CN107665254A

CN107665254A - 一种基于深度学习的菜谱推荐方法

Info

Publication number: CN107665254A
Application number: CN201710915536.XA
Authority: CN
Inventors: 王心茹; 王艺淳; 于治楼
Original assignee: Jinan Inspur Hi Tech Investment and Development Co Ltd
Current assignee: Jinan Inspur Hi Tech Investment and Development Co Ltd
Priority date: 2017-09-30
Filing date: 2017-09-30
Publication date: 2018-02-06

Abstract

本发明公开了一种基于深度学习的菜谱推荐方法，其实现过程为：首先将菜谱的文本结构进行统一；对菜谱文本进行数据预处理；训练DNN分类器，对经过预处理的菜谱数据进行特征提取；对提取的特征进行过滤后，对菜谱进行推荐。本发明的一种基于深度学习的菜谱推荐方法与现有技术相比，结合深度学习的方法对菜谱隐式地进行特征提取和风味分析，将基于内容的过滤和协同过滤相结合，充分利用菜谱内容与用户行为大数据，达到了更加精准和友好的个性化推荐效果，实用性强。

Description

一种基于深度学习的菜谱推荐方法

技术领域

本发明涉及计算机应用技术领域，具体地说是一种基于深度学习的菜谱推荐方法。

背景技术

“民以食为天”，健康美味的饮食是积极生活方式中必不可少的一环，越来越受到大众瞩目。在这样的大背景下，专注于美食的网站和手机应用如雨后春笋般出现，它们提供有版权的实用菜谱和饮食知识，倡导在家烹饪的生活方式，为美食爱好者搭建记录、分享的平台。然而，用户在海量的菜谱信息中往往感到无所适从，对个性化推荐的需求日趋强烈。

现有的推荐算法有两种应用最为广泛：

基于内容的过滤(content-basedfiltering)：“以物为本”的推荐。通过比较用户的喜好特征向量和候选产品的内容特征向量，为用户推荐相关性最大的一组产品。优点是保证了用户之间的独立性，但项目的特征抽取一般存在困难，且无法挖掘用户的潜在兴趣。

协同过滤(collaborativefiltering)：“以人为本”的推荐。利用与用户有相似行为和喜好的其他用户的喜好，来推荐用户感兴趣的信息。协同过滤充分利用了大数据和群体信息，但存在冷启动的问题。

目前美食互联网产品的个性化推荐功能尚存在明显不足。首先，对于菜谱的特征提取僵化、不完备，在基于内容的推荐上容易忽略用户个人口味、营养需求等信息；其次，与其他音乐、社区、电子商务等应用相比，美食应用的用户数据较少，因而根据群体信息进行协同过滤推荐也存在偏差。基于此，本发明提出运用深度神经网络(DNN)，尤其是在NLP中应用较广的卷积神经网络(CNN)或递归神经网络(RNN)，对菜谱进行全面的风味分析和特征提取方法，将基于内容的过滤和协同过滤充分结合，为用户提供先进的个性化菜品推荐功能。

