一、功能模块图

二、系统总体架构

系统基于若依框架分层架构设计，从下到上分为**数据服务层、业务逻辑层、交互展现层，支撑移动端（普通用户）与后台管理端（管理员）的核心功能**

具体架构职责如下：

架构层级 核心职责 关键实现
数据服务层 数据存储与交互支撑 调用自定义接口与 MySQL 数据库交互，处理用户、菜品、食材、营养参考值等数据的增删改查，为上层提供基础数据支撑
业务逻辑层 功能逻辑处理与算法计算 解析用户请求，结合****改进协同过滤（UPICF）、**多目标粒子群（MOPSO）**算法处理数据，以 JSON 格式返回结果
交互展现层 用户与系统的交互窗口 移动端（Android APP）提供用户操作界面；后台管理端（Web 浏览器）提供管理员数据管理界面

三、 数据库表

核心 ER 图

基于若依的数据表

序号 表名 作为
1 gen_table 代码生成业务表
2 gen_table_column 代码生成业务表字段
3 qrtz_blob_triggers Blob 类型的触发器表
4 qrtz_calendars 日历信息表
5 qrtz_cron_triggers Cron 类型的触发器表
6 qrtz_fired_triggers 已触发的触发器表
7 qrtz_job_details 任务详细信息表
8 qrtz_locks 存储的悲观锁信息表
9 qrtz_paused_trigger_grps 暂停的触发器表
10 qrtz_scheduler_state 调度器状态表
11 qrtz_simple_triggers 简单触发器的信息表
12 qrtz_simprop_triggers 同步机制的行锁表
13 qrtz_triggers 触发器详细信息表
14 sys_config 参数配置表
15 sys_dept 部门表
16 sys_dict_data 字典数据表
17 sys_dict_type 字典类型表
18 sys_job 定时任务调度表
19 sys_job_log 定时任务调度日志表
20 sys_logininfor 系统访问记录
21 sys_menu 菜单权限表
22 sys_notice 通知公告表
23 sys_oper_log 操作日志记录
24 sys_post 岗位信息表
25 sys_role 角色信息表
26 sys_role_dept 角色和部门关联表
27 sys_role_menu 角色和菜单关联表
28 sys_user 用户信息表
29 sys_user_post 用户与岗位关联表
30 sys_user_role 用户和角色关联表

新增数据表

一、用户健康信息表（<span class="ne-text">user_health_info</span>）支撑 UPICF

字段名 数据类型 长度 是否为空 主键 说明 关联表
id bigint 20 否 是 主键 ID -
user_id bigint 20 否 否 用户 ID（关联系统用户） sys_user(id)
age int 3 否 否 用户年龄（如 18-60） -
height int 3 否 否 身高（cm，如 170） -
weight int 3 否 否 体重（kg，如 70） -
occupation varchar 50 是 否 职业（如“办公室职员”“建筑工人”） -
activity_level tinyint 1 否 否 体力活动水平：1=轻（办公室职员）、2=中（教师）、3=重（建筑工人） -
flavor_preference varchar 50 是 否 口味偏好（如“辣”“甜”“鲜”） -

二、菜品信息表（<span class="ne-text">dish_info</span>）支撑 UPICF、MOPSO

字段名 数据类型 长度 是否为空 主键 说明 关联表
id bigint 20 否 是 主键 ID -
dish_name varchar 100 否 否 菜品名称（如“木耳炒肉”） -
cuisine varchar 50 是 否 菜系（如“川菜”“粤菜”） -
taste varchar 50 是 否 口味（枚举：辣/甜/鲜/咸/清淡） -
<span class="ne-text">cooking_method</span> varchar 20 否 否 烹饪方式（枚举：煎/炒/煮/蒸/烤） 考虑中
calories decimal 6,2 是 否 热量（千卡/100 克）
protein decimal 5,2 是 否 蛋白质（克/100 克）
fat decimal 5,2 是 否 脂肪（克/100 克）
carbohydrate decimal 5,2 是 否 碳水化合物（克/100 克）
<span class="ne-text">fiber</span> decimal 5,2 是 否 纤维素（克/100 克，如 3.50）
img_url varchar 255 是 否 菜品图片 URL -
create_by varchar 64 否 否 创建人（管理员 ID） <span class="ne-text">sys_user</span>(username)
create_time datetime - 否 否 创建时间 -
update_by varchar 64 是 否 更新人 <span class="ne-text">sys_user</span>(username)
update_time datetime - 是 否 更新时间 -

