CN114742238A - 豆瓣酱的原料筛选方法、装置、设备及介质 - Google Patents
豆瓣酱的原料筛选方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114742238A CN114742238A CN202210663849.1A CN202210663849A CN114742238A CN 114742238 A CN114742238 A CN 114742238A CN 202210663849 A CN202210663849 A CN 202210663849A CN 114742238 A CN114742238 A CN 114742238A
- Authority
- CN
- China
- Prior art keywords
- raw material
- screening
- model
- characteristic
- historical
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Beans For Foods Or Fodder (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能决策领域,揭露一种豆瓣酱的原料筛选方法、装置、设备及介质,方法包括:S1:对豆瓣酱的历史原料进行特征提取,得到原料特征;S2:利用原料筛选模型中的特征得分算法计算原料特征的特征得分;S3:利用原料筛选模型的随机排列算法对原料特征进行随机筛选,得到随机筛选特征,根据特征得分,计算随机筛选特征的筛选特征得分;S4:利用原料筛选模型中的损失函数计算所述筛选特征得分的损失值;S5:若损失值大于预设阈值,调整原料筛选模型中的模型参数,返回S2的步骤;S6:若损失值不大于预设阈值,得到训练好的原料筛选模型,以对待筛选数据进行筛选,得到原料筛选结果。本发明可以提高豆瓣酱原料筛选的效率。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种豆瓣酱的原料筛选方法、装置、设备及介质。
背景技术
豆瓣酱的原料筛选是指利用智能筛选技术对用于制作豆瓣酱的原材料进行的优劣筛选。
目前,随着豆瓣酱的流行,由原始豆瓣酱衍生出许多种类的豆瓣酱品牌,不同的豆瓣酱品牌的制作原材料不同,需要对原料的产地、生长时间、杂交分支进行筛选,但由于每个人口味不一致,依靠人力资源对庞大的原料数据量进行筛选的结果不一致,且筛选速度较慢。因此,豆瓣酱的原料筛选的效率较低。
发明内容
为了解决上述问题,本发明提供了一种豆瓣酱的原料筛选方法、装置、设备及介质,可以提高豆瓣酱的原料筛选的效率。
第一方面,本发明提供了一种豆瓣酱的原料筛选方法,包括:
S1:获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征;
S2:利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分;
S3:利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分;
S4:利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值;
S5:若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤。
S6:若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果。
在第一方面的一种可能实现方式中,所述对所述历史原料进行特征提取,得到原料特征,包括:
S201:识别所述历史原料中的原料类别;
S202:利用大数据分析提取所述原料类别中的原料口味数据;
S203:根据所述口味数据特征,生成所述原料特征。
在第一方面的一种可能实现方式中,所述预设特征得分算法包括:
其中,W表示特征得分,Y表示某个历史原料中某个原料特征的重复数目,Y’表示某个历史原料中所有原料特征的数目,X表示历史原料数据库中的历史原料的总数,X’表示包含所述某个原料特征的原料数目。
在第一方面的一种可能实现方式中,所述利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,包括:
S301:查询所述豆瓣酱的豆瓣酱种类,根据所述豆瓣酱种类,确定所述豆瓣酱的成分数量;
S302:根据所述成分数量,利用所述随机排列算法对所述原料特征进行随机筛选,得到随机筛选结果;
S303:根据所述随机筛选结果,确定所述随机筛选特征。
在第一方面的一种可能实现方式中,所述随机排列算法包括:
m!表示m(m-1)(m-2)......(m-m+1),
(n-m)!表示(n-m)(n-m-1)(n-m-2)......(n-m-n+m+1)。
在第一方面的一种可能实现方式中,所述损失函数包括:
其中,L表示损失值,n表示筛选特征得分-真实特征得分的数量,xi表示第i个筛选特征得分,yi表示第i个真实特征得分。
在第一方面的一种可能实现方式中,所述调整所述预构建的原料筛选模型中的模型参数,包括:
利用下述公式调整所述模型参数:
其中,L(θ)表示所述模型参数的参数调整结果,m表示原料特征中特征向量的数量,L表示损失值,f(ei,j,θ)表示下降函数,θ表示所述模型参数中的任一参数,ei,j和fi,j表示原料特征中特征向量的横纵坐标位置,所述特征向量是指对所述原料特征的数值化描述。
第二方面,本发明提供了一种豆瓣酱的原料筛选装置,所述装置包括:
原料特征提取模块,用于获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征;
