CN112951374B - 数据分析方法、系统、计算机设备及存储介质 - Google Patents

数据分析方法、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN112951374B
CN112951374B CN202110214352.7A CN202110214352A CN112951374B CN 112951374 B CN112951374 B CN 112951374B CN 202110214352 A CN202110214352 A CN 202110214352A CN 112951374 B CN112951374 B CN 112951374B
Authority
CN
China
Prior art keywords
recipe
user
information
specific
nutrient
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
Application number
CN202110214352.7A
Other languages
English (en)
Other versions
CN112951374A (zh
Inventor
施园圆
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.)
Ping An Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management Co Ltd
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 Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202110214352.7A priority Critical patent/CN112951374B/zh
Publication of CN112951374A publication Critical patent/CN112951374A/zh
Application granted granted Critical
Publication of CN112951374B publication Critical patent/CN112951374B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Nutrition Science (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及计算机技术领域，提出一种数据分析方法，该方法包括：预设原始食谱数据库，分词清洗得到第一食谱信息；对第一食谱信息进行预处理，得到预处理食谱；将所述预处理食谱的每一食谱与预设的食物营养成分表进行比较，食谱营养成分量化表；获取用户信息，得到用户特异性营养日常摄入量表，并与所述每一食谱营养成分量化表进行比对，得到用户特异性食谱。本发明还提出一种系统、计算机设备和存储介质。本发明将市面上的食谱进行量化处理，与根据用户信息的用户日常营养摄入量进行关联，得到最符合用户自身的个人差异化食谱推荐，提高了用户的健康水平。此外，本发明还涉及区块链技术领域，防止用户特异性食谱与用户信息被篡改。

Description

数据分析方法、系统、计算机设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种数据分析方法、系统、计算机设备及存储介质。
背景技术
随着社会经济的发展，人民生活质量得到显著提高，吃得饱已经不是问题，问题是怎么吃得好，伴随着商品经济的极大进步，换来的不是人们的预期寿命极大提高，而是肥胖率的显著提高以及肥胖人群的快速向年轻化发展，如何吃的好，如何吃的健康成了急需解决的社会问题。
现有的饮食推荐网站，饮食分享菜谱大多以网红热度以及美味度为重要支撑点，好吃好看成了唯一的考察标准，忽视了食物最优营养搭配，无法真正指导用户利用推荐食谱进行日常饮食的摄入指导，饮食推荐网站无法深入与用户产生黏性，该类菜谱推荐浮于表面，无法解决人们如何吃得健康的饮食问题。
因此急需一款能私人定制用户日常的营养摄入量，以及量化、可视化现有菜谱的营养成分，用于营养食谱智能化推荐的数据分析系统。
发明内容
本发明提供一种数据分析方法、系统、计算机设备及存储介质，其主要目的在于通过数据分析来量化食谱的营养成分，与用户特异性的日常营养摄入量表进行匹配，得到最科学，对用户身体最健康的食谱智能化推荐。
所述数据分析方法包括：
预设原始食谱数据库，将数据库中每一原始食谱进行分词清洗，得到第一食谱信息，所述原始食谱信息包括食谱原料信息和食谱烹饪步骤信息；
对所述第一食谱信息进行预处理，得到预处理食谱；
将所述预处理食谱的所述每一食谱的食谱原料信息与预设的食物营养成分表进行比较，得到每一预处理食谱营养成分表；
将每一预处理食谱的食谱烹饪步骤信息与预设的烹饪方法对食物营养成分改变表进行对比，获得所述食谱烹饪步骤信息对所述预处理食谱营养成分表的营养成分改变量，将所述预处理食谱营养成分表与所述营养成分改变量结合形成食谱营养成分量化表；
获取用户信息，将用户信息输入到预先构建的人体成长模型，所述人体成长模型输出用户对应年龄段的日常营养摄入信息，得到用户特异性营养日常摄入量表；
将所述用户特异性营养日常摄入量表与所述每一食谱营养成分量化表进行比对，得到用户特异性食谱；
将所述用户特异性食谱推荐给用户。
优选地，所述对所述第一食谱信息进行预处理，包括相似度对比，所述相似度对比包括：
根据每一所述食谱的食谱原料，构建食谱原料库；
获取所述食谱原料库中每一食谱原料的别称，将属于同一种食谱原料的所有食谱原料别称进行关联绑定；
将每两个所述原始食谱的食谱信息逐一进行对比，得到每两个所述原始食谱中食谱信息相同个数，所述每两个所述原始食谱的食谱信息的逐一对比包括所述食谱原料别称的逐一对比；
将食谱信息相同个数超过预定值的判定为相同食谱；
