每年到了畢業(yè)設(shè)計(jì)選題季節(jié)最常被問到的就是“做什么題目既好過又能學(xué)到東西”。如果你正琢磨著把Python、推薦算法、Web框架湊到一個(gè)項(xiàng)目里那“基于協(xié)同過濾的租房推薦系統(tǒng)”這個(gè)方向確實(shí)值得認(rèn)真考慮一下。它既有算法含量的體現(xiàn)又有Web工程的可視化呈現(xiàn)數(shù)據(jù)層面還能撐起“大數(shù)據(jù)分析”的描述一套組合拳打下來無論用于課程設(shè)計(jì)還是畢業(yè)設(shè)計(jì)從開題到答辯都拿得出手。這篇文章我就從零開始拆解這個(gè)系統(tǒng)的完整實(shí)現(xiàn)思路。說句實(shí)在話這類項(xiàng)目網(wǎng)上同名源碼不少但真正把協(xié)同過濾算法講清楚、把Django工程細(xì)節(jié)寫到位的并不多。為了讓你少踩幾個(gè)坑我會(huì)把需求拆分、算法核心、模型設(shè)計(jì)、可視化接入以及常見的報(bào)錯(cuò)和排查經(jīng)驗(yàn)一并整理出來你可以把它當(dāng)成一份可以直接動(dòng)手跟做的實(shí)操筆記。1. 項(xiàng)目定位與整體設(shè)計(jì)思路1.1 為什么選“租房推薦”作為畢設(shè)方向租房的本質(zhì)是“在特定價(jià)格區(qū)間和地理范圍內(nèi)找一套合適的房子”這個(gè)場(chǎng)景非常適合套用推薦系統(tǒng)。大多數(shù)同學(xué)選電商推薦或電影推薦這些題目太常見答辯老師看一眼目錄就知道是抄的框架。租房推薦有幾個(gè)天然優(yōu)勢(shì)房源數(shù)據(jù)好解釋字段直觀包括價(jià)格、戶型、區(qū)域、面積、朝向、樓層、標(biāo)簽。用戶行為數(shù)據(jù)豐富一個(gè)租客在平臺(tái)上的搜索、瀏覽、收藏、預(yù)約看房、最終下單每個(gè)動(dòng)作都能映射成評(píng)分?jǐn)?shù)據(jù)。推薦結(jié)果容易驗(yàn)證系統(tǒng)推薦出來的樓盤如果落在用戶關(guān)注的價(jià)格段和區(qū)域附近合理性一眼就能看出來。另外一個(gè)重要原因是租房市場(chǎng)天然帶有強(qiáng)地域?qū)傩耘c價(jià)格敏感特征這為協(xié)同過濾算法提供了天然的稀疏但高密度局部數(shù)據(jù)結(jié)構(gòu)。你可以在答辯時(shí)說“房源數(shù)據(jù)具有長尾分布和地域聚集特征”這句話本身就是一個(gè)加分項(xiàng)。1.2 功能模塊與技術(shù)選型拆解一個(gè)完整的租房推薦系統(tǒng)核心模塊可以劃分為四層數(shù)據(jù)層用戶表、房源表、行為記錄表評(píng)分/收藏/瀏覽、相似度結(jié)果緩存表。算法層構(gòu)建用戶-房源評(píng)分矩陣通過協(xié)同過濾算法計(jì)算相似度生成TopN推薦列表。應(yīng)用層Django Web框架包含用戶注冊(cè)登錄、房源展示、搜索篩選、詳情頁、收藏、在線評(píng)分、推薦結(jié)果展示?？梢暬瘜雍笈_(tái)統(tǒng)計(jì)面板通過圖表展示房源分布、價(jià)格區(qū)間、推薦熱門、用戶活躍度等數(shù)據(jù)指標(biāo)。技術(shù)選型上Python語言、Django框架、MySQL或SQLite數(shù)據(jù)庫、Pandas做數(shù)據(jù)處理、Scikit-learn或手寫協(xié)同過濾算法再加上ECharts做前端圖表展示這套組合在易用性和答辯可講性之間達(dá)到了很好的平衡妥妥是一個(gè)五臟俱全的小型數(shù)據(jù)應(yīng)用項(xiàng)目。之所以不用FastAPI或Flask是因?yàn)镈jango自帶Admin后臺(tái)、ORM和用戶認(rèn)證體系這些功能在畢業(yè)設(shè)計(jì)中幾乎是剛性的需求。與其自己搭輪子實(shí)現(xiàn)登錄和后臺(tái)管理不如直接依賴框架自帶能力把精力集中在算法層和業(yè)務(wù)層上。