旅游推荐系统实战:基于协同过滤与上下文过滤的Python实现 简介一款基于Python与MySQL的智能旅游推荐系统毕业设计资源面向计算机相关专业学生及需要快速搭建旅游类Web项目的开发者覆盖用户管理、景点/酒店信息、旅游资讯、行程分享、交流论坛及系统管理等核心模块。资源共包含799个文件以Python源码、Vue组件、HTML页面、JavaScript脚本、CSS样式为主体并附有SQL数据库脚本与docx论文文档同时提供启动/运行批处理命令便于本地环境直接部署。已有229人学习浏览适合用于毕业设计选题参考、系统功能学习或二次开发基础。压缩包约25.71MB内置前端后台分离的文件结构配合论文说明可帮助理解技术选型与数据库设计思路是一份可直接运行和演示的完整项目素材。1. 智能旅游推荐系统到底在推荐什么“智能旅游推荐系统”这个名字听起来很大但实际落地时只有一个核心问题面对成千上万个 POI兴趣点怎样让用户在三秒内找到明天下午“带爸妈、避开下雨、不走回头路”的路线。很多人以为推荐系统就是“猜你喜欢”用几个评分算个相似度就完事扔进真实旅游场景立刻失效——用户不会给景点打分行为稀疏到矩阵里 95% 是空洞而且决策强烈依赖天气、时间、同行人这些上下文。本文直接沿着一条可复现的路径走先把数据模型和算法选型讲清楚再用 Python 源码实现召回和排序中间穿插参数调试和踩坑记录最后把整个工程打包成带说明文档的 zip 分发出去。适合正在做城市旅游、酒店、本地生活类推荐被稀疏矩阵和冷启动折磨的工程师新手也能按步骤跑通最小闭环但更建议先看第二、三章的取舍逻辑那才是推荐系统的分水岭。2. 推荐算法选型与数据工程基础2.1 为什么旅游推荐首选基于物品的协同过滤推荐系统里最常用的两类算法是协同过滤和基于内容的推荐。协同过滤不需要理解景点本身只用行为数据发现“喜欢 X 的用户也喜欢 Y”这种关系。旅游场景有强本地化特征用户去一个城市往往只留下几天内的行为用户行为矩阵要比电商稀疏得多。基于用户的协同过滤UserCF依赖用户之间的相似度在稀疏矩阵上很容易算出一个离谱的相似集合——两个用户都没去过几个地方相似度分数虚高。基于物品的协同过滤ItemCF关注物品间共现关系景点之间的“一起被访问”的模式相对稳定更适合旅游这种群体性决策场景。另一个原因是可解释性。ItemCF 给用户推荐“与故宫相似的景点”时前端可以直观展示“看过故宫的人还看了天坛”用户更容易接受。基于内容的方法虽然能利用景点标签和描述做冷启动但标签体系需要人工维护且容易陷入同质化推荐——全是同一类古镇或同一个商圈的餐厅用户照样不满意。所以项目的最初版优先做 ItemCF把基于内容的特征作为后置的混合信号。2.1.1 评分、隐式反馈与负样本处理旅游 App 里很少有点击“五星”的操作反而大量存在“收藏”“加入行程”“轨迹停留超过 30 分钟”这样的隐式反馈。隐式反馈的取值不是评分而是强度比如收藏记 2 分行程添加记 3 分下单记 5 分。采集时保留原始行为类型和权重不能直接用一个布尔值代替。负样本的处理也不像电商那样把“没买过”当负例——在旅游中用户没访问某景点可能是因为在另一座城市而不是不喜欢。负样本只从同一个城市、同一时间段内曝光但未点击的数据里选否则模型会学到“不喜欢非目标城市的所有景点”这种假规律。2.2 构建用户-景点-上下文三维数据模型景点推荐不能只看“用户-景点”二维关系时间、天气、同伴类型、游玩季节都会显著改变决策。比如“下雨天推荐户外爬山”就是错误结果“夏季中午推荐露天湖边”也不合适。数据模型上把上下文作为过滤条件放在召回阶段之后而不是把天气和季节硬塞进相似度计算里否则相似度会被无关维度稀释。推荐系统数据至少要拆成三张表表名关键字段说明user_behavior用户 ID、POI ID、行为类型、行为时间、城市 ID、权重原始行为日志清洗后入内存poi_profilePOI ID、类别、标签、经纬度、开放时间、建议游玩时长、室内/户外用于过滤和特征扩展context_metaPOI ID、日期类型、天气偏好、同伴类型适用性上下文规则表可手工配置用 Pandas 读入并构建稀疏矩阵时一个常见做法是把“用户-景点”映射成语料库的“用户-词”结构行为权重就是词频。下面的代码演示如何从原始行为日志构造一个可用的scipy.sparse.csr_matriximport pandas as pd from scipy.sparse import csr_matrix import numpy as np # 读取行为日志behavior_weight 由行为类型映射得到 df pd.read_csv(user_behavior.csv, dtype{user_id: int32, poi_id: int32}, parse_dates[behavior_time]) # 只保留最近180天的行为降低旧行为对当前偏好的干扰 df df[df[behavior_time] df[behavior_time].max() - pd.Timedelta(days180)] # 构造用户、POI 的稀疏索引 user_ids df[user_id].astype(category) poi_ids df[poi_id].astype(category) # 行为权重收藏2分加行程3分下单5分 weight_map {collect: 