CN114613471A - 基于人工智能的饮食方案生成方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及人工智能技术，揭露一种基于人工智能的饮食方案生成方法，包括：提取获取的健康数据的健康特征；利用决策树模型中的每个决策树计算得到健康特征的多个输出结果，其中，输出结果包括健康度和决策树路径；根据决策树路径确定每个决策树对应的不良健康特征；逐一从决策树模型中提取一个决策树作为目标决策树，根据目标决策树对应的不良健康特征获取饮食建议，根据目标决策树对应的健康度对饮食建议设置权重；根据每个决策树对应的饮食建议及权重生成饮食方案。此外，本发明还涉及区块链技术，健康数据可存储于区块链的节点。本发明还提出一种基于人工智能的饮食方案生成装置、设备以及介质。本发明可以提高饮食方案生成效率和准确性。

Description

基于人工智能的饮食方案生成方法、装置、设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的饮食方案生成方法、装置、电子设备及计算机可读存储介质。

背景技术

随着人工智能的发展，将人工智能与人们的日常生活结合起来，已成为现在一热门趋势。而在人们的日常生活中，身体健康和饮食对人们来说十分重要，而传统的方法是通过体检进行身体状况的排查，确保身体健康，若将身体情况与饮食情况相结合，则需要人工查阅相关指标状况以及对应的饮食建议，效率十分低下且饮食方案不系统，与身体情况的相关性低，饮食方案生成的不准确。

发明内容

本发明提供一种基于人工智能的饮食方案生成方法、装置及计算机可读存储介质，其主要目的在于解决的饮食方案生成效率和准确性低的问题。

为实现上述目的，本发明提供的一种基于人工智能的饮食方案生成方法，包括：

获取用户的健康数据，提取所述健康数据的健康特征；

利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；

根据所述决策树路径确定每个决策树对应的不良健康特征；

逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

可选地，所述利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，包括：

将所述健康特征与所述决策树模型中的每一个决策树的节点进行匹配，得到匹配度；

选取匹配度最大的决策树作为标准决策树；

从所述健康特征中逐个选取其中一个特征为输入值；

将所述输入值输入至所述标准决策树，得到所述标准决策树输出的输出结果，其中，所述输出结果包括健康度和决策树路径。

可选地，所述根据所述决策树路径确定每个决策树对应的不良健康特征，包括：

将所述决策树路径根据对应的决策树的节点划分为多个路径值；

从所述多个路径值中选取其中一个路径值作为目标路径值；

在预设的不良健康特征表中对所述路径值进行检索；

从所述不良健康特征表中提取检索到的路径值所对应的不良健康特征。

可选地，所述根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案，包括：

根据所述每个决策树对应的权重对所述每个决策树对应的饮食建议设置优先级；

按照预设的方案条件和所述优先级对所述饮食建议进行筛选；

根据筛选得到的饮食建议生成饮食方案。

可选地，所述提取所述健康数据的健康特征，包括：

对所述健康数据进行分词处理，得到多个分词数据；

利用预设的词典对所述分词数据进行检索；

选取检索到的分词数据作为健康特征。

可选地，所述利用预构建的决策树模型中的每个决策树对所述健康特征进行计算之前，所述方法还包括：

获取多个历史健康数据，提取所述历史健康数据的历史健康数据特征；

对所述历史健康数据特征进行分类，得到多组健康数据特征，并从所述每一组的历史健康数据特征中逐个选取其中一个作为目标特征；

将所述目标特征作为参数对预设的决策函数进行赋值，并利用赋值后的决策函数作为决策条件，生成决策树；

汇集每一组的所有历史健康数据特征生成的决策树，得到决策树模型。

可选地，所述获取用户的健康数据，包括：

获取健康数据的存储路径；

将所述存储路径编译为路径参数，利用所述路径参数对预设的数据接口进行赋值，并利用赋值后的所述数据接口对所述健康数据进行调用。

为了解决上述问题，本发明还提供一种基于人工智能的饮食方案生成装置，所述装置包括：

健康数据获取模块，用于获取用户的健康数据，提取所述健康数据的健康特征；

不良健康特征获取模块，用于利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；根据所述决策树路径确定每个决策树对应的不良健康特征；

