CN112735562A - 饮食推荐方法、装置、电子设备及存储介质 - Google Patents
饮食推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112735562A CN112735562A CN202110102626.3A CN202110102626A CN112735562A CN 112735562 A CN112735562 A CN 112735562A CN 202110102626 A CN202110102626 A CN 202110102626A CN 112735562 A CN112735562 A CN 112735562A
- Authority
- CN
- China
- Prior art keywords
- diet
- information
- user
- determining
- target
- 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.)
- Pending
Links
- 235000005911 diet Nutrition 0.000 title claims abstract description 299
- 230000037213 diet Effects 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 62
- 235000015097 nutrients Nutrition 0.000 claims description 127
- 239000000306 component Substances 0.000 claims description 110
- 235000012041 food component Nutrition 0.000 claims description 110
- 239000005428 food component Substances 0.000 claims description 72
- 235000016709 nutrition Nutrition 0.000 claims description 50
- 235000013305 food Nutrition 0.000 claims description 47
- 239000004615 ingredient Substances 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 16
- 230000000378 dietary effect Effects 0.000 claims description 10
- 235000021004 dietary regimen Nutrition 0.000 claims description 10
- 239000005417 food ingredient Substances 0.000 claims description 9
- 235000012054 meals Nutrition 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 2
- 235000020979 dietary recommendations Nutrition 0.000 claims 2
- 235000005686 eating Nutrition 0.000 abstract description 7
- 235000006694 eating habits Nutrition 0.000 abstract description 3
- 244000061456 Solanum tuberosum Species 0.000 description 11
- 235000002595 Solanum tuberosum Nutrition 0.000 description 11
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 10
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 10
- 230000035764 nutrition Effects 0.000 description 10
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 9
- 240000003768 Solanum lycopersicum Species 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 235000004251 balanced diet Nutrition 0.000 description 4
- 235000013325 dietary fiber Nutrition 0.000 description 4
- 235000021281 monounsaturated fatty acids Nutrition 0.000 description 4
- 235000018102 proteins Nutrition 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 235000021373 diet component Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 239000003925 fat Substances 0.000 description 2
- 235000019197 fats Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000018823 dietary intake Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000006286 nutrient intake Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nutrition Science (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种饮食推荐方法、装置、电子设备及存储介质，所述方法包括：获取用户当前的饮食信息和饮食关联信息，若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次数据进行拼接，得到拼接后的饮食轨迹数据，若预训练的网络模型不存在前次输出，则利用预训练的网络模型将当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据，然后根据饮食关联信息和饮食轨迹数据确定目标饮食方案，再以预设方式推荐目标饮食方案。如此，便可以以饮食轨迹数据考虑到用户的饮食习惯，精准地推送适合用户的饮食方案。
