CN112818222A - 一种基于知识图谱的个性化饮食推荐方法及系统 - Google Patents
一种基于知识图谱的个性化饮食推荐方法及系统 Download PDFInfo
- Publication number
- CN112818222A CN112818222A CN202110105393.2A CN202110105393A CN112818222A CN 112818222 A CN112818222 A CN 112818222A CN 202110105393 A CN202110105393 A CN 202110105393A CN 112818222 A CN112818222 A CN 112818222A
- Authority
- CN
- China
- Prior art keywords
- menu
- user
- attribute
- users
- generating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 235000005911 diet Nutrition 0.000 title claims abstract description 23
- 230000037213 diet Effects 0.000 title claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 235000019640 taste Nutrition 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012896 Statistical algorithm Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 235000021186 dishes Nutrition 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 240000006108 Allium ampeloprasum Species 0.000 description 1
- 235000005254 Allium ampeloprasum Nutrition 0.000 description 1
- 244000291564 Allium cepa Species 0.000 description 1
- 235000010167 Allium cepa var aggregatum Nutrition 0.000 description 1
- 206010019345 Heat stroke Diseases 0.000 description 1
- 241001596950 Larimichthys crocea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- LPUQAYUQRXPFSQ-DFWYDOINSA-M monosodium L-glutamate Chemical compound [Na+].[O-]C(=O)[C@@H](N)CCC(O)=O LPUQAYUQRXPFSQ-DFWYDOINSA-M 0.000 description 1
- 235000013923 monosodium glutamate Nutrition 0.000 description 1
- 239000004223 monosodium glutamate Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000021178 picnic Nutrition 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 235000002639 sodium chloride Nutrition 0.000 description 1
- 235000013547 stew Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 235000012976 tarts Nutrition 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 235000021419 vinegar Nutrition 0.000 description 1
- 239000000052 vinegar Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开一种基于知识图谱的个性化饮食推荐方法及系统，所述方法包括：获取知识库菜谱数据，抽取菜谱属性信息，构建菜谱实体节点；获取已有用户历史行为数据，计算菜谱间相似度，并根据所述相似度生成菜谱知识图谱；依据菜谱知识图谱，生成与用户历史行为数据相似度高的第一推荐候选集；计算用户对菜谱属性的倾向程度，并生成用户与菜谱属性的关系图谱；根据用户与菜谱属性的关系图谱，筛选出优化的第二推荐候选集；依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；根据用户间的关系图谱以及目标相似用户的收藏行为，生成最终推荐候选列表。本发明基于多个知识图谱进行层层推荐列表筛选，实现精准个性化推荐。
