CN116662663B - 一种基于知识图谱和深度学习的用户菜品推荐方法 - Google Patents
一种基于知识图谱和深度学习的用户菜品推荐方法 Download PDFInfo
- Publication number
- CN116662663B CN116662663B CN202310707490.8A CN202310707490A CN116662663B CN 116662663 B CN116662663 B CN 116662663B CN 202310707490 A CN202310707490 A CN 202310707490A CN 116662663 B CN116662663 B CN 116662663B
- Authority
- CN
- China
- Prior art keywords
- dish
- user
- information
- attribute
- vector
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 88
- 235000013305 food Nutrition 0.000 claims abstract description 42
- 201000010099 disease Diseases 0.000 claims abstract description 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 36
- 239000000463 material Substances 0.000 claims abstract description 33
- 235000005911 diet Nutrition 0.000 claims abstract description 21
- 230000037213 diet Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 235000019640 taste Nutrition 0.000 claims description 10
- 235000016709 nutrition Nutrition 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 235000020803 food preference Nutrition 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000035764 nutrition Effects 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- 235000021186 dishes Nutrition 0.000 description 37
- 238000001914 filtration Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 235000013325 dietary fiber Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 235000013594 poultry meat Nutrition 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 235000020985 whole grains Nutrition 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开的基于知识图谱和深度学习的用户菜品推荐方法,结合食材库信息,同时对菜品、用户及疾病等数据利用三元组表示菜品实体、菜品相关属性及菜品实体与菜品相关属性之间的属性关系集合来构建知识图谱,可以帮助理解同类型实物与不同类实体之间的关联,作为辅助信息嵌入到推荐算法中,用来解决传统推荐算法中存在的冷启动和数据稀疏性问题,其能够有效提升菜品推荐的多样性;另外,基于深度学习的推荐算法中结合用户多种属性进行特征构建对Wide&Deep模型进行训练,将当前点餐用户对菜品的饮食偏好向量集合和当前点餐用户基本信息的关联向量集合通过已经训练好的Wide&Deep模型不断优化模型,实现高精度的预测和分类,其自适应性更强,预测精准度更高。
Description
技术领域
本发明涉及用户菜品推荐技术领域,特别是一种基于知识图谱和深度学习的用户菜品推荐方法。
背景技术
