Moral Choices1. 项目概述
这个基于Python和Django的新闻推荐系统是我最近完成的一个毕业设计项目，它实现了从数据采集到个性化推荐的完整闭环。系统最大的亮点在于采用了协同过滤算法作为核心推荐引擎，同时结合热门推荐策略解决冷启动问题。作为一个完整的Web应用，它包含了前后台所有必要的功能模块，非常适合作为计算机相关专业的毕业设计选题。
我在开发过程中特别注重系统的实用性和可扩展性。前端采用Django模板引擎结合Bootstrap框架，确保界面美观且响应迅速；后端使用Django ORM高效操作MySQL数据库；推荐算法部分则通过Python原生实现，不依赖第三方库，方便理解和修改。整个项目代码量约5000行，涵盖了Web开发的各个环节。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构解析
2.1 整体架构设计
系统采用经典的MVC架构模式，分为表现层、业务逻辑层和数据访问层：
- 表现层：Django模板引擎渲染HTML页面，集成Echarts实现数据可视化
- 业务逻辑层：Django视图函数处理请求，协同过滤算法实现推荐逻辑
- 数据访问层：Django ORM操作MySQL数据库，Redis缓存热点数据
这种分层设计使得系统各模块职责明确，耦合度低，便于后期维护和功能扩展。我在架构设计时特别考虑了性能问题，对高频访问的新闻列表和用户偏好数据做了缓存优化。
2.2 技术选型考量
选择Django框架主要基于以下几个考虑：
- Django自带Admin后台，可以快速构建管理系统
- ORM简化数据库操作，避免SQL注入风险
- 完善的中间件支持，方便实现权限控制等通用功能
- 活跃的社区和丰富的第三方库生态
对于推荐算法，我选择自己实现协同过滤而不是用现成的库（如Surprise），主要是为了：
- 更深入理解算法原理
- 方便根据业务需求定制算法
- 避免引入不必要的依赖
3. 核心功能实现
3.1 用户行为采集模块
系统通过多个渠道收集用户行为数据：
- 显式反馈：评分（1-5星）、收藏、点赞
- 隐式反馈：浏览时长、点击流、搜索关键词
这些数据存储在MySQL的user_preference表中，结构如下：
| 字段名 | 类型 | 说明 |
|---|---|---|
| id | INT | 主键 |
| user_id | INT | 用户ID |
| news_id | INT | 新闻ID |
| preference | FLOAT | 偏好值(0-5) |
| create_time | DATETIME | 创建时间 |
采集到的数据会经过清洗和归一化处理，然后用于推荐算法计算。
3.2 推荐算法实现
3.2.1 协同过滤算法
系统实现了基于用户的协同过滤(UserCF)，核心步骤如下：
- 计算用户相似度（余弦相似度）：
python复制def user_similarity(user1, user2):
# 获取两个用户都有评分的新闻集合
common_news = se