Description
技术领域
本发明属于饮食智能推荐技术领域，具体涉及一种基于知识图谱的个性化饮食推荐方法及系统。
背景技术
随着信息时代的到来，信息技术取得了重要进展。如何在海量数据信息中寻找自己感兴趣的目标信息，已经成为了研究热点。目前主流方式主要为基于用户评分机制的协同过滤算法，该算法一定程度上解决了信息快速相似查找匹配等问题，但该算法仍有一些不足，如冷启动等问题。民以食为天，中国菜谱特点显著、数量十分庞大，如何帮助用户获取最为感兴趣的食用菜谱显然是一个复杂的问题。
发明内容
有鉴于此，本发明提出了一种基于知识图谱的个性化饮食推荐方法及系统，用于解决食谱推荐准确性不高的问题,帮助用户获取最为感兴趣的食谱。
本发明第一方面，公开一种基于知识图谱的个性化饮食推荐方法，所述方法包括：
S1、获取知识库菜谱数据，抽取菜谱属性信息，构建菜谱实体节点；
S2、获取已有用户历史行为数据，计算菜谱间相似度，并根据所述相似度生成菜谱知识图谱；
S3、依据菜谱知识图谱，生成与用户历史行为数据相似度高于预设阈值的第一推荐候选集；
S4、获取已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并以此生成用户与菜谱属性的关系图谱；
S5、根据用户与菜谱属性的关系图谱，在所述第一推荐候选集的基础上，筛选出优化的第二推荐候选集；
S6、依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；
S7、根据用户间的关系图谱以及目标相似用户的收藏行为，获取基于多用户的推荐候选列表。
优选的，所述菜谱属性信息涉及菜品类别、功效、时令、人群、菜系、工具、工艺、口味、形态、用餐场合、用餐时间、主料、辅料，组成菜谱属性集合；
所述构建菜谱节点具体包括：根据菜谱属性集合，按集合元素即属性名称逐一抽取信息并预处理使用TF-IDF统计算法评估计算菜谱各属性信息对菜谱的重要程度，该数值得分作为该属性对该菜谱的重要程度衡量。
优选的，所述获取已有用户历史行为数据，计算菜谱间相似度，并以该相似度生成菜谱知识图谱具体包括：
分别获取菜谱Ri、Rj被点击的用户集合S(Ri)、S(Rj)和用户user浏览菜谱Ri、Rj的总和时间
其中时间单位为秒；
计算菜谱相似度p(Ri,Rj)，公式为：
其中α为时间兴趣参数，用以控制时间因素影响相似度值的程度；
以各菜谱间相似度为关系，建立菜谱知识图谱。
优选的，所述获取已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并以此生成用户与菜谱属性的关系图谱具体包括：
根据用户对不同菜谱及其菜谱属性的操作行为，按照已设定的行为分值，以菜谱属性单独计分，最终获得用户对不同属性的行为得分；
对所有属性得分归一化处理，以归一化后处理得到的各属性分值作为用户对菜谱各属性的倾向程度；
以所述倾向程度生成用户与菜谱属性的关系图谱。
优选的，所述根据用户与菜谱属性的关系图谱，在所述第一推荐候选集的基础上，筛选优化的第二推荐候选集具体包括：
通过用户与菜谱属性的关系图谱，获取用户对菜谱各属性的倾向程度得分；
通过所述菜谱知识图谱，获取菜谱间相似度得分；
通过所述菜谱实体节点，获取菜谱各属性的重要程度；
根据用户对菜谱各属性的倾向程度得分、菜谱间相似度得分、菜谱各属性的重要程度的分值数据，给定菜谱Ri，计算用户对菜谱Rj的喜爱程度，其计算公式为
其中q(Ri,Rj)为用户user对菜谱Rj的喜爱程度，userjv为用户user对菜谱Rj第v个属性的倾向程度，Rjv为菜谱Rj的第v个属性对菜谱的重要程度，p(Ri,Rj)为菜谱Ri、Rj间的相似度；
对第一推荐候选集中的N个菜谱分别进行上述计算，并排序用户对各菜谱的喜爱程度，取前3N/4个作为第二推荐候选集。
优选的，所述依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱具体包括：
根据用户与菜谱属性关系图谱，为用户生成其对应的任意菜谱的一个专属向量，设用户user选择菜谱Ri时的向量记做Viuser＝(vi1,vi2,...,vin)，其中vi1,vi2,...,vin是用户user对菜谱Ri各属性的倾向程度；
设菜谱总数为Z，则用户user的全局向量为：
根据用户间各自全局向量，计算用户间的余弦相似度；
以余弦相似度生成用户间的关系图谱。
优选的，所述根据用户间的关系图谱以及目标相似用户的收藏行为，获取基于多用户的推荐候选列表具体包括：
根据用户间关系图谱，按相似度排序获得当前用户user最相似的前M个用户；