1.3 推薦鏈路與數(shù)據(jù)流轉(zhuǎn)整個(gè)系統(tǒng)推薦鏈路的業(yè)務(wù)流程是這樣走的用戶注冊(cè)并登錄系統(tǒng)完善自己的偏好信息比如預(yù)算區(qū)間、意向區(qū)域、期望戶型。用戶的每一次瀏覽、收藏、評(píng)分行為都會(huì)落到行為記錄表。算法模塊定時(shí)或在用戶請(qǐng)求推薦時(shí)構(gòu)建評(píng)分矩陣計(jì)算用戶與用戶之間的相似度。根據(jù)相似用戶的評(píng)分歷史預(yù)測(cè)當(dāng)前用戶對(duì)未看過的房源的評(píng)分。過濾掉用戶已經(jīng)評(píng)分或已經(jīng)排除的房源生成TopN推薦結(jié)果。可視化模塊讀取統(tǒng)計(jì)聚合數(shù)據(jù)生成圖表展示在后臺(tái)面板。這條鏈路保證了系統(tǒng)的完整性從數(shù)據(jù)采集、算法推導(dǎo)到結(jié)果展示全部打通而且每一個(gè)環(huán)節(jié)都有對(duì)應(yīng)的代碼文件和表結(jié)構(gòu)支撐答辯時(shí)講解起來很清晰。2. 協(xié)同過濾算法核心實(shí)現(xiàn)2.1 用戶評(píng)分矩陣的構(gòu)建協(xié)同過濾的基礎(chǔ)是評(píng)分矩陣行是用戶列是房源值代表用戶對(duì)房源的評(píng)分。如果用戶沒有對(duì)某套房源產(chǎn)生過行為對(duì)應(yīng)位置默認(rèn)為0或空值。實(shí)際開發(fā)中用戶不可能對(duì)大量房源評(píng)分直接讓用戶打分體驗(yàn)很差所以一般用行為映射評(píng)分。我的做法是定義這樣一套映射規(guī)則瀏覽房源一次得1分瀏覽重復(fù)只計(jì)一次。收藏房源得3分。預(yù)約看房得5分。完成租房模擬動(dòng)作得10分也可以歸一化為5分制。這樣做的好處是把原始的稀疏行為日志轉(zhuǎn)化成了有語義的評(píng)分?jǐn)?shù)據(jù)。如果你覺得這套規(guī)則說服力不夠還可以加一個(gè)時(shí)間衰減因子用戶昨天的行為比一個(gè)月前行為權(quán)重高更貼近實(shí)際場(chǎng)景。構(gòu)建評(píng)分矩陣時(shí)需要注意數(shù)據(jù)量的問題。假設(shè)系統(tǒng)里有10個(gè)用戶和200套房源評(píng)分矩陣就是10×200數(shù)據(jù)量很小。如果你自己偽造了1000個(gè)用戶和500套房子矩陣規(guī)模也就50萬級(jí)別內(nèi)存完全可以承受。需要注意的是真實(shí)生產(chǎn)環(huán)境下推薦系統(tǒng)面臨的是千萬級(jí)甚至億級(jí)矩陣但畢業(yè)設(shè)計(jì)不需要處理那類規(guī)模你可以在答辯時(shí)提一句“本系統(tǒng)針對(duì)小規(guī)模數(shù)據(jù)做了優(yōu)化大規(guī)模數(shù)據(jù)場(chǎng)景可采用矩陣分解或引入Spark、Flink等分布式計(jì)算框架”點(diǎn)到即止反而顯得你有架構(gòu)視野。2.2 余弦相似度與UserCF計(jì)算流程協(xié)同過濾分為基于用戶和基于物品兩大類這里我先把基于用戶的UserCF講透。UserCF的思路歸納起來是“人以群分”。兩個(gè)用戶如果對(duì)同一批房子的評(píng)分很接近那么他們就是相似用戶我們可以把A用戶喜歡的房源推薦給B用戶。相似度計(jì)算最常用的是余弦相似度公式是用戶u和用戶v在評(píng)分向量上的余弦夾角值。