2, add_route: 3, book: 5} df[weight] df[behavior_type].map(weight_map) # csr_matrix((data, (row_ind, col_ind)), shape(n_users, n_pois)) user_indices user_ids.cat.codes.values poi_indices poi_ids.cat.codes.values ratings df[weight].astype(np.float32).values matrix csr_matrix((ratings, (user_indices, poi_indices)), shape(user_ids.cat.categories.size, poi_ids.cat.categories.size))这段代码里最需要注意的不是稀疏矩阵构造本身而是behavior_time的时间窗口。旅游行为有明显时效性用户去完杭州回来三个月后可能已经把西湖相关的东西抛在脑后了但 180 天窗口外的收藏又能反映长期兴趣。我一般会把长期、短期行为分开建模短期行为算相似度召回长期行为只做重排时的偏置项。weight_map是隐式反馈的量化基础核心是区分“看了”和“去了”。如果原始日志里有点击时长还可以把时长除以景点建议游玩时长得到“停留强度”那比固定权重更精准。2.3 相似度计算的两种常用度量基于物品的协同过滤需要计算 POI 之间的相似度。常见做法有杰卡德相似系数、余弦相似度和皮尔逊相关系数。旅游行为稀疏杰卡德系数对“共现次数”非常敏感——两个景点只有一个人同时去过相似度就是 1这显然不合理。实际项目里最常用的是加权的余弦相似度也叫改进型余弦相似度。它先对每个用户的行为向量做均值归一去抵消用户的打分偏差再计算余弦值。用 Python 实现时可以直接在稀疏矩阵上做矩阵运算不必展开成稠密数组。下面给出一个能直接跑的相似度计算函数from sklearn.preprocessing import normalize import scipy.sparse as sp def compute_item_similarity(interaction_matrix, k50, use_mean_centerTrue): 计算 POI 之间的相似度矩阵。 :param interaction_matrix: csr_matrix, 用户-物品交互矩阵 :param k: 每个物品只保留 Top-K 个相似物品控制内存和计算量 :param use_mean_center: 是否对用户行为做均值归一化 :return: csr_matrix, 物品相似度矩阵 if use_mean_center: # 对每个用户的行向量减去非零均值 user_mean interaction_matrix.sum(axis1) / (interaction_matrix 0).sum(axis1) user_mean np.asarray(user_mean).ravel() # 只对非零元素做减法保持稀疏性 interaction_centered interaction_matrix.copy() interaction_centered.data - np.repeat(user_mean[interaction_centered.nonzero()[0]], np.diff(interaction_centered.indptr)) else: interaction_centered interaction_matrix # 正则化后余弦相似度 内积 normed normalize(interaction_centered, norml2, axis0) similarity normed.T.dot(normed) # 去掉自身到自身的相似度并做稀疏化保留 Top-K similarity.setdiag(0) for i in range(similarity.shape[0]): start similarity.indptr[i] end similarity.indptr[i 1] if end - start k: row_data similarity.data[start:end] row_indices similarity.indices[start:end] # 只保留相似度最大的 k 个 keep np.argpartition(row_data, -k)[-k:] similarity.data[start:end] 0 similarity.data[start np.sort(keep)] row_data[keep] similarity.eliminate_zeros() return similarity均值归一化的本质是消除不同用户打分数量级的差异。有的用户收藏了 50 个地点有的只收藏 3 个直接算余弦相似度会让活跃用户主导整个矩阵。normalize(axis0)是按列物品正则化因为我们要得到“物品 × 物品”的相似度正则化方向必须正确。在代码里我用了argpartition而不是argsort来取 Top-K避免了全量排序在几千个 POI 的场景下能快 10 倍以上。