论 文 题 目内功修炼法 | 基于个性化推荐的吃货宝设计与实现 | ||||||||
研 究 方共青团口号 向 | 工程应用 | ||||||||
题 目 来 源 | 国家 | 部委 | 省 | 市 | 厂、矿 | 自选 | 有无合同 | 六年级下册语文古诗经费数 | 备注 |
√ | |||||||||
题 目 类 型 | 理论 研究 | 应用 研究 | 工程 技术 | 跨学科 研 究 | 其他 | 应用研究 | |||
一、课题来源、选题依据、课题研究目的、工程应用价值 （1）课题来源 本课题是依据实训项目中“吃货宝智能点餐系统”，提出“基于个性化推荐的吃货宝设计与实现”的课题。 （2）选题依据 当今信息时代计算机的技术发展迅速，推荐系统已被广泛应用在社会生活，如百度地图最优路径选择，图书推荐，电子商务o2o商品信息推荐，百度推荐等。。如今，生活节奏加快，人们的时间观念加快。为在最短时间内高效向用户推荐菜单，我们将推荐系统应用于传统的餐饮业，为传统的餐饮业提供信息化平台，设计了菜单推荐系统，这将大大减小用户选择菜单而浪费的时间，切实方便用户的操作。 （3）课题研究目的及工程应用价值 个性化菜单推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的菜单信息。随着电子商务规模的不断扩大，菜单和餐厅个数和种类快速增长，顾客需要花费大量的时间才能找到自己需要的单品。这种浏览大量无关的菜品信息过程无疑会使淹没在信息过载问题中的消费者不断流失。为了解决这些问题，个性化菜单推荐系统应运而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助餐饮服务业为其顾客购物提供完全个性化的决策支持和信息服务。 本课题的研究对目前商品推荐技术的发展有很重要的应用价值，将传统的餐饮业和推荐系统相结合，深入探索协同过滤算法在推荐系统的应用。 | |||||||||
2、国内外研究现状、发展动态 目前，在国内推荐系统在餐饮业的应用广泛，作为O2O平台，饿了么的自身定位是连接“跟吃有关的一切”，同时也加入为用户推荐菜品功能。 除了现有的餐饮配送业务，目前饿了么已经将触角延伸至商超配送等其他领域。 截止2015年7月，饿了么已进入超过260个城市，累计用户近4000万，加盟餐厅近30万家，日交易额超过6000万，超过98%的交易额来自移动端。 截至2015年12月，饿了么业务已覆盖超过300个城市，饿了么交易额突破1亿元，日订单量超过330万单，创下外卖O2O行业新高。饿了么自营配送队伍已超过6000人，蜂鸟配送员超过50万人。饿了么旗下供应链平台“有菜”日交易额已超过600万元。 2015年12月外卖市场整体交易规模达70.9亿元，环比增长超过10%。各大外卖厂商中，饿了么以遗体告别仪式流程34.1%的整体份额笑到最后。 大众点评网于2003年4月成立于上海。大众点评是中国领先的本地生活信息及交易平台，也是全球最早建立的独立第三方消费点评网站。大众点评不仅为用户提供商户信息、消费点评及消费优惠等信息服务，同时亦提供团购、餐厅预订、外卖及电子会员卡等O2O（Online To Offline）交易服务。大众点评是国内最早开发本地生活移动应用的企业，目前已成长为一家移动互联网公司，大众点评移动客户端已成为本地生活必备工具。 个性化推荐系统的核心基于推荐算法来实现的。目前推荐算法有很多有基于类容推荐、基于协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐、基于组合推荐。 本项目基于协同过滤算法的来实现的推荐，通过计算用户的相似性和项目的相似性来划分相似用户和相似算法。 协同过滤推荐（Collaborative Filtering Recommendation）技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。 个性化推荐系统(recommender system)的研究一般认为始于1994 年明尼苏达大学 GroupLens研究组推出的 GroupLens 系统[1]，GroupLens 的贡献在于提出了将协同 过滤作为推荐系统的一个重要技术，这也是最早的自动化协同过滤推荐系统之一。 之后，推荐系统的相关技术得到了进一步发展和重视。例如：卡耐基梅隆大学的 Robert Armstrong 等人于 1995年开发了一个名为 Web Watcher 的互联网信息查找辅助系统，该系统已支持个性化推荐。同时，斯坦福大学的Marko Balabanovic 等人推出了个性化推荐系统 LIRA。