基于深度学习推荐算法的校园美食平台
网络空间安全学院
互联网上存在众多餐饮点评平台，为用户提供菜品质量及餐厅服务信息，但没有一款面向高校的校园食堂菜品评估平台向用户提供消费决策参考。受类似平台的启发，本项目主要是要研发一款基于深度学习推荐算法设计的校园美食推荐小程序。
此款小程序是一款校园食堂菜品评估程序，主要面向高校学生、教师以及有食堂用餐需求的工作人员及食堂负责人员。用户可以根据小程序来查询美食信息，根据评分和其他用户的用餐体验来选择自己想吃的美食，并更有目的性的去相应窗口，提高用户用餐体验和效率。同时，食堂也可以根据用户点评来改进自身，从而起到一个监督作用，更能保证食堂食品卫生安全。
随着互联网的飞速发展，仅根据用户输入的关键词“被动”提供信息检索服务的搜索引擎技术已经无法满足人们的需要了。因此本产品在推荐功能的实现上选用基于深度学习的推荐算法，来实现小程序中搜索与推荐功能。
在前期，本小组通过查阅相关文献，发现基于深度学习的协同过滤算法主要分为两种，分别是基于记忆的方法和基于模型的方法。基于记忆的方法又分为User-User协同过滤和Item-Item协同过滤。其中User-User协同过滤通过计算用户之间的相似度来进行推荐。对于目标用户，找到与其兴趣相似的其他用户，并根据这些用户的行为给出推荐项目。但将其用于美食平台的推荐，难免会造成给推荐菜品口味重复，加之学校菜品基数少，因而可推荐的美食数量也会大大减少，因而不能够满足用户对美食的需求。Item-Item协同过滤与User-User协同过滤类似，但是针对的是项目之间的相似性。根据用户对已观看/购买项目的评分或行为，找到与目标项目最相似的项目进行推荐，由于本平台主要以食品为主，产品间的相关性较小，因此不适合采用此算法。所以综上，本组选用基于模型的深度学习协同过滤推荐算法。使用深度神经网络模型来建立用户和项目之间的复杂关系。这些模型利用丰富的特征表示和非线性映射来进行推荐任务。相比之下，基于模型的方法可以更好地处理稀疏数据、冷启动问题，并具有扩展性优势。深度学习模型可以通过学习用户和项目之间的非线性关系，在复杂推荐场景中取得更好的性能。
