CN110916470B - 一种基于家电设备的食谱管理方法和家电设备 - Google Patents
一种基于家电设备的食谱管理方法和家电设备 Download PDFInfo
- Publication number
- CN110916470B CN110916470B CN201811097779.8A CN201811097779A CN110916470B CN 110916470 B CN110916470 B CN 110916470B CN 201811097779 A CN201811097779 A CN 201811097779A CN 110916470 B CN110916470 B CN 110916470B
- Authority
- CN
- China
- Prior art keywords
- recommended
- recipe
- dimension
- recipe information
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 10
- 238000010411 cooking Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims description 34
- 239000000463 material Substances 0.000 claims description 23
- 235000013305 food Nutrition 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 9
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 3
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 235000012041 food component Nutrition 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 240000008574 Capsicum frutescens Species 0.000 description 1
- 235000002568 Capsicum frutescens Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 101100331544 Gallus gallus DICER1 gene Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
- A47J27/00—Cooking-vessels
- A47J27/002—Construction of cooking-vessels; Methods or processes of manufacturing specially adapted for cooking-vessels
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47J—KITCHEN EQUIPMENT; COFFEE MILLS; SPICE MILLS; APPARATUS FOR MAKING BEVERAGES
- A47J36/00—Parts, details or accessories of cooking-vessels
Landscapes
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种基于家电设备的食谱管理方法和家电设备,包括:获取家电设备的历史使用记录;根据所述历史使用记录确定用户的烹饪食谱信息;根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息;所述推荐食谱信息为根据多个推荐维度生成的食谱集合,所述食谱集合包括多个食谱信息。
Description
技术领域
本发明涉及烹饪厨电控制领域,具体涉及一种基于家电设备的食谱管理方法和家电设备。
背景技术
目前,食谱推荐方法有多种,并已投入市场使用,得到了用户的一定认可,食谱推荐方案都是基于现有获得的参数的推荐,虽然可以根据各种维度的数据对用户进行食谱推荐,但在实际使用中,没有考虑长尾效应,有部分食谱永远没有被推荐给用户;也没有根据推荐的结果进行反向验证用户是否按使用了推荐方案,不能确保推荐的效果。