Description
技术领域
本申请涉及数据推荐技术领域，尤其涉及一种饮食推荐方法、装置、电子设备及存储介质。
背景技术
随着人们生活水平的提高，在饮食方面，人们对营养均衡的要求越来越高，但是人们往往因为缺乏营养学知识，无法实现对自身饮食的营养均衡化，因此，人们往往通过一些营养搭配工具来确定饮食方案。
但是，目前相关的营养搭配工具往往都是给出一段时间的饮食推荐，比如给出时间周期为一个月的饮食方案，以便于用户根据该饮食方案进行日常饮食，以达到未来的饮食均衡，但是这种方案往往忽略了用户的饮食习惯，无法做到差异化推荐均衡饮食方案，增加了用户坚持执行饮食方案的难度。
发明内容
为克服相关技术中存在的无法做到差异化推荐均衡饮食方案，增加了用户坚持执行饮食方案的难度问题，本申请提供一种饮食推荐方法、装置、电子设备及存储介质。
根据本申请的第一方面，提供一种饮食推荐方法，所述方法包括：
获取用户当前的饮食信息和饮食关联信息；
若预训练的网络模型存在前次输出，利用预训练的网络模型将所述当前的饮食信息与所述网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据；
若预训练的网络模型不存在前次输出，利用预训练的网络模型将所述当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据；
根据所述饮食关联信息和所述饮食轨迹数据确定目标饮食方案；
以预设方式推荐所述目标饮食方案。
在一个可选的实施方式中，所述根据所述饮食关联信息和所述饮食轨迹数据确定目标饮食方案，包括：
根据所述饮食轨迹数据确定用户已摄入的营养成分；
根据所述饮食关联信息确定推荐摄入的营养成分；
根据所述推荐摄入的营养成分、所述用户已摄入的营养成分，确定所述用户欠缺的营养成分；
根据所述用户欠缺的营养成分，确定所述目标饮食方案。
在一个可选的实施方式中，所述饮食轨迹数据包括用户在预设时间范围内食用过的历史食物；
所述根据所述饮食轨迹数据确定用户已摄入的营养成分，包括：
根据预存储的食物成分与营养成分的映射关系表，确定所述历史食物中的营养成分；
将所述历史食物中的营养成分，确定为所述用户已摄入的营养成分。
在一个可选的实施方式中，所述饮食关联信息包括用户生理参数、环境参数和用户信息；
所述根据所述饮食关联信息确定推荐摄入的营养成分，包括：
根据预设的第一映射关系确定所述用户生理参数对应的第一目标营养成分；
根据预设的第二映射关系确定所述环境参数对应的第二目标营养成分；
根据预设的第三映射关系确定所述用户信息对应的第三目标营养成分；
将所述第一目标营养成分、所述第二目标营养成分和所述第三目标营养成分进行整合，得到推荐摄入的营养成分。
在一个可选的实施方式中，所述预训练的网络模型为GRU模型，所述饮食信息中包括至少一种类别的信息；
所述若预训练的网络模型存在前次输出，利用预训练的网络模型将所述当前的饮食信息与所述网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据，包括：
将所述GRU模型的前次输出中与所述当前的饮食信息中类别相匹配的信息确定为目标信息；
将所述目标信息和所述当前的饮食信息进行拼接，得到拼接后的饮食轨迹数据。
在一个可选的实施方式中，所述获取用户当前的饮食信息，包括：
获取用户当前上传的饮食图片；
利用预设算法对所述饮食图片中的食物数据进行识别，所述食物数据包括食物成分和每种所述食物成分所占的比例；
根据所述食物成分和每种所述食物成分在所有食物成分中所占的比例，确定所述食物数据中的营养成分和每个所述营养成分所占的比例；
将所述食物成分、每种所述食物成分所占的比例、所述营养成分，以及每个所述营养成分所占的比例，确定为所述用户当前的饮食信息。
在一个可选的实施方式中，所述以预设方式推荐所述目标饮食方案，包括：
将所述目标饮食方案通过预设的显示装置进行显示；
和/或，
将所述目标饮食方案通过预设的语音装置进行播放。
根据本申请的第二方面，提供一种饮食推荐装置，所述装置包括：
获取模块，用于获取用户当前的饮食信息和饮食关联信息；
第一拼接模块，用于若预训练的网络模型存在前次输出，利用预训练的网络模型将所述当前的饮食信息与所述网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据；
第二拼接模块，用于若预训练的网络模型不存在前次输出，利用预训练的网络模型将所述当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据；
确定模块，用于根据所述饮食关联信息和所述饮食轨迹数据确定目标饮食方案；
推荐模块，用于以预设方式推荐所述目标饮食方案。
在一个可选的实施方式中，所述确定模块包括：
第一确定单元，用于根据所述饮食轨迹数据确定用户已摄入的营养成分；
第二确定单元，用于根据所述饮食关联信息确定推荐摄入的营养成分；
第三确定单元，用于根据所述推荐摄入的营养成分、所述用户已摄入的营养成分，确定所述用户欠缺的营养成分；
第四确定单元，用于根据所述用户欠缺的营养成分，确定所述目标饮食方案。
在一个可选的实施方式中，所述饮食轨迹数据包括用户在预设时间范围内食用过的历史食物；
所述第一确定单元包括：
第一确定子单元，用于根据预存储的食物成分与营养成分的映射关系表，确定所述历史食物中的营养成分；
第二确定子单元，用于将所述历史食物中的营养成分，确定为所述用户已摄入的营养成分。
在一个可选的实施方式中，所述饮食关联信息包括用户生理参数、环境参数和用户信息；
所述第二确定单元包括：
第三确定子单元，用于根据预设的第一映射关系确定所述用户生理参数对应的第一目标营养成分；
第四确定子单元，用于根据预设的第二映射关系确定所述环境参数对应的第二目标营养成分；
第五确定子单元，用于根据预设的第三映射关系确定所述用户信息对应的第三目标营养成分；
整合子单元，用于将所述第一目标营养成分、所述第二目标营养成分和所述第三目标营养成分进行整合，得到推荐摄入的营养成分。
在一个可选的实施方式中，所述预训练的网络模型为GRU模型，所述饮食信息中包括至少一种类别的信息；
所述第一拼接模块包括：