从所述原始食谱的相同食谱中挑选一个食谱为预处理食谱，将所述预处理食谱的相同食谱去除。
优选地，所述得到用户特异性食谱的方法还包括：
根据所述食谱中营养成分的不同权重，通过加权计算，构成食谱营养量化评分模型；
通过食谱营养量化评分模型，得到每一与所述用户特异性营养日常摄入量表匹配的所述食谱的评分；
将每一与所述用户特异性营养日常摄入量表匹配的食谱的评分进行排序，将食谱评分排名第一的食谱标记为用户特异性食谱。
优选地，所述食谱营养量化评分模型的数学表达式为：
Figure BDA0002952595810000021
其中，H为食谱评分，αi为预处理食谱中第i类营养成分的权重，Ai为食谱中第i类营养成分的种类，C为烹饪方法对该营养成分的改变量；
优选地，得到所述用户特异性食谱的方法，还包括：
获取所述与所述用户特异性营养日常摄入量表匹配的食谱的第二食谱信息，所述第二食谱信息包括食谱配图中色彩丰富度、用户对于食谱的喜爱度和食谱制作方法的步骤数；
按预设的所述第二食谱信息中不同信息的权重，给所述食谱评分进行加权计算，得到食谱特异性得分；
根据所述食谱特异性得分，将所述用户营养食谱进行排序，将排序第一的所述用户营养食谱标记为用户特异性食谱。
优选地，所述将所述用户特异性食谱推荐给用户的方法，包括：
根据所述用户特异性营养日常摄入量表，挑选当天用户关键营养成分名称和摄入量；
根据推荐信息排序方法，将所述当天用户关键营养成分名称和摄入量、所述用户特异性食谱的名称、礼貌性用语和网络接口组合成推荐信息；
通过短信或软件发送推送信息给用户。
优选地，还包括：将每一所述用户信息和关联的所述用户特异性食谱上传到区块链中，以使得所述区块链对所述用户信息和关联的所述用户特异性食谱的匹配关系进行加密存储。
为实现上述目的，本发明还提供一种数据分析系统，所述营养食谱推荐系统包括：
分词清洗模块，用于预设原始食谱数据库，将数据库中每一原始食谱进行分词清洗，得到第一食谱信息，所述原始食谱信息包括食谱原料信息和食谱烹饪步骤信息；预处理模块，用于对所述第一食谱信息进行预处理，得到预处理食谱；预处理食谱营养成分表构建模块，用于将所述预处理食谱的所述每一食谱的食谱原料信息与预设的食物营养成分表进行比较，得到每一预处理食谱营养成分表；食谱营养成分量化表构建模块，用于将每一预处理食谱的食谱烹饪步骤信息与预设的烹饪方法对食物营养成分改变表进行对比，获得所述食谱烹饪步骤信息对所述预处理食谱营养成分表的营养成分改变量，将所述预处理食谱营养成分表与所述营养成分改变量结合形成食谱营养成分量化表；用户特异性营养日常摄入量表生成模块，用于获取用户信息，将用户信息输入到预先构建的人体成长模型，所述人体成长模型输出用户对应年龄段的日常营养摄入信息，得到用户特异性营养日常摄入量表；用户特异性食谱构建模块，将将所述用户特异性营养日常摄入量表与所述每一食谱营养成分量化表进行比对，得到用户特异性食谱；推荐模块，用于将所述用户特异性食谱推荐给用户。
此外，为实现上述目的，本发明还提供一种计算机设备，包括：存储器和处理器，所述处理器中储存有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述数据分析方法的任意步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个所述处理器执行数据分析方法中的任意步骤。
本发明提出的一种数据分析方法、系统、计算机设备及存储介质，通过将市面上的食谱进行量化，与根据用户信息，得到的用户每日营养所需摄入量表进行配对，得到最适合用户健康的食谱，减少了用户检索食谱的时间，提高了用户的健康程度。
附图说明
图1为本发明数据分析方法较佳实施例的步骤示意图；
图2为本发明营养食谱推荐系统模块示意图；
图3为本发明设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种数据分析方法，应用于后台服务器，
请参考图1和图2，包括以下步骤：
S1、预设原始食谱数据库，将数据库中每一原始食谱进行分词清洗，得到第一食谱信息，所述第一食谱信息包括食谱原料信息和食谱烹饪步骤信息；
对网络上各种菜谱的第一食谱信息进行识别和提取，所述第一食谱信息包括菜谱的原料和烹饪方法；
示例性地，通过网络爬虫的方法从各大烹饪分享网站和做菜app上抓取各种菜谱信息，包括了菜谱的图片、菜谱的原料和菜谱的烹饪方法，将所有的菜谱信息分别存入菜谱信息库中，
S2、对所述第一食谱信息进行预处理，得到预处理食谱；
根据原始食谱得到预处理食谱的预处理操作，包括相似度对比，相似度对比包括：
根据每一食谱的食谱原料，构建食谱原料库；
获取食谱原料库中每一食谱原料的别称，将属于同一种食谱原料的所有食谱原料别称进行关联绑定；
将每两个原始食谱的原始食谱信息逐一进行对比，得到每两个原始食谱中原始食谱信息相同个数，每两个原始食谱的原始食谱信息的逐一对比包括食谱原料别称的逐一对比；
将原始食谱信息相同个数超过预定值的判定为相同食谱；
从原始食谱的相同食谱中挑选一个食谱为预处理食谱，将预处理食谱的相同食谱去除。
在实施例里，会出现一种情况，就是菜谱的名字不同，但是实质菜谱是一样的，这很大程度取决于社会并没有对菜品和某些原料进行规范化定义，例如山药与淮山是一样的东西，只是淮山更多的用在广东；还有一种情况是同一个菜的名字在不同地域的人具有不同的叫法，例如油菜，在不同地区的人可能是指上海青、油麦菜、小白菜等，这就为材料的收集造成了一定的障碍，在本申请的一个实施例里是这样解决的，就是通过收集大量的不同烹饪做菜网站具有相同做法、相同原料的菜谱，而对菜谱的相似度判断，在实施例里是用余弦相似度判断方法，通过对菜谱中原料以及做法的分词，获得对菜谱全文的简化，通过将分词设置不同的权重，特别的，以词频来表征该词汇在文本中的权重，实现对菜谱中出现的分词的频率的量化，
例如，Text1:萝卜/牛肉/香菜/
Text2:萝卜/牛杂/香菜/
Vector:萝卜/牛肉/香菜/牛腩/
Vector1＝(1,1,1,0)
Vector2＝(1,0,1,1)