依次获取该M个用户经步骤五操作后得到第二推荐候选集，分别记为SN1(R),SN2(R),...,SNM(R)；
基于M个用户的历史收藏菜谱行为，建立用户菜谱收藏集合SNc(R)＝{Rc1,Rc2,...,Rci}，其中Rci为第i个用户的菜谱收藏列表，1≤i≤M；
处理菜谱收藏SNc(R)，按菜谱收藏总次数排序产生菜谱收藏列表LNc(R)；
处理M个用户的第二推荐候选集SN1(R),SN2(R),...,SNM(R)，按菜谱在M个集合内出现总次数排序产生M个用户的相似菜谱列表LN(R)；
将菜谱收藏列表LNc(R)和用户相似菜谱列表LN(R)合并，得到最终推荐候选列表{LNc(R)，LN(R)}。
本发明第二方面，公开一种基于知识图谱的个性化饮食推荐系统，所述系统包括：
实体节点构建模块：获取知识库菜谱数据，抽取菜谱属性信息，构建菜谱实体节点；
第一图谱构建模块：获取已有用户历史行为数据，计算菜谱间相似度，并根据所述相似度生成菜谱知识图谱；
第一推荐候选模块：依据菜谱知识图谱，生成与用户历史行为数据相似度高于预设阈值的第一推荐候选集；
第二图谱构建模块：关系获取已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并以此生成用户与菜谱属性的关系图谱；
第二推荐候选模块：根据用户与菜谱属性的关系图谱，在所述推荐候选集的基础上，筛选出优化的第二推荐候选集；
第三图谱构建模块：依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；
最终推荐候选模块：根据用户间的关系图谱以及目标相似用户的收藏行为，获取基于多用户的推荐候选列表。
本发明第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
1)通本发明通过抽取菜谱属性，初步构建菜谱实体节点；基于用户历史行为数据，计算菜谱间相似度生成菜谱知识图谱；依据菜谱知识图谱，生成菜谱第一推荐候选集；基于用户对菜谱属性的倾向程度生成用户与菜谱属性的关系图谱；根据用户与菜谱属性关系图谱，筛选并优化得到第二推荐候选集；依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；根据用户间的关系图谱以及目标相似用户的收藏行为，生成基于多用户的第三推荐候选列表。本发明充分挖掘了菜谱本身属性、用户对菜谱属性的倾向程度、相似用户的关联关系，从不同层面、多个维度进行知识图谱分析，最终生成最为感兴趣的食谱，实现精准推荐。
2)本发明结合菜谱、用户等基本数据信息，深层次挖掘分析其相互间的语义关系，构建菜谱知识图谱、用户与菜谱属性的关系图谱、用户间的关系图谱等不同类别的关系图谱，进行层层推荐列表筛选，最后结合相似度计算公式获取候选推荐结果，实现精准个性化推荐。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明的基于知识图谱的个性化饮食推荐方法流程图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种基于知识图谱的个性化饮食推荐方法，所述方法包括：
S1、获取知识库菜谱数据，抽取菜谱属性信息，构建菜谱实体节点；
具体的，所述菜谱属性信息涉及涉及菜品类别(热菜、凉菜、素菜等)、功效(风寒、止痛、气虚等)、时令(小满、小寒、处暑等)、人群(婴幼儿、孕妇、老年人等)、菜系(鲁菜、川菜、韩国料理等)、工具(炖锅、砂锅、煎锅等)、工艺(炒、炖、炸、拌等)、口味(香辣、香甜、酸辣、清淡、葱香、原味等)、形态(寿司、糖果、汤圆、果汁、挞类等)、用餐场合(生日、野餐、正餐、工作餐等)、用餐时间(早餐、中餐、晚餐、夜宵等)、主料(猪肉、黄鱼、韭菜等)、辅料(精盐、醋、味精、料酒等)；将菜品类别、功效、时令、人群、菜系、工具、工艺、口味、形态、用餐场合、用餐时间、主料、辅料等属性信息组成菜谱属性集合。
菜谱属性信息构建菜谱节点的具体方式包括：根据菜谱属性集合，按集合元素即属性名称逐一抽取信息并预处理，上述预处理包括缺失值补充等。使用TF-IDF统计算法评估计算菜谱各属性信息对菜谱的重要程度，该数值得分作为该属性对该菜谱的重要程度衡量。
S2、获取已有用户历史行为数据，计算菜谱间相似度，并根据所述相似度生成菜谱知识图谱；所述用户历史行为数据包括：点击、浏览时间、收藏等数据；
S21、分别获取菜谱Ri、Rj被点击的用户集合S(Ri)、S(Rj)和用户user浏览菜谱Ri、Rj的总和时间
其中时间单位为秒；
S22、计算菜谱相似度p(Ri,Rj)，公式为：
其中α为时间兴趣参数，用以控制时间因素影响相似度值的程度；
S23、以各菜谱间相似度为关系，建立菜谱知识图谱。
S3、依据菜谱知识图谱，生成与用户历史行为数据相似度高于预设阈值的第一推荐候选集；
以用户user-x点击浏览“蛋炒饭”菜谱为例，根据构建好的菜谱知识图谱，获取与之相似的一组菜谱S(R)，并按照相似度分值排序并取前N个，其相似度依次记做p1,p2,...,pN，得到推荐候选集SN(R)。