實(shí)現(xiàn)起來并不復(fù)雜import numpy as np def cosine_similarity(user_vector, other_vector): # 只取雙方都有評(píng)分的維度 mask (user_vector 0) (other_vector 0) if not mask.any(): return 0.0 u user_vector[mask] v other_vector[mask] dot np.dot(u, v) norm_u np.linalg.norm(u) norm_v np.linalg.norm(v) if norm_u 0 or norm_v 0: return 0.0 return dot / (norm_u * norm_v)拿到用戶相似度之后預(yù)測(cè)用戶u對(duì)房源p的評(píng)分做法是找到與u最相似的K個(gè)用戶這些用戶對(duì)p有過評(píng)分然后計(jì)算加權(quán)平均分。def predict_score(user_id, house_id, sim_matrix, score_matrix, top_k5): sim_scores sim_matrix[user_id] similar_users np.argsort(sim_scores)[-top_k:] total_sim 0 weighted_sum 0 for v in similar_users: if score_matrix[v, house_id] 0 and sim_scores[v] 0: weighted_sum sim_scores[v] * score_matrix[v, house_id] total_sim sim_scores[v] if total_sim 0: return 0 return weighted_sum / total_sim經(jīng)過這步計(jì)算每一個(gè)用戶對(duì)所有未看過的房源都會(huì)得到一個(gè)預(yù)測(cè)評(píng)分。選出最高分的N套房子再進(jìn)行過濾比如去掉用戶明確排除的戶型、超過預(yù)算價(jià)格的房子剩下的就是推薦列表。2.3 ItemCF與UserCF的取舍既然有了UserCF那什么時(shí)候用ItemCF這里我說一下兩者的實(shí)際差異。UserCF比較適合用戶量偏少、房源較多的小型系統(tǒng)它的推薦結(jié)果偏“個(gè)性化”能看到相似用戶的新偏好。ItemCF更適合用戶量大、物品相對(duì)穩(wěn)定的場(chǎng)景它計(jì)算的是“物品與物品之間的相似度”推薦時(shí)可以結(jié)合用戶已有行為快速給出“看了A房的人也看了B房”這類結(jié)果。在租房場(chǎng)景里用戶是頻繁變化的群體而房源數(shù)據(jù)相對(duì)穩(wěn)定從理論上看ItemCF確實(shí)有優(yōu)勢(shì)。但我在實(shí)際開發(fā)中綜合考量后還是選用了UserCF原因是畢業(yè)設(shè)計(jì)的數(shù)據(jù)規(guī)模下UserCF實(shí)現(xiàn)更直觀算法流程也更容易在答辯時(shí)用圖表講清楚。如果你想讓項(xiàng)目更豐富可以同時(shí)實(shí)現(xiàn)兩種算法在接口里設(shè)置一個(gè)算法切換開關(guān)對(duì)比推薦效果這屬于加分項(xiàng)時(shí)間充裕的同學(xué)建議做一下。2.4 冷啟動(dòng)問題的實(shí)際解法協(xié)同過濾有個(gè)天然缺陷就是冷啟動(dòng)問題。新用戶沒有任何行為記錄評(píng)分矩陣該用戶行全是0相似用戶根本找不到推薦結(jié)果自然為空。房源同理新上架的房源因?yàn)闆]有用戶評(píng)分永遠(yuǎn)不會(huì)被推薦出去。我在項(xiàng)目中用了幾條比較實(shí)用的對(duì)策針對(duì)新用戶注冊(cè)階段強(qiáng)制選擇偏好標(biāo)簽包括預(yù)算范圍、意向區(qū)域、期望戶型推薦階段先用這些標(biāo)簽做規(guī)則匹配生成“猜你喜歡”的初始列表。針對(duì)新房源設(shè)置一個(gè)“新盤專區(qū)”或者給剛上架30天的房源加固定熱度加成。兜底策略如果協(xié)同過濾計(jì)算出的推薦列表為空自動(dòng)返回全站熱門房源Top10按瀏覽量加收藏量排序。