近年来,互联网行业飞速发展,许多传统行业开始与互联网结合并通过数字化的改造、转型与升级创造出新的发展生态。尤其在国人最关注的“吃”的方面,餐饮行业通过将点餐、结算等一系列的服务流程从线下搬运到线上,使得顾客使用移动设备即可享受到更加方便快捷自由的服务。但是当前的很多点餐应用只是将原有的文本信息数字化,并没有让顾客得到个性化的服务。纵观其他电子商务行业的应用例如淘宝和京东已经能够通过推荐系统为用户提供个性化的推荐服务,为用户自动找出可能感兴趣的商品,而现在的点餐应用还不具备这种功能。为此设计出一个点餐系统,并在其中加入推荐系统来为在餐厅内点餐的用户提供个性化的推荐服务,该推荐系统使用了对基于协同过滤推荐算法改进的混合推荐算法。传统的基于协同过滤的推荐算法存在着数据稀疏性高、推荐解释性差以及冷启动等问题。根据这些问题,可以使用基于内容和基于关联规则的推荐算法的特性对基于协同过滤的推荐算法进行改造。其核心思想是通过基于关联法则的算法对物品进行评分预测并使用此预测评分填充数据集降低数据的稀疏性,然后结合基于内容与基于协同过滤计算的物品相似度去预测用户评分并根据评分的高低给目标用户产生推荐物品。在为用户推荐菜品的时候,不能只靠推荐算法产生的结果,还需要结合一定的推荐策略来对物品进行组合排序筛选最后为用户推荐出合适数目且搭配合适的一系列菜品。因此设计出一种推荐策略,根据用餐人数和菜品的分类信息为用户推荐出数目合适且荤素搭配合理的一套菜品。结合餐饮行业中消费者和商家的需求,设计并实现了一个包含点餐微信小程序、餐饮管理应用在内的智能推荐点餐系统。该系统不仅可以帮助消费者快速地找到自己喜欢吃的菜品和享受自由便捷的点餐服务,还可以帮助商家管理餐饮相关信息并且了解自己的运营情况。
基本信息
| 题目 | 基于微信小程序的智能推荐点餐系统的设计与实现 |
| 文献类型 | 硕士论文 |
| 作者 | 李昊 |
| 作者单位 | 南京邮电大学 |
| 导师 | 李涛 |
| 文献来源 | 南京邮电大学 |
| 发表年份 | 2020 |
| 学科分类 | 信息科技,经济与管理科学 |
| 专业分类 | 计算机软件及计算机应用,服务业经济,贸易经济 |
| 分类号 | F719.3;F724.6;TP391.3 |
| 关键词 | 点餐,微信小程序,推荐系统,协同过滤,关联法则 |
| 总页数： | 62 |
| 文件大小： | 2073K |
论文目录
| 摘要 |
| Abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 点餐系统研究现状 |
| 1.2.2 推荐系统研究现状 |
| 1.3 本文的研究目标和内容 |
| 1.4 论文组织结构 |
| 第二章 系统相关技术概述 |
| 2.1 餐饮平台开发相关技术 |
| 2.1.1 微信小程序 |
| 2.1.2 uni-app框架 |
| 2.1.3 Spring Boot框架 |
| 2.1.4 数据库 |
| 2.2 推荐系统相关技术 |
| 2.2.1 基于内容的推荐算法 |
| 2.2.2 基于近邻的协同过滤算法 |
| 2.2.3 基于关联规则的推荐算法 |
| 2.3 本章小结 |
| 第三章 基于协同过滤的混合推荐算法 |
| 3.1 基于物品的协同过滤算法 |
| 3.2 基于关联规则的推荐算法 |
| 3.3 基于内容的推荐算法 |
| 3.4 混合推荐算法 |
| 3.5 测试与分析 |
| 3.6 本章小结 |
| 第四章 系统设计与实现 |
| 4.1 系统架构设计 |
| 4.2 功能模块设计 |
| 4.2.1 移动端功能模块设计 |
| 4.2.2 网络端功能模块设计 |
| 4.2.3 推荐系统功能模块设计 |
| 4.2.4 服务器端功能模块设计 |
| 4.3 数据库结构设计 |
| 4.4 系统实现 |
| 4.4.1 微信点餐小程序实现 |
| 4.4.2 网络端应用实现 |
| 4.4.3 推荐系统实现 |
| 4.4.4 服务器端实现 |
| 4.5 本章小结 |
| 第五章 系统测试与总结 |
| 5.1 测试环境搭建 |
| 5.1.1 测试平台环境说明 |
| 5.1.2 应用运行环境安装 |
| 5.1.3 数据库安装 |
| 5.2 系统功能测试 |
| 5.2.1 移动端应用功能测试 |
| 5.2.2 网络端应用功能测试 |
| 5.3 系统性能测试 |
| 5.4 全文工作总结 |
| 5.5 未来展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 致谢 |