上述“/”为采用IK分词，智能切分后的间隔符，则归并后的向量如Vector所示，对齐后的向量分别为Vector1和Vector2。之后则根据两向量的余弦值确定相似度。余弦值的范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越趋近于0°，他们的方向更加一致，相应的相似度也越高。当计算得到这一相似度达到90％的，则认为这些相同菜谱为同一个类并做标记，在得到相同菜谱后会引入其他的参量来给菜谱进行排序，参量包括了引入流量曝光度和人工标记，其中流量曝光度即通过搜索引擎搜索相关菜谱时，更容易被搜索到的菜谱即为高流量曝光，即越是高流量曝光的菜谱越是排名在前，而人工标记则是通过人为的标记一个最优菜谱，单独的人工标记会导致工作量十分庞大，在有些实施例里，包括了通过人工标记去训练人工智能，当人工智能学习到了工作人员的习惯和评判标准后，来辅助工作人员进行工作，通过从相同菜谱筛选标准菜谱的方法，以标准菜谱做原料和烹饪方法统计，为下述对菜谱营养成分的分析做准备。
S3、将所述预处理食谱的所述每一食谱的食谱原料信息与预设的食物营养成分表进行对比，得到每一预处理食谱营养成分表；
对食谱营养成分进行量化处理，包括对原料的营养成分种类、营养成分的含量进行标注以及食谱中烹饪方法对原料营养成分的改变量；
在上一步，已经获得了针对某一系列菜品的标准菜谱，而且这些标准菜谱都有原料和烹饪方法，而现有的营养学已经探明每一种食物原料的营养成分以及每100g原料拥有营养成分的含量，具体的可通过查阅中国营养学会或者国际营养师协会所发布的《各类食物营养成分简表》，而在本申请中，通过将《各类食物营养成分简表》等营养成分表录入营养成分信息库，通过对菜谱原料与营养成分信息库中原料的对比，就可以一一查出菜谱中含有的所有营养成分种类、营养成分的含量；
而其中菜谱原料与营养成分信息库的对比运用的是自然语言识别技术，通过识别菜谱原料分词与营养成分信息库中的每一个分词进行对比匹配，一旦实现匹配成功，则将营养成分信息库中的营养成分表调取出来，这就是该单一菜谱原料所含有的所有营养素及营养素含量；
示例性地，量化处理包括根据《各类食物营养成分简表》以及其他组织发布的营养成分表，进行处理；
例如，通过查询蔬菜原料中枸杞菜[枸杞，地骨]的营养成分表如下，
Figure BDA0002952595810000071
就可以对枸杞菜营养成分进行量化处理，
在一个菜谱中，具有多种原料，通过对每一原料的自动查表将营养成分和含量进行叠加，示例性的，如果菜谱中不仅有枸杞菜，还有大蒜等佐料以及一些调味品，则将上面已经将枸杞菜的营养成分含量量化、大蒜的营养成分含量量化和调味品的营养成分含量进行叠加，得到整个菜谱的营养成分含量量化，实现对该菜谱热量、脂肪、蛋白质、微量元素等营养素的整体量化统计。
S4、将每一预处理食谱的食谱烹饪步骤信息与预设的烹饪方法对食物营养成分改变表进行对比，获得所述食谱烹饪步骤信息对所述预处理食谱营养成分表的营养成分改变量，将所述预处理食谱营养成分表与所述营养成分改变量结合形成食谱营养成分量化表；
而不同烹饪方法，对于食物的营养会有不同程度的改变，或是随同水分流失、或是过高温度导致的分解和一些其他物质的转化，例如高温炸比低温蒸熟，营养流失会更多，同时会生成有害的反式脂肪，都对食谱营养成分做出了改变；这烹饪方法的不同会导致菜谱整体营养成分和含量的量化统计出现一定量的变化，导致菜谱量化模型的不准确，在一个实施例里是通过查询中国营养学会中关于《中国日常烹饪对于营养素的改变表》，通过与上述菜谱原料的量化查询方法一样，对营养成分的改变量进行自动查表，得到每一烹饪方法对菜谱中营养素的成分和含量改变量。
S5、获取用户信息，将用户信息输入到预先构建的人体成长模型，所述人体成长模型输出用户对应年龄段的日常营养摄入信息，得到用户特异性营养日常摄入量表；
构建参考人体成长模型，并对比得知人体成长状况，通过终端软件收集到的用户的第一特征信息，与用户该年龄段所需营养图谱比对，得到该年龄下用户每日所需营养成分以及所需营养成分的含量；
示例性地，用户在下载了该终端软件后，通过注册与用户情况登记，收集到用户性别、国籍、出生日期、体重等第一特征信息，在本申请中对用户从婴儿到成人分成每个阶段，在每个阶段中，以年龄为基准，在这里年龄是通过出生日期算出来按天数的实时的年龄，每个时期人体的体重和身长都有参考标准，所述每个时期的人体参考标准是通过中国营养协会或者地域性的营养协会发布的标准，通过更新用户的体重和身长与参考标准值的差值，评定用户的营养状态，分为营养缺乏、营养正常和营养过剩，影响在日后食谱的选取和营养含量的供给量；
在终端软件内的输入模块是需要阶段性的引导用户更新第一特征信息，通过大量数据的训练，会按地域性的修正人体在不同年龄段的参考体重和参考身长，从而提高模型的准确率。
所述地域性的人体成长模型主要以国籍为主，不同的国家的饮食文化与经济发展水平不同，人种也不同，身高与体重在人的不同年龄有不同的表现，显然不能一概而论，在一个实施例里，通过该国营养协会或者卫生部发布的身高体重标准体重为依据，在用户提供自己国籍的第一特征种，则对该人体成长模型做出了选择，而在其他实施例中，本系统会适用人的全年龄段，为全年龄段的用户设参考体重和参考身长并且在实际运行中对地域化的改良模型。
而人体所需营养图谱是根据人体年龄不同，需要摄入营养不同所划分的，根据中国营养学会制定的《中国居民膳食能量推荐摄入量》表、《中国居民平衡膳食宝塔》、《中国居民膳食指南》和《中国居民膳食营养素参考摄入量》。
而根据《中国居民膳食营养素参考摄入量》即DRIs，是在RDAs基础上发展起来的一组每日平均膳食营养素摄入量的参考值，包括4项内容：平均需要量(EAR)、推荐摄入量(RNI)、适宜摄入量(AI)和可耐受最高摄入量(UL)。
其中平均需要量(EAR,Estimated Average Requirement)，EAR是根据个体需要量的研究资料制订的；是根据某些指标判断可以满足某一特定性别，年龄及生理状况群体中50％个体需要量的摄入水平.这一摄入水平不能满足群体中另外50％个体对该营养素的需要。EAR是制定RDA的基础。
