CN116664255A - 基于人工智能的店铺推荐方法和系统 - Google Patents
基于人工智能的店铺推荐方法和系统 Download PDFInfo
- Publication number
- CN116664255A CN116664255A CN202310953958.1A CN202310953958A CN116664255A CN 116664255 A CN116664255 A CN 116664255A CN 202310953958 A CN202310953958 A CN 202310953958A CN 116664255 A CN116664255 A CN 116664255A
- Authority
- CN
- China
- Prior art keywords
- user
- determining
- food
- dining
- meal
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 25
- 235000013305 food Nutrition 0.000 claims abstract description 118
- 230000036541 health Effects 0.000 claims abstract description 65
- 235000012054 meals Nutrition 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 4
- 239000008103 glucose Substances 0.000 claims description 4
- 235000013361 beverage Nutrition 0.000 description 12
- 235000005911 diet Nutrition 0.000 description 12
- 230000037213 diet Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 235000019577 caloric intake Nutrition 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 208000008589 Obesity Diseases 0.000 description 4
- 235000020824 obesity Nutrition 0.000 description 4
- 235000012033 vegetable salad Nutrition 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 235000015278 beef Nutrition 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000015219 food category Nutrition 0.000 description 2
- 235000012027 fruit salads Nutrition 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000005428 food component Substances 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Classifications
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Nutrition Science (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供的一种基于人工智能的店铺推荐方法和系统，该方法包括基于用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度确定本次就餐的糖分摄入量，基于本次就餐的糖分摄入量、用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和多个食品种类的食品重量，基于本次就餐的多个食品种类和多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺，基于用户的智能手表的监测数据、天气信息、用户身体健康程度确定用户的最多行走步数，最后基于用户的最多行走步数从多个待选择就餐店铺确定目标就餐店铺，该方法能够选择出合适的减肥食品以及确定出合适的就餐店铺。
Description
技术领域
本发明涉及店铺推荐技术领域，具体涉及一种基于人工智能的店铺推荐方法和系统。
背景技术
随着现代社会生活水平的提高和人们生活方式的改变，肥胖成为了影响人们身体健康和自信心的一个问题。根据世界卫生组织的统计数据，全球超过10亿人口面临肥胖问题，而且该数字还在不断增加。如何有效地减肥成为了当下广大人们关注的热点话题。对于许多减肥的人来说，饮食是减肥的关键，合理的饮食可以有效改善肥胖的问题，然而如何正确选择适合自己的减肥食品和就餐店铺是一个难点。现有的选择减肥食品以及对应的就餐店铺大多是通过别人推荐或根据自己的经验来进行选择，但是往往其选择的结果不太准确也不符合用户的身体情况，从而可能会造成不能达到减肥的目的或因饮食不合理造成身体虚弱等。
因此如何选择合适的减肥食品以及确定合适的就餐店铺是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何选择合适的减肥食品以及确定合适的就餐店铺。
根据第一方面，本发明提供一种基于人工智能的店铺推荐方法，包括：获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度；基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量；基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量；基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息；基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数；基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
更进一步地，所述风扇所在位置通过对房间拍摄视频进行处理确定，所述用户的智能手表的监测数据包括心率、血压、血糖、血氧、心电图、计步数据。
