CN115422443A - 食谱推荐方法、终端设备以及存储介质 - Google Patents
食谱推荐方法、终端设备以及存储介质 Download PDFInfo
- Publication number
- CN115422443A CN115422443A CN202210989933.2A CN202210989933A CN115422443A CN 115422443 A CN115422443 A CN 115422443A CN 202210989933 A CN202210989933 A CN 202210989933A CN 115422443 A CN115422443 A CN 115422443A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- recipe
- recipe recommendation
- features
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 74
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 74
- 238000007637 random forest analysis Methods 0.000 claims abstract description 59
- 230000008909 emotion recognition Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 57
- 238000003066 decision tree Methods 0.000 claims description 53
- 230000008451 emotion Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 235000021074 carbohydrate intake Nutrition 0.000 claims description 4
- 235000020983 fruit intake Nutrition 0.000 claims description 4
- 235000021274 meat intake Nutrition 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 235000001366 vegetable intake Nutrition 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 12
- 238000000513 principal component analysis Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000005431 greenhouse gas Substances 0.000 description 3
- 230000008821 health effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood 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
- G06F16/90—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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Nutrition Science (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种食谱推荐方法、终端设备以及存储介质,该方法包括:获取用户数据,用户数据包括用户的碳足迹数据;基于用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。本发明实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,为用户提供极大方便,解决了用户选择困难的情况。此外,还可以通过智能音箱结合用户的语音情感识别结果播报食谱推荐方案,能够将健康和环保及用户体验结合起来,既低碳又健康,进一步提升了用户的体验。
Description
技术领域
本发明涉及信息推荐技术领域,尤其涉及一种食谱推荐方法、终端设备以及存储介质。
背景技术
随着生活水平的多样化以及网络技术的发展,人们对食谱的自动化推荐需求逐渐增多。目前,自动化推荐食谱通常是根据用户多次存储的食谱以及对食谱的编辑进行推荐,其中,主要考虑用户的历史食谱以及用户偏好,形成相应的食谱推荐数据;另外,也有收集用户在用餐结束后对菜肴的评价信息,以此推荐相应的食谱。
但是,现有的自动化推荐食谱的方案中,用户自己编辑的食谱种类单一,数量少,而且对于用户来说编辑过程较麻烦,而通过评价信息推荐食谱的评价系统也较为简单,因此,上述向用户推荐食谱的方案均过于简单,食谱推荐结果不够精准。
发明内容
本发明的主要目的在于提供一种食谱推荐方法、终端设备以及存储介质,旨在实现食谱的自动化推荐,提升食谱推荐结果的精准性,为用户提供方便。
为实现上述目的,本发明提供一种食谱推荐方法,所述方法包括:
获取用户数据,所述用户数据包括用户的碳足迹数据;
基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;
将所述食谱推荐方案向用户推送。
可选地,所述用户数据还包括:用户的语音数据;所述将所述食谱推荐方案向用户推送的步骤之前还包括:
基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果;
所述将所述食谱推荐方案向用户推送的步骤包括:
通过智能音箱结合所述语音情感识别结果播报所述食谱推荐方案;或者
通过智能音箱结合所述语音情感识别结果以及常用食谱播报所述食谱推荐方案。
可选地,所述基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案的步骤之前还包括:
创建所述随机森林分类模型,具体包括:
