# Diet-Recommend

**Repository Path**: zeron2022/Diet-Recommend

## Basic Information

- **Project Name**: Diet-Recommend
- **Description**: 本项目是一个智能化的饮食推荐系统，通过结合先进的机器学习算法和营养科学知识，为用户提供个性化的饮食建议。系统采用三阶段推荐架构：

🔍 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
⚖️ 多目标优化（MOPSO）：根据用户健康目标和营养需求优化推荐，平衡营养均衡、用户偏好和多样性
📊 模型评估：对推荐结果进行全面评估，提供多种评估指标和可视化图表
🌟 项目
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2026-07-26
- **Last Updated**: 2026-07-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 🍽️ 饮食推荐系统

> 🎯 基于UPICF协同过滤和MOPSO多目标优化的个性化饮食推荐系统

[![Python](https://img.shields.io/badge/Python-3.10-blue.svg)](https://www.python.org/)
[![FastAPI](https://img.shields.io/badge/FastAPI-0.104.1-green.svg)](https://fastapi.tiangolo.com/)
[![Docker](https://img.shields.io/badge/Docker-Ready-blue.svg)](https://www.docker.com/)
[![License](https://img.shields.io/badge/License-MIT-yellow.svg)](LICENSE)

---

## 📋 目录

- [✨ 项目简介](#-项目简介)
- [🎯 核心功能](#-核心功能)
- [🏗️ 系统架构](#️-系统架构)
- [🚀 快速开始](#-快速开始)
- [📊 项目结构](#-项目结构)
- [🔧 技术栈](#-技术栈)
- [📈 算法详解](#-算法详解)
- [💾 数据说明](#-数据说明)
- [🌐 API文档](#-api文档)
- [📖 相关文档](#-相关文档)
- [🤝 贡献指南](#-贡献指南)
- [📄 许可证](#-许可证)

---

## ✨ 项目简介

本项目是一个智能化的饮食推荐系统，通过结合先进的机器学习算法和营养科学知识，为用户提供个性化的饮食建议。系统采用**三阶段推荐架构**：

1. **🔍 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
2. **⚖️ 多目标优化（MOPSO）**：根据用户健康目标和营养需求优化推荐，平衡营养均衡、用户偏好和多样性
3. **📊 模型评估**：对推荐结果进行全面评估，提供多种评估指标和可视化图表

### 🌟 项目特色

- **🎯 个性化推荐**：结合用户健康信息、评分历史、交互行为等多维数据
- **🥗 营养均衡**：通过多目标优化确保推荐餐食营养均衡
- **⚡ 高性能**：基于FastAPI框架，支持高并发请求
- **🐳 容器化部署**：支持Docker容器化部署，便于扩展和维护
- **📈 可视化分析**：提供丰富的评估指标和可视化图表

---

## 🎯 核心功能

### 1. 🍽️ 个性化菜品推荐
```http
GET /recommend/{user_id}
```
基于UPICF算法，整合用户健康信息、评分、交互行为等多维数据生成个性化推荐

**功能特点：**
- ✅ 考虑用户健康特征（年龄、身高、体重、活动水平）
- ✅ 融合评分历史和交互行为
- ✅ 时间衰减权重，重视近期行为
- ✅ 支持多种相似度计算方法

### 2. ⚖️ 营养目标优化
```http
GET /optimize/{user_id}
```
基于MOPSO算法，根据用户营养目标优化菜品配比

**优化目标：**
- 🎯 UPICF推荐分数最大化
- 🥗 营养均衡性优化
- 💪 健康目标匹配（减重/增肌/维持）
- 👄 口味偏好匹配

### 3. 📊 系统健康检查
```http
GET /health
```
监控系统运行状态，确保服务可用性

### 4. 🔄 数据库集成
- 🗄️ 支持MySQL数据库
- 🔗 自动连接和断开管理
- 💾 数据持久化存储

---

## 🏗️ 系统架构

```
┌─────────────────────────────────────────────────────────────┐
│                     用户请求层                              │
│                  (Web/Mobile App)                          │
└────────────────────┬────────────────────────────────────────┘
                     │
                     ▼
┌─────────────────────────────────────────────────────────────┐
│                   FastAPI 网关层                           │
│              (RESTful API + CORS支持)                      │
└────────────────────┬────────────────────────────────────────┘
                     │
        ┌────────────┴────────────┐
        ▼                         ▼
┌───────────────────┐   ┌───────────────────┐
│  UPICF推荐引擎    │   │  MOPSO优化引擎    │
│  - 用户相似度     │   │  - 多目标优化     │
│  - 评分预测       │   │  - 营养均衡       │
│  - 推荐生成       │   │  - 帕累托最优     │
└─────────┬─────────┘   └─────────┬─────────┘
          │                       │
          └───────────┬───────────┘
                      ▼
        ┌─────────────────────────┐
        │      数据访问层         │
        │   (SQLAlchemy ORM)      │
        └────────────┬────────────┘
                     │
                     ▼
        ┌─────────────────────────┐
        │    MySQL 数据库         │
        │  - 用户健康信息         │
        │  - 菜品信息             │
        │  - 评分数据             │
        │  - 交互记录             │
        └─────────────────────────┘
```