更进一步地，所述糖分确定模型为深度神经网络模型，所述糖分确定模型的输入为所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度，所述糖分确定模型的输出为本次就餐的糖分摄入量。
更进一步地，所述方法还包括：若确定出的用户的最多行走步数小于步数阈值，则通过声音对用户进行提醒。
根据第二方面，本发明提供一种基于人工智能的店铺推荐系统，包括：获取模块，用于获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度；糖分确定模块，用于基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量；食品确定模块，用于基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量；待选择就餐店铺确定模块，用于基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息；步数确定模块，用于基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数；目标就餐店铺确定模块，用于基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
更进一步地，所述用户的智能手表的监测数据包括心率、血压、血糖、血氧、心电图、计步数据。
更进一步地，所述糖分确定模型为深度神经网络模型，所述糖分确定模型的输入为所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度，所述糖分确定模型的输出为本次就餐的糖分摄入量。
更进一步地，所述系统还包括提醒模块，所述提醒模块用于：若确定出的用户的最多行走步数小于步数阈值，则通过声音对用户进行提醒。
根据第三方面，本发明提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现上述的方法。
根据第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述方面中任一项所述的方法。
本发明提供的一种基于人工智能的店铺推荐方法和系统，该方法包括基于用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量，基于本次就餐的糖分摄入量、用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和多个食品种类的食品重量，基于本次就餐的多个食品种类和多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息，基于用户的智能手表的监测数据、天气信息、用户身体健康程度使用行走步数确定模型确定用户的最多行走步数，基于用户的最多行走步数、用户身高、用户定位信息、多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺，该方法能够选择出合适的减肥食品以及确定出合适的就餐店铺。
附图说明
图1为本发明实施例提供的一种基于人工智能的店铺推荐方法的流程示意图；
图2为本发明实施例提供的一种基于人工智能的店铺推荐系统的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本发明能被更好的理解。
本发明实施例中，提供了如图1所示的一种基于人工智能的店铺推荐方法，所述基于人工智能的店铺推荐方法包括步骤S1~S6：
步骤S1，获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度。
用户的智能手表的监测数据包括用户心率、血压、血糖、血氧、心电图、计步数据、睡眠时间等。
用户一段时间内的餐饮记录数据包括用户一段时间内的就餐地点、食物种类、食物分量、食物口味、就餐频率、进食时间等数据。
天气信息包括温度、湿度、空气质量、PM2.5等信息。
用户身体健康程度用于表示用户身体的健康程度，用户身体健康程度可以为0-1之间的数值，用户身体健康程度的数值越大，则用户身体越健康。例如，用户身体健康程度为0.2，则表示用户身体较为虚弱，用户身体健康程度为0.6，则表示用户身体状况良好，用户身体健康程度为0.9，则表示用户身体特别健康。
用户身体健康程度可以通过用户手动输入得到，用户可以自己评估自己的身体状况，并输入用户身体健康程度。
在一些实施例中，可以通过第一健康程度模型对用户的智能手表的监测数据进行处理确定第一健康程度，再通过第二健康程度模型对用户一段时间内的餐饮记录数据进行处理确定第二健康程度，并按照预设的权重系数对第一健康程度和第二健康程度进行加权求和得到用户身体健康程度。
其中所述第一健康程度模型、第二健康程度模型为深度神经网络模型。深度神经网络模型包括深度神经网络（Deep Neural Networks，DNN）。深度神经网络模型为人工智能的一种实现方式。深度神经网络可以包括循环神经网络(Recurrent Neural Network，RNN)、卷积神经网络（Convolutional Neural Networks，CNN）、生成对抗网络(GenerativeAdversarial Networks，GAN)等等。
所述第一健康程度模型的输入为用户的智能手表的监测数据，所述第一健康程度模型的输出为第一健康程度，所述第二健康程度模型的输入为用户一段时间内的餐饮记录数据，所述第一健康程度模型的输出为第二健康程度。
第一健康程度和第二健康程度都可以用来表示用户身体健康的程度，第一健康程度和第二健康程度可以为0-1之间的数值，数值越大，则用户身体越健康。
在一些实施例中，所述第二健康程度模型包括餐饮记录处理子模型和能量判断子模型，餐饮记录处理子模型和能量判断子模型都为深度神经网络模型，所述餐饮记录处理子模型的输入为用户一段时间内的餐饮记录数据，所述餐饮记录处理子模型的输出为用户平均每天的能量摄入量和饮食搭配合理度，所述能量判断子模型的输入为用户平均每天的能量摄入量和饮食搭配合理度，所述能量判断子模型的输出为第二健康程度。餐饮记录处理子模型可以通过对用户一段时间内的餐饮记录数据进行处理来确定用户平均每天的能量摄入量和饮食搭配合理度，能量判断子模型则通过用户平均每天的能量摄入量和饮食搭配合理度来判断用户的身体健康。
用户平均每天的能量摄入量可以为2000卡路里、2500卡路里、3000卡路里等。
饮食搭配合理度表示对用户一段时间内的餐饮记录数据进行处理输出的表示用户饮食搭配的合理程度。例如，餐饮记录数据中显示用户的荤素搭配、主食副食搭配、粗粮和杂粮搭配都非常合理，则输出的饮食搭配合理度则会较高。
