CN105426552A - 一种智能推荐菜谱和食品的方法与应用 - Google Patents

Abstract

本发明涉及一种智能推荐菜谱和食品的方法与应用。本发明所述智能推荐菜谱和食品的方法，通过双重模式科学预测和推荐菜谱和食品，不仅能得到和顺应大众口味，且兼顾考虑到个人的口味特点；“点、面结合”智能化程度高，更人性化；同时，该方法结构简单，实用性高，可灵活运用到各智能家电中，顺应智能家居和大数据时代的发展趋势，利于推广应用。

Description

一种智能推荐菜谱和食品的方法与应用

技术领域

本发明涉及一种智能推荐菜谱和食品的方法与应用，属于智能家电的技术领域。

背景技术

随着微电子技术、嵌入式技术的发展和大数据时代的到来，智能生活已经成为人们最新的生活模式。未来的时代将将是IT的时代和DT的时代，DT就是DataTechnology数据科技。大数据(bigdata)，指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。

随着经济水平和消费者生活水平的不断提高，消费者对饮食的要求和品位也在不断的增长。当代生活中，由于生活节奏快，生活工作压力大等原因，很多人很难找到自己喜欢的菜谱和食材。

发明内容

针对现有技术的不足，本发明提供一种智能推荐菜谱和食品的方法。

本发明还提供一种上述智能推荐菜谱和食品的方法的应用。

本发明的技术方案如下：

一种智能推荐菜谱和食品的方法，包括步骤如下：

1)构建偏好数据库：

服务器获取用户的购买数据信息，并存入偏好数据库；所述用户的购买数据信息包括用户id、用户购买的食品名称及每种食品的购买次数；

2)建立菜谱数据库：

获取菜谱信息，并存入菜谱数据库；所述菜谱信息包括菜谱名称、食材名称和菜谱做法步骤；

3)计算临近用户：

通过偏好数据库，得到用户u_x对物品i_y的喜好程度u_xy，u_xy即用户u_x对物品i_y的购买次数；

4)计算食品相似度：

$sim(i_p,i_q)=cos(\stackrel{\→}{i_p},\stackrel{\→}{i_q})=\frac{\stackrel{\→}{i_p}\·\stackrel{\→}{i_q}}{\left|\stackrel{\→}{i_p}\right|\×\left|\stackrel{\→}{i_q}\right|},$ p,q∈(1,n)，p≠q

其中， $\stackrel{\→}{i_p}=(u_{1p},u_{2p},u_{3p},...,u_{xp}),\stackrel{\→}{i_q}=(u_{1q},u_{2q},u_{3q},...,u_{xq});$

5)根据所述食品相似度，对缺失的u_xy值进行预测：

对每种食品的购买次数进行加权求和，权值为用户已购买的食品j与食品i的相似度，计算得到用户u对食品i的喜好程度：

$p_{ui}=\underset{j\∈N\left(u\right)}{\Σ}{w}_{ji}\·U_{uj}$

N(u)为用户购买过食品的集合，U_uj为用户u对食品j的喜好程度，w_ji为食品j与食品i的相似度；

6)获取现存的冰箱内食品列表m_x(x＝1,2,...,t)表示不同的食材；计算冰箱内食品列表与菜谱数据库中食品列表的食材匹配度；

$sim(M,m)=cos(\stackrel{\→}{M},\stackrel{\→}{m})=\frac{\stackrel{\→}{M}\·\stackrel{\→}{m}}{\left|\stackrel{\→}{M}\right|\×\left|\stackrel{\→}{m}\right|}$