第五确定单元，用于将所述GRU模型的前次输出中与所述当前的饮食信息中类别相匹配的信息确定为目标信息；
拼接单元，用于将所述目标信息和所述当前的饮食信息进行拼接，得到拼接后的饮食轨迹数据。
在一个可选的实施方式中，所述获取模块包括：
获取单元，用于获取用户当前上传的饮食图片；
识别单元，用于利用预设算法对所述饮食图片中的食物数据进行识别，所述食物数据包括食物成分和每种所述食物成分所占的比例；
第六确定单元，用于根据所述食物成分和每种所述食物成分在所有食物成分中所占的比例，确定所述食物数据中的营养成分和每个所述营养成分所占的比例；
第七确定单元，用于将所述食物成分、每种所述食物成分所占的比例、所述营养成分，以及每个所述营养成分所占的比例，确定为所述用户当前的饮食信息。
在一个可选的实施方式中，所述推荐模块包括：
第一推荐单元，用于将所述目标饮食方案通过预设的显示装置进行显示；
和/或
第二推荐单元，用于将所述目标饮食方案通过预设的语音装置进行播放。
根据本申请的第三方面，提供一种电子设备，包括：至少一个处理器和存储器；
所述处理器用于执行所述存储器中存储的饮食推荐程序，以实现本申请第一方面所述的饮食推荐方法。
根据本申请的第四方面，提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序被执行时，实现本申请第一方面所述的饮食推荐方法。
本申请提供的技术方案可以包括以下有益效果：首先获取用户当前的饮食信息和饮食关联信息，若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次数据进行拼接，得到拼接后的饮食轨迹数据，若预训练的网络模型不存在前次输出，则利用预训练的网络模型将当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据，然后根据饮食关联信息和饮食轨迹数据确定目标饮食方案，再以预设方式推荐目标饮食方案。如此，便可以以饮食轨迹数据考虑到用户的饮食习惯，精准地推送适合用户的饮食方案。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请的一个实施例提供的一种饮食推荐方法的流程示意图；
图2是本申请的一个实施例提供的一种获取用户当前的饮食信息的流程示意图；
图3是本申请的一个实施例提供的一种确定目标饮食方案的流程示意图；
图4是本申请的另一实施例提供的一种饮食推荐装置的结构示意图；
图5是本申请另一实施例提供的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
随着人们生活水平的提高，在饮食方面，人们对营养均衡的要求越来越高，但是人们往往因为缺乏营养学知识，无法实现对自身饮食的营养均衡化，因此，人们往往通过一些营养搭配工具来确定饮食方案。
但是，目前相关的营养搭配工具往往都是给出一段时间的饮食推荐，比如给出时间周期为一个月的饮食方案，以便于用户根据该饮食方案进行日常饮食，以达到未来的饮食均衡，但是这种方案往往忽略了用户的饮食习惯，无法做到差异化推荐均衡饮食方案，增加了用户坚持执行饮食方案的难度。
为克服现有技术无法做到差异化推荐均衡饮食方案的问题，本申请提供了一种饮食推荐方法、装置、电子设备及存储介质，下面以实施例的方式进行说明。
请参阅图1，图1是本申请的一个实施例提供的一种饮食推荐方法的流程示意图。
如图1所示，本申请提供的饮食推荐方法可以包括：
步骤S101、获取用户当前的饮食信息和饮食关联信息。
需要说明的是，用户当前的饮食信息中可以包含不同类别的数据，比如食物成分、营养成分等。
具体的，获取用户当前的饮食信息的过程可以参阅图2，图2是本申请的一个实施例提供的一种获取用户当前的饮食信息的流程示意图。
如图2所示，本实施例提供的获取用户当前的饮食信息的过程可以包括：
步骤S201、获取用户当前上传的饮食图片。
需要说明的是，饮食图片可以从用户的相关社交软件中进行爬取，也可以从用户的电子相册中进行爬取，当然，为了保护用户的隐私，也可以由用户主动上传到预设的存储位置，本步骤周期性从该存储位置获取用户上传的饮食图片即可。
步骤S202、利用预设算法对饮食图片中的食物数据进行识别，食物数据包括食物成分和每种食物成分所占的比例。
本步骤中，预设算法可以是通过训练能够识别出图片中的食物数据的深度学习算法，训练预设算法的过程可以参阅相关技术，此处不再赘述。
由于图片中每种食物成分所占的照片空间可能不同，因此，在识别得到的食物数据中，除了可以包括多种食物成分外，还可以包括每种食物成分在所有食物成分中所占比例。
在一个具体的例子中，比如一张饮食图片中，包含了土豆、西红柿、青椒这三种食物成分，其中，土豆在饮食图片中所占据的比例为0.75，西红柿在饮食图片中所占的比例为0.1，青椒在饮食图片中所占的比例为0.05，那么土豆在所有饮食成分中所占的比例就为0.75/(0.75+0.05+0.1)＝0.83，同理，西红柿在所有饮食成分中所占的比例就为0.1/(0.75+0.05+0.1)＝0.11，青椒在所有饮食中所占的比例就为0.05/(0.75+0.05+0.1)＝0.06，因此，便可以得到以下表格：
| 食物成分 | 比例 |
| 土豆 | 0.83 |
| 西红柿 | 0.11 |
| 青椒 | 0.06 |
表1
步骤S203、根据食物成分和每种食物成分在所有食物成分中所占的比例，确定食物数据中的营养成分和每个营养成分所占的比例。
本步骤中，可以利用预设的食物成分与营养成分的映射关系为基础进行计算，下面以每百克的食物成分中所包含的营养成分表(表2)为例进行说明，需要说明的是，本示例中给出的营养成分及营养成分的含量并非是准确的，只是为了将技术方案进行清晰说明的举例，在实际应用中，应当以真实的含量为依据进行计算。
表2
由该表2可知，该饮食图片中所包含的营养成分可以有蛋白质、脂肪、碳水化合物、膳食纤维、单不饱和脂肪酸，以蛋白质为例，计算蛋白质的比例的过程便可以是，1.9/100*0.83+0.9/100*0.11+1.1/100*0.06，约等于0.162，其他营养成分的计算类似，不再赘述。
步骤S204、将食物成分、每种食物成分所占的比例、营养成分，以及每个营养成分所占的比例，确定为用户当前的饮食信息。
在前述过程得到食物成分、食物成分的比例、营养成分以及营养成分的比例后，这些数据，便构成了用户当前的饮食信息。
步骤S102、若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据。