可以理解的是，若用户每天能量摄入在健康区间，用户饮食搭配合理度高，则说明用户身体健康，反之亦然。
步骤S2，基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量。
本次就餐的糖分摄入量为确定的本次就餐应该摄入的糖分总量。糖分的过多摄入是肥胖的重要原因，所以需要控制就餐的糖分摄入量。
糖分确定模型为深度神经网络模型，深度神经网络模型包括深度神经网络（DeepNeural Networks，DNN）。深度神经网络模型为人工智能的一种实现方式。糖分确定模型的输入为所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度，糖分确定模型的输出为本次就餐的糖分摄入量。
用户的智能手表的监测数据可以显示出用户当前的身体情况，所以在考虑用户本次就餐的糖分摄入量时也需要考虑用户当前的身体情况。
所述用户一段时间内的餐饮记录数据会显示出用户的一些饮食习惯、口味、历史的糖分摄入信息等。所以在考虑用户本次就餐的糖分摄入量时也需要考虑所述用户一段时间内的餐饮记录数据。
天气信息也会影响用户的糖分输入量，例如，天气越炎热，用户糖分流失就越快，用户则需要多摄入糖分以补充糖分。所以在考虑用户本次就餐的糖分摄入量时也需要考虑天气信息。
用户身体健康程度也会影响用户的糖分摄入量，例如，若用户身体健康程度越低，则在用户减肥期间，需要多摄入一点糖分以给用户提供能量。所以在考虑用户本次就餐的糖分摄入量时也需要考虑用户身体健康程度。
糖分摄入过多达不到减肥的效果，摄入过少可能会使用户身体虚弱，从而危害用户身体健康，因此通过所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度进行处理，并综合判断出合适的本次就餐的糖分摄入量，保证了减肥效果的同时保护了用户身体健康。
步骤S3，基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量。
食品种类包括米饭、蔬菜沙拉、水果沙拉、面条、牛肉、猪肉等。食品种类的食品重量可以为蔬菜沙拉100克、水果沙拉150克等。例如，本次就餐的多个食品种类和所述多个食品种类的食品重量可以为蔬菜沙拉、牛肉、米饭，其中蔬菜沙拉为150克、牛肉为50克、米饭为50克。
在一些实施例中，可以将所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据构建为一个待匹配向量，通过计算该待匹配向量与数据库中每个参考向量的距离，将距离小于阈值的参考向量对应的多个参考食品种类和多个参考食品种类的参考食品重量确定为本次就餐的多个食品种类和多个食品种类的食品重量。数据库是预先构建的，所述数据库中包括参考向量以及与参考向量对应的多个参考食品种类和多个参考食品种类的参考食品重量，参考向量基于历史数据中的就餐的糖分摄入量、历史一段时间内的餐饮记录数据构建得到。参考向量对应的多个参考食品种类和多个参考食品种类的参考食品重量可以是基于历史数据确定好的搭配合适的进食量。
在一些实施例中，还可以通过深度神经网络来对所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据处理确定本次就餐的食品种类和所述食品种类的食品重量。
步骤S4，基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息。
用户定位信息包括用户位置坐标信息。
在一些实施例中，可以通过用户定位信息，将距离用户一定阈值内的包括所述本次就餐的多个食品种类的多个店铺作为多个待选择就餐店铺，并获取得到多个待选择就餐店铺信息。例如，将距离用户1千米内的包括所述本次就餐的多个食品种类的多个店铺作为多个待选择就餐店铺，待选择就餐店铺中的菜单包括了所述本次就餐的多个食品种类。
待选择就餐店铺信息包括历史评价、历史就餐人数、店铺面积、员工数、就餐环境干净程度、人均价格等。
步骤S5，基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数。
行走步数确定模型为深度神经网络模型，行走步数确定模型可以通过梯度下降法对训练样本进行训练得到。训练样本的输入包括样本用户的智能手表的监测数据、样本天气信息、样本用户身体健康程度，训练样本的输出标签为样本用户的最多行走步数。训练样本的标签可以通过工作人员手动标注得到，工作人员手动标注的时候会考虑样本用户的智能手表的监测数据、样本天气信息、样本用户身体健康程度，并标注出样本用户的最多行走步数。训练完成后的行走步数确定模型的输入为所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度，训练完成后的行走步数确定模型的输出为用户的最多行走步数。
用户的最多行走步数表示在用户当前的身体状况和环境下，用户所能接受的走到就餐店铺的最多行走步数。例如用户的最多行走步数为2000步，则说明用户在选择就餐店铺时，只会选择在2000步以内的就餐店铺。
在一些实施例中，若确定出的用户的最多行走步数小于步数阈值，则通过声音对用户进行提醒。用户的最多行走步数小于步数阈值则说明用户当前的身体状况不适合走动太多，说明当前身体状况欠佳，则对用户进行声音提醒。
步骤S6，基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
就餐店铺确定模型为深度神经网络模型，就餐店铺确定模型的输入为所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息，就餐店铺确定模型的输出为目标就餐店铺。
就餐店铺确定模型可以通过训练样本训练得到。训练样本的输入为样本用户的最多行走步数、样本用户身高、样本用户定位信息、多个样本待选择就餐店铺信息，训练样本的输出标签为样本就餐店铺。训练样本的标签可以通过工作人员手动标注得到，在手动标注过程中，工作人员会将样本就餐店铺到用户定位的行走步数限制在用户的最多行走步数内，并结合样本用户身高、样本用户定位信息、多个样本待选择就餐店铺信息标注出最为合适的样本就餐店铺，由于在标注时有相关导向，所以训练完成后的就餐店铺确定模型在输出时推荐的目标就餐店铺到用户的行走步数也会限制在用户的最多行走步数内，也更合适用户。
基于同一发明构思，图2为本发明的实施例提供的一种基于人工智能的店铺推荐系统示意图，所述基于人工智能的店铺推荐系统包括：
获取模块21，用于获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度；
糖分确定模块22，用于基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量；