发明内容

本发明的技术任务是针对以上不足之处，提供一种基于深度学习的菜谱推荐方法。

一种基于深度学习的菜谱推荐方法，其实现过程为：

S1、首先将菜谱的文本结构进行统一；

S2、对菜谱文本进行数据预处理；

S3、训练DNN分类器，对经过预处理的菜谱数据进行特征提取；

S4、对提取的特征进行过滤后，对菜谱进行推荐。

在步骤S1中，菜谱的文本结构统一是指通过深度神经网络对菜谱文本进行多维度特征分类。

步骤S2中对菜谱文本进行数据预处理的过程为：

用结巴中文分词库对菜谱文本进行实词分词；

用word2vec工具包生成每个词语的词向量。

所述步骤S3的过程为：

首先设计网络结构，该网络结构采用深度神经网络；

对深度神经网络的输出结果进行统计量化；

通过深度神经网络中的类型和维度，生成菜谱训练集和验证集，训练该深度神经网络；

训练完成之后，得到一个可以对菜谱进行分类的深度神经网络模型，输入菜谱文本序列，输出菜谱分类子维度的概率分布，对概率分布进行重新量化后得到菜谱的特征向量。

所述深度神经网络采用DNN结构是卷积神经网络，该卷积神经网络的结构包括：

输入层，输入层是一个n×k维的句子矩阵，即每个句子有n个实词，向量的维数为k；且步骤S2中已生成用词向量表示的菜谱文本序列，如果输入层有两个通道，则一个作为静态矩阵，一个作为动态矩阵，对于未登录词的词向量，用0或随机小的正数填充；

卷积层，输入层通过卷积操作得到若干列数为1的featuremap，卷积窗口大小为h×k，其中h表示纵向词语的个数；

池化层，提取每个featuremap中的最大值，输出一个一维列向量；

全连接softmax输出层，池化层的一维列向量的输出通过全连接的方式连接一个softmax 层，Softmax神经元的数目由菜谱分类维度总数决定。

训练深度神经网络通过以下方式实现：首先选取激励函数和目标函数，预制精度值，激励函数采用ReLu和拟对数函数，目标函数使用交叉熵损失函数，采用小批量随机梯度下降法使目标函数最小化，采用dropout方法和正则化限制过度拟合，达到预定精度后停止训练。

步骤S4中，通过分类器对所有预处理的菜谱特征抽取后，形成菜谱的特征向量，然后根据菜谱的特征向量和用户的行为兴趣向量，进行基于内容的过滤和协同过滤，对用户进行菜单推荐。

所述基于内容的过滤是指，利用提取的特征值组成的向量，计算目标菜谱i和该用户已收藏菜谱的相似度，根据相似度将所有目标菜谱排序，选取排名靠前的k个菜谱进行推荐。

所述协同过滤是指，以用户为基础的协同过滤，计算不同用户之间的相似度，生成最近邻集合，找到邻居的兴趣点，进而对目标用户的兴趣进行预测，产生推荐结果。

本发明的一种基于深度学习的菜谱推荐方法和现有技术相比，具有以下有益效果：

本发明的一种基于深度学习的菜谱推荐方法，本发明结合深度学习的方法对菜谱隐式地进行特征提取和风味分析，将基于内容的过滤和协同过滤相结合，充分利用菜谱内容与用户行为大数据，达到了更加精准和友好的个性化推荐效果，实用性强，适用范围广泛，易于推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

附图1是本发明实现流程图。

附图2是菜谱特征提取过程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明的方案，下面结合具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

从2013年Google的word2vec开源项目开始，NLP引爆了深度学习这个热点，尤其在文本理解(如文本分类、机器翻译等)方面取得了理想的成果。菜谱特征提取属于短文本分类的应用之一，基于此认识，本发明的基本思想在于利用深度神经网络对菜谱文本进行多维度特征分类。利用专家标注好类型和维度的菜谱训练集和验证集训练该分类器，其后应用分类器对所有在线菜谱未被人工标注的维度进行特征抽取，形成菜谱的特征向量。最后，根据菜谱的特征向量和用户的行为喜好向量，应用基于内容的过滤和协同过滤相结合的方法，对用户进行菜单推荐。

针对美食互联网应用的个性化推荐功能，如附图1、图2所示，本发明提出一种基于深度学习的菜谱推荐方法，运用深度神经网络(DNN)，尤其是在NLP中应用较广的卷积神经网络(CNN)，对菜谱进行全面的风味分析和特征提取，同时将基于内容的过滤和协同过滤充分结合，为用户提供先进的个性化菜品推荐功能，主要步骤有：