获取训练数据集;
对所述训练数据集进行有放回无权重的随机抽样,得到若干对应独立的决策树;
对每棵决策树的每个节点处进行特征提取,得到每棵决策树的特征子集;
基于每棵决策树的特征子集,并行训练每棵决策树,得到训练好的决策树;
将训练好的决策树合并为随机森林分类模型。
可选地,所述基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案的步骤包括:
将所述用户的碳足迹数据作为测试样本输入至预先创建的随机森林分类模型,通过所述随机森林分类模型中的每个决策树进行投票抉择分类,取所有决策树中输出类别最多的那类作为分类结果;
将所述随机森林分类模型输出的分类结果作为食谱推荐方案。
可选地,所述基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果的步骤之前还包括:
创建情感维度回归模型,具体包括:
获取语音数据集,从所述语音数据集中提取特征,得到初始特征集;
对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集以及所述最优特征子集B训练SVR模型,得到训练好的情感维度回归模型。
可选地,所述基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果的步骤包括:
将所述用户的语音数据按照预设比例分为训练样本和测试样本;
对所述训练样本和测试样本进行特征提取,得到训练样本和测试样本对应的初始特征集的训练集和测试集;
对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集的训练集以及最优特征子集B中的训练集,训练 SVR模型,得到训练好的情感维度回归模型;
将所述最优特征子集B中的测试集输入至所述训练好的情感维度回归模型进行预测,得到所述用户的语音数据对应的P、A、D维度上的预测值。
可选地,所述对所述初始特征集进行处理和相关系数排序,得到相关特征子集A的步骤包括:
从所述初始特征集中过滤掉冗余特征和无关特征;
从过滤处理后的初始特征集中选取韵律特征、音质特征以及非线性特征所属的最大值、最小值、均值、中值和方差,并将这些特征组合为一个共计 121维的特征集MNFF;
对所述特征集MNFF从高维特征到低维特征进行空间转化,得到降维后的特征集MNFF;
基于预先创建的PAD三维情感模型,分别对P、A、D三个维度与所述特征集MNFF中的MNFF特征进行计算,得到不同维度与不同特征间的 Pearson相关系数,并按相关系数大小将MNFF特征进行排序;
基于排序结果确定相关特征子集A。
可选地,所述获取用户的碳足迹数据的步骤之后,还包括:
对所述用户的碳足迹数据进行处理,其中,处理方式包括至少以下之一:
数据预处理、缺失值处理、错误数据处理、重复数据处理、一致性检验;
所述用户的碳足迹数据包括以下一种或多种:用户的身高体重、碳水摄入、蔬菜摄入、肉类摄入、水果摄入。
本发明实施例还提出一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的食谱推荐程序,所述食谱推荐程序被所述处理器执行时实现如上所述的食谱推荐方法的步骤。
本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有食谱推荐程序,所述食谱推荐程序被处理器执行时实现如上所述的食谱推荐方法的步骤。
本发明实施例提出的一种食谱推荐方法、终端设备以及存储介质,通过获取用户数据,所述用户数据包括用户的碳足迹数据;基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。由此,基于用户数据并结合随机森林分类模型,可以自动进行食谱决策分类,得到食谱推荐方案,实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,为用户提供极大方便,并且解决了用户选择困难的情况。此外,还可以通过智能音箱结合用户的语音情感识别结果播报食谱推荐方案,由此将用户的碳足迹记录结合卡路里推出套餐分析,能够将健康和环保结合起来,既低碳又健康,可以通过智能音箱识别语音情感,分析后播报食谱和制作方法,进一步提升了用户的体验。
附图说明
图1为本发明食谱推荐装置所属终端设备的功能模块示意图;
图2为本发明食谱推荐方法一示例性实施例的流程示意图;
图3为本发明实施例随机森林中单个决策树的训练过程示意图;
图4为本发明实施例食谱套餐推荐的整体细化流程示意图;
图5为本发明食谱推荐方法另一示例性实施例的流程示意图;
图6为本发明实施例中对用户语音情感识别的整体细化流程示意图;
图7为本发明实施例中PAD三维情感模型示意图。
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。
本发明实施例的主要解决方案是:通过获取用户数据,所述用户数据包括用户的碳足迹数据;基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。由此,基于用户数据并结合随机森林分类模型,可以自动进行食谱决策分类,得到食谱推荐方案,实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,为用户提供极大方便,并且解决了用户选择困难的情况。此外,还可以通过智能音箱结合用户的语音情感识别结果播报食谱推荐方案,由此将用户的碳足迹记录结合卡路里推出套餐分析,能够将健康和环保结合起来,既低碳又健康,可以通过智能音箱识别语音情感,分析后播报食谱和制作方法,进一步提升了用户的体验。
本发明实施例涉及的技术术语:
SPSS,Statistical Product and Service Solutions,统计分析软件。
SPSS是世界上最早采用图形菜单驱动界面的统计软件,它最突出的特点就是操作界面极为友好,输出结果美观漂亮。它将几乎所有的功能都以统一、规范的界面展现出来,使用Windows的窗口方式展示各种管理和分析数据方法的功能,对话框展示出各种功能选择项。用户只要掌握一定的Windows操作技能,精通统计分析原理,就可以使用该软件为特定的科研工作服务。SPSS 采用类似EXCEL表格的方式输入与管理数据,数据接口较为通用,能方便的从其他数据库中读入数据。其统计过程包括了常用的、较为成熟的统计过程,完全可以满足非统计专业人士的工作需要。存储时则是专用的SPO格式,可以转存为HTML格式和文本格式。
