Python智能旅游推荐系统实战：协同过滤与Flask完整实现

简介：基于Python的智能旅游推荐系统毕业设计资料包，面向计算机专业学生、Python开发者和旅游平台研发人员，提供从协同过滤等推荐算法、数据库设计到前后端工程实现的完整参考，可直接用于毕业设计或课程实训。压缩包共800个文件、约24.55MB，含45个Python源码与40个pyc编译文件、53个Vue组件、53个HTML页面及配套CSS/JS，另有SQL数据库脚本、论文docx和配置txt等说明文档，文件类型覆盖后端算法、前端界面、数据脚本与文档素材，便于按目录整体还原项目。目前已有224人学习下载。配套毕业论文覆盖系统设计、技术选型与实验验证，详细阐述数据采集、特征处理、推荐算法选型及评估指标；说明文档给出环境配置、依赖库清单和常见排错思路，内置安装、运行、构建批处理脚本可快速启动；模块化设计便于二次扩展，前端页面和可视化图表也适合答辩演示。

1. 智能旅游推荐系统翻车，多半不是挂在算法上

毕业设计选「Python + 智能旅游推荐系统」这个组合的同学，十有八九一开始都在研究协同过滤和相似度算法，总觉得把推荐算法写得越复杂越能体现水平。等真正开始拼装项目，才发现最大的坑根本不是算法，而是数据从哪来、格式怎么对齐、评分矩阵怎么构建。我见过太多人卡在 pandas 处理一张几千行的 csv 上，一卡就是两天，最后草草用随机数填充交差。这篇就按毕设实际交付的顺序来拆：数据准备、协同过滤实现、Flask 接口落地、效果验证四件事，串成一条从零到能答辩的完整链路。适合正在做选题的信息类、管理类学生，也适合想快速搭一个推荐 Demo 验证想法的工程师照着抄。

2. 智能旅游推荐系统的数据准备：从原始表到评分矩阵

2.1 毕设数据集选型：公开数据、模拟数据还是爬虫

智能旅游推荐系统的数据，业内公开的惯例做法是模仿 MovieLens 那套三表结构：用户表（users）、物品表（attractions）、评分表（ratings）。这个结构的好处是几乎所有推荐算法代码都能直接套用——评分表维护 user_id、item_id、rating 三个核心字段，算法层不关心景点长什么样，只关心编号。很多毕设源码里已经带了 CSV 格式的数据文件，但如果你拿到的数据或者自己造的数据不规范，后面全盘皆输。

关于数据来源，常见有三条路。第一是找公开数据集换肤，把电影的 item_id 映射成景点，评分字段不变，这是成本最低的方案，缺点是答辩时容易被问到「你的数据是怎么采集的」。第二是写脚本模拟生成用户和评分，适合你明确知道业务想表达什么场景（比如城市周边游、亲子游、老年团），我一般建议用这种方式保底。第三是爬虫，只采集公开可访问的数据，注意频次和内容边界，毕设场景下适度使用即可。

2.2 用 pandas 把三张原始表拼成评分矩阵

无论数据来自哪条路，最终都要把三张表喂给推荐算法。推荐算法不认文本描述，只认矩阵，所以核心转换动作就是构建「用户-景点评分矩阵」，行是用户，列是景点，单元格是评分。下面这段代码是用 pandas 实现转换的标准写法，也是毕设里复用率最高的片段。

import pandas as pd # 读三张原始表，编码用 utf-8 指定以防乱码 users = pd.read_csv('users.csv', encoding='utf-8') attractions = pd.read_csv('attractions.csv', encoding='utf-8') ratings = pd.read_csv('ratings.csv', encoding='utf-8') # 合并成一张宽表，便于查看和调试 merged = ratings.merge(users, on='user_id').merge(attractions, on='item_id') # 用户-景点评分矩阵：空值即该用户未评分 rating_matrix = ratings.pivot_table( index='user_id', columns='item_id', values='rating' ) # 把评分统一成 1-5 的整数，去掉异常值 rating_matrix = rating_matrix.applymap(lambda x: int(x) if pd.notna(x) else x) # 稀疏度检查：矩阵中非空占比 sparsity = 1 - (rating_matrix.notna().sum().sum() / rating_matrix.size) print(f'评分矩阵形状: {rating_matrix.shape}，稀疏度: {sparsity:.2%}')

逻辑说明：pivot_table是这里的主心骨，values='rating'指定用评分列填充交叉格，某个用户没评过某个景点就留下 NaN，这正是协同过滤需要处理的缺失值。注意稀疏度打印出来大概率是 90% 以上，这不是数据坏了，而是正常现象——一个用户怎么可能玩过几百个景点。后面做相似度计算时，这些 NaN 会被过滤掉而不是当成 0 分。