饮食建议生成模块，用于逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

饮食方案生成模块，用于根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于人工智能的饮食方案生成方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人工智能的饮食方案生成方法。

本发明实施例通过决策树模型对健康特征进行计算，进而确定健康度和不良健康特征，提高了最终饮食方案生成的效率；再根据健康度和不良健康特征对获取的饮食建议设置权重，是饮食建议具有优先级，实现了最终生成的饮食方案准确性高。因此本发明提出的基于人工智能的饮食方案生成方法、装置、电子设备及计算机可读存储介质，可以解决的饮食方案生成效率和准确性低的问题。

附图说明

图1为本发明一实施例提供的基于人工智能的饮食方案生成方法的流程示意图；

图2为本发明一实施例提供的对健康特征进行计算的流程示意图；

图3为本发明一实施例提供的生成不良健康特征的流程示意图；

图4为本发明一实施例提供的基于人工智能的饮食方案生成装置的功能模块图；

图5为本发明一实施例提供的实现所述基于人工智能的饮食方案生成方法的电子设备的结构示意图。

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。

本申请实施例提供一种基于人工智能的饮食方案生成方法。所述基于人工智能的饮食方案生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的饮食方案生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的基于人工智能的饮食方案生成方法的流程示意图。在本实施例中，所述基于人工智能的饮食方案生成方法包括：

S1、获取用户的健康数据，提取所述健康数据的健康特征；

本发明实施例中，所述用户数据中可以包括用户体检数据和用户基础数据，其中，所述用户体检数据为用户体检得到的各种身体状况、身体指标的数据，例如：血常规检查中的血红蛋白值、白细胞值；所述用户基础数据为用户手动输入的身体健康相关数据，例如：饮食习惯为重油重盐，作息情况为晚睡晚起。

本发明实施例中，所述健康特征为所述健康数据中是指标数据或预设数据，例如，假设有健康数据：饮食习惯为重油重盐，作息情况为晚睡晚起，则健康特征为重油重盐、作息紊乱。

本发明一可选实施例中，所述获取用户的健康数据，包括：

获取健康数据的存储路径；

将所述存储路径编译为路径参数，利用所述路径参数对预设的数据接口进行赋值，并利用赋值后的所述数据接口对所述健康数据进行调用。

详细地，所述存储路径可由业务员、管理员等具有对健康数据进行处理权限的人员预先上传。

具体地，可利用预设的编译器将所述存储路径编译为路径参数，并利用所述路径参数对预设的数据接口进行赋值，利用该数据接口可对所述存储路径下的数据进行调用，其中，所述编译器包括但不限于：Microsoft Visual Studio、Dev-C++、C++Builder、Emacs+GC。

本发明另一可选实施例中，可利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先构建的用于存储用户的健康数据的存储区域中获取所述健康数据，所述存储区域包括但不限于数据库、区块链节点、网络缓存等。

本发明实施例中，所述提取所述健康数据的健康特征，包括：

对所述健康数据进行分词处理，得到多个分词数据；

利用预设的词典对所述分词数据进行检索；

选取检索到的分词数据作为健康特征。

本发明实施例中，所述词典中包含多个分词，所述分词为与健康特征相关的分词；在利用所述词典对所述分词数据进行检索时，可以将检索到的相同分词作为健康特征；或者将检索到的相同分词在词典中对应的特征作为健康特征，例如：晚睡、晚睡晚起在词典中对应的特征为作息紊乱；也可根据分词数据和所述词典中的分词进行相似度匹配，或者进行范围比对，进而确定健康特征。例如，分词数据1：血红蛋白值为100g/L，分词数据2：白细胞值为60g/L，所述词典中存在血红蛋白值、白细胞值，进行匹配后确定健康特征为血红蛋白值100g/L和白细胞值60g/L。

S2、利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；

本发明实施例中，所述决策树模型中包含多个决策树，每一个决策树可以由一类健康数据所构成。例如，存在决策树为血常规决策树，该决策树中各个节点分别为血常规的各项检查指标，例如：血红蛋白、血小板、白细胞。