碳足迹:英文为Carbon Footprint,是指企业机构、活动、产品或个人通过交通运输、食品生产和消费以及各类生产过程等引起的温室气体排放的集合。温室气体排放渠道主要有:交通运输、食品生产和消费、能源使用以及各类生产过程。通常所有温室气体排放用二氧化碳当量来表示。
碳足迹描述了一个人的能源意识和行为对自然界产生的影响,号召人们从自我做起,践行减少碳足迹的环保理念。
碳足迹表示一个人或者团体的“碳耗用量”。“碳”,就是石油、煤炭、木材等由碳元素构成的自然资源。“碳”耗用得越多,导致地球暖化的元凶“二氧化碳”也制造得越多,“碳足迹”就越大;反之,“碳足迹”就越小。
可以通过碳足迹监测和计算汇总,进行每个家庭的碳足迹记录。碳足迹记录系统多采用区域化记录方式,家庭碳足迹可以包括:家庭在某段时间内的水能、电能、燃气、供暖能源的消耗量,一段时间内家庭成员的电梯使用情况和垃圾投放情况;用户购买商品的碳足迹;家庭成员出行的碳排量等。
本实施例考虑到,现有相关技术中,可自动化推荐食谱的方案中,通常根据用户多次存储的食谱以及对食谱的编辑进行推荐,当用户将编辑之后的信息确认无误提交至服务器后,服务器会首先存储用户的食谱命令,并将该食谱与原食谱不同之处存储在用户偏好数据库中,当用餐结束后用户对该菜肴的评价会通过显示编辑界面实现,该评价被服务器的控制器进行解析存储在数据库中的食谱存储模块中,连同用户自己的调整信息一并作为新的菜谱。
现有的这种自动化推荐食谱的方案中,用户自己编辑的食谱种类单一,数量少,而且对于用户来说编辑过程较麻烦,而通过评价信息推荐食谱的评价系统也较为简单,因此,现有向用户推荐食谱的方案均过于简单,食谱推荐结果不够精准。
本发明提出一种解决方案,可以基于用户的碳足迹数据并结合随机森林分类模型,自动进行食谱决策分类,得到食谱推荐方案,此外,还可以通过智能音箱结合用户的语音情感识别结果播报食谱推荐方案,不仅实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,而且为用户提供极大方便,解决了用户选择困难的情况。
参照图1,图1为本发明食谱推荐装置所属终端设备的功能模块示意图。该食谱推荐装置可以为独立于终端设备的、能够进行数据处理的装置,其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端,还可以为具有数据处理功能的固定终端设备或服务器等。
在本实施例中,该食谱推荐装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及食谱推荐程序;输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等,通过通信模块140与外部设备或服务器进行通信。
其中,存储器130中的食谱推荐程序被处理器执行时实现以下步骤:
获取用户数据,所述用户数据包括用户的碳足迹数据;
基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;
将所述食谱推荐方案向用户推送。
进一步地,存储器130中的食谱推荐程序被处理器执行时还实现以下步骤:
基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果;
所述将所述食谱推荐方案向用户推送的步骤包括:
通过智能音箱结合所述语音情感识别结果播报所述食谱推荐方案;或者
通过智能音箱结合所述语音情感识别结果以及常用食谱播报所述食谱推荐方案。
进一步地,存储器130中的食谱推荐程序被处理器执行时还实现以下步骤:
创建所述随机森林分类模型,具体包括:
获取训练数据集;
对所述训练数据集进行有放回无权重的随机抽样,得到若干对应独立的决策树;
对每棵决策树的每个节点处进行特征提取,得到每棵决策树的特征子集;
基于每棵决策树的特征子集,并行训练每棵决策树,得到训练好的决策树;
将训练好的决策树合并为随机森林分类模型。
进一步地,存储器130中的食谱推荐程序被处理器执行时还实现以下步骤:
将所述用户的碳足迹数据作为测试样本输入至预先创建的随机森林分类模型,通过所述随机森林分类模型中的每个决策树进行投票抉择分类,取所有决策树中输出类别最多的那类作为分类结果;
将所述随机森林分类模型输出的分类结果作为食谱推荐方案。
进一步地,存储器130中的食谱推荐程序被处理器执行时还实现以下步骤:
创建情感维度回归模型,具体包括:
获取语音数据集,从所述语音数据集中提取特征,得到初始特征集;
对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集以及所述最优特征子集B训练SVR模型,得到训练好的情感维度回归模型。
进一步地,存储器130中的食谱推荐程序被处理器执行时还实现以下步骤:
将所述用户的语音数据按照预设比例分为训练样本和测试样本;
对所述训练样本和测试样本进行特征提取,得到训练样本和测试样本对应的初始特征集的训练集和测试集;
对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集的训练集以及最优特征子集B中的训练集,训练 SVR模型,得到训练好的情感维度回归模型;
将所述最优特征子集B中的测试集输入至所述训练好的情感维度回归模型进行预测,得到所述用户的语音数据对应的P、A、D维度上的预测值。
进一步地,存储器130中的食谱推荐程序被处理器执行时还实现以下步骤:
从所述初始特征集中过滤掉冗余特征和无关特征;
从过滤处理后的初始特征集中选取韵律特征、音质特征以及非线性特征所属的最大值、最小值、均值、中值和方差,并将这些特征组合为一个共计 121维的特征集MNFF;
对所述特征集MNFF从高维特征到低维特征进行空间转化,得到降维后的特征集MNFF;
基于预先创建的PAD三维情感模型,分别对P、A、D三个维度与所述特征集MNFF中的MNFF特征进行计算,得到不同维度与不同特征间的 Pearson相关系数,并按相关系数大小将MNFF特征进行排序;
基于排序结果确定相关特征子集A。