食品确定模块23，用于基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量；
待选择就餐店铺确定模块24，用于基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息；
步数确定模块25，用于基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数；
目标就餐店铺确定模块26，用于基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
基于同一发明构思，本发明的实施例提供了一种电子设备，如图3所示，包括：
包括：处理器31；存储器32；以及计算机程序；其中，所述计算机程序存储在所述存储器32中，并配置为由所述处理器31执行以实现如前述提供的基于人工智能的店铺推荐方法，所述方法包括：获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度；基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量；基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量；基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息；基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数；基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
基于同一发明构思，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器31执行时实现前述提供的基于人工智能的店铺推荐方法，所述方法包括: 获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度；基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量；基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量；基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息；基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数；基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (8)
1.一种基于人工智能的店铺推荐方法，其特征在于，包括：
获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度；
基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量；
基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量；
基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息；
基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数；
基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
2.如权利要求1所述的基于人工智能的店铺推荐方法，其特征在于，所述用户的智能手表的监测数据包括心率、血压、血糖、血氧、心电图、计步数据。
3.如权利要求2所述的基于人工智能的店铺推荐方法，其特征在于，所述糖分确定模型为深度神经网络模型，所述糖分确定模型的输入为所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度，所述糖分确定模型的输出为本次就餐的糖分摄入量。
4.如权利要求2所述的基于人工智能的店铺推荐方法，其特征在于，所述方法还包括：若确定出的用户的最多行走步数小于步数阈值，则通过声音对用户进行提醒。
5.一种基于人工智能的店铺推荐系统，其特征在于，包括：
获取模块，用于获取用户的智能手表的监测数据、用户一段时间内的餐饮记录数据、天气信息、用户身体健康程度；
糖分确定模块，用于基于所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度使用糖分确定模型确定本次就餐的糖分摄入量；
食品确定模块，用于基于所述本次就餐的糖分摄入量、所述用户一段时间内的餐饮记录数据确定本次就餐的多个食品种类和所述多个食品种类的食品重量；
待选择就餐店铺确定模块，用于基于所述本次就餐的多个食品种类和所述多个食品种类的食品重量、用户定位信息确定多个待选择就餐店铺信息；
步数确定模块，用于基于所述用户的智能手表的监测数据、所述天气信息、所述用户身体健康程度使用行走步数确定模型确定用户的最多行走步数；
目标就餐店铺确定模块，用于基于所述用户的最多行走步数、用户身高、所述用户定位信息、所述多个待选择就餐店铺信息使用就餐店铺确定模型确定目标就餐店铺。
6.如权利要求5所述的基于人工智能的店铺推荐系统，其特征在于，所述用户的智能手表的监测数据包括心率、血压、血糖、血氧、心电图、计步数据。
7.如权利要求5所述的基于人工智能的店铺推荐系统，其特征在于，所述糖分确定模型为深度神经网络模型，所述糖分确定模型的输入为所述用户的智能手表的监测数据、所述用户一段时间内的餐饮记录数据、所述天气信息、所述用户身体健康程度，所述糖分确定模型的输出为本次就餐的糖分摄入量。
8.如权利要求6所述的基于人工智能的店铺推荐系统，其特征在于，所述系统还包括提醒模块，所述提醒模块用于：若确定出的用户的最多行走步数小于步数阈值，则通过声音对用户进行提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310953958.1A CN116664255B (zh) | 2023-08-01 | 2023-08-01 | 基于人工智能的店铺推荐方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310953958.1A CN116664255B (zh) | 2023-08-01 | 2023-08-01 | 基于人工智能的店铺推荐方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116664255A true CN116664255A (zh) | 2023-08-29 |