面对海量的菜品选项,用户可能感到无从选择。一个有效的推荐系统可以帮助用户快速找到合适的菜品,节省用户在挑选菜品上的时间。通过个性化的菜品推荐,用户可以更容易地发现符合自己口味、需求和喜好的菜品,从而提高点餐体验和满意度。而且个性化推荐有助于激发用户的兴趣和购买欲望,从而增加平台的订单量和营业额。有效的菜品推荐可以使用户感受到点餐平台关注并满足他们的需求,从而增加用户对平台的忠诚度和黏性。现有的点餐平台的菜品推荐技术有很多,比如,基于协同过滤的方法;其基本思想是根据用户之前的喜好以及其他兴趣相近的用户的点餐行为来预测该用户感兴趣的菜品,基于对用户历史行为数据的挖掘发现用户的喜好偏向,并预测用户可能喜好的产品进行推荐,一般仅仅基于用户的行为数据(评价、购买、点击等),而不依赖于菜品自身的任何附加属性信息或者用户的任何附加信息(年龄,性别等)。目前应用较为广泛的菜品协同过滤算法是基于领域的方法,该方法又可细分为以下两类:基于用户的协同过滤算法(UserCF):给用户推荐和他兴趣相似的其他用户喜欢的产品,基于菜品的协同过滤算法(ItemCF):给用户推荐和他之前喜欢的菜品相似的菜。基于内容的菜品推荐算法,根据用户的历史订单和评价数据,获取用户感兴趣的偏好以此进行推荐。
然而,采用协同过滤的方法时,点餐平台菜品数量众多,用户一般只对一小部分菜品进行评分或者有购买记录,所以用户之间对菜品的喜好重合性相对较小,在这种情况下会造成样本的稀疏性;对于新用户,没有历史的菜品访问、购买及评价信息,所以无法获取用户对菜品的历史相关联信息,所以这就出现了冷启动问题。另外,基于内容的菜品推荐算法,推荐的结果会聚集在用户过去感兴趣的属性的菜品上,如果用户不主动关注其他类型的菜品,很难为用户推荐多样性的结果,也无法挖掘用户深层次的潜在兴趣,而且基于实践应用场景,基于内容的推荐算法精确度也相对较低;同时现如今的菜品推荐算法大多忽略了菜品的营养健康属性。
发明内容
本发明的目的在于针对现有技术的缺陷,提供一种能够结合多维度提升菜品推荐的多样性及准确性的基于知识图谱和深度学习的用户菜品推荐方法。
本发明所述的基于知识图谱和深度学习的用户菜品推荐方法,包括:
菜品推荐算法模型构建:
获取食材库信息、疾病人群信息以及点餐平台的用户基本信息和菜品信息;
根据食材库信息、疾病人群信息以及点餐平台的用户信息和菜品信息,利用三元组表示菜品实体、菜品相关属性及菜品实体与菜品相关属性之间的属性关系集合来构建知识图谱;
通过知识图谱中的三元组关系集合训练TransD模型;
根据用户在点餐平台的历史购买、点击、收藏记录及用户基本信息获取用户感兴趣的菜品集合和用户信息与购买信息的用户属性信息关联集合;
将用户感兴趣的菜品集合和用户信息与购买信息的属性关联信息集合通过训练好的TransD模型,在知识图谱中计算出菜品属性的权重,由属性权重和属性值的向量计算出用户对菜品的饮食偏好向量和用户基本属性信息关联向量;
根据饮食偏好向量、用户基本属性信息关联向量进行向量拼接构建基于深度学习推荐算法的训练集对Wide&Deep模型进行训练;
菜品推荐:
获取当前点餐用户基本信息;
判断当前点餐用户是否为新用户;
是,则将当前点餐用户基本信息的关联向量集合与老用户基本属性信息关联向量集合通过相似度计算出新用户的相似用户,并将相似用户感兴趣的菜品集合作为当前点餐用户感兴趣的菜品集合;否则直接获取当前点餐用户感兴趣的菜品集合;
将当前点餐用户感兴趣的菜品集合通过训练好的TransD模型,在知识图谱中计算出菜品属性的权重,由属性权重和属性值的向量计算出当前点餐用户对菜品的饮食偏好向量集合;
将当前点餐用户对菜品的饮食偏好向量集合和当前点餐用户基本信息的关联向量集合进行向量拼接,作为Wide&Deep的输入,并通过已经训练好的Wide&Deep模型输出,由softmax进行降序排列得到推荐评分,以获取前N个分数对应的菜品,作为推荐给当前点餐用户的菜品集合。
作为本发明的一种优选方案,三元组用(h,r,t)来表示,知识图谱可以定义为G:G={(h,r,t|h,t∈E,r∈R)},其中h为菜品实体,t为菜品相关属性,R表示菜品实体与菜品相关属性之间的属性关系集合。
作为本发明的一种优选方案,菜品属性的权重计算公式如下:其中h和rj为TransD训练获取的菜品及属性关系的向量,/>则为TransD模型中依据菜品实体h生成的投影矩阵。
作为本发明的一种优选方案,根据属性权重和属性值的向量计算出当前点餐用户对菜品的饮食偏好向量q,计算公式如下:tj为属性值的向量,/>为菜品对应属性值的权重,得到用户i对某一菜品p的饮食偏好向量qp,qp={e1,e2,...ek},k为知识图谱中实体嵌入的维度k。
作为本发明的一种优选方案,softmax公式如下所示:其中C表示向量的维度数,xi表示向量的第i个参数值,e表示常数,其值约为2.71828,/>表示e的xi次方。
作为本发明的一种优选方案,设当前点餐用户基本信息的关联特征F,F为一个一维向量如下所示:F={f1,f2,f3,...fn},n=属性数;相似度计算则使用余弦相似度,计算公式如下:
作为本发明的一种优选方案,食材库信息包括食材所属类别。