三、食材信息表（<span class="ne-text">ingredient_info</span>）支撑 MOPSO

支撑 MOPSO 营养规划

用途：存储食材营养数据，支撑营养规划算法（MOPSO），数据源自《中国食物成分表》。

字段名 数据类型 长度 是否为空 主键 说明 关联表
id bigint 20 否 是 主键 ID -
igd_name varchar 100 否 否 食材名称（如“黑木耳”“猪肉”） -
igd_category varchar 50 是 否 食材类别（如“蔬菜类”“肉类”） -
calories decimal 6,2 是 否 热量（千卡/100 克） -
protein decimal 5,2 是 否 蛋白质（克/100 克） -
fat decimal 5,2 是 否 脂肪（克/100 克） -
carbohydrate decimal 5,2 是 否 碳水化合物（克/100 克） -
<span class="ne-text">fiber</span> decimal 5,2 是 否 纤维素（克/100 克）
create_time datetime - 否 否 创建时间 -
update_time datetime - 是 否 更新时间 -

四、菜品-食材关联表（<span class="ne-text">dish_ingredient_rel</span>）支撑 MOPSO

用途：关联菜品与食材，记录食材在菜品中的用量比例（多对多关系）。

菜品-食材关联表（<span class="ne-text">dish_ingredient</span>）：支撑 MOPSO 营养计算
字段名 数据类型 长度 是否为空 主键 说明 关联表
<span class="ne-text">id</span> bigint 20 否 是 主键 ID -
<span class="ne-text">dish_id</span> bigint 20 否 否 菜品 ID（关联<span class="ne-text">dish_info.id</span>） <span class="ne-text">dish_info(id)</span>
<span class="ne-text">igd_id</span> bigint 20 否 否 食材 ID（关联<span class="ne-text">ingredient_info.id</span>） <span class="ne-text">ingredient_info(id)</span>
<span class="ne-text">quantity</span> decimal 6,2 否 否 用量（克，如 100.00） -
<span class="ne-text">unit</span> varchar 10 是 否 单位（如“克”“个”） -
<span class="ne-text">create_time</span> datetime - 否 否 创建时间 -

五、菜品评分表（<span class="ne-text">dish_rating</span>）支撑 UPICF

用途：存储用户对菜品的评分，支撑改进协同过滤算法（UPICF）的偏好预测。

字段名 数据类型 长度 是否为空 主键 说明 关联表
id bigint 20 否 是 主键 ID -
user_id bigint 20 否 否 用户 ID <span class="ne-text">sys_user</span>(id)
dish_id bigint 20 否 否 菜品 ID <span class="ne-text">dish_info</span>(id)
rating tinyint 1 否 否 评分值（1~5 分） -
rating_time datetime - 否 否 评分时间（用于时间权重计算） -
unique key (user_id,dish_id) - - - 唯一约束（同一用户对同一菜品仅能评一次） -

六、饮食记录表（<span class="ne-text">food_record</span>）支撑 UPICF

用途**：**记录用户选择的菜品及食用量，用于推荐时排除“近 3 日已食用菜品”。

字段名 数据类型 长度 是否为空 主键 说明 关联表
id bigint 20 否 是 主键 ID -
user_id bigint 20 否 否 用户 ID <span class="ne-text">sys_user</span>(id)
dish_id bigint 20 否 否 菜品 ID <span class="ne-text">dish_info</span>(id)
eat_time datetime - 否 否 食用时间 -
ingredient_amount text - 是 否 食材食用量（JSON 格式，如{“黑木耳”:79.1,”猪肉”:50}） -
create_time datetime - 否 否 记录创建时间 -

七、意见反馈表（<span class="ne-text">opinion_feedback</span>）支撑 UPICF

用途：存储用户反馈信息，支撑管理员后台的反馈处理功能。

字段名 数据类型 长度 是否为空 主键 说明 关联表
id bigint 20 否 是 主键 ID -
user_id bigint 20 否 否 反馈用户 ID <span class="ne-text">sys_user</span>(id)
feedback_type varchar 50 否 否 反馈类型（如“功能 bug”“建议”） -
content text - 否 否 反馈内容（5~200 字） -
handle_status tinyint 1 否 否 处理状态：0=未处理、1=已处理 -
handle_remark text - 是 否 处理备注（管理员填写） -
handle_by varchar 64 是 否 处理人 <span class="ne-text">sys_user</span>(username)
submit_time datetime - 否 否 提交时间 -
handle_time datetime - 是 否 处理时间 -

八、用户-菜品交互表（<span class="ne-text">user_dish_interaction</span>）：支撑 UPICF 核心

用途：存储用户对菜品的**行为数据（如评分、收藏），是 UPICF 计算用户偏好与菜品相似性的基础。 关键说明：<span class="ne-text">interaction_type</span>（交互类型）用枚举值（评分/收藏/点击），rating（评分）仅当交互类型为“评分”时有效，**<span class="ne-text">count</span>（次数）仅当交互类型为“点击”时有效。

