CN112614564A - 一种基于多源异构数据融合的智能化营养膳食推荐方法 - Google Patents

一种基于多源异构数据融合的智能化营养膳食推荐方法 Download PDF

Info

Publication number
CN112614564A
CN112614564A CN202011553668.0A CN202011553668A CN112614564A CN 112614564 A CN112614564 A CN 112614564A CN 202011553668 A CN202011553668 A CN 202011553668A CN 112614564 A CN112614564 A CN 112614564A
Authority
CN
China
Prior art keywords
diet
user
personalized
recipe
food
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.)
Granted
Application number
CN202011553668.0A
Other languages
English (en)
Other versions
CN112614564B (zh
Inventor
李琳
王培培
袁景凌
解庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011553668.0A priority Critical patent/CN112614564B/zh
Publication of CN112614564A publication Critical patent/CN112614564A/zh
Application granted granted Critical
Publication of CN112614564B publication Critical patent/CN112614564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明涉及一种基于多源异构数据融合的智能化营养膳食推荐方法，包括：获取各个食物的属性信息，构建膳食食谱集合数据库；基于深度神经注意力网络学习用户对各个饮食偏好特征的权重，确定用户的饮食偏好；根据用户的身体状况确定用户的个性化饮食约束；基于用户的饮食偏好及个性化饮食约束从膳食食谱集合数据库中选择膳食进行推荐；实现了基于多源异构数据融合、关联分析、深度表征学习的营养膳食推荐，一方面考虑了不同食物间的时令地域和营养搭配，另一方面也考虑了用户兴趣和用户个性化饮食约束，从而更好地实现用户兴趣和营养搭配的平衡，有效缓解当前膳食推荐方法中食物关联性不强、可扩展性较差、推荐性能不理想等问题。