原料特征得分计算模块,用于利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分;
筛选特征得分计算模块,用于利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分;
损失函数计算模块,用于利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值;
模型参数调整模块,用于若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤;
原料数据筛选模块,用于若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果;
其中,所述原料特征提取模块、所述原料特征得分计算模块、所述筛选特征得分计算模块以及所述损失函数计算模块之间通过模块接口串行连接;所述模型参数调整模块与所述原料特征得分计算模块之间通过模块接口进行连接;所述模型参数调整模块、所述原料数据筛选模块与所述损失函数计算模块之间通过模块接口并行连接。
第三方面,本发明提供一种设备,包括:
至少一个处理器;以及与所述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处理器执行的计算机程序,以使所述处理器能够执行如上述第一方面中任意一项所述的豆瓣酱的原料筛选方法。
第四方面,本发明提供一种介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的豆瓣酱的原料筛选方法。
与现有技术相比,本方案的技术原理及有益效果在于:
本发明实施例首先通过获取豆瓣酱中的历史原料,以用于对将历史数据作为模型的训练数据,对模型进行训练,提升模型的评分准确率,进一步地,本发明实施例通过对所述历史原料进行特征提取,以用于排除掉所述历史原料中的冗余数据,利用特征维度表示所述历史原料中的重要数据,提升数据分析的效率,进一步地,本发明实施例通过利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分,以用于将抽象化的数据特征赋予具体的数值,便于后续对不同原料组成的豆瓣酱的口味评分,进一步地,本发明实施例通过利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,以用于将所述原料特征对应的原料种类互相随机组合,保障后续判断原料的随机组合后的豆瓣酱口味,进一步地,本发明实施例通过根据所述特征得分,计算所述随机筛选特征的筛选特征得分,以用于计算各个特征随机组合后的总特征得分,便于从总特征得分中得到不同原料配比的口味结果评分,进一步地,本发明实施例通过利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值,以用于根据所述损失值,判断模型的评分准确率,保障后续在对准确率较低的模型进行调整,进一步地,本发明实施例通过调整所述预构建的原料筛选模型中的模型参数,以用于对所述预构建的原料筛选模型进行优化,提升模型预测的准确度,进一步地,本发明实施例通过利用所述训练好的原料筛选模型对待筛选数据进行筛选,以用于通过模型对庞大的数据量进行智能筛选,减少人力成本。因此,本发明实施例提出的一种豆瓣酱的原料筛选方法、装置、设备及介质,豆瓣酱的原料筛选的效率。
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,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种豆瓣酱的原料筛选方法的流程示意图;
图2为本发明一实施例中图1提供的一种豆瓣酱的原料筛选方法中历史原料的特征提取的流程示意图;
图3为本发明一实施例中图1提供的一种豆瓣酱的原料筛选方法中原料特征的随机筛选的流程示意图;
图4为本发明一实施例提供的一种豆瓣酱的原料筛选装置的模块示意图;
图5为本发明一实施例提供的实现豆瓣酱的原料筛选方法的设备的内部结构示意图。
具体实施方式
应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种豆瓣酱的原料筛选方法,所述豆瓣酱的原料筛选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发明实施例提供的该方法的设备中的至少一种。换言之,所述豆瓣酱的原料筛选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(Content Delivery Network,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。
参阅图1所示,是本发明一实施例提供的豆瓣酱的原料筛选方法的流程示意图。其中,图1中描述的豆瓣酱的原料筛选方法包括:
S1、获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征。
本发明实施例通过获取豆瓣酱中的历史原料,以用于对将历史数据作为模型的训练数据,对模型进行训练,提升模型的评分准确率。
其中,所述历史原料是指制作各种类型的豆瓣酱的多种原料,例如豆瓣酱包括川老汇豆瓣酱与郫县豆瓣酱等类型,所述郫县豆瓣酱的多种原料包括二荆条、香菇小酱、花生、盐、胡豆瓣等。
进一步地,本发明实施例通过对所述历史原料进行特征提取,以用于排除掉所述历史原料中的冗余数据,利用特征维度表示所述历史原料中的重要数据,提升数据分析的效率。
本发明的一实施例中,参阅图2所示,所述对所述历史原料进行特征提取,得到原料特征,包括:
S201:识别所述历史原料中的原料类别;