进一步地,存储器130中的食谱推荐程序被处理器执行时还实现以下步骤:
对所述用户的碳足迹数据进行处理,其中,处理方式包括至少以下之一:
数据预处理、缺失值处理、错误数据处理、重复数据处理、一致性检验;
所述用户的碳足迹数据包括以下一种或多种:用户的身高体重、碳水摄入、蔬菜摄入、肉类摄入、水果摄入。
本实施例通过上述方案,具体通过获取用户数据,所述用户数据包括用户的碳足迹数据;基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。由此,基于用户数据并结合随机森林分类模型,可以自动进行食谱决策分类,得到食谱推荐方案,实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,为用户提供极大方便,并且解决了用户选择困难的情况。此外,还可以通过智能音箱结合用户的语音情感识别结果播报食谱推荐方案,由此将用户的碳足迹记录结合卡路里推出套餐分析,能够将健康和环保结合起来,既低碳又健康,可以通过智能音箱识别语音情感,分析后播报食谱和制作方法,进一步提升了用户的体验。
基于上述终端设备架构但不限于上述架构,提出本申请方法实施例。
本实施例方法的执行主体可以为一种食谱推荐装置或终端设备等,本实施例以食谱推荐装置进行举例。
参照图2,图2为本发明食谱推荐方法一示例性实施例的流程示意图。所述食谱推荐方法包括:
步骤S101,获取用户数据,所述用户数据包括用户的碳足迹数据;
其中,所述用户的碳足迹数据包括但不限于:用户的身高体重、碳水摄入、蔬菜摄入、肉类摄入、水果摄入。
其中,由于部分数据不具备参考价值而且会对分析结果产生不利的影响,因此在分析数据前,首先对无效的数据进行有效清理,进而提高分析结果正确率。
比如,在获取用户的碳足迹数据之后还可以对用户的碳足迹数据进行清洗处理,其中,处理方式可以包括:数据预处理、缺失值处理、错误数据处理、重复数据处理、一致性检验。
具体地,清洗数据的具体过程可以如下:
数据预处理:使用python的padas包分析处理数据;
缺失值处理:用最常见的特征值、平均值和用其他数值计算的预测值来代替缺失值。
错误数据处理:使用简单规则库检查数据,去除掉不正确的数据;
重复数据处理:分析数据库中的记录,将相等的记录合并为一条记录;
一致性检验:使用SPSS技术检查数据是否合乎要求。
步骤S102,基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;
步骤S103,将所述食谱推荐方案向用户推送。
具体地,随机森林分类模型可以基于随机森林算法构建。
其中,在机器学习中,随机森林算法与其他算法(如svm等算法)相比,具有很多优点,比如:准确率较高,可以和Adaboost相提并论;可以削弱决策树容易过度拟合的问题;在大量数据集上,有很好的抗噪声能力;可以处理多维数据;训练速度快,实现比较简单;与大数据结合时运算速度同样很快。
可以基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。
其中,作为一种实施方式,可以通过智能音箱播报所述食谱推荐方案。
作为另一种实施方式,可以通过智能音箱结合常用食谱播报所述食谱推荐方案。
相比现有技术,本实施例方案通过获取用户数据,所述用户数据包括用户的碳足迹数据;基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。由此,基于用户数据并结合随机森林分类模型,可以自动进行食谱决策分类,得到食谱推荐方案,实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,为用户提供极大方便,并且解决了用户选择困难的情况。
进一步地,所述基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案的步骤之前还可以包括:
创建所述随机森林分类模型,具体包括:
获取训练数据集;
对所述训练数据集进行有放回无权重的随机抽样,得到若干对应独立的决策树;
对每棵决策树的每个节点处进行特征提取,得到每棵决策树的特征子集;
基于每棵决策树的特征子集,并行训练每棵决策树,得到训练好的决策树;
将训练好的决策树合并为随机森林分类模型。
其中,所述基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案的步骤包括:
将所述用户的碳足迹数据作为测试样本输入至预先创建的随机森林分类模型,通过所述随机森林分类模型中的每个决策树进行投票抉择分类,取所有决策树中输出类别最多的那类作为分类结果;
将所述随机森林分类模型输出的分类结果作为食谱推荐方案。
以下详细介绍随机森林分类模型的构建过程。
采用随机森林算法构建出随机森林分类模型,具体流程为:
首先,获取训练数据集,对训练数据集进行有放回无权重抽样的随机抽取,形成相对独立的决策树,然后,随机选取特征子集,并行训练每棵决策树,最后综合全部决策树的预测结果进行分类。
具体地,对训练数据集有放回无权重抽样进行随机抽取,根据提前设定的决策树数量n,对训练集数据进行n次有放回的抽样,通过每次抽样得到的数据集形成相应的决策树。
由于是无权重抽样,训练数据集中的每条数据都有可能被抽到。同时,为了保证每棵决策树的相对独立性,抽取的数据来自训练数据集中不同行不同列,从而形成多个相对独立的数据集,所以形成的决策树也是相对独立的。
在已经构建完成的数据集中,总共有P个特征(P>=1),那么在每棵决策树的每个节点处随机地抽取q个特征(q<P,且通常取)组成一个特征子集,然后通过对这q个特征所蕴含的信息量进行计算,选取出其中分类能力最强的特征继续进行节点分类。
然后,并行训练每棵决策树,对于决策树的生长不进行限制与干涉。
然后,将构造好的决策树合并为随机森林分类模型,这样后续即可利用随机森林分类模型对需要分类的数据进行分类。
其中,在得到随机森林分类模型之后,当有一个新的测试样本进入随机森林分类模型时,其实就是让随机森林分类模型中的每一棵决策树分别进行投票抉择,最终取所有决策树中输出类别最多的那类为分类结果。
其中,H(x)表示分类组合模型,hi是单个决策树分类模型,I(·)为示性函数(示性函数是指一个函数使得当集合内有此数时值为1,当集合内无此数时值为0),Y表示目标变量(或称输出变量)。