对于上万 POI 的大规模矩阵这个for循环也会成为瓶颈那时候要改成numpy的矩阵分块技巧或者直接上 Faiss。皮尔逊相关系数不如余弦相似度常用因为它对向量中连续数值的分布敏感而行为权重本身是离散且偏斜的。只有当你有真实的评分数据比如用户给景点打了 1 到 5 星时皮尔逊系数才有优势。混合推荐项目里我一般用余弦相似度做召回再叠加一个“热门惩罚”因子对于单个用户推荐时降低全局热门景点的权重避免推荐结果全是大同小异的头部景区。3. 使用 Python 源码实现核心推荐模块3.1 召回、过滤与重排的三层流水线一个实用的旅游推荐引擎不是“算完相似度就输出”而是拆成召回、规则过滤、重排三层。召回层从相似度矩阵里取出目标 POI 的 Top-K 相似邻居得到候选集合。过滤层吃掉排序前的上下文规则——比如下雨天去掉户外景点当前时间在闭园时间之后的景点全体剔除目标用户带着小孩时过滤掉刺激型项目。重排层才真正对候选集打分排序综合相似度分数、热度和人群实时场景。3.1.1 召回基于相似度矩阵取邻居假设我们已知用户最近一次互动的 POI 是poi_id 1001需要找到与它最像且用户还没去过的 20 个景点。这一步操作的是第二章算好的similarity矩阵import numpy as np def recall_candidates(similarity, target_poi_idx, exclude_ids, top_n50): row_start similarity.indptr[target_poi_idx] row_end similarity.indptr[target_poi_idx 1] neighbors similarity.indices[row_start:row_end] scores similarity.data[row_start:row_end] # 按相似度降序排列 order np.argsort(scores)[::-1] neighbors, scores neighbors[order], scores[order] # 排除用户已经交互过的 POI mask ~np.isin(neighbors, exclude_ids) return neighbors[mask][:top_n], scores[mask][:top_n]一个隐蔽的坑这里直接取相似度最高的邻居会把和target_poi_idx属于同一景区的多个 POI 一网打尽造成推荐结果扎堆。比如用户点开“西湖游船”相似度最高的前 20 项可能全是西湖周边的游船码头。解决办法是召回后按一级分类做 MMR最大边际相关性重排让候选集既相似又有多样性。3.1.2 过滤上下文规则执行器上下文规则不该写死在一个大 if-else 里而是做成可配置的数据表。下面用pandas.merge实现一次过滤把不适合当前上下文的 POI 移除def apply_context_filters(candidates, poi_profile, context): # candidates: DataFrame[poi_id, score] merged candidates.merge(poi_profile, onpoi_id, howleft) if context.get(is_raining): # 户外类别排除建议维护 indoor_type 字段 merged merged[merged[indoor_type] True] if context.get(child_with): # 不适合儿童的标签排除注意用集合交集而非字符串 in child_safe merged[tags].apply( lambda tags: not tags.intersection({刺激性项目, 不适合儿童})) merged merged[child_safe] if context.get(start_time): # 检查当前时间是否在开放时间窗口内 merged merged[ (merged[open_time] context[start_time].hour) (merged[close_time] context[start_time].hour context.get(duration_hours, 1))] return merged.sort_values(score, ascendingFalse)过滤层的原则是“宁缺毋滥”错杀一个可去的景点比推荐一个不能去的景点对体验伤害小。这里的open_time和close_time最好用小时整数存方便比较。duration_hours是一个预估值字段建议在poi_profile表里根据游玩类型提前维护好而不是由调用方传。上下文过滤要放在重排之前原因是重排时用的模型特征一旦混入被过滤项模型分布会产生偏移线上表现会变差。3.2 混合推荐用加权评分把规则和算法融合到一起纯 ItemCF 容易造成马太效应头部景区始终被推荐长尾 POI 即使适合用户也不容易浮出水面。混合推荐的标准做法是分数融合final_score α × 协同过滤分数 β × 基于内容的标签匹配度 γ × 热门惩罚。α、β、γ 可以离线用网格搜索确定也可以在配置中心手动调优避免改一次规则就发一次代码。下面给一个可用的重排函数。基于内容的标签匹配度用简单的 Jaccard 系数算用户历史收藏 POI 标签集合和候选 POI 标签集合的交集大小除以并集大小。