| CN116664255B CN116664255B (zh) | 2024-05-14 |
Family
ID=87726474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310953958.1A Active CN116664255B (zh) | 2023-08-01 | 2023-08-01 | 基于人工智能的店铺推荐方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116664255B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156308A1 (en) * | 2012-11-30 | 2014-06-05 | Dacadoo Ag | Automated Health Data Acquisition, Processing and Communication System |
| CN104217095A (zh) * | 2014-05-23 | 2014-12-17 | 陈立典 | 人体健康功能状态评估模型 |
| CN105225182A (zh) * | 2015-09-07 | 2016-01-06 | 广东欧珀移动通信有限公司 | 一种饮食推荐方法及其装置 |
| CN106897569A (zh) * | 2017-03-02 | 2017-06-27 | 镇江市高等专科学校 | 一种智能健康终端系统的工作方法 |
| CN107194746A (zh) * | 2017-06-20 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种用餐推荐方法及装置 |
| CN108198604A (zh) * | 2017-12-12 | 2018-06-22 | 昆明亿尚科技有限公司 | 一种基于个人特征的营养饮食推荐方法 |
| CN109346153A (zh) * | 2018-08-31 | 2019-02-15 | 北京唐冠天朗科技开发有限公司 | 一种数字化就餐系统和方法 |
| CN109471984A (zh) * | 2018-10-17 | 2019-03-15 | 浙江口碑网络技术有限公司 | 店铺推荐方法及装置 |
| CN109712711A (zh) * | 2018-12-12 | 2019-05-03 | 平安科技（深圳）有限公司 | 基于机器学习的健康评估方法、装置、电子设备及介质 |
| US20200005928A1 (en) * | 2018-06-27 | 2020-01-02 | Gomhealth Llc | System and method for personalized wellness management using machine learning and artificial intelligence techniques |
| CN111816312A (zh) * | 2020-09-14 | 2020-10-23 | 杭州憶盛医疗科技有限公司 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
| CN112148758A (zh) * | 2020-09-24 | 2020-12-29 | 苏州七采蜂数据应用有限公司 | 一种基于大数据的社区饮食健康管理方法及系统 |
| KR102258899B1 (ko) * | 2020-11-24 | 2021-06-01 | 주식회사 엔젠바이오 | 통합적 건강 정보를 이용한 식단 및 운동 추천 방법 및 서비스 시스템 |
| CN113936774A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 一种饮食推荐方法、装置、系统、存储介质及电子设备 |
| CN115458123A (zh) * | 2022-08-24 | 2022-12-09 | 南京励翱科技有限公司 | 一种基于多源数据分析的个性化营养摄入分析方法 |
-
2023
- 2023-08-01 CN CN202310953958.1A patent/CN116664255B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156308A1 (en) * | 2012-11-30 | 2014-06-05 | Dacadoo Ag | Automated Health Data Acquisition, Processing and Communication System |
| CN104217095A (zh) * | 2014-05-23 | 2014-12-17 | 陈立典 | 人体健康功能状态评估模型 |
| CN105225182A (zh) * | 2015-09-07 | 2016-01-06 | 广东欧珀移动通信有限公司 | 一种饮食推荐方法及其装置 |
| CN106897569A (zh) * | 2017-03-02 | 2017-06-27 | 镇江市高等专科学校 | 一种智能健康终端系统的工作方法 |
| CN107194746A (zh) * | 2017-06-20 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种用餐推荐方法及装置 |
| CN108198604A (zh) * | 2017-12-12 | 2018-06-22 | 昆明亿尚科技有限公司 | 一种基于个人特征的营养饮食推荐方法 |
| US20200005928A1 (en) * | 2018-06-27 | 2020-01-02 | Gomhealth Llc | System and method for personalized wellness management using machine learning and artificial intelligence techniques |
| CN109346153A (zh) * | 2018-08-31 | 2019-02-15 | 北京唐冠天朗科技开发有限公司 | 一种数字化就餐系统和方法 |
| CN109471984A (zh) * | 2018-10-17 | 2019-03-15 | 浙江口碑网络技术有限公司 | 店铺推荐方法及装置 |
| CN109712711A (zh) * | 2018-12-12 | 2019-05-03 | 平安科技（深圳）有限公司 | 基于机器学习的健康评估方法、装置、电子设备及介质 |