S202:利用大数据分析提取所述原料类别中的原料口味数据;
S203:根据所述口味数据特征,生成所述原料特征。
其中,所述原料类别是指所述历史原料的种类,例如二荆条、香菇小酱、花生、盐、胡豆瓣等。所述大数据分析是指对规模巨大的数据进行数据分析,对目标数据进行捕捉、管理和处理的技术。所述原料口味数据是指与口味描述相关的数据,例如“味道有点咸了、辣得过瘾”等。所述原料特征是指对原料口味的概括性描述,例如“咸、微咸、特咸、特辣”等。
S2、利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分。
本发明实施例通过利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分,以用于将抽象化的数据特征赋予具体的数值,便于后续对不同原料组成的豆瓣酱的口味评分。其中,所述预构建的原料筛选模型是指评分模型,用于对某事物的量化分析。所述预设特征得分算法包括TF-IDF算法,直方图算法等。
本发明的一实施例中,所述预设特征得分算法包括:
其中,W表示特征得分,Y表示某个历史原料中某个原料特征的重复数目,Y’表示某个历史原料中所有原料特征的数目,X表示历史原料数据库中的历史原料的总数,X’表示包含所述某个原料特征的原料数目。
S3、利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分。
本发明实施例通过利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,以用于将所述原料特征对应的原料种类互相随机组合,保障后续判断原料的随机组合后的豆瓣酱口味。
其中,所述随机排列算法是指不同数据样本都有同等的机会参与排列,数据在空间上的排列是随机的,不受主观意志的影响的算法。
本发明的一实施例中,参阅图3所示,所述利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,包括:
S301:查询所述豆瓣酱的豆瓣酱种类,根据所述豆瓣酱种类,确定所述豆瓣酱的成分数量;
S302:根据所述成分数量,利用所述随机排列算法对所述原料特征进行随机筛选,得到随机筛选结果;
S303:根据所述随机筛选结果,确定所述随机筛选特征。
其中,所述随机筛选结果是指对样本进行随机筛选的可能性结果,例如,样本为“1,2,3,4,5”时,每次从中选择两个数据,得到随机筛选结果为“12,13,14,15,23,24,25,34,35,45”。
示例性地,所述豆瓣酱种类为“郫县豆瓣酱”时,得到成分数量有3个,例如“盐、豆瓣、酱油”。
进一步地,作为本发明的又一实施例,所述随机排列算法包括:
m!表示m(m-1)(m-2)......(m-m+1),
(n-m)!表示(n-m)(n-m-1)(n-m-2)......(n-m-n+m+1)。
进一步地,本发明实施例通过根据所述特征得分,计算所述随机筛选特征的筛选特征得分,以用于计算各个特征随机组合后的总特征得分,便于从总特征得分中得到不同原料配比的口味结果评分。
本发明的一实施例中,所述根据所述特征得分,计算所述随机筛选特征的筛选特征得分,通过计算所述随机筛选特征中每个特征的特征得分的平均值确定所述筛选特征得分。
S4、利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值。
本发明实施例通过利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值,以用于根据所述损失值,判断模型的评分准确率,保障后续在对准确率较低的模型进行调整。
其中,所述损失函数是指将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。
本发明的一实施例中,所述损失函数包括:
其中,L表示损失值,n表示筛选特征得分-真实特征得分的数量,xi表示第i个筛选特征得分,yi表示第i个真实特征得分。
S5、若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤。
需要说明的是,若所述损失值大于预设阈值,表示所述预构建的原料筛选模型的预测准确率不够高,需要对模型进行优化。
本发明实施例通过调整所述预构建的原料筛选模型中的模型参数,以用于对所述预构建的原料筛选模型进行优化,提升模型预测的准确度。
其中,所述模型参数是指模型内部的配置变量,包括学习率,网络层数,每层的结点数,batch_size,剪枝率,动量因子,训练的轮数,学习率衰减率,优化器,正则化系数等等。
本发明的一实施例中,所述调整所述预构建的原料筛选模型中的模型参数,包括:利用下述公式调整所述模型参数:
其中,L(θ)表示所述模型参数的参数调整结果,m表示原料特征中特征向量的数量,L表示损失值,f(ei,j,θ)表示下降函数,θ表示所述模型参数中的任一参数,ei,j和fi,j表示原料特征中特征向量的横纵坐标位置,所述特征向量是指对所述原料特征的数值化描述。
示例性地,在所述参数类别为“学习率,网络层数,每层的结点数”时,随机选择“学习率”作为第一个要调整的模型参数,识别到“学习率”对应的参数调整规则为按照“0.001,0.002,0.003......”依次对参数取值,在参数调整结果即损失值达到最低值时,换成对参数“网络层数”进行调整,重复上述步骤,直到所有的模型参数调整完毕,得到调整好模型参数的原料筛选模型。
S6、若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果。
需要说明的是,若所述损失值不大于所述预设阈值,表示所述预构建的原料筛选模型的预测准确率足够准确,可以将构建好的模型投入实际应用中。