S4、基于已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并生成用户与菜谱属性的关系图谱；
S41、根据用户对不同菜谱及其菜谱属性的操作行为，按照已设定的行为分值，以菜谱属性单独计分，最终获得用户对不同属性的行为得分；
示例性的，行为分值设定准则为成功点击一次属性即该属性分值记5分；浏览时间在5秒内菜谱各属性分值均记1分，在5秒-40秒内记10分，40秒以上记11分；收藏菜谱即菜谱各属性分值均记15分。举例用户分别点击功效、人群、工艺、口味进行筛选并浏览“蛋炒饭”时，其浏览时间为30秒，并收藏该菜谱，则最后用户对“蛋炒饭”不同属性的行为得分为{"菜品类别":“25”,"功效":“30”,"时令":“25”,"人群":“30”,"菜系":“25”,"工具":“25”,"工艺":“30”,"口味":“30”,"形态":“25”,"用餐场合":“25”,"用餐时间":“25”,"主料":“25”,"辅料":“25”}。
S42、对所有属性得分归一化处理，以归一化后处理得到的各属性分值作为用户对菜谱各属性的倾向程度；
归一化处理可避免属性分值相差较大造成小数值属性信息偏差等问题，归一化处理，公式为X’i＝(Xi-Xmin)/(Xmax-Xmin)
其中Xi,X’i分别表示第i个属性分值和归一化后的对应属性分值；Xmin,Xmax分别表示属性分值集合内的最小值、最大值。
S43、以所述倾向程度生成用户与菜谱属性的关系图谱。
S5、根据用户与菜谱属性的关系图谱，在所述第一推荐候选集的基础上，筛选出优化的第二推荐候选集；
S51、通过用户与菜谱属性的关系图谱，获取用户对菜谱各属性的倾向程度得分；
S52、通过所述菜谱知识图谱，获取菜谱间相似度得分；
S53、通过所述菜谱实体节点，获取菜谱各属性的重要程度；
S54、根据用户对菜谱各属性的倾向程度得分、菜谱间相似度得分、菜谱各属性的重要程度的分值数据，给定菜谱Ri，计算用户对菜谱Rj的喜爱程度，其计算公式为
其中q(Ri,Rj)为用户user对菜谱Rj的喜爱程度，userjv为用户user对菜谱Rj第v个属性的倾向程度，Rjv为菜谱Rj的第v个属性对菜谱的重要程度，p(Ri,Rj)为菜谱Ri、Rj间的相似度；
S55、对第一推荐候选集中的N个菜谱分别进行上述计算，并排序用户对各菜谱的喜爱程度，取前3N/4个作为第二推荐候选集。
S6、依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；
S61、根据用户与菜谱属性关系图谱，为用户生成其对应的任意菜谱的一个专属向量，设用户user选择菜谱Ri时的向量记做Viuser＝(vi1,vi2,...,vin)，其中vi1,vi2,...,vin是用户user对菜谱Ri各属性的倾向程度；
S62、设菜谱总数为Z，则用户user的全局向量为：
S63、根据用户间各自全局向量，计算用户间的余弦相似度；
S64、以余弦相似度生成用户间的关系图谱。
S7、根据用户间的关系图谱以及目标相似用户的收藏行为，获取基于多用户的推荐候选列表。
S71、根据用户间关系图谱，按相似度排序获得当前用户user最相似的前M个用户；
S72、依次获取该M个用户经步骤五操作后得到第二推荐候选集，分别记为SN1(R),SN2(R),...,SNM(R)；
S73、基于M个用户的历史收藏菜谱行为，建立用户菜谱收藏集合SNc(R)＝{Rc1,Rc2,...,Rci}，其中Rci为第i个用户的菜谱收藏列表，1≤i≤M；
S74、处理菜谱收藏SNc(R)，按菜谱收藏总次数排序产生菜谱收藏列表LNc(R)；
S75、处理M个用户的第二推荐候选集SN1(R),SN2(R),...,SNM(R)，按菜谱在M个集合内出现总次数排序产生M个用户的相似菜谱列表LN(R)；
S76、将菜谱收藏列表LNc(R)和用户相似菜谱列表LN(R)合并，得到最终推荐候选列表{LNc(R)，LN(R)}。
与上述方法实施例相对应，本发明还公开一种基于知识图谱的个性化饮食推荐系统，所述系统包括：
实体节点构建模块：获取知识库菜谱数据，抽取菜谱属性信息，构建菜谱实体节点；
第一图谱构建模块：获取已有用户历史行为数据，计算菜谱间相似度，并根据所述相似度生成菜谱知识图谱；
第一推荐候选模块：依据菜谱知识图谱，生成与用户历史行为数据相似度高于预设阈值的第一推荐候选集；
第二图谱构建模块：基于已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并生成用户与菜谱属性的关系图谱；
第二推荐候选模块：根据用户与菜谱属性的关系图谱，在所述推荐候选集的基础上，筛选出优化的第二推荐候选集；
第三图谱构建模块：依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；
最终推荐候选模块：根据用户间的关系图谱以及目标相似用户的收藏行为，获取基于多用户的推荐候选列表。
