机器学习：基于python旅游景点推荐系统协同过滤推荐算法爬虫技术+可视化 +Flask框架计算机毕业设计（附源码）✅

q_3548885153

1094人浏览 · 2025-02-27 23:49:59

q_3548885153 · 2025-02-27 23:49:59 发布

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：2025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：2025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、Flask框架、requests爬虫、去哪儿旅游网站、协同过滤推荐算法、HTML

旅游景点推荐系统是基于协同过滤算法的应用系统，通过分析用户的历史行为和偏好，推荐他们可能感兴趣的旅游景点。该系统使用Python编程语言，其中使用了Flask框架搭建前端界面，使用requests库进行网页爬取，以及协同过滤算法进行推荐。

Flask框架是一个轻量级的Python web框架，它简单易用、灵活可扩展。在旅游景点推荐系统中，Flask框架用于搭建用户界面，包括登录注册页面、个人信息页面、推荐结果展示页面等。通过Flask框架，用户可以方便地进行系统的使用和操作。

requests库是一个Python HTTP客户端库，用于向目标网站发送HTTP请求，并获取响应。在旅游景点推荐系统中，使用requests库来获取去哪儿旅游网站上的旅游景点数据。通过向去哪儿旅游网站发送HTTP请求，系统可以获取到景点的相关信息，包括景点名称、评分、评论等。

去哪儿旅游网站是一个知名的在线旅游平台，提供了丰富的旅游景点信息。在旅游景点推荐系统中，我们使用去哪儿旅游网站作为数据来源，获取用户的历史行为和偏好信息，包括用户的历史浏览记录、收藏记录等。通过分析这些数据，系统可以了解用户的兴趣爱好，从而为用户推荐可能感兴趣的旅游景点。

协同过滤算法是一种常用的推荐算法，它通过分析用户的行为数据，寻找与当前用户兴趣相似的其他用户或物品，从而进行推荐。在旅游景点推荐系统中，协同过滤算法用于根据用户的历史行为，计算用户之间的相似度，并基于此为用户推荐相似用户喜欢的旅游景点。系统可以根据用户的评分、浏览记录等数据，计算用户之间的相似度，并为用户生成个性化的旅游景点推荐列表。

综上所述，旅游景点推荐系统基于Flask框架搭建用户界面，使用requests库进行网页爬取，采集去哪儿旅游网站上的数据，并通过协同过滤算法进行个性化的旅游景点推荐。这个系统可以帮助用户更好地发现、了解旅游景点，并提供个性化的推荐服务，提高用户的旅游体验。

2、项目界面

（1）旅游景点详情页

在这里插入图片描述

（2）旅游景点信息
在这里插入图片描述

（3）我的收藏

在这里插入图片描述

（4）后台数据管理

在这里插入图片描述

（5）用户评论数据管理
在这里插入图片描述

（6）注册登录界面
在这里插入图片描述

（7）数据采集

在这里插入图片描述

3、项目说明

4、核心代码


#!/usr/bin/python
# -*- coding: UTF-8 -*-
from math import sqrt
import operator

#1.构建用户-->景点的倒排
def loadData(files):
    data ={};
    for line in files:
        user,score,item=line.split(",");
        data.setdefault(user,{});
        data[user][item]=score;
    return data

#2.计算
# 2.1 构造景点-->景点的共现矩阵
# 2.2 计算景点与景点的相似矩阵
def similarity(data):
    # 2.1 构造景点：景点的共现矩阵
    N={};#喜欢景点i的总人数
    C={};#喜欢景点i也喜欢景点j的人数
    for user,item in data.items():
        for i,score in item.items():
            N.setdefault(i,0);
            N[i]+=1;
            C.setdefault(i,{});
            for j,scores in item.items():
                if j not in i:
                    C[i].setdefault(j,0);
                    C[i][j]+=1;


    #2.2 计算景点与景点的相似矩阵
    W={};
    for i,item in C.items():
        W.setdefault(i,{});
        for j,item2 in item.items():
            W[i].setdefault(j,0);
            W[i][j]=C[i][j]/sqrt(N[i]*N[j]);
    return W

#3.根据用户的历史记录，给用户推荐景点
def recommandList(data,W,user,k=3,N=10):
    rank={};
    for i,score in data[user].items():#获得用户user历史记录，如A用户的历史记录为{'a': '1', 'b': '1', 'd': '1'}
        for j,w in sorted(W[i].items(),key=operator.itemgetter(1),reverse=True)[0:k]:#获得与景点i相似的k个景点
            if j not in data[user].keys():#该相似的景点不在用户user的记录里
                rank.setdefault(j,0);
                rank[j]+=float(score) * w;

    return sorted(rank.items(),key=operator.itemgetter(1),reverse=True)[0:N];

if __name__=='__main__':
    #用户，兴趣度，景点
    uid_score_bid = ['A,1,a', 'A,1,b', 'A,1,d', 'B,1,b', 'B,1,c', 'B,1,e']

    # uid_score_bid = ['5,1,5','2,1,5', '2,1,38', '2,1,40', '2,1,44', '2,1,63', '2,1,107', '2,1,6', '2,1,14', '2,1,27', '2,1,32', '2,1,56', '2,1,77', '2,1,89', '2,1,92', '2,1,94', '2,1,111', '2,1,123', '2,1,124', '4,1,9', '4,1,15', '4,1,20', '4,1,22', '4,1,85', '4,1,95', '4,1,99', '4,1,131', '4,1,5', '4,1,38', '4,1,40', '4,1,44', '4,1,63', '4,1,107', '4,1,13', '4,1,17', '4,1,58', '4,1,8', '4,1,18', '4,1,21', '4,1,26', '4,1,34', '4,1,48', '4,1,51', '4,1,64', '4,1,70', '4,1,79', '4,1,84', '4,1,101', '4,1,106', '4,1,116', '4,1,117', '4,1,119', '4,1,126', '2,1,8', '2,1,18', '2,1,21', '2,1,26', '2,1,34', '2,1,48', '2,1,51', '2,1,64', '2,1,70', '2,1,79', '2,1,84', '2,1,101', '2,1,106', '2,1,116', '2,1,117', '2,1,119', '2,1,126']
    # uid_score_bid = ['1,4,257', '1,4,62', '2,4,61', '2,4,64', '2,4,68', '2,4,67']

    data=loadData(uid_score_bid);#获得数据
    W=similarity(data);#计算景点相似矩阵
    a = recommandList(data,W,'5',5,10);#推荐
    print(a)