发明内容
本发明提供一种基于家电设备的食谱管理方法和家电设备,验证用户是否使用了推荐方案。
为了实现上述发明目的,本发明采取的技术方案如下:
第一方面,本发明提供一种基于家电设备的食谱管理方法,包括:
获取家电设备的历史使用记录;
根据所述历史使用记录确定用户的烹饪食谱信息;
根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息;所述推荐食谱信息为根据多个推荐维度生成的食谱集合,所述食谱集合包括多个食谱信息。
优选地,所述烹饪食谱信息至少包括以下信息之一:
烹饪过程中的烹饪食材信息、烹饪方式信息、烹饪步骤信息、烹饪参数信息、烹饪时间信息和/或食材用量信息。
优选地,根据多个推荐维度生成所述推荐食谱信息包括:
根据设置的所述多个推荐维度的权重比例进行相关度计算;
根据所述相关度计算的结果确定所述食谱集合的内容以及所述食谱集合中全部食谱信息的推荐顺序。
优选地,所述的方法还包括:
对所述推荐食谱信息进行数据统计,获得每个推荐维度所推荐产生的食谱数量;
根据每个推荐维度所推荐产生的食谱数量,调整所述多个推荐维度的权重比例,并按照调整后的权重比例重新确定推荐食谱信息。
优选地,根据每个推荐维度所推荐产生的食谱数量,调整所述多个推荐维度的权重比例包括以下至少之一:
确定高覆盖推荐维度和低覆盖推荐维度,计算所述高覆盖推荐维度推荐产生的食谱数量与所述低覆盖推荐维度推荐产生的食谱数量之间的差值;当所述差值大于调整阈值时,调整所述多个推荐维度的权重比例;
按照回归预测模型预测高覆盖推荐维度和低覆盖推荐维度,计算所述高覆盖推荐维度推荐产生的食谱数量与所述低覆盖推荐维度推荐产生的食谱数量之间的差值;当所述差值大于调整阈值时,调整所述多个推荐维度的权重比例;
所述高覆盖推荐维度为推荐产生的食谱数量最多的推荐维度,所述低覆盖推荐维度为推荐产生的食谱数量最少的推荐维度。
优选地,根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息包括:
根据所述烹饪食谱信息以及所述推荐食谱信息计算相似度;
根据所述相似度以及预设阈值确定用户是否采用了所述推荐食谱信息中的食谱;
若是,则按照预设机制对用户进行激励。
优选地,所述推荐维度包括以下至少之一:
用户数据、家电种类、食材数据、健康信息、偏好信息、地域信息。
优选地,根据多个推荐维度生成所述推荐食谱信息包括:
通过数据筛选确定多组所述多个推荐维度的权重比例;
根据每组所述权重比例对应的相关性矩阵,确定每组所述权重比例的推荐维度的代表性系数P;所述代表性系数P表征食谱的符合性;
按照使得代表性系数P最大的一组权重比例生成所述推荐食谱信息。
优选地,按照回归预测模型预测包括:
获取预设时间段内每个推荐维度所推荐产生的食谱数量;
以时间为自变量、每个推荐维度所推荐产生的食谱数量为应变量确定回归方程,并为每个推荐维度分别构建回归预测模型;
根据所述回归预测模型分别计算每个推荐维度的时间相关度,验证所述回归预测模型的可靠性;
根据验证通过的所述回归预测模型预测每个推荐维度所推荐产生的食谱数量。
第二方面,本发明还提供一种家电设备,包括:
获取模块,被配置为获取家电设备的历史使用记录;
分析模块,被配置为根据所述历史使用记录确定用户的烹饪食谱信息;
验证模块,被配置为根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息;所述推荐食谱信息为根据多个推荐维度生成的食谱集合,所述食谱集合包括多个食谱信息。
本发明根据根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息,其中,烹饪食谱信息是根据家电设备的历史使用记录确定的。具有如下有益效果:
1、本发明获得家电设备历史使用记录,便可以分析获得用户之前的烹饪食谱信息,通过家电使用记录反向验证用户是否使用推荐食谱方案,并做出反馈调节;
2、本发明推荐食谱信息为根据用户数据、家电种类、食材数据、当前时间、家电使用记录等进行食谱推荐生成的食谱集合;包括了多个推荐维度生成的多个食谱信息;
3、本发明对于推荐维度变化(增加、减少、修改等),可以通过为变更的推荐维度设置权重比例的方式重新生成推荐食谱信息,推荐维度可灵活添加,权重可调,且仍能确保消除长尾。
4、本发明如果判断在一段时间周期内推荐的食谱出现长尾效应,则通过修正推荐维度的权重比例重新确定推荐食谱信息,避免食谱推荐的结果的类型不能全范围覆盖食谱数据库;避免某个推荐维度的食谱数据较少时导致推荐结果反复单一;