需要说明的是，预训练的网络模型可以为GRU模型，饮食信息中包括至少一种类别的信息，在利用预训练的网络模型将当前的饮食信息与网络模型的前次输出进行拼接时，需要利用到GRU模型的更新门和重置门，其中，更新门和重置门的作用可以参考相关技术，此处不再赘述，在将饮食信息输入到GRU模型中后，会将GRU模型的前次输出中与当前的饮食信息中类别相匹配的信息确定为目标信息，比如前次输出中包含A类别的信息、B类别的信息和C类别的信息，而用户当前的饮食信息中只包含A类别的信息和C类别的信息，因此，就会先将前次输出中的A类别的信息和C类别的信息确定为目标信息。
需要说明的是，GRU模型的架构按照数据流的方向可以是两层GRU、全连接层和softmax输出层。
然后将目标信息和当前的饮食信息进行拼接，得到拼接后的饮食轨迹数据，其中，具体拼接的过程可以是按照类别进行拼接，比如将A类别的信息拼接在一起，将C类别的信息拼接在一起，然后得到包含有拼接后的A类别信息以及C类别信息的饮食轨迹数据。
步骤S103、若预训练的网络模型不存在前次输出，利用预训练的网络模型将当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据。
本步骤中，预设初始数据可以为空，也可以为一个标识，而此处的拼接就可以是直接将饮食信息中各类别的信息与空或者标识进行拼接即可。
步骤S104、根据饮食关联信息和饮食轨迹数据确定目标饮食方案。
本步骤中，具体确定目标饮食方案的过程可以参阅图3，图3是本申请的一个实施例提供的一种确定目标饮食方案的流程示意图。
如图3所示，本实施例提供的确定目标饮食方案可以包括：
步骤S301、根据饮食轨迹数据确定用户已摄入的营养成分。
本步骤中，饮食轨迹数据可以包含用户在预设时间范围内食用过的历史食物，也就是前述过程中提到的食物成分。
另外，预设时间范围可以是一周，可以是一个月，甚至可以是饮食轨迹数据中包含的全部时间范围。
在确定用户已摄入的营养成分时，首先，可以根据预存储的食物成分与营养成分的映射关系表(比如表2)，确定历史食物中的营养成分，若饮食轨迹数据中包含的用户在预设时间范围内使用过的历史食物包括土豆，那么表2中，土豆对应的蛋白质、脂肪、碳水化合物和膳食纤维便是历史食物的营养成分。
步骤S302、根据饮食关联信息确定推荐摄入的营养成分。
需要说明的是，饮食关联信息可以包括用户生理参数、环境参数和用户信息，用户生理参数可以但不仅限于是用户的睡眠指数，环境参数可以但不仅限于是环境的温度，用户信息可以但不仅限于是用户的年龄、身高、体重等。
在确定推荐摄入的营养成分时，可以根据预设的第一映射关系确定用户生理参数对应的第一目标营养成分，以睡眠指数为例，第一映射关系可以是睡眠指数范围与营养成分的映射关系，如下表3所示：
表3
在一个具体的例子中，若用户的睡眠指数为85，那么对应了营养成分C。
然后，在根据预设的第二映射关系确定环境参数对应的第二目标营养成分、根据预设的第三映射关系确定用户信息对应的第三目标营养成分。这两个过程与前述确定第一目标营养成分的过程一致，此处不再赘述。
在得到第一目标营养成分、第二目标营养成分和第三目标营养成分之后，将第一目标营养成分、第二目标营养成分和第三目标营养成分进行整合，便可以得到推荐摄入的营养成分，需要说明的是，此处的整合可以为取并集，因为述第一目标营养成分、第二目标营养成分和第三目标营养成分中可能存在相同的营养成分。
步骤S303、根据推荐摄入的营养成分、用户已摄入的营养成分，确定用户欠缺的营养成分。
本步骤中，由于步骤S301得到的营养成分已经是用户已经摄入的营养成分，步骤S302中得到的推荐摄入的营养成分是根据用户的基本情况(比如用户信息、用户生理参数)，以及当前的环境参数个性化推荐的营养成分，此时，可以将用户已经摄入的营养成分从推荐摄入的营养成分中移除即可得到本步骤中确定的用户欠缺的营养成分。
比如用户已经摄入了A、B、C三种营养成分，推荐摄入的营养成分为A、B、D、E、F五种营养成分，那么用户欠缺的营养成分就可以是从A、B、D、E、F五种营养成分中刨除用户已经摄入的A、B、C三种营养成分之后，剩余的D、E、F营养成分。
需要说明的是，用户已经摄入的营养成分中可能会包含推荐摄入的营养成分中不存在的营养成分，此时，可以将两者共有的营养成分从推荐摄入的营养成分中刨除即可。
步骤S304、根据用户欠缺的营养成分，确定目标饮食方案。
需要说明的是，在获得用户欠缺的营养成分之后，便可以根据该营养成分确定目标饮食方案。本步骤中，饮食方案可以指食物成分，也可以指菜谱。
具体的，在确定目标饮食方案的过程中，可以借助营养成分与食物成分的映射关系先确定食物成分，该映射关系仍然可以参考前述过程中提到的表2，比如用户欠缺的营养成分是单不饱和脂肪酸，那么从表2中可以得到，含有单不饱和脂肪酸的食物成分为青椒，又比如用户欠缺的营养成分除了单不饱和脂肪酸外，还有膳食纤维，那么从表2中可以得到含有膳食纤维的食物成分有土豆、西红柿和青椒。此时，便可以确定出土豆、西红柿和青椒这三种食物成分。
此时可以直接将这三种食物成分作为目标饮食方案，推荐给用户，由用户自由选择对这三种食物的烹饪方式以及食用方式。
当然，为了减少用户在决定烹饪方式时纠结的时间，本实施例还可以根据前述确定的食物成分进一步确定出菜谱。此时可以利用预设的多个菜谱中，每个菜谱所包含的食物成分。
仍以确定出的食物成分为土豆、西红柿和青椒为例，可以以土豆、西红柿和青椒这三种食物成分为搜索条件，搜索出同时包含有土豆、西红柿和青椒这三种食物成分的至少一个菜谱，然后将搜索到的菜谱以及前述确定出的食物成分推荐给用户，供用户选择或者自定义。
步骤S105、以预设方式推荐目标饮食方案。
本步骤中，可以通过预设的显示装置显示该目标饮食方案，也可以通过预设的语音装置播放该目标饮食方案，当然，这两种推荐的方式可以共存，也可以择一使用。另外，也可以将用户欠缺的营养成分通过显示装置和/或语音装置通知到用户，以便于用户了解自身的需求。
本实施例中，首先获取用户当前的饮食信息和饮食关联信息，若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次数据进行拼接，得到拼接后的饮食轨迹数据，若预训练的网络模型不存在前次输出，则利用预训练的网络模型将当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据，然后根据饮食关联信息和饮食轨迹数据确定目标饮食方案，再以预设方式推荐目标饮食方案。如此，便可以以饮食轨迹数据考虑到用户的饮食习惯，精准地推送适合用户的饮食方案。
请参阅图4，图4是本申请的另一实施例提供的一种饮食推荐装置的结构示意图。
如图4所示，本实施例提供的饮食推荐装置可以包括：
获取模块401，用于获取用户当前的饮食信息和饮食关联信息；
