）美食评论

3、项目说明

美食推荐系统功能模块介绍

1. 用户管理模块：支持用户注册与登录，用户注册账户后可登录系统，系统会保存用户个人信息及推荐历史，保障用户个性化数据的存储与获取，为后续功能使用奠定基础。
2. 偏好收集模块：核心用于采集用户行为数据，涵盖用户对菜品的评分、收藏等操作信息，这些数据是推荐算法计算的核心依据，直接影响推荐结果的精准度。
3. 推荐算法模块：采用基于用户协同过滤算法，通过分析用户历史行为，计算目标用户与其他用户的相似度，挖掘相似用户的美食喜好，生成个性化推荐列表，实现精准美食推送。
4. 菜品信息模块：展示菜品详细内容，包括菜品图片、所需材料、制作步骤等做法信息，助力用户全面了解菜品，方便其尝试制作，丰富用户使用体验。
5. 评价反馈模块：允许用户对菜品进行评价、留言，系统基于用户反馈持续优化推荐算法模型，不断提升推荐准确性，形成“推荐-反馈-优化”的良性循环。
6. 后台管理模块：提供数据管理功能，支持对菜品信息、用户数据、评价内容等进行统筹管理，保障系统数据有序运转，为前端功能提供稳定支撑。

美食推荐系统是基于用户协同过滤推荐算法的应用程序，使用Python语言和Django框架开发。推荐系统的目标是根据用户的偏好和历史行为，为其提供个性化的美食推荐。

系统主要包括以下功能：

1. 用户注册和登录：用户可以通过注册账户来使用推荐系统，并通过登录来保存和获取个人的推荐结果。

2. 用户偏好收集：系统会收集用户对不同菜品的偏好信息，包括评分、收藏等，用于推荐算法的计算。

3. 推荐算法：系统采用基于用户协同过滤的推荐算法来生成个性化的推荐结果。该算法会根据用户的历史行为和其他用户的行为进行相似度计算，从而找到相似用户的喜好，并为用户推荐相似用户喜欢的美食。

4. 菜品做法展示：系统会提供菜品的详细信息和做法，包括菜品图片、材料、步骤等，以帮助用户更好地了解和制作菜品。

5. 用户反馈和评价：用户可以对推荐的菜品进行评价和反馈，系统会根据用户的反馈不断优化推荐结果。

6. 界面设计：系统使用HTML来设计用户友好的界面，使用户能够方便地浏览和操作。

通过以上功能，美食推荐系统可以为用户提供个性化的美食推荐，帮助他们发现和尝试新的菜品，提升用户的用餐体验。

4、核心代码

from math import sqrt,pow
import operator
class UserCf():

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

    #通过用户名获得美食列表，仅调试使用
    def getItems(self,username1,username2):
        return self.data[username1],self.data[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：美食，评分  {'Snakes on a Plane': 4.5, 'You, Me and Dupree': 1.0, 'Superman Returns': 4.0}
        sumXY=0.0
        n=0
        sumX=0.0
        sumY=0.0
        sumX2=0.0
        sumY2=0.0
        try:
            for movie1,score1 in user1.items():
                if movie1 in user2.keys():#计算公共的美食的评分
                    n+=1
                    sumXY+=score1*user2[movie1]
                    sumX+=score1
                    sumY+=user2[movie1]
                    sumX2+=pow(score1,2)
                    sumY2+=pow(user2[movie1],2)

            molecule=sumXY-(sumX*sumY)/n
            denominator=sqrt((sumX2-pow(sumX,2)/n)*(sumY2-pow(sumY,2)/n))
            r=molecule/denominator
        except Exception:
            print("异常信息")
            return None
        return r

    #计算与当前用户的距离，获得最临近的用户
    def nearstUser(self,username,n=1):
        distances={}#用户，相似度
        for otherUser,items in self.data.items():#遍历整个数据集
            if otherUser not in username:#非当前的用户
                distance=self.pearson(self.data[username],self.data[otherUser])#计算两个用户的相似度
                if distance is None:
                    distance = 0
                distances[otherUser]=distance
        sortedDistance=sorted(distances.items(),key=operator.itemgetter(1),reverse=True)#最相似的N个用户
        print("排序后的用户为："+  str(sortedDistance))
        return sortedDistance[:n]


    #给用户推荐美食
    def recomand(self,username,n=1):
        recommand={}#待推荐的美食
        for user,score in dict(self.nearstUser(username,n)).items():#最相近的n个用户
            print("推荐的用户：%s，分数：%s"%(user,score))
            for movies,scores in self.data[user].items():#推荐的用户的美食列表
                if movies not in self.data[username].keys():#当前username没有看过
                    # print("%s为该用户推荐的美食：%s"%(user,movies))
                    if movies not in recommand.keys():#添加到推荐列表中
                        recommand[movies]=scores

        return sorted(recommand.items(),key=operator.itemgetter(1),reverse=True)#对推荐的结果按照美食评分排序

if __name__=='__main__':
    users = {'Lisa Rose': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.5,
                           'Just My Luck': 3.0, 'Superman Returns': 3.5, 'You, Me and Dupree': 2.5,
                           'The Night Listener': 3.0},

             'Gene Seymour': {'Lady in the Water': 3.0, 'Snakes on a Plane': 3.5,
                              'Just My Luck': 1.5, 'Superman Returns': 5.0, 'The Night Listener': 3.0,
                              'You, Me and Dupree': 3.5},

             'Michael Phillips': {'Lady in the Water': 2.5, 'Snakes on a Plane': 3.0,
                                  'Superman Returns': 3.5, 'The Night Listener': 4.0},

             'Claudia Puig': {'Snakes on a Plane': 3.5, 'Just My Luck': 3.0,
                              'The Night Listener': 4.5, 'Superman Returns': 4.0,
                              'You, Me and Dupree': 2.5},

             'Mick LaSalle': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0,
                              'Just My Luck': 2.0, 'Superman Returns': 3.0, 'The Night Listener': 3.0,
                              'You, Me and Dupree': 2.0},

             'Jack Matthews': {'Lady in the Water': 3.0, 'Snakes on a Plane': 4.0,
                               'The Night Listener': 3.0, 'Superman Returns': 5.0, 'You, Me and Dupree': 3.5},

             'Toby': {'Snakes on a Plane': 4.5, 'You, Me and Dupree': 1.0, 'Superman Returns': 4.0}
             }

    userCf=UserCf(data=users)
    recommandList=userCf.recomand('Toby', 2)
    print("最终推荐：")
    for r in recommandList:
        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👇🏻