当sim(M,m)大于阈值α时，计算对应的菜谱数据库中食品列表与冰箱内食品列表的差集，得到购买列表；即将食谱中有，冰箱中却没有的食品存入购买列表；

将满足条件的菜谱数量记为A，统计购买列表中每种食品出现的次数，利用如下公式计算用户对食品的喜好：

$L_{uj}=p_{uj}+\frac{c_j}{A}$

L_uj表示用户u对食品j的喜好值，c_j表示食品j在购买列表中出现的次数。

7)由以上步骤计算得到用户对食品的喜好值，按数值大小排序得到用户的推荐列表。

优选的，所述步骤2)中，菜谱数据库的建立是依靠网络爬虫技术在互联网爬取菜谱信息。

优选的，所述步骤2)中，菜谱信息的存储格式如下：{'_id':菜谱名称，'steps'：菜谱做法步骤，'material':[M₁，M₂，...,M_n]}，其中'_id'表示菜谱名称，'steps'表示菜谱做法步骤，'material'表示食材列表，M_x(x＝1,2,...,n)表示食材名称；material＝

本发明的有益效果：

1、本发明所述智能推荐菜谱和食品的方法，通过双重模式科学预测和推荐菜谱和食品，不仅能得到和顺应大众口味，且兼顾考虑到个人的口味特点；“点、面结合”智能化程度高，更人性化；

2、本发明所述智能推荐菜谱和食品的方法，结构简单，实用性高，可灵活运用到各智能家电中，顺应智能家居和大数据时代的发展趋势，利于推广应用。

附图说明

图1为实施例1所述m×n矩阵图；

图2为本发明所述智能推荐菜谱和食品的方法的工作流程图。

具体实施方式

下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。

实施例1

如图1-2所示。

一种智能推荐菜谱和食品的方法，包括步骤如下：

1)构建偏好数据库：

服务器获取用户的购买数据信息，并存入偏好数据库；所述用户的购买数据信息包括用户id、用户购买的食品名称及每种食品的购买次数；

2)建立菜谱数据库：

获取菜谱信息，并存入菜谱数据库；所述菜谱信息包括菜谱名称、食材名称和菜谱做法步骤；

3)计算临近用户：

通过偏好数据库，得到用户u_x对物品i_y的喜好程度u_xy，u_xy即用户u_x对物品i_y的购买次数；用m×n的矩阵表示用户对物品的喜好情况，每种食品的购买次数表示用户对物品的喜好程度，购买次数越高表示越喜欢这个食品，0表示没有买过该物品，如图1所示。图中行表示一个用户，列表示一种食品，u_xy表示用户u_x对物品i_y的喜好程度，即食品的购买次数。

4)计算食品相似度：

$sim(i_p,i_q)=cos(\stackrel{\→}{i_p},\stackrel{\→}{i_q})=\frac{\stackrel{\→}{i_p}\·\stackrel{\→}{i_q}}{\left|\stackrel{\→}{i_p}\right|\×\left|\stackrel{\→}{i_q}\right|},$ p,q∈(1,n)，p≠q

其中， $\stackrel{\→}{i_p}=(u_{1p},u_{2p},u_{3p},...,u_{xp}),\stackrel{\→}{i_q}=(u_{1q},u_{2q},u_{3q},...,u_{xq});$

5)根据所述食品相似度，对缺失的u_xy值进行预测：

对每种食品的购买次数进行加权求和，权值为用户已购买的食品j与食品i的相似度，计算得到用户u对食品i的喜好程度：

$p_{ui}=\underset{j\∈N\left(u\right)}{\Σ}{w}_{ji}\·U_{uj}$

N(u)为用户购买过食品的集合，U_uj为用户u对食品j的喜好程度，w_ji为食品j与食品i的相似度；

6)获取现存食品的列表m_x(x＝1,2,...,t)表示不同的食材；计算现存食品的列表与菜谱数据库中食品列表的食材匹配度；

$sim(M,m)=cos(\stackrel{\→}{M},\stackrel{\→}{m})=\frac{\stackrel{\→}{M}\·\stackrel{\→}{m}}{\left|\stackrel{\→}{M}\right|\×\left|\stackrel{\→}{m}\right|}$