第一拼接模块402，用于若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据；
第二拼接模块403，用于若预训练的网络模型不存在前次输出，利用预训练的网络模型将当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据；
确定模块404，用于根据饮食关联信息和饮食轨迹数据确定目标饮食方案；
推荐模块405，用于以预设方式推荐目标饮食方案。
在一个可选的实施方式中，确定模块包括：
第一确定单元，用于根据饮食轨迹数据确定用户已摄入的营养成分；
第二确定单元，用于根据饮食关联信息确定推荐摄入的营养成分；
第三确定单元，用于根据推荐摄入的营养成分、用户已摄入的营养成分，确定用户欠缺的营养成分；
第四确定单元，用于根据用户欠缺的营养成分，确定目标饮食方案。
在一个可选的实施方式中，饮食轨迹数据包括用户在预设时间范围内食用过的历史食物；
第一确定单元包括：
第一确定子单元，用于根据预存储的食物成分与营养成分的映射关系表，确定历史食物中的营养成分；
第二确定子单元，用于将历史食物中的营养成分，确定为用户已摄入的营养成分。
在一个可选的实施方式中，饮食关联信息包括用户生理参数、环境参数和用户信息；
第二确定单元包括：
第三确定子单元，用于根据预设的第一映射关系确定用户生理参数对应的第一目标营养成分；
第四确定子单元，用于根据预设的第二映射关系确定环境参数对应的第二目标营养成分；
第五确定子单元，用于根据预设的第三映射关系确定用户信息对应的第三目标营养成分；
整合子单元，用于将第一目标营养成分、第二目标营养成分和第三目标营养成分进行整合，得到推荐摄入的营养成分。
在一个可选的实施方式中，预训练的网络模型为GRU模型，饮食信息中包括至少一种类别的信息；
第一拼接模块包括：
第五确定单元，用于将GRU模型的前次输出中与当前的饮食信息中类别相匹配的信息确定为目标信息；
拼接单元，用于将目标信息和当前的饮食信息进行拼接，得到拼接后的饮食轨迹数据。
在一个可选的实施方式中，获取模块包括：
获取单元，用于获取用户当前上传的饮食图片；
识别单元，用于利用预设算法对饮食图片中的食物数据进行识别，食物数据包括食物成分和每种食物成分所占的比例；
第六确定单元，用于根据食物成分和每种食物成分在所有食物成分中所占的比例，确定食物数据中的营养成分和每个营养成分所占的比例；
第七确定单元，用于将食物成分、每种食物成分所占的比例、营养成分，以及每个营养成分所占的比例，确定为用户当前的饮食信息。
在一个可选的实施方式中，推荐模块包括：
第一推荐单元，用于将目标饮食方案通过预设的显示装置进行显示；
和/或
第二推荐单元，用于将目标饮食方案通过预设的语音装置进行播放。
请参阅图5，图5是本申请另一实施例提供的一种电子设备的结构示意图。
如图5所示，本实施例提供的电子设备500包括：至少一个处理器501、存储器502、至少一个网络接口503和其他用户接口504。电子设备500中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
其中，用户接口504可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统5021和第二应用程序5022。
其中，操作系统5021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。第二应用程序5022，包含各种第二应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在第二应用程序5022中。
在本发明实施例中，通过调用存储器502存储的程序或指令，具体的，可以是第二应用程序5022中存储的程序或指令，处理器501用于执行各方法实施例所提供的方法步骤，例如包括：
获取用户当前的饮食信息和饮食关联信息；
若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据；
若预训练的网络模型不存在前次输出，利用预训练的网络模型将当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据；
根据饮食关联信息和饮食轨迹数据确定目标饮食方案；
以预设方式推荐目标饮食方案。
在一个可选的实施方式中，根据饮食关联信息和饮食轨迹数据确定目标饮食方案，包括：
根据饮食轨迹数据确定用户已摄入的营养成分；
根据饮食关联信息确定推荐摄入的营养成分；
根据推荐摄入的营养成分、用户已摄入的营养成分，确定用户欠缺的营养成分；
根据用户欠缺的营养成分，确定目标饮食方案。
在一个可选的实施方式中，饮食轨迹数据包括用户在预设时间范围内食用过的历史食物；
根据饮食轨迹数据确定用户已摄入的营养成分，包括：
根据预存储的食物成分与营养成分的映射关系表，确定历史食物中的营养成分；
将历史食物中的营养成分，确定为用户已摄入的营养成分。
在一个可选的实施方式中，饮食关联信息包括用户生理参数、环境参数和用户信息；
根据饮食关联信息确定推荐摄入的营养成分，包括：
根据预设的第一映射关系确定用户生理参数对应的第一目标营养成分；
根据预设的第二映射关系确定环境参数对应的第二目标营养成分；
根据预设的第三映射关系确定用户信息对应的第三目标营养成分；
将第一目标营养成分、第二目标营养成分和第三目标营养成分进行整合，得到推荐摄入的营养成分。
在一个可选的实施方式中，预训练的网络模型为GRU模型，饮食信息中包括至少一种类别的信息；
若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据，包括：
将GRU模型的前次输出中与当前的饮食信息中类别相匹配的信息确定为目标信息；
将目标信息和当前的饮食信息进行拼接，得到拼接后的饮食轨迹数据。
在一个可选的实施方式中，获取用户当前的饮食信息，包括：
获取用户当前上传的饮食图片；
利用预设算法对饮食图片中的食物数据进行识别，食物数据包括食物成分和每种食物成分所占的比例；
根据食物成分和每种食物成分在所有食物成分中所占的比例，确定食物数据中的营养成分和每个营养成分所占的比例；
将食物成分、每种食物成分所占的比例、营养成分，以及每个营养成分所占的比例，确定为用户当前的饮食信息。
在一个可选的实施方式中，以预设方式推荐目标饮食方案，包括：
将目标饮食方案通过预设的显示装置进行显示；
和/或
