CN113158036A - 一种自动化食谱推荐方法、装置、终端及存储介质 - Google Patents
一种自动化食谱推荐方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113158036A CN113158036A CN202110337824.8A CN202110337824A CN113158036A CN 113158036 A CN113158036 A CN 113158036A CN 202110337824 A CN202110337824 A CN 202110337824A CN 113158036 A CN113158036 A CN 113158036A
- Authority
- CN
- China
- Prior art keywords
- food preference
- network model
- food
- user
- preference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims description 9
- 235000020803 food preference Nutrition 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 235000013305 food Nutrition 0.000 abstract description 6
- 235000005911 diet Nutrition 0.000 description 6
- 235000019640 taste Nutrition 0.000 description 6
- 230000037213 diet Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000019654 spicy taste Nutrition 0.000 description 1
- 235000013547 stew Nutrition 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种自动化食谱推荐方法，包括以下步骤：基于全卷积目标检测算法构建并训练食物偏好网络模型；获取预设时间段内的用户的线上行为数据并输入到训练完成的食物偏好网络模型中，获得用户的食物偏好；根据食物偏好通过预设的菜谱库匹配得到符合条件的食谱。本发明提供的自动化食谱推荐方法，通过将用户的网络线上行为数据输入到构建并训练完成的食物偏好网络模型中，从而获得该用户的食物偏好，进而在根据该偏好从菜谱库中进行检索匹配，得到符合用户偏好的食谱，从而实现了自动化的食谱推荐，且无需对用户进行询问以及问卷调查等，提升了服务质量。
Description
【技术领域】
本发明涉及大数据分析技术领域，尤其涉及一种自动化食谱推荐方法、装置、终端及计算机可读存储介质。
【背景技术】
随着社会的不断发展，我国的温饱问题已经得到了基本的解决，因此，人们的饮食选择也越来越多样化。然而，在一些针对单个或者少数用户的饮食场景中，对于用户的食物偏好信息的获取，现有的技术不能通过较为隐藏式的手段来进行，从而不能提升单个或少数用户的食物偏好需求，进而提升服务质量。另外，对于食堂等多人使用的饮食场景中，如何尽可能的符合最多人的口味需求也是一个难以解决的服务难题。
鉴于此，实有必要提供一种自动化食谱推荐方法、装置、终端及存储介质以克服上述缺陷。
【发明内容】
本发明的目的是提供一种自动化食谱推荐方法、装置、终端及存储介质，旨在改善难以通过较为隐藏的手段获取用户的食物偏好的问题，从而提升服务质量。
为了实现上述目的，本发明第一方面提供一种自动化食谱推荐方法，包括以下步骤：
基于全卷积目标检测算法构建并训练食物偏好网络模型；
获取预设时间段内的用户的线上行为数据并输入到训练完成的所述食物偏好网络模型中，获得所述用户的食物偏好；
根据所述食物偏好通过预设的菜谱库匹配得到符合条件的食谱。
在一个优选实施方式中，所述基于全卷积目标检测算法构建并训练食物偏好网络模型步骤中包括以下步骤：
获取多个用户在界定网络空间中的线上行为数据，并标记每个用户的食物偏好，建立训练集；
基于全卷积目标检测算法构建食物偏好网络模型；
对所述食物偏好网络模型的网络参数进行初始化，生成初始权重与初始偏置；
将所述训练集的所有线上行为数据输入到初始化后的食物偏好网络模型，并根据预设的损失函数计算损失值；
降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述食物偏好网络模型的权重与偏置进行更新，直至达到预设的迭代停止条件，生成训练完成的食物偏好网络模型。
在一个优选实施方式中，在所述获取预设时间段内的用户的线上行为数据并输入到训练完成的所述食物偏好网络模型中，获得所述用户的食物偏好步骤之后还包括步骤：
获取多个不同用户的食物偏好信息；
对所述食物偏好信息进行分类，且对每类食物偏好的数量与占比进行统计与排序，获得数量排名靠前的预设类别数量的食物偏好种类信息。
本发明第二方面提供了一种自动化食谱推荐装置，包括：
网络模型训练模块，用于基于全卷积目标检测算法构建并训练食物偏好网络模型；
食物偏好生成模块，用于获取预设时间段内的用户的线上行为数据并输入到训练完成的所述食物偏好网络模型中，获得所述用户的食物偏好；