字段名 数据类型 长度 是否为空 主键 说明 关联表
<span class="ne-text">id</span> bigint 20 否 是 主键 ID -
<span class="ne-text">user_id</span> bigint 20 否 否 用户 ID（关联<span class="ne-text">user_info.id</span>） <span class="ne-text">user_info(id)</span>
<span class="ne-text">dish_id</span> bigint 20 否 否 菜品 ID（关联<span class="ne-text">dish_info.id</span>） <span class="ne-text">dish_info(id)</span>
<span class="ne-text">interaction_type</span> varchar 20 否 否 交互类型（枚举：评分/收藏/购买/点击） -
rating tinyint 1 是 否 评分（1-5 分，仅评分时有效） -
<span class="ne-text">count</span> int 10 是 否 次数（仅点击时有效） -
<span class="ne-text">create_time</span> datetime - 否 否 创建时间 -

九. 用户营养需求表（<span class="ne-text">user_nutrition_goal</span>）：支撑 MOPSO 目标函数

用途：存储用户**每日营养目标（如热量 1500 千卡、蛋白质 100 克），是 MOPSO多目标优化的输入（如最小化热量、最大化蛋白质）。 关键说明：<span class="ne-text">calorie_goal</span>（热量目标）用千卡，<span class="ne-text">protein_goal</span>（蛋白质目标）用克****，统一单位确保计算准确性。**

字段名 数据类型 长度 是否为空 主键 说明 关联表
<span class="ne-text">id</span> bigint 20 否 是 主键 ID -
<span class="ne-text">user_id</span> bigint 20 否 否 用户 ID（关联<span class="ne-text">user_info.id</span>） <span class="ne-text">user_info(id)</span>
<span class="ne-text">calorie_goal</span> decimal 6,2 否 否 热量目标（千卡/天，如 1500.00） -
<span class="ne-text">protein_goal</span> decimal 5,2 否 否 蛋白质目标（克/天，如 100.00） -
<span class="ne-text">fat_goal</span> decimal 5,2 否 否 脂肪目标（克/天，如 50.00） -
<span class="ne-text">carbohydrate_goal</span> decimal 5,2 否 否 碳水化合物目标（克/天，如 200.00） -
<span class="ne-text">fiber_goal</span> decimal 5,2 否 否 纤维素目标（克/天，如 25.00） -
<span class="ne-text">create_time</span> datetime - 否 否 创建时间 -

四、模型数据来源

用户数据来源

**发放调查问卷 40 份 ，回收 38 份，有效 33 份；**附件 1

调查问卷

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
第一部分：基础信息与健康画像
1. 基本信息
信息类别	填写 / 选择项
性别	□ 男 □ 女
年龄	__________ 岁
身高	__________ cm
体重	__________ kg
职业	________________________（请填写具体职业，如：学生 / 程序员 / 教师等）
2. 身体活动水平（请选择最符合的一项）
□ 轻度活动（久坐办公 / 学习，基本无额外运动）
□ 中度活动（每周 3-5 次中等强度运动，如快走、骑车）
□ 重度活动（每周 5 次以上高强度运动，或体力劳动工作）
3. 您的健康目标（可多选，需补充内容请填写）
□ 减肥 / 控制体重
□ 增肌 / 健身塑形
□ 维持当前状态
□ 改善特定健康状况：________________________
□ 其他：________________________
4. 饮食限制与偏好
限制 / 偏好类别	填写 / 选择项
饮食类型	□ 普通饮食 □ 素食 □ 低糖饮食 □ 低脂饮食 □ 高蛋白饮食 □ 其他：__________
食物过敏	□ 无 □ 有：________________________（请填写具体过敏食物）
口味禁忌	□ 无 □ 不吃辣 □ 不吃甜 □ 其他：________________________
第二部分：口味偏好详细评分
请根据您的喜好程度为以下菜品评分（1 = 很不喜欢，2 = 不太喜欢，3 = 一般，4 = 比较喜欢，5 = 非常喜欢），在对应分数的□内打 “√”。
主食类
菜品	1 分（很不喜欢）	2 分（不太喜欢）	3 分（一般）	4 分（比较喜欢）	5 分（非常喜欢）
白米饭	□	□	□	□	□
面条 / 米粉	□	□	□	□	□
饺子 / 馄饨	□	□	□	□	□
馒头 / 包子	□	□	□	□	□
粥类	□	□	□	□	□
荤菜类
菜品	1 分（很不喜欢）	2 分（不太喜欢）	3 分（一般）	4 分（比较喜欢）	5 分（非常喜欢）
红烧肉	□	□	□	□	□
清蒸鱼	□	□	□	□	□
宫保鸡丁	□	□	□	□	□
番茄炒蛋	□	□	□	□	□
糖醋里脊	□	□	□	□	□
素菜类
菜品	1 分（很不喜欢）	2 分（不太喜欢）	3 分（一般）	4 分（比较喜欢）	5 分（非常喜欢）
麻婆豆腐	□	□	□	□	□
炒青菜	□	□	□	□	□
地三鲜	□	□	□	□	□
酸辣土豆丝	□	□	□	□	□
西红柿炒鸡蛋	□	□	□	□	□
汤品类
菜品	1 分（很不喜欢）	2 分（不太喜欢）	3 分（一般）	4 分（比较喜欢）	5 分（非常喜欢）
番茄蛋汤	□	□	□	□	□
紫菜蛋花汤	□	□	□	□	□
排骨汤	□	□	□	□	□
5. 您还特别喜欢哪些菜品？请列出 3-5 个：



