随着大数据时代的到来以及人们移动性的日益增强,人们逐渐陷入信息海洋,如何为不同地理位置、不同兴趣背景的用户提供个性化的推荐服务是一个具有挑战性的研究课题。已有研究大多针对电子商务、书本以及影音等推荐,针对美食行业的个性化推荐研究成果相对较少。同时,已有研究大多基于User-Item的二元结构且未结合地理位置信息,商品分类单一难以满足如美食推荐等垂直类应用的要求。课题研究在深入分析传统个性化推荐技术的基础上,结合美食行业应甩特点,设计一种基于隐式用户反馈的个性化美食推荐算法。首先,本文对当前个性化推荐算法在国内外的发展现状进行综述,对主流的推荐算法及用户模型进行了比较分析。其次,通过显性方式记录用户兴趣和隐性方式来搜集用户行为,同时结合地理位置信息,采用协同过滤及兴趣聚类等方式构建用户模型,基于商品森林体系设计了一个用户-商品-商家多维空间结构,将有空间属性的商家和无空间属性的商品分开建模,并融合用户的隐式数据。相对于传统的推荐模型,经过对用户隐式行为数据的采集和分析以及商品模型的改进,在很大程度上提高了推荐效率。再次,基于改进模型设计了一种针对美食特点的个性化推荐算法,主要包括基于用户相似和基于商品相似两种推荐算法及评分预测算法,通过模型和算法的改进,提高了商品推荐的精度,并创新性实现了从个性化商品推荐到个性化商家推荐的无缝衔接。最后,论文通过模拟实验及原型系统对改进模型及算法的性能进行验证,主要包括用户相似度和商品相似度的比较、商家推荐等,实验结果表明,采用该模型的个性化推荐算法可有效提升推荐准确度及效率。同时,该算法对美食以外的类似行业应用具有良好的借鉴价值。