食谱匹配生成模块，用于根据所述食物偏好通过预设的菜谱库匹配得到符合条件的食谱。
在一个优选实施方式中，所述网络模型训练模块包括：
训练集建立单元，用于获取多个用户在界定网络空间中的线上行为数据，并标记每个用户的食物偏好，建立训练集；
模型构建单元，用于基于全卷积目标检测算法构建食物偏好网络模型；
初始化单元，用于对所述食物偏好网络模型的网络参数进行初始化，生成初始权重与初始偏置；
数据输入单元，用于将所述训练集的所有线上行为数据输入到初始化后的食物偏好网络模型，并根据预设的损失函数计算损失值；
模型训练单元，用于降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述食物偏好网络模型的权重与偏置进行更新，直至达到预设的迭代停止条件，生成训练完成的食物偏好网络模型。
在一个优选实施方式中，还包括：
信息获取模块，用于获取多个不同用户的食物偏好信息；
偏好分类模块，用于对所述食物偏好信息进行分类，且对每类食物偏好的数量与占比进行统计与排序，获得数量排名靠前的预设类别数量的食物偏好种类信息。
本发明第三方面提供了一种终端，所述终端包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的自动化食谱推荐程序，所述自动化食谱推荐程序被所述处理器执行时实现如上述实施方式中任一项所述的自动化食谱推荐方法的各个步骤。
本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有自动化食谱推荐程序，所述自动化食谱推荐程序被处理器执行时实现如上述实施方式任一项所述的自动化食谱推荐方法的各个步骤。
本发明提供的自动化食谱推荐方法，通过将用户的网络线上行为数据输入到构建并训练完成的食物偏好网络模型中，从而获得该用户的食物偏好，进而在根据该偏好从菜谱库中进行检索匹配，得到符合用户偏好的食谱，从而实现了自动化的食谱推荐，且无需对用户进行询问以及问卷调查等，提升了服务质量。另外，在优选实施例中，还可对特定群体的每个个体都进行食物偏好的获取，然后对该特定群体的食物偏好进行统计分析，从而满足尽可能多的人群的饮食口味，提升了服务质量与该特定群体饮食的满意度。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明提供的自动化食谱推荐方法的流程图；
图2为图1所示自动化食谱推荐方法中步骤S11的子步骤流程图；
图3为图1所示自动化食谱推荐方法中另一实施例的流程图；
图4为本发明提供的自动化食谱推荐装置的框架图；
图5为图4所示自动化食谱推荐装置中网络模型训练模块的框架图；
图6为图4所示自动化食谱推荐装置另一实施例的框架图。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并不是为了限定本发明。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本发明的实施例中，第一方面提供一种自动化食谱推荐方法，用于根据用户的线上行为进行智能化的食谱推荐。
如图1所示，本方法包括以下步骤S11-S13。
步骤S11，基于全卷积目标检测算法构建并训练食物偏好网络模型。
通过收集其他用户的线上行为数据，例如移动用户的web日志，或者在界定的网络空间的项目选择数据等；然后输入到由全卷积构建的深度神经网络中，经过训练得到食物偏好的分析模型。具体的，如图2所示，本步骤包括以下子步骤S111-S115。
步骤S111，获取多个用户在界定网络空间中的线上行为数据，并标记每个用户的食物偏好，建立训练集。针对每个用户的线上行为数据，进行对应的食物偏好标记，从而生成多个具有相应食物偏好标记的数据集，从而建立数据集。需要说明的是，将用户的线上行为(例如网络浏览页面等)分析并量化呈具体数据的方法可参考现有技术，例如贝叶斯算法、基于聚类分析的偏好数据挖掘算法、空间向量技术、面向关联规则分类算法、信息传播路径挖掘等，本发明在此不做限定。
步骤S112，基于全卷积目标检测算法构建食物偏好网络模型。
步骤S113，对食物偏好网络模型的网络参数进行初始化，生成初始权重与初始偏置。
步骤S114，将训练集的所有线上行为数据输入到初始化后的食物偏好网络模型，并根据预设的损失函数计算损失值。
步骤S115，降低损失值并进行反向传播，通过反复循环前向传播和反向传播对食物偏好网络模型的权重与偏置进行更新，直至达到预设的迭代停止条件，生成训练完成的食物偏好网络模型。
在本发明的实施例中，继续执行步骤S12，获取预设时间段内的用户的线上行为数据并输入到训练完成的食物偏好网络模型中，获得用户的食物偏好。
在本步骤中，当需要对用户进行自动化的食谱推荐时，例如，在针对单个或少数用户的个性化用餐场景中，例如，酒店饮食、定时送餐等场景，通过确定用户的食物偏好，来实现符合用户偏好的食物推荐，从而提升了服务质量。
步骤S13，根据食物偏好通过预设的菜谱库匹配得到符合条件的食谱。
举例来说，若用户的食物偏好为偏辣，那么就在菜谱库中向用户推荐带辣椒或其他具有一定辣度的菜谱；若用户的食物偏好为喜欢炖汤，那么就在菜谱库中向用户推荐炖汤类食物。因此，当用户在网络平台发送用餐请求时，根据用户的ID获取用户在网络平台上的线上行为，然后提取线上行为数据，获取用户的食物偏好，进而自动化、智能化的向用户推荐食谱(即菜谱)，提升了服务质量，使得用户更为满意。当然，若是用户指定了其他的菜式，那么则将指定的菜谱菜式一并供应或者只按照指定的菜谱供应。