作为本发明的一种优选方案,疾病人群信息包括疾病人的疾病症状、疾病可以食用食材及菜品、疾病推荐食用食材及菜品、疾病不宜食用食材及菜品;通过获取非结构化的文本信息,采用知识抽取方式,从非结构化数据中提取疾病的相关信息以获得疾病人群信息。
作为本发明的一种优选方案,点餐平台的用户基本信息包括用户年龄、性别、身高、体重、患病史、个人饮食口味偏好及对自身体重的预期。
作为本发明的一种优选方案,点餐平台的菜品信息包括菜品的制作方式、制作所需食材、菜品营养成分、菜品口味、适合食用人群。
本发明的有益效果:
菜品推荐算法结合食材库信息,同时对菜品、用户及疾病等数据利用三元组表示菜品实体、菜品相关属性及菜品实体与菜品相关属性之间的属性关系集合来构建知识图谱,从而可以帮助理解同类型实物与不同类实体之间的关联,作为辅助信息嵌入到推荐算法中,用来解决传统推荐算法中存在的冷启动和数据稀疏性问题,其能够有效提升菜品推荐的多样性;另外,基于深度学习的推荐算法中结合用户多种属性进行特征构建,通过根据饮食偏好向量和用户基本属性信息关联向量进行向量拼接构建基于深度学习推荐算法的训练集对Wide&Deep模型进行训练,将当前点餐用户对菜品的饮食偏好向量集合和当前点餐用户基本信息的关联向量集合进行向量拼接,作为Wide&Deep模型的输入,并通过已经训练好的Wide&Deep模型输出,不断优化模型,从而实现高精度的预测和分类,而且自适应性更强,预测精准度更高。
附图说明
图1为本发明一种基于知识图谱和深度学习的用户菜品推荐方法的流程示意图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于知识图谱和深度学习的用户菜品推荐方法,如图1所示,包括:
菜品推荐算法模型构建:
获取食材库信息、疾病人群信息以及点餐平台的用户基本信息和菜品信息。
食材库信息包括食材所属类别,根据中国膳食宝塔将食谱中食物进行相关归类:奶及奶制品、大豆及坚果类、畜禽肉、水产品、蛋类、蔬菜类、水果类、谷薯类、全谷物和杂豆、薯类,食材营养成分,营养成分包含碳水化合物、蛋白质、脂肪、矿物质、维生素以及水和膳食纤维,食材适合食用人群,相克食材,食材口味。
疾病人群信息包括疾病人的疾病症状、疾病可以食用食材及菜品、疾病推荐食用食材及菜品、疾病不宜食用食材及菜品;通过获取非结构化的文本信息,采用知识抽取方式,从非结构化数据中提取疾病的相关信息以获得疾病人群信息。
点餐平台的用户基本信息包括用户年龄、性别、身高、体重、患病史(高血压、糖尿病、低血糖等)、个人饮食口味偏好(酸、甜、苦、辣、咸、清淡)及对自身体重的预期(减重、增重或者保持)。
点餐平台的菜品信息包括菜品的制作方式、制作所需食材、菜品营养成分、菜品口味、适合食用人群。
根据食材库信息、疾病人群信息以及点餐平台的用户信息和菜品信息,利用三元组表示菜品实体、菜品相关属性及菜品实体与菜品相关属性之间的属性关系集合来构建知识图谱。
三元组用(h,r,t)来表示,知识图谱可以定义为G:G={(h,r,t|h,t∈E,r∈R)},其中h为菜品实体,t为菜品相关属性,R表示菜品实体与菜品相关属性之间的属性关系集合。菜品实体与菜品相关属性之间的属性关系集合可表示为(菜品,制作,制作方式),(菜品,组成食材,食材),(菜品,食用适合疾病,疾病),(菜品,食用不适合,人群),(菜品,售价,价格),(菜品,味道,口味),(菜品,所属菜系,所属菜系名)。
通过知识图谱中的三元组关系集合训练TransD模型。
根据用户在点餐平台的历史购买、点击、收藏记录及用户基本信息获取用户感兴趣的菜品集合和用户信息与购买信息的用户属性信息关联集合。
将用户感兴趣的菜品集合和用户信息与购买信息的属性关联信息集合通过训练好的TransD模型,在知识图谱中计算出菜品属性的权重,由属性权重和属性值的向量计算出用户对菜品的饮食偏好向量和用户基本属性信息关联向量。
其中,菜品属性的权重计算公式如下:其中h和rj为TransD训练获取的菜品及属性关系的向量,/>则为TransD模型中依据菜品实体h生成的投影矩阵。然后,根据属性权重和属性值的向量计算出当前点餐用户对菜品的饮食偏好向量q,计算公式如下:/>tj为属性值的向量,/>为菜品对应属性值的权重,得到用户i对某一菜品p的饮食偏好向量qp,qp={e1,e2,...ek},k为知识图谱中实体嵌入的维度k。
根据饮食偏好向量、用户基本属性信息关联向量进行向量拼接构建基于深度学习推荐算法的训练集对Wide&Deep模型进行训练。
将用户基本属性信息关联向量与用户菜品的饮食偏好向量进行向量拼接,模型训练标签为1或者0,该实施例采用深度学习推荐模型为Wide&Deep,采用深度学习模型训练方式,进行模型训练,最终全连接层输出的1×2的向量(x1,x2),通过softmax函数映射为x1+x2=1,x1表示预测结果为0的概率,x2表示预测标签为1的概率,softmax公式如下所示:
