基于Spark的智能菜品推荐系统设计与实现

为解决人们“每天不知道吃什么”的烦恼,采用Spark分布式处理框架,结合分布式存储数据库(MongoDB)、日志收集系统(Flume)、分布式系统文件(HDFS)等工具,实现对菜品实时评分及特色化推荐。系统包含菜品评分及储存模块、评分数据处理模块、菜品推荐模块、推荐结果展示模块等,其中推荐模块采用协同过滤推荐算法。使用测评方法和指标验证3种推荐模型的有效性,根据测评结果设计并实现以基于物品的推荐模型为主、以基于Spark ALS的推荐模型为辅的智能菜品推荐系统。该系统能够快速准确地推荐顾客喜欢的菜品,提高了商家的服务效率和顾客的满意度,可用性较高。

基于兴趣感知和时间因子的个性化菜品推荐

目前推荐系统已广泛应用在各种电子商务网站上,但针对菜品的个性化推荐很少。针对菜品推荐中存在别名多、用户菜品矩阵稀疏以及新用户冷启动等难题,对基于用户的协同过滤算法进行改进,设计一种融合专家选择和在线推荐的菜品推荐系统。专家选择通过对菜品进行种类层次划分为用户兴趣建模做准备,在线推荐通过兴趣感知选择算法选择餐厅中的专家用户和候选菜品,从而实现对用户菜品的推荐。最后通过在候选菜品选择时引入时间敏感因子和协同过滤中引入时间遗忘因子,改进兴趣感知算法和菜品偏好预测效果。实验结果表明,所设计算法较传统算法在准确性和推荐效率上有明显改进,并得出了针对菜品推荐时引入时间因子有利提高推荐准确性的结论。

面向移动终端网络的在线快餐智能推荐系统研究

为了解决用户点餐时推荐菜品不准确的情况,设计面向移动终端网络的在线快餐智能推荐系统。在系统整体结构中,数据层将用户信息和菜品信息传递到应用层,应用层综合用户历史点餐记录和历史评价结果,使用协同滤波算法构建评分矩阵,通过评分矩阵结合修正余弦相似度计算方法获得相似度,根据相似度计算得到最终的推荐结果,通过移动终端网络通信模型将推荐结果传输到终端层,经移动设备将推荐结果呈现给用户。经实验验证,该系统在向用户推荐菜品时具有较高的准确性,而且推荐时能够覆盖大部分菜单,同时将新菜品推荐给符合偏好的用户,具有较高的覆盖率和新颖度,且系统响应时间较快、性能良好。

和记鲶鱼

记者手记：经营了十多年的家常馆子，现在环境已经升级了。每天能卖近300斤的鲶鱼，鲶鱼细腻滑嫩，酱烧出绝对美味。