在一个实施例中，如图3所示，本方法在步骤S12之后还包括步骤S14-S15。
步骤S14，获取多个不同用户的食物偏好信息。
举例来说，对于包含多个用户的特定群体，例如在学校食堂就餐的学生，用餐的主体人群属于该学校的师生，因此，通过界定的网络平台获取师生(即多个用户)每个个体的食物偏好信息，包括偏甜偏辣等味觉类别偏好、鸡肉鸭肉等食材类别偏好、蒸煮煎炒等烹饪方式类别偏好等。然后对每个大类别偏好信息进行提取汇总。
步骤S15，对食物偏好信息进行分类，且对每类食物偏好的数量与占比进行统计与排序，获得数量排名靠前的预设类别数量的食物偏好种类信息。
具体的，对每个大类别的偏好进行细分类，例如，将味觉的偏好分为偏甜、偏辣、偏咸等小类别，然后对各个小类别进行数量统计，分析各个小类别在该大类别中的数量占比，然后对每个大类别底下的各个小类别的数量进行排序，然后取数量较多的几个小类别(例如前三个)作为整个特定群体的群体食物偏好，然后根据各个小类别相应的数量占比烹饪出对应比例的菜式，进而最大化的符合该特定群体的食物偏好，既提升了整个群体的用餐感受与口味，还避免了食物浪费。
综上所述，本发明提供的自动化食谱推荐方法，通过将用户的网络线上行为数据输入到构建并训练完成的食物偏好网络模型中，从而获得该用户的食物偏好，进而在根据该偏好从菜谱库中进行检索匹配，得到符合用户偏好的食谱，从而实现了自动化的食谱推荐，且无需对用户进行询问以及问卷调查等，提升了服务质量。另外，在优选实施例中，还可对特定群体的每个个体都进行食物偏好的获取，然后对该特定群体的食物偏好进行统计分析，从而满足尽可能多的人群的饮食口味，提升了服务质量与该特定群体饮食的满意度。
本发明第二方面提供了一种自动化食谱推荐装置100，用于根据用户的线上行为进行自动化、智能化的食谱推荐。需要说明的是，自动化食谱推荐装置100的实现原理及实施方式均与上述的自动化食谱推荐方法相一致，故以下不再赘述。
如图4所示，自动化食谱推荐装置100包括：
网络模型训练模块10，用于基于全卷积目标检测算法构建并训练食物偏好网络模型；
食物偏好生成模块20，用于获取预设时间段内的用户的线上行为数据并输入到训练完成的食物偏好网络模型中，获得用户的食物偏好；
食谱匹配生成模块30，用于根据食物偏好通过预设的菜谱库匹配得到符合条件的食谱。
进一步的，在一个实施例中，如图5所示，网络模型训练模块10包括：
训练集建立单元11，用于获取多个用户在界定网络空间中的线上行为数据，并标记每个用户的食物偏好，建立训练集；
模型构建单元12，用于基于全卷积目标检测算法构建食物偏好网络模型；
初始化单元13，用于对食物偏好网络模型的网络参数进行初始化，生成初始权重与初始偏置；
数据输入单元14，用于将训练集的所有线上行为数据输入到初始化后的食物偏好网络模型，并根据预设的损失函数计算损失值；
模型训练单元15，用于降低损失值并进行反向传播，通过反复循环前向传播和反向传播对食物偏好网络模型的权重与偏置进行更新，直至达到预设的迭代停止条件，生成训练完成的食物偏好网络模型。
进一步的，在一个实施例中，如图6所示，自动化食谱推荐装置100还包括：
信息获取模块40，用于获取多个不同用户的食物偏好信息；
偏好分类模块50，用于对食物偏好信息进行分类，且对每类食物偏好的数量与占比进行统计与排序，获得数量排名靠前的预设类别数量的食物偏好种类信息。
本发明第三方面提供了一种终端(图中未示出)，终端包括存储器、处理器以及存储在存储器并可在处理器上运行的自动化食谱推荐程序，自动化食谱推荐程序被处理器执行时实现如上述实施方式中任一项所述的自动化食谱推荐方法的各个步骤。
本发明第四方面提供了一种计算机可读存储介质(图中未示出)，计算机可读存储介质存储有自动化食谱推荐程序，自动化食谱推荐程序被处理器执行时实现如上述实施方式任一项所述的自动化食谱推荐方法的各个步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的系统或装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统或装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。
Claims (8)
1.一种自动化食谱推荐方法，其特征在于，包括以下步骤：
基于全卷积目标检测算法构建并训练食物偏好网络模型；
获取预设时间段内的用户的线上行为数据并输入到训练完成的所述食物偏好网络模型中，获得所述用户的食物偏好；
根据所述食物偏好通过预设的菜谱库匹配得到符合条件的食谱。
2.如权利要求1所述的自动化食谱推荐方法，其特征在于，所述基于全卷积目标检测算法构建并训练食物偏好网络模型步骤中包括以下步骤：
获取多个用户在界定网络空间中的线上行为数据，并标记每个用户的食物偏好，建立训练集；
基于全卷积目标检测算法构建食物偏好网络模型；
对所述食物偏好网络模型的网络参数进行初始化，生成初始权重与初始偏置；
将所述训练集的所有线上行为数据输入到初始化后的食物偏好网络模型，并根据预设的损失函数计算损失值；
降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述食物偏好网络模型的权重与偏置进行更新，直至达到预设的迭代停止条件，生成训练完成的食物偏好网络模型。