其中C表示向量的维度数,本实施例中C=2,xi表示向量的第i个参数值,e表示常数,其值约为2.71828,表示e的xi次方。
菜品推荐:
获取当前点餐用户基本信息;
判断当前点餐用户是否为新用户。新用户可以根据当前点餐用户的属性如年龄、性别、身高、体重、患病史、个人饮食口味偏好等基本信息作为关联特征F。是新用户,则将当前点餐用户基本信息的关联向量集合与老用户基本属性信息关联向量集合通过相似度计算出新用户的相似用户,并将相似用户感兴趣的菜品集合作为当前点餐用户感兴趣的菜品集合。此时,F为一个一维向量如下所示:F={f1,f2,f3,...fn},n=属性数;相似度计算则使用余弦相似度,计算公式如下:
否则直接获取当前点餐用户感兴趣的菜品集合。
将当前点餐用户感兴趣的菜品集合通过训练好的TransD模型,在知识图谱中计算出菜品属性的权重,由属性权重和属性值的向量计算出当前点餐用户对菜品的饮食偏好向量集合。
将当前点餐用户对菜品的饮食偏好向量集合和当前点餐用户基本信息的关联向量集合进行向量拼接,作为Wide&Deep模型的输入,并通过已经训练好的Wide&Deep模型输出,由softmax进行降序排列得到推荐评分,以获取前N个分数对应的菜品,作为推荐给当前点餐用户的菜品集合。
菜品推荐算法结合食材库信息,同时对菜品、用户及疾病等数据利用三元组表示菜品实体、菜品相关属性及菜品实体与菜品相关属性之间的属性关系集合来构建知识图谱,从而可以帮助理解同类型实物与不同类实体之间的关联,作为辅助信息嵌入到推荐算法中,用来解决传统推荐算法中存在的冷启动和数据稀疏性问题,其能够有效提升菜品推荐的多样性;另外,基于深度学习的推荐算法中结合用户多种属性进行特征构建,通过根据饮食偏好向量和用户基本属性信息关联向量进行向量拼接构建基于深度学习推荐算法的训练集对Wide&Deep模型进行训练,将当前点餐用户对菜品的饮食偏好向量集合和当前点餐用户基本信息的关联向量集合进行向量拼接,作为Wide&Deep模型的输入,并通过已经训练好的Wide&Deep模型输出,不断优化模型,从而实现高精度的预测和分类,而且自适应性更强,预测精准度更高。
作为本发明优选的实施方案,在本说明书的描述中,参考术语“优选的”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上实施例仅用来说明本发明的详细方案,本发明并不局限于上述详细方案,即不意味着本发明必须依赖上述详细方案才能实施。所属技术领域的技术人员应该明了,对本发明的任何改进,对本发明产品各原料的等效替换及辅助成分的添加、具体方式的选择等,均落在本发明的保护范围和公开范围之内。
Claims (6)
1.一种基于知识图谱和深度学习的用户菜品推荐方法,其特征在于,包括:
菜品推荐算法模型构建:
获取食材库信息、疾病人群信息以及点餐平台的用户基本信息和菜品信息;
根据食材库信息、疾病人群信息以及点餐平台的用户信息和菜品信息,利用三元组表示菜品实体、菜品相关属性及菜品实体与菜品相关属性之间的属性关系集合来构建知识图谱;三元组用(h,r,t)来表示,知识图谱定义为G:G={(h,r,t|h,t∈E,r∈R)},其中h为菜品实体,t为菜品相关属性,R表示菜品实体与菜品相关属性之间的属性关系集合;菜品实体与菜品相关属性之间的属性关系集合表示为(菜品,制作,制作方式),(菜品,组成食材,食材),(菜品,食用适合疾病,疾病),(菜品,食用不适合,人群),(菜品,售价,价格),(菜品,味道,口味),(菜品,所属菜系,所属菜系名);
通过知识图谱中的三元组关系集合训练TransD模型;
根据用户在点餐平台的历史购买、点击、收藏记录及用户基本信息获取用户感兴趣的菜品集合和用户信息与购买信息的用户属性信息关联集合;
将用户感兴趣的菜品集合和用户信息与购买信息的属性关联信息集合通过训练好的TransD模型,在知识图谱中计算出菜品属性的权重,由属性权重和属性值的向量计算出用户对菜品的饮食偏好向量和用户基本属性信息关联向量;
根据饮食偏好向量、用户基本属性信息关联向量进行向量拼接构建基于深度学习推荐算法的训练集对Wide&Deep模型进行训练;
菜品推荐:
获取当前点餐用户基本信息;
判断当前点餐用户是否为新用户;
是,则将当前点餐用户基本信息的关联向量集合与老用户基本属性信息关联向量集合通过相似度计算出新用户的相似用户,并将相似用户感兴趣的菜品集合作为当前点餐用户感兴趣的菜品集合;否则直接获取当前点餐用户感兴趣的菜品集合;
将当前点餐用户感兴趣的菜品集合通过训练好的TransD模型,在知识图谱中计算出菜品属性的权重,由属性权重和属性值的向量计算出当前点餐用户对菜品的饮食偏好向量集合;