将目标饮食方案通过预设的语音装置进行播放。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSPDevice，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文功能的单元来实现本文的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在饮食推荐设备侧执行的饮食推荐方法。
处理器用于执行存储器中存储的饮食推荐程序，以实现以下在饮食推荐设备侧执行的饮食推荐方法的步骤：
获取用户当前的饮食信息和饮食关联信息；
若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据；
若预训练的网络模型不存在前次输出，利用预训练的网络模型将当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据；
根据饮食关联信息和饮食轨迹数据确定目标饮食方案；
以预设方式推荐目标饮食方案。
在一个可选的实施方式中，根据饮食关联信息和饮食轨迹数据确定目标饮食方案，包括：
根据饮食轨迹数据确定用户已摄入的营养成分；
根据饮食关联信息确定推荐摄入的营养成分；
根据推荐摄入的营养成分、用户已摄入的营养成分，确定用户欠缺的营养成分；
根据用户欠缺的营养成分，确定目标饮食方案。
在一个可选的实施方式中，饮食轨迹数据包括用户在预设时间范围内食用过的历史食物；
根据饮食轨迹数据确定用户已摄入的营养成分，包括：
根据预存储的食物成分与营养成分的映射关系表，确定历史食物中的营养成分；
将历史食物中的营养成分，确定为用户已摄入的营养成分。
在一个可选的实施方式中，饮食关联信息包括用户生理参数、环境参数和用户信息；
根据饮食关联信息确定推荐摄入的营养成分，包括：
根据预设的第一映射关系确定用户生理参数对应的第一目标营养成分；
根据预设的第二映射关系确定环境参数对应的第二目标营养成分；
根据预设的第三映射关系确定用户信息对应的第三目标营养成分；
将第一目标营养成分、第二目标营养成分和第三目标营养成分进行整合，得到推荐摄入的营养成分。
在一个可选的实施方式中，预训练的网络模型为GRU模型，饮食信息中包括至少一种类别的信息；
若预训练的网络模型存在前次输出，利用预训练的网络模型将当前的饮食信息与网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据，包括：
将GRU模型的前次输出中与当前的饮食信息中类别相匹配的信息确定为目标信息；
将目标信息和当前的饮食信息进行拼接，得到拼接后的饮食轨迹数据。
在一个可选的实施方式中，获取用户当前的饮食信息，包括：
获取用户当前上传的饮食图片；
利用预设算法对饮食图片中的食物数据进行识别，食物数据包括食物成分和每种食物成分所占的比例；
根据食物成分和每种食物成分在所有食物成分中所占的比例，确定食物数据中的营养成分和每个营养成分所占的比例；
将食物成分、每种食物成分所占的比例、营养成分，以及每个营养成分所占的比例，确定为用户当前的饮食信息。
在一个可选的实施方式中，以预设方式推荐目标饮食方案，包括：
将目标饮食方案通过预设的显示装置进行显示；
和/或
将目标饮食方案通过预设的语音装置进行播放。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种饮食推荐方法，其特征在于，所述方法包括：
获取用户当前的饮食信息和饮食关联信息；
若预训练的网络模型存在前次输出，利用预训练的网络模型将所述当前的饮食信息与所述网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据；
若预训练的网络模型不存在前次输出，利用预训练的网络模型将所述当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据；
根据所述饮食关联信息和所述饮食轨迹数据确定目标饮食方案；
以预设方式推荐所述目标饮食方案。
2.根据权利要求1所述的方法，其特征在于，所述根据所述饮食关联信息和所述饮食轨迹数据确定目标饮食方案，包括：
根据所述饮食轨迹数据确定用户已摄入的营养成分；
根据所述饮食关联信息确定推荐摄入的营养成分；
根据所述推荐摄入的营养成分、所述用户已摄入的营养成分，确定所述用户欠缺的营养成分；
根据所述用户欠缺的营养成分，确定所述目标饮食方案。
3.根据权利要求2所述的方法，其特征在于，所述饮食轨迹数据包括用户在预设时间范围内食用过的历史食物；
所述根据所述饮食轨迹数据确定用户已摄入的营养成分，包括：
根据预存储的食物成分与营养成分的映射关系表，确定所述历史食物中的营养成分；
将所述历史食物中的营养成分，确定为所述用户已摄入的营养成分。
4.根据权利要求2所述的方法，其特征在于，所述饮食关联信息包括用户生理参数、环境参数和用户信息；
所述根据所述饮食关联信息确定推荐摄入的营养成分，包括：
根据预设的第一映射关系确定所述用户生理参数对应的第一目标营养成分；
根据预设的第二映射关系确定所述环境参数对应的第二目标营养成分；
根据预设的第三映射关系确定所述用户信息对应的第三目标营养成分；
将所述第一目标营养成分、所述第二目标营养成分和所述第三目标营养成分进行整合，得到推荐摄入的营养成分。
5.根据权利要求1所述的方法，其特征在于，所述预训练的网络模型为GRU模型，所述饮食信息中包括至少一种类别的信息；
所述若预训练的网络模型存在前次输出，利用预训练的网络模型将所述当前的饮食信息与所述网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据，包括：
将所述GRU模型的前次输出中与所述当前的饮食信息中类别相匹配的信息确定为目标信息；
将所述目标信息和所述当前的饮食信息进行拼接，得到拼接后的饮食轨迹数据。
6.根据权利要求1所述的方法，其特征在于，所述获取用户当前的饮食信息，包括：
获取用户当前上传的饮食图片；
利用预设算法对所述饮食图片中的食物数据进行识别，所述食物数据包括食物成分和每种所述食物成分所占的比例；
根据所述食物成分和每种所述食物成分在所有食物成分中所占的比例，确定所述食物数据中的营养成分和每个所述营养成分所占的比例；
将所述食物成分、每种所述食物成分所占的比例、所述营养成分，以及每个所述营养成分所占的比例，确定为所述用户当前的饮食信息。
7.根据权利要求1所述的方法，其特征在于，所述以预设方式推荐所述目标饮食方案，包括：
将所述目标饮食方案通过预设的显示装置进行显示；
和/或，
将所述目标饮食方案通过预设的语音装置进行播放。
8.一种饮食推荐装置，其特征在于，所述装置包括：
获取模块，用于获取用户当前的饮食信息和饮食关联信息；
第一拼接模块，用于若预训练的网络模型存在前次输出，利用预训练的网络模型将所述当前的饮食信息与所述网络模型的前次输出进行拼接，得到拼接后的饮食轨迹数据；