def rerank(candidates, user_profile, alpha0.6, beta0.3, gamma0.1, hot_penalty_factor0.3): # candidates 已经包含 cf_score def content_match(poi_tags): if not poi_tags or not user_profile.get(poi_tags): return 0.0 inter len(poi_tags.intersection(user_profile[poi_tags])) union len(poi_tags.union(user_profile[poi_tags])) return inter / union if union else 0.0 candidates[content_score] candidates[tags].map(content_match) candidates[hot_penalty] candidates[poi_visits_count] / candidates[poi_visits_count].max() candidates[final_score] ( alpha * candidates[cf_score] beta * candidates[content_score] - gamma * candidates[hot_penalty] * hot_penalty_factor ) return candidates.sort_values(final_score, ascendingFalse)这里的hot_penalty_factor是处理头部效应的关键系数。它表示热门景点综合热度在前 100 名中的位置值越大惩罚越大。有些项目会把gamma调到 0只保留 α 和 β那个模型叫“热门推荐”更合适。α/β/γ 的调节不是拍脑袋最稳的办法是拿出历史一个月的曝光点击日志给每条推荐记录标记是否被点击然后离线算 AUC用scipy.optimize.minimize搜索一组参数。参数搜索要考虑过拟合——训练集上的最优 α0.9 往往是因为训练里点击行为高度集中在头部景区上线后新长尾内容没有曝光机会。冷启动阶段可以把 α 调低β 调高先靠内容标签笼住用户兴趣。4. 把推荐系统封装成服务并做增量更新4.1 使用 FastAPI 暴露推荐接口推荐引擎与业务系统解耦的方式是提供一个只接收“用户 ID、城市 ID、上下文参数”的 HTTP 接口。FastAPI 比 Flask 更适合这类服务因为它原生支持异步、自动生成 OpenAPI 文档、请求参数校验不额外写代码。服务启动时加载相似度矩阵和 POI 特征进入请求后直接走召回-过滤-重排流水线。from fastapi import FastAPI, Body from pydantic import BaseModel app FastAPI() class RecommendRequest(BaseModel): user_id: int city_id: int is_raining: bool False with_child: bool False start_time: str 10:00 top_n: int 20 class RecommendResponse(BaseModel): poi_id: int score: float # 全局加载一次模型避免每次请求重复计算相似度矩阵 similarity_matrix load_similarity_matrix() poi_profile load_poi_profile() app.post(/api/v1/recommend, response_modellist[RecommendResponse]) def recommend(req: RecommendRequest): user_history get_user_recent_pois(req.user_id) candidates recall_candidates(similarity_matrix, user_history[-1], user_history) filtered apply_context_filters(candidates, poi_profile, req.dict()) user_profile build_user_partial_profile(req.user_id) result rerank(filtered, user_profile) return result.head(req.top_n).to_dict(orientrecords)启动命令是常规的uvicorn main:app --host 0.0.0.0 --port 8000 --workers 4。注意两个细节第一similarity_matrix是用load_similarity_matrix()从头算还是从序列化文件读冷启动阶段直接从原始数据算一次几万个 POI 也就几十秒后续每次更新只做增量重算不能全量重算否则接口热更新会阻塞太久。第二get_user_recent_pois返回的是用户近期交互过的 POI 列表在recall_candidates里要排除掉否则系统循环推荐同一个景点。