Description

一种基于多源异构数据融合的智能化营养膳食推荐方法
技术领域
本发明涉及高精度地图领域，尤其涉及一种基于多源异构数据融合的智能化营养膳食推荐方法。
背景技术
随着互联网和移动技术的快速发展，人们可以随时随地获取各式各样的信息。在社交媒体、电子商务以及各类生活服务类APP的普及下，人们的生活方式也随之变化。物质生活水平的不断提升使得各式各样的食物开始不断出现在大众的视野中，越来越多的人喜欢通过互联网的方式寻求契合自身兴趣的膳食推荐。一个准确有效的智能膳食推荐方法可以协助用户进行膳食决策，有助于推动用户饮食质量的提升。
在膳食推荐过程中，不仅需要考虑用户自身的兴趣，也要结合不同用户的身体状况以科学营养膳食为目标，因此，基于用户兴趣和营养信息的膳食推荐问题一直是个性化饮食推荐的重点问题。膳食食谱的制定需要充分利用现有的多源异构数据信息，尽可能的满足食材的多样性、热量配比合理性、营养元素的均衡性及忌口食材的可控性。然而，传统的营养膳食推荐方法考虑的数据类型单一且候选食谱集合静态且固定，这就导致了无法根据不同用户实现个性化的候选食谱筛选，可扩展性较差；同时，传统方法在平衡用户兴趣与营养均衡方面缺乏深层语义的考虑且关联性较差，从而造成营养膳食推荐效果不佳。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于多源异构数据融合的智能化营养膳食推荐方法，解决现有技术中问题。
本发明解决上述技术问题的技术方案如下：一种基于多源异构数据融合的智能化营养膳食推荐方法，包括：
步骤1，获取各个食物的属性信息，构建膳食食谱集合数据库；
步骤2，基于深度神经注意力网络学习用户对各个饮食偏好特征的权重，确定用户的饮食偏好；根据用户的身体状况确定用户的个性化饮食约束；
步骤3，基于用户的饮食偏好及个性化饮食约束从所述膳食食谱集合数据库中选择膳食进行推荐。
本发明的有益效果是：实现基于多源异构数据融合、关联分析、深度表征学习的营养膳食推荐，一方面考虑了不同食物间的时令地域和营养搭配，另一方面也考虑了用户兴趣和用户个性化饮食约束，从而更好地实现用户兴趣和营养搭配的平衡，有效缓解当前膳食推荐方法中食物关联性不强、可扩展性较差、推荐性能不理想等问题。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤1中构建膳食食谱集合数据库的过程包括：
步骤101，根据时令地域和营养搭配对食物进行组合构建各个膳食食谱；
步骤102，将获取的包含时令地域和营养搭配信息的各个膳食食谱采用表示学习和深度学习的技术进行特征提取和融合，得到各个所述膳食食谱的深度表征；
步骤103，通过深度神经网络对所述膳食食谱的深度表征进行分类得到膳食食谱类别，通过所述膳食食谱类别构建所述膳食食谱集合数据库。
进一步，所述步骤101中的所述时令地域表示根据季节和地域确定可选择的食物；所述营养搭配表示根据食物的营养成分和热量确定热量配比恰当、早中晚热量分配合理以及营养元素摄入均衡的膳食食谱。
进一步，所述步骤2中基于深度神经注意力网络学习用户对各个饮食偏好特征的权重的公式为：
Figure BDA0002858680230000031
其中，Pu表示用户u的偏好；f为激活函数；w是由神经注意力网络学习到的权重；p为偏好特征；b则是偏置向量。
进一步，所述步骤2中根据用户的身体状况确定用户的个性化饮食约束时，所述身体状况包括由用户画像数据所得的生理状况和健康状况。
进一步，所述步骤2还包括：采用深度学习的技术融合用户身体状况的各方面特征信息，得到带有用户个性化饮食约束的表征。
进一步，得到带有用户个性化饮食约束的表征的过程还包括：
