Dietify 智能饮食推荐系统全解析 —— 当协同过滤遇上营养科学，构建你的私人饮食管家

🚀 一款融合 UPICF 改进协同过滤与 MOPSO 多目标粒子群优化算法的开源智能饮食推荐平台

在信息爆炸的时代，推荐系统早已成为我们生活中不可或缺的一部分。但当推荐算法遇上营养科学 ，会碰撞出怎样的火花？今天，我们将深度剖析一个来自 Gitee 的优秀开源项目------Dietify 。它不仅是一个简单的菜谱应用，更是一个集用户画像建模 、个性化推荐 、精准营养规划于一体的综合性技术解决方案。

🔗 项目地址 ：https://gitee.com/cqiemushuo/diet

📖 目录

- UPICF 推荐算法：让推荐真正"懂你"
- MOPSO 营养规划算法：科学配餐的最优解

🎯 项目背景与定位

Dietify 致力于解决传统饮食类 App 的两大痛点：

推荐同质化：所有用户看到的推荐结果千篇一律，缺乏个性化。
营养规划缺失：只推荐菜品，不考虑是否符合用户的个人健康需求。

Dietify 的核心理念是：让饮食推荐更懂你，让营养规划更科学。它通过三大核心特色脱颖而出：

|-------------|------------------------|
| 特色 | 说明 |
| 🤖 智能推荐 | 基于 UPICF 算法的个性化菜品推荐 |
| 🥗 营养规划 | 基于 MOPSO 算法的精准营养配餐方案 |
| 📱 多端适配 | 支持 APP、小程序、H5，一套代码多端运行 |
| 👤 用户画像 | 深度学习用户口味偏好，持续优化推荐效果 |
| ⚖️ 营养均衡 | 结合《中国居民膳食营养素参考摄入量》科学配餐 |
| 🎨 管理后台 | 基于若依框架的完整后台管理系统 |

🏗️ 技术架构全景图

Dietify 采用清晰的三层架构设计，各层职责明确，易于扩展和维护。

🖥️ 后端核心 ------ Dietify-back（基于若依框架）

复制代码

技术栈:
  - Spring Boot 2.5.15
  - MyBatis Plus
  - Spring Security + JWT
  - MySQL 8.0
  - Redis
  - Swagger 3.0

职责：处理业务逻辑、用户认证、权限管理、数据持久化，并提供后台管理界面。

📱 移动端应用 ------ Dietify-App-master（UniApp）

复制代码

技术栈:
  - UniApp 3.0+
  - Vue.js 2.6+
  - uni-ui
  - ECharts 5.4

职责：用户交互界面，一套代码编译为 APP、小程序、H5，实现跨平台一致体验。

复制代码

技术栈:
  - Python 3.8+
  - FastAPI
  - Uvicorn
  - 核心算法: UPICF, MOPSO, TF-IDF

职责：独立部署的智能大脑，通过 API 与 Java 后端通信，负责计算密集型的推荐与优化任务。

💡 微服务设计亮点：将算法服务独立出来，既避免了 Java 与 Python 混合开发的复杂性，又便于未来对算法模型进行独立升级和扩展。

🔬 核心算法深度解密

Dietify 的灵魂在于其两大核心算法：UPICF 和 MOPSO。

🤖 UPICF 推荐算法：让推荐真正"懂你"

传统的协同过滤算法往往只依赖用户-物品交互矩阵，存在数据稀疏和冷启动问题。Dietify 提出的 UPICF（User Profile Improved Collaborative Filtering） 算法在传统协同过滤基础上进行了三重改进：