S1：统一菜谱的文本结构。具体地，以方便程序分割文本，用于后续的DNN特征提取。

S2：对菜谱文本进行数据预处理。具体步骤如下：

S21：用结巴中文分词库对菜谱文本进行实词分词；

S22：用word2vec工具包生成每个词语的词向量。

S3：训练DNN分类器，对菜谱数据进行特征提取。请参阅图2，其为菜谱特征提取过程示意图。具体步骤如下：

S31：设计网络结构。由于文本分类领域应用最为广泛的DNN结构是卷积神经网络(CNN)，以下我们以CNN作为实施例阐述菜谱的特征提取过程。显然，输出与当前输入和上一状态均有关的递归神经网络(RNN)、能够修改激励输入的深度信念网络(DBN)也拥有相应的实施潜力，但在此不再赘述。

S32：输入层。输入层是一个n×k维的句子矩阵，设每个句子有n个实词，向量的维数为k。S2中已生成用词向量表示的菜谱文本序列。如果输入层有两个channel，则一个作为静态矩阵，一个作为动态矩阵，动态矩阵的词向量在模型训练过程中可以被优化调整。对于未登录词的词向量，用0或随机小正数填充。

S33：卷积层。输入层通过卷积操作得到若干列数为1的featuremap，卷积窗口大小为h ×k，其中h表示纵向词语的个数。

S34：池化层。此处采用max-over-timepooling的方法，只提取每个featuremap中的最大值，输出一个一维列向量。

S34：全连接softmax输出层。池化层的一维向量的输出通过全连接的方式连接一个softmax层，在池化层和输出层中间也可以根据需要添加一或多个全连接隐藏层。Softmax神经元的数目由菜谱分类维度总数决定。烹饪专家对菜品的类别维度进行划分，每个维度进一步细分子维度。例如在实际应用中，我们完成m个分类，有[食材，口味，烹调方法，菜式，菜系，……]，每个维度i(i＝1,2,…,m)下有f_i个子维度，如“食材”下有[猪肉，鸡肉，牛肉，鸡蛋，……，土豆，南瓜，芹菜，……，西瓜，苹果，樱桃，……]，“口味”下有[甜，辣，糖醋，蒜香，咖喱，……]，“烹调方法”下有[炒，煎，炸，炖，红烧，……]，“菜式”下有[家常菜，减肥餐，早餐，烘焙，……]，“菜系”下有[粤菜，鲁菜，……，西式，日式，……]，等等。

S35：在每个大类维度内，对输出结果进行统计量化。由于softmax层得出的结果反映的是概率分布，所以并不能作为最终的特征向量。对输出的重新量化在维度内部进行，并全部归一化，即对于子维度y_ij(i＝1,2,…,m,j＝1,2,…,f_i)，yij∈[0，1]。设定一个阈值，阈值以下的输出记为0，阈值以上的输出按重要程度进行打分。例如对“菠萝咕咾肉”一菜重新量化后的特征矩阵如下表：

S36：训练深度神经网络。由烹饪专家对现有在线菜谱按照上述维度进行标注，生成训练集和验证集。激励函数采用ReLu和拟对数函数，目标函数使用交叉熵损失函数(cross-entropy lossfunction)，采用小批量随机梯度下降法(mini-batch stochasticgradient descent)使目标函数最小化，采用dropout方法和正则化限制过度拟合，达到理想精度停止训练。

在所述步骤S3中，具体用分词工具和word2vec生成菜谱文本的所有词向量，所有词向量作为DNN的输入层。DNN结构可采用目前NLP领域应用最为广泛的卷积神经网络(CNN)或递归神经网络(RNN)。由专家划分菜谱分类的维度，如食材维度、口味维度，每种维度下再细分子维度，如口味维度下可分为甜、咸、酸、辣等。输出层采用softmax，神经元个数等于所有维度下的子维度个数总和。利用专家标注好类型的菜谱训练集和验证集训练DNN 分类器。

S4：综合基于内容的过滤和协同过滤，对菜谱进行推荐。

S41：基于内容的推荐。利用提取的特征值组成的向量，计算目标菜谱i和该用户已收藏菜谱的相似度，常见计算方法包括皮尔逊相关系数、余弦相似度、欧几里德距离等。根据相似度将所有目标菜谱排序，选取排名靠前的k个菜谱进行推荐。