5、本发明验证用户是否采用了推荐的食谱方案,若用户采用了,则对用户给予一定奖励,从而引导用户按照推荐食谱信息进行科学饮食,并督促用户坚持完成为其制定的饮食计划。
附图说明
图1为本发明实施例的基于家电设备的食谱管理方法的流程图;
图2为本发明实施例的家电设备的结构示意图;
图3为本发明实施例的食谱推荐和验证流程图;
图4为本发明实施例的监督并激励用户采用推荐食谱信息流程图。
具体实施方式
为使本发明的发明目的、技术方案和有益效果更加清楚明了,下面结合附图对本发明的实施例进行说明,需要说明的是,在不冲突的情况下,本申请中的实施例和实施例中的特征可以相互任意组合。
如图1所示,本发明实施例提供一种基于家电设备的食谱管理方法,包括:
S101、获取家电设备的历史使用记录;
S102、根据所述历史使用记录确定用户的烹饪食谱信息;
S103、根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息;所述推荐食谱信息为根据多个推荐维度生成的食谱集合,所述食谱集合包括多个食谱信息。
本发明实施例通过获得用户家中的家电的历史使用记录,通过家中各家电的家电类型、使用时间、使用参数和使用工序等来得知用户上一餐用了什么家电通过何种方法做了那种食谱的食物,然后通过家电历史使用记录推导出的实际的烹饪食谱信息,与推荐的方案进行对比,验证相似率,后续可以按照预设规则对用户进行激励,若采用,则对用户进行激励,引导用户按照推荐使用。
本发明实施例中,所述烹饪食谱信息至少包括以下信息之一:
烹饪过程中的烹饪食材信息、烹饪方式信息、烹饪步骤信息、烹饪参数信息、烹饪时间信息和/或食材用量信息。
本发明实施例根据多个推荐维度生成所述推荐食谱信息包括:
根据设置的所述多个推荐维度的权重比例进行相关度计算;
根据所述相关度计算的结果确定所述食谱集合的内容以及所述食谱集合中全部食谱信息的推荐顺序。
本发明实施例,根据家电智能程度、用户数据、家电种类、食材数据、当前时间、家电使用记录、制作时间等多个推荐维度生成推荐食谱信息,其中推荐食谱信息的表现形式可以为根据所述推荐维度生成的食谱信息列表,也可以是图像交互界面或者语音回答。
为每个推荐维度设置对应的权重比例,如果有新加入数据库的推荐维度,则可以通过为增加的推荐维度设置权重比例的方式重新生成推荐食谱信息,灵活方便。
本发明实施例所述的方法:还包括:
对所述推荐食谱信息进行数据统计,获得每个推荐维度所推荐产生的食谱数量;
根据每个推荐维度所推荐产生的食谱数量,调整所述多个推荐维度的权重比例,并按照调整后的权重比例重新确定推荐食谱信息。
在食谱推荐的权重比例下,定时对推荐的食谱进行数据统计,得知哪些推荐维度的食谱推荐的多,哪些推荐维度的食谱推荐的少,甚至哪些推荐维度的食谱没有被推荐,即发现长尾效应。当此类型长尾效应产生时,系统修改推荐算法中的各参数推荐比率,增大食谱被推荐的少或没有被推荐的权重比例,确保不会有某一类型的食谱一直不能被推荐。
根据每个推荐维度所推荐产生的食谱数量,调整所述多个推荐维度的权重比例包括以下至少之一:
确定高覆盖推荐维度和低覆盖推荐维度,计算所述高覆盖推荐维度推荐产生的食谱数量与所述低覆盖推荐维度推荐产生的食谱数量之间的差值;当所述差值大于调整阈值时,调整所述多个推荐维度的权重比例;
按照回归预测模型预测高覆盖推荐维度和低覆盖推荐维度,计算所述高覆盖推荐维度推荐产生的食谱数量与所述低覆盖推荐维度推荐产生的食谱数量之间的差值;当所述差值大于调整阈值时,调整所述多个推荐维度的权重比例;
所述高覆盖推荐维度为推荐产生的食谱数量最多的推荐维度,所述低覆盖推荐维度为推荐产生的食谱数量最少的推荐维度。
本发明实施例中,判断长尾效应的方式为:
确定推荐维度产生食谱数量最多的数量与推荐维度产生食谱数量最少的数量之间的差值;当所述差值大于调整阈值时,确定出现长尾效应;
或者,按照回归预测模型预测推荐维度产生食谱数量最多的数量与推荐维度产生食谱数量最少的数量之间的差值;当所述差值大于调整阈值时,确定出现长尾效应。
本发明实施例步骤S103中,根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息包括:
根据所述烹饪食谱信息以及所述推荐食谱信息计算相似度;
根据所述相似度以及预设阈值确定用户是否采用了所述推荐食谱信息中的食谱;
若是,则按照预设机制对用户进行激励。