這些策略不復(fù)雜但能保證任何用戶打開推薦頁面都有內(nèi)容可看測(cè)評(píng)時(shí)不會(huì)出現(xiàn)空白頁面這在驗(yàn)收時(shí)的體驗(yàn)分提升上是決定性的。3. Django工程落地與關(guān)鍵編碼細(xì)節(jié)3.1 數(shù)據(jù)模型設(shè)計(jì)與表結(jié)構(gòu)Django的ORM讓數(shù)據(jù)建模變得非常直觀。我的models.py中自定義了用戶表、房源表、用戶行為表外加一個(gè)用于存儲(chǔ)相似度矩陣的緩存表。from django.db import models from django.contrib.auth.models import User class House(models.Model): title models.CharField(max_length128) price models.IntegerField() # 月租金單位元 area models.FloatField() # 面積單位平方米 region models.CharField(max_length32) # 所屬區(qū)域 layout models.CharField(max_length32) # 戶型如 2室1廳 orientation models.CharField(max_length16) # 朝向 tags models.CharField(max_length200, blankTrue) # 標(biāo)簽逗號(hào)分隔 image models.ImageField(upload_tohouses/, blankTrue) is_active models.BooleanField(defaultTrue) created_at models.DateTimeField(auto_now_addTrue) class UserBehavior(models.Model): user models.ForeignKey(User, on_deletemodels.CASCADE) house models.ForeignKey(House, on_deletemodels.CASCADE) action_type models.CharField(max_length16) # view/favorite/appoint/rent score models.FloatField(default0) created_at models.DateTimeField(auto_now_addTrue)把用戶行為做成一張獨(dú)立的表既是日志又參與評(píng)分計(jì)算設(shè)計(jì)上比較干凈。第一次初始化系統(tǒng)時(shí)你可以寫一個(gè)數(shù)據(jù)遷移腳本把房源Excel表批量導(dǎo)入數(shù)據(jù)庫用戶行為數(shù)據(jù)可以用腳本模擬添加幾千條保證算法有數(shù)據(jù)可跑。3.2 推薦邏輯與用戶行為采集落地推薦模塊我單獨(dú)放在一個(gè)名為recommend的App中向外暴露一個(gè)get_recommendations(user_id)的接口函數(shù)。內(nèi)部流程是從UserBehavior表取全量行為數(shù)據(jù)構(gòu)造評(píng)分矩陣。計(jì)算用戶相似度矩陣如果緩存表存在且版本未變直接讀取緩存避免重復(fù)計(jì)算。對(duì)當(dāng)前用戶執(zhí)行預(yù)測(cè)評(píng)分。排除用戶已經(jīng)互動(dòng)過的房源按預(yù)測(cè)評(píng)分排序取TopN。用戶點(diǎn)擊房源詳情時(shí)要在views.py里記錄瀏覽行為這一步驟很關(guān)鍵但經(jīng)常被忽略。我的做法是在詳情頁視圖函數(shù)里針對(duì)登錄用戶寫入一條action_type為view的記錄并在同一視圖里取一次推薦結(jié)果追加到模板上下文。這樣用戶看完詳情頁直接在頁面下方看到“為您推薦的其他房源”鏈路完整且用戶體驗(yàn)順滑。