基于Python+Django的中成药个性化推荐系统设计与实现

1. 项目概述中成药推荐系统的核心价值这个毕业设计项目构建了一个基于大数据分析的中成药推荐系统采用PythonDjango技术栈实现。系统核心在于通过用户行为数据和药品特征运用推荐算法为中成药使用者提供个性化推荐服务。对于计算机相关专业的毕业生而言这类项目能全面锻炼Web开发、数据处理和算法实现能力。中成药推荐与传统药品推荐的最大区别在于需要处理复杂的辨证施治逻辑。系统不仅要考虑药品的化学成分和功效还需要关联中医理论中的证型、体质等维度。这正是项目最具挑战性也最具价值的部分——将传统中医药知识与现代推荐技术相结合。2. 系统架构设计解析2.1 技术选型依据前端采用BootstrapHTML5的组合主要基于三点考虑一是Bootstrap的响应式特性可以适配各种终端设备二是其丰富的UI组件能快速构建管理界面三是与Django模板引擎有良好的兼容性。实测使用Bootstrap5可在2小时内完成基础管理界面的搭建。后端选择Django框架因其自带Admin管理系统特别适合需要快速开发后台管理功能的场景。我们实测比较了Flask和Django在同等功能下的开发效率Django节省约40%的后台开发时间。关键配置如下# settings.py关键配置 INSTALLED_APPS [ django.contrib.admin, # 启用admin后台 django.contrib.auth, # 用户认证系统 django.contrib.contenttypes, django.contrib.sessions, django.contrib.messages, django.contrib.staticfiles, herbs.apps.HerbsConfig, # 中成药应用 ]2.2 数据流设计系统数据处理流程分为四个阶段数据采集层通过管理后台录入中成药基础信息包括药品名称、成分、功效、适用证型等结构化数据存储层使用MySQL关系型数据库存储结构化数据Redis缓存热门药品数据和推荐结果分析层采用Pandas进行数据预处理Scikit-learn实现特征工程推荐层结合基于内容的推荐和协同过滤算法生成推荐结果关键提示中成药数据需要特别注意字段设计建议至少包含药品名称、主要成分、功能主治、用法用量、禁忌、不良反应等核心字段这是后续推荐算法的基础。3. 核心功能实现细节3.1 用户画像构建系统通过三方面数据构建用户画像显式数据用户注册时填写的体质信息如阳虚、阴虚等行为数据用户的浏览、收藏、评分记录反馈数据用户对推荐结果的点击和评价用户模型的关键字段设计示例class UserProfile(models.Model): user models.OneToOneField(User, on_deletemodels.CASCADE) constitution models.CharField(max_length20, choicesCONSTITUTION_CHOICES) # 体质类型 symptom_tags models.ManyToManyField(SymptomTag) # 症状标签 history_rating models.JSONField(defaultdict) # 药品评分记录3.2 推荐算法实现系统采用混合推荐策略基于内容的推荐计算药品特征相似度def content_based_recommend(user, top_n5): # 获取用户特征向量 user_vector get_user_vector(user) # 计算所有药品与用户的余弦相似度 similarities [] for herb in Herb.objects.all(): herb_vector get_herb_vector(herb) sim cosine_similarity([user_vector], [herb_vector])[0][0] similarities.append((herb.id, sim)) # 返回相似度最高的top_n个药品 return sorted(similarities, keylambda x: x[1], reverseTrue)[:top_n]协同过滤推荐基于用户评分矩阵def collaborative_filtering(user, top_n5): # 构建用户-药品评分矩阵 rating_matrix build_rating_matrix() # 使用SVD分解降低维度 U, sigma, Vt svds(rating_matrix, k50) # 重建预测评分矩阵 predicted_ratings np.dot(np.dot(U, np.diag(sigma)), Vt) # 获取对应用户行的预测评分 user_row user.id - 1 # 假设用户ID从1开始 predicted_scores predicted_ratings[user_row] # 返回预测评分最高的top_n个药品 return sorted(zip(range(len(predicted_scores)), predicted_scores), keylambda x: x[1], reverseTrue)[:top_n]冷启动处理对于新用户或新药品采用基于规则的推荐如同证型的热门药品相同主要成分的药品相同功效类别的药品4. 关键问题与解决方案4.1 数据稀疏性问题中成药评分数据通常非常稀疏我们采用三种应对策略数据增强通过专家规则补充隐式评分矩阵填充使用SVD算法处理缺失值混合推荐当协同过滤数据不足时自动切换到基于内容的推荐4.2 中医知识表示将中医理论转化为算法可处理的特征是本项目的核心难点。我们的解决方案是构建中医知识图谱使用Neo4j存储证型-症状-药品之间的关系特征编码将中医理论中的性味归经等概念转化为数值向量相似度计算改进余弦相似度算法加入中医特定权重# 改进的相似度计算示例 def tcm_similarity(herb1, herb2): # 基础特征相似度 base_sim cosine_similarity( [get_base_features(herb1)], [get_base_features(herb2)] )[0][0] # 中医特征相似度 tcm_sim tcm_feature_similarity(herb1, herb2) # 加权综合 return 0.6 * base_sim 0.4 * tcm_sim4.3 实时性要求推荐结果的实时更新通过以下方式实现用户行为事件队列使用Redis的List结构存储实时用户行为增量更新每小时执行一次小规模模型更新全量更新每天凌晨执行完整的数据处理和模型训练5. 系统部署与优化5.1 性能优化方案针对推荐系统的性能瓶颈我们实施了以下优化缓存策略使用Redis缓存三层数据热门药品数据过期时间1小时用户最近推荐结果过期时间30分钟药品特征向量长期缓存数据库优化为常用查询字段建立索引分表存储用户行为数据使用select_related和prefetch_related优化Django ORM查询异步处理# 使用Celery处理耗时任务 app.task def async_update_recommendations(user_id): user User.objects.get(iduser_id) recommendations generate_recommendations(user) cache.set(fuser_{user_id}_recs, recommendations, timeout1800)5.2 安全防护措施医药系统对安全性有严格要求我们特别注意数据加密所有敏感信息使用AES加密存储权限控制基于Django-guardian实现行级权限管理审计日志记录所有关键操作的完整轨迹防注入严格使用Django ORM或参数化查询6. 项目扩展方向已完成基础功能的同学可以考虑以下扩展增加问诊模块通过智能问卷细化用户症状加入药物相互作用检查提醒可能存在的配伍禁忌开发移动端应用使用Django REST Framework构建API引入深度学习使用BERT处理中医文本描述经验之谈在开发过程中我们最大的收获是学会了如何将传统领域知识与现代技术结合。特别是中医理论的量化表示需要与领域专家密切合作。建议每完成一个算法模块后都找中医专业人员进行效果评估。这个项目完整展示了从需求分析到部署上线的全流程特别适合作为计算机相关专业的毕业设计。它不仅涵盖了Web开发的常规技术栈还涉及大数据处理和推荐算法等前沿技术能够全面展示学生的技术能力。