| CN111816312A (zh) * | 2020-09-14 | 2020-10-23 | 杭州憶盛医疗科技有限公司 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
| CN112148758A (zh) * | 2020-09-24 | 2020-12-29 | 苏州七采蜂数据应用有限公司 | 一种基于大数据的社区饮食健康管理方法及系统 |
| KR102258899B1 (ko) * | 2020-11-24 | 2021-06-01 | 주식회사 엔젠바이오 | 통합적 건강 정보를 이용한 식단 및 운동 추천 방법 및 서비스 시스템 |
| CN113936774A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 一种饮食推荐方法、装置、系统、存储介质及电子设备 |
| CN115458123A (zh) * | 2022-08-24 | 2022-12-09 | 南京励翱科技有限公司 | 一种基于多源数据分析的个性化营养摄入分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘敏: "援藏人员自我健康评价及运动干预研究", 《中国优秀博硕士学位论文全文数据库（硕士）社会科学Ⅱ辑》, no. 12, pages 1 - 209 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116664255B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107845414B (zh) | 用于营养物摄取量的用户特定调节的系统和方法 | |
| US9314206B2 (en) | Diet and calories measurements and control | |
| CN107658001B (zh) | 一种家庭用油健康管理方法和系统 | |
| JP6765916B2 (ja) | 健康管理装置、健康管理システム、及び健康管理方法 | |
| US20160379520A1 (en) | Nutrient density determinations to select health promoting consumables and to predict consumable recommendations | |
| US20120179665A1 (en) | Health monitoring system | |
| CN102214269A (zh) | 信息处理设备，信息输出方法和计算机程序存储装置 | |
| JP2015510646A5 (zh) | ||
| CN111261260B (zh) | 一种膳食推荐系统 | |
| US20200159750A1 (en) | System for measuring food weight | |
| CN107731281A (zh) | 一种推荐用餐的方法 | |
| CN110867239A (zh) | 一种饮食建议生成方法及装置、计算机装置及存储介质 | |
| CN108288495A (zh) | 一种膳食管理系统及方法 | |
| CN110853735A (zh) | 饮食成分摄入量分析方法及装置、计算机装置及存储介质 | |
| CN109509117A (zh) | 一种菜品推荐方法、装置及系统 | |
| CN110020165A (zh) | 一种饮食推荐方法和家庭机器人 | |
| CN115910284A (zh) | 就餐推荐方法、装置、电子设备及存储介质 | |
| KR102326540B1 (ko) | 음식 영상을 이용한 영양관리 및 질병관리 방법 | |
| CN116664255B (zh) | 基于人工智能的店铺推荐方法和系统 | |
| CN114207732A (zh) | 用于提供饮食推荐的装置和方法 | |
| CN110910987A (zh) | 饮食建议生成方法及装置、计算机装置及存储介质 | |
| CN113744840A (zh) | 基于集中供餐环境实现个性化即时营养评价及指导的系统及其方法 | |
| US20230274812A1 (en) | Methods and systems for calculating an edible score in a display interface | |
| CN118260476A (zh) | 建议信息的确定方法、装置、设备及存储介质 | |
| CN111027500A (zh) | 基于图像识别技术的健康管理方法及电子设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240315 Address after: No. 41-1, Chuanshan Group, Qingxi Community, Qingxi Street Office, Guichi District, Chizhou City, Anhui Province, 247100 Applicant after: Yu Jiali Country or region after: China Address before: No. 3001A, Floor 4, Building 1-2, No. 69, Junlong Street, Jinjiang District, Chengdu, Sichuan 610000 (self number) Applicant before: Chengdu Haojie Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240415 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: JUCHENG (SHENZHEN) NETWORK TECHNOLOGY CO.,LTD. Country or region after: China Address before: No. 41-1, Chuanshan Group, Qingxi Community, Qingxi Street Office, Guichi District, Chizhou City, Anhui Province, 247100 Applicant before: Yu Jiali Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |