| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 1.4 本章小结 | 第12-14页 |
| 2 相关技术分析 | 第14-28页 |
| 2.1 个性化推荐理论 | 第14-19页 |
| 2.1.1 协同过滤（Collaborative filtering）的推荐系统 | 第15-18页 |
| 2.1.2 基于内容（Content-based）的推荐系统 | 第18-19页 |
| 2.1.3 基于关联规则（Rule-based）的推荐系统 | 第19页 |
| 2.2 Word2Vec相关技术 | 第19-23页 |
| 2.2.1 词向量 | 第19-20页 |
| 2.2.2 神经网络语言模型 | 第20-23页 |
| 2.3 个性化推荐工程技术 | 第23-25页 |
| 2.3.1 Spark | 第23-24页 |
| 2.3.2 Java | 第24页 |
| 2.3.3 Spring MVC | 第24页 |
| 2.3.4 Maven | 第24-25页 |
| 2.3.5 Git | 第25页 |
| 2.4 个性化推荐评价指标 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 3 基于WORD2VEC推荐模型研究 | 第28-48页 |
| 3.1 问题的提出 | 第28页 |
| 3.2 基于Word2Vec模型的推荐方法 | 第28-33页 |
| 3.2.1 初步用户聚类 | 第28-30页 |
| 3.2.2 正、负样本采集 | 第30页 |
| 3.2.3 餐厅向量模型 | 第30-32页 |
| 3.2.4 用户向量模型 | 第32-33页 |
| 3.2.5 获取推荐结果 | 第33页 |
| 3.3 实验设计及分析 | 第33-47页 |
| 3.3.1 实验步骤 | 第33-34页 |
| 3.3.2 获取数据集 | 第34-38页 |
| 3.3.3 数据清洗 | 第38-39页 |
| 3.3.4 实验结果与分析 | 第39-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于WORD2VEC的个性化餐饮推荐系统设计 | 第48-58页 |
| 4.1 系统概述 | 第48页 |
| 4.2 需求分析 | 第48-51页 |
| 4.2.1 功能需求分析 | 第48-50页 |
| 4.2.2 非功能需求分析 | 第50-51页 |
| 4.3 系统详细设计 | 第51-56页 |
| 4.3.1 数据库设计 | 第51-55页 |
| 4.3.2 系统接口设计 | 第55页 |
| 4.3.3 推荐引擎模块设计 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 基于WORD2VEC的个性化餐饮推荐系统实现 | 第58-72页 |
| 5.1 服务器端功能实现 | 第58-66页 |
| 5.1.1 服务器端基本信息管理模块实现 | 第58-60页 |
| 5.1.2 服务器端推荐引擎模块实现 | 第60-66页 |
| 5.2 客户端功能实现 | 第66-70页 |
| 5.3 本章小节 | 第70-72页 |
| 6 结论与展望 | 第72-74页 |
| 6.1 结论 | 第72页 |
| 6.2 工作展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录 | 第80页 |
| A. 作者在攻读硕士学位期间参与的科研项目 | 第80页 |
