基于改进协同过滤的糖尿病饮食推荐系统

发布时间：2017-04-12 00:06

  本文关键词：基于改进协同过滤的糖尿病饮食推荐系统，由笔耕文化传播整理发布。

【摘要】：糖尿病是一种慢性疾病,到目前还没有完全治愈的医疗手段,但是糖尿病可以通过人工干预进行控制。饮食控制是治疗糖尿病的主要手段之一,它的主要作用是减轻患者胰岛负担,使血糖和血脂维持在正常人的水平,再配合上药物的使用,有效的改善患者的健康状况。传统上糖尿病患者的饮食都是由特定的医师或者营养师亲自调配的,患者一多不仅在程序上难以管理,而且有食物的种类比较的单一,不符合患者口味等情况,同时营养师的工作量也大大增加。因此,通过计算机和人工智能,为糖尿病患者自动推荐饮食亟待解决。本文围绕协同过滤推荐算法展开研究,通过对范例推理算法(CBR)的深入了解,将范例推理能进行预测的特性应用到协同过滤的冷启动问题,并通过遗忘模型来完成对范例库的修正,然后对用户未评分的项目进行推理评分,最后用基于用户的协同过滤进行Top-N推荐。通过实验可知,结合范例推理的协同过滤对缓解协同过滤矩阵稀疏性问题有一定的辅助作用。此外,依靠改进的推荐引擎和android平台以及信息支撑系统为患者和医师之间打造了一个饮食推荐平台,并在linux系统部署hadoop分布式计算环境来提高系统推荐效率。系统不仅能满足患者的饮食需求,对于医师来说也控制了患者的饮食摄入,而且可以通过系统收集患者的饮食习惯和饮食信息,对病情的控制也起到了一定的作用,对营养师的工作也有了很大的帮助。
【关键词】：安卓 hadoop 糖尿病饮食 协同过滤 范例推理 稀疏性 遗忘模型
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3;R587.1
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-12
• 1.1 课题的研究背景和意义8-9
• 1.2 糖尿病饮食推荐系统国内和国外发展现状9-10
• 1.3 论文的主要工作10-11
• 1.4 论文的组织结构11-12
• 第二章 推荐系统相关技术12-16
• 2.1 推荐系统简介12
• 2.2 推荐系统的构成12-13
• 2.3 推荐相关技术概述13-15
• 2.3.1 基于关联规则的推荐13-14
• 2.3.2 基于内容的推荐14
• 2.3.3 基于协同过滤的推荐14-15
• 2.4 各种推荐技术比较15-16
• 第三章 改进的基于范例推理的协同过滤以及hadoop分布式计算16-40
• 3.1 协同过滤算法简介16-21
• 3.1.1 协同过滤原理16
• 3.1.2 协同过滤算法分类16
• 3.1.3 基于模型的协同过滤算法16-21
• 3.2 范例推理21-25
• 3.2.1 范例推理的特点22-23
• 3.2.2 范例推理原理和组成部分23-25
• 3.2.3 范例推理的主要应用领域25
• 3.3 对协同过滤算法的改进25-30
• 3.3.1 范例库的建立26
• 3.3.2 范例的检索与提取26
• 3.3.3 范例的记忆与学习26
• 3.3.4 范例库的调整26-28
• 3.3.5 通过协同过滤进行推荐28-30
• 3.4 实验及分析30-33
• 3.4.1 实验设计30-31
• 3.4.2 算法效果评价指标31-32
• 3.4.3 实验结果分析32-33
• 3.5 hadoop分布式计算环境33-40
• 3.5.1 为什么要使用hadoop33-34
• 3.5.2 hadoop简介34-35
• 3.5.3 hadoop分布式环境搭建35-40
• 第四章 系统的设计开发和实现40-63
• 4.1 相关技术架构40-42
• 4.1.1 SpringMVC40
• 4.1.2 Android平台40-41
• 4.1.3 Mysql41
• 4.1.4 Tomcat41-42
• 4.2 软件架构设计42-44
• 4.2.1 系统总体架构42
• 4.2.2 后台支撑系统架构42-43
• 4.2.3 Android客户端设计架构43-44
• 4.2.4 开发环境介绍44
• 4.3 系统详细设计44-53
• 4.3.1 后台管理系统设计44-50
• 4.3.2 推荐功能设计以及用户自动评分规则50-53
• 4.4 数据库设计53-54
• 4.4.1 数据库E-R图53
• 4.4.2 数据库主要表结构设计53-54
• 4.5 系统的实现54-63
• 4.5.1 后台管理系统实现54-58
• 4.5.2 患者APP实现58-63
• 第五章 总结63-65
• 参考文献65-68
• 在学期间的一些研究成果68-69
• 致谢69

【相似文献】

中国重要会议论文全文数据库 前10条

1 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

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 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

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

3 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

4 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011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 高e，

本文编号：300256