以上方法实施例和系统实施例是相对应的，系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的基于知识图谱的个性化饮食推荐方法的步骤。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明前述的基于知识图谱的个性化饮食推荐方法的全部或部分步骤。例如包括数据采集单元、数据划分单元、模型构建单元、认知计算单元、判别诊断单元。所述存储介质包括：U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。可以根据实际的衙要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施方式而已，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 (10)
1.一种基于知识图谱的个性化饮食推荐方法，其特征在于，所述方法包括：
获取知识库菜谱数据，抽取菜谱属性信息，构建菜谱实体节点；
获取已有用户历史行为数据，计算菜谱间相似度，并根据所述相似度生成菜谱知识图谱；
依据菜谱知识图谱，生成与用户历史行为数据相似度高于预设阈值的第一推荐候选集；
基于已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并生成用户与菜谱属性的关系图谱；
根据用户与菜谱属性的关系图谱，在所述第一推荐候选集的基础上，筛选出优化的第二推荐候选集；
依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；
根据用户间的关系图谱以及目标相似用户的收藏行为，第二推荐候选集的基础上生成基于多用户的最终推荐候选列表。
2.根据权利要求1所述基于知识图谱的个性化饮食推荐方法，其特征在于，所述菜谱属性信息涉及菜品类别、功效、时令、人群、菜系、工具、工艺、口味、形态、用餐场合、用餐时间、主料、辅料，组成菜谱属性集合；
所述构建菜谱节点具体包括：根据菜谱属性集合，按集合元素即属性名称逐一抽取信息并预处理使用TF-IDF统计算法评估计算菜谱各属性信息对菜谱的重要程度，该数值得分作为该属性对该菜谱的重要程度衡量。
3.根据权利要求1所述基于知识图谱的个性化饮食推荐方法，其特征在于，所述获取已有用户历史行为数据，计算菜谱间相似度，并以该相似度生成菜谱知识图谱具体包括：
分别获取菜谱Ri、Rj被点击的用户集合S(Ri)、S(Rj)和用户user浏览菜谱Ri、Rj的总和时间
其中时间单位为秒；
计算菜谱相似度p(Ri,Rj)，公式为：
其中α为时间兴趣参数，用以控制时间因素影响相似度值的程度；
以各菜谱间相似度为关系，建立菜谱知识图谱。
4.根据权利要求3所述基于知识图谱的个性化饮食推荐方法，其特征在于，所述基于已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并生成用户与菜谱属性的关系图谱具体包括：
根据用户对不同菜谱及其菜谱属性的操作行为，按照已设定的行为分值，以菜谱属性单独计分，最终获得用户对不同属性的行为得分；
对所有属性得分归一化处理，以归一化后处理得到的各属性分值作为用户对菜谱各属性的倾向程度；
以所述倾向程度生成用户与菜谱属性的关系图谱。
5.根据权利要求4所述基于知识图谱的个性化饮食推荐方法，其特征在于，所述根据用户与菜谱属性的关系图谱，在所述第一推荐候选集的基础上，筛选优化的第二推荐候选集具体包括：
通过用户与菜谱属性的关系图谱，获取用户对菜谱各属性的倾向程度得分；
通过所述菜谱知识图谱，获取菜谱间相似度得分；
通过所述菜谱实体节点，获取菜谱各属性的重要程度；
根据用户对菜谱各属性的倾向程度得分、菜谱间相似度得分、菜谱各属性的重要程度的分值数据，给定菜谱Ri，计算用户对菜谱Rj的喜爱程度，其计算公式为
其中q(Ri,Rj)为用户user对菜谱Rj的喜爱程度，userjv为用户user对菜谱Rj第v个属性的倾向程度，Rjv为菜谱Rj的第v个属性对菜谱的重要程度，p(Ri,Rj)为菜谱Ri、Rj间的相似度，N为第一推荐候选集中菜谱数；
对第一推荐候选集中的N个菜谱分别进行上述计算，并排序用户对各菜谱的喜爱程度，取前3N/4个作为第二推荐候选集。
6.根据权利要求1所述基于知识图谱的个性化饮食推荐方法，其特征在于，所述依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱具体包括：
根据用户与菜谱属性关系图谱，为用户生成其对应的任意菜谱的一个专属向量，设用户user选择菜谱Ri时的向量记做Viuser＝(vi1,vi2,...,vin)，其中vi1,vi2,...,vin是用户user对菜谱Ri各属性的倾向程度；
设菜谱总数为Z，则用户user的全局向量为：
根据用户间各自全局向量，计算用户间的余弦相似度；
以余弦相似度生成用户间的关系图谱。