引入知识库对用户个性化饮食约束存在的关联的信息进行扩展，利用深度神经网络将通过扩展后的个性化饮食约束和所述膳食食谱集合数据库中的食谱集合中的食物信息进行编码，将扩展后的个性化饮食约束和所述食物信息映射到同一个向量空间并依据相似度计算公式计算两者的语义相似度，所述相似度计算公式为：
Figure BDA0002858680230000032
其中，E为个性化饮食约束信息；F则为原始的候选食谱集合中的食物息。
进一步，所述步骤3包括：将用户的所述个性化饮食约束通过基于语义推理的关联分析，从所述膳食食谱集合数据库中选择获取基于多元饮食约束的个性化食谱；
基于用户对各个饮食偏好特征的权重计算所述个性化食谱中每个食物的得分，取Top-N个食谱生成营养膳食推荐结果。
进一步，所述基于用户对各个饮食偏好特征的权重计算所述个性化食谱中每个食物的得分的计算过程中，用户对所述个性化食谱的打分为对所述个性化食谱中每个食物打分的求和：
Figure BDA0002858680230000041
其中，v是食谱r中的单个食物，l是食谱中的食物数量。
采用上述进一步方案的有益效果是：充分考虑了食物的时令地域及营养搭配信息，基于深度神经网络分类模型构建了基于时令地域和营养搭配的膳食食谱集合，缓解了传统膳食推荐方法中候选食谱可扩展性差的问题；针对多源异构数据采用深度表征学习对食物和用户的高维特征进行建模，得到表征能力强且可动态更新的表示，避免了传统方法对高维特征建模的不可靠问题；采用深度学习技术将其进行特征级融合，实现了对饮食领域数据充分有效地利用，挖掘了更深层的语义信息；实现了基于用户兴趣和用户个性化饮食约束的营养膳食推荐，以此改善推荐的性能，提升推荐的准确性，实现契合用户兴趣和满足个性化营养需求的智能化膳食推荐。
附图说明
图1为本发明提供的一种基于多源异构数据融合的智能化营养膳食推荐方法的流程图；
图2为本发明提供的一种基于多源异构数据融合的智能化营养膳食推荐方法的实施例的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明提供的一种基于多源异构数据融合的智能化营养膳食推荐方法，如图1所示为本发明提供的一种基于多源异构数据融合的智能化营养膳食推荐方法的流程图，由图1可知，该方法包括：
步骤1，获取各个食物的属性信息，构建膳食食谱集合数据库。
步骤2，基于深度神经注意力网络学习用户对各个饮食偏好特征的权重，确定用户的饮食偏好；根据用户的身体状况确定用户的个性化饮食约束。
步骤3，基于用户的饮食偏好及个性化饮食约束从膳食食谱集合数据库中选择膳食进行推荐。
随着机器学习、深度学习技术的逐渐成熟，众多研究者已将其应用于个性化饮食推荐领域，以实现智能化营养膳食的推荐。充分利用并融合现有的多源异构数据，采用基于语义推理的关联分析可以挖掘不同食物之间直接或潜在的关联关系，基于深度学习技术可以实现对特征的有效建模，发掘深层丰富的语义信息。
本发明提出一种基于多源异构数据融合的智能化营养膳食推荐方法，实现基于多源异构数据融合、关联分析、深度表征学习的营养膳食推荐，一方面考虑了不同食物间的时令地域和营养搭配，另一方面也考虑了用户兴趣和用户个性化饮食约束，从而更好地实现用户兴趣和营养搭配的平衡，有效缓解当前膳食推荐方法中食物关联性不强、可扩展性较差、推荐性能不理想等问题。
实施例1
本发明实施例1提供的一种基于多源异构数据融合的智能化营养膳食推荐方法的实施例，如图2所示为本发明提供的一种基于多源异构数据融合的智能化营养膳食推荐方法的实施例的流程图，结合图1和图2可知，该实施例包括：
步骤1，获取各个食物的属性信息，构建膳食食谱集合数据库。
优选的，中构建膳食食谱集合数据库的过程包括：
步骤101，根据时令地域和营养搭配对食物进行组合构建各个膳食食谱。
具体的，时令地域表示根据季节和地域确定可选择的食物；营养搭配表示根据食物的营养成分和热量确定热量配比恰当、早中晚热量分配合理以及营养元素摄入均衡的膳食食谱。
时令地域是食物本身具有时令和地域特性，即在不同季节、不同地域，人们食用的食物是有差异的，根据不同的位置、不同的季节或气候可以将食物进行组合。
营养搭配则是食物本身所含的营养成分、热量等固有属性，根据食材营养成分、热量及早中晚食材的搭配来构建营养膳食食谱，从而实现食材热量配比恰当、早中晚热量分配合理、营养元素摄入均衡的膳食集合。
步骤102，将获取的包含时令地域和营养搭配信息的各个膳食食谱采用表示学习和深度学习的技术进行特征提取和融合，得到各个膳食食谱的深度表征，有效缓解传统方法表征能力较差的问题。
步骤103，通过深度神经网络对膳食食谱的深度表征进行高效的分类从而得到合理的膳食食谱类别，通过膳食食谱类别构建膳食食谱集合数据库。
步骤2，基于深度神经注意力网络学习用户对各个饮食偏好特征的权重，确定用户的饮食偏好；根据用户的身体状况确定用户的个性化饮食约束。
本发明所涉及的多源异构数据按照对象的不同分为用户层面和食物层面。用户层面主要获取用户兴趣和用户个性化饮食约束信息，食物层面则是获取食物的时令地域和营养搭配信息。
优选的，基于深度神经注意力网络学习用户对各个饮食偏好特征的权重的公式为：
Figure BDA0002858680230000061
其中，Pu表示用户u的偏好；f为激活函数；w是由神经注意力网络学习到的权重；p为偏好特征；b则是偏置向量。
对于用户的兴趣偏好，利用深度神经注意力网络学习各个偏好特征的权重，以此区分不同喜好的重要度。
根据用户的身体状况确定用户的个性化饮食约束时，身体状况包括由用户画像数据所得的生理状况和健康状况。
通过身体状况可以为每个用户个性化地筛选候选食谱，比如用户A的身体状况为肥胖且糖尿病患者，那么在候选的营养食谱集合中不仅要避免高热量、高脂肪食物的摄入，同时也应严格控制烟酒糖的摄入。
优选的，该步骤2还包括：对于多源异构的用户画像数据，采用深度学习的技术融合用户身体状况的各方面特征信息，得到带有用户个性化饮食约束的表征，以此缓解传统方法中对于候选食谱的静态固定和不可扩展等问题。
进一步的，得到带有用户个性化饮食约束的表征的过程还包括：
引入知识库对用户个性化饮食约束存在的关联的信息进行扩展，利用深度神经网络将通过扩展后的个性化饮食约束和膳食食谱集合数据库中的食谱集合中的食物信息进行编码，将扩展后的个性化饮食约束和食物信息映射到同一个向量空间并依据相似度计算公式计算两者的语义相似度，相似度计算公式为：
Figure BDA0002858680230000071
其中，E为个性化饮食约束信息；F则为原始的候选食谱集合中的食物息。
为了进一步丰富用户的个性化约束信息，通过引入知识库对用户的个性化饮食约束进行扩展，为即通过知识库来扩展与用户个性化约束信息存在关联的信息。采用语义推理技术来挖掘相关信息的关联关系。
步骤3，基于用户的饮食偏好及个性化饮食约束从膳食食谱集合数据库中选择膳食进行推荐。
优选的，该步骤3包括：将用户的个性化饮食约束通过基于语义推理的关联分析，从膳食食谱集合数据库中选择获取基于多元饮食约束的个性化食谱。
基于用户对各个饮食偏好特征的权重计算个性化食谱中每个食物的得分，取Top-N个食谱生成营养膳食推荐结果。
具体的，基于用户对各个饮食偏好特征的权重计算个性化食谱中每个食物的得分的计算过程中，用户对个性化食谱的打分为对个性化食谱中每个食物打分的求和，具体公式为：
Figure BDA0002858680230000081
其中，v是食谱r中的单个食物，l是食谱中的食物数量。
在所产生的基于多元饮食约束的个性化食谱中，基于用户兴趣对个性化食谱中的食物进行打分计算，取食谱分值最高的Top-N个食谱作为用户最终的营养膳食推荐结果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于多源异构数据融合的智能化营养膳食推荐方法，其特征在于，所述方法包括：