1. ________________________（可选）
2. ________________________（可选）
第三部分：口味属性偏好
6. 您对以下口味的偏好程度（1 = 很不喜欢，2 = 不太喜欢，3 = 一般，4 = 比较喜欢，5 = 非常喜欢）
口味属性	1 分	2 分	3 分	4 分	5 分
辣味程度	□	□	□	□	□
甜味程度	□	□	□	□	□
咸味程度	□	□	□	□	□
酸味程度	□	□	□	□	□
油腻程度	□	□	□	□	□
清淡程度	□	□	□	□	□
7. 烹饪方式偏好（可多选，在□内打 “√”）
□ 炒菜 □ 蒸菜 □ 煮汤 □ 炖菜 □ 凉拌 □ 烧烤 □ 油炸 □ 无特殊偏好
8. 食材类别偏好（可多选，在□内打 “√”）
□ 猪肉 □ 牛肉 □ 鸡肉 □ 鱼肉 □ 海鲜 □ 豆制品 □ 叶菜类 □ 根茎类 □ 菌菇类
第四部分：饮食行为与习惯
9. 日常用餐规律（每题单选，在□内打 “√”）
用餐时段	选项
早餐	□ 每天都吃 □ 经常吃 □ 偶尔吃 □ 基本不吃
午餐	□ 规律 □ 不规律
晚餐	□ 规律 □ 不规律
夜宵	□ 从不 □ 偶尔 □ 经常
10. 主要饮食来源（可多选，在□内打 “√”）
□ 自己做饭 □ 食堂 □ 外卖 □ 餐馆 □ 家人准备
11. 您通常关注菜品的哪些方面？（请按重要性排序，1 为最重要，在括号内填 1-6 的数字，不重复）
() 口味好吃 () 营养价值 ( ) 热量控制 ( ) 食材新鲜 ( ) 制作便捷 ( ) 价格实惠
第五部分：营养健康认知
12. 在选择食物时，您对以下因素的重视程度（1 = 非常不重视，2 = 不重视，3 = 一般，4 = 重视，5 = 非常重视）
营养因素	1 分（非常不重视）	2 分（不重视）	3 分（一般）	4 分（重视）	5 分（非常重视）
热量 / 卡路里	□	□	□	□	□
蛋白质含量	□	□	□	□	□
脂肪含量	□	□	□	□	□
碳水化合物	□	□	□	□	□
维生素含量	□	□	□	□	□
膳食纤维	□	□	□	□	□
13. 您是否愿意为了健康适当调整饮食口味？（单选，在□内打 “√”）
□ 非常愿意 □ 比较愿意 □ 一般 □ 不太愿意 □ 完全不愿意
14. 您希望推荐系统重点关注什么？（最多选 3 项，在□内打 “√”，需补充内容请填写）
□ 符合我的口味偏好
□ 保证营养均衡
□ 控制总热量摄入
□ 提供多样化的选择
□ 考虑我的作息时间
□ 适应我的烹饪条件
□ 其他：________________________

填写说明：1. 请用黑色或蓝色笔填写，勾选选项时打 “√”；2. 需补充内容的项目，请在横线处清晰填写；3. 问卷填写完成后，可直接打印或导出为 PDF 存档。

问卷分析

性别分布
性别 数量
男 17
女 16
不同健康目标下的饮食类型偏好热力图

菜品数据来源

来自爬取薄荷健康-1635 道 涵盖菜品分布的菜系有山东菜、广东菜、北京菜、湖南菜、上海菜、四川菜、江西菜、河南菜、福建菜、浙江菜、山西菜、东北菜、滇黔菜、湖北菜、江苏菜、甘肃菜、安徽菜、陕西菜、台湾菜、新疆菜、海南菜、广西菜、天津菜、青海菜、宁夏菜。附件 2