本发明实施例中,首先,确定所述烹饪食谱信息是否为推荐食谱信息中的一项;采用的方式为相似度计算的方式,当确定结果为是时,将所述烹饪食谱信息与所述推荐食谱信息中的食谱信息进行相似度验证;当相似度大于或者等于预设阈值时,确定用户采用了所述推荐食谱信息中的某个食谱,对用户进行激励;当相似度小于预设阈值时,确定用户未采用所述推荐食谱信息,向用户发出提示信息。
其中,激励的方式可以为发放平台积分、购物券、料包等。
本发明实施例中,所述推荐维度包括以下至少之一:
用户数据、家电种类、食材数据、健康信息、偏好信息、地域信息。
本发明实施例中,根据多个推荐维度生成所述推荐食谱信息包括:
通过数据筛选确定多组所述多个推荐维度的权重比例;
根据每组所述权重比例对应的相关性矩阵,确定每组所述权重比例的推荐维度的代表性系数P;所述代表性系数P表征食谱的符合性;
按照使得代表性系数P最大的一组权重比例生成所述推荐食谱信息。
按照回归预测模型预测包括:
获取预设时间段内每个推荐维度所推荐产生的食谱数量;
以时间为自变量、每个推荐维度所推荐产生的食谱数量为应变量确定回归方程,并为每个推荐维度分别构建回归预测模型;
根据所述回归预测模型分别计算每个推荐维度的时间相关度,验证所述回归预测模型的可靠性;
根据验证通过的所述回归预测模型预测每个推荐维度所推荐产生的食谱数量。
如图2所示,本发明实施例还提供一种家电设备,包括:
获取模块100,被配置为获取家电设备的历史使用记录;
分析模块200,被配置为根据所述历史使用记录确定用户的烹饪食谱信息;
验证模块300,被配置为根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息;所述推荐食谱信息为根据多个推荐维度生成的食谱集合,所述食谱集合包括多个食谱信息。
实施例一
如图3所示,本实施例说明食谱信息推荐和验证的过程:
例如,从冰箱的使用记录中获取到用户当天中午12点取走了在-5℃下冷冻了2天的鸡肉,和取走了冷藏了3个小时的黄瓜、花生米和辣椒,从炒菜机的使用记录获取到当天中午12点10分使用了宫保鸡丁的食谱进行自动制作,12点30分制作完毕;由此可知,用户使用了智能家电冰箱和炒菜机,采用智能食谱“宫保鸡丁炒菜机”制作了宫保鸡丁;然后根据智能家电历史使用记录中的各种参数记录,分析出用户家中实际制作的食材、工艺、工序以及使用的家电,然后和之前推荐的食谱方案中的食材、工艺、工序以及需要使用的家电进行比对,比对出各项参数的相似度,从而计算出家电实际制作的和系统推荐的方案相似度。
根据相似度高低确定用户使用采用了推荐食谱,若相似度高于指定值时,确定用户采用了推荐食谱,给予用户不同的奖励(如发放平台积分、购物券、指定电器的料包等),若相似度低于指定值(可自定义设置,例如60%)则无奖励,低于指定值,提示用户要注意饮食等方法,告知不注意健康饮食的危害,提示用户按照系统推荐方案制作。从而实现指导用户使用系统推荐的家电(可为商家主推家电)制作的目的,并且发放的平台积分、购物券和料包等也在引导用户去购买指定产品。
实施例二
本实施例,说明生成所述推荐食谱信息的过程:
获取由多个推荐维度的权重比例组成的权值比例向量Vi;
根据所述权值比例向量Vi计算出所述多个推荐维度的相关矩阵Zi=ViViT,ViT表示Vi的转置;
确定所述多个推荐维度的互相关性‖Zi‖F,‖Zi‖F表示相关矩阵Zi的范数;
得出综合所述多个推荐维度的代表性系数p,公式为:
p=‖Zi‖F-tr(Zi);
具体地,根据用户本身数据A、家电种类B、食材数据(食材名、营养成分等)R、食用时间T、家电使用记录D等多个推荐维度按权重比例a、b、r、t、d进行多维度推荐,N为数据库中的数据量,i取值(0-N)。通过数据筛选获得推荐维度的权值比例向量:Vi=(ai,bi,ri,ti,di);再根据推荐维度的向量Vi计算出个各推荐维度的相关矩阵Zi=ViViT。其中,ViT表示Vi的转置,本实施例中,推荐维度间的相关性强,而推荐维度内的属性自相关性弱;得到的推荐结果更具有代表性,将各个推荐维度的互相关性‖Zi‖F(相关矩阵Zi的范数)减去相关矩阵Zi的迹tr(Zi),(相关矩阵的迹正比于各分量的自相关),得出综合各推荐维度的代表性(代表程度)系数p,公式为:
p=‖Zi‖F-tr(Zi),
代表性越大,推荐出的食谱也好。当推荐维度代表性系数最大时,获得食谱列表v:v=Argmaxp。
vi
代表性系数p越高说明所推荐的食谱越能够同时符合各个推荐维度,本实施例中代表性系数p表示生成的推荐食谱信息能够代表用户本身数据A、家电种类B、食材数据(食材名、营养成分等)R、食用时间T、家电使用记录D的程度,代表性系数p比较高时,能够同时满足如上五个或者四个推荐维度,代表性比较p比较低时,能够同时满足如上一个或者两个推荐维度。