其中推荐摄入量(RNI,Recommended Nutrient Intake)，RNI相当于传统使用的RDA,是可以满足某一特定性别，年龄及生理状况群体中绝大多数(97％～98％)个体需要量的摄入水平。长期摄入RNI水平，可以满足身体对该营养素的需要，保持健康和维持组织中有适当的储备。RNI的主要用途是作为个体每日摄入该营养素的目标值。RNI是以EAR为基础制订的。如果已知EAR的标准差，则RNI定为EAR加两个标准差，即RNI＝EAR+2SD。如果关于需要量变异的资料不够充分,不能计算SD时，一般设EAR的变异系数为10％，这样RNI＝1.2×EAR。
S6、将所述用户特异性营养日常摄入量表与所述每一食谱营养成分量化表进行比对，得到用户特异性食谱；
与食谱营养成分量化表匹配，通过逐一对比的方式将人体每日所需元素的适宜摄入量与食谱中食物营养量化模型得到的数值范围进行比较，得到在适宜范围内的食谱。
示例性地，某一年龄的用户会匹配到很多食谱都在适宜范围内，这些食谱都能提供给该用户日常所需的营养，大量的同营养素食谱需要进一步加入参考信息得到一个更优的排序。
根据食谱营养成分量化表中营养成分占不同权重，通过加权计算，构成食谱营养量化评分模型；
通过食谱营养量化评分模型，得到每一与用户特异性营养日常摄入量表匹配的所述食谱的评分；
将每一与用户特异性营养日常摄入量表匹配的食谱的评分进行排序，将食谱评分排名第一的食谱标记为用户特异性食谱；
该食物营养量化模型的数学表达公式为：
Figure BDA0002952595810000091
其中，H为食谱评分，αi为食谱中第i类营养成分的权重，Ai为食谱中第i类营养成分的种类，C为烹饪方法对该营养成分的改变量。
通过食谱的食物营养量化模型，可以对任意食谱的营养成分和含量进行精准的量化处理，同时会得到营养成分一致的多个食谱，在后续通过用户的日常需要摄入营养成分和含量为用户挑选最合适食谱的时候会出现排序选哪个的问题，怎么给这些菜谱进行最优排序，在一个实施例里通过引入更多的参量对食物营养量化模型进行修正，以达到能给相同营养成分和菜谱进行排序，而在该实施例里，引入的参量包括食谱的色彩丰富度、用户对食谱的点赞量和食谱的制作简易程度，所述参量通过线上或线下的用户问卷调查抽样得到，这些参量对食谱的营养成分和含量没有改变，但是这些维度更多的是属于考虑用户的喜爱度，通过用户喜爱度的排序达到用户更加舒服的使用感觉；
示例性的，对于食谱的色彩丰富度，以色彩的种类越多得分越高；同样，对于用户的喜爱度，在用户对食谱的点赞数越多，得分越高；食谱的制作方法越简单，得分越过，而权重则是：用户的喜爱度>色彩丰富度>制作方法的步骤数。通过这种方法给相同营养成分的菜谱排序最照顾用户的喜爱度，给用户提高排名的参与度，增加黏性。
所述人体每日所需营养图谱与菜谱的匹配方法，步骤为：
人体每日所需营养图谱与菜谱匹配，通过引入第二食谱信息，选出每个年龄段人体最适菜谱以及合适菜谱排序；所述第二食谱信息包括食谱的色彩丰富度、用户的喜爱程度以及制作方法的步骤数。通过加权相加得分获得菜谱排序。
示例性地，俗话说“色香味俱全”菜品的色一直处于优先考虑的地位，特别给小孩子做食谱为重点，成人会理性的选择好吃的以及营养好的，但是小孩子更像是视觉动物，越是色彩斑斓的、颜色对比冲击大的食物，小朋友越是喜欢进食，这不仅降低了小孩摄入营养的难度，家长也会更赏心悦目，同理成本越是低，也可以降低家长的经济负担，制作步骤越是繁杂，越是容易在制作过程中出现差错，会导致风味和营养的不稳定，可重复性不高，用户可以通过喜爱程度，即对某一食谱的点赞数、打分和评论来提高食谱的排序，这些因素都不仅帮助了家长制作美食，也提高了家长的参与度，提高用户黏性。
S7、将所述用户特异性食谱推荐给用户；
根据所述用户特异性营养日常摄入量表，挑选当天用户关键营养成分名称和摄入量；
根据推荐信息排序方法，将所述当天用户关键营养成分名称和摄入量、所述用户特异性食谱的名称、礼貌性用语和网络接口组合成推荐信息；
通过短信或软件发送推送信息给用户。
示例性地，在一个实施例里，通过短信给用户发送这么一则推送信息：“尊敬的用户，根据你最近的身体信息调研，您的营养摄入过量，在日常摄入中再摄入过多的糖类，会有高血糖和肥胖风险，我们给您推荐一道日常减糖菜，菜谱名为“罗汉果瘦肉汤”关于这道菜的详细信息请点击www.xxxx.com”。
在一个实施例里，该数据分析方法具有与之配套的一个厨房助手系统，该厨房助手系统包括终端软件和服务器端部分。
终端软件，搭载在运行安卓或者IOS系统的手机、平板电脑等智能设备上，所述终端软件包括输入模块和显示模块，通过所述输入模块获取用户的第一特征信息，所述第一特征信息包括用户的性别、用户的出生日、用户身高和用户的体重，所述显示模块包括显示用户信息和推荐菜谱信息；
服务器端部分，与所述终端软件网络连接，包括人体每日所需营养图谱和食物营养量化模型，所述人体每日所需营养图谱包括每个年龄段人体所需营养的成分和分量，
其中，人体每日所需营养图谱包括主要结合中国营养协会、国内各种医疗机构发布的以及参考各国医疗机构发布的人体营养图谱与区域特点关联的关于不同性别，不同年龄段的营养图谱。
终端软件上还设有搜索模块，所述终端软件收集用户搜索记录，在用户多次搜索相同或者原料相似的食谱时，所述显示模块出现推荐相关食谱。
示例性地，某用户对番茄炒蛋很感兴趣，在多次搜索番茄炒蛋的菜谱后，终端软件的主页会有一部分用作推荐食谱，在推荐食谱上会显示用户好评度较高的番茄炒蛋菜谱，省去了用户反复进行搜索的操作，
所述显示模块包括菜谱的文字说明和视频演示，点击一下菜谱视频为菜谱视频播放、暂停功能，连续点击两下视频为菜谱视频收藏功能。
所述终端软件上还包括商品接入模块，所述商品接入模块包括接入其他购物网站的指定商品和接入自家位于服务器端的商品。
示例性地，用户在看了食谱后会有进行烹饪的热情，但是现实情况往往是身边没有足够材料，这就导致了用户烹饪的热情散失，用户在往后的购物中往往会忘记需要买的食材，也会让用户无法烹饪，有时在菜市场也无法只买烹饪一次的菜量，例如葱姜等更多情况下的是需要买超量，很容易造成资源的浪费，而网上购物和快递送达不仅一次过解决以上问题，可以一次过打包做一个食谱所用食材一次的量，某些快递公司还能几个小时内送达，因为经过平台的认证，具有产品的溯源性，更加保证了食物的安全性。
