基于协同过滤的美食点餐推荐系统的设计与实现

发布时间：2020-06-13 14:16

【摘要】：随着大数据与人工智能时代的到来,传统行业都发生了翻天覆地的变化,餐饮行业也不例外,但是在转型的过程中也会面临诸多挑战。在不同的领域应用经典的方法也会面临很多挑战,为此,本文在将推荐系统应用到美食点餐领域中的时候,融合美食领域的特点对传统的基于用户的协同过滤算法进行改进,并使改进后的算法应用于现实点餐中用来解决面临的实际问题,设计并实现了一个以B/S架构为基础的微信美食点餐推荐系统。现将本文所做的工作概括为以下几点:当基于用户的协同过滤算法应用到点餐领域时,需要解决的第一个问题就是用户饮食偏好随着季节变化的问题,本文主要是通过在预测用户的兴趣度时加入影响因子季节权重,为了平衡季节性因素对菜品的影响,从而可以改善菜品推荐效果;其次是关于菜品的搭配问题,本文通过构建一个以关联规则为基础的菜品搭配规则,然后生成菜品搭配库。当协同过滤推荐菜品中的任一菜品被用户选中时,系统就会自动匹配菜品搭配库,找到与之对应的菜品进行搭配推荐,这样可以达到科学健康合理的进餐。最后,在湖北某家餐馆5618条的评分数据集上进行了实验分析,通过在系统的性能和菜品的推荐质量上将传统的基于用户的协同过滤算法与改进后的算法进行了对比,并对其存在的差异进行了讨论。在推荐的实际效果中,加入影响因子菜品的季节权重以及菜品搭配对推荐算法的影响。实验结果表明,改进算法能够有效的解决菜品的季节性问题,而且加入菜品搭配可以使用户的进餐更加科学健康。结合实际需求,本文将改进算法应用到了现实点餐中,搭建了一个基于B/S架构的美食点餐推荐系统。设计与实现的美食点餐推荐系统,不仅可以帮助用户快速的找到自己喜欢吃的菜品,同时餐厅也可以发现更多的用户,增加餐厅的营业额,达到了双赢的效果。
【图文】：

目前，对于没有大数据支持的餐饮业来说，针对所有人一切都是一样的，包格、会员打折信息、赠送奖品等。例如，今天的餐厅为会员提供打折菜品，会员恰好不爱吃，这样就达不到促销的效果，消费者会觉得这种活动是可有所谓个性化营销方案是指基于对餐厅消费者用户的行为特征数据进行分析，用户的需求制定自己的营销方案，因为该方案是通过对用户数据进行有针对，用户有很大的可能会喜爱推荐的菜品，这就意味着我们的促销是有效的，大数据和人工智能发展的成果[1]。面对新环境下的市场需求，在保证餐厅品位和价格适中的前提下，企业需要用户的个性化需求，应该分析每个用户的饮食偏好，并最终使用人工智能和营销方法创建个性化餐厅是互联网的必然选择。随着餐饮业人工智能和大数，一家餐厅是否会使用基于大数据和人工智能技术的互联网解决方案，这将未来发展的趋势指标。在这些智能化应用中以推荐系统为代表，众多行业都可以看到其的影子[2]。搜索“推荐系统”时，我们可以得到如下图 1.1 所示的结果。

图 1.2 “推荐系统+应用领域”发表的论文数量图 1.2 的统计结果不难看出：使用推荐系统最多的是电子商务领域，其和书籍。而关于对美食的研究很少，但是作为衣食住行四大方面之一的中也是占了很大的比重，是我们生活的重要组成部分，，从而可以看出其，这也是本文的研究方向。研究意义节奏的生活时代，很多人选择在外吃饭，但是时间又比较少，每次吃饭既花了钱又没吃好，最后抱怨一堆。有时候也不是没有准备，事实上在们都会浏览大量的美食网站，选择比较合意的餐厅，但是一个餐厅中，品又该如何选择呢？当我们去餐厅的时候一般会有一些服务员给我们推特色菜或者是招牌菜，但是这些菜品是否符合我们的口味呢？如果说有可以根据每个人的口味为其推荐不一样的菜品，这样我们就不需要在众样一样来选择，关键是还可以节省时间，何乐而不为呢？这就是智能化用，由此可见，将智能化[4]引进美食菜品推荐中的重要性。
【学位授予单位】：武汉轻工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;F719.3

