基于Django与大模型的智能美食推荐系统设计与实现

1. 项目概述：当美食遇上AI大模型

这个毕业设计项目本质上是一个融合了传统Web开发与前沿AI技术的智能推荐系统。核心思路是通过Django框架搭建基础架构，利用大语言模型处理非结构化菜谱数据，最终实现个性化的美食推荐服务。我去年指导过类似项目，实测发现这种技术组合既能满足学术要求，又具备实际商业应用价值。

系统主要解决三个痛点：一是传统推荐系统难以理解菜谱中的隐含特征（如"入口即化"这样的口感描述）；二是冷启动问题（新用户无历史数据时的推荐质量）；三是多维度推荐需求（既要考虑食材搭配，又要兼顾烹饪难度和用户偏好）。通过大模型的语义理解能力，我们可以把"妈妈的味道"这种抽象需求转化为具体的菜品特征向量。

2. 技术架构设计

2.1 整体技术栈选型

基础框架选择Django而非Flask或FastAPI，主要考虑三点：一是内置的Admin后台非常适合快速构建数据管理界面（菜谱审核功能可以直接复用）；二是ORM对复杂数据关系的支持（菜谱-食材-用户的多对多关系）；三是毕业设计对完整性的要求（Django自带用户认证、表单验证等开箱即用的功能）。

大模型方案采用"API调用+本地微调"的混合模式：

• 通用语义理解使用现成API（如OpenAI或国产大模型）
• 领域适配通过LoRA技术在消费级GPU上微调
• 部署使用vLLM优化推理速度

数据库选用PostgreSQL而非MySQL，因其对JSON字段和向量搜索的支持更好（pgvector扩展可以直接存储菜品特征向量）。

2.2 核心数据处理流程

1. 数据采集层：

   • 爬取主流菜谱网站的HTML（BeautifulSoup）
   • 解析非结构化文本（大模型提取食材、步骤、口味等结构化字段）
   • 人工标注少量精品菜谱用于微调（约500条）

2. 特征工程层：

   • 文本嵌入：使用all-MiniLM-L6-v2模型生成菜品描述向量
   • 视觉特征：CLIP模型处理菜品图片（如有）
   • 知识图谱：构建食材-功效-禁忌关系网（Neo4j存储）

3. 推荐算法层：

   python复制# 混合推荐策略示例
   def hybrid_recommend(user):
       # 协同过滤（基于用户行为）