所述终端软件上还包括课堂模块，所述课堂模块包括直播网课和录播网课，所述课堂模块包括各个年龄段的养生小课堂、慢性病食疗、母婴知识、儿童健康知识。
示例性地，该课堂模块上可以驻扎儿科医生、营养师和养生达人等，通过开设课堂不仅能给各位用户学习的机会，一旦用户在饮食、养生，日常饮食搭配上有任何不懂的地方都第一时间想到该软件，提高用户对软件的黏度。在一个可选的实施方式中，还可以：将每一所述用户信息和关联的所述用户特异性食谱上传到区块链中，以使得所述区块链对所述用户信息和关联的所述用户特异性食谱的匹配关系进行加密存储。
具体地，数据分析方法的结果得到对应的摘要信息，具体来说，摘要信息由当前用户的用户特异性食谱的匹配关系信息进行散列处理得到，比如利用sha256s算法处理得到。将摘要信息上传至区块链可保证其安全性和对用户的公正透明性。用户可以从区块链中下载得该摘要信息，以便查证所述用户信息以及关联的所述用户特异性食谱的匹配关系是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请中还提供一种数据分析系统，该数据分析系统与上述实施中数据分析方法一一对应。
请参考图2，该数据分析系统包括分词清洗模块91、预处理模块92、预处理食谱营养成分表构建模块93、食谱营养成分量化表构建模块94、用户特异性营养日常摄入量表生成模块95、用户特异性食谱构建模块96和推荐模块97。各功能模块详细说明如下：
分词清洗模块91，用于预设原始食谱数据库，将数据库中每一原始食谱进行分词清洗，得到第一食谱信息，所述原始食谱信息包括食谱原料信息和食谱烹饪步骤信息；
预处理模块92，用于对所述第一食谱信息进行预处理，得到预处理食谱；
预处理食谱营养成分表构建模块93，用于将所述预处理食谱的所述每一食谱的食谱原料信息与预设的食物营养成分表进行比较，得到每一预处理食谱营养成分表；
食谱营养成分量化表构建模块94，用于将每一预处理食谱的食谱烹饪步骤信息与预设的烹饪方法对食物营养成分改变表进行对比，获得所述食谱烹饪步骤信息对所述预处理食谱营养成分表的营养成分改变量，将所述预处理食谱营养成分表与所述营养成分改变量结合形成食谱营养成分量化表；
用户特异性营养日常摄入量表生成模块95，用于获取用户信息，将用户信息输入到预先构建的人体成长模型，所述人体成长模型输出用户对应年龄段的日常营养摄入信息，得到用户特异性营养日常摄入量表；
用户特异性食谱构建模块96，用于将所述用户特异性营养日常摄入量表与所述每一食谱营养成分量化表进行比对，得到用户特异性食谱；
推荐模块97，用于将所述用户特异性食谱推荐给用户。
具体地，预处理模块92包括食谱原料库构建单元、食谱原料别称关联单元、食谱原料比对单元、相同食谱判定单元和预处理食谱挑选单元。
食谱原料库构建单元，用于根据每一所述食谱的食谱原料，构建食谱原料库；
食谱原料别称关联单元，用于获取所述食谱原料库中每一食谱原料的别称，将属于同一种食谱原料的所有食谱原料别称进行关联绑定；
食谱原料比对单元，用于将每两个所述原始食谱的食谱信息逐一进行对比，得到每两个所述原始食谱中食谱信息相同个数，所述每两个所述原始食谱的食谱信息的逐一对比包括所述食谱原料别称的逐一对比；
相同食谱判定单元，用于将食谱信息相同个数超过预定值的判定为相同食谱；
预处理食谱挑选单元，用于从所述原始食谱的相同食谱中挑选一个食谱为预处理食谱，将所述预处理食谱的相同食谱去除。
具体地，用户特异性食谱构建模块96包括：食谱营养量化评分模型单元、食谱评分单元和用户特异性食谱标记单元。
食谱营养量化评分模型单元，用于根据所述食谱中营养成分占不同权重，通过加权计算，构成食谱营养量化评分模型；
食谱评分单元，用于通过食谱营养量化评分模型，得到每一与所述用户特异性营养日常摄入量表匹配的所述食谱的评分；
用户特异性食谱标记单元，用于将每一与所述用户特异性营养日常摄入量表匹配的食谱的评分进行排序，将食谱评分排名第一的食谱标记为用户特异性食谱。
其中，用户特异性食谱构建模块96还包括：第二食谱信息获取单元、食谱特异性评分单元、用户特异性食谱挑选单元。
第二食谱信息获取单元，用于获取所述与所述用户特异性营养日常摄入量表匹配的食谱的第二食谱信息，所述第二食谱信息包括食谱配图中色彩丰富度、用户对于食谱的喜爱度和食谱制作方法的步骤数；
食谱特异性评分单元，用于按预设的所述第二食谱信息中不同信息的权重，给所述食谱评分进行加权计算，得到食谱特异性评分；
用户特异性食谱挑选单元，用于根据所述食谱特异性评分，将所述用户营养食谱进行排序，将排序第一的所述用户营养食谱标记为用户特异性食谱。
具体地，推荐模块97包括当天用户关键营养成分挑选单元、推荐信息排序单元和推送单元。
当天用户关键营养成分挑选单元，用于根据所述用户特异性营养日常摄入量表，挑选当天用户关键营养成分名称和摄入量；
推荐信息排序单元，用于根据推荐信息排序方法，将所述当天用户关键营养成分名称和摄入量、所述用户特异性食谱的名称、礼貌性用语和网络接口组合成推荐信息；
推荐信息排序单元，用于通过短信或软件发送推送信息给用户；
推送单元，用于通过短信或软件发送推送信息给用户。
关于数据分析系统的具体限定可以参见上文中对于数据分析方法的限定，在此不再赘述。上述数据分析系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参考图3，本申请还提供一种计算机设备，包括：
存储器和处理器，处理器中储存有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述数据分析方法的任意步骤。
本申请还提供一种计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行数据分析方法中的任意步骤，可以理解的是，本实施例中的可读存储介质可以是易失性可读存储介质，也可以是非易失性可读存储介质。