注意用戶行為寫入時(shí)同一個(gè)用戶對(duì)同一套房源多次瀏覽應(yīng)該做去重否則評(píng)分矩陣會(huì)被刷爆推薦結(jié)果也會(huì)偏向?yàn)g覽頻次高的房源失去真實(shí)參考價(jià)值。3.3 管理后臺(tái)與數(shù)據(jù)初始化Django自帶的Admin后臺(tái)是個(gè)隱藏的效率神器。我自定義了Admin配置把房源表、用戶行為表、算法參數(shù)表都注冊(cè)進(jìn)去表頭列表頁可以直接進(jìn)行搜索和篩選還可以用導(dǎo)入導(dǎo)出插件導(dǎo)入初始房源數(shù)據(jù)。在Admin里調(diào)整算法參數(shù)非常方便比如你想要修改TopN的N值或者修改最小相似用戶數(shù)閾值只需要在系統(tǒng)設(shè)置頁面改配置項(xiàng)不需要改代碼重啟服務(wù)。這個(gè)功能實(shí)現(xiàn)起來也不難class SystemConfig(models.Model): key models.CharField(max_length64, uniqueTrue) value models.CharField(max_length256)管理員在后臺(tái)修改參數(shù)后推薦模塊讀取配置再執(zhí)行計(jì)算整個(gè)算法流程就變成了可以動(dòng)態(tài)調(diào)節(jié)的配置化引擎。答辯現(xiàn)場(chǎng)演示時(shí)你可以現(xiàn)場(chǎng)把N值從5改成8然后刷新推薦頁面觀察結(jié)果變化這種互動(dòng)效果非常有說服力。3.4 數(shù)據(jù)處理與Pandas的高效操作在構(gòu)建評(píng)分矩陣時(shí)純Python寫循環(huán)雖然能跑通但代碼冗長又容易出錯(cuò)。我的建議是引入Pandas輔助處理。從UserBehavior表取出全部數(shù)據(jù)后轉(zhuǎn)成DataFrame做pivot操作就能直接得到用戶-房源評(píng)分矩陣import pandas as pd from .models import UserBehavior def build_score_matrix(): queryset UserBehavior.objects.values(user_id, house_id, score) df pd.DataFrame(list(queryset)) # 如果有重復(fù)記錄取最大值 df df.groupby([user_id, house_id]).agg({score: max}).reset_index() matrix df.pivot(indexuser_id, columnshouse_id, valuesscore).fillna(0) return matrix運(yùn)行效率上這種方法處理幾百個(gè)用戶和幾千套房源游刃有余代碼量也少讀起來邏輯非常清楚。答辯時(shí)如果老師問到“數(shù)據(jù)預(yù)處理怎么做的”這個(gè)答案比手寫雙層循環(huán)更能說明問題。4. 可視化面板與數(shù)據(jù)指標(biāo)呈現(xiàn)4.1 可視化要展示哪些核心指標(biāo)可視化部分是項(xiàng)目門面也是很多人忽略的地方。我的觀點(diǎn)是推薦系統(tǒng)核心不能只看算法準(zhǔn)確率還要通過可視化手段把數(shù)據(jù)特征和推薦效果呈現(xiàn)給用戶和管理員。前端首頁交給用戶看的主要是推薦列表而后臺(tái)數(shù)據(jù)看板我建議包含以下四類圖表房源區(qū)域分布圖柱狀圖展示各區(qū)房源數(shù)量與平均租金。戶型比例圖餅圖展示一居、兩居、三居占比。租金區(qū)間統(tǒng)計(jì)直方圖展示500-1500、1500-2500、2500-4000等區(qū)間房源數(shù)。熱度排行榜展示收藏量最高和推薦命中率最高的Top10房源。4.2 ECharts接入與數(shù)據(jù)聚合實(shí)現(xiàn)ECharts是目前最穩(wěn)妥的前端圖表庫選擇不需要額外引包路徑簡(jiǎn)單配置就能生成漂亮圖表。