---

## 🚀 快速开始

### 📋 前置要求

- 🐳 Docker 20.10+
- 🐙 Docker Compose 1.29+
- 🗄️ MySQL 5.7+ (或使用远程数据库)
- 🐍 Python 3.10+ (本地开发)

### 🔧 方式1：Docker部署（推荐）

```bash
# 1. 克隆项目
git clone https://github.com/yourusername/Diet-Recommend.git
cd Diet-Recommend/python-backend

# 2. 配置数据库连接
# 编辑 docker-compose.yml 中的 DATABASE_URL

# 3. 启动服务
docker-compose up -d

# 4. 查看日志
docker-compose logs -f

# 5. 访问API文档
# 浏览器打开: http://localhost:8000/docs
```

### 💻 方式2：本地开发

```bash
# 1. 创建虚拟环境
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置数据库
# 编辑 app/config.py 中的数据库连接信息

# 4. 启动服务
python -m app.main

# 5. 访问API文档
# 浏览器打开: http://localhost:8000/docs
```

### 🧪 快速测试

```bash
# 测试推荐接口
curl http://localhost:8000/recommend/1

# 测试优化接口
curl http://localhost:8000/optimize/1

# 健康检查
curl http://localhost:8000/health
```

---

## 📊 项目结构

```
Diet-Recommend/
├── 📁 python-backend/              # 后端API服务
│   ├── 📁 app/                     # 应用核心代码
│   │   ├── main.py                 # FastAPI主程序
│   │   ├── upicf_recommender.py    # UPICF推荐算法
│   │   ├── mopso_optimizer.py      # MOPSO优化算法
│   │   ├── database.py             # 数据库配置
│   │   ├── models.py               # 数据模型定义
│   │   └── config.py               # 配置文件
│   ├── Dockerfile                  # Docker镜像构建文件
│   ├── docker-compose.yml          # Docker编排配置
│   ├── requirements.txt            # Python依赖包
│   ├── .dockerignore               # Docker忽略文件
│   ├── deploy.sh                   # Linux部署脚本
│   ├── 打包部署.bat                # Windows打包脚本
│   ├── README.md                   # 后端文档
│   ├── 快速开始.md                 # 快速部署指南
│   ├── 模型说明.md                 # 模型详细说明
│   └── 模型评估与参数指南.md       # 评估和调优指南
│
├── 📁 Data Processing/             # 数据处理模块
│   ├── 📁 model/                   # 模型训练和评估
│   │   ├── recommendation_system_complete.ipynb
│   │   ├── NSGA-II+MOPSO混合算法改进方案.md
│   │   ├── 协同过滤算法详解.md
│   │   ├── 多目标优化算法详解.md
│   │   ├── 参数优化指南.md
│   │   └── 模型说明.md
│   ├── 📁 数据增强/                # 数据增强处理
│   │   ├── process1.py
│   │   ├── enhanced_user_features_960.csv
│   │   ├── 增强原理.md
│   │   └── 说明文档.md
│   ├── 📁 用户信息处理/            # 用户数据处理
│   │   ├── dataprocessing1.py
│   │   ├── dataprocessing2.py
│   │   ├── 用户饮食偏好.xlsx
│   │   └── 特征说明文档.csv
│   ├── 📁 菜品处理/                # 菜品数据处理
│   │   ├── process2.py
│   │   ├── process3.py
│   │   ├── process4.py
│   │   ├── 菜品.xlsx
│   │   ├── 菜品特征向量说明文档.csv
│   │   └── 交互数据文档.md
│   └── 模型评估与参数指南.md
│
├── 📁 data/                        # 数据库脚本
│   ├── db-recommend.py             # 数据库操作脚本
│   ├── diet_data.sql               # 数据库初始化脚本
│   └── 数据生成报告.md             # 数据统计报告
│
└── README.md                       # 项目主文档
```