在本案中，对食谱中食材的营养成分和含量进行量化处理，得到各个菜谱的营养成分与含量表，通过用户特征信息构建参考人体生长模型让用户了解现阶段年龄的成长状况，直观的提高用户对于自己身体状况的重视度，再通过引入菜谱的评价来实现菜谱排序从而推荐营养最适合的菜谱给到用户，不仅提高了用户的体验感，用户也能参与到为某个最优菜谱的应援中，一方面解放了用户在厨房中对于自己和家人食品够不够营养的担忧，也在侧面提高了整个社会人的整体健康状态。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、系统、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、系统、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、系统、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种数据分析方法，其特征在于，包括：
预设原始食谱数据库，将数据库中每一原始食谱进行分词清洗，得到第一食谱信息，所述第一食谱信息包括食谱原料信息和食谱烹饪步骤信息；
对所述第一食谱信息进行预处理，得到预处理食谱；
将所述预处理食谱的每一食谱的食谱原料信息与预设的食物营养成分表进行对比，得到每一预处理食谱营养成分表；
将每一预处理食谱的食谱烹饪步骤信息与预设的烹饪方法对食物营养成分改变表进行对比，获得所述食谱烹饪步骤信息对所述预处理食谱营养成分表的营养成分改变量，将所述预处理食谱营养成分表与所述营养成分改变量结合形成食谱营养成分量化表；
获取用户信息，将用户信息输入到预先构建的人体成长模型，所述人体成长模型输出用户对应年龄段的日常营养摄入信息，得到用户特异性营养日常摄入量表；
将所述用户特异性营养日常摄入量表与每一食谱营养成分量化表进行比对，得到用户特异性食谱；
将所述用户特异性食谱推荐给用户；
其中，所述对所述第一食谱信息进行预处理，包括相似度对比，所述相似度对比包括：
根据每一所述原始食谱的食谱原料，构建食谱原料库；
获取所述食谱原料库中每一食谱原料的别称，将属于同一种食谱原料的所有食谱原料别称进行关联绑定；
将每两个所述原始食谱的食谱信息逐一进行对比，得到每两个所述原始食谱中食谱信息相同个数，所述每两个所述原始食谱的食谱信息的逐一对比包括所述食谱原料别称的逐一对比；
将食谱信息相同个数超过预定值的判定为相同食谱；
从所述原始食谱的相同食谱中挑选一个食谱为预处理食谱，将所述预处理食谱的相同食谱去除；
所述得到用户特异性食谱的方法还包括：
根据所述食谱营养成分量化表中营养成分的不同权重，通过加权计算，构成食谱营养量化评分模型；
通过所述食谱营养量化评分模型，得到每一与所述用户特异性营养日常摄入量表匹配的所述食谱的评分；
将每一与所述用户特异性营养日常摄入量表匹配的食谱的评分进行排序，将食谱评分排名第一的食谱标记为用户特异性食谱。
2.根据权利要求1所述的数据分析方法，其特征在于，所述食谱营养量化评分模型的数学表达式为：
Figure DEST_PATH_IMAGE001
其中，H为食谱评分，
Figure 826092DEST_PATH_IMAGE002
为预处理食谱中第i类营养成分的权重，/>
Figure DEST_PATH_IMAGE003
为食谱中第i类营养成分的种类，C为烹饪方法对该营养成分的改变量。/>
3.根据权利要求2所述的数据分析方法，其特征在于，所述得到用户特异性食谱的方法还包括：
获取所述与所述用户特异性营养日常摄入量表匹配的食谱的第二食谱信息，所述第二食谱信息包括食谱配图中色彩丰富度、用户对于食谱的喜爱度和食谱制作方法的步骤数；
按预设的所述第二食谱信息中不同信息的权重，给所述食谱评分进行加权计算，得到食谱特异性评分；
根据所述食谱特异性评分，将与所述用户特异性营养日常摄入量表匹配的所述食谱进行排序，将排序第一的食谱标记为用户特异性食谱。
4.根据权利要求1所述的数据分析方法，其特征在于，所述将所述用户特异性食谱推荐给用户的方法，包括：
根据所述用户特异性营养日常摄入量表，挑选当天用户关键营养成分名称和摄入量；
根据推荐信息排序方法，将所述当天用户关键营养成分名称和摄入量、所述用户特异性食谱的名称、礼貌性用语和网络接口组合成推荐信息；
通过短信或软件发送推送信息给用户。
5.根据权利要求1所述的一种数据分析方法，其特征在于，还包括：
将每一所述用户信息和关联的所述用户特异性食谱上传到区块链中，以使得所述区块链对所述用户信息和关联的所述用户特异性食谱的匹配关系进行加密存储。
6.一种数据分析系统，其特征在于，应用于服务器，包括：
分词清洗模块，用于预设原始食谱数据库，将数据库中每一原始食谱进行分词清洗，得到第一食谱信息，所述原始食谱信息包括食谱原料信息和食谱烹饪步骤信息；
预处理模块，用于对所述第一食谱信息进行预处理，得到预处理食谱；
预处理食谱营养成分表构建模块，用于将所述预处理食谱的每一食谱的食谱原料信息与预设的食物营养成分表进行比较，得到每一预处理食谱营养成分表；
食谱营养成分量化表构建模块，用于将每一预处理食谱的食谱烹饪步骤信息与预设的烹饪方法对食物营养成分改变表进行对比，获得所述食谱烹饪步骤信息对所述预处理食谱营养成分表的营养成分改变量，将所述预处理食谱营养成分表与所述营养成分改变量结合形成食谱营养成分量化表；
用户特异性营养日常摄入量表生成模块，用于获取用户信息，将用户信息输入到预先构建的人体成长模型，所述人体成长模型输出用户对应年龄段的日常营养摄入信息，得到用户特异性营养日常摄入量表；
用户特异性食谱构建模块，将所述用户特异性营养日常摄入量表与每一食谱营养成分量化表进行比对，得到用户特异性食谱；
推荐模块，用于将所述用户特异性食谱推荐给用户；
其中，所述预处理模块包括食谱原料库构建单元、食谱原料别称关联单元、食谱原料比对单元、相同食谱判定单元和预处理食谱挑选单元；
所述食谱原料库构建单元用于根据每一所述原始食谱的食谱原料，构建食谱原料库；
所述食谱原料别称关联单元用于获取所述食谱原料库中每一食谱原料的别称，将属于同一种食谱原料的所有食谱原料别称进行关联绑定；