将当前点餐用户对菜品的饮食偏好向量集合和当前点餐用户基本信息的关联向量集合进行向量拼接,作为Wide&Deep的输入,并通过已经训练好的Wide&Deep模型输出,由softmax进行降序排列得到推荐评分,以获取前N个分数对应的菜品,作为推荐给当前点餐用户的菜品集合;
菜品属性的权重计算公式如下:其中h和rj为TransD训练获取的菜品及属性关系的向量,/>则为TransD模型中依据菜品实体h生成的投影矩阵;
根据属性权重和属性值的向量计算出当前点餐用户对菜品的饮食偏好向量q,计算公式如下:tj为属性值的向量,/>为菜品对应属性值的权重,得到用户对某一菜品p的饮食偏好向量qp,qp={e1,e2,...ek},k为知识图谱中实体嵌入的维度k;
softmax公式如下所示:其中C表示向量的维度数,xi表示向量的第i个参数值,e表示常数,其值为2.71828,/>表示e的xi次方。
2.根据权利要求1所述的一种基于知识图谱和深度学习的用户菜品推荐方法,其特征在于,设当前点餐用户基本信息的关联特征F,F为一个一维向量如下所示:F={f1,f2,f3,...fn},n=属性数;相似度计算则使用余弦相似度,计算公式如下:
3.根据权利要求1所述的一种基于知识图谱和深度学习的用户菜品推荐方法,其特征在于,食材库信息包括食材所属类别。
4.根据权利要求1所述的一种基于知识图谱和深度学习的用户菜品推荐方法,其特征在于,疾病人群信息包括疾病人的疾病症状、疾病可以食用食材及菜品、疾病推荐食用食材及菜品、疾病不宜食用食材及菜品;通过获取非结构化的文本信息,采用知识抽取方式,从非结构化数据中提取疾病的相关信息以获得疾病人群信息。
5.根据权利要求1所述的一种基于知识图谱和深度学习的用户菜品推荐方法,其特征在于,点餐平台的用户基本信息包括用户年龄、性别、身高、体重、患病史、个人饮食口味偏好及对自身体重的预期。
6.根据权利要求1所述的一种基于知识图谱和深度学习的用户菜品推荐方法,其特征在于,点餐平台的菜品信息包括菜品的制作方式、制作所需食材、菜品营养成分、菜品口味、适合食用人群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707490.8A CN116662663B (zh) | 2023-06-14 | 2023-06-14 | 一种基于知识图谱和深度学习的用户菜品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310707490.8A CN116662663B (zh) | 2023-06-14 | 2023-06-14 | 一种基于知识图谱和深度学习的用户菜品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116662663A CN116662663A (zh) | 2023-08-29 |
CN116662663B true CN116662663B (zh) | 2024-04-30 |
Family
ID=87727794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310707490.8A Active CN116662663B (zh) | 2023-06-14 | 2023-06-14 | 一种基于知识图谱和深度学习的用户菜品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662663B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200044221A (ko) * | 2018-10-12 | 2020-04-29 | 온동네피엠씨 주식회사 | 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 |
CN112269882A (zh) * | 2020-10-12 | 2021-01-26 | 西安工程大学 | 一种面向知识图谱的旅游景点推荐方法 |
CN113051468A (zh) * | 2021-02-22 | 2021-06-29 | 山东师范大学 | 一种基于知识图谱和强化学习的电影推荐方法及系统 |
CN115602289A (zh) * | 2022-10-13 | 2023-01-13 | 中南大学(Cn) | 一种基于人群属性-膳食知识图谱的动态化膳食推荐方法 |
-
2023
- 2023-06-14 CN CN202310707490.8A patent/CN116662663B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200044221A (ko) * | 2018-10-12 | 2020-04-29 | 온동네피엠씨 주식회사 | 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 |