步骤1，获取各个食物的属性信息，构建膳食食谱集合数据库；
步骤2，基于深度神经注意力网络学习用户对各个饮食偏好特征的权重，确定用户的饮食偏好；根据用户的身体状况确定用户的个性化饮食约束；
步骤3，基于用户的饮食偏好及个性化饮食约束从所述数据库中选择膳食进行推荐。
2.根据权利要求1所述的方法，其特征在于，所述步骤1中构建所述膳食食谱集合数据库的过程包括：
步骤101，根据时令地域和营养搭配对食物进行组合构建各个膳食食谱；
步骤102，将获取的包含时令地域和营养搭配信息的各个膳食食谱采用表示学习和深度学习的技术进行特征提取和融合，得到各个所述膳食食谱的深度表征；
步骤103，通过深度神经网络对所述膳食食谱的深度表征进行分类得到膳食食谱类别，通过所述膳食食谱类别构建所述膳食食谱集合数据库。
3.根据权利要求2所述的方法，其特征在于，所述步骤101中的所述时令地域表示根据季节和地域确定可选择的食物；所述营养搭配表示根据食物的营养成分和热量确定热量配比恰当、早中晚热量分配合理以及营养元素摄入均衡的膳食食谱。
4.根据权利要求1所述的方法，其特征在于，所述步骤2中基于深度神经注意力网络学习用户对各个饮食偏好特征的权重的公式为：
Figure FDA0002858680220000011
其中，Pu表示用户u的偏好；f为激活函数；w是由神经注意力网络学习到的权重；p为偏好特征；b则是偏置向量。
5.根据权利要求1所述的方法，其特征在于，所述步骤2中根据用户的身体状况确定用户的个性化饮食约束时，所述身体状况包括由用户画像数据所得的生理状况和健康状况。
6.根据权利要求1所述的方法，其特征在于，所述步骤2还包括：采用深度学习的技术融合用户身体状况的各方面特征信息，得到带有用户个性化饮食约束的表征。
7.根据权利要求6所述的方法，其特征在于，得到带有用户个性化饮食约束的表征的过程还包括：
引入知识库对用户个性化饮食约束存在的关联的信息进行扩展，利用深度神经网络将通过扩展后的个性化饮食约束和所述膳食食谱集合数据库中的食谱集合中的食物信息进行编码，将扩展后的个性化饮食约束和所述食物信息映射到同一个向量空间并依据相似度计算公式计算两者的语义相似度，所述相似度计算公式为：
Figure FDA0002858680220000021
其中，E为个性化饮食约束信息；F则为原始的候选食谱集合中的食物息。
8.根据权利要求1所述的方法，其特征在于，所述步骤3包括：将用户的所述个性化饮食约束通过基于语义推理的关联分析，从所述膳食食谱集合数据库中选择获取基于多元饮食约束的个性化食谱；
基于用户对各个饮食偏好特征的权重计算所述个性化食谱中每个食物的得分，取Top-N个食谱生成营养膳食推荐结果。
9.根据权利要求8所述的方法，其特征在于，所述基于用户对各个饮食偏好特征的权重计算所述个性化食谱中每个食物的得分的计算过程中，用户对所述个性化食谱的打分为对所述个性化食谱中每个食物打分的求和：
Figure FDA0002858680220000031
其中，v是食谱r中的单个食物，l是食谱中的食物数量。
CN202011553668.0A 2020-12-24 2020-12-24 一种基于多源异构数据融合的智能化营养膳食推荐方法 Active CN112614564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011553668.0A CN112614564B (zh) 2020-12-24 2020-12-24 一种基于多源异构数据融合的智能化营养膳食推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011553668.0A CN112614564B (zh) 2020-12-24 2020-12-24 一种基于多源异构数据融合的智能化营养膳食推荐方法