本发明实施例通过利用所述训练好的原料筛选模型对待筛选数据进行筛选,以用于通过模型对庞大的数据量进行智能筛选,减少人力成本。
本发明的一实施例中,所述利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果,包括:将所述待筛选数据作为所述原料筛选模型的输入数据,从所述原料筛选模型的输出数据中获取所述待筛选数据对应的待筛选特征评分;查询所述待筛选特征评分中大于预设评分的目标筛选特征评分,将所述目标特征得分对应的待筛选原料作为所述原料筛选结果。
其中,所述预设评分可以根据实际情况进行设置。
可以看出,本发明实施例首先通过获取豆瓣酱中的历史原料,以用于对将历史数据作为模型的训练数据,对模型进行训练,提升模型的评分准确率,进一步地,本发明实施例通过对所述历史原料进行特征提取,以用于排除掉所述历史原料中的冗余数据,利用特征维度表示所述历史原料中的重要数据,提升数据分析的效率,进一步地,本发明实施例通过利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分,以用于将抽象化的数据特征赋予具体的数值,便于后续对不同原料组成的豆瓣酱的口味评分,进一步地,本发明实施例通过利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,以用于将所述原料特征对应的原料种类互相随机组合,保障后续判断原料的随机组合后的豆瓣酱口味,进一步地,本发明实施例通过根据所述特征得分,计算所述随机筛选特征的筛选特征得分,以用于计算各个特征随机组合后的总特征得分,便于从总特征得分中得到不同原料配比的口味结果评分,进一步地,本发明实施例通过利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值,以用于根据所述损失值,判断模型的评分准确率,保障后续在对准确率较低的模型进行调整,进一步地,本发明实施例通过调整所述预构建的原料筛选模型中的模型参数,以用于对所述预构建的原料筛选模型进行优化,提升模型预测的准确度,进一步地,本发明实施例通过利用所述训练好的原料筛选模型对待筛选数据进行筛选,以用于通过模型对庞大的数据量进行智能筛选,减少人力成本。因此,本发明实施例提出的一种豆瓣酱的原料筛选方法可以提高豆瓣酱的原料筛选的效率。
如图4所示,是本发明豆瓣酱的原料筛选装置功能模块图。
本发明所述豆瓣酱的原料筛选装置400可以安装于设备中。根据实现的功能,所述豆瓣酱的原料筛选装置可以包括原料特征提取模块401、原料特征得分计算模块402、筛选特征得分计算模块403、筛选特征得分计算识别模块404、模型参数调整模块405以及原料数据筛选模块406。其中,所述原料特征提取模块、所述原料特征得分计算模块、所述筛选特征得分计算模块以及所述损失函数计算模块之间通过模块接口串行连接;所述模型参数调整模块与所述原料特征得分计算模块之间通过模块接口进行连接;所述模型参数调整模块、所述原料数据筛选模块与所述损失函数计算模块之间通过模块接口并行连接,所述模块接口可以理解为用于实现所述豆瓣酱的原料筛选装置400中模块之间的信息通讯接口。本发明所述模块也可以称之为单元,是指一种能够被设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在设备的存储器中。
在本发明实施例中,关于各模块/单元的功能如下:
所述原料特征提取模块401,用于获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征;
所述原料特征得分计算模块402,用于利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分;
所述筛选特征得分计算模块403,用于利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分;
所述损失函数计算模块404,用于利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值;
所述模型参数调整模块405,用于若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤;
所述原料数据筛选模块406,用于若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果。
详细地,本发明实施例中所述豆瓣酱的原料筛选装置400中的所述各模块在使用时采用与上述的图1至图3中所述的豆瓣酱的原料筛选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,是本发明实现豆瓣酱的原料筛选方法的设备的结构示意图。
所述设备可以包括处理器50、存储器51、通信总线52以及通信接口53,还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序,如豆瓣酱的原料筛选程序。
其中,所述处理器50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50是所述设备的控制核心(Control Unit),利用各种接口和线路连接整个设备的各个部件,通过运行或执行存储在所述存储器51内的程序或者模块(例如执行豆瓣酱的原料筛选程序等),以及调用存储在所述存储器51内的数据,以执行设备的各种功能和处理数据。
