近年来,随着信息技术的飞速发展和信息内容的日益增长,信息过载已经成为一个困扰每个人的严重问题。如何有效地帮助用户获取和过滤信息已经成为许多学者关注的热点研究问题,个性化推荐技术因此应运而生,其被公认为是一种可以有效缓解信息过载的技术。个性化推荐是一种通过挖掘用户与项目之间二元关系从而帮助用户快速发现有用信息的技术,个性化推荐不需要用户提供明确的需求,而是通过分析用户的历史行为主动向用户推荐符合他们需求和兴趣爱好的信息。目前推荐技术已经广泛应用在各种大型多媒体和电子商务网站上,但是针对美食领域的推荐却很少。本文对传统基于用户的协同过滤算法进行了改进,提出了一种个性化美食推荐算法。首先,本文讨论了个性化推荐系统的相关概念,详细介绍了基于内容的推荐算法、协同过滤推荐和混合推荐算法的原理,分析了推荐技术现如今面临的难点。然后,本文研究了推荐系统中传统用户模型的构建方法。针对餐厅中美食推荐具有的反馈获得难、用户冷启动和菜品多别名等问题,提出了基于菜品层次划分的用户兴趣感知模型。该模型对餐厅中的菜品预先按种类进行层次划分,然后通过构建种类权重树实现对用户的兴趣建模。为了充分利用专家用户的菜品知识,通过迭代学习模型找出餐厅中每种菜品类别的专家用户,减少了用户相似性的计算量从而提高了推荐的效率。接着,本文设计了一种兴趣感知选择算法,该算法根据用户兴趣偏好的分布选择专家用户和候选菜品,选择的结果通过改进的相似度计算公式预测用户对菜品的评分。同时,针对传统推荐算法很少考虑时间效应和用户兴趣变化的影响,引入了时间因子改进了兴趣感知选择算法和菜品评分预测,实现了真实场景中针对用户某个时刻的用餐请求进行推荐。最后,为了验证本文所提出算法的有效性,本文在从合作餐厅收集的数据集上进行了实验,并且对实验结果进行了分析。结果表明本文提出的算法能够有效地提高个性化美食推荐系统的准确率和召回率,提升推荐的质量。