2.3 评分稀疏对后续算法的影响

矩阵太稀疏，直接后果是相似度计算结果不稳定。假设用户 A 和用户 B 共同评过的景点只有 1 个，算出来的相似度就算接近 1，可信度也很低。毕设里应对稀疏的常见做法有两个：一是设定「共同评分数量下限」，比如至少共同评过 3 个景点才计算相似度，否则记为 0；二是在算相似度时用「加权皮尔逊系数」给共同评分少的用户对降权。

这里给一个判断标准：如果稀疏度超过 95%，协同过滤的预测结果已经不具备参考性，这时候应该调整策略，别硬算。

3. Python 实现协同过滤：相似度计算与 Top-N 排序

3.1 毕设推荐算法选型：为什么优先做基于物品的协同过滤

协同过滤分两大类：基于用户的（User-Based）和基于物品的（Item-Based）。旅游推荐这个场景，我一般建议优先做基于物品的协同过滤。原因有两个：第一，景点的数量通常远小于用户数量，物品相似度矩阵可以提前算好存起来，推荐时直接查表，响应速度快。第二，用户的兴趣会随出行目的变化，但景点与景点的属性关系（比如「故宫」和「颐和园」都是历史人文类）相对稳定。

吉利斯定理说「用户喜欢与他历史偏好相似的物品」，基于物品的协同过滤就是抓住「物品之间的相似度」来推荐：用户给「故宫」打了 5 分，系统找出于故宫最相似的 3 个景点推荐给用户。这套逻辑在毕设答辩时也容易讲清楚，不需要铺垫复杂的数学背景。

3.2 余弦相似度与皮尔逊相关系数的 Python 实现

实际做毕设时，面对评分矩阵算相似度，最常用的不是直接套 sklearn，而是手写一版，因为手写才能应对 NaN。下面这段代码实现的是「调整余弦相似度」（Adjusted Cosine），核心思想是先对每个用户的评分做均值中心化，再算两个物品在共同被评过的用户上的相似度。

import numpy as np def adjusted_cosine_similarity(matrix, item_a, item_b): # 提取两个物品的评分列 col_a = matrix[item_a] col_b = matrix[item_b] # 只取两者都有评分的用户行 common = ~(col_a.isna() | col_b.isna()) if common.sum() < 3: return 0.0 vec_a = col_a[common].values.astype(float) vec_b = col_b[common].values.astype(float) if vec_a.std() == 0 or vec_b.std() == 0: return 0.0 # 皮尔逊相关系数：衡量两个向量线性相关程度 corr = np.corrcoef(vec_a, vec_b)[0, 1] return round(corr, 4) # 构建物品相似度矩阵（只算评分矩阵中存在的物品） items = rating_matrix.columns sim_matrix = pd.DataFrame(0.0, index=items, columns=items) for i in items: for j in items: if i >= j: continue sim = adjusted_cosine_similarity(rating_matrix, i, j) sim_matrix.loc[i, j] = sim sim_matrix.loc[j, i] = sim

逻辑说明：common.sum() < 3是刚说的共同评分数量下限，少于 3 个直接返回 0，避免小样本噪声。np.corrcoef算的是皮尔逊相关系数，它的取值范围是 -1 到 1，越接近 1 说明两个景点获得的评分模式越像。注意外层循环用i >= j跳过重复计算，把计算量减半。这段代码的时间复杂度是 O(n²)，景点数量在几百个以内完全能跑，毕设数据量不用担心性能。

3.3 预测评分公式与 Top-N 推荐生成

有了物品相似度矩阵，下一步是预测用户对未评分物品的评分。常见做法是加权求和：取用户已评分的物品，按相似度加权汇总，除以权重绝对值之和，公式为：

P(u, i) = Σ (S(i, j) × R(u, j)) / Σ |S(i, j)|

其中 S(i,j) 是物品 i 和 j 的相似度，R(u,j) 是用户 u 对物品 j 的评分。分母用绝对值是为了避免正负相似度抵消。下面这段代码生成用户的 Top-N 推荐列表。

def recommend_top_n(user_id, rating_matrix, sim_matrix, top_n=5): user_ratings = rating_matrix.loc[user_id] # 用户还没评过分的物品，作为候选推荐池 candidates = user_ratings[user_ratings.isna()].index # 用户已评分的物品及对应分数 rated_items = user_ratings.dropna() scores = {} for cand in candidates: # 候选物品与所有已评分物品的相似度 sims = sim_matrix[cand].loc[rated_items.index] # 只取正相似度，负相似度表示不相关，过滤掉 positive_mask = sims > 0 if positive_mask.sum() == 0: continue numerator = (sims[positive_mask] * rated_items[positive_mask]).sum() denominator = sims[positive_mask].abs().sum() scores[cand] = round(numerator / denominator, 3) if not scores: return pd.Series(dtype=float) # 按预测分从高到低排序，取前 top_n 个 top = pd.Series(scores).sort_values(ascending=False).head(top_n) return top # 调用示例：给用户 1 推荐 5 个景点 recommendations = recommend_top_n(1, rating_matrix, sim_matrix, top_n=5) print(recommendations)