第二拼接模块，用于若预训练的网络模型不存在前次输出，利用预训练的网络模型将所述当前的饮食信息与预设初始数据进行拼接，得到拼接后的饮食轨迹数据；
确定模块，用于根据所述饮食关联信息和所述饮食轨迹数据确定目标饮食方案；
推荐模块，用于以预设方式推荐所述目标饮食方案。
9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述处理器用于执行所述存储器中存储的饮食推荐程序，以实现权利要求1-7任一项所述的饮食推荐方法。
10.一种存储介质，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序被执行时，实现权利要求1-7任一项所述的饮食推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110102626.3A CN112735562A (zh) | 2021-01-25 | 2021-01-25 | 饮食推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110102626.3A CN112735562A (zh) | 2021-01-25 | 2021-01-25 | 饮食推荐方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112735562A true CN112735562A (zh) | 2021-04-30 |
Family
ID=75593994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110102626.3A Pending CN112735562A (zh) | 2021-01-25 | 2021-01-25 | 饮食推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112735562A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111883232A (zh) * | 2020-07-30 | 2020-11-03 | 中国科学院上海营养与健康研究所 | 饮食信息输出方法及系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709220A (zh) * | 2015-07-22 | 2017-05-24 | 何广森 | 一种饮食健康检测与指导系统 |
| CN107705834A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于循环神经网络的饮食推荐系统 |
| CN108198604A (zh) * | 2017-12-12 | 2018-06-22 | 昆明亿尚科技有限公司 | 一种基于个人特征的营养饮食推荐方法 |
| CN108648802A (zh) * | 2018-05-15 | 2018-10-12 | 四川斐讯信息技术有限公司 | 一种食谱推荐方法及系统 |
| CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
| CN110164526A (zh) * | 2018-03-14 | 2019-08-23 | 吴静 | 一种智能饮食推荐系统 |
| CN110349647A (zh) * | 2019-05-24 | 2019-10-18 | 平安科技（深圳）有限公司 | 饮食管理方法、系统、电子设备及存储介质 |
| CN110634552A (zh) * | 2019-09-19 | 2019-12-31 | 青岛海尔科技有限公司 | 基于物联网操作系统的食谱推送方法和装置 |
| KR20200044221A (ko) * | 2018-10-12 | 2020-04-29 | 온동네피엠씨 주식회사 | 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 |
| CN111402996A (zh) * | 2020-03-19 | 2020-07-10 | 珠海格力电器股份有限公司 | 一种饮食食谱推荐方法及系统、存储介质 |
| CN211319727U (zh) * | 2019-09-20 | 2020-08-21 | 深圳和而泰家居在线网络科技有限公司 | 一种智能家庭健康饮食推荐系统 |
| CN111640484A (zh) * | 2020-05-26 | 2020-09-08 | 合肥美的电冰箱有限公司 | 一种健康管理方法、系统、电子设备及存储介质 |
| CN111863194A (zh) * | 2020-07-23 | 2020-10-30 | 深圳市伊欧乐科技有限公司 | 一种饮食信息的展示方法、装置、设备及存储介质 |
| CN111883232A (zh) * | 2020-07-30 | 2020-11-03 | 中国科学院上海营养与健康研究所 | 饮食信息输出方法及系统 |
| CN112037888A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 生理健康特征数据的监控方法、装置、设备及存储介质 |
-
2021
- 2021-01-25 CN CN202110102626.3A patent/CN112735562A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709220A (zh) * | 2015-07-22 | 2017-05-24 | 何广森 | 一种饮食健康检测与指导系统 |
| CN107705834A (zh) * | 2017-10-10 | 2018-02-16 | 中山大学 | 一种基于循环神经网络的饮食推荐系统 |
| CN108198604A (zh) * | 2017-12-12 | 2018-06-22 | 昆明亿尚科技有限公司 | 一种基于个人特征的营养饮食推荐方法 |
| CN110164526A (zh) * | 2018-03-14 | 2019-08-23 | 吴静 | 一种智能饮食推荐系统 |
| CN108648802A (zh) * | 2018-05-15 | 2018-10-12 | 四川斐讯信息技术有限公司 | 一种食谱推荐方法及系统 |
