随着互联网技术和信息技术的迅猛发展,人们进入信息过载的时代。为了使用户在大量信息中迅速找到自己想要的信息,个性化推荐系统应运而生。虽然推荐系统在一定程度上缓解了信息过载问题,但还存在数据稀疏性、通过用户行为难以关联相似物品、推荐物品较为单一、很难发现用户新的兴趣点等问题。这些问题严重制约着推荐系统的性能。为了从准确性、覆盖率和多样性等不同层面对现有推荐算法进行优化与改进,本文通过对Word2Vec模型进行大量研究与实验后,提出一种基于Word2Vec的推荐模型。该推荐模型的核心思想是将每个用户去过的餐厅看作语言模型要训练的上下文数据,通过Word2Vec模型的反复训练得到每个餐厅的向量。根据用户对餐厅的评分数据以及餐厅向量得到用户向量。利用餐厅向量和用户向量分别计算餐厅相似度与用户相似度,最后结合传统推荐算法得到最终的推荐结果。本文完成的主要工作如下:(1)介绍了个性化餐饮推荐系统的研究背景、意义以及国内外研究现状。(2)对本文所用到的个性化推荐理论与算法、Word2Vec语言模型、个性化推荐工程技术和推荐评价指标等相关技术进行研究与分析。(3)提出一种基于Word2Vec的推荐模型。为了验证该推荐模型的可行性,完成了六种算法从准确率、覆盖率、多样性三个方面的对比实验,实验结果表明:该推荐模型相对于传统推荐,推荐性能有所提升。(4)对基于Word2Vec的个性化餐饮推荐系统进行需求分析,并针对该推荐模型设计了系统的客户端和服务器端。客户端用于收集用户对餐厅的评价数据、推荐结果展示等,服务端器用于对数据进行管理、推荐引擎处理等。(5)实现了基于Word2Vec的个性化餐饮推荐系统的客户端和服务器端,并对应用程序界面进行了展示。