逻辑说明：候选池是用户没有评过分的所有物品，这一步保证了推荐结果不会推荐用户已经去过的景点。positive_mask = sims > 0把负相似的物品剔除掉，只保留有正向参考价值的物品。最终排序用的sort_values(ascending=False)取预测分数最高的前 5 个。这个方法的效果上限取决于相似度矩阵的质量，第 5 章会讲怎么量化验证。

3.4 推荐效果评估：MAE、RMSE 和覆盖率

推荐系统做得怎么样，不能靠肉眼感觉，要量化。毕设论文里最常见的评估指标有三个：MAE（平均绝对误差）、RMSE（均方根误差）和覆盖率。MAE 衡量预测评分与真实评分的平均差距，RMSE 对大误差的惩罚更狠，覆盖率衡量推荐列表覆盖了多少物品。

这三个指标的计算代码将在第 5 章和验证脚本一起给出，因为它们必须跑在同一份测试集上才有意义。现在先把推荐算法的主体逻辑立住，接下来把它接成 Web 服务。

4. 智能旅游推荐系统落地：Flask 接口与冷启动兜底

4.1 Flask 最小推荐接口与 curl 验证

推荐算法在 Jupyter Notebook 里跑通只是第一步，毕设要交付的是一个能打开网页操作的系统。常见做法是用 Flask 包一层 HTTP 接口，前端页面通过 AJAX 调用接口拿推荐结果。如果只做打包，有时候需要考虑加密、完整性校验，行业合规需求下要配置合适的打包工具。下面给出最小可用的 Flask 推荐接口，代码量不长但五脏俱全。

from flask import Flask, jsonify, request import pandas as pd app = Flask(__name__) # 启动时加载数据，避免每次请求都重新读文件 rating_matrix = pd.read_csv('rating_matrix.csv', index_col=0) sim_matrix = pd.read_csv('sim_matrix.csv', index_col=0) @app.route('/recommend', methods=['GET']) def recommend(): user_id = request.args.get('user_id', type=int) top_n = request.args.get('top_n', default=5, type=int) if user_id not in rating_matrix.index: return jsonify({'error': 'user not found'}), 404 # 走协同过滤主流程 result = recommend_top_n(user_id, rating_matrix, sim_matrix, top_n) if result.empty: # 冷启动兜底：基于景点属性的内容推荐 result = content_based_fallback(user_id, top_n) return jsonify({ 'user_id': user_id, 'recommendations': result.index.astype(str).tolist(), 'scores': result.values.tolist() }) if __name__ == '__main__': app.run(debug=True, port=5000)

参数说明：user_id是必传参数，top_n默认 5，type=int会让 Flask 自动做类型转换，传非数字会返回 400 而不是 500，这个小细节答辩时能加分。把rating_matrix和sim_matrix放在函数外加载，是因为每次请求都读 CSV 会拖慢响应，而且矩阵属于静态数据，不需要热更新。启动后访问http://127.0.0.1:5000/recommend?user_id=1&top_n=5就能看到 JSON 结果，用 curl 验证更直观：

curl "http://127.0.0.1:5000/recommend?user_id=1&top_n=5"

4.2 冷启动场景：基于景点标签的内容推荐兜底

协同过滤有一个先天缺陷：新用户没有评分记录，无法算相似度。毕设里不能回避这个问题，因为答辩老师必然会问「一个新用户注册后，你给他推荐什么」。常见做法是补一条「基于内容」的推荐路：给每个景点打标签，比如「历史人文」「自然风光」「亲子」「美食街区」，新用户注册时勾选感兴趣的主题，系统按标签匹配景点。