---

## 🔧 技术栈

### 🎯 核心框架
- **🚀 FastAPI**: 现代化的Python Web框架，支持异步处理
- **🐳 Docker**: 容器化部署，环境一致性保证
- **🗄️ SQLAlchemy**: 强大的ORM框架，数据库操作抽象

### 🧮 算法库
- **📊 NumPy**: 高性能科学计算库
- **🐼 Pandas**: 数据处理和分析
- **🤝 Scikit-learn**: 机器学习工具包
- **📈 SciPy**: 科学计算和优化

### 🗄️ 数据存储
- **🐬 MySQL**: 关系型数据库
- **🔗 PyMySQL**: MySQL数据库连接器

### 🛠️ 开发工具
- **📝 Jupyter Notebook**: 交互式开发环境
- **🐍 Python 3.10**: 编程语言
- **🎨 Uvicorn**: ASGI服务器

---

## 📈 算法详解

### 🔍 UPICF协同过滤算法

**核心思想：** 基于用户相似度的加权推荐，考虑时间衰减和多维交互行为

**算法流程：**
1. **👥 用户相似度计算**
   - 使用余弦相似度计算用户间相似性
   - 构建用户相似度矩阵

2. **⏰ 时间权重计算**
   - 基于艾宾浩斯遗忘曲线
   - 近期行为权重更高

3. **🎯 评分预测**
   ```
   r̂ᵤᵢ = r̄ᵤ + (Σ sim(u,v) × (rᵥᵢ - r̄ᥣ) × time_weight) / Σ |sim(u,v)|
   ```

4. **📋 推荐生成**
   - 根据预测评分排序
   - 选择Top-N菜品推荐

**详细文档：** [协同过滤算法详解](Data%20Processing/model/协同过滤算法详解.md)

### ⚖️ MOPSO多目标优化算法

**核心思想：** 使用粒子群优化算法平衡多个冲突目标，找到帕累托最优解

**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**：根据用户健康目标匹配菜品
4. **👄 口味偏好匹配度**：匹配用户的口味偏好

**算法流程：**
1. **🎲 初始化粒子群**
2. **🔄 迭代优化**
   - 更新粒子位置和速度
   - 计算适应度函数
   - 跟踪个体最优和全局最优
3. **📊 帕累托前沿选择**
4. **🎯 最优解选择**

**详细文档：** [多目标优化算法详解](Data%20Processing/model/多目标优化算法详解.md)

### 📊 模型评估指标

**评分预测评估：**
- 📉 RMSE（均方根误差）
- 📉 MAE（平均绝对误差）
- 📈 R²决定系数
- 🔗 皮尔逊相关系数

**排序质量评估：**
- 🎯 Precision@N（精确率）
- 🔄 Recall@N（召回率）
- ⚖️ F1-Score@N
- 📈 NDCG@N（归一化折损累积增益）

**多样性评估：**
- 🌐 覆盖率
- 🎨 多样性
- ✨ 新颖性
- 📊 Gini系数

**详细文档：** [模型评估与参数指南](python-backend/模型评估与参数指南.md)

---

## 💾 数据说明

### 📊 数据统计

| 表名 | 记录数 | 说明 |
|------|--------|------|
| user_health_info | 500 | 用户健康基本信息 |
| dish_info | 500 | 菜品信息 |
| ingredient_info | 1,000 | 食材营养数据 |
| dish_ingredient_rel | 2,698 | 菜品-食材关联关系 |
| dish_rating | 9,802 | 用户评分数据 |
| food_record | 500 | 饮食记录 |
| opinion_feedback | 100 | 用户反馈 |
| user_dish_interaction | 20,000 | 用户-菜品交互 |
| user_nutrition_goal | 500 | 用户营养目标 |
| **总计** | **35,600** | **所有表记录总数** |

### 👥 用户特征

- **📅 年龄分布**: 平均34.9岁
- **📏 身高分布**: 平均169.7cm
- **⚖️ 体重分布**: 平均61.4kg
- **🏃 活动水平**: 轻(44), 中(83), 重(373)

### 🍽️ 菜品特征

- **🌍 菜系分布**: 徽菜(66), 湘菜(64), 家常菜(62), 浙菜(57), 粤菜(54), 鲁菜(53), 闽菜(53), 川菜(53), 苏菜(38)
- **👄 口味分布**: 咸(114), 鲜(99), 甜(99), 辣(98), 清淡(90)
- **🔥 烹饪方式**: 炒(76), 煮(69), 烤(67), 煎(63), 蒸(61), 炖(55), 凉拌(55), 炸(54)
- **🔥 平均热量**: 244.0千卡/100g

### ⭐ 评分数据

- **📊 平均评分**: 3.60分
- **📈 评分分布**: 1星(490), 2星(1005), 3星(2376), 4星(3954), 5星(1977)
- **⏰ 时间范围**: 2025-09-01 至 2025-09-29

**详细报告：** [数据生成报告](data/数据生成报告.md)

---

## 🌐 API文档

### 📡 推荐接口

**获取个性化推荐**
```http
GET /recommend/{user_id}
```

**响应示例：**
```json
{
  "user_id": 1,
  "recommendations": [
    {
      "id": 123,
      "dish_name": "宫保鸡丁",
      "cuisine": "川菜",
      "taste": "辣",
      "cooking_method": "炒",
      "calories": 180.5,
      "protein": 15.2,
      "fat": 8.3,
      "carbohydrate": 12.1,
      "fiber": 1.5,
      "pred_score": 4.5
    }
  ]
}
```

