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）✅

1、项目介绍

技术栈
Python语言、Django框架、MySQL数据库、协同过滤推荐算法（基于用户与基于物品）、Echarts可视化工具、HTML前端技术，用于构建旅游推荐系统并实现数据可视化展示。

功能模块
· 首页——旅游景点排序
· 旅游景点详情页——点赞、收藏、评分、景点详情信息
· 基于用户推荐、基于物品推荐
· 景点评分与数量分析
· 景点词云图分析
· 旅游景点年份分析
· 省份占比分析
· 旅游景点分类
· 个人中心——我的收藏、评论、评分
· 后台数据管理

项目介绍
本系统采用Python语言开发，基于Django框架构建后端服务，结合MySQL数据库进行数据存储与管理。系统核心运用协同过滤推荐算法，包含基于用户与基于物品两种推荐策略，通过分析用户历史行为数据计算相似度，实现个性化的旅游景点推荐。前端页面使用HTML与Bootstrap框架搭建，配合Echarts可视化工具展示多维度数据分析结果，包括景点评分分布、词云热度、年份趋势、省份占比等图表。系统涵盖用户注册登录、景点浏览检索、评分收藏评论、个性化推荐、后台数据管理等功能模块，旨在帮助用户在繁杂的旅游信息中快速定位感兴趣的内容，提升信息获取效率与用户体验。

2、项目界面

（1）首页—旅游景点排序
该旅游推荐系统页面包含景点热度排序展示、热门旅游景点列表、基于用户的个性化旅游景点推荐、搜索功能、标签导航及数据可视化入口等功能模块，可实现旅游景点的浏览、检索与个性化推荐等相关操作。

（2）旅游景点详情页—点赞、收藏、评分、景点详情信息
该旅游推荐系统景点详情页面包含景点基本信息展示、收藏功能、景点评分与标签展示、景点介绍文本展示、基于物品的推荐景点模块、基于用户的推荐景点模块、热门旅游景点列表及搜索功能等模块，可实现景点信息浏览、收藏及相关推荐等操作。

（3）基于用户推荐、基于物品推荐
该旅游推荐系统页面包含基于物品的旅游景点推荐、基于用户的旅游景点推荐、评论输入与提交功能以及评论展示模块，同时保留了热门旅游景点列表与搜索功能，可实现景点相关推荐、用户评论互动等操作。

（4）景点评分与数量分析
该旅游推荐系统数据可视化页面包含双轴折线柱状图展示功能，可同时呈现各地区景点数量与景点评分的分布情况，还具备搜索功能与页面导航入口，能直观展示旅游数据的区域分布与评分关联。

（5）景点词云图分析
该旅游推荐系统数据可视化页面包含旅游景点词云展示功能，以词云形式直观呈现各旅游景点的热度分布，同时具备搜索功能与页面导航入口，可帮助用户快速把握热门旅游景点及整体旅游热点分布情况。

（6）旅游景点年份分析
该旅游推荐系统数据可视化页面展示了不同年份旅游景点上架数量的折线图，可呈现各年度景点数量的变化趋势，同时配有搜索功能和页面导航入口，能直观反映旅游景点资源的投放增长与波动情况。

（7）省份占比分析
该旅游推荐系统数据可视化页面包含各省份景点数量占比的饼图展示功能，可直观呈现不同省份的景点资源分布情况，同时配有搜索功能和页面导航入口，便于用户快速了解各区域旅游资源的占比情况。

（8）旅游景点分类
该旅游推荐系统页面包含旅游景点按地区分类展示、热门旅游景点列表、基于用户的个性化旅游景点推荐及搜索功能模块，可实现按地区筛选景点、浏览热门景点、获取个性化推荐等相关操作。

（9）个人中心----我的收藏、评论、评分
该旅游推荐系统个人信息页面包含用户基本信息展示、我的收藏、我的评论、我的评分的功能入口，以及账号信息修改与重置功能，同时保留热门旅游景点列表、基于用户的个性化推荐和搜索功能，可实现个人账号管理与旅游相关操作。

（10）后台数据管理
该旅游推荐系统后台管理页面包含偏好、旅游景点、标签、用户、评分信息、评论、评论点赞等功能的快捷操作入口及侧边栏导航模块，可实现对系统内各类旅游相关数据与用户信息的管理操作。

3、项目说明

一、技术栈简要说明
本系统采用Python语言作为核心开发语言，基于Django框架构建后端服务架构，处理业务逻辑与数据交互。使用MySQL数据库进行用户信息、景点数据、评分评论等内容的存储与管理。推荐算法层面运用协同过滤技术，包含基于用户与基于物品两种策略，通过相似度计算实现个性化推荐。前端页面采用HTML搭建结构，结合Bootstrap框架实现响应式布局，并借助Echarts可视化库完成多维度数据图表的展示。