菜品分类分布

菜品热量分布

五、数据处理

针对 33 份用户数据扩展到 960 名用户，扩展倍数为 30 倍。通过：1.**数值型增强、2.类别型增强 、3.特征插值增强、4.模式增强 、5.语义增强，增强后用户数据 **附件 3

增强方法

1. 数值型增强 (Numerical Augmentation)

原理：对用户的数值型偏好特征添加高斯噪声进行轻微扰动，生成相似但略有差异的用户数据。

实现方式：

  • 对每个原始用户生成 5 个变体
  • 对数值特征（如口味偏好、营养关注等）添加符合正态分布的噪声
  • 噪声范围控制在 ±0.5 到 ±0.8 之间
  • 保证扰动后的值在 1-5 的有效范围内

特征范围：

  • 口味偏好：spicy_preference, sweet_preference, salty_preference, sour_preference, greasy_preference, light_preference
  • 营养关注：calorie_focus, protein_focus, fat_focus, carb_focus, vitamin_focus, fiber_focus

2. 类别型增强 (Categorical Augmentation)

原理：基于用户群体特征（性别和 BMI 分类）进行分组，同组用户之间交换部分特征，生成新的用户组合。

实现方式：

  • 按照性别和 BMI 类别对用户进行分组
  • 在每组内部随机选择两个用户进行特征交换
  • 交换特征包括：口味偏好和饮食规律性特征
  • 每组最多生成 3 个组合变体

3. 特征插值增强 (Interpolation Augmentation)

原理：采用 SMOTE（Synthetic Minority Oversampling Technique）思想，对相似用户进行线性插值生成中间用户。

实现方式：

  • 使用 KNN 算法找到相似用户对
  • 对数值特征进行线性插值：<span class="ne-text">interpolated = user1[col] * alpha + user2[col] * (1 - alpha)</span>
  • 插值系数 alpha 在 0.3-0.7 之间随机选择
  • 每对相似用户生成 2-3 个插值变体

4. 模式增强 (Pattern Augmentation)

原理：识别并过采样少数用户模式，确保所有用户群体在增强数据中得到充分表示。

实现方式：

  • 基于健康目标和口味偏好强度识别用户模式
  • 对用户数少于 5 个的少数模式进行过采样
  • 为每个少数模式用户生成 3-5 个轻微扰动变体
  • 扰动范围限制在 ±1 以内

5. 语义增强 (Semantic Augmentation)

原理：结合地域饮食文化和健康目标模板，生成具有特定语义特征的用户数据。

实现方式：

  • 基于 6 个中国主要地域的饮食偏好模板（四川、广东、江苏、湖南、浙江、山东）
  • 为每个原始用户随机选择 2-3 个地域
  • 将用户原始偏好与地域特征进行混合：<span class="ne-text">blended_value = (original_value + template_value) / 2</span>
  • 结合用户主要健康目标模板进一步调整相关特征

数据后处理

去重策略

  • 基于关键特征（gender, age, bmi, spicy_preference, light_preference）进行去重
  • 确保生成的用户数据具有足够的多样性

数量调整

  • 若去重后数据不足目标数量，通过随机复制补充
  • 若去重后数据超出目标数量，通过随机抽样调整
  • 最终确保生成恰好 960 名用户的数据集

地域饮食偏好模板

系统内置了 6 个中国主要地域的饮食偏好模板：

  1. 四川：偏好辣味、咸味、酸味和油腻食物
  2. 广东：偏好甜味和清淡食物
  3. 江苏：偏好甜味和清淡食物，适量咸味
  4. 湖南：偏好辣味、咸味和酸味
  5. 浙江：偏好甜味和清淡食物，适量咸味
  6. 山东：偏好咸味和油腻食物

健康目标模板

系统针对三种主要健康目标设置了特征权重模板：

  1. 减重目标：重点关注热量、脂肪、碳水化合物和纤维
  2. 增肌目标：重点关注蛋白质、热量和碳水化合物
  3. 健康维持：均衡关注热量、蛋白质、纤维和维生素

最终数据附件 4、附件 5、附件 6

六、模型说明

推荐系统架构：

  1. 第一阶段：协同过滤推荐（UPICF）
  • 基于用户行为数据计算用户相似度
  • 生成候选菜品推荐列表
  • 为每个用户生成个性化评分预测
  1. 第二阶段：多目标优化（MOPSO）
  • 基于用户健康目标和营养需求优化推荐
  • 使用粒子群优化算法生成最优餐食组合
  • 平衡营养均衡、用户偏好和多样性

