耿化聪,梁宏涛,刘国柱

(青岛科技大学信息科学技术学院,山东 青岛 266061)

0 引 言

随着互联网的普及，人们在互联网上分享了大量食谱信息，这些信息为人们日常的饮食选择带来了一定帮助，但同时也会随之产生信息过载问题，此时一款高效的饮食推荐系统将会为用户解决这一难题。

如今推荐系统[1]已被广泛应用于电子商务[2]、新媒体[3]等领域。在各种推荐算法中应用最广泛的是协同过滤算法[4]，该算法通过分析用户-物品评分矩阵数据得出用户偏好进行推荐。然而传统的基于协同过滤算法的推荐系统通常会受得稀疏性问题和冷启动问题的困扰，此外，因为一些新物品在过去从未有用户与其进行交互，导致无法向用户推荐新的物品，使用户无法探索大量的全新物品。

近年来，一些学者在饮食推荐领域做出很多相关研究，Sobercki等[5]在基于人口统计学推荐模型中引入模糊推理模型进行饮食推荐,这提高了专家在食谱推荐领域知识建模方面的自由度。Freyne等[6]把菜谱分解为各种原料，通过传统的基于内容协同过滤算法和机器学习算法进行饮食推荐，提高了推荐结果的覆盖率和准确率。Schafer等[7]在协同过滤算法的基础上，引入用户健康和口味等级信息，并通过基于等级的运动推荐系统进行增强。CTRMF[8]是由Lin等人提出的一种基于内容驱动的时间正则化矩阵分解协同过滤算法，旨在将异构内容信息集成到一个饮食推荐系统的矩阵分解模型中。……