本发明实施例中，所述健康度为某一个决策树输出的评分结果，所述决策树路径为数据输入后在决策树中各级节点的位置所构成的路径。

例如，存在血常规的决策树，其中第一级节点为血红蛋白，第二级节点为白细胞，第一级节点根据血红蛋白值将每个节点分为三条路径：第一条路径为血红蛋白值小于120g/L、第二条路径为血红蛋白值120～160g/L、第三条路径为血红蛋白值大于160g/L，白细胞值为40～100g/L；上述三条路径对应的第二级节点为白细胞，第二级节点根据白细胞值将每个节点分为三条路径，第一条路径为白细胞值小于40g/L、第二条路径为白细胞值40～100g/L、第三条路径为白细胞值为100g/L；上述第二级节点后，一共存在9条路径，分别为第一节点的第一条路径对应的第二节点的三条路径、第一节点的第二条路径对应的第二节点的三条路径和第一节点的第三条路径对应的第二节点的三条路径，只有在第一节点的第二条路径对应的第二节点的第二条路径为正常路径，此路径设置评分为100分，其余路径根据路径对应的值相应降低。

本发明实施例中，可以利用随机森林算法、Xgboost算法等具有决策树构建功能的算法构建所述决策树模型。

本发明一可选实施例中，所述利用预构建的决策树模型中的每个决策树对所述健康特征进行计算之前，所述方法还包括：

获取多个历史健康数据，提取所述历史健康数据的历史健康数据特征；

对所述历史健康数据特征进行分类，得到多组健康数据特征，并从所述每一组的历史健康数据特征中逐个选取其中一个作为目标特征；

将所述目标特征作为参数对预设的决策函数进行赋值，并利用赋值后的决策函数作为决策条件，生成决策树；

汇集每一组的所有历史健康数据特征生成的决策树，得到决策树模型。

示例性地，所述决策函数可以为：

其中，f(x)为所述决策函数的输出值，x为所述决策函数的参数，g(y)为所述决策函数的输入值。

详细地，可从所述每一组的历史健康数据特征中逐个选取其中一个作为目标特征，利用该目标特征对所述决策函数的参数x进行赋值，并将赋值后的决策函数作为决策条件生成如下决策树：

当所述决策树的输入值g(y)与所述决策树的参数x相同时，该决策树输出值f(x)＝α；

当所述决策树的输入至g(y)与所述决策树的参数x不相同时，该决策树输出值f(x)＝β。

本发明实施例中，可利用并联或者串联的形式将每一组的所有历史健康数据特征生成的决策树进行汇集，得到决策树模型。

本发明实施例中，请参阅图2所示，所述利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，包括：

S21、将所述健康特征与所述决策树模型中的每一个决策树的节点进行匹配，得到匹配度；

S22、选取匹配度最大的决策树作为标准决策树；

S23、从所述健康特征中逐个选取其中一个特征为输入值；

S24、将所述输入值输入至所述标准决策树，得到所述标准决策树输出的输出结果，其中，所述输出结果包括健康度和决策树路径。

具体地，在从决策树模型中选择决策树时，可以根据健康特征和决策树节点进行匹配，决策树可以根据健康特征、健康数据的分词而构建，因此决策树节点与健康特征存在类似的属性。例如，血常规的决策树第一级节点和第二级节点可以为血红蛋白和白细胞，健康特征若为饮食口味偏重，作息紊乱、血红蛋白值100g/L和白细胞值60g/L；进行匹配时，则可以确定健康特征：血红蛋白值100g/L和白细胞值60g/L对应的决策树为血常规的决策树。

例如，假设健康特征为血红蛋白值100g/L和白细胞值60g/L，对应的决策树为血常规的决策树；血常规的决策树中第一级节点为血红蛋白，第二级节点为白细胞，对应的节点下分别根据血红蛋白值和白细胞值的不同，对应存在三条路径，每条路径的都不相同且分别对应有相应的健康度；该健康特征输入该血常规决策树中，对应于第二条决策树路径：血红蛋白值小于120g/L、白细胞值40～100g/L，此路径的健康度为0.5，其中所述第二条决策树路径和此路径的健康度即为输出结果。