所述食谱原料比对单元用于将每两个所述原始食谱的食谱信息逐一进行对比，得到每两个所述原始食谱中食谱信息相同个数，所述每两个所述原始食谱的食谱信息的逐一对比包括所述食谱原料别称的逐一对比；
所述相同食谱判定单元用于将食谱信息相同个数超过预定值的判定为相同食谱；
所述预处理食谱挑选单元用于从所述原始食谱的相同食谱中挑选一个食谱为预处理食谱，将所述预处理食谱的相同食谱去除；
所述用户特异性食谱构建模块包括：食谱营养量化评分模型单元、食谱评分单元和用户特异性食谱标记单元；
所述食谱营养量化评分模型单元，用于根据所述食谱中营养成分占不同权重，通过加权计算，构成食谱营养量化评分模型；
所述食谱评分单元用于通过食谱营养量化评分模型，得到每一与所述用户特异性营养日常摄入量表匹配的所述食谱的评分；
所述用户特异性食谱标记单元用于将每一与所述用户特异性营养日常摄入量表匹配的食谱的评分进行排序，将食谱评分排名第一的食谱标记为用户特异性食谱。
7.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述数据分析方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述可读存储介质中包括营养食谱推荐程序，所述营养食谱推荐程序被处理器执行时，实现如权利要求1至5中任一项所述数据分析方法的步骤。
CN202110214352.7A 2021-02-25 2021-02-25 数据分析方法、系统、计算机设备及存储介质 Active CN112951374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110214352.7A CN112951374B (zh) 2021-02-25 2021-02-25 数据分析方法、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110214352.7A CN112951374B (zh) 2021-02-25 2021-02-25 数据分析方法、系统、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112951374A CN112951374A (zh) 2021-06-11
CN112951374B true CN112951374B (zh) 2023-03-28

Family

ID=76246291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110214352.7A Active CN112951374B (zh) 2021-02-25 2021-02-25 数据分析方法、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112951374B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114023419A (zh) * 2021-10-29 2022-02-08 杨德安 食谱推荐方法、装置及非易失性存储介质
CN115859128B (zh) * 2023-02-23 2023-05-09 成都瑞安信信息安全技术有限公司 一种基于档案数据交互相似度的分析方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018099838A1 (en) * 2016-12-02 2018-06-07 Nestec S.A. System and methods for calculating, displaying, modifying, and using improved personalized nutritional health score to assess and plan optimal diets
FR3064775A1 (fr) * 2017-04-04 2018-10-05 Seb S.A. Procede de controle d'une interface utilisateur d'un systeme culinaire
CN109545327A (zh) * 2018-10-09 2019-03-29 珠海亿联德源信息技术有限公司 一种膳食管理方法及装置
CN111695016A (zh) * 2020-06-05 2020-09-22 苏州瑞云信息技术有限公司 一种新的医药行业智能流向数据匹配的技术方案

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108899073A (zh) * 2018-06-29 2018-11-27 重庆邮电大学 一种结合移动终端的智能健康饮食推荐系统
CN110265113A (zh) * 2019-05-06 2019-09-20 何泽仪 营养素调整及数据库建立方法及慢性疾病营养素摄取应用
CN110504019A (zh) * 2019-08-30 2019-11-26 北京妙医佳健康科技集团有限公司 用户个性化饮食推荐方法、装置、电子设备及存储介质
CN110826595A (zh) * 2019-09-29 2020-02-21 广东美的白色家电技术创新中心有限公司 菜谱比较方法、装置及计算机存储介质
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
CN111640485A (zh) * 2020-05-26 2020-09-08 合肥美的电冰箱有限公司 饮食信息推荐方法及装置、电子设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018099838A1 (en) * 2016-12-02 2018-06-07 Nestec S.A. System and methods for calculating, displaying, modifying, and using improved personalized nutritional health score to assess and plan optimal diets