### ⚖️ 优化接口

**营养目标优化**
```http
GET /optimize/{user_id}
```

**响应示例：**
```json
{
  "user_id": 1,
  "selected_dishes": [
    {
      "dish_id": 123,
      "dish_name": "宫保鸡丁",
      "portion_g": 150.0,
      "portion_ratio": 0.3,
      "calories": 270.75,
      "protein": 22.8,
      "fat": 12.45,
      "carbohydrate": 18.15,
      "fiber": 2.25
    }
  ],
  "nutrition_totals": {
    "calories": 1850.5,
    "protein": 68.2,
    "fat": 58.3,
    "carbohydrate": 245.1,
    "fiber": 23.5
  }
}
```

### 💚 健康检查

**系统状态**
```http
GET /health
```

**响应示例：**
```json
{
  "status": "healthy",
  "database": "connected",
  "timestamp": "2025-06-02T10:30:00Z"
}
```

### 📖 完整API文档

启动服务后访问：`http://localhost:8000/docs`

---

## 📖 相关文档

### 🚀 部署文档
- **[快速开始指南](python-backend/快速开始.md)** - 3分钟快速部署
- **[模型说明](python-backend/模型说明.md)** - 系统模型详细说明
- **[模型评估与参数指南](python-backend/模型评估与参数指南.md)** - 评估指标和参数调优

### 🔬 算法文档
- **[协同过滤算法详解](Data%20Processing/model/协同过滤算法详解.md)** - UPICF算法原理
- **[多目标优化算法详解](Data%20Processing/model/多目标优化算法详解.md)** - MOPSO算法原理
- **[NSGA-II+MOPSO混合算法改进方案](Data%20Processing/model/NSGA-II+MOPSO混合算法改进方案.md)** - 混合算法优化
- **[参数优化指南](Data%20Processing/model/参数优化指南.md)** - 算法参数调优

### 📊 数据文档
- **[数据生成报告](data/数据生成报告.md)** - 数据统计和特征分析
- **[交互数据文档](Data%20Processing/菜品处理/交互数据文档.md)** - 用户交互数据说明
- **[数据增强原理](Data%20Processing/数据增强/增强原理.md)** - 数据增强方法说明

---

## 🤝 贡献指南

我们欢迎所有形式的贡献！如果您想为项目做出贡献，请遵循以下步骤：

### 🌟 贡献方式

1. **🐛 报告Bug**: 在Issues中提交bug报告
2. **💡 功能建议**: 提出新功能或改进建议
3. **📝 文档改进**: 完善项目文档
4. **🔧 代码贡献**: 提交代码改进或新功能

### 📋 贡献流程

1. **🍴 Fork项目**
2. **🌿 创建特性分支** (`git checkout -b feature/AmazingFeature`)
3. **✅ 提交更改** (`git commit -m 'Add some AmazingFeature'`)
4. **📤 推送分支** (`git push origin feature/AmazingFeature`)
5. **🔀 开启Pull Request**

### 📝 代码规范

- 遵循PEP 8代码风格
- 添加适当的注释和文档字符串
- 编写单元测试
- 确保代码通过linting检查

---

## 📄 许可证

本项目采用 MIT 许可证 - 详见 [LICENSE](LICENSE) 文件

---

## 🙏 致谢

感谢以下开源项目和工具：

- [FastAPI](https://fastapi.tiangolo.com/) - 现代化的Python Web框架
- [NumPy](https://numpy.org/) - 科学计算基础库
- [Pandas](https://pandas.pydata.org/) - 数据处理和分析工具
- [Scikit-learn](https://scikit-learn.org/) - 机器学习工具包
- [Docker](https://www.docker.com/) - 容器化平台

---

## 📞 联系方式

- **📧 Email**: 2351321183@qq.com
- **🐙 Gitee**: [https://gitee.com/cqiemushuo/diet](https://github.com/yourusername/Diet-Recommend)
- **📝 Issues**: [项目Issues](https://github.com/yourusername/Diet-Recommend/issues)

---

## 🎯 路线图

### ✅ 已完成
- ✅ UPICF协同过滤推荐算法
- ✅ MOPSO多目标优化算法
- ✅ FastAPI后端服务
- ✅ Docker容器化部署
- ✅ 完整的文档体系

### 🚧 进行中
- 🚧 前端用户界面开发
- 🚧 实时推荐功能
- 🚧 用户反馈系统

### 📅 计划中
- 📅 移动端应用
- 📅 社交分享功能
- 📅 AI营养师聊天机器人
- 📅 多语言支持

---

<div align="center">

**⭐ 如果这个项目对您有帮助，请给我们一个Star！⭐**

Made with ❤️ by Diet Recommendation Team

</div>