当sim(M,m)大于阈值α时，计算对应的菜谱数据库中食品列表与现存食品的列表的差集，得到购买列表；即将食谱中有，现存食品中却没有的食品存入购买列表；

将满足条件的菜谱数量记为A，统计购买列表中每种食品出现的次数，利用如下公式计算用户对食品的喜好：

$L_{uj}=p_{uj}+\frac{c_j}{A}$

L_uj表示用户u对食品j的喜好值，c_j表示食品j在购买列表中出现的次数。

7)由以上步骤计算得到用户对食品的喜好值，按数值大小排序得到用户的推荐列表。

实施例2

如实施例1所述的智能推荐菜谱和食品的方法，其区别在于，所述步骤2)中，菜谱数据库的建立是依靠网络爬虫技术在互联网爬取菜谱信息。

实施例3

如实施例1所述的智能推荐菜谱和食品的方法，其区别在于，所述步骤2)中，菜谱信息的存储格式如下：{'_id':菜谱名称，'steps'：菜谱做法步骤，'material':[M₁，M₂，...,M_n]}，其中'_id'表示菜谱名称，'steps'表示菜谱做法步骤，'material'表示食材列表，M_x(x＝1,2,...,n)表示食材名称；material＝

实施例4

将如实施例1-3任意一项所述的智能推荐菜谱和食品的方法应用到智能冰箱，工作方法如下：

一种智能推荐菜谱和食品的方法，包括步骤如下：

1)构建偏好数据库：

服务器获取用户的购买数据信息，并存入偏好数据库；所述用户的购买数据信息包括用户id、用户购买的食品名称及每种食品的购买次数；

2)建立菜谱数据库：

获取菜谱信息，并存入菜谱数据库；所述菜谱信息包括菜谱名称、食材名称和菜谱做法步骤；

3)计算临近用户：

通过偏好数据库，得到用户u_x对物品i_y的喜好程度u_xy，u_xy即用户u_x对物品i_y的购买次数；用m×n的矩阵表示用户对物品的喜好情况，每种食品的购买次数表示用户对物品的喜好程度，购买次数越高表示越喜欢这个食品，0表示没有买过该物品，如图1所示。图中行表示一个用户，列表示一种食品，u_xy表示用户u_x对物品i_y的喜好程度，即食品的购买次数。

4)计算食品相似度：

$sim(i_p,i_q)=cos(\stackrel{\→}{i_p},\stackrel{\→}{i_q})=\frac{\stackrel{\→}{i_p}\·\stackrel{\→}{i_q}}{\left|\stackrel{\→}{i_p}\right|\×\left|\stackrel{\→}{i_q}\right|},$ p,q∈(1,n)，p≠q

其中， $\stackrel{\→}{i_p}=(u_{1p},u_{2p},u_{3p},...,u_{xp}),\stackrel{\→}{i_q}=(u_{1q},u_{2q},u_{3q},...,u_{xq});$

5)根据所述食品相似度，对缺失的u_xy值进行预测：

对每种食品的购买次数进行加权求和，权值为用户已购买的食品j与食品i的相似度，计算得到用户u对食品i的喜好程度：

$p_{ui}=\underset{j\∈N\left(u\right)}{\Σ}{w}_{ji}\·U_{uj}$

N(u)为用户购买过食品的集合，U_uj为用户u对食品j的喜好程度，w_ji为食品j与食品i的相似度；

6)获取冰箱内的食品列表m_x(x＝1,2,...,t)表示不同的食材；计算冰箱内的食品列表与菜谱数据库中食品列表的食材匹配度；

$sim(M,m)=cos(\stackrel{\→}{M},\stackrel{\→}{m})=\frac{\stackrel{\→}{M}\·\stackrel{\→}{m}}{\left|\stackrel{\→}{M}\right|\×\left|\stackrel{\→}{m}\right|}$