FR3064775A1 (fr) * 2017-04-04 2018-10-05 Seb S.A. Procede de controle d'une interface utilisateur d'un systeme culinaire
CN109545327A (zh) * 2018-10-09 2019-03-29 珠海亿联德源信息技术有限公司 一种膳食管理方法及装置
CN111695016A (zh) * 2020-06-05 2020-09-22 苏州瑞云信息技术有限公司 一种新的医药行业智能流向数据匹配的技术方案

Also Published As

Publication number Publication date
CN112951374A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
Krebs-Smith et al. Update of the healthy eating index: HEI-2015
Chen et al. Eating healthier: Exploring nutrition information for healthier recipe recommendation
JP6412429B2 (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
Cox et al. The health and lifestyle survey. Preliminary report of a nationwide survey of the physical and mental health, attitudes and lifestyle of a random sample of 9,003 British adults.
KR20010106218A (ko) 정보추천장치 및 정보추천 시스템
CN112951374B (zh) 数据分析方法、系统、计算机设备及存储介质
CN110223757A (zh) 食谱方案的推荐方法、装置、介质、电子设备
Holzmann et al. Nutrition apps: Quality and limitations
Kim et al. South Korean anthropometric data and survey methodology:‘Size Korea’project
CN110119479A (zh) 一种餐馆推荐方法、装置、设备及可读存储介质
CN115280422A (zh) 食物推荐方法、装置、存储介质及电子设备
KR20210052122A (ko) 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법
Howell et al. Analyzing taste preferences from crowdsourced food entries
Stefanidis et al. PROTEIN AI advisor: a knowledge-based recommendation framework using expert-validated meals for healthy diets
Ueta et al. Implementation of a goal-oriented recipe recommendation system providing nutrition information
CN115221420A (zh) 一种基于用户画像的饮食推荐方法及系统
KR20210052123A (ko) 사용자 맞춤형 식품 정보 서비스를 제공하는 방법 및 그를 이용한 서버
Song et al. A hybrid recommendation approach for viral food based on online reviews
Cui et al. Construction of recipe knowledge graph based on user knowledge demands
Sedrakyan et al. Design Implications Towards Human-Centric Semantic Recommenders for Sustainable Food Consumption
JP5200277B1 (ja) 食材栄養価計算サーバ、食材栄養価計算システム、及び食材栄養価計算プログラム
Wortmann et al. Psychometric evaluation of the German version of the Variety Seeking Tendency Scale (VARSEEK)
Kadowaki et al. Situation-based food recommendation for yielding good results
Hong et al. NutriSonic web expert system for meal management and nutrition counseling with nutrient time-series analysis, e-food exchange and easy data transition
Sanjo et al. Towards recommending diverse seasonal cooking recipes: A preliminary study based on monthly view data

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