由于现实生活中存在数以万计的食材,根据不同的烹饪风格、不同的种族、文化和个人口味又可以做出数以万计的美食,决定去吃什么成为了一个难题,在正确的时间选择合口的菜肴似乎成为了一项艰巨的任务。食品的爆炸式增长,带来了两个问题:一方面,简单地搜索引擎不能提供针对性的个性化服务,食客很难在海量的食品信息中获取到自己不了解但可能感兴趣的食品;另一方面,作为食品的生产者、制作者,如何最有效的利用信息推送给潜在的目标客户也成为了一个难题。本文选用推荐系统来有效地解决这两个问题。但是,推荐系统的应用场景已经远远不止当初那么单一了,协同过滤算法逐渐暴露出诸多不足,这其中包含了协同过滤算法的稀疏性、可扩展性、实时性、用户兴趣漂移、冷启动等问题。针对这些问题,在保障推荐质量的前提下,对其中的稀疏性、用户兴趣漂移、冷启动等问题进行研究,并引入了深度学习的知识,提出了基于卷积神经网络与协同过滤的混合推荐系统,论文的主要工作如下:1.使用Word2Vec中的Skip-Gram模型对食品信息进行处理,生成词向量,达到卷积神经网络输入数据的要求。构建卷积神经网络模型,实现对Yoon Kim网络模型改进的卷积神经网络。实验证明改进后的卷积神经网络在本文的食品数据集分类问题上要优于原模型。2.将基于用户的协同过滤算法与卷积神经网络进行结合,使用改进的Yoon Kim网络模型从菜谱中提取菜的类别,做到了食品推荐系统能在用户模糊的饮食习惯情况下,根据用户的信息从海量的食品餐饮信息中精准地找到用户可能感兴趣的食品并加以推送。在一定程度上改善了用户冷启动问题。