Publications (2)

Publication Number Publication Date
CN112614564A true CN112614564A (zh) 2021-04-06
CN112614564B CN112614564B (zh) 2023-04-18

Family

ID=75244837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011553668.0A Active CN112614564B (zh) 2020-12-24 2020-12-24 一种基于多源异构数据融合的智能化营养膳食推荐方法

Country Status (1)

Country Link
CN (1) CN112614564B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435555A (zh) * 2021-06-29 2021-09-24 贵州贵科大数据有限责任公司 一种食品映射标注系统及食品编码方法
CN113506605A (zh) * 2021-07-21 2021-10-15 杭州特宁科技有限公司 一种面向托幼机构满足群体性幼儿营养膳食要求的推荐系统及方法
CN116417115A (zh) * 2023-06-07 2023-07-11 北京四海汇智科技有限公司 妊娠期糖尿病患者个性化营养方案推荐方法及系统
CN116434911A (zh) * 2023-02-23 2023-07-14 中国人民解放军空军军医大学 一种基于智能识别的个性化饮食监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355474A (zh) * 2016-09-08 2017-01-25 福建贝壳网络科技有限公司 一种基于原料齐备度推荐食谱的方法
WO2017135742A1 (ko) * 2016-02-03 2017-08-10 주식회사 원더풀플랫폼 식재료 관리 시스템 및 식재료 관리 방법, 식재료를 이용한 레시피 제공 방법 및 이를 실행하는 서버, 식재료를 이용한 창작 레시피 생성방법
CN109300524A (zh) * 2018-09-29 2019-02-01 深圳春沐源控股有限公司 信息推荐方法及装置
CN111159539A (zh) * 2019-12-09 2020-05-15 中国科学院计算技术研究所 基于多模态信息关联分析的食物推荐方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017135742A1 (ko) * 2016-02-03 2017-08-10 주식회사 원더풀플랫폼 식재료 관리 시스템 및 식재료 관리 방법, 식재료를 이용한 레시피 제공 방법 및 이를 실행하는 서버, 식재료를 이용한 창작 레시피 생성방법
CN106355474A (zh) * 2016-09-08 2017-01-25 福建贝壳网络科技有限公司 一种基于原料齐备度推荐食谱的方法
CN109300524A (zh) * 2018-09-29 2019-02-01 深圳春沐源控股有限公司 信息推荐方法及装置
CN111159539A (zh) * 2019-12-09 2020-05-15 中国科学院计算技术研究所 基于多模态信息关联分析的食物推荐方法和系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435555A (zh) * 2021-06-29 2021-09-24 贵州贵科大数据有限责任公司 一种食品映射标注系统及食品编码方法
CN113506605A (zh) * 2021-07-21 2021-10-15 杭州特宁科技有限公司 一种面向托幼机构满足群体性幼儿营养膳食要求的推荐系统及方法
CN113506605B (zh) * 2021-07-21 2023-11-14 杭州特宁科技有限公司 一种面向托幼机构满足群体性幼儿营养膳食要求的推荐系统及方法
CN116434911A (zh) * 2023-02-23 2023-07-14 中国人民解放军空军军医大学 一种基于智能识别的个性化饮食监测方法及系统
CN116434911B (zh) * 2023-02-23 2023-12-01 中国人民解放军空军军医大学 一种基于智能识别的个性化饮食监测方法及系统
CN116417115A (zh) * 2023-06-07 2023-07-11 北京四海汇智科技有限公司 妊娠期糖尿病患者个性化营养方案推荐方法及系统
CN116417115B (zh) * 2023-06-07 2023-12-01 北京四海汇智科技有限公司 妊娠期糖尿病患者个性化营养方案推荐方法及系统

Also Published As

Publication number Publication date
CN112614564B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112614564B (zh) 一种基于多源异构数据融合的智能化营养膳食推荐方法
Elsweiler et al. Exploiting food choice biases for healthier recipe recommendation
US7693827B2 (en) Personalization of placed content ordering in search results
McAuley et al. Hidden factors and hidden topics: understanding rating dimensions with review text
Tuorila et al. Sensory food science in the changing society: Opportunities, needs, and challenges
US20210004891A1 (en) Persona based food recommendation systems and methods
US10832094B2 (en) Generating hyperspectral image database by machine learning and mapping of color images to hyperspectral domain
Weber et al. Insights from machine-learned diet success prediction
CN108565004B (zh) 一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法
JP2015510646A (ja) 栄養摂取量のユーザ特異的な調整のためのシステムおよび方法
KR102227552B1 (ko) 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템
WO2012033776A2 (en) Computerized face photograph-based dating recommendation system
CN108877896A (zh) 一种人工智能生成体重管理方法
US20230215293A1 (en) System and method for designing food and beverage flavor experiences
Howell et al. Analyzing taste preferences from crowdsourced food entries
CN112597394A (zh) 菜谱的推荐方法和装置、存储介质、电子装置
KR102122763B1 (ko) 빅데이터 기반의 체질을 고려한 음식 추천 시스템 및 방법
US11720578B2 (en) Information providing method
KR102257835B1 (ko) 레시피 콘텐츠 추천 시스템.
SAYDAM et al. Key attributes of Michelin 3-star restaurants’ experiences: Evidence from TripAdvisor
KR20210052123A (ko) 사용자 맞춤형 식품 정보 서비스를 제공하는 방법 및 그를 이용한 서버
CN1996280A (zh) 共建搜索引擎的方法
CN112951374B (zh) 数据分析方法、系统、计算机设备及存储介质
Sanjo et al. Towards recommending diverse seasonal cooking recipes: A preliminary study based on monthly view data
KR100613396B1 (ko) 아동의 올바른 식습관 형성을 위한 인터넷 영양교육 방법 및 시스템

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