| KR20200044221A (ko) * | 2018-10-12 | 2020-04-29 | 온동네피엠씨 주식회사 | 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 |
| CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
| CN110349647A (zh) * | 2019-05-24 | 2019-10-18 | 平安科技（深圳）有限公司 | 饮食管理方法、系统、电子设备及存储介质 |
| CN110634552A (zh) * | 2019-09-19 | 2019-12-31 | 青岛海尔科技有限公司 | 基于物联网操作系统的食谱推送方法和装置 |
| CN211319727U (zh) * | 2019-09-20 | 2020-08-21 | 深圳和而泰家居在线网络科技有限公司 | 一种智能家庭健康饮食推荐系统 |
| CN111402996A (zh) * | 2020-03-19 | 2020-07-10 | 珠海格力电器股份有限公司 | 一种饮食食谱推荐方法及系统、存储介质 |
| CN111640484A (zh) * | 2020-05-26 | 2020-09-08 | 合肥美的电冰箱有限公司 | 一种健康管理方法、系统、电子设备及存储介质 |
| CN111863194A (zh) * | 2020-07-23 | 2020-10-30 | 深圳市伊欧乐科技有限公司 | 一种饮食信息的展示方法、装置、设备及存储介质 |
| CN111883232A (zh) * | 2020-07-30 | 2020-11-03 | 中国科学院上海营养与健康研究所 | 饮食信息输出方法及系统 |
| CN112037888A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 生理健康特征数据的监控方法、装置、设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111883232A (zh) * | 2020-07-30 | 2020-11-03 | 中国科学院上海营养与健康研究所 | 饮食信息输出方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021000521A1 (zh) | 菜谱推荐方法、菜谱推荐装置以及机器可读存储介质 | |
| US20200066181A1 (en) | Generating Personalized Food Recommendations from Different Food Sources | |
| US9870633B2 (en) | Automated highlighting of identified text | |
| US11183291B2 (en) | Generating personalized nutritional recommendations using predicted values of biomarkers | |
| AU2019200007A1 (en) | Electronic device and method for processing information associated with food | |
| CN110580278A (zh) | 根据用户画像的个性化搜索方法、系统、设备及存储介质 | |
| KR102189232B1 (ko) | 생활 습관을 기반으로 콘텐츠를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 | |
| US20150287092A1 (en) | Social networking consumer product organization and presentation application | |
| WO2022180891A1 (ja) | 情報提示方法、プログラム、情報提示システム、及び端末装置 | |
| KR102251643B1 (ko) | 딥러닝 기반 예측 모델에 기초한, 산유량, 목표 산유량 달성을 위한 tmr 영양 조성, 목표 비용 달성을 위한 tmr 영양 조성 예측 방법 | |
| JP6652627B1 (ja) | 献立を提案するためのシステム、装置、方法、及びプログラム | |
| US10917753B2 (en) | Electronic device and method for providing information by electronic device | |
| CN112735562A (zh) | 饮食推荐方法、装置、电子设备及存储介质 | |
| Starke et al. | Promoting healthy food choices online: A case for multi-list recommender systems | |
| JP2002351990A (ja) | 健康管理システム、健康管理方法、及びプログラム | |
| Hinojosa-Nogueira et al. | Stance4Health nutritional APP: a path to personalized smart nutrition | |
| US11955225B2 (en) | Apparatus and method for providing dietary recommendation | |
| CN108831529A (zh) | 基于智能冰箱的信息推送方法、装置、设备及存储介质 | |
| CN112349385A (zh) | 基于冷藏系统的食谱推荐方法、装置、设备及存储介质 | |
| JP2019159356A (ja) | 検索装置、検索方法、及び検索プログラム | |
| CN110058908B (zh) | 服务器、信息处理系统、信息处理方法、记录介质和电子设备 | |
| KR20210032718A (ko) | 식이유형 기반의 메뉴 추천 시스템 및 장치 | |
| CN116775986A (zh) | 食谱推荐方法、电子设备及存储介质 | |
| JP2019160283A (ja) | 検索装置、検索方法、及び検索プログラム | |
| CN114023419A (zh) | 食谱推荐方法、装置及非易失性存储介质 |
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 |