S42：协同过滤。以以用户为基础的协同过滤(UserCF)为例。系统根据用户的行为模式代替用户完成对菜谱的被动评分，生成用户兴趣向量。例如在具体实施中，将打分权重设置为“收藏”＞“上传我的作品”＞“分享”＞“点赞”＞“历史搜索”＞……，将用户不喜欢的维度记为负数。计算不同用户之间的相似度，生成最近邻集合，找到邻居的兴趣点，进而对目标用户的兴趣进行预测，产生推荐结果。

将基于内容的过滤结果和协同过滤结果的推荐分数归一化，选取综合分数最高的前n个菜谱进行推荐。在实际应用中，还可以考虑用户的健康状况、营养需求、减脂需求、上下文、现有食材等，与菜谱特征向量进行交叉比对，多角度进行推荐。

相比于现有技术，本发明结合深度学习的方法对菜谱隐式地进行特征提取和风味分析，将基于内容的过滤和协同过滤相结合，充分利用菜谱内容与用户行为大数据，达到了更加精准和友好的个性化推荐效果。

通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims

1.一种基于深度学习的菜谱推荐方法，其特征在于，其实现过程为：

S1、首先将菜谱的文本结构进行统一；

S2、对菜谱文本进行数据预处理；

S4、对提取的特征进行过滤后，对菜谱进行推荐。

2.根据权利要求1所述的一种基于深度学习的菜谱推荐方法，其特征在于，在步骤S1中，菜谱的文本结构统一是指通过深度神经网络对菜谱文本进行多维度特征分类。

3.根据权利要求1所述的一种基于深度学习的菜谱推荐方法，其特征在于，步骤S2中对菜谱文本进行数据预处理的过程为：

用结巴中文分词库对菜谱文本进行实词分词；

用word2vec工具包生成每个词语的词向量。

4.根据权利要求3所述的一种基于深度学习的菜谱推荐方法，其特征在于，所述步骤S3的过程为：

首先设计网络结构，该网络结构采用深度神经网络；

对深度神经网络的输出结果进行统计量化；

5.根据权利要求4所述的一种基于深度学习的菜谱推荐方法，其特征在于，所述深度神经网络采用DNN结构是卷积神经网络，该卷积神经网络的结构包括：

全连接softmax输出层，池化层的一维列向量的输出通过全连接的方式连接一个softmax层，Softmax神经元的数目由菜谱分类维度总数决定。

6.根据权利要求5所述的一种基于深度学习的菜谱推荐方法，其特征在于，训练深度神经网络通过以下方式实现：首先选取激励函数和目标函数，预制精度值；采用小批量随机梯度下降法使目标函数最小化，采用dropout方法和正则化限制过度拟合，达到预定精度后停止训练。

7.根据权利要求6所述的一种基于深度学习的菜谱推荐方法，其特征在于，所述激励函数采用ReLu和拟对数函数，目标函数使用交叉熵损失函数。

8.根据权利要求3-7任一所述的一种基于深度学习的菜谱推荐方法，其特征在于，步骤S4中，通过分类器对所有预处理的菜谱特征抽取后，形成菜谱的特征向量，然后根据菜谱的特征向量和用户的行为兴趣向量，进行基于内容的过滤和协同过滤，对用户进行菜单推荐。

9.根据权利要求8所述的一种基于深度学习的菜谱推荐方法，其特征在于，所述基于内容的过滤是指，利用提取的特征值组成的向量，计算目标菜谱i和该用户已收藏菜谱的相似度，根据相似度将所有目标菜谱排序，选取排名靠前的k个菜谱进行推荐。

10.根据权利要求8所述的一种基于深度学习的菜谱推荐方法，其特征在于，所述协同过滤是指，以用户为基础的协同过滤，计算不同用户之间的相似度，生成最近邻集合，找到邻居的兴趣点，进而对目标用户的兴趣进行预测，产生推荐结果。