所述存储器51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51在一些实施例中可以是设备的内部存储单元,例如该设备的移动硬盘。所述存储器51在另一些实施例中也可以是设备的外部存储设备,例如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51还可以既包括设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于设备的应用软件及各类数据,例如数据库配置化连接程序的代码等,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52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51以及至少一个处理器50等之间的连接通信。
所述通信接口53用于上述设备5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),通常用于在该设备与其他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,所述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设备的限定,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50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,在专利发明范围上并不受此结构的限制。
所述设备中的所述存储器51存储的数据库配置化连接程序是多个计算机程序的组合,在所述处理器50中运行时,可以实现:
获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征;
利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分;
利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分;
利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值;
若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤。
若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果。
具体地,所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述设备集成的模块/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,可以存储在一个非易失性计算机可读取存储介质中。所述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设备的处理器所执行时,可以实现:
获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征;
利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分;
利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分;
利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值;
若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤。
若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果。
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。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种豆瓣酱的原料筛选方法,其特征在于,所述方法包括:
S1:获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征;
S2:利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分;
S3:利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分;
S4:利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值;
S5:若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤;
S6:若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果。
2.根据权利要求1所述的豆瓣酱的原料筛选方法,其特征在于,对所述历史原料进行特征提取,得到原料特征,包括:
S201:识别所述历史原料中的原料类别;
S202:利用大数据分析提取所述原料类别中的原料口味数据;
S203:根据所述口味数据特征,生成所述原料特征。
4.根据权利要求1所述的豆瓣酱的原料筛选方法,其特征在于,利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,包括:
S301:查询所述豆瓣酱的豆瓣酱种类,根据所述豆瓣酱种类,确定所述豆瓣酱的成分数量;
S302:根据所述成分数量,利用所述随机排列算法对所述原料特征进行随机筛选,得到随机筛选结果;
S303:根据所述随机筛选结果,确定所述随机筛选特征。
8.一种豆瓣酱的原料筛选装置,其特征在于,所述装置包括:
原料特征提取模块,用于获取豆瓣酱中的历史原料,对所述历史原料进行特征提取,得到原料特征;
原料特征得分计算模块,用于利用预构建的原料筛选模型中的预设特征得分算法计算所述原料特征的特征得分;
