基于用户画像的食谱推荐系统

原创于 2026-08-24 09:02:00 发布 · 344 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

基于用户画像的食谱推荐系统

1. 项目简介

这是一个基于 Flask + SQLite + 规则引擎 + 轻量机器学习的食谱推荐系统，面向课程设计/演示场景。
系统核心思路：

采集用户问卷与活动数据（步数、活动分钟）
构建用户特征向量并进行用户画像聚类
基于规则过滤和打分，再结合随机森林回归模型进行排序
输出可解释的推荐结果（规则命中原因 + 模型融合说明）

项目目标是提供一个可运行、可展示、可扩展的端到端闭环，而不是工业级推荐系统。

2. 技术栈

语言：Python 3.12.x
Web 框架：Flask 3.x
ORM：Flask-SQLAlchemy 3.x
登录认证：Flask-Login
数值计算：NumPy
机器学习：scikit-learn（KMeans、RandomForestRegressor）
前端：Jinja2 模板 + Bootstrap + ECharts
数据库：SQLite（默认 diet_recommend.db）
测试：pytest

依赖定义见 requirements.txt。

3. 项目目录结构

diet-recommend-system/
├── app.py                 # 应用入口
├── config.py              # 配置（密钥、数据库 URI、端口等）
├── requirements.txt
├── 项目说明.md
├── 测试说明.md
├── app/
│   ├── __init__.py        # 应用工厂
│   ├── cli.py             # Flask CLI（init-db、seed-data、evaluate 等）
│   ├── extensions.py      # db、login_manager
│   ├── models.py          # ORM 模型
│   ├── tag_labels.py      # 食谱标签中英文映射
│   ├── seed_recipes_data.py   # 演示食谱种子数据
│   ├── blueprints/
│   │   ├── auth.py        # 注册 / 登录 / 登出
│   │   └── main.py        # 工作台、问卷、推荐、活动等页面路由
│   └── services/
│       ├── preprocessing.py      # 问卷清洗、用户特征向量
│       ├── profile_builder.py      # 聚类、画像标签、同步写库
│       ├── recipe_engine.py        # 规则打分、混合推荐
│       ├── ml_train.py             # 随机森林训练与 ranker 模型文件
│       ├── evaluation.py           # 离线 Hit@K、NDCG
│       └── association_mining.py   # 标签共现（支持度）
├── templates/             # Jinja2 页面模板
├── static/                # 静态资源（CSS 等）
├── tests/                 # pytest
├── mac/                   # macOS 辅助脚本（部署与启动见项目内部署手册）
├── instance/              # 运行时目录（如 ranker.pkl，勿提交敏感内容）
└── diet_recommend.db      # SQLite 数据库（本地运行时生成）

4. 功能模块说明

4.1 用户与认证

注册、登录、登出
登录后可填写问卷、记录活动、查看画像、生成推荐
已修复登录 next 参数开放重定向风险（只允许站内路径）

4.2 问卷与活动数据

问卷字段包括：

年龄段、性别、身高体重
目标（减脂/维持/增重/增肌/健康）
活动水平、饮食风格
过敏项、不喜食材
每日餐次、热量目标

活动字段包括：

日期、步数、活动分钟、备注

系统会将活动数据融合进用户向量末 3 维（最近 14 天）：

平均步数归一化
平均活动分钟归一化
记录覆盖度

4.3 用户画像（聚类 + 标签）

从所有有问卷的用户构建特征向量
使用 KMeans 聚类（样本太少时做稳健处理）
生成中文标签文本（目标、风格、过敏、活动特征）
将结果写入 UserProfile

注意：单用户时不会强行聚类，会走单用户兜底逻辑，避免 n_clusters > n_samples 异常。

4.4 推荐引擎

推荐流程分为两层：

规则层（硬约束 + 基线分）
- 过敏标签命中直接剔除
- 不喜食材与食材名称子串匹配命中直接剔除
- 根据目标、饮食风格、脂肪控制、单餐热量匹配增加得分
模型层（可选）
- 将用户向量与食谱特征拼接
- 随机森林预测分与规则分融合（0.55 / 0.45）
- 模型不可用或维度不匹配时自动回退为规则排序

输出包含可解释说明（命中规则和融合详情）。