在Django中接入方式也很順手在頁面模板中引入ECharts的CDN資源。后端寫一個(gè)返回JSON數(shù)據(jù)的視圖接口數(shù)據(jù)用Pandas聚合后轉(zhuǎn)成列表。前端用Ajax請(qǐng)求接口數(shù)據(jù)動(dòng)態(tài)渲染圖表。[views.py中核心聚合邏輯]def chart_data(request): data House.objects.filter(is_activeTrue).values(region, price, layout) df pd.DataFrame(list(data)) region_count df.groupby(region).size().to_dict() price_bins pd.cut(df[price], bins[0, 1500, 2500, 4000, 8000]) price_stat price_bins.value_counts().to_dict() payload { region: [{name: k, value: v} for k, v in region_count.items()], price: [{range: str(k), count: v} for k, v in price_stat.items()], } return JsonResponse(payload)一個(gè)接口返回多組聚合數(shù)據(jù)前端只請(qǐng)求一次就能完成所有圖表渲染比逐個(gè)接口請(qǐng)求更高效。4.3 熱詞標(biāo)簽與詞云點(diǎn)綴除了常規(guī)統(tǒng)計(jì)圖表一個(gè)小的亮點(diǎn)是加入標(biāo)簽詞云。房源表中有一個(gè)tags字段記錄“近地鐵”“朝南”“精裝”“獨(dú)立衛(wèi)浴”“可短租”“業(yè)主直租”等標(biāo)簽。后端對(duì)全部房源標(biāo)簽做分詞統(tǒng)計(jì)計(jì)算每個(gè)詞頻并輸出給前端生成詞云圖。詞云圖放在首頁底部或者數(shù)據(jù)分析頁面視覺沖擊力很強(qiáng)而且讓“大數(shù)據(jù)”的感覺直觀地呈現(xiàn)出來。配合房源標(biāo)題里的熱門關(guān)鍵詞還可以延伸出一個(gè)“當(dāng)前城市找房熱詞”的模塊。整個(gè)可視化部分做出來之后系統(tǒng)的完整度和完成度會(huì)提升一個(gè)檔次答辯時(shí)的印象分自然就上去了。5. 常見問題與排查經(jīng)驗(yàn)實(shí)錄5.1 評(píng)分矩陣稀疏導(dǎo)致相似度全為零這是最常遇到的問題。模擬數(shù)據(jù)時(shí)如果用戶量有50個(gè)房源有300套每個(gè)用戶的行為記錄只有三到五條那么用戶之間共同評(píng)過分的房源幾乎沒有余弦相似度為0推薦結(jié)果自然為空。排查思路很簡(jiǎn)單先打印評(píng)分矩陣的非零值分布統(tǒng)計(jì)一下稀疏度。上線前盡量保證每個(gè)用戶至少有5到10條行為記錄。如果真實(shí)數(shù)據(jù)不足可以寫一個(gè)仿真腳本模擬用戶按偏好集中瀏覽某些區(qū)域的房源人為構(gòu)造一些相似群體。5.2 推薦結(jié)果跑偏的調(diào)試技巧如果推薦出來的房型和用戶關(guān)注的區(qū)域完全不相關(guān)先說結(jié)論大概率是評(píng)分映射規(guī)則有問題。比如瀏覽行為的分?jǐn)?shù)權(quán)重太低收藏和預(yù)約的分?jǐn)?shù)權(quán)重太高導(dǎo)致少數(shù)幾次收藏行為完全主導(dǎo)了推薦結(jié)果將用戶偏好帶偏了。換個(gè)角度說用戶收藏可能是順手收藏并不代表真正想租。調(diào)試時(shí)我習(xí)慣把各類行為的分?jǐn)?shù)權(quán)重做成可調(diào)參數(shù)在后臺(tái)設(shè)置頁面就能改然后不斷測(cè)試對(duì)比推薦列表的變化調(diào)到合理范圍為止。