当sim(M,m)大于阈值α时，计算对应的菜谱数据库中食品列表与冰箱内的食品列表的差集，得到购买列表；即将食谱中有，冰箱内食品中却没有的食品存入购买列表；

将满足条件的菜谱数量记为A，统计购买列表中每种食品出现的次数，利用如下公式计算用户对食品的喜好：

$L_{uj}=p_{uj}+\frac{c_j}{A}$

L_uj表示用户u对食品j的喜好值，c_j表示食品j在购买列表中出现的次数。

7)由以上步骤计算得到用户对食品的喜好值，按数值大小排序得到用户的推荐列表。

Claims (4)

1.一种智能推荐菜谱和食品的方法，其特征在于，包括步骤如下：

1)构建偏好数据库：

服务器获取用户的购买数据信息，并存入偏好数据库；所述用户的购买数据信息包括用户id、用户购买的食品名称及每种食品的购买次数；

2)建立菜谱数据库：

获取菜谱信息，并存入菜谱数据库；所述菜谱信息包括菜谱名称、食材名称和菜谱做法步骤；

3)计算临近用户：

通过偏好数据库，得到用户u_x对物品i_y的喜好程度u_xy，u_xy即用户u_x对物品i_y的购买次数；

4)计算食品相似度：

$sim(i_p,i_q)=cos(\stackrel{\→}{i_p},\stackrel{\→}{i_q})=\frac{\stackrel{\→}{i_p}\·\stackrel{\→}{i_q}}{\left|\stackrel{\→}{i_p}\right|\×\left|\stackrel{\→}{i_q}\right|},p,q\∈(1,n),p\≠q$

其中， $\stackrel{\→}{i_p}=(u_{1p},u_{2p},u_{3p},...,u_{xp}),\stackrel{\→}{i_q}=(u_{1q},u_{2q},u_{3q},...,u_{xq});$

5)根据所述食品相似度，对缺失的u_xy值进行预测：

用户u对食品i的喜好程度：

$p_{ui}=\underset{j\∈N\left(u\right)}{\Σ}{w}_{ji}\·U_{uj}$

N(u)为用户购买过食品的集合，U_uj为用户u对食品j的喜好程度，w_ji为食品j与食品i的相似度；

6)获取现存食品的列表m_x(x＝1,2,...,t)表示不同的食材；计算现存食品的食品列表与菜谱数据库中食品列表的食材匹配度；

$sim(M,m)=cos(\stackrel{\→}{M},\stackrel{\→}{m})=\frac{\stackrel{\→}{M}\·\stackrel{\→}{m}}{\left|\stackrel{\→}{M}\right|\×\left|\stackrel{\→}{m}\right|}$

当sim(M,m)大于阈值α时，计算对应的菜谱数据库中食品列表与现存食品的食品列表的差集，得到购买列表；

将满足条件的菜谱数量记为A，统计购买列表中每种食品出现的次数，利用如下公式计算用户对食品的喜好：

$L_{uj}=p_{uj}+\frac{c_j}{A}$

L_uj表示用户u对食品j的喜好值，c_j表示食品j在购买列表中出现的次数；

7)由以上步骤计算得到用户对食品的喜好值，按数值大小排序得到用户的推荐列表。

2.根据权利要求1所述的智能推荐菜谱和食品的方法，其特征在于，所述步骤2)中，菜谱数据库的建立是依靠网络爬虫技术在互联网爬取菜谱信息。

3.根据权利要求1所述的智能推荐菜谱和食品的方法，其特征在于，所述步骤2)中，菜谱信息的存储格式如下：{'_id':菜谱名称，'steps'：菜谱做法步骤，'material':[M₁，M₂，...,M_n]}，其中'_id'表示菜谱名称，'steps'表示菜谱做法步骤，'material'表示食材列表，M_x(x＝1,2,...,n)表示食材名称； $\mathrm{material}=\stackrel{\→}{M}.$

4.如权利要求1-3任意一项所述的智能推荐菜谱和食品的方法的应用，其特征在于，将该方法应用到智能冰箱中。