S3、根据所述决策树路径确定每个决策树对应的不良健康特征；

本发明实施例中，所述决策树路径中的节点可以对应着不同的指标，根据指标的高低则可以对应不同的身体问题，例如存在一条决策树路径为血红蛋白值小于120g/L、白细胞值40～100g/L，对该决策树路径进行分析即可得到该路径中的血红蛋白值偏低，则血红蛋白值偏低可以作为不良健康特征。

本发明实施例中，请参阅图3所示，所述根据所述决策树路径确定每个决策树对应的不良健康特征，包括：

S31、将所述决策树路径根据对应的决策树的节点划分为多个路径值；

S32、从所述多个路径值中选取其中一个路径值作为目标路径值；

S33、在预设的不良健康特征表中对所述路径值进行检索；

S34、从所述不良健康特征表中提取检索到的路径值所对应的不良健康特征。

本发明实施例中，一条决策树路径中包含着多个节点所对应的路径，例如，假设决策树路径为血红蛋白值小于120g/L、白细胞值40～100g/L，其中包含了第一级节点血红蛋白对应的路径值血红蛋白值小于120g/L，以及第二级节点白细胞对应的路径值白细胞值40～100g/L。

本发明实施例中，所述健康特征表中包含着不同的路径值和每一个路径值对应的不良健康特征，例如存在路径值为血红蛋白值小于120g/L，在所述健康特征表中对应的不良健康特征为血红蛋白偏低，若存在路径值为白细胞值40～100g/L，在所述健康特征表中对应的不良健康特征为白细胞值正常。

S4、逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

本发明实施例中，不良健康特征可以为身体状态的一种表示，例如不良健康特征为血红蛋白偏低，则代表身体情况为身体中血红蛋白含量偏低，而饮食调理表目的为通过饮食调整针对身体状态进行外部摄入的元素补充。

本发明实施例中，所述饮食调理表为不同不良健康特征和每一种不良健康特征对应的饮食建议。例如，血红蛋白偏低这一不良健康特征对应的饮食建议为多吃木耳、羊肉、鸡蛋黄。

本发明实施例中，用户的健康数据可以对应着多个决策树，每一个决策树都存在有一个健康度，每一个决策树输出结果中的决策树路径对应的不良健康特征在饮食调理表中可能存在着不同的饮食建议，根据健康度可以对每一种饮食建议重要性进行评判，因此可以通过健康度的高低对决策树对应的饮食建议设置权重，具体可以将健康度设置为权重或者对健康度进行百分制运算，将计算得到的结果作为权重。

S5、根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

本发明实施例中，所述根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案，包括：

根据所述每个决策树对应的权重对所述每个决策树对应的饮食建议设置优先级；

按照预设的方案条件和所述优先级对所述饮食建议进行筛选；

根据筛选得到的饮食建议生成饮食方案。

例如，存在决策树a对应的权重为0.5，对应的饮食建议为多吃木耳、羊肉、鸡蛋黄、决策树b对应的权重为0.4，对应的饮食建议为南瓜、牛奶；所述方案条件若为只包括四种饮食食物，且避免不应搭配食用的食物(如羊肉和南瓜)，则得到筛选后的饮食建议为木耳、羊肉、鸡蛋黄、牛奶；根据筛选后的饮食建议可以直接作为饮食方案，或者根据一日三餐进行分配，进而生成饮食方案。

本发明实施例通过决策树模型对健康特征进行计算，进而确定健康度和不良健康特征，提高了最终饮食方案生成的效率；再根据健康度和不良健康特征对获取的饮食建议设置权重，是饮食建议具有优先级，实现了最终生成的饮食方案准确性高。因此本发明提出的基于人工智能的饮食方案生成方法，可以解决的饮食方案生成效率和准确性低的问题。

如图4所示，是本发明一实施例提供的基于人工智能的饮食方案生成装置的功能模块图。

本发明所述基于人工智能的饮食方案生成装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的饮食方案生成装置100可以包括健康数据获取模块101、不良健康特征获取模块102、饮食建议生成模块103及饮食方案生成模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述健康数据获取模块101，用于获取用户的健康数据，提取所述健康数据的健康特征；

所述不良健康特征获取模块102，用于利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；根据所述决策树路径确定每个决策树对应的不良健康特征；