然后进行推荐食谱信息排序生成列表,定时对推荐的食谱进行数据统计,得知哪些推荐维度的食谱推荐的多,哪些推荐维度的食谱推荐的少,甚至哪些推荐维度的食谱没有推荐,即发现长尾效应。当此类型长尾效应产生时,修改推荐算法中的各推荐维度的权重比例,增大食谱被推荐的少或没有被推荐的推荐维度的权重比例,确保不会有某一类型的食谱一直不能被推荐。例如:在经过半月推荐后,食谱各推荐维度的权重比例下对推荐出的食谱进行统计,发现辣味(用户数据中用户偏好)食谱推荐的次数很多,而饭煲(家电)的智能食谱没有被推荐;此时便出现了长尾效应,此时增大家电类的推荐权重比例,降低用户数据的推荐权重比例,即自动修正推荐算法中各推荐维度的权重比例从而增大家电类参数食谱被推荐次数、降低用户数据参数食谱被推荐次数,实现消除长尾。
实施例三
本实施例说明利用回归分析预测长尾,并通过及时修正推荐实现预防长尾效应的过程:
在推荐了一段时间食谱方案后,根据自变量(系统推荐方案时间)和因变量(用户本身数据、家电种类、食材数据、当前时间、家电使用记录等推荐类对应食谱被推荐出次数)的之前统计情况进行计算,然后在此基础上建立自变和因变量之间的回归方程,并将回归方程作为预测模型。然后对变量和应变量进行相关分析,判断出它们的相关的程度。检验回归预测模型,计算预测误差,若误差较小,则使用预测模型进行预测。最后利用回归预测模型计算预测值,并对预测值进行综合分析,确定最后的预测值。
并按一定时间范围内(例如1周)的被推荐食谱次数的预测值和各推荐类型生成统计图。当某个推荐维度对应的被推荐食谱次数的预测值趋向于尾部时,自动修正该推荐维度的权重比例,让推荐结果的类型实现全范围覆盖本身的食谱数据库,避免长尾效应发生。
例如:当系统为用户推荐了半月的食谱方案,随着时间t1的变化,糖尿病患者(用户本身数据)A、炒菜机(家电种类)B、花菜(食材数据)C对应的食谱被进行了若干次数的推荐,得到了各推荐类型的食谱方案被推荐次数yA、yB、yC;即自变量t1,因变量y。再根据自变量t1和因变量yA、yB、yC的数据进行计算,得出对应的回归方程:yA=fA(t1)、yB=fB(t1)、yC=fC(t1);将回归方程作为预测模型。然后对t1和yA、yB、yC分别进行相关分析,判断它们的相关性 根据r(yA,t1)、r(yB,t1)、r(yC,t1)的大小,判断出糖尿病患者适宜食用食谱、炒菜机食谱、含有花菜的食谱各自被推荐次数(即yA、yB、yC)和t1的相关程度。计算出r(yA,t1)、r(yB,t1)、r(yC,t1)相关程度分别为0.7、0.6、0.6,得出糖尿病患者适宜食用食谱、炒菜机食谱、含有花菜的食谱各自被推荐次数(即yA、yB、yC)和t1相关程度较大。后面两个月,根据前面的回归预测模型,得到各推荐类型对应食谱的推荐次数的预测值和实际值误差较小,则此时回归预测模型可以进行预测。在通过回归预测模型预测5天内各推荐类型对应食谱被推荐次数,其中,糖尿病患者适宜食用食谱被推荐次数为13、炒菜机智能食谱被推荐次数为0、包含花菜食谱被推荐次数为2。系统通过这5天预测值和各推荐类型生成的统计图得知炒菜机智能食谱趋于尾部,糖尿病患者适宜食用食谱趋于头部(长),此时,修正各推荐维度的权重比例,增加炒菜机类型食谱的推荐比率(之前为0.1,现增大为0.3),降低糖尿病患者适宜食谱的推荐比率(之前为0.7,先降低为0.4),让推荐结果的类型实现对食谱数据库现有推荐类型全范围覆盖,避免了即将发生的长尾效应。
实施例四
如图4所示,本实施例说明监督并激励用户采用推荐食谱信息的过程:
S1、通过家电的使用记录获得用户实际的食谱和制作流程;
S2、通过多个推荐维度生成推荐的食谱方案;
S3、将推荐的食谱方案和实际的食谱方案进行比对,获得相似度;
S4、如果相似度大于或者等于预设值,确定用户使用了推荐的食谱方案;
S5、如果相似度小于预设值,确定用户未使用推荐的食谱方案,提示用户注意饮食方法、应按照推荐的方案进行制作。
其中,步骤S1和S2之间的顺序本实施例中不做限定;步骤S4在确定用户使用了推荐的食谱方案后,可以为发放平台积分、购物券、料包等;
例如,推荐的食谱方案和实际的食谱方案的相似度大于90%,可以奖励多倍积分或者红包或者购物券,其中积分在购物时按照一定比例抵扣货款;
推荐的食谱方案和实际的食谱方案的相似度大于70%,可以奖励一倍积分或者红包或者购物券;
推荐的食谱方案和实际的食谱方案的相似度大于60%,可以奖励料包;