下面给出简化版实现：

def content_based_fallback(user_id, top_n): # 取该用户偏好标签，实际项目中存在用户表里 prefer_tags = ['历史人文', '自然风光'] # 景点表带 tags 字段，多个标签用逗号分隔 attractions = pd.read_csv('attractions.csv', encoding='utf-8') # 计算全景点与用户偏好的标签重合度 attractions['tag_hit'] = attractions['tags'].apply( lambda s: len(set(str(s).split(',')) & set(prefer_tags)) ) # 按命中数排序，取前 top_n top = attractions[attractions['tag_hit'] > 0] top = top.sort_values('tag_hit', ascending=False).head(top_n) top_scores = top['tag_hit'] / len(prefer_tags) return pd.Series(top_scores.values, index=top['item_id'], name='score')

逻辑说明：tag_hit计算的是景点标签与用户偏好标签的交集大小，排序后取前 N 个返回。这里的评分逻辑没有用到真正的评分数据，所以只是兜底方案。实际毕设中建议把这个函数挂在/recommend接口的冷启动分支上，即user_id合法但无评分时触发，不要让用户看到空推荐列表。

4.3 说明文档与论文结构怎么对应源码

毕设交付物里的说明文档和论文，核心不是写代码怎么实现，而是写「系统怎么设计、为什么这么设计」。我在整理自己项目时总结了这几组对应关系。

说明文档里建议放一张系统的架构图，将请求流转写成「前端页面 → Flask 路由 → 推荐引擎 → 数据层」四层结构。不要贴全部代码，挑核心函数各贴 10-20 行并配文字说明就够，论文查重时代码一多反而容易被标红。

5. 用留一法验证推荐质量：把 MAE 压到 0.8 的调参技巧

5.1 留一法评估脚本：每次留一个评分当测试集

留一法（Leave-One-Out）是毕设里最容易被认可的评价方案：对每个用户的评分序列，每次留出一个评分当作「未知」，用其余评分去预测它，最后累计所有预测值与真实值的差值。它能最大化利用有限的数据，缺点是计算量大，但毕设的数据量完全撑得住。评估脚本实现如下。

import numpy as np def leave_one_out_evaluate(rating_matrix, sim_matrix): errors = [] coverage_items = set() total_items = len(rating_matrix.columns) for user_id in rating_matrix.index: user_ratings = rating_matrix.loc[user_id].dropna() for item_id, true_rating in user_ratings.items(): # 把当前评分挖掉，用剩余数据重新构建该用户的预测 reduced = rating_matrix.loc[user_id].drop(index=item_id) # 若剩余评分不足（比如少于3个），跳过该样本 if len(reduced) < 3: continue # 复用预测逻辑：计算带预测分 sims = sim_matrix[item_id].loc[reduced.index] positive_mask = sims > 0 if positive_mask.sum() < 1: continue numerator = (sims[positive_mask] * reduced[positive_mask]).sum() denominator = sims[positive_mask].abs().sum() pred = numerator / denominator errors.append(abs(pred - true_rating)) coverage_items.add(item_id) mae = np.mean(errors) if errors else 999 rmse = np.sqrt(np.mean(np.square(errors))) if errors else 999 coverage = len(coverage_items) / total_items return {'MAE': round(mae, 3), 'RMSE': round(rmse, 3), 'coverage': round(coverage, 3)} # 执行评估 metrics = leave_one_out_evaluate(rating_matrix, sim_matrix) print(metrics)

逻辑说明：drop(index=item_id)模拟了「用户还没去过这个景点」的状态，再走一遍和第 3 章相同的加权求和逻辑，拿到预测值后与真实值true_rating做差值。coverage_items用来累计至少被成功预测过一次的物品 ID，覆盖率能直接反映推荐结果有没有卡在少数头部景点上。跑完如果 MAE 在 0.8 以下，说明系统的预测精度基本过关。

5.2 参数调试技巧：k 值与相似度阈值的配合

留一法跑出来的指标不是一次就合格的，需要调参。协同过滤两个直接影响结果的参数是「相似度阈值」（第 2 章提到的共同评分下限）和「最终推荐条数 k」。前者控制相似度可信度，后者控制推荐列表的多样性。我常用的调参顺序是固定 k，逐步提高相似度阈值，观察 MAE 的下降趋势，找到拐点即可。

调参时的验证技巧是把recommend_top_n里top_n分别跑 3、5、8，再把指标贴进论文的测试章节，形成对比表格。真正拉高 MAE 的往往不是算法本身，而是评分矩阵里存在「用户只评过一个景点」的极端行，这类行会在留一法中被跳过，但如果跳过的样本太多，评估本身就失真了。我一般会先把评分少于 5 条的用户过滤掉，再跑评估，得到的数据才是系统正常状态下的真实水平。用一句概括这个验证思路：评估脚本和推荐逻辑共用一个预测核心函数，调哪里、效果怎么样，一眼就能看明白。

本文还有配套的精品资源，点击获取