3.如权利要求1所述的自动化食谱推荐方法，其特征在于，在所述获取预设时间段内的用户的线上行为数据并输入到训练完成的所述食物偏好网络模型中，获得所述用户的食物偏好步骤之后还包括步骤：
获取多个不同用户的食物偏好信息；
对所述食物偏好信息进行分类，且对每类食物偏好的数量与占比进行统计与排序，获得数量排名靠前的预设类别数量的食物偏好种类信息。
4.一种自动化食谱推荐装置，其特征在于，包括：
网络模型训练模块，用于基于全卷积目标检测算法构建并训练食物偏好网络模型；
食物偏好生成模块，用于获取预设时间段内的用户的线上行为数据并输入到训练完成的所述食物偏好网络模型中，获得所述用户的食物偏好；
食谱匹配生成模块，用于根据所述食物偏好通过预设的菜谱库匹配得到符合条件的食谱。
5.如权利要求4所述的自动化食谱推荐装置，其特征在于，所述网络模型训练模块包括：
训练集建立单元，用于获取多个用户在界定网络空间中的线上行为数据，并标记每个用户的食物偏好，建立训练集；
模型构建单元，用于基于全卷积目标检测算法构建食物偏好网络模型；
初始化单元，用于对所述食物偏好网络模型的网络参数进行初始化，生成初始权重与初始偏置；
数据输入单元，用于将所述训练集的所有线上行为数据输入到初始化后的食物偏好网络模型，并根据预设的损失函数计算损失值；
模型训练单元，用于降低所述损失值并进行反向传播，通过反复循环前向传播和反向传播对所述食物偏好网络模型的权重与偏置进行更新，直至达到预设的迭代停止条件，生成训练完成的食物偏好网络模型。
6.如权利要求4所述的自动化食谱推荐装置，其特征在于，还包括：
信息获取模块，用于获取多个不同用户的食物偏好信息；
偏好分类模块，用于对所述食物偏好信息进行分类，且对每类食物偏好的数量与占比进行统计与排序，获得数量排名靠前的预设类别数量的食物偏好种类信息。
7.一种终端，其特征在于，所述终端包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的自动化食谱推荐程序，所述自动化食谱推荐程序被所述处理器执行时实现如权利要求1-3任一项所述的自动化食谱推荐方法的各个步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有自动化食谱推荐程序，所述自动化食谱推荐程序被处理器执行时实现如权利要求1-3任一项所述的自动化食谱推荐方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110337824.8A CN113158036A (zh) | 2021-03-30 | 2021-03-30 | 一种自动化食谱推荐方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110337824.8A CN113158036A (zh) | 2021-03-30 | 2021-03-30 | 一种自动化食谱推荐方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113158036A true CN113158036A (zh) | 2021-07-23 |
Family
ID=76885255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110337824.8A Pending CN113158036A (zh) | 2021-03-30 | 2021-03-30 | 一种自动化食谱推荐方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158036A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116150451A (zh) * | 2023-04-23 | 2023-05-23 | 广东工业大学 | 一种基于时间序列的个性化菜谱推荐方法 |
| CN117725237A (zh) * | 2024-02-07 | 2024-03-19 | 深圳鸿博智成科技有限公司 | 基于大数据的食谱生成方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563124A (zh) * | 2017-09-28 | 2018-01-09 | 珠海格力电器股份有限公司 | 菜谱数据的推送方法、装置和系统、存储介质及处理器 |
| CN110289077A (zh) * | 2019-06-25 | 2019-09-27 | 秒针信息技术有限公司 | 一种食谱推送处理方法及装置 |
| CN111599439A (zh) * | 2020-05-14 | 2020-08-28 | 陕西师范大学 | 一种基于多目标需求相似性的家庭饮食推荐方法及设备 |
| CN112233772A (zh) * | 2020-10-13 | 2021-01-15 | 杭州电子科技大学 | 一种基于机器学习的健康食谱推荐系统 |
-
2021
- 2021-03-30 CN CN202110337824.8A patent/CN113158036A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563124A (zh) * | 2017-09-28 | 2018-01-09 | 珠海格力电器股份有限公司 | 菜谱数据的推送方法、装置和系统、存储介质及处理器 |
