学生这个受众群体一直是收到社会各方面极大关注一类用户，无论是国内还是国外。作为肩负着建设一个国家未来使命的祖国花朵，饮食健康更是重中之重。而像这样的智能推荐系统在我们的生活中其实应用也十分广泛，诸如网易云音乐中的私人FM和每日推荐，还有淘宝上的猜你喜欢都是经过大数据挖掘算法，和智能关联算法等找到的数据库中最符合的数据。

现在关于推荐算法有几种主流的推荐方法，1.基于内容推荐2.协同过滤推荐3.基于关联规则推荐4.基于效用推荐5.基于知识推荐6.组合推荐 在此课题中，采用基于关联规则的推荐算法。在数据挖掘的知识模式中，关联规则模式是比较重要的一种。关联规则的概念由Agrawal、Imielinski、Swami 提出，是数据中一种简单但很实用的规则。关联规则模式属于描述型模式，发现关联规则的算法属于无监督学习的方法。1993年,R.Agrawal等人首次提出了挖掘顾客交易数据中项目集间的关联规则问题，其核心是基于两阶段频繁集思想的递推算法。该关联规则在分类上属于单维、单层及布尔关联规则，典型的算法是Apriori算法。

Apriori算法将发现关联规则的过程分为两个步骤：第一步通过迭代，检索出事务数据中的所有频繁项集，即支持度不低于用户设定的阈值的项集；第二步利用频繁项集构造出满足用户最小信任度的规则。其中，挖掘或识别出所有频繁项集是该算法的核心，占整个计算量的大部分。

推荐系统分为客户端与服务端推荐系统两大类。服务器端推荐系统指用户信息收集与建模都依赖于服务器，主要缺点是对用户的隐私具有较大的威胁，一旦被入侵，用户的极具价值的个人隐私信息都会被泄露。同时也增加了web服务器的开销，性能也受到web服务器性能的限制。

推荐系统在软件开发中起到的最大的作用就是巩固用户群体，增加客户的粘度。推荐的越是合乎用户心意，客户粘度越大才能稳定软件的收益情况，使用者越多即便是投入广告也能获得不错的收益。但是，现有的只能推荐系统也存在着一定的不足。

1.系统对用户需求的捕捉仍有不足，需求是多变的，不可能完全捕捉，容易发生误操作。

2.发掘用户需求，却无视场景。这种不合时宜的推荐容易使用户产生反感，长此以往用户群体必然越来越少。

用 3.用户个性化需求难以满足，有些粗暴的算法将目标过于简化。