参考文献
| [1] 基于协同过滤的商品个性化推荐算法应用研究[J]. 河北软件职业技术学院学报 2020(04) |
| [2] 基于时间上下文的个性化电影推荐算法研究[J]. 河北软件职业技术学院学报 2020(04) |
| [3] 基于物品综合流行性的实时推荐算法（英文）[J]. 机床与液压 2020(24) |
| [4] 基于多属性评分隐表征学习的群组推荐算法[J]. 数据分析与知识发现 2020(12) |
| [5] 基于自注意力机制与知识图谱的序列推荐算法[J]. 传感器与微系统 2021(02) |
| [6] 基于融合偏好的新闻推荐算法研究[J]. 辽宁科技大学学报 2020(06) |
| [7] 个性化推荐算法综述[J]. 智能计算机与应用 2020(08) |
| [8] 基于评分可信度的大数据线性回归推荐算法[J]. 计算机应用研究 2021(02) |
| [9] 基于数据挖掘的高校图书馆在线推荐算法研究[J]. 信息与电脑(理论版) 2020(23) |
| [10] 基于多上下文信息的协同过滤推荐算法[J]. 计算机科学 2021(03) |
| [11] 基于在线评论的混合推荐算法[J]. 系统工程 2019(06) |
| [12] 基于校企合作的情景感知推荐算法研究[J]. 海峡科技与产业 2019(06) |
| [13] 融合时序的决策树推荐算法研究[J]. 现代计算机 2019(34) |
| [14] 算法实践中的多义与转义：以新闻推荐算法为例[J]. 新闻大学 2019(12) |
| [15] 教程推荐算法研究[J]. 信息与电脑(理论版) 2019(24) |
| [16] 基于社交网络学习推荐算法的应用研究[J]. 信息系统工程 2019(12) |
| [17] 垂直学习社区基于学习兴趣与风格的社会化推荐算法[J]. 小型微型计算机系统 2020(01) |
| [18] 融合层次聚类和粒子群优化的鲁棒推荐算法[J]. 小型微型计算机系统 2020(01) |
| [19] 智能推荐算法安全风险研究[J]. 广东通信技术 2019(07) |
| [20] 基于门控循环单元与主动学习的协同过滤推荐算法[J]. 山东大学学报(工学版) 2020(01) |
| [21] 电影智能推荐算法的潜在文化影响[J]. 电影艺术 2020(01) |
| [22] 基于聚类和用户偏好的协同过滤推荐算法[J]. 计算机工程与应用 2020(03) |
| [23] 基于会话的推荐算法研究综述[J]. 现代计算机 2019(36) |
| [24] 基于兴趣点的多维度推荐算法研究[J]. 电脑知识与技术 2020(04) |
| [25] 一种基于层次分析的多维属性混合推荐算法[J]. 渤海大学学报(自然科学版) 2019(04) |
| [26] 一种时间加权的网络结构推荐算法[J]. 哈尔滨理工大学学报 2019(06) |
| [27] 基于协同过滤的改进课程推荐算法[J]. 科技传播 2020(05) |
| [28] 一种融合知识图谱与长短期偏好的下一项推荐算法[J]. 小型微型计算机系统 2020(04) |
| [29] 个性化推荐算法中“信息茧房”与用户权利的思考[J]. 新闻研究导刊 2020(05) |
| [30] 基于用户聚类的图书协同推荐算法研究[J]. 科技资讯 2020(09) |
相似文献
| [1]基于用户信任和位置偏好的餐厅推荐算法研究[D]. 王渝.重庆邮电大学2019 |
| [2]移动环境下商品推荐算法的研究与应用[D]. 卢昌杰.杭州电子科技大学2020 |
| [3]基于情景感知中央红沃沃购电商用户兴趣推荐研究[D]. 侯跃.哈尔滨商业大学2019 |
| [4]选品系统的设计与实现[D]. 司成浩.北京交通大学2019 |
| [5]推荐技术在电商平台中的应用研究[D]. 刘彬.华北电力大学2019 |
| [6]基于潜在特质的个性化推送二手交易APP的设计与实现[D]. 赵志强.南华大学2018 |
| [7]面向不平衡与稀疏数据的推荐算法研究[D]. 崔文豪.重庆邮电大学2018 |
| [8]移动电商平台多维动态推荐技术研究[D]. 薛慧丽.广东技术师范大学2019 |
| [9]基于内容关联的在线商品推荐系统研究与优化[D]. 霍辰辉.西安电子科技大学2018 |
| [10]基于用户评论的个性化推荐算法[D]. 吴士婷.北京理工大学2017 |