1. 用户画像建模（基于 TF-IDF）

系统不再把用户看作一个简单的 ID，而是通过 TF-IDF 算法计算用户对不同属性（如"辣"、"清淡"、"高蛋白"）的兴趣权重，构建精细的用户画像。

复制代码

# 示例：用户画像向量
user_profile = {
    "口味_辣": 0.85,
    "食材_鸡肉": 0.62,
    "营养_高蛋白": 0.91,
    ...
}

2. 时间权重修正（参考艾宾浩斯遗忘曲线）

用户的兴趣会随时间变化。UPICF 引入时间权重函数，参考艾宾浩斯遗忘曲线，对历史行为进行衰减，使推荐结果更能反映用户当前的口味。

复制代码

def time_weight(days_ago):
    # 基于遗忘曲线的时间衰减函数
    return math.exp(-days_ago / 30)  # 30天半衰期

3. 相似度计算优化

采用修正的余弦相似度，并结合用户影响因子，进一步提升相似用户寻找的准确性。

最终，算法为用户生成 TOP-N 个性化推荐列表，有效解决了数据稀疏和兴趣漂移问题。

🥗 MOPSO 营养规划算法：科学配餐的最优解

营养规划是一个典型的多目标优化问题：如何在满足能量、蛋白质、脂肪、碳水化合物、膳食纤维等多种营养素需求（在推荐摄入量 RNI 和可耐受最高摄入量 UL 之间）的同时，让菜品组合更符合用户口味？

Dietify 引入多目标粒子群优化算法（MOPSO） 来解决这一复杂问题。

算法流程

目标设定：以《中国居民膳食营养素参考摄入量》为依据，根据用户个人信息计算每日营养素需求范围（RNI~UL）。
食材编码与迭代：将菜品及其核心食材作为优化变量，通过粒子群算法在食材组合空间中搜索"帕累托最优解"。
方案生成 ：从最优解集中为每个用户生成多套可选营养配餐方案，并计算每套方案的营养偏差率（≤8%），确保符合健康标准。
三餐分配：遵循"早餐:午餐:晚餐 = 3:4:3"的科学能量分配比例。

MOPSO 输出示例：一套营养配餐方案

nutrition_plan = {
"早餐": ["燕麦粥", "水煮蛋", "苹果"],
"午餐": ["香煎鸡胸肉", "糙米饭", "西兰花"],
"晚餐": ["清蒸鲈鱼", "杂粮馒头", "凉拌菠菜"],
"营养偏差率": 5.2%,
"总热量": 1850 kcal
}

✨ 功能模块一览

Dietify 的功能覆盖了从用户注册到饮食记录的全流程，模块划分清晰，便于学习和二次开发。

🔐 身份验证模块

手机号注册/登录
短信验证码集成
图形验证码防护
密码找回功能

🏠 首页展示模块

营养知识轮播图
快捷功能入口
热门菜品 TOP10
个性化内容推荐

🤖 智能推荐模块（核心）

个性化菜品推荐（UPICF）
冷启动处理（新用户热门推荐）
实时反馈与模型更新

🥗 营养规划模块（核心）

营养需求分析（基于用户信息）
智能配餐（MOPSO）
多方案生成与对比
营养偏差率计算

🔍 菜品搜索模块

智能模糊搜索
热门搜索标签
搜索历史管理
多维度筛选排序

👤 用户中心模块

个人信息管理
饮食习惯设置
健康目标管理
收藏与饮食记录

🛠️ 后台管理模块（基于若依）

用户管理
菜品/食材管理
营养数据管理
系统监控与数据统计

🚀 快速上手指南

想要亲自体验 Dietify？按照以下步骤，5 分钟即可在本地跑起来！

环境要求

|-----------|------------------|
| 组件 | 版本要求 |
| JDK | 8+ |
| MySQL | 8.0+ |
| Redis | 6.0+ |
| Node.js | 14+ |
| Maven | 3.6+ |
| Python | 3.8+ |
| HBuilderX | 可选（用于 UniApp 开发） |

1️⃣ 克隆项目

复制代码

git clone https://gitee.com/cqiemushuo/diet.git
cd diet

2️⃣ 配置数据库

复制代码

CREATE DATABASE dietify_db DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
mysql -u root -p dietify_db < sql/diet.sql