筛选特征得分计算模块,用于利用所述预构建的原料筛选模型中的随机排列算法对所述原料特征进行随机筛选,得到随机筛选特征,根据所述特征得分,计算所述随机筛选特征的筛选特征得分;
损失函数计算模块,用于利用所述预构建的原料筛选模型中的损失函数计算所述筛选特征得分的损失值;
模型参数调整模块,用于若所述损失值大于预设阈值,调整所述预构建的原料筛选模型中的模型参数,返回上述利用所述预构建的原料筛选模型中的预设特征得分算法对所述历史原料进行特征提取的步骤;
原料数据筛选模块,用于若所述损失值不大于所述预设阈值,得到训练好的原料筛选模型,利用所述训练好的原料筛选模型对待筛选数据进行筛选,得到原料筛选结果;
其中,所述原料特征提取模块、所述原料特征得分计算模块、所述筛选特征得分计算模块以及所述损失函数计算模块之间通过模块接口串行连接;所述模型参数调整模块与所述原料特征得分计算模块之间通过模块接口进行连接;所述模型参数调整模块、所述原料数据筛选模块与所述损失函数计算模块之间通过模块接口并行连接。
9.一种设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述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处理器执行的计算机程序,所述计算机程序被所述处理器执行,以使所述处理器能够执行如权利要求1至7中任意一项所述的豆瓣酱的原料筛选方法。
10.一种介质,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中任意一项所述的豆瓣酱的原料筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210663849.1A CN114742238B (zh) | 2022-06-14 | 2022-06-14 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210663849.1A CN114742238B (zh) | 2022-06-14 | 2022-06-14 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742238A true CN114742238A (zh) | 2022-07-12 |
CN114742238B CN114742238B (zh) | 2022-09-09 |
Family
ID=82287500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210663849.1A Active CN114742238B (zh) | 2022-06-14 | 2022-06-14 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742238B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372111A (zh) * | 2016-08-22 | 2017-02-01 | 中国科学院计算技术研究所 | 局部特征点筛选方法及系统 |
US20180060738A1 (en) * | 2014-05-23 | 2018-03-01 | DataRobot, Inc. | Systems and techniques for determining the predictive value of a feature |
CN110309875A (zh) * | 2019-06-28 | 2019-10-08 | 哈尔滨工程大学 | 一种基于伪样本特征合成的零样本目标分类方法 |
CN112017025A (zh) * | 2020-08-26 | 2020-12-01 | 天元大数据信用管理有限公司 | 一种基于深度学习与逻辑回归相融合的企业信用评估方法 |
CN112115322A (zh) * | 2020-09-25 | 2020-12-22 | 平安科技(深圳)有限公司 | 用户分群方法、装置、电子设备及存储介质 |
CN112364255A (zh) * | 2020-11-05 | 2021-02-12 | 天津大学 | 基于社交网络的学生风险预警模型建立技术 |
CN113190696A (zh) * | 2021-05-12 | 2021-07-30 | 百果园技术(新加坡)有限公司 | 一种用户筛选模型的训练、用户推送方法和相关装置 |
US11080109B1 (en) * | 2020-02-27 | 2021-08-03 | Forcepoint Llc | Dynamically reweighting distributions of event observations |
CN114220536A (zh) * | 2021-12-10 | 2022-03-22 | 深圳市北科瑞声科技股份有限公司 | 基于机器学习的疾病分析方法、装置、设备及存储介质 |
CN114494800A (zh) * | 2022-02-17 | 2022-05-13 | 平安科技(深圳)有限公司 | 预测模型训练方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-14 CN CN202210663849.1A patent/CN114742238B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060738A1 (en) * | 2014-05-23 | 2018-03-01 | DataRobot, Inc. | Systems and techniques for determining the predictive value of a feature |