整体详细说明流程图

UPICF 协同过滤流程

1.2.1 初始化

  • 输入用户-菜品交互矩阵和用户特征数据
  • 初始化推荐器实例

1.2.2 相似度计算

  • 使用余弦相似度计算用户间相似性
  • 构建用户相似度矩阵

1.2.3 评分预测

  • 对于每个用户，找到最相似的 K 个用户
  • 基于相似用户的评分计算目标用户对未尝试菜品的预测评分
  • 使用加权平均方法，权重为用户相似度

1.2.4 推荐生成

  • 根据预测评分对菜品进行排序
  • 选择评分最高的 N 个菜品作为推荐结果

MOPSO 多目标优化流程

1.3.1 初始化

  • 以 UPICF 推荐结果作为输入
  • 初始化粒子群优化器，设置粒子数量、迭代次数等参数
  • 获取用户特征和菜品特征数据

1.3.2 目标函数定义

包含四个优化目标：

  1. UPICF 推荐分数：最大化协同过滤推荐的评分
  2. 营养均衡性：最小化实际摄入与理想营养比例的偏差
  3. 健康目标匹配度：根据用户健康目标（减重、增肌、维持等）匹配菜品
  4. 口味偏好匹配度：匹配用户的口味偏好（辣味、甜味、清淡等）

1.3.3 优化过程

  • 随机生成初始粒子群，每个粒子代表一种菜品组合方案
  • 迭代优化，更新粒子位置和速度
  • 计算每个粒子的适应度（目标函数值）
  • 跟踪个体最优解和全局最优解
  • 使用帕累托前沿选择非支配解

1.3.4 结果选择

  • 根据用户特征计算各目标的权重
  • 从帕累托最优解中选择加权得分最高的方案
  • 输出包含菜品、营养信息的详细推荐结果

七、模型评估

推荐系统评估结果总览

评估维度 具体指标 指标值 表现评价 核心问题与建议
1. 评分预测质量 RMSE 0.0027 极优秀 预测精度极高，但需警惕过拟合。
MAE 0.0004 极优秀
R² 0.9997 极优秀
皮尔逊相关系数 0.9999 极优秀
2. 系统覆盖率 覆盖率 0.0581 极差 推荐物品范围过窄，无法帮助用户发现更多内容。亟待改进。
3. 马太效应 所有物品基尼系数 0.1352 分布平等 系统有效避免了“富者愈富”效应，促进了公平性。
推荐物品基尼系数 0.0000 绝对公平
差异 -0.1352 效应良好
4. Top-K 推荐质量 Top-5 Top-10 Top-15 Top-20
精确率 1.0000 1.0000 1.0000
召回率 0.0093 0.0186 0.0280
F1-Score 0.0185 0.0366 0.0544
NDCG 0.9999 0.9999 0.9999
多样性 0.1275 0.1101 0.0828
新颖性 0.0000 0.0000 0.0000

核心结论与行动建议摘要

维度 结论 高优先级行动
准确性 过度优化：预测和排序精度极高，但可能已过拟合，牺牲了其他重要指标。 1.首要目标：提升覆盖率与召回率。引入长尾物品、调整算法策略（如降低推荐阈值，加入探索机制）。
覆盖率/召回率 严重短板：系统只触及了用户兴趣和物品库的冰山一角。 2.核心优化：增强多样性与新颖性。在推荐目标中加入多样性约束，实施“探索-利用”平衡策略。
多样性/新颖性 严重不足：推荐结果同质化严重，无法带来探索的乐趣。 3.模型复查：检查模型是否过拟合，确保其在更广的物品范围内仍能保持良好的泛化能力。
公平性 表现优异：系统推荐分布公平，无马太效应。

八、系统功能实施

用户端（移动端 Android APP）功能设计

1. 身份验证模块

负责用户账号的创建与安全校验，解决“用户如何合法进入系统”的问题，功能细节如下：

  • 注册：用户需按格式输入姓名、手机号、性别、密码（如密码长度 ≥6 位），通过阿里云短信 API 获取 4 位验证码完成注册；信息格式不符（如手机号位数错误、两次密码不一致）时弹窗提示错误。
  • 登录：支持“手机号/用户名 + 密码”登录，输入错误（如密码错误、账号不存在）时提示具体原因；登录成功后记录“上一次登录时间”并跳转至系统首页。
  • 找回密码：通过注册手机号接收验证码，验证通过后可重置密码（需两次输入一致的新密码），重置成功后同步更新数据库并跳转登录页。

