1. 项目背景与核心价值
校园食堂每天要接待数千名师生就餐,但面对几十个档口和上百种菜品,选择困难症成了普遍现象。去年我在母校做调研时发现,超过70%的学生每天要花10分钟以上决定吃什么,而其中近半数人最终选择了"最保险"的常吃菜品。这促使我开发了这套基于协同过滤算法的校园美食推荐系统,用数据帮师生发现隐藏的美食。
系统采用Vue.js作为前端框架,配合Python后端的推荐算法,实现了三大核心功能:
- 个性化推荐:根据用户历史行为推荐可能喜欢的新菜品
- 相似用户发现:找到口味相近的用户群体
- 热门趋势展示:实时呈现各档口的受欢迎程度
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. 技术架构设计
2.1 整体技术栈选型
前端选择Vue 3 + Element Plus的组合主要考虑三点:
- 组件化开发适合频繁迭代的校园应用
- 轻量级框架对校园网环境更友好
- 丰富的UI库能快速搭建管理后台
后端采用Flask框架,相比Django更轻量化。数据库使用MySQL存储用户基础数据,Redis缓存实时访问记录。算法服务单独部署,通过gRPC与主服务通信。
2.2 协同过滤算法实现
采用改进的Item-CF算法,核心公式如下:
code复制相似度计算:
sim(i,j) = ∑(u∈U)(r_u,i - r̄_i)(r_u,j - r̄_j) /
√[∑(u∈U)(r_u,i - r̄_i)²]√[∑(u∈U)(r_u,j - r̄_j)²]
预测评分:
p_u,i = r̄_i + ∑(j∈N(i))sim(i,j)(r_u,j - r̄_j)/∑(j∈N(i))|sim(i,j)|
实际开发中做了三点优化:
- 引入时间衰减因子,近期的评分权重更高
- 对冷启动菜品采用内容相似度补充
- 设置相似度阈值,过滤无关菜品关联
3. 关键功能实现细节
3.1 用户行为数据采集
设计了三类埋点事件:
javascript复制// 菜品浏览事件
trackEvent('view', {
dish_id: 123,
window_id: 5,
stay_duration: 15000 // 毫秒
});
// 评分事件
trackEvent('rate', {
dish_id: 12