| CN110289077A (zh) * | 2019-06-25 | 2019-09-27 | 秒针信息技术有限公司 | 一种食谱推送处理方法及装置 |
| CN111599439A (zh) * | 2020-05-14 | 2020-08-28 | 陕西师范大学 | 一种基于多目标需求相似性的家庭饮食推荐方法及设备 |
| CN112233772A (zh) * | 2020-10-13 | 2021-01-15 | 杭州电子科技大学 | 一种基于机器学习的健康食谱推荐系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116150451A (zh) * | 2023-04-23 | 2023-05-23 | 广东工业大学 | 一种基于时间序列的个性化菜谱推荐方法 |
| CN117725237A (zh) * | 2024-02-07 | 2024-03-19 | 深圳鸿博智成科技有限公司 | 基于大数据的食谱生成方法、装置、设备及存储介质 |
| CN117725237B (zh) * | 2024-02-07 | 2024-04-30 | 深圳鸿博智成科技有限公司 | 基于大数据的食谱生成方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11574139B2 (en) | Information pushing method, storage medium and server | |
| US10402917B2 (en) | Color-related social networking recommendations using affiliated colors | |
| US9734426B2 (en) | Automated food recognition and nutritional estimation with a personal mobile electronic device | |
| CN102591942B (zh) | 一种应用自动推荐的方法及装置 | |
| CN105760400B (zh) | 一种基于搜索行为的推送消息排序方法及装置 | |
| EP1156424A2 (en) | Information recommendation apparatus and information recommendation system | |
| CN108897768B (zh) | 一种点餐方法及装置，电子设备 | |
| CN110175895B (zh) | 一种物品推荐方法及装置 | |
| WO2009126815A2 (en) | Diversified, self-organizing map system and method | |
| CN113158036A (zh) | 一种自动化食谱推荐方法、装置、终端及存储介质 | |
| CN110163703B (zh) | 一种分类模型建立方法、文案推送方法和服务器 | |
| CN107274242A (zh) | 一种基于关联分析算法的商品推荐方法 | |
| CN111063419A (zh) | 智能健康饮食管理系统 | |
| US11823042B2 (en) | System for measuring food weight | |
| US20210382609A1 (en) | Method and device for displaying multimedia resource | |
| CN109741125A (zh) | 推荐菜品的方法及装置、存储介质、电子装置 | |
| CN110322323A (zh) | 实体展示方法、装置、存储介质和电子设备 | |
| WO2008100975A2 (en) | Determining aesthetic preferences to define a style guide and transforming a presentation | |
| CN114245185A (zh) | 视频推荐方法、模型训练方法、装置、电子设备及介质 | |
| KR102095592B1 (ko) | 서바이벌 게임을 이용한 끼니별 음식메뉴 선택 서비스 제공 방법 | |
| CN112565902B (zh) | 一种视频推荐方法、装置及电子设备 | |
| CN108416628B (zh) | 一种融合食物多属性关系的餐厅菜品智能推荐系统 | |
| CN108630295A (zh) | 一种食物推荐方法及系统 | |
| CN115221420A (zh) | 一种基于用户画像的饮食推荐方法及系统 | |
| US20210373921A1 (en) | Methods and systems for providing alimentary combinations in a packet-based graphical user interface generated using distance metrics |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210723 |