1. 项目概述
校园食堂每天面临的最大矛盾是什么？是上千名学生集中就餐时"今天吃什么"的灵魂拷问。作为一名在高校信息化部门工作多年的开发者，我见过太多学生端着餐盘在窗口间来回踱步的迷茫场景。这个基于Django框架和K-means算法的校园美食推荐系统，正是为了解决这个看似简单却影响深远的实际问题而诞生的。
这个系统本质上是一个个性化推荐引擎，它通过分析学生的历史消费记录、口味偏好、消费时段等数据，自动聚类相似特征的用户群体，并为每个群体推荐最可能符合其喜好的食堂菜品。与市面上常见的"热门排行"或"猜你喜欢"不同，我们采用无监督学习的K-means算法，不需要预先标注数据，就能从真实的校园卡消费数据中发现隐藏的就餐模式。
2. 核心需求解析
2.1 校园餐饮场景的特殊性
高校食堂的运营模式与商业餐饮有本质区别：
- 集中性：早中晚三个高峰时段占全天流量的85%以上
- 周期性：每周课程表导致固定的就餐时间规律
- 地域性：学生通常固定在距离教学楼最近的食堂就餐
- 经济性：价格敏感度显著高于社会餐饮
这些特性决定了商业推荐系统常用的协同过滤算法在校园场景效果有限。我们实测发现，基于用户行为的K-means聚类能更好地捕捉这些特殊模式。
2.2 技术选型依据
选择Django+K-means的技术栈基于以下考量：
Django框架优势：
- 自带Admin后台，便于食堂管理人员维护菜品数据
- ORM支持快速对接校园一卡通系统的MySQL数据库
- 模板系统适合构建响应式的食堂终端界面
K-means算法适用性：
- 处理无标签消费记录时计算效率高
- 可解释性强，便于向非技术人员说明推荐逻辑
- 参数调节简单（只需指定聚类数量k）
实际开发中发现，将消费时段(早/中/晚)、消费金额、食堂窗口、菜品类别等特征标准化后，K-means的轮廓系数能达到0.6以上，显著优于基于内容的推荐方法。
3. 系统架构设计
3.1 数据流设计
系统处理流程分为四个核心环节：
- 数据采集层：通过校园卡系统API获取脱敏的消费记录
- 特征工程层：
- 构造"消费时段偏好"(晨型/夜型)
- 计算"价格敏感度"(单次消费金额分布)
- 提取"菜品偏好向量"(各菜系点击频次)
- 模型训练层：
- 每周日凌晨低峰期自动更新聚类模型
- 使用肘部法则动态确定最优k值
- 推荐服务层：
- 实时推荐：根据当前时段/位置生成推荐
- 预定推荐：结合次日课表推送早餐建议
3.2 数据库模型
关键数据表设计如下：
| 表名 | 核心字段 | 作用 |
|---|---|---|
| student_profile | student_id, meal_prefs, price_range | 存储聚类后的用户画像 |
| window_info | window_id, location, cuisine_type | 食堂窗口元数据 |
| transaction_log | transaction_id, student_id, dish_id, timestamp | 消费记录事实表 |
| cluster_center | cluster_id, feature_vector | 模型聚类中心点 |
# 示例模型定义 class Dish(models.Model): name = models.CharField(max_length=50) window = models.ForeignKey(Window, on_delete=models.CASCADE) price = models.DecimalField(max_digits=5, decimal_places=2) calorie = models.IntegerField(null=True) is_spicy = models.BooleanField(default=False)4. 核心算法实现
4.1 特征工程实践
我们发现以下特征组合效果最佳：
- 时空特征：标准化后的就餐时间(分钟数)、食堂楼层
- 消费特征：近7日平均消费额、最高消费额离散化
- 口味特征：基于菜品标签的one-hot向量(辣/甜/清淡等)
# 特征标准化示例 from sklearn.preprocessing import MinMaxScaler def build_features(raw_data): # 构造时间特征 raw_data['minute_of_day'] = raw_data['time'].dt.hour * 60 + raw_data['time'].dt.minute time_scaler = MinMaxScaler().fit(raw_data[['minute_of_day']]) # 构造消费特征 spend_features = raw_data.groupby('student_id')['amount'].agg(['mean','max']) spend_features['spend_level'] = pd.cut(spend_features['mean'], bins=5, labels=False) return pd.concat([time_scaled, spend_features], axis=1)4.2 K-means调优技巧
在校园场景中，我们总结出以下经验：
- 初始中心点选择：采用k-means++而非随机初始化，收敛速度提升40%
- 最优k值确定：结合肘部法则和业务需求，通常k=5~7(对应早/中/晚餐+特殊群体)
- 特征权重调整：给时段特征分配更高权重，符合校园就餐的时间规律性
实测对比：当k=6时，轮廓系数达到峰值0.62，此时聚类结果对应：
- 早餐面点偏好群体
- 经济型午餐群体
- 高消费晚餐群体
- 国际风味偏好群体
- 健身餐持续消费群体
- 随机选择群体
5. 系统部署要点
5.1 性能优化方案
针对食堂高峰期的并发访问，我们采取以下措施：
- 缓存策略：
- 使用Redis缓存热门窗口的推荐结果
- 为每个聚类中心预生成推荐列表
- 异步计算：
- 消费数据通过Celery异步写入
- 模型训练放在凌晨定时任务
- 边缘计算：
- 在每个食堂部署推荐缓存节点
- 根据GPS自动选择最近的服务端点
5.2 终端交互设计
考虑到食堂嘈杂环境，界面设计遵循：
- 极简交互：主界面只显示3个推荐菜品+1个随机尝试
- 颜色编码：用红/黄/绿色标出菜品辣度
- 语音播报：支持扫码后语音提示推荐理由
- 反馈机制：长按推荐菜品可标记"不再喜欢"
6. 效果评估与迭代
6.1 A/B测试方案
我们设计了严格的对比实验：
- 对照组：随机推荐+销量排行
- 实验组：K-means聚类推荐
- 评估指标：
- 推荐采纳率(实际购买/展示)
- 窗口排队均衡度(各窗口等待时间方差)
- 平均决策时间(从进入食堂到完成支付)
测试结果显示：
- 早餐时段采纳率提升最为显著(38% → 61%)
- 窗口排队均衡度改善27%
- 平均决策时间从2分13秒降至1分07秒
6.2 持续优化方向
当前系统仍存在以下改进空间：
- 冷启动问题：新生没有历史数据时，采用专业-性别-年级的代理特征
- 季节适应：夏季自动降低辣度推荐权重
- 社交因素：识别经常共同就餐的群体，增加团体推荐模式
在实际部署中，我们意外发现这个系统还能帮助食堂管理者：
- 识别滞销菜品及时调整
- 预测各窗口备餐量减少浪费
- 发现特殊饮食需求群体(如素食者)
这个项目给我的最大启示是：好的推荐系统不仅要懂算法，更要深入理解垂直场景的特殊性。校园餐饮的时空规律性使得相对简单的K-means也能发挥出色效果，关键在于特征工程是否捕捉到了业务本质。