本实施例中,随机森林中单个决策树的训练过程可以参照图3所示,本实施例食谱套餐推荐的整体细化流程可以参照图4所示。
由此,通过上述方案,可以基于用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到合适的食谱推荐方案推荐给用户,实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,同时为用户提供极大方便,解决了用户选择困难的情况。
参照图5,图5为本发明食谱推荐方法另一示例性实施例的流程示意图。
相比上述图2所示的实施例,在本实施例中,所述用户数据还包括:用户的语音数据;所述步骤S103,将所述食谱推荐方案向用户推送之前还包括:
步骤S1031,基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果;
步骤S103,将所述食谱推荐方案向用户推送包括:
步骤S1032,通过智能音箱结合所述语音情感识别结果播报所述食谱推荐方案;或者通过智能音箱结合所述语音情感识别结果以及常用食谱播报所述食谱推荐方案。
相比上述图2所示的实施例,本实施例还包括通过情感维度回归模型,对用户的语音数据进行语音情感识别,并结合用户的语音情感识别结果对食谱推荐方案进行播报的实现方案。
具体地,作为一种实施方式,在基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果的步骤之前还包括:
创建情感维度回归模型,具体包括:
获取语音数据集,从所述语音数据集中提取特征,得到初始特征集;
对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集以及所述最优特征子集B训练SVR模型,得到训练好的情感维度回归模型。
之后,基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果;
具体地,将用户的语音数据输入至所述训练好的情感维度回归模型进行预测,得到所述用户的语音数据对应的P、A、D维度上的预测值,作为用户的语音情感识别结果。
最后,通过智能音箱结合所述语音情感识别结果播报所述食谱推荐方案;或者通过智能音箱结合所述语音情感识别结果以及常用食谱播报所述食谱推荐方案。
作为另一种实施方式,所述基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果的步骤可以包括:
首先,将所述用户的语音数据按照预设比例分为训练样本和测试样本;
然后,对所述训练样本和测试样本进行特征提取,得到训练样本和测试样本对应的初始特征集的训练集和测试集;
然后,对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
其中,对所述初始特征集进行处理具体实现时,可以对所述初始特征集进行过滤和降维处理,包括:
从所述初始特征集中过滤掉冗余特征和无关特征;从过滤处理后的初始特征集中选取韵律特征、音质特征以及非线性特征所属的最大值、最小值、均值、中值和方差,并将这些特征组合为一个共计121维的特征集MNFF;
对所述特征集MNFF从高维特征到低维特征进行空间转化,得到降维后的特征集MNFF。
然后,对降维后的特征集MNFF进行相关系数排序,得到相关特征子集 A。具体包括:
基于预先创建的PAD三维情感模型,分别对P、A、D三个维度与所述特征集MNFF中的MNFF特征进行计算,得到不同维度与不同特征间的 Pearson相关系数,并按相关系数大小将MNFF特征进行排序;基于排序结果确定相关特征子集A。
然后,对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集的训练集以及最优特征子集B中的训练集,训练 SVR模型,得到训练好的情感维度回归模型;
将所述最优特征子集B中的测试集输入至所述训练好的情感维度回归模型进行预测,得到所述用户的语音数据对应的P、A、D维度上的预测值,作为用户的语音情感识别结果。
本实施例对用户语音情感识别的整体细化流程可以参照图6所示。
具体地,首先,创建维度情感模型:PAD三维情感模型。
如图7所示,该模型的基础理念是情绪包含了愉悦度、激活度和优势度三个维度。其中:
P指代愉悦度(Pleasure-displeasure),该指标体现了个人情绪状态的正向偏好或负向偏好,即情绪的积极程度或消极程度,如喜欢或不喜欢。测量表上通常用“积极”和“消极”进行标注。
A指代激活度(Arousal-nonarousal),或者叫唤醒维度。与情感状态相关联的机体能量的激活度高度相关,即情绪的强度特征。测量表上通常用“低唤醒”和“高唤醒”进行标注。
D指代优势度(Dominance-submissiveness),该指标体现了情感表达者受外界因素的影响程度。测量表上通常用“主动”和“被动”进行标注。
其次,构建情感维度的回归模型(SVR),主要通过支持向量回归的建模方法实现,其中:
SVR预测算法的目标函数为:
上式中向量w与偏差b是需要求得的量,从而求得函数模型,n为样本数量,ε为容忍偏差量,yi为样本纵坐标值,T为转置符号,ξi为松弛变量,C 代表惩罚因子,C是一个人为指定的数值,体现了研究人员对于偏离群体点的重视程度,C取值太小时,会导致过拟合现象的发生;而当C逼近无穷大时,会致使SVM退化为硬间隔分类器。
利用La关联度nge法对上式求解,并以KTT优化条件为根据整理得到 SVR模型为:
在基于情感维度的回归模型对用户进行语音情感识别时,涉及的算法包括:
1、特征降维方法:
特征选择:从初始特征集中过滤掉冗余特征和无关特征这类多余特征,从而找出最优特征子集。其中,选取了韵律特征,音质特征以及非线性特征所属的最大值、最小值、均值、中值和方差,将这些特征组合为一个共计121 维的特征集MNFF。
特征提取:通过对初始特征集进行空间转化,生成较小维数且维数间具有高独立性的新空间的降维方法。
2、PCA(主成分分析)算法:把初始特征对应的高维特征空间映射到为低维特征空间,该算法可在最大限度保持原数据特征特性的同时降低特征的维度。
基于情感维度的回归模型对用户进行语音情感识别的具体预测流程如下:
(1)初步提取情感特征。从用户语音数据构成的情感语音数据库中提取的情感特征是进行PAD维度预测的直接实验数据来源。
其中,将情感语音库中的音频数据按照比例为3:1的比例分为训练样本和测试样本,并按照MNFF特征集进行特征提取(MNFF为一个共计121维的特征集,具体选取了韵律特征,音质特征以及非线性特征所属的最大值、最小值、均值、中值和方差);
(2)Pearson相关系数排序。分别对P、A、D三个维度与MNFF特征进行计算,使用公式得到不同维度与不同特征间的Pearson 相关系数r,并按系数大小将特征进行排序,通过式得到误差MAE后,以误差MAE最小原则,最终确定相关特征子集A;
(3)PCA特征提取。对Pearson相关系数排序后选择的相关特征子集A进一步提取,使用PCA算法在最大化保留原特征集特性的前提下继续降低特征集维数得到最优特征子集B;
(4)对比P、A、D维度预测值。将最优特征子集B按照同比例分为训练样本B和测试样本B,可知训练样本B的特征由初始特征集的训练集的MNFF特征经PCA优化后得到且为最优,其次,使用初始特征集的训练集以及训练样本B中各维度所属的最优特征应用于SVR模型的训练。
最后,将测试样本B的最优特征输入到上一步得到的SVR模型并得到待测语音P、A、D维度上的预测值。
在预测时,SVR模型对P维度以及A维度的预测值与原维度值相关性最高;而其MAE值更低,证明该模型有更好的拟合效果。由此可以得出SVR 模型最适用于P维度和A维度的音情感维度预测。综合对比各个模型的表现, SVR模型的实验结果相比几类神经网络模型更优,因为其针对小样本数据具有更好的预测效果。
本实施例通过上述方案,具体通过获取用户数据,所述用户数据包括用户的碳足迹数据;基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。由此,基于用户数据并结合随机森林分类模型,可以自动进行食谱决策分类,得到食谱推荐方案,实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,为用户提供极大方便,并且解决了用户选择困难的情况。此外,还可以通过智能音箱结合用户的语音情感识别结果播报食谱推荐方案,由此将用户的碳足迹记录结合卡路里推出套餐分析,能够将健康和环保结合起来,既低碳又健康,可以通过智能音箱识别语音情感,分析后播报食谱和制作方法,进一步提升了用户的体验。
此外,本发明实施例还提出一种终端设备,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的食谱推荐程序,所述食谱推荐程序被所述处理器执行时实现如上述实施例所述的食谱推荐方法的步骤。
由于本食谱推荐程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
此外,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上存储有食谱推荐程序,所述食谱推荐程序被处理器执行时实现如上述实施例所述的食谱推荐方法的步骤。
由于本食谱推荐程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
相比现有技术,本发明实施例提出的一种食谱推荐方法、终端设备以及存储介质,通过获取用户数据,所述用户数据包括用户的碳足迹数据;基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;将所述食谱推荐方案向用户推送。由此,基于用户数据并结合随机森林分类模型,可以自动进行食谱决策分类,得到食谱推荐方案,实现了食谱的自动化推荐,提升了食谱推荐结果的精准性,为用户提供极大方便,并且解决了用户选择困难的情况。此外,还可以通过智能音箱结合用户的语音情感识别结果播报食谱推荐方案,由此将用户的碳足迹记录结合卡路里推出套餐分析,能够将健康和环保结合起来,既低碳又健康,可以通过智能音箱识别语音情感,分析后播报食谱和制作方法,进一步提升了用户的体验。
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、方法、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
上述本申请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,本申请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,被控终端,或者网络设备等)执行本申请每个实施例的方法。
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 (10)
1.一种食谱推荐方法,其特征在于,所述方法包括:
获取用户数据,所述用户数据包括用户的碳足迹数据;
基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案;
将所述食谱推荐方案向用户推送。
2.根据权利要求1所述的方法,其特征在于,所述用户数据还包括:用户的语音数据;所述将所述食谱推荐方案向用户推送的步骤之前还包括:
基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果;
所述将所述食谱推荐方案向用户推送的步骤包括:
通过智能音箱结合所述语音情感识别结果播报所述食谱推荐方案;或者
通过智能音箱结合所述语音情感识别结果以及常用食谱播报所述食谱推荐方案。
3.根据权利要求1所述的方法,其特征在于,所述基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案的步骤之前还包括:
创建所述随机森林分类模型,具体包括:
获取训练数据集;
对所述训练数据集进行有放回无权重的随机抽样,得到若干对应独立的决策树;
对每棵决策树的每个节点处进行特征提取,得到每棵决策树的特征子集;
基于每棵决策树的特征子集,并行训练每棵决策树,得到训练好的决策树;
将训练好的决策树合并为随机森林分类模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述用户的碳足迹数据,并结合预先创建的随机森林分类模型,进行食谱决策分类,得到食谱推荐方案的步骤包括:
将所述用户的碳足迹数据作为测试样本输入至预先创建的随机森林分类模型,通过所述随机森林分类模型中的每个决策树进行投票抉择分类,取所有决策树中输出类别最多的那类作为分类结果;
将所述随机森林分类模型输出的分类结果作为食谱推荐方案。
5.根据权利要求2所述的方法,其特征在于,所述基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果的步骤之前还包括:
创建情感维度回归模型,具体包括:
获取语音数据集,从所述语音数据集中提取特征,得到初始特征集;
对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集以及所述最优特征子集B训练SVR模型,得到训练好的情感维度回归模型。
6.根据权利要求2所述的方法,其特征在于,所述基于情感维度回归模型,对所述用户的语音数据进行语音情感识别,得到语音情感识别结果的步骤包括:
将所述用户的语音数据按照预设比例分为训练样本和测试样本;
对所述训练样本和测试样本进行特征提取,得到训练样本和测试样本对应的初始特征集的训练集和测试集;
对所述初始特征集进行处理和相关系数排序,得到相关特征子集A;
对所述相关特征子集A,使用PCA算法进行降维处理,得到最优特征子集B;
基于所述初始特征集的训练集以及最优特征子集B中的训练集,训练SVR模型,得到训练好的情感维度回归模型;
将所述最优特征子集B中的测试集输入至所述训练好的情感维度回归模型进行预测,得到所述用户的语音数据对应的P、A、D维度上的预测值。
7.根据权利要求5或6所述的方法,其特征在于,所述对所述初始特征集进行处理和相关系数排序,得到相关特征子集A的步骤包括:
从所述初始特征集中过滤掉冗余特征和无关特征;
从过滤处理后的初始特征集中选取韵律特征、音质特征以及非线性特征所属的最大值、最小值、均值、中值和方差,并将这些特征组合为一个共计121维的特征集MNFF;
对所述特征集MNFF从高维特征到低维特征进行空间转化,得到降维后的特征集MNFF;
基于预先创建的PAD三维情感模型,分别对P、A、D三个维度与所述特征集MNFF中的MNFF特征进行计算,得到不同维度与不同特征间的Pearson相关系数,并按相关系数大小将MNFF特征进行排序;
基于排序结果确定相关特征子集A。
8.根据权利要求1所述的方法,其特征在于,所述获取用户的碳足迹数据的步骤之后,还包括:
对所述用户的碳足迹数据进行处理,其中,处理方式包括至少以下之一:
数据预处理、缺失值处理、错误数据处理、重复数据处理、一致性检验;
所述用户的碳足迹数据包括以下一种或多种:用户的身高体重、碳水摄入、蔬菜摄入、肉类摄入、水果摄入。
9.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的食谱推荐程序,所述食谱推荐程序被所述处理器执行时实现如权利要求1-8中任一项所述的食谱推荐方法的步骤。
10.一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上存储有食谱推荐程序,所述食谱推荐程序被处理器执行时实现如权利要求1-8中任一项所述的食谱推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989933.2A CN115422443A (zh) | 2022-08-17 | 2022-08-17 | 食谱推荐方法、终端设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210989933.2A CN115422443A (zh) | 2022-08-17 | 2022-08-17 | 食谱推荐方法、终端设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422443A true CN115422443A (zh) | 2022-12-02 |
Family
ID=84199164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210989933.2A Pending CN115422443A (zh) | 2022-08-17 | 2022-08-17 | 食谱推荐方法、终端设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422443A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112912A (zh) * | 2023-10-23 | 2023-11-24 | 深圳数拓科技有限公司 | 基于用户特征的餐饮内容个性化展示方法及系统 |
CN117153339A (zh) * | 2023-09-19 | 2023-12-01 | 上海交通大学医学院附属新华医院 | 一种基于决策树机器学习的膳食推荐方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688568A (zh) * | 2019-09-17 | 2020-01-14 | 深圳市火王燃器具有限公司 | 一种菜谱的推荐方法及装置 |
CN111183485A (zh) * | 2016-10-24 | 2020-05-19 | 荷兰应用自然科学研究组织Tno | 用于实现基于生命体征、基因型和表型的膳食选择的系统和方法 |
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 |
US20210104322A1 (en) * | 2019-07-24 | 2021-04-08 | GATC Health Corp | Personal wellness recommendation engine |
-
2022
- 2022-08-17 CN CN202210989933.2A patent/CN115422443A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111183485A (zh) * | 2016-10-24 | 2020-05-19 | 荷兰应用自然科学研究组织Tno | 用于实现基于生命体征、基因型和表型的膳食选择的系统和方法 |