所述饮食建议生成模块103，用于逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

所述饮食方案生成模块104，用于根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

详细地，本发明实施例中所述基于人工智能的饮食方案生成装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于人工智能的饮食方案生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现基于人工智能的饮食方案生成方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于人工智能的饮食方案生成程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于人工智能的饮食方案生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于人工智能的饮食方案生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的基于人工智能的饮食方案生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取用户的健康数据，提取所述健康数据的健康特征；

利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；

根据所述决策树路径确定每个决策树对应的不良健康特征；

逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取用户的健康数据，提取所述健康数据的健康特征；

利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；

根据所述决策树路径确定每个决策树对应的不良健康特征；

逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明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。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的饮食方案生成方法，其特征在于，所述方法包括：

获取用户的健康数据，提取所述健康数据的健康特征；

利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；

根据所述决策树路径确定每个决策树对应的不良健康特征；

逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

2.如权利要求1所述的基于人工智能的饮食方案生成方法，其特征在于，所述利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，包括：

将所述健康特征与所述决策树模型中的每一个决策树的节点进行匹配，得到匹配度；

选取匹配度最大的决策树作为标准决策树；

从所述健康特征中逐个选取其中一个特征为输入值；

将所述输入值输入至所述标准决策树，得到所述标准决策树输出的输出结果，其中，所述输出结果包括健康度和决策树路径。

3.如权利要求1所述的基于人工智能的饮食方案生成方法，其特征在于，所述根据所述决策树路径确定每个决策树对应的不良健康特征，包括：

将所述决策树路径根据对应的决策树的节点划分为多个路径值；

从所述多个路径值中选取其中一个路径值作为目标路径值；

在预设的不良健康特征表中对所述路径值进行检索；

从所述不良健康特征表中提取检索到的路径值所对应的不良健康特征。

4.如权利要求1所述的基于人工智能的饮食方案生成方法，其特征在于，所述根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案，包括：

根据所述每个决策树对应的权重对所述每个决策树对应的饮食建议设置优先级；

按照预设的方案条件和所述优先级对所述饮食建议进行筛选；

根据筛选得到的饮食建议生成饮食方案。

5.如权利要求1所述的基于人工智能的饮食方案生成方法，其特征在于，所述提取所述健康数据的健康特征，包括：

对所述健康数据进行分词处理，得到多个分词数据；

利用预设的词典对所述分词数据进行检索；

选取检索到的分词数据作为健康特征。

6.如权利要求1所述的基于人工智能的饮食方案生成方法，其特征在于，所述利用预构建的决策树模型中的每个决策树对所述健康特征进行计算之前，所述方法还包括：

获取多个历史健康数据，提取所述历史健康数据的历史健康数据特征；

对所述历史健康数据特征进行分类，得到多组健康数据特征，并从所述每一组的历史健康数据特征中逐个选取其中一个作为目标特征；

将所述目标特征作为参数对预设的决策函数进行赋值，并利用赋值后的决策函数作为决策条件，生成决策树；

汇集每一组的所有历史健康数据特征生成的决策树，得到决策树模型。

7.如权利要求1至6中任一项所述的基于人工智能的饮食方案生成方法，其特征在于，所述获取用户的健康数据，包括：

获取健康数据的存储路径；

将所述存储路径编译为路径参数，利用所述路径参数对预设的数据接口进行赋值，并利用赋值后的所述数据接口对所述健康数据进行调用。

8.一种基于人工智能的饮食方案生成装置，其特征在于，所述装置包括：

健康数据获取模块，用于获取用户的健康数据，提取所述健康数据的健康特征；

不良健康特征获取模块，用于利用预构建的决策树模型中的每个决策树对所述健康特征进行计算，得到多个输出结果，其中，所述输出结果包括健康度和决策树路径；根据所述决策树路径确定每个决策树对应的不良健康特征；

饮食建议生成模块，用于逐一从所述决策树模型中提取一个决策树作为目标决策树，根据所述目标决策树对应的不良健康特征从预设的饮食调理表中提取饮食建议，根据所述目标决策树对应的健康度对所述饮食建议设置权重；

饮食方案生成模块，用于根据每个决策树对应的饮食建议以及每个饮食建议的权重生成饮食方案。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于人工智能的饮食方案生成方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于人工智能的饮食方案生成方法。

Images