推荐的食谱方案和实际的食谱方案的相似度小于60%,提示用户注意。
虽然本发明所揭示的实施方式如上,但其内容只是为了便于理解本发明的技术方案而采用的实施方式,并非用于限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭示的核心技术方案的前提下,可以在实施的形式和细节上做任何修改与变化,但本发明所限定的保护范围,仍须以所附的权利要求书限定的范围为准。
Claims (9)
1.一种基于家电设备的食谱管理方法,其特征在于,包括:
获取家电设备的历史使用记录;
根据所述历史使用记录确定用户的烹饪食谱信息;
根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息;所述推荐食谱信息为根据多个推荐维度生成的食谱集合,所述食谱集合包括多个食谱信息;
根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息包括:
根据所述烹饪食谱信息以及所述推荐食谱信息计算相似度;
根据所述相似度以及预设阈值确定用户是否采用了所述推荐食谱信息中的食谱;
若是,则按照预设机制对用户进行激励。
2.如权利要求1所述的方法,其特征在于,所述烹饪食谱信息至少包括以下信息之一:
烹饪过程中的烹饪食材信息、烹饪方式信息、烹饪步骤信息、烹饪参数信息、烹饪时间信息和/或食材用量信息。
3.如权利要求2所述的方法,其特征在于:根据多个推荐维度生成所述推荐食谱信息包括:
根据设置的所述多个推荐维度的权重比例进行相关度计算;
根据所述相关度计算的结果确定所述食谱集合的内容以及所述食谱集合中全部食谱信息的推荐顺序。
4.如权利要求3所述的方法,其特征在于:还包括:
对所述推荐食谱信息进行数据统计,获得每个推荐维度所推荐产生的食谱数量;
根据每个推荐维度所推荐产生的食谱数量,调整所述多个推荐维度的权重比例,并按照调整后的权重比例重新确定推荐食谱信息。
5.如权利要求4所述的方法,其特征在于:根据每个推荐维度所推荐产生的食谱数量,调整所述多个推荐维度的权重比例包括以下至少之一:
确定高覆盖推荐维度和低覆盖推荐维度,计算所述高覆盖推荐维度推荐产生的食谱数量与所述低覆盖推荐维度推荐产生的食谱数量之间的差值;当所述差值大于调整阈值时,调整所述多个推荐维度的权重比例;
按照回归预测模型预测高覆盖推荐维度和低覆盖推荐维度,计算所述高覆盖推荐维度推荐产生的食谱数量与所述低覆盖推荐维度推荐产生的食谱数量之间的差值;当所述差值大于调整阈值时,调整所述多个推荐维度的权重比例;
所述高覆盖推荐维度为推荐产生的食谱数量最多的推荐维度,所述低覆盖推荐维度为推荐产生的食谱数量最少的推荐维度。
6.如权利要求4所述的方法,其特征在于:所述推荐维度包括以下至少之一:
用户数据、家电种类、食材数据、健康信息、偏好信息、地域信息。
7.如权利要求3所述的方法,其特征在于:根据多个推荐维度生成所述推荐食谱信息包括:
通过数据筛选确定多组所述多个推荐维度的权重比例;
根据每组所述权重比例对应的相关性矩阵,确定每组所述权重比例的推荐维度的代表性系数P;所述代表性系数P表征食谱的符合性;
按照使得代表性系数P最大的一组权重比例生成所述推荐食谱信息。
8.如权利要求5所述的方法,其特征在于:按照回归预测模型预测包括:
获取预设时间段内每个推荐维度所推荐产生的食谱数量;
以时间为自变量、每个推荐维度所推荐产生的食谱数量为应变量确定回归方程,并为每个推荐维度分别构建回归预测模型;
根据所述回归预测模型分别计算每个推荐维度的时间相关度,验证所述回归预测模型的可靠性;
根据验证通过的所述回归预测模型预测每个推荐维度所推荐产生的食谱数量。
9.一种家电设备,其特征在于,包括:
获取模块,被配置为获取家电设备的历史使用记录;
分析模块,被配置为根据所述历史使用记录确定用户的烹饪食谱信息;
验证模块,被配置为根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息;所述推荐食谱信息为根据多个推荐维度生成的食谱集合,所述食谱集合包括多个食谱信息;
根据所述烹饪食谱信息确定用户是否采用了推荐食谱信息包括:
根据所述烹饪食谱信息以及所述推荐食谱信息计算相似度;
根据所述相似度以及预设阈值确定用户是否采用了所述推荐食谱信息中的食谱;