CN112269882A (zh) * | 2020-10-12 | 2021-01-26 | 西安工程大学 | 一种面向知识图谱的旅游景点推荐方法 |
CN113051468A (zh) * | 2021-02-22 | 2021-06-29 | 山东师范大学 | 一种基于知识图谱和强化学习的电影推荐方法及系统 |
CN115602289A (zh) * | 2022-10-13 | 2023-01-13 | 中南大学(Cn) | 一种基于人群属性-膳食知识图谱的动态化膳食推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116662663A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9977980B2 (en) | Food logging from images | |
CN111902878A (zh) | 用于食品分析、个性化推荐和健康管理的系统和方法 | |
CN111883230B (zh) | 饮食数据的生成方法及装置、存储介质和电子装置 | |
KR102371787B1 (ko) | 사용자 맞춤형 식단관리 서비스 제공 시스템 | |
Achananuparp et al. | Extracting food substitutes from food diary via distributional similarity | |
CN108565004B (zh) | 一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法 | |
CN104994747A (zh) | 用于提供风味建议和增强的系统和方法 | |
CN112786154A (zh) | 食谱推荐方法、装置、电子设备和存储介质 | |
CN108615177A (zh) | 基于加权提取兴趣度的电子终端个性化推荐方法 | |
CN115130006A (zh) | 一种基于健康管理标签的用户画像方法 | |
CN111755098A (zh) | 一种平衡膳食数学模型建立方法 | |
CN111949889A (zh) | 一种基于大数据的共享平台智能推荐方法、系统及可读存储介质 | |
KR20220011867A (ko) | 농특산물 거래 제공 장치 및 방법 | |
Uddin et al. | Consumer acceptance of new plant-breeding technologies: An application to the use of gene editing in fresh table grapes | |
AU2022332666A1 (en) | System and method for generating personalised dietary recommendation | |
CN112951374B (zh) | 数据分析方法、系统、计算机设备及存储介质 | |
Metwally et al. | Learning personal food preferences via food logs embedding | |
Ares et al. | Food choice and food consumption frequency for Uruguayan consumers | |
Carrington et al. | Naturalistic food categories are driven by subjective estimates rather than objective measures of food qualities | |
CN116662663B (zh) | 一种基于知识图谱和深度学习的用户菜品推荐方法 | |
CN112133434A (zh) | 基于饮食习惯的高血脂辅助诊断系统、设备、存储介质 | |
US20240161904A1 (en) | Method and apparatus for online nutritional supplement platform | |
KR20210052123A (ko) | 사용자 맞춤형 식품 정보 서비스를 제공하는 방법 및 그를 이용한 서버 | |
KR20200053763A (ko) | 식품 정보에 기초한 식품 조합 분석 방법 및 이를 수행하는 서버 | |
Lau | Role of food perceptions in food selection of the elderly |
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 |