【相似文献】

相关期刊论文 前10条

1 许媛萍;;基于内容的推荐与协同过滤融合的新闻推荐分析与探究[J];新闻研究导刊;2018年13期

2 李改;邹小青;;基于隐式反馈的协同过滤算法研究综述[J];福建电脑;2018年11期

3 胡致杰;胡羽沫;;协同过滤推荐瓶颈问题研究[J];无线互联科技;2016年09期

4 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

5 张家鑫;刘志勇;张琳;张倩;莎仁;;基于协同过滤的多维度电影推荐方法研究[J];长春理工大学学报(自然科学版);2019年02期

6 杨莉;;基于时间因子的协同过滤算法研究[J];电脑知识与技术;2019年09期

7 章宗杰;陈玮;;基于标签扩展的协同过滤算法在音乐推荐中的应用[J];软件导刊;2018年01期

8 王婵;;一种基于加权因子的混合协同过滤算法[J];电脑知识与技术;2018年09期

9 刘文佳;张骏;;改进的协同过滤算法在电影推荐系统中的应用[J];现代商贸工业;2018年17期

10 吴佳婧;贺嘉楠;王越群;董立岩;;基于项目属性分类的协同过滤算法研究[J];吉林大学学报(信息科学版);2018年04期

相关会议论文 前10条

1 孙见山;徐东;姜元春;;融合人格信息的单分类协同过滤方法研究[A];第十二届（2017）中国管理学年会论文集[C];2017年

2 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

3 陈曦;;基于二阶定时修正协同过滤系统的信息推荐算法[A];2019年第二届钢铁工业智能制造发展论坛会议论文集[C];2019年

4 骆正清;郑涛;;基于标签聚类的协同过滤推荐算法[A];第十三届（2018）中国管理学年会论文集[C];2018年

5 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

6 孙铁利;杨焱;邱春艳;;基于内容预测的协同过滤推荐[A];2005年全国理论计算机科学学术年会论文集[C];2005年

7 刘牧;杨智强;王衡;;基于普适计算的日程发现方法探讨[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【poster】[C];2011年

8 潘崇伦;张弛;;协同过滤的自服务模式在水务信息基础架构管理中的研究[A];大数据时代的信息化建设——2015（第三届）中国水利信息化与数字水利技术论坛论文集[C];2015年

9 陶红亮;王明文;曹瑛;;基于项目平滑和聚类的协同过滤推荐算法[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

10 易們;杨成;柴智;;基于重排序的新用户TOPN推荐方法研究[A];第十九届中国科协年会——分4信息新技术 东北新工业论坛论文集[C];2017年

相关重要报纸文章 前3条

1 林嘉澍;从搜索到发现[N];经济观察报;2007年

2 本报记者 沈佳;数据大了 决策准了[N];山西日报;2014年

3 林嘉澍;若邻网络：发掘网上的真实人脉[N];经济观察报;2007年

相关博士学位论文 前10条

1 符明晟;基于深度学习的智能推荐技术研究[D];电子科技大学;2019年

2 顾梁;播存结构中基于协同过滤的内容推荐技术研究[D];东南大学;2017年

3 袁卫华;面向稀疏数据的多视图个性化推荐方法研究[D];山东师范大学;2018年

4 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年

5 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

6 段锐;融合文本内容与情境信息的协同过滤推荐方法研究[D];合肥工业大学;2017年

7 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

8 张雪洁;基于QoS的个性化云服务推荐方法研究[D];南京航空航天大学;2015年

9 姜邵巍;基于竞争关系的推荐技术研究[D];北京邮电大学;2014年

10 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 章琦;基于协同过滤的全球AI挑战赛社区的设计与实现[D];北京交通大学;2019年

2 刘运冲;基于改进的时间与用户影响的协同过滤算法[D];安徽理工大学;2019年

3 任德源;基于用户分层结构的个性化推荐方法[D];合肥工业大学;2019年

4 李启序;基于协同过滤的个性化推荐系统的研究[D];安徽理工大学;2019年

5 郑涛;一种改进的协同过滤算法及其在推荐系统中的应用[D];合肥工业大学;2019年

6 张杨;基于领域知识图谱实体消歧的协同过滤推荐算法研究[D];天津师范大学;2019年

7 王茹玉;基于信息推荐的中药适应症发现方法研究[D];北京交通大学;2019年

8 张翔;个性化小说推荐系统的设计与实现[D];北京交通大学;2019年

9 祝月芳;基于协同过滤的电影票务系统设计与实现[D];北京交通大学;2019年

10 周安琪;个性化推荐的协同过滤算法探究[D];上海交通大学;2017年

本文编号：2711299