若是,则按照预设机制对用户进行激励。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811097779.8A CN110916470B (zh) | 2018-09-20 | 2018-09-20 | 一种基于家电设备的食谱管理方法和家电设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811097779.8A CN110916470B (zh) | 2018-09-20 | 2018-09-20 | 一种基于家电设备的食谱管理方法和家电设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110916470A CN110916470A (zh) | 2020-03-27 |
CN110916470B true CN110916470B (zh) | 2021-06-04 |
Family
ID=69855212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811097779.8A Active CN110916470B (zh) | 2018-09-20 | 2018-09-20 | 一种基于家电设备的食谱管理方法和家电设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110916470B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112635025B (zh) * | 2020-12-31 | 2023-02-03 | 青岛海尔科技有限公司 | 食谱的预测方法及装置、存储介质、电子装置 |
CN113812855A (zh) * | 2021-09-15 | 2021-12-21 | 珠海格力电器股份有限公司 | 烹饪控制方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408768A (zh) * | 2008-09-28 | 2009-04-15 | 中山华帝燃具股份有限公司 | 一种厨房智能化集成控制系统及其操作方法 |
CN103148523A (zh) * | 2006-09-27 | 2013-06-12 | 伊莱克斯家用产品股份有限公司 | 烹饪器具 |
CN108447543A (zh) * | 2017-02-14 | 2018-08-24 | 佛山市顺德区美的电热电器制造有限公司 | 基于烹饪设备的菜谱推送方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2412332A (en) * | 2004-03-25 | 2005-09-28 | Prince Tikare | A combined juice extractor and mixer |
CN103349491A (zh) * | 2013-07-11 | 2013-10-16 | 郑新科 | 钛或钛合金复合锅及制备工艺 |
CN104106973B (zh) * | 2013-09-18 | 2017-04-05 | 珠海优特电力科技股份有限公司 | 一种智能菜谱 |
IN2015CH03126A (zh) * | 2015-06-22 | 2015-07-10 | Wipro Ltd | |
CN106503442A (zh) * | 2016-10-21 | 2017-03-15 | 广州视源电子科技股份有限公司 | 菜谱的推荐方法和装置 |
-
2018
- 2018-09-20 CN CN201811097779.8A patent/CN110916470B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103148523A (zh) * | 2006-09-27 | 2013-06-12 | 伊莱克斯家用产品股份有限公司 | 烹饪器具 |
CN101408768A (zh) * | 2008-09-28 | 2009-04-15 | 中山华帝燃具股份有限公司 | 一种厨房智能化集成控制系统及其操作方法 |
CN108447543A (zh) * | 2017-02-14 | 2018-08-24 | 佛山市顺德区美的电热电器制造有限公司 | 基于烹饪设备的菜谱推送方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110916470A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101726520B1 (ko) | 개인화 추천 방법, 시스템 및 기록 매체 | |
