随着生活水平的日益提升,人们更加注重于饮食所带来的健康影响。不合理的饮食会对身体造成不同程度的伤害,进而引发多种慢性疾病。本文以预防和控制慢性病为目的,结合用户的饮食兴趣偏好为用户生成健康的饮食推荐结果,构建面向慢病管理的个性化饮食推荐系统,并对实体抽取、饮食约束生成,饮食偏好预测这三个方面的内容进行了深入的研究:（1）基于个人电子病历的慢性病实体抽取。该任务以Bi LSTM-CRF模型为基础,实验采用了基于预训练模型的语义迁移方式和基于词向量模型的语义迁移方式。最后,BERT-Bi LSTM-CRF模型在各种评价指标上达到最优,其中标签级F1值达到97.58%。（2）基于个人营养病志的饮食约束模型。该任务基于个人的营养病志信息为用户生成健康的饮食约束,即用户的每日建议食物量。构建了饮食约束分类模型和饮食约束回归模型。最后,树模型在分类任务和回归任务上都取得了不错的性能效果并在随机森林模型上达到最优。（3）基于个人饮食记录的饮食偏好模型。该任务对个人过去一段时间的饮食记录进行时序建模,并对用户的当前兴趣偏好进行预测。将饮食偏好预测任务视为NBR（Next-Basket-Recommendation）任务,构建了基于时序建模的饮食偏好预测模型,即LACT（LSTM-Attention-Correlation-Transition）模型,模型使用正负样本进行训练并采用不定长的输出形式。实验采用了14个用户3个月左右的饮食记录数据,并采用多标签准确率作为该任务的评价指标。实验对比了其它NBR任务中的经典模型并在LACT模型的性能效果上达到最优,准确率达到18.06%。最后对LACT模型的进行了消融实验,验证了LACT模型中各个模块的功能效果。此外,本文对饮食推荐系统进行了设计与实现,包括饮食推荐策略的设计、数据库的设计与构建以及微信小程序的设计与开发。饮食推荐策略包括召回层和排序层,即包括健康召回和偏好排序两个过程;基于饮食推荐策略,本文设计了相应数据库并使用tkinter框架开发了食谱修改工具辅助食谱的修改工作;最后,将饮食推荐系统部署于微信小程序端并进行了系统功能测试。综上所述,本文以面向慢病管理的个性化饮食推荐系统为中心,展开了慢性病实体抽取、饮食约束生成、饮食偏好预测以及微信小程序的设计开发四个方面的工作。实体抽取模型在个人电子病历中抽取慢性病相关实体;饮食约束模型为用户生成每日建议食物量,构成推荐策略的召回层;饮食偏好模型预测用户当前时刻的饮食偏好,为推荐策略的排序层。本文以用户特征生成健康约束、饮食记录生成饮食偏好作为基本推荐架构,进而构建面向慢病管理的个性化饮食推荐系统。