2. 信息管理模块

负责用户个人信息与行为记录的管理，为“口味偏好预测”与“营养规划”提供数据支撑，功能如下：

  • 个人信息管理：

    • 查看：展示用户基础信息（姓名、性别、年龄、身高、体重、职业、身体活动水平（轻/中/重）、健康状况（无特殊疾病）、注册时间）；
    • 修改：支持编辑身高、体重、职业、身体活动水平等信息，修改后实时同步至数据库（如将“轻活动水平”改为“中活动水平”）。

  • 行为记录查询：（保留：我的喜欢）

    • 我的喜爱：展示用户收藏的高评分菜品，支持“取消收藏”操作，收藏状态实时同步至数据库。

3. 饮食推荐模块（核心功能）

是用户端核心模块，通过“口味偏好预测 + 营养均衡计算”解决“推荐什么菜”“吃多少”的问题，分两大子功能：

（1）菜品推荐子功能（基于改进协同过滤 UPICF）

核心逻辑为“通过用户历史评分预测潜在偏好，生成精准推荐列表”，具体功能：

  • 用户口味偏好建模：

    • 构建用户-菜品评分矩阵、菜品属性矩阵（含菜品的食材、口味、功效、烹饪方式等属性）；
    • 基于 TF-IDF 思想计算用户对菜品属性的兴趣权重（如用户频繁评分“香辣”口味菜品，则“香辣”属性权重升高），引入**时间权重函数（参考艾宾浩斯遗忘曲线）修正早期评分的影响（近期评分权重更高）；**
    • 填充稀疏矩阵：对用户未评分的菜品，按“菜品属性匹配度”计算填充值（如用户未评过分的“鱼香肉丝”与已评分的“宫保鸡丁”属性相似，则用“宫保鸡丁”评分均值填充）。

  • 用户相似度计算：

    • 在传统修正余弦相似度基础上，引入**用户影响因子（修正用户评分差异的影响）、菜品影响因子（修正菜品本身质量的影响），计算目标用户的近邻用户集（取相似度最高的前 K 个用户，K 最优值为 70）。**

  • 推荐列表生成：

    • 基于近邻用户的评分，通过 UPICF 算法计算目标用户对未评分菜品的预测评分；
    • 排除用户近 3 日已食用的菜品，按预测评分降序生成 TOP-N 推荐列表（如 TOP10），列表展示菜品名称、评分、收藏数、核心功效（如“减肥瘦身”“降血压”），点击可查看详情。

  • 冷启动处理：若用户无历史评分（新用户），则默认推荐系统内“收藏量 TOP10”的热门菜品，初步建立用户画像；用户产生评分后，自动切换为 UPICF 推荐逻辑。

（2）营养规划子功能（基于 MOPSO 算法）

核心逻辑为“根据用户营养需求，计算菜品中食材的适宜食用量”，具体功能：

  • 用户营养需求确定：

    • 根据用户年龄、性别、身体活动水平，查询《中国居民膳食营养素参考摄入量》，确定每餐（早/午/晚）的核心营养元素参考值——包含能量（千卡）、蛋白质（克）、脂肪（克）、碳水化合物（克）（如 24 岁女性轻活动水平，午餐能量参考值为 720.57 千卡，蛋白质 27 克、脂肪 20 克、碳水化合物 108.1 克）；
    • 按“三餐能量摄入比例 3:4:3”拆分每日营养需求（如每日需 2000 千卡，则早餐 600 千卡、午餐 800 千卡、晚餐 600 千卡）。

  • 食材食用量计算：

    • 用户从推荐列表中选择菜品后，系统自动解析菜品所含核心食材（如“木耳炒肉”含黑木耳、猪肉，“西红柿炒蛋”含西红柿、鸡蛋）；
    • 调用 MOPSO 算法，结合食材营养元素含量（来源于《中国食物成分表》，如 100 克猪肉含 395 千卡能量、13.2 克蛋白质、37.0 克脂肪），计算食材食用量，确保营养元素摄入量在“推荐膳食营养素摄入量（RNI）~可耐受最高摄入量（UL）”范围内；
    • 输出 3 套可选食用量方案，每套方案展示“食材名称、推荐量（克）、实际营养元素含量、与参考值的偏差率”（实验验证偏差率 ≤8%，符合健康标准）。
（3）混合推荐模型：

4. 菜品搜索模块

满足用户主动查找菜品的需求，提供高效检索功能，细节如下：

  • 模糊查询：用户输入菜品名称/食材关键词（如“芹菜”“红烧肉”），系统通过正则表达式匹配结果，返回含关键词的所有菜品（如输入“芹菜”，返回“芹菜鸡丝”“芹菜炒香菇”“虾米炒芹菜”）；