麻省理工学院的Henry Lieberman 在 1995 年8 月的国际人工智能联合大会（IJCAI）上提出了个性化导航智能体Litizia；AT&T 实验室又于 1997 年提出了基于协同过滤的推荐系统 PHOAKS和 Referral Web；美国计算机协会 ACM 发起 RecSys 会议，以及在线影片租赁商 Netflix 的推荐算法大奖赛将推荐系统的研究推向了高潮。 未来个性化菜单推荐系统将在餐饮业应用也来越成熟，菜单推荐O2O形式将更加智能化。 3．研究基础 1.项目研究基础 本人在课后时间查阅了大量关于推荐系统的算法，深入理解推荐系统的工作原理，对比 了关于推荐系统中的多种基于协同过滤算法，分析它们的优缺点。同时将推荐系统应用于现在的餐饮行业的信息化平台。 2.环境基础 该项目是基于协同过滤算法的推荐系统研发，采用了当前Javaweb开发中的前沿技术，代表了这一行业在去雾方向上的发展趋势。结合本项目组中的软硬件研发相结合的特点，可以加深研发人员对整个产品的硬件结构、系统框架等的理解。 3.本人的研究基础 本人熟悉Javaweb语言，在校期间我参加了“吃货宝智能点餐系统”项目实训，在此期间，本人积累了一定开发经验，能熟练使用目前企业流行的springMVC框架开发，熟练使用oracle数据库，在前端本人熟练掌握了html+css+javascript技术开发， 实习期间，本人根据项目的研究方向，通过在图书馆查找搜集大量的参考文献，并阅读相关的技术资料，与校内导师多次讨论研究，目前已经学习积累了相关的技术和知识背景，具备一定的研究基础。 4、主要内容及研究开发过程中的关键点或难点 1.主要类容 吃货宝包括八个功能模块：商家管理、服务中心、订单管理、支付管理、用户管理、系统管理、好友管理与评论模块。其中商家管管理模块提供商家地理定位、商家展示；服务中心模块用于提供美食搜索、自助服务以及常见问题；订单管理模块为用户提供了订单管理功能，主要包含了未完成订单、待评价订单、全部订单、已完成订单以及订单配送；支付管理模块主要为用户提供在线支付功能；用户管理模块包含了用户地理定位、个人中心、安全中心以及退出登录；系统管理模块提供了用户管理、商品管理、商家管理、地域控制以及订单管理；好友管理模块主要包含了好友管理和圈子分享功能；评论模块为用户提供了用户评价和评论分享功能。如图1所示 图1，系统功能结构图 吃货宝的核心组件包括外卖、商家展示、我的订单、我的账户以及设置等方面等。系统应用了MVC结构系统逻辑分层组件结构如下图2所示： 图2系统逻辑图 业务流程主要流程是管理员登录成功查看订单信息按是否是成功的预定分为无效订单主要原因顾客临时退订和有效预定菜单。管理员将无效的订单处理结果反馈给用户，表明无效处理成功，管理员处理订单时开始点菜并生成点菜单就是账单。顾客根据可以输入自己的偏好以及系统根据过去记录下来顾客对菜品的打分分析顾客的可能喜欢的菜品信息并推荐给用户。如图电脑怎么连耳机3所示 图3系统主要业务流程图 2.关键点或难点 吃货宝智能点餐系统应有清晰的模块划分和业务流程划分，开发工具采用Myeclip集成开发环境，使用语言java，使用目前流行的springMVC开发框架，前端采用了HTML+CSS+JQUERY，数据库采用了oracle。基于此项目，我采用了基于协同过滤算法的推荐技术。 5、实施方案及可行性分析 1.实施方案 用户检索：用户通过浏览器进入系统界面，可以根据商家名，菜品名进行搜索，同时也可以根据通过定位系统，搜索附近的商家，当用户无搜索词时，则由系统自动推荐。如图4所示。 图4流程图 Structure 数据结构如图5所示 图5概念模型 协同过滤过滤算法： 基于item的协同过滤，通过用户对不同item的评分来评测item之间的相似 性，基于item之间的相似性做出推荐。简单来讲就是：给用户推荐和他之前喜欢的物品相似的物品。基于物品的 CF 的原理和基于用户的 CF 类似，只是在计算邻居时采用物品本身，而不是从用户的角度，即基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。从计算 的角度看，就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，得到物品的相似物品后，根据用户历史的偏好预测当前用户还没有表示偏好的 物品，计算得到一个排序的物品列表作为推荐。图中 给出了一个例子，对于物品 A，根据所有用户的历史偏好，喜欢物品 A 的用户都喜欢物品 C，得出物品 A 和物品 C 比较相似，而用户 C 喜欢物品 A，那么可以推断出用户 C 可能也喜欢物品 C。如图6所示 图6：协同过滤主要原理图 2.可行性分析： 个性化菜单推荐系统的核心是推荐系统算法，本项目中应用了系统协同过滤算法，该算法目前已经成功应用在各个领域，例如美国的Netflix电影推荐，应用推荐技术，同时在hadoop上处理大量的用户信息，最终根据用户的喜好向用户推荐电影。