二、功能模块详细介绍
· 首页——旅游景点排序
该模块作为系统主入口，集成景点热度排序展示功能，按热度高低呈现热门旅游景点列表。页面同时包含基于用户的个性化旅游景点推荐区域，根据当前用户历史行为推送可能感兴趣的景点。搜索功能支持关键词检索，标签导航便于快速筛选分类，数据可视化入口可跳转至数据分析页面，整体实现景点浏览、检索与个性化推荐的一体化操作。

· 旅游景点详情页——点赞、收藏、评分、景点详情信息
该模块聚焦单个景点的详细信息展示，包含景点名称、图片、地理位置、简介等基本信息。用户可对景点进行收藏操作，并为其评分或添加标签。页面下方展示景点详细介绍文本，同时设有基于物品的推荐景点模块与基于用户的推荐景点模块，根据当前景点或用户行为推荐相似内容。热门旅游景点列表与搜索功能辅助用户继续探索其他景点。

· 基于用户推荐、基于物品推荐
该模块集中呈现两种协同过滤算法的推荐结果。基于物品的旅游景点推荐根据用户历史评分的相似物品生成推荐列表，基于用户的旅游景点推荐则寻找相似用户偏好的景点进行推送。页面同时集成评论输入与提交功能，用户可对推荐结果发表看法，已提交的评论在下方区域滚动展示，形成推荐与互动的闭环体验。

· 景点评分与数量分析
该可视化模块采用双轴折线柱状图形式，在同一坐标系中同时呈现各地区景点数量与景点评分的分布情况。柱状图展示景点数量，折线图展示平均评分，直观反映区域旅游资源丰富程度与质量水平的关联性。页面保留搜索功能与导航入口，便于用户切换分析维度。

· 景点词云图分析
该模块通过词云图技术，对系统中所有景点名称或相关标签进行词频统计与可视化呈现。出现频率越高的景点在词云中字号越大、位置越醒目，帮助用户快速把握热门旅游景点及整体旅游热点分布趋势。页面同时配备搜索功能与导航入口，提升使用便捷性。

· 旅游景点年份分析
该可视化模块以折线图形式展示不同年份旅游景点上架数量的变化趋势。横轴为年份，纵轴为新增景点数量，可直观呈现各年度景点资源的投放节奏与增长波动情况，辅助管理者了解平台内容扩充的历史轨迹。搜索功能与导航入口同步保留。

· 省份占比分析
该模块采用饼图形式展示各省份景点数量在总量中的占比情况。每个省份对应一个扇形区域，比例大小反映其景点资源丰富程度，便于用户快速了解全国旅游资源的区域分布格局。页面同时配有搜索功能与导航入口。

· 旅游景点分类
该模块支持按地区分类筛选旅游景点，用户可通过地区标签快速定位特定区域的景点列表。页面同时保留热门旅游景点列表与基于用户的个性化旅游景点推荐区域，兼顾分类浏览与个性推荐的双重需求，搜索功能辅助精确查找。

· 个人中心——我的收藏、评论、评分
该模块为用户个人信息管理页面，集中展示用户基本信息，并设有我的收藏、我的评论、我的评分三个功能入口，分别查看用户已收藏的景点、已发表的评论以及已给出的评分记录。账号信息修改与重置功能支持用户更新个人资料。页面同时保留热门旅游景点列表、基于用户的个性化推荐和搜索功能，实现个人管理与旅游操作的统一。

· 后台数据管理
该模块为系统管理端，提供偏好设置、旅游景点管理、标签管理、用户管理、评分信息管理、评论管理、评论点赞管理等功能的快捷操作入口。侧边栏导航模块清晰划分各类管理任务，管理员可对系统内所有旅游相关数据与用户信息进行增删改查操作，保障平台内容的有序维护。

三、项目总结
本系统基于Django框架与协同过滤推荐算法，构建了一个集景点浏览、个性化推荐、数据可视化与后台管理于一体的旅游智能推荐平台。系统通过基于用户与基于物品的双重推荐策略，结合搜索、分类、排序等功能，帮助用户在丰富旅游信息中精准定位兴趣内容。多维度可视化图表直观呈现景点分布、评分趋势与热度特征，为平台运营与用户决策提供数据参考。后台管理模块保障数据维护效率，整体形成从用户交互到内容管理的完整闭环。

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👇🏻