基于情境感知的餐饮推荐模型设计

针对移动餐饮个性化推荐的情境敏感性,结合传统基于内容和协同过滤推荐方法的不足,以移动餐饮推荐为应用背景,详细设计了基于餐饮本体的情境模型和基于SWRL规则的推理方法。将基于情境的推荐和基于用户兴趣的推荐相结合,得到一个自适应的混合推荐模型。实验结果表明,该模型相比传统推荐模型解决了冷启动等问题,并提高了推荐结果的准确率和召回率。

基于协同过滤混合算法的餐饮推荐系统设计与实现

为了改善单一协同过滤算法在餐饮推荐系统中存在的"数据稀疏"问题,采用基于用户的协同过滤算法和基于物品的协同过滤算法相融合的方式,两种算法之间取长补短,设计餐饮推荐系统推荐引擎架构,实现基于协同过滤混合算法的餐饮推荐系统。

基于Flink的智能餐饮推荐系统研究

随着信息时代的发展,许多餐厅将美食上传到互联网平台供消费者选择,面对大量美食,消费者往往陷入选择困难的场景之中。针对上述问题,基于用户协同过滤算法,利用大数据流计算引擎Flink实现了一款实时智能餐饮推荐系统。系统前后端设计分离,前端使用Thymeleaf和BootStrap等技术,后端使用Spring Boot框架,集成Kafka、Redis、MySQL等组件。Spring Boot负责处理用户的请求,评分数据录入MySQL,前端将采集到的数据清洗后交付Kafka消息队列,Kafka将信息传递给Flink进行流计算分析,实时计算结果放入Redis数据库,供Spring Boot和Thymeleaf使用。最终实现用户登录注册、热门美食推荐、个性化美食推荐功能。

基于智能数据分析的导游服务终端

移动互联网时代的到来,极大地改变了人们的生活,如今在景区内部导游服务也逐步走向了智能化。本项目研究运用Android开发平台,开发一款可为客户提供景区附近的餐饮推荐、景区内部游览路线推荐、景区景点介绍的智能导游终端软件。基于现有地图数据,根据用户所在经纬度位置自动分析出一条合适的游览路线。同时根据景点附近的住宿食宿信息以及网上评价,推荐旅游线路和景区周围的食宿服务,提升旅行的质量。并在百度等搜索引擎上搜索景点介绍资料,从中选取最优价值的部分,通过语音合成自动播放给游客介绍景点。

基于数据库技术的Apriori改进算法研究与应用

通过学习《数据库原理与应用》这门学科,将数据库知识与数据挖掘知识相结合,研究Apriori改进算法及它在餐饮智能推荐中的应用。针对基本Apriori算法在运行过程中需要多次扫描数据库,算法每次生成的候选项集多,导致系统开销过大,运行效率低的问题,提出一种改进的Apriori算法。将改进后的算法应用到餐饮智能推荐中,取得良好的效果。