此外还有图书推荐，零食推荐等物品推荐。 本人熟悉Javaweb技术，在校期间我参加了“吃货宝智能点餐系统”项目实训，在此期间，本人积累了一定开发经验，能熟练使用目前企业流行的springMVC框架开发，熟练使用oracle数据库，在前端本人熟练掌握了html+css+javascript技术开发，该软件分为移动端和web服务端，应用tomcat为服务器。 本人在项目实训期间与项目组成员讨论研究了吃货宝智能点餐系统的用户需求设计，概要设计，详细设计，编码实现，最终编码实现和系统测试。 实习期间，本人根据项目的研究方向，通过在图书馆查找搜集大量的参考文献，并阅读相关的技术资料，与校内导师多次讨论研究，目前已经学习积累了相关的技术和知识背景，具备一定的研究基础。 6、参考文献 [1]程勇，黄河，邱莉榕等. 一个基于相似度计算的动态多维概念.映射算法[J]. 小型微型计算机系统，2006，6. [2]朱礼军，陶兰，刘慧. 领域本题中的概念相似度计算[A]. 华南理工大学学报（自然科学版），2004,11. [3] 田萍芳, 李跃新. MVC 模式在 Java B/S 开发中的应用研究[J]. 湖北大学学报 (自然科学版), 2005, 27(2). [4] Thomas Kyte. Oracle Databa 9i/10g/11g 编程艺术-深入数据库体系结构(第2版)[M]. 北京: 人民邮电出版社, 2012. [5] 李刚. 轻量级 Java EE 企业级应用实战[J]. —— Struts2+ Spring3+ Hibernate 整合开发, 2011. [6] 蒋昕, 谢东闻, 单昭祥. 论 “会计恒等式” 的作用[J]. 中国管理信息化, 2011 (004): 26-27. [7] 百度百科. 会计恒等式[EB/OJ]. (2013-10-30). /view/375723.htm. [8] Dean J, Ghemawat S. Map/Reduce: simplified data processing on large clusters[J]. Communications of the ACM, 2008, 51(1): 107-113. [9] McKenna A, Hanna M, Banks E, et al. The Genome Analysis Toolkit: a Map/Reduce framework for analyzing next-generation DNA quencing data[J]. Genome rearch, 2010, 20(9): 1297-1303. [10] Gates A F, Natkovich O, Chopra S, et al. Building a high-level dataflow system on top of Map-Reduce: the Pig experience[J]. Proceedings of the VLDB Endowment, 2009, 2(2): 1414-1425. [11] Bray T, Paoli J, Sperberg-McQueen C M, et al. Extensible markup language (XML)[J]. World Wide Web Journal, 1997, 2(4): 27-66. [12] 李军怀, 周明全, 耿国华, 等. XML 在异构数据集成中的应用研究[J]. 计算机应用, 2002, 22(9): 10-12. [13] 朱韵篪, 程代杰. 基于 XML 的分布式数据交换中间件模型设计[J]. 计算机工程与设计, 2003, 24(8): 35-38. [14] 聂红梅, 赵建民. Oracle 数据库中 Clob 大字段的查询优化技术研究[J]. 计算机技术与发展, 2006, 16(8): 33-34. [15] 吴永英, 吕继云, 班鹏新. 基于 JMS 和 XML 的数据集成研究[J]. 计算机应用研究, 2004, 7: 43-45. [16] 戴俊, 朱晓民. 基于守卫边疆 ActiveMQ 的异步消息总线的设计与实现[J]. 计算机系统应用, 2010 (008): 254-257. [17] 朱方娥, 曹宝香. 基于 JMS 的消息队列中间件的研究与实现[J]. 计算机技术与发展, 2008 (05). | |||||||||
本文发布于:2023-07-30 18:11:47，感谢您对本站的认可！
本文链接：https://www.wtabcd.cn/fanwen/fan/82/1123974.html
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
| 留言与评论（共有 0 条评论） |