7.根据权利要求6所述基于知识图谱的个性化饮食推荐方法，其特征在于，所述根据用户间的关系图谱以及目标相似用户的收藏行为，获取基于多用户的推荐候选列表具体包括：
根据用户间关系图谱，按相似度排序获得当前用户user最相似的前M个用户；
依次获取该M个用户经步骤五操作后得到第二推荐候选集，分别记为SN1(R),SN2(R),...,SNM(R)；
基于M个用户的历史收藏菜谱行为，建立用户菜谱收藏集合SNc(R)＝{Rc1,Rc2,...,Rci}，其中Rci为第i个用户的菜谱收藏列表，1≤i≤M；
处理菜谱收藏SNc(R)，按菜谱收藏总次数排序产生菜谱收藏列表LNc(R)；
处理M个用户的第二推荐候选集SN1(R),SN2(R),...,SNM(R)，按菜谱在M个集合内出现总次数排序产生M个用户的相似菜谱列表LN(R)；
将菜谱收藏列表LNc(R)和用户相似菜谱列表LN(R)合并，得到最终推荐候选列表{LNc(R)，LN(R)}。
8.一种基于知识图谱的个性化饮食推荐系统，其特征在于，所述系统包括：
实体节点构建模块：获取知识库菜谱数据，抽取菜谱属性信息，构建菜谱实体节点；
第一图谱构建模块：获取已有用户历史行为数据，计算菜谱间相似度，并根据所述相似度生成菜谱知识图谱；
第一推荐候选模块：依据菜谱知识图谱，生成与用户历史行为数据相似度高于预设阈值的第一推荐候选集；
第二图谱构建模块：基于已有用户历史行为数据，计算用户对菜谱属性的倾向程度，并生成用户与菜谱属性的关系图谱；
第二推荐候选模块：根据用户与菜谱属性的关系图谱，在所述推荐候选集的基础上，筛选出优化的第二推荐候选集；
第三图谱构建模块：依据用户与菜谱属性的关系图谱，计算生成用户间的关系图谱；
最终推荐候选模块：根据用户间的关系图谱以及目标相似用户的收藏行为，获取基于多用户的推荐候选列表。
9.一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1～7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现权利要求1～7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110105393.2A CN112818222B (zh) | 2021-01-26 | 2021-01-26 | 一种基于知识图谱的个性化饮食推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110105393.2A CN112818222B (zh) | 2021-01-26 | 2021-01-26 | 一种基于知识图谱的个性化饮食推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818222A true CN112818222A (zh) | 2021-05-18 |
| CN112818222B CN112818222B (zh) | 2024-02-23 |
Family
ID=75859460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110105393.2A Active CN112818222B (zh) | 2021-01-26 | 2021-01-26 | 一种基于知识图谱的个性化饮食推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818222B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611393A (zh) * | 2021-08-20 | 2021-11-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的食物推荐、装置、设备及存储介质 |
| CN113934776A (zh) * | 2021-12-16 | 2022-01-14 | 深圳市发掘科技有限公司 | 食材推送方法、装置、介质及设备 |
| 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 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169010A (zh) * | 2017-03-31 | 2017-09-15 | 北京奇艺世纪科技有限公司 | 一种推荐搜索关键词的确定方法及装置 |
| CN109710935A (zh) * | 2018-12-26 | 2019-05-03 | 北京航空航天大学 | 一种基于文物知识图谱的博物馆导览与知识推荐方法 |
| CN109872796A (zh) * | 2017-12-01 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 一种菜谱推荐方法和装置 |
| CN110188208A (zh) * | 2019-06-04 | 2019-08-30 | 河海大学 | 一种基于知识图谱的信息资源查询推荐方法和系统 |