US20150294225A1 (en) | Recipe information processing apparatus, cooking apparatus, and recipe information processing method | |
CN110916470B (zh) | 一种基于家电设备的食谱管理方法和家电设备 | |
US7587331B2 (en) | System and method for determining a scent or taste profile for predicting a user adapted scent or taste | |
US20200410573A1 (en) | Computer-implemented method for generating a suggestion list and system for generating an order list | |
WO2019244508A1 (ja) | 献立提案装置、献立提案方法及びプログラム | |
CN109214956A (zh) | 餐品推送方法及装置 | |
CN110852299A (zh) | 顾客饮食习惯确定方法及装置 | |
CN112201325A (zh) | 一种服务线上化饮食推荐方法、装置、系统及存储介质 | |
US10592957B2 (en) | Analyzing user access of media for meal plans | |
CN112950322A (zh) | 一种基于协同过滤优化的电力零售套餐推荐方法和系统 | |
WO2015155885A1 (ja) | 購買履歴分類システム及び購買履歴分類方法 | |
CN115510329B (zh) | 一种基于云计算大数据的品牌营销软件管理方法 | |
CN111754118A (zh) | 基于自适应学习的智能菜谱优化系统 | |
CN110020097A (zh) | 一种信息推荐方法、服务器及计算机存储介质 | |
Chen et al. | Application of the ideal profile method to identify an ideal sufu for nonregular consumers | |
Andrianto | The Influence Of Taste and Product Quality to Purchasing Decisions and Customer Satisfaction:(Case study of consumers who buy Entrasol milk in Surabaya) | |
Abdool et al. | Recommend My Dish: A multi-sensory food recommender | |
CN113781183A (zh) | 商品展示方法、装置、计算机设备及计算机可读存储介质 | |
KR20200122652A (ko) | 영양 성분 프로파일링 기반 사료추천 시스템 | |
WO2019011431A1 (en) | METHOD, SYSTEM AND DEVICE FOR QUANTITATIVE ASSESSMENT OF AROMA | |
Saheeka et al. | Determinats of daity product consumption patterns: the role of consumer perception on food quality attributes | |
US11727070B2 (en) | On-line system and method for searching recipes for meal planning | |
Hoshiyar et al. | Regularization and Model Selection for Item-on-Items Regression with Applications to Food Products' Survey Data | |
CN112837079B (zh) | 商品销量预测方法、装置、计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |