Python 协同过滤算法 Django 餐厅推荐系统

协同过滤算法基础

协同过滤分为基于用户的协同过滤（User-Based CF）和基于物品的协同过滤（Item-Based CF）。核心思想是通过用户历史行为数据（如评分、点击）计算相似度，预测未评分项目的偏好。

• 相似度计算：常用余弦相似度、皮尔逊相关系数。
  • 余弦相似度公式： [ \text{sim}(u, v) = \frac{\sum_{i \in I_{uv}} r_{ui} \cdot r_{vi}}{\sqrt{\sum_{i \in I_{u}} r_{ui}^2} \cdot \sqrt{\sum_{i \in I_{v}} r_{vi}^2}} ]
  • 皮尔逊相关系数： [ \text{sim}(u, v) = \frac{\sum_{i \in I_{uv}} (r_{ui} - \bar{r}u)(r{vi} - \bar{r}v)}{\sqrt{\sum{i \in I_{uv}} (r_{ui} - \bar{r}u)^2} \cdot \sqrt{\sum{i \in I_{uv}} (r_{vi} - \bar{r}_v)^2}} ]
• 评分预测：加权平均用户或物品的相似评分。

Django 系统架构设计

采用 MTV（Model-Template-View）模式，核心模块包括用户管理、餐厅数据、评分记录和推荐引擎。

数据模型（models.py 示例）：

from django.db import models

class User(models.Model):
    username = models.CharField(max_length=100)
    # 其他字段如地理位置、饮食偏好

class Restaurant(models.Model):
    name = models.CharField(max_length=200)
    cuisine_type = models.CharField(max_length=100)
    # 其他字段如评分、价格区间

class Rating(models.Model):
    user = models.ForeignKey(User, on_delete=models.CASCADE)
    restaurant = models.ForeignKey(Restaurant, on_delete=models.CASCADE)
    score = models.FloatField()
    # 用户评分（1-5 分）

推荐引擎实现

使用 Python 的 scikit-surprise 或 pandas 库实现协同过滤算法。

基于用户的 CF 示例代码：

import pandas as pd
from sklearn.metrics.pairwise import cosine_similarity

def user_based_cf(target_user_id, ratings_df):
    # 构建用户 - 餐厅评分矩阵
    user_restaurant_matrix = ratings_df.pivot_table(index=, columns=, values=)
    user_similarity = cosine_similarity(user_restaurant_matrix.fillna())
    
    target_user_idx = user_restaurant_matrix.index.get_loc(target_user_id)
    similar_users = user_similarity[target_user_idx].argsort()[-:-]
    
    
    similar_users_ratings = user_restaurant_matrix.iloc[similar_users]
    predicted_scores = similar_users_ratings.mean(axis=)
     predicted_scores.sort_values(ascending=).head()