CN106372111A (zh) * | 2016-08-22 | 2017-02-01 | 中国科学院计算技术研究所 | 局部特征点筛选方法及系统 |
CN110309875A (zh) * | 2019-06-28 | 2019-10-08 | 哈尔滨工程大学 | 一种基于伪样本特征合成的零样本目标分类方法 |
US11080109B1 (en) * | 2020-02-27 | 2021-08-03 | Forcepoint Llc | Dynamically reweighting distributions of event observations |
CN112017025A (zh) * | 2020-08-26 | 2020-12-01 | 天元大数据信用管理有限公司 | 一种基于深度学习与逻辑回归相融合的企业信用评估方法 |
CN112115322A (zh) * | 2020-09-25 | 2020-12-22 | 平安科技(深圳)有限公司 | 用户分群方法、装置、电子设备及存储介质 |
CN112364255A (zh) * | 2020-11-05 | 2021-02-12 | 天津大学 | 基于社交网络的学生风险预警模型建立技术 |
CN113190696A (zh) * | 2021-05-12 | 2021-07-30 | 百果园技术(新加坡)有限公司 | 一种用户筛选模型的训练、用户推送方法和相关装置 |
CN114220536A (zh) * | 2021-12-10 | 2022-03-22 | 深圳市北科瑞声科技股份有限公司 | 基于机器学习的疾病分析方法、装置、设备及存储介质 |
CN114494800A (zh) * | 2022-02-17 | 2022-05-13 | 平安科技(深圳)有限公司 | 预测模型训练方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
KWANG HO PARK 等: "Deep Learning Feature Extraction Approach for Hematopoietic Cancer Subtype Classification", 《INTERNATIONAL JOURNAL OF ENVIRONMENTAL RESEARCH AND PUBLIC HEALTH》 * |
杨俊: "上位作用特征基因的选择与分类方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
王相蕊: "基于机器学习的网络入侵检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114742238B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529565B (zh) | 目标识别模型训练和目标识别方法及装置、计算设备 | |
CN106530305B (zh) | 语义分割模型训练和图像分割方法及装置、计算设备 | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
JP6547070B2 (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
CN109002492B (zh) | 一种基于LightGBM的绩点预测方法 | |
CN110413786B (zh) | 基于网页文本分类的数据处理方法、智能终端及存储介质 | |
CN110706783B (zh) | 食谱推荐方法、装置、计算设备及计算机存储介质 | |
CN113936274A (zh) | 食物营养成分分析方法、装置、电子设备及可读存储介质 | |
CN115391669A (zh) | 一种智能推荐方法、装置、电子设备 | |
CN114398560B (zh) | 基于web平台的营销界面设置方法、装置、设备及介质 | |
CN115457451A (zh) | 基于物联网的恒温恒湿试验箱的监控方法及装置 | |
CN114676279A (zh) | 图像检索方法、装置、设备及计算机可读存储介质 | |
CN113724004A (zh) | 基于用户行为的业务宣传方法、装置、设备及存储介质 | |
CN114742238B (zh) | 豆瓣酱的原料筛选方法、装置、设备及介质 | |
CN111222566B (zh) | 用户属性识别方法、装置及存储介质 | |
CN110717787A (zh) | 一种用户的分类方法及装置 | |
CN115936346A (zh) | 一种提升豆瓣品质的制曲工艺方法、装置、设备及介质 | |
CN114973374A (zh) | 基于表情的风险评测方法、装置、设备及存储介质 | |
CN110471721A (zh) | 页面展示方法及系统、电子设备和存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN113869269A (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
CN113434680A (zh) | 基于坐席数据的用户意愿分析方法、装置、电子设备 | |
CN111291829A (zh) | 一种精选图片的自动确定方法和系统 |
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 |