常見的一組能用的初始值是瀏覽1分、收藏4分、預(yù)約8分、成交10分。5.3 推薦響應(yīng)速度的優(yōu)化用戶點(diǎn)擊推薦頁面時(shí)如果實(shí)時(shí)計(jì)算全量相似度矩陣響應(yīng)時(shí)間可能會(huì)達(dá)到2到3秒甚至更久體驗(yàn)不太好。我給出的優(yōu)化方案是雙軌制落地頁第一次訪問用戶時(shí)推薦結(jié)果用緩存表保存之后定時(shí)刷新。比如每日凌晨2點(diǎn)更新一次推薦結(jié)果緩存。對(duì)于活躍用戶的實(shí)時(shí)請(qǐng)求只計(jì)算該用戶與全量用戶的相似度其余用戶間相似度矩陣從內(nèi)存中讀取。這種方法實(shí)測(cè)下來能把推薦接口的響應(yīng)壓縮到300毫秒以內(nèi)完全滿足畢設(shè)演示要求。關(guān)于緩存一個(gè)關(guān)鍵點(diǎn)當(dāng)用戶產(chǎn)生新的收藏行為后緩存可能已過期但還沒到更新時(shí)機(jī)推薦列表不會(huì)立刻反映最新偏好。我加了一個(gè)中間方案在用戶行為被寫入的同時(shí)如果該行為是分?jǐn)?shù)較高的收藏或者看房則自動(dòng)清除該用戶對(duì)應(yīng)的推薦緩存并在當(dāng)前請(qǐng)求結(jié)束后異步更新該用戶的推薦結(jié)果。5.4 答辯演示時(shí)容易忽略的細(xì)節(jié)講幾個(gè)演示時(shí)特別容易翻車的點(diǎn)提前準(zhǔn)備好能省掉很多尷尬。第一演示數(shù)據(jù)庫里要有足夠的模擬用戶數(shù)據(jù)至少不要只有你自己測(cè)試的兩個(gè)賬號(hào)否則推薦結(jié)果很單調(diào)展示不出算法效果。我建議預(yù)置30個(gè)模擬用戶、200套房源、2000條行為記錄數(shù)據(jù)規(guī)模剛剛好。第二項(xiàng)目啟動(dòng)前先跑一次推薦結(jié)果生成腳本檢查一下有沒有房源圖片路徑失效或者模板中字段引用錯(cuò)誤。很多時(shí)候演示現(xiàn)場(chǎng)出錯(cuò)不是算法問題而是模板變量名寫錯(cuò)這種低級(jí)問題。第三如果評(píng)委讓你現(xiàn)場(chǎng)演示推薦系統(tǒng)效果提前準(zhǔn)備一個(gè)專門用來演示的賬號(hào)這個(gè)賬號(hào)的行為記錄已經(jīng)造好登錄后推薦列表直接刷新可見不需要現(xiàn)場(chǎng)臨時(shí)找房源“養(yǎng)數(shù)據(jù)”。第四圖片文件不要用超大原圖建議統(tǒng)一轉(zhuǎn)換成WEBP格式或者壓縮為800像素寬既加快加載速度又能讓界面整齊美觀。室內(nèi)實(shí)拍圖配上統(tǒng)一的尺寸在演示時(shí)視覺效果最穩(wěn)定。最后再說一個(gè)防坑提示整個(gè)項(xiàng)目在做數(shù)據(jù)遷移時(shí)注意處理一下中文字段和數(shù)據(jù)庫編碼的問題。Django默認(rèn)設(shè)置的編碼正常但如果你從Excel導(dǎo)入房源數(shù)據(jù)時(shí)讀取的中文出現(xiàn)亂碼多半是文件編碼和數(shù)據(jù)庫連接配置不一致統(tǒng)一設(shè)置UTF-8后重新導(dǎo)入即可。整體來說這個(gè)項(xiàng)目無論從技術(shù)完整度還是演示效果上看都是畢業(yè)設(shè)計(jì)里性價(jià)比很高的方向。只要算法核心是自己寫的不是為了跑通而照搬答辯時(shí)把UserCF的每一步推導(dǎo)講明白老師很難問倒你。在實(shí)際操作中我最深的體會(huì)是真正把推薦結(jié)果調(diào)到合理、能看出個(gè)性化差異的階段才算完成了一個(gè)閉環(huán)單純把代碼跑通只是起點(diǎn)。如果你手頭也正在搭這套系統(tǒng)建議把重點(diǎn)放在評(píng)分規(guī)則的合理性和推薦結(jié)果的直觀解釋性上這兩點(diǎn)做到了項(xiàng)目就立住了。