US20210104322A1 (en) * | 2019-07-24 | 2021-04-08 | GATC Health Corp | Personal wellness recommendation engine |
CN110688568A (zh) * | 2019-09-17 | 2020-01-14 | 深圳市火王燃器具有限公司 | 一种菜谱的推荐方法及装置 |
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 |
Non-Patent Citations (3)
Title |
---|
崔博文: "基于PAD情感三维模型的语音情感分析算法研究" * |
胡新祥等: "基于随机森林算法的农产品产量影响因素权重分析" * |
韦东: "基于随机森林算法的知乎优质答案推荐研究", 中国优秀硕士学位论文全文数据库信息科技辑 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153339A (zh) * | 2023-09-19 | 2023-12-01 | 上海交通大学医学院附属新华医院 | 一种基于决策树机器学习的膳食推荐方法及系统 |
CN117112912A (zh) * | 2023-10-23 | 2023-11-24 | 深圳数拓科技有限公司 | 基于用户特征的餐饮内容个性化展示方法及系统 |
CN117112912B (zh) * | 2023-10-23 | 2024-01-23 | 深圳数拓科技有限公司 | 基于用户特征的餐饮内容个性化展示方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115422443A (zh) | 食谱推荐方法、终端设备以及存储介质 | |
Kaur et al. | Review on heart disease prediction system using data mining techniques | |
CN109460737A (zh) | 一种基于增强式残差神经网络的多模态语音情感识别方法 | |
CN108230085A (zh) | 一种基于用户评论的商品评价系统及方法 | |
CN105468596B (zh) | 图片检索方法和装置 | |
KR102525599B1 (ko) | 스트레스 관련 콘텐츠 제공 장치 및 방법 | |
CN111125525B (zh) | 一种面向服刑人员的个性化改造矫正策略推荐系统及其运行方法 | |
US11501358B2 (en) | Systems and computer program product for determining an object property | |
Gkintoni et al. | Emotional intelligence in social network consumers | |
CN112818222B (zh) | 一种基于知识图谱的个性化饮食推荐方法及系统 | |
Halkiopoulos et al. | Behavioral data analysis in emotional intelligence of social network consumers | |
CN110162705A (zh) | 基于智能厨房的自动摆盘的方法、装置及存储介质 | |
CN107368506A (zh) | 非结构化数据分析系统和方法 | |
Arwatchananukul et al. | Fast and Efficient Cavendish Banana Grade Classification using Random Forest Classifier with Synthetic Minority Oversampling Technique. | |
Qu et al. | RIO: A Benchmark for Reasoning Intention-Oriented Objects in Open Environments | |
Joyfong et al. | Preparation of Smart Card Data for Food Purchase Analysis of Students through Process Mining | |
CN111180042A (zh) | 一种基于标准营养素指标评价个人饮食的方法 | |
CN112435103B (zh) | 一种事后多样性解释的智能推荐方法及系统 | |
CN114997959A (zh) | 一种电子智造产品营销推荐方法 | |
CN110619943A (zh) | 一种食谱推荐方法、装置、烹饪电器和计算机存储介质 | |
CN114386826A (zh) | 一种基于融合感官体验的模糊网络dea包装材料评估方法 | |
Wang et al. | Construction of a novel production develop decision model based on text mined | |
Rocchesso et al. | Organizing a sonic space through vocal imitations | |
Stamoulis et al. | Associations of Personality Traits and Emotional Intelligence In Social Network Consumers via Data Mining Techniques | |
Liu et al. | Research on emotional design of intelligent sleep products for the elderly based on Kano model and customer satisfaction and dissatisfaction coefficients |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221202 |