4.2 离线计算与增量更新的边界旅游推荐系统里用户行为日增量不大但 POI 的属性变化频繁比如新景点上线、营业时间调整。合理的架构是离线定时任务每天凌晨计算一次全量相似度矩阵保存为.npz文件服务启动时读文件而不是每次启动都从数据库捞数据重算。如果用户当天交互量过万可以在内存里维护一个“当日新行为缓冲”当缓冲数据渲染出的相似度矩阵与原矩阵合并计算增量相似度再更新服务的全局矩阵。增量更新的公式全局相似度 ≈ 原相似度 新行为贡献。实际项目中用矩阵分解的方式更新更简单比如用在线矩阵分解online SVD只更新隐因子向量避免维护相似度矩阵的稀疏结构。但 ItemCF 场景下增量更新的性价比不高——因为相似度矩阵的计算量主要来自用户数乘以 POI 数如果只有几千条新行为直接在新数据上单独算一小块相似度矩阵再用一个简单的比例因子合并进原矩阵线上效果并不会差太多。更新的关键不在算法而在幂等性同一个批次的更新重复执行两次矩阵结果必须一致。4.3 性能优化与缓存命中策略推荐接口的瓶颈在重排阶段的上下文过滤尤其是用字符串集合做标签过滤时Python 的字符串哈希计算比数值计算慢一个数量级。常见的优化方法是把所有标签映射成整数 IDPOI 的标签字段存numpy.ndarray而不是set。另一个容易被忽略的优化是相似度矩阵的存储格式直接用scipy.sparse.csr_matrix序列化后加载比从 pandas DataFrame 重建快得多。缓存要区分“个性化结果”和“通用结果”。如果同一个用户 10 分钟内重复请求两次结果应该一致。用 Redis 缓存整个响应体key 用user_id:city_id:context_hash过期时间设 10 分钟。但用户第一次访问时推荐结果需要快速散热——少于 5 分钟的缓存导致景区现场被集体推荐同一个“热门地”体验瞬间崩掉。所以热度高的 POI 要做额外缓存寒地 POI 不缓存让长尾内容每次都有机会被重排发现。5. 源码说明文档 zip 的规范化与验证技巧把整个推荐系统工程连同样例数据、说明文档一并分发出去zip 包的目录结构直接影响使用者的第一印象。一个经得起验收的结构是travel-recommend/ ├── README.md ├── requirements.txt ├── main.py ├── recommend/ │ ├── __init__.py │ ├── data_loader.py │ ├── similarity.py │ ├── filters.py │ ├── rerank.py │ └── config.py ├── data/ │ ├── user_behavior.csv │ └── poi_profile.csv └── docs/ └── architecture.mdREADME.md要写清楚三件事项目解决了什么问题、怎么跑通最小样例、性能能做到什么量级。不要写“欢迎使用”这种废词直接给出三步pip install -r requirements.txt python main.py --preprocess --train uvicorn main:app --host 0.0.0.0 --port 8000requirements.txt要锁版本不能只写pandas至少固定pandas2.0.3, scikit-learn1.3.0, fastapi0.104.0。zip 打包前记得删除缓存目录__pycache__和.ipynb_checkpoints否则解压后目录里全是无用文件。验证推荐效果不能只看一两个样例。离线评估指标至少覆盖精确率N、召回率N、覆盖率、多样性四种。给出一个轻量脚本在本地快速计算def evaluate_precision_recall(gt_dict, rec_dict, k20): precisions, recalls [], [] for user_id in gt_dict: if user_id not in rec_dict: continue hits len(set(gt_dict[user_id]) set(rec_dict[user_id][:k])) precisions.append(hits / k) recalls.append(hits / len(gt_dict[user_id])) return np.mean(precisions), np.mean(recalls)多样性的计算可以用推荐列表里不同一级类别的数量除以列表长度。覆盖率则是推荐出的 POI 数量占全部 POI 的比例反映系统是否总在推荐同一批头部景点。这三项指标要和 α、β、γ 参数联动看——调高 β 往往会提升覆盖率但拉低精确率调低 γ 会提升精确率但伤害多样性。最后一条实操技巧把 zip 包里的docs/architecture.md作为代码注释的延伸画不出架构图没关系但要把数据从 CSV 到内存再到 HTTP 响应的完整链路用段落写清楚。很多工程师上手别人的推荐项目死因往往不是算法看不懂而是不知道哪张表是该接数据库的、哪个变量是埋点上报的。哪怕只写一段“当前代码所用到的行为日志字段”也比空话有用。让解压这个 zip 的人看完 README 就能uvicorn跑通这个包才算真正交付。本文还有配套的精品资源点击获取