| WO2019227597A1 (zh) * | 2018-06-01 | 2019-12-05 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
| CN111212304A (zh) * | 2020-02-27 | 2020-05-29 | 青岛聚看云科技有限公司 | 一种视频推荐方法及服务器 |
| CN111261260A (zh) * | 2020-01-13 | 2020-06-09 | 深圳市华膳科技有限公司 | 一种膳食推荐系统 |
| CN111651678A (zh) * | 2020-06-18 | 2020-09-11 | 达而观信息科技（上海）有限公司 | 一种基于知识图谱的个性化推荐方法 |
| CN112102002A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 |
| WO2020258654A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种答案获取方法及装置 |
| CN112214685A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
-
2021
- 2021-01-26 CN CN202110105393.2A patent/CN112818222B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169010A (zh) * | 2017-03-31 | 2017-09-15 | 北京奇艺世纪科技有限公司 | 一种推荐搜索关键词的确定方法及装置 |
| CN109872796A (zh) * | 2017-12-01 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 一种菜谱推荐方法和装置 |
| WO2019227597A1 (zh) * | 2018-06-01 | 2019-12-05 | 深圳狗尾草智能科技有限公司 | 一种基于聊天机器人的导航方法及系统 |
| CN109710935A (zh) * | 2018-12-26 | 2019-05-03 | 北京航空航天大学 | 一种基于文物知识图谱的博物馆导览与知识推荐方法 |
| CN110188208A (zh) * | 2019-06-04 | 2019-08-30 | 河海大学 | 一种基于知识图谱的信息资源查询推荐方法和系统 |
| WO2020258654A1 (zh) * | 2019-06-27 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 一种答案获取方法及装置 |
| CN111261260A (zh) * | 2020-01-13 | 2020-06-09 | 深圳市华膳科技有限公司 | 一种膳食推荐系统 |
| CN111212304A (zh) * | 2020-02-27 | 2020-05-29 | 青岛聚看云科技有限公司 | 一种视频推荐方法及服务器 |
| CN111651678A (zh) * | 2020-06-18 | 2020-09-11 | 达而观信息科技（上海）有限公司 | 一种基于知识图谱的个性化推荐方法 |
| CN112102002A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 基于知识图谱的商品推荐方法、装置、计算机和存储介质 |
| CN112214685A (zh) * | 2020-09-27 | 2021-01-12 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
Non-Patent Citations (3)
| Title |
|---|
| STEVEN HAUSSMANN: "foodKG：a semantics-Driven knowledge graph for food recommendation", THE SEMANTIC WEB-ISWC 2019, 17 October 2019 (2019-10-17), pages 146 - 162, XP047524250, DOI: 10.1007/978-3-030-30796-7_10 * |
| 王晰巍;韦雅楠;邢云菲;王铎;: "社交网络舆情知识图谱发展动态及趋势研究", 情报学报, vol. 38, no. 12, 24 December 2019 (2019-12-24), pages 1329 - 1338 * |