3️⃣ 启动后端服务

复制代码

cd Dietify-back
# 修改 application.yml 中的数据库和 Redis 配置
mvn clean package
java -jar diet-admin/target/diet-admin.jar

后端服务默认运行在 http://localhost:8080

4️⃣ 启动 Python 算法服务

复制代码

cd recommend-python
pip install -r requirements.txt
uvicorn app.main:app --host 0.0.0.0 --port 8001 --reload

算法服务默认运行在 http://localhost:8001

5️⃣ 运行移动端应用

复制代码

cd Dietify-App-master
npm install
npm run dev:h5  # 以 H5 方式运行

访问 http://localhost:8081 即可看到移动端界面。

📌 小贴士 ：记得修改 config.js 中的后端 API 地址和算法服务地址。

🌟 项目亮点与学习价值

Dietify 不仅仅是一个开源项目，更是一份宝贵的学习资源：

🎓 学习价值

算法与工程实践的完美结合：不仅实现了前沿的推荐和优化算法，更展示了如何将这些算法工程化，以微服务形式集成到 Spring Boot 应用中。
完整的业务闭环：从用户注册、画像采集、智能推荐、营养规划到饮食记录，涵盖健康类应用的完整业务流程。
优秀的技术选型：

- 后端：基于若依框架，学习快速构建后台管理系统的最佳实践。
- 算法：独立 Python 微服务，体现服务拆分思想。
- 前端：UniApp 跨端方案，一次学习多端复用。

详尽的文档支持：项目包含 API 接口文档、数据库设计、架构说明、算法模型说明等，学习曲线平滑。

💡 可扩展方向

接入更多数据源（如可穿戴设备数据）
引入深度学习模型（如 Wide&Deep）提升推荐效果
增加社交功能（如饮食分享、社区）
商业化包装（会员服务、定制食谱）

📝 结语与引流

Dietify 是一个充满潜力的开源项目，它将前沿的智能算法、科学的营养知识与成熟的工程架构融为一体。无论你是对推荐系统 、多目标优化算法 感兴趣的研究者，还是希望学习 Spring Boot + UniApp + Python 微服务全栈开发的工程师，Dietify 都值得你深入研究和学习。

🔗 项目地址 ：https://gitee.com/cqiemushuo/diet

🌟 在线体验：

管理员：admin / admin123
普通用户：user / user123

如果这个项目对你有帮助，请给作者一个 Star 支持一下！ ⭐

欢迎在评论区留言交流，如果你基于本项目做了有趣的二次开发，也欢迎分享你的经验！

Dietify 智能饮食推荐系统全解析 —— 当协同过滤遇上营养科学，构建你的私人饮食管家

📖 目录

🎯 项目背景与定位

🏗️ 技术架构全景图

🖥️ 后端核心 ------ Dietify-back（基于若依框架）

📱 移动端应用 ------ Dietify-App-master（UniApp）

🧠 算法微服务 ------ recommend-python（Python）

🔬 核心算法深度解密

🤖 UPICF 推荐算法：让推荐真正"懂你"

1. 用户画像建模（基于 TF-IDF）

2. 时间权重修正（参考艾宾浩斯遗忘曲线）

3. 相似度计算优化

🥗 MOPSO 营养规划算法：科学配餐的最优解

算法流程

MOPSO 输出示例：一套营养配餐方案

✨ 功能模块一览

🔐 身份验证模块

🏠 首页展示模块

🤖 智能推荐模块（核心）

🥗 营养规划模块（核心）

🔍 菜品搜索模块

👤 用户中心模块

🛠️ 后台管理模块（基于若依）

🚀 快速上手指南

环境要求

1️⃣ 克隆项目

2️⃣ 配置数据库

3️⃣ 启动后端服务

4️⃣ 启动 Python 算法服务

5️⃣ 运行移动端应用

🌟 项目亮点与学习价值

🎓 学习价值

💡 可扩展方向

📝 结语与引流