  • 快捷搜索：

    • 热门搜索：展示近一周用户搜索量 TOP8 的词条（如“家常菜”“牛肉”“鸡蛋汤”），点击词条可快速填充搜索框并执行查询；
    • 近期搜索：按时间倒序展示用户历史搜索记录，支持“清空历史”操作；

  • 结果交互：搜索结果列表展示菜品名称、评分、核心食材，点击菜品可进入详情页（查看做法、功效、用户评价）。

5. 基础辅助模块

提供基础交互与信息展示功能，提升用户体验：

  • 营养知识展示：首页顶部设置轮播图，展示营养常识（如“蛋白质的主要来源”“碳水化合物的作用”），点击图片可进入详情页查看完整内容；
  • 热门菜品列表：首页展示近一周点击量 TOP10 的热门菜品，支持按“评分（从高到低）”“收藏数（从多到少）”筛选排序，点击菜品可直接加入“待选菜品”用于营养规划。

管理员端（后台 Web 端）功能设计

面向系统管理员，核心目标是“数据管理 + 统计分析 + 反馈处理”，基于 Vue+SpringBoot+Mybatis 实现，包含 3 大核心模块：

1. 数据统计模块

提供系统运行数据的可视化展示，辅助管理员掌握系统状态，功能如下：

  • 核心指标概览：首页展示实时统计数值，包括“总用户数”“菜品总数”“食材总数”“昨日登录用户数”；
  • 可视化分析：
    • 饼图：展示“菜系分布”（如家常菜占比 40.85%、川菜占比 25%）、“用户性别分布”（如男性 52%、女性 48%）、“用户年龄段分布”（如 40 岁 60%、41~60 岁 25%）；
    • 柱状图：展示“菜品点赞热度TOP6”“菜品历史评分 TOP6”，鼠标悬浮图表可查看具体数值（如“手撕包菜”评分 94.0 分、收藏 17 次）。

2. 数据管理模块

负责系统核心数据的增删改查，确保数据准确性与完整性，分 3 个子模块：

（1）用户信息管理
  • 数据查看：按分页展示所有用户的基础信息（用户 ID、姓名、手机号、性别、年龄、身体活动水平、注册时间、上一次登录时间）与行为标签（如“常浏览家常菜”“偏好清淡口味”）；
  • 操作功能：
    • 添加用户：管理员可手动录入用户信息（如为社区特定人群创建账号），录入后同步至用户信息表；
    • 编辑用户：支持修改用户“身体活动水平”“健康状况”等信息（如将“无疾病”改为“轻度高血压”，但需备注修改原因）；
    • 删除用户：支持单个/批量删除无效账号（如长期未登录（超过 6 个月）的账号），删除前需二次确认；
    • 模糊查询：通过“用户 ID、姓名、手机号”关键词筛选用户，快速定位目标账号。

（2）菜品/食材信息管理

  • 菜品管理：

    • 数据查看：展示菜品详情**（菜品 ID、名称、类别、功效、食材、烹饪方式、口味、制作方法、评分、收藏数、图片 URL）；**
    • 操作功能：添加菜品（录入新菜品信息，上传图片并填写 URL）、编辑菜品（修改口味、做法等内容，如将“微辣”改为“中辣”）、删除菜品（清理数据缺失/低评分（≤30 分）的菜品）；支持按“菜系”“评分”“收藏数”筛选菜品。

  • 食材管理：

    • 数据查看：展示食材营养数据（食材 ID、名称、类别（如谷物类、豆类）、可食部分（%）、热量（千卡/100 克）、蛋白质（克/100 克）、脂肪（克/100 克）、碳水化合物（克/100 克））；
    • 操作功能：添加食材（从《中国食物成分表》补充新食材，如“藜麦”）、编辑食材（修正营养含量数据，如更新“黑豆”的蛋白质含量）、删除食材（清理无效/重复食材）。

九、存在问题

1.数据的使用性。

1 采用了构建用户画像，调查问卷，提取用户对菜品的特征处理，但缺乏用户对菜品的真实使用数据，（如点击、收藏、评分）等相关具体的真实性数据，对系统真实使用性。——数据来源策略 1

2.若采用用户对菜品的真实使用数据（模拟用户使用），则用户对菜品的稀疏度、冷启动存在弊端。——数据来源策略 2

2.当前进度，已完成任务书、开题报告、毕业设计，进一步完善毕业论文、模型优化

十、附件资料

附件 1：📎 用户饮食偏好.xlsx

附件 2：📎 菜品.xlsx

附件 3：用户数据增强📎enhanced_user_features_960.csv

附件 4：用户数据增强📎enhanced_user_features_960.csv

附件 5：菜品特征📎enhanced_dish_features.csv

附件 6：用户-菜品交互📎user_dish_interaction.csv