| 陈嘉颖;于炯;杨兴耀;: "一种融合语义分析特征提取的推荐算法", 计算机研究与发展, vol. 57, no. 03, 15 March 2020 (2020-03-15), pages 562 - 575 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113611393A (zh) * | 2021-08-20 | 2021-11-05 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的食物推荐、装置、设备及存储介质 |
| CN113934776A (zh) * | 2021-12-16 | 2022-01-14 | 深圳市发掘科技有限公司 | 食材推送方法、装置、介质及设备 |
| CN113934776B (zh) * | 2021-12-16 | 2022-06-24 | 深圳市发掘科技有限公司 | 食材推送方法、装置、介质及设备 |
| 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 |
|---|---|
| CN112818222B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818222A (zh) | 一种基于知识图谱的个性化饮食推荐方法及系统 | |
| Rostami et al. | A novel time-aware food recommender-system based on deep learning and graph clustering | |
| CN107578060B (zh) | 一种基于可判别区域的深度神经网络用于菜品图像分类的方法 | |
| US9916520B2 (en) | Automated food recognition and nutritional estimation with a personal mobile electronic device | |
| CN108829723B (zh) | 基于复杂网络和深度学习的可交互智能冰箱健康服务终端 | |
| US20150169758A1 (en) | Multi-partite graph database | |
| CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
| CN105468596B (zh) | 图片检索方法和装置 | |
| CN105849764A (zh) | 用于识别社交数据网络中的影响者及其社区的系统和方法 | |
| TW201314628A (zh) | 圖像的質量分析方法及裝置 | |
| CN110119479B (zh) | 一种餐馆推荐方法、装置、设备及可读存储介质 | |
| CN107391531A (zh) | 一种菜品推荐方法和装置 | |
| Nilesh et al. | Recommendation of Indian cuisine recipes based on ingredients | |
| US11250338B2 (en) | Method for enhancing association rules, apparatus using the same and computer readable medium therefor | |
| CN115280422A (zh) | 食物推荐方法、装置、存储介质及电子设备 | |
| CN108241619A (zh) | 一种基于用户多兴趣的推荐方法 | |
| CN111949889A (zh) | 一种基于大数据的共享平台智能推荐方法、系统及可读存储介质 | |
| CN115422443A (zh) | 食谱推荐方法、终端设备以及存储介质 | |
| Widiyanto et al. | Image-Based tomato maturity classification and detection using Faster R-CNN method | |
| CN106886921A (zh) | 基于用户兴趣的个性化推荐方法 | |
| KR20200066928A (ko) | 식수 인원 예측을 수행하는 서버 및 이의 동작 방법 | |
| CN108416628B (zh) | 一种融合食物多属性关系的餐厅菜品智能推荐系统 | |
| CN110838356B (zh) | 一种数据处理方法、装置以及存储介质 | |
| Kumar et al. | Cuisine prediction based on ingredients using tree boosting algorithms | |
| Li et al. | Picture-to-amount (pita): Predicting relative ingredient amounts from food images |
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 |