CN117725237A - 基于大数据的食谱生成方法、装置、设备及存储介质 - Google Patents
基于大数据的食谱生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117725237A CN117725237A CN202410174648.4A CN202410174648A CN117725237A CN 117725237 A CN117725237 A CN 117725237A CN 202410174648 A CN202410174648 A CN 202410174648A CN 117725237 A CN117725237 A CN 117725237A
- Authority
- CN
- China
- Prior art keywords
- recipe
- target
- data
- initial
- optimization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 111
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000002068 genetic effect Effects 0.000 claims abstract description 36
- 238000013433 optimization analysis Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 108091026890 Coding region Proteins 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 235000013305 food Nutrition 0.000 description 24
- 238000010411 cooking Methods 0.000 description 20
- 239000000463 material Substances 0.000 description 19
- 235000016709 nutrition Nutrition 0.000 description 17
- 235000019640 taste Nutrition 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 7
- 235000015097 nutrients Nutrition 0.000 description 7
- 230000035764 nutrition Effects 0.000 description 6
- 235000005911 diet Nutrition 0.000 description 5
- 230000037213 diet Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 239000004615 ingredient Substances 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000037208 balanced nutrition Effects 0.000 description 3
- 235000019046 balanced nutrition Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000020785 dietary preference Nutrition 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 235000020803 food preference Nutrition 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 235000004280 healthy diet Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据技术领域，公开了一种基于大数据的食谱生成方法、装置、设备及存储介质。方法包括：通过食谱大数据平台获取食谱属性参数集合以及用户偏好参数集合；进行食谱本体论构建和知识图谱生成，得到目标食谱知识图谱；通过遗传算法生成初始食谱组合解空间并对多个第一食谱组合解进行编码处理，得到编码序列；定义食谱适应度函数和初始食谱优化策略并进行适应度计算，得到每个第一食谱组合解的适应度值；进行群体划分和最优化求解，得到第二食谱组合解并进行编码转换和多模态食谱生成，得到多模态食谱数据；进行用户反馈监控和策略优化分析，得到目标食谱优化策略，本申请采用大数据和人工智能技术提高了食谱生成的准确率。
Description
技术领域
本申请涉及大数据技术领域，尤其涉及一种基于大数据的食谱生成方法、装置、设备及存储介质。
背景技术
在当代社会，随着生活节奏的加快和人们对健康饮食意识的提升，个性化、营养均衡的食谱需求日益增长。传统的食谱推荐系统往往采用静态数据库，缺乏灵活性和个性化定制能力，无法满足用户多样化和个性化的饮食需求。此外，传统系统在处理大量复杂数据时，例如用户的饮食偏好、健康要求、季节性食材变化等方面存在明显的局限性。这些系统往往忽略了用户个性化需求的深层次挖掘和精确匹配，导致推荐的食谱无法准确反映用户的实际需求。
随着大数据技术和智能算法的发展，提供一个能够综合考虑用户个性化需求、营养均衡以及食材多样性的智能食谱生成方法显得尤为重要。然而，如何有效利用大数据资源，通过智能算法对海量食谱数据进行深入分析和处理，生成符合用户个性化需求的食谱，仍然是一个挑战。
发明内容
本申请提供了一种基于大数据的食谱生成方法、装置、设备及存储介质，用于采用大数据和人工智能技术提高了食谱生成的准确率。
第一方面，本申请提供了一种基于大数据的食谱生成方法，所述基于大数据的食谱生成方法包括：
通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并对所述用户输入文本数据进行高维空间映射和特征参数分类提取，得到食谱属性参数集合以及用户偏好参数集合；
通过所述食谱大数据平台获取多源食谱数据并对所述多源食谱数据进行食谱本体论构建和知识图谱生成，得到初始食谱知识图谱，以及对所述初始食谱知识图谱进行知识图谱路径优化，得到目标食谱知识图谱；
通过预置的遗传算法对所述目标食谱知识图谱和所述食谱属性参数集合进行食谱组合求解，生成初始食谱组合解空间，并对所述初始食谱组合解空间中的多个第一食谱组合解进行编码处理，得到每个第一食谱组合解的编码序列；
根据所述目标食谱参数集合以及所述用户偏好参数集合定义所述遗传算法的食谱适应度函数和初始食谱优化策略，并通过所述食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值；
根据所述适应度值和所述初始食谱优化策略对所述初始食谱组合解空间中的多个第一食谱组合解进行群体划分和最优化求解，得到第二食谱组合解，并对所述第二食谱组合解进行编码转换和多模态食谱生成，得到多模态食谱数据；
通过所述食谱大数据平台对所述多模态食谱数据进行用户反馈监控，得到目标用户反馈数据，并根据所述目标用户反馈数据对所述初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
第二方面，本申请提供了一种基于大数据的食谱生成装置，所述基于大数据的食谱生成装置包括：
获取模块，用于通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并对所述用户输入文本数据进行高维空间映射和特征参数分类提取，得到食谱属性参数集合以及用户偏好参数集合；
构建模块，用于通过所述食谱大数据平台获取多源食谱数据并对所述多源食谱数据进行食谱本体论构建和知识图谱生成，得到初始食谱知识图谱，以及对所述初始食谱知识图谱进行知识图谱路径优化，得到目标食谱知识图谱；
求解模块，用于通过预置的遗传算法对所述目标食谱知识图谱和所述食谱属性参数集合进行食谱组合求解，生成初始食谱组合解空间，并对所述初始食谱组合解空间中的多个第一食谱组合解进行编码处理，得到每个第一食谱组合解的编码序列；
计算模块，用于根据所述目标食谱参数集合以及所述用户偏好参数集合定义所述遗传算法的食谱适应度函数和初始食谱优化策略，并通过所述食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值；
生成模块，用于根据所述适应度值和所述初始食谱优化策略对所述初始食谱组合解空间中的多个第一食谱组合解进行群体划分和最优化求解，得到第二食谱组合解，并对所述第二食谱组合解进行编码转换和多模态食谱生成，得到多模态食谱数据；
优化模块，用于通过所述食谱大数据平台对所述多模态食谱数据进行用户反馈监控，得到目标用户反馈数据，并根据所述目标用户反馈数据对所述初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
本申请第三方面提供了一种基于大数据的食谱生成设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于大数据的食谱生成设备执行上述的基于大数据的食谱生成方法。
本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于大数据的食谱生成方法。
本申请提供的技术方案中，利用BERT模型对用户输入文本数据进行向量化高维空间映射，结合深度特征提取，能够深入理解用户的饮食偏好和营养需求。通过注意力机制权重分析和参数权重优化，系统能够更精确地捕捉用户的偏好细节，生成更加符合用户期望的个性化食谱。通过融合多源食谱数据，并进行本体论实体关系分析和RDF三元组构建，建立了丰富的食谱知识图谱。知识图谱的构建不仅包含了丰富的食材、烹饪方法和营养成分信息，还确保了信息的准确性和语义的一致性。通过遗传算法对食谱组合进行优化求解，系统能够在庞大的食谱组合空间中找到最优解，同时保持解的多样性。结合用户反馈监控和策略优化分析，系统能够动态调整推荐策略，及时响应用户需求的变化。通过自动化的高维空间映射、特征参数分类提取和知识图谱路径优化，大大减少了人工干预，提高了系统的智能化水平。利用策略优化模型，如决策树集成，系统能够自动分析用户反馈，进一步提升食谱推荐的准确性和用户满意度。多模态食谱生成能够满足用户在视觉、文本等多个层面的需求，提供更丰富、更直观的食谱内容，本申请采用大数据和人工智能技术提高了食谱生成的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。
图1为本申请实施例中基于大数据的食谱生成方法的一个实施例示意图；
图2为本申请实施例中基于大数据的食谱生成装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种基于大数据的食谱生成方法、装置、设备及存储介质。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于大数据的食谱生成方法的一个实施例包括：
步骤S101、通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并对用户输入文本数据进行高维空间映射和特征参数分类提取，得到食谱属性参数集合以及用户偏好参数集合；
可以理解的是，本申请的执行主体可以为基于大数据的食谱生成装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，通过预置的食谱大数据平台获取目标用户的输入文本数据。通过BERT模型对用户输入文本数据进行向量化处理，将文本数据映射到一个高维空间中，更深层次地捕捉文本数据中的隐含语义，从而生成目标文本向量数据。对目标文本向量数据进行深度特征提取。通过深度学习算法分析和识别文本向量中的关键特征，如文本的语义、结构和情感等方面的细节，从而获得一系列文本向量深度特征。对多个文本向量深度特征进行分类处理，将其划分为不同的类别，以便更准确地提取出初始食谱属性参数和初始用户偏好参数。分类处理使得系统能够区分出用户对食谱的不同偏好和需求，如口味、营养成分、烹饪方式等，从而生成更加个性化的食谱推荐。对初始食谱属性参数进行量化分析。通过限制参数量化，筛选和优化食谱属性，确保生成的食谱不仅符合用户的偏好，而且在营养和口味上达到最优平衡。通过集合转换，将优化后的参数被整合成一个结构化的食谱属性参数集合，进一步提升了食谱推荐的准确性和可用性。对用户偏好参数进行分析和优化。通过应用注意力机制，判断用户的关注点和偏好，从而对用户偏好参数进行有效的权重分配和优化。权重优化不仅提高了参数的准确性，而且使得用户偏好参数更具有代表性和针对性。优化后的用户偏好参数同样集合转换，形成一个综合的用户偏好参数集合。
步骤S102、通过食谱大数据平台获取多源食谱数据并对多源食谱数据进行食谱本体论构建和知识图谱生成，得到初始食谱知识图谱，以及对初始食谱知识图谱进行知识图谱路径优化，得到目标食谱知识图谱；
具体的，通过食谱大数据平台收集来自不同来源的食谱数据，这些数据包括网络食谱、用户上传的食谱、专业烹饪书籍中的食谱等。考虑到数据来源的多样性，数据格式和质量会有很大差异，对多源食谱数据进行标准化处理，以确保数据的一致性和可靠性。标准化处理后，进行数据融合，整合来自不同来源的数据，形成一个统一的、全面的融合食谱数据集。对融合食谱数据进行本体论实体关系分析。本体论是一种描述不同实体及其关系的方法，通过本体论实体关系分析，能够识别出食谱中的关键成分，如食材、烹饪方法、营养成分等，并明确这些成分之间的关系。基于分析结果，构建对应的食谱本体论，将食谱中的各个元素及其相互关系以结构化的形式表达出来。对食谱本体论进行RDF三元组构建和实体关联度计算。RDF（Resource Description Framework）是一种用于描述网络资源的模型，通过将食谱本体论中的实体和关系转化为RDF三元组的形式，可以更方便地在计算机系统中进行处理和查询。同时，进行实体关联度计算，分析不同食谱实体之间的关联程度，这有助于理解食谱内容的内在联系。基于实体关联度数据，执行知识图谱实体聚类，将具有较高关联度的实体聚集在一起，从而生成对应的初始食谱知识图谱。知识图谱包含了丰富的食谱信息和内在逻辑关系，为用户提供更加精准和多样的食谱推荐提供了。对初始食谱知识图谱进行路径查询优化。提高知识图谱的查询效率和准确性，通过优化查询路径，更快速地找到符合用户需求的食谱信息。这种优化不仅考虑了食谱内容的相关性，还考虑到了用户偏好、历史行为等因素，从而确保生成的目标食谱知识图谱既反映了食谱数据的全面性，又贴合用户的个性化需求。
步骤S103、通过预置的遗传算法对目标食谱知识图谱和食谱属性参数集合进行食谱组合求解，生成初始食谱组合解空间，并对初始食谱组合解空间中的多个第一食谱组合解进行编码处理，得到每个第一食谱组合解的编码序列；
具体的，通过预置的遗传算法对目标食谱知识图谱和食谱属性参数集合进行食谱组合求解。通过遗传算法的初始化操作，结合目标食谱知识图谱和食谱属性参数集合，生成多个初始食谱组合解。遗传算法是一种模拟生物进化过程的搜索算法，通过迭代选择、交叉和变异等操作，寻找最优解。通过分析目标食谱知识图谱中的信息和食谱属性参数集合中的数据，产生一系列食谱组合，这些组合即为初始食谱组合解。对初始食谱组合解进行特征筛选。通过分析各个食谱组合解中的特征，如食材种类、营养成分、口味类型等，筛选出最具代表性和符合用户偏好的食谱组合，生成一个更加集中和高效的初始食谱组合解空间，解空间包含了多个第一食谱组合解。每个第一食谱组合解都是一个食谱推荐，它们在初始筛选后代表了符合用户偏好和食谱属性要求的最佳组合。对每个第一食谱组合解进行编码操作。编码是遗传算法中的一个重要环节，将食谱组合解转换为一系列可以被算法处理的符号或数字序列，即目标编码值。编码值包含了食谱组合解的所有关键信息，如食材组合、烹饪步骤、营养配比等，每个编码值都是对应食谱组合解的独特表示。对目标编码值进行序列化处理，将编码值组织成一个有序序列，每个第一食谱组合解的编码序列是一个详细的、有序的信息集合。
步骤S104、根据目标食谱参数集合以及用户偏好参数集合定义遗传算法的食谱适应度函数和初始食谱优化策略，并通过食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值；
具体的，根据目标食谱参数集合以及用户偏好参数集合定义食谱适应度函数。适应度函数是遗传算法核心的一部分，评估每个食谱组合解在多大程度上符合目标参数和用户偏好。目标食谱参数集合包括食谱的营养成分、口味类型、烹饪时间等，而用户偏好参数集合则涉及用户的口味偏好、健康需求、食材选择等。适应度函数将这些参数转化为一个量化指标，用以评估每个食谱组合解的适宜程度。对目标食谱参数集合进行食谱优化策略分析，形成第一食谱优化策略。通过调整食谱组成，以最大化地满足营养成分、口味类型等参数的要求。例如，该策略包含对食材的最优组合、烹饪方法的选择等。同样，对用户偏好参数集合进行食谱优化策略分析，从而得出第二食谱优化策略。这一策略着重于用户偏好的满足，比如对特定口味的偏好、对食物制作时间的要求，或者对某些食材的忌讳等。将第一食谱优化策略和第二食谱优化策略进行融合，生成一个综合的初始食谱优化策略。融合过程考虑了食谱的客观特性和用户的主观偏好，旨在找到两者之间的最佳平衡点。通过定义好的食谱适应度函数，对每个第一食谱组合解的编码序列进行适应度计算，为每个食谱组合解赋予一个适应度值，这个值反映了该组合解在满足目标食谱参数和用户偏好方面的效率和效果。
步骤S105、根据适应度值和初始食谱优化策略对初始食谱组合解空间中的多个第一食谱组合解进行群体划分和最优化求解，得到第二食谱组合解，并对第二食谱组合解进行编码转换和多模态食谱生成，得到多模态食谱数据；
具体的，根据适应度值将第一食谱组合解划分到不同的群体中。比较每个第一食谱组合解的适应度值与预设的第一目标值和第二目标值。第一目标值和第二目标值是根据食谱的期望特征和用户偏好预先设定的，以此来确保食谱组合解的多样性和质量。若第一食谱组合解的适应度值低于第一目标值，则将其划分至第一食谱组合解群体；若适应度值介于第一目标值和第二目标值之间，则划分至第二食谱组合解群体；若高于第二目标值，则划分至第三食谱组合解群体。群体划分的目的是根据食谱组合解的质量进行有效管理和优化。对第一食谱组合解群体和第二食谱组合解群体进行繁殖、交叉和变异操作，而对第三食谱组合解群体则仅进行交叉和变异操作。繁殖过程涉及到选择优质的食谱组合解进行复制，而交叉和变异操作则是遗传算法中用于生成新解的关键步骤，通过这些操作可以产生更多样化和创新性的食谱组合解。通过不断的迭代，能够产生更适应用户需求和食谱特性的新食谱组合解，即多个候选食谱组合解。然后，根据初始食谱优化策略对候选食谱组合解进行最优化求解，从而得到第二食谱组合解。对候选解进行筛选和优化，从中找出最优秀的食谱组合解。对第二食谱组合解进行编码到文本的转换操作，将其转换为文本形式的食谱数据。将编码序列转化为用户能够理解和使用的食谱文本，包括食谱的名称、所需食材、烹饪步骤等信息。对文本食谱数据进行多模态食谱生成，即结合文本、图片、视频等多种形式的信息展示，以提高食谱的可读性和吸引力，最终得到多模态食谱数据。
步骤S106、通过食谱大数据平台对多模态食谱数据进行用户反馈监控，得到目标用户反馈数据，并根据目标用户反馈数据对初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
具体的，通过食谱大数据平台对提供给用户的多模态食谱数据进行监控，收集目标用户的反馈数据。这些反馈数据包括用户对食谱的评分、评论、使用频率、偏好变化等多种形式。通过对多模态食谱数据的监控，平台能够实时收集并分析用户的反应和意见，从而为优化食谱推荐提供数据支持。对目标用户反馈数据进行特征提取。分析用户反馈中的关键信息，如对特定食材或烹饪方式的偏好、对营养成分的关注程度等，并将这些信息转化为用户反馈特征集合。然后，将用户反馈特征集合输入预置的策略优化模型，该模型包括多个决策树。决策树是一种常用的机器学习方法，能够根据特征数据生成决策路径和规则。每个决策树根据输入的用户反馈特征集合，独立地进行策略优化分析，生成初始的策略优化分析结果。这些结果反映了根据不同用户反馈特征所推导出的食谱调整建议。对每个决策树生成的初始策略优化分析结果进行融合分析，以形成一个综合的目标策略优化分析结果。通过融合不同决策树的分析结果，得到更为全面和可靠的食谱优化建议。根据目标策略优化分析结果，对初始食谱优化策略进行进一步的优化和调整，从而得到对应的目标食谱优化策略。
本申请实施例中，利用BERT模型对用户输入文本数据进行向量化高维空间映射，结合深度特征提取，能够深入理解用户的饮食偏好和营养需求。通过注意力机制权重分析和参数权重优化，系统能够更精确地捕捉用户的偏好细节，生成更加符合用户期望的个性化食谱。通过融合多源食谱数据，并进行本体论实体关系分析和RDF三元组构建，建立了丰富的食谱知识图谱。知识图谱的构建不仅包含了丰富的食材、烹饪方法和营养成分信息，还确保了信息的准确性和语义的一致性。通过遗传算法对食谱组合进行优化求解，系统能够在庞大的食谱组合空间中找到最优解，同时保持解的多样性。结合用户反馈监控和策略优化分析，系统能够动态调整推荐策略，及时响应用户需求的变化。通过自动化的高维空间映射、特征参数分类提取和知识图谱路径优化，大大减少了人工干预，提高了系统的智能化水平。利用策略优化模型，如决策树集成，系统能够自动分析用户反馈，进一步提升食谱推荐的准确性和用户满意度。多模态食谱生成能够满足用户在视觉、文本等多个层面的需求，提供更丰富、更直观的食谱内容，本申请采用大数据和人工智能技术提高了食谱生成的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并通过预置的BERT模型对用户输入文本数据进行向量化高维空间映射，得到目标文本向量数据；
（2）对目标文本向量数据进行深度特征提取，得到多个文本向量深度特征；
（3）对多个文本向量深度特征进行特征参数分类，得到多个初始食谱属性参数以及多个初始用户偏好参数；
（4）对多个初始食谱属性参数进行限制参数量化分析，得到多个目标食谱属性参数，并对多个目标食谱属性参数进行集合转换，得到食谱属性参数集合；
（5）对多个初始用户偏好参数进行注意力机制权重分析和参数权重优化，得到多个目标用户偏好参数，并对多个目标用户偏好参数进行集合转换，得到用户偏好参数集合。
具体的，通过预置的食谱大数据平台获取目标用户的输入文本数据，这些数据包括用户的查询请求、对食谱的评价、个人饮食偏好描述等。通过预置的BERT模型对用户输入的文本数据进行处理。BERT（Bidirectional Encoder Representations fromTransformers）模型是一种自然语言处理技术，能够理解文本数据中的深层次语义。通过BERT模型，文本数据被转换为向量化的高维空间映射，即目标文本向量数据。对目标文本向量数据进行深度特征提取。通过各种深度学习技术，如卷积神经网络（CNN）或循环神经网络（RNN），识别和提取文本数据中的关键信息，例如食材偏好、口味喜好、特定营养需求等。这些深度特征是对用户输入文本含义的细致解析，能够更准确地抓取用户的真实需求。将提取出的文本向量深度特征进行特征参数分类。将特征分为不同的类别，如食谱类型、烹饪方法、营养成分等，每个类别下再细分出多个初始食谱属性参数和初始用户偏好参数。对初始食谱属性参数进行限制参数量化分析。对初始食谱属性参数进行量化处理，以确保推荐的食谱既符合用户的健康需求，又满足口味偏好。通过限制参数量化，从大量食谱属性中筛选出最符合用户需求的属性，形成目标食谱属性参数。这些参数随后被集合转换，整合成一个结构化的食谱属性参数集合。对初始用户偏好参数进行注意力机制权重分析和参数权重优化。注意力机制是一种能够模仿人类注意力分配的算法，能够确定用户偏好中的哪些部分是最重要的。通过分析，识别和强调用户最关心的偏好参数，如特别偏爱的食材的成分，并对偏好参数进行权重优化。对优化后的用户偏好参数进行集合转换，形成一个综合的用户偏好参数集合。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）通过食谱大数据平台获取多源食谱数据，并对多源食谱数据进行数据标准化处理和数据融合，得到融合食谱数据；
（2）对融合食谱数据进行本体论实体关系分析，得到本体论实体关系，并根据本体论实体关系构建对应的食谱本体论；
（3）对食谱本体论进行RDF三元组构建和实体关联度计算，得到实体关联度数据，并通过实体关联度数据进行知识图谱实体聚类，生成对应的初始食谱知识图谱；
（4）对初始食谱知识图谱进行知识图谱路径查询优化，得到目标食谱知识图谱。
具体的，通过食谱大数据平台获取多源食谱数据，例如在线食谱网站、用户上传的食谱、专业烹饪书籍等。这些数据在格式、结构和详细程度上各不相同。因此，需要对多源食谱数据进行标准化处理。标准化处理包括统一不同数据源的格式、规范化数据结构、清洗无效或错误的数据等，数据的质量和一致性。完成标准化后，进行数据融合，将来自不同来源的数据合并为一个统一的、全面的数据集。对融合后的食谱数据进行本体论实体关系分析。本体论是一种用于描述概念、分类、属性和关系的方法，可以有效地组织和表示知识。分析食谱数据中的关键实体（如食材、烹饪方法、营养成分等）及其相互关系，然后根据实体关系构建食谱本体论。对食谱本体论进行RDF三元组构建和实体关联度计算。RDF（ResourceDescription Framework）是一种用于描述网络资源关系的模型，可以表示实体（如食谱、食材）之间的关系。实体关联度计算则是评估不同实体（如不同食材或食谱）之间的关联强度，这有助于理解食谱内容的内在联系。基于实体关联度数据，执行知识图谱实体聚类，将具有较高关联度的实体聚集在一起，生成初始食谱知识图谱。对初始食谱知识图谱进行知识图谱路径查询优化。优化过程包括改进查询算法，确保能快速有效地从知识图谱中检索到符合用户查询需求的食谱信息，得到目标食谱知识图谱。
在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：
（1）通过预置的遗传算法对目标食谱知识图谱和食谱属性参数集合进行初始化操作，得到多个初始食谱组合解；
（2）对多个初始食谱组合解进行特征筛选，生成初始食谱组合解空间，初始食谱组合解空间包括多个第一食谱组合解；
（3）分别对多个第一食谱组合解进行编码操作，得到每个第一食谱组合解的多个目标编码值；
（4）对多个目标编码值进行序列化处理，得到每个第一食谱组合解的编码序列。
具体的，通过预置的遗传算法对目标食谱知识图谱和食谱属性参数集合进行初始化。遗传算法是一种启发式搜索算法，模仿生物进化过程中的遗传和自然选择机制。在这一过程中，生成一系列初始的食谱组合解，这些解是基于目标食谱知识图谱和食谱属性参数集合生成的。目标食谱知识图谱提供了食谱之间的关系和属性信息，而食谱属性参数集合则提供了用户偏好和食谱特征等数据。对初始食谱组合解进行特征筛选，生成初始食谱组合解空间。对初始解集进行评估和筛选，确定哪些食谱组合最能满足用户需求和偏好。特征筛选的过程可以基于各种标准进行，如食谱的营养价值、口味、准备和烹饪时间等。初始食谱组合解空间由那些最符合这些标准的食谱组合解组成，每个解代表了一种食谱组合。然后，对第一食谱组合解进行编码操作，将问题的潜在解转换为一种可以被算法操作的形式。每个第一食谱组合解通过编码操作被转换为一组目标编码值，这些编码值以某种形式（如二进制字符串）表示食谱组合的特性。例如，一个特定的食谱组合被编码为一串数字，其中每个数字代表食谱中的一种食材或烹饪方法。对目标编码值进行序列化处理，将编码值排列成一个序列，以便于算法进行处理。每个第一食谱组合解的编码序列代表了一个潜在的解决方案，它在遗传算法的迭代过程中会被不断地评估和优化。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）根据目标食谱参数集合以及用户偏好参数集合定义遗传算法的食谱适应度函数；
（2）对目标食谱参数集合进行食谱优化策略分析，得到第一食谱优化策略；
（3）对用户偏好参数集合进行食谱优化策略分析，得到第二食谱优化策略；
（4）对第一食谱优化策略和第二食谱优化策略进行策略融合，生成初始食谱优化策略；
（5）通过食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值。
具体的，根据目标食谱参数集合及用户偏好参数集合定义遗传算法的食谱适应度函数。适应度函数是遗传算法中用于评价每个解（即食谱组合）适应环境（即用户需求和偏好）的好坏的标准。目标食谱参数集合包括营养成分、口味类型、食材、烹饪方法等，而用户偏好参数集合则涵盖了用户的个人喜好、健康需求、食物禁忌等。对目标食谱参数集合进行食谱优化策略分析，得到第一食谱优化策略。策略关注于如何从营养和烹饪的角度提升食谱的质量。例如，如果目标食谱参数指向高蛋白且快速制作的食物，第一食谱优化策略会集中于识别哪些组合能够在短时间内提供高蛋白食物。同时，对用户偏好参数集合进行食谱优化策略分析，形成第二食谱优化策略。该策略着重于满足用户的个人口味和饮食习惯。将第一食谱优化策略和第二食谱优化策略进行策略融合，生成初始食谱优化策略。整合营养、烹饪和个人偏好等多方面因素，寻找到最佳的食谱组合。例如，对于既要求营养均衡又偏好特定口味的用户，融合策略会尝试平衡这些需求，选择既健康又符合口味的食谱。通过食谱适应度函数对每个第一食谱组合解的编码序列进行适应度计算。每个第一食谱组合解的编码序列包含了该解的所有信息，适应度计算将根据这些信息和适应度函数评估其适应度。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）对适应度值与第一目标值和第二目标值进行比较，其中，第一目标值＜第二目标值；
（2）若适应度值＜第一目标值，则将对应的第一食谱组合解划分至第一食谱组合解群体，若第一目标值＜适应度值＜第二目标值，则将对应的第一食谱组合解划分至第二食谱组合解群体，若第二目标值＜适应度值，则将对应的第一食谱组合解划分至第三食谱组合解群体；
（3）对第一食谱组合解群体和第二食谱组合解群体进行繁殖、交叉和变异，并对第三食谱组合解群体进行交叉和变异，得到多个候选食谱组合解；
（4）根据初始食谱优化策略对多个候选食谱组合解进行最优化求解，得到第二食谱组合解；
（5）对第二食谱组合解进行编码到文本的转换操作，得到文本食谱数据，并对文本食谱数据进行多模态食谱生成，得到多模态食谱数据。
具体的，对遗传算法中生成的每个食谱组合解的适应度值进行评估，并将这些适应度值与两个预设的目标值（第一目标值和第二目标值）进行比较。第一目标值和第二目标值是根据食谱的质量和用户偏好设置的阈值，用于划分不同级别的食谱组合解。适应度值是根据食谱适应度函数计算得出的，反映了每个食谱组合解在满足用户需求和偏好方面的效果。根据适应度值的不同，食谱组合解将被划分到不同的群体中。如果一个食谱组合解的适应度值低于第一目标值，这意味着它在满足用户需求方面表现不佳，因此它会被划分到第一食谱组合解群体。适应度值介于第一目标值和第二目标值之间的食谱组合解则会被划分到第二食谱组合解群体，而适应度值高于第二目标值的优秀解则归入第三食谱组合解群体。对第一食谱组合解群体和第二食谱组合解群体进行遗传算法中的繁殖、交叉和变异操作，对第三食谱组合解群体则主要进行交叉和变异。遗传操作模仿生物进化中的自然选择机制，通过繁殖来复制优秀的解，通过交叉和变异来引入新的组合和多样性，从而生成一系列新的候选食谱组合解。根据初始食谱优化策略对候选食谱组合解进行最优化求解。这个过程是对候选解进行评估和选择的过程，旨在从中挑选出最优秀的食谱组合，即那些在营养成分、口味、用户偏好等方面都表现最佳的食谱组合。这个最优化求解的过程考虑了各种因素，比如食谱的健康指标、成本、制作难度等。对得到的最优食谱组合解（第二食谱组合解）进行编码到文本的转换操作，将其转换成文本格式的食谱数据。将算法生成的编码序列转换为用户可以理解和使用的食谱的信息，并最终转换成可视化的多模态食谱数据。例如，一个编码序列代表着一系列具体的烹饪步骤和所需食材，这些信息需要被转换成文字说明、配料表，甚至包括图像或视频，以使用户更容易理解和遵循。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）通过食谱大数据平台对多模态食谱数据进行用户反馈监控，得到目标用户反馈数据；
（2）对目标用户反馈数据进行特征提取，得到用户反馈特征集合；
（3）将用户反馈特征集合输入预置的策略优化模型，策略优化模型包括：多个决策树；
（4）通过多个决策树对用户反馈特征集合进行策略优化分析，得到每个决策树的初始策略优化分析结果；
（5）对每个决策树的初始策略优化分析结果进行融合分析，得到目标策略优化分析结果，并根据目标策略优化分析结果对初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
具体的，通过食谱大数据平台对多模态食谱数据进行监控，收集目标用户的反馈数据。这些反馈数据包括用户对食谱的评分、评论、点击量、使用频率等。通过分析用户反馈中的关键信息，对目标用户反馈数据进行特征提取。特征提取涉及对用户评论的文本分析、评分的统计分析等，以识别用户偏好的特定方面。例如，通过自然语言处理技术分析用户评论，可以提取出用户偏好的食材类型、烹饪方式或营养需求等关键信息，这些提取出的特征被组合成用户反馈特征集合。将用户反馈特征集合输入预置的策略优化模型，该模型包括多个决策树。决策树是一种常用的机器学习方法，能够根据特征数据生成决策路径和规则。每个决策树将根据输入的用户反馈特征集合，独立地进行策略优化分析，生成初始的策略优化分析结果。例如，一个决策树专注于分析用户对食谱营养成分的反馈，另一个关注口味偏好。这些结果反映了根据不同用户反馈特征所推导出的食谱调整建议。对每个决策树生成的初始策略优化分析结果进行融合分析，以形成一个综合的目标策略优化分析结果。通过融合不同决策树的分析结果，得到更全面和可靠的食谱优化建议。根据目标策略优化分析结果，对初始食谱优化策略进行进一步的优化和调整，从而得到对应的目标食谱优化策略。
上面对本申请实施例中基于大数据的食谱生成方法进行了描述，下面对本申请实施例中基于大数据的食谱生成装置进行描述，请参阅图2，本申请实施例中基于大数据的食谱生成装置一个实施例包括：
获取模块201，用于通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并对所述用户输入文本数据进行高维空间映射和特征参数分类提取，得到食谱属性参数集合以及用户偏好参数集合；
构建模块202，用于通过所述食谱大数据平台获取多源食谱数据并对所述多源食谱数据进行食谱本体论构建和知识图谱生成，得到初始食谱知识图谱，以及对所述初始食谱知识图谱进行知识图谱路径优化，得到目标食谱知识图谱；
求解模块203，用于通过预置的遗传算法对所述目标食谱知识图谱和所述食谱属性参数集合进行食谱组合求解，生成初始食谱组合解空间，并对所述初始食谱组合解空间中的多个第一食谱组合解进行编码处理，得到每个第一食谱组合解的编码序列；
计算模块204，用于根据所述目标食谱参数集合以及所述用户偏好参数集合定义所述遗传算法的食谱适应度函数和初始食谱优化策略，并通过所述食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值；
生成模块205，用于根据所述适应度值和所述初始食谱优化策略对所述初始食谱组合解空间中的多个第一食谱组合解进行群体划分和最优化求解，得到第二食谱组合解，并对所述第二食谱组合解进行编码转换和多模态食谱生成，得到多模态食谱数据；
优化模块206，用于通过所述食谱大数据平台对所述多模态食谱数据进行用户反馈监控，得到目标用户反馈数据，并根据所述目标用户反馈数据对所述初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
通过上述各个组成部分的协同合作，利用BERT模型对用户输入文本数据进行向量化高维空间映射，结合深度特征提取，能够深入理解用户的饮食偏好和营养需求。通过注意力机制权重分析和参数权重优化，系统能够更精确地捕捉用户的偏好细节，生成更加符合用户期望的个性化食谱。通过融合多源食谱数据，并进行本体论实体关系分析和RDF三元组构建，建立了丰富的食谱知识图谱。知识图谱的构建不仅包含了丰富的食材、烹饪方法和营养成分信息，还确保了信息的准确性和语义的一致性。通过遗传算法对食谱组合进行优化求解，系统能够在庞大的食谱组合空间中找到最优解，同时保持解的多样性。结合用户反馈监控和策略优化分析，系统能够动态调整推荐策略，及时响应用户需求的变化。通过自动化的高维空间映射、特征参数分类提取和知识图谱路径优化，大大减少了人工干预，提高了系统的智能化水平。利用策略优化模型，如决策树集成，系统能够自动分析用户反馈，进一步提升食谱推荐的准确性和用户满意度。多模态食谱生成能够满足用户在视觉、文本等多个层面的需求，提供更丰富、更直观的食谱内容，本申请采用大数据和人工智能技术提高了食谱生成的准确率。
本申请还提供一种基于大数据的食谱生成设备，所述基于大数据的食谱生成设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于大数据的食谱生成方法的步骤。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于大数据的食谱生成方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于大数据的食谱生成方法，其特征在于，所述基于大数据的食谱生成方法包括：
通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并对所述用户输入文本数据进行高维空间映射和特征参数分类提取，得到食谱属性参数集合以及用户偏好参数集合；
通过所述食谱大数据平台获取多源食谱数据并对所述多源食谱数据进行食谱本体论构建和知识图谱生成，得到初始食谱知识图谱，以及对所述初始食谱知识图谱进行知识图谱路径优化，得到目标食谱知识图谱；
通过预置的遗传算法对所述目标食谱知识图谱和所述食谱属性参数集合进行食谱组合求解，生成初始食谱组合解空间，并对所述初始食谱组合解空间中的多个第一食谱组合解进行编码处理，得到每个第一食谱组合解的编码序列；
根据所述目标食谱参数集合以及所述用户偏好参数集合定义所述遗传算法的食谱适应度函数和初始食谱优化策略，并通过所述食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值；
根据所述适应度值和所述初始食谱优化策略对所述初始食谱组合解空间中的多个第一食谱组合解进行群体划分和最优化求解，得到第二食谱组合解，并对所述第二食谱组合解进行编码转换和多模态食谱生成，得到多模态食谱数据；
通过所述食谱大数据平台对所述多模态食谱数据进行用户反馈监控，得到目标用户反馈数据，并根据所述目标用户反馈数据对所述初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
2.根据权利要求1所述的基于大数据的食谱生成方法，其特征在于，所述通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并对所述用户输入文本数据进行高维空间映射和特征参数分类提取，得到食谱属性参数集合以及用户偏好参数集合，包括：
通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并通过预置的BERT模型对所述用户输入文本数据进行向量化高维空间映射，得到目标文本向量数据；
对所述目标文本向量数据进行深度特征提取，得到多个文本向量深度特征；
对所述多个文本向量深度特征进行特征参数分类，得到多个初始食谱属性参数以及多个初始用户偏好参数；
对所述多个初始食谱属性参数进行限制参数量化分析，得到多个目标食谱属性参数，并对所述多个目标食谱属性参数进行集合转换，得到食谱属性参数集合；
对所述多个初始用户偏好参数进行注意力机制权重分析和参数权重优化，得到多个目标用户偏好参数，并对所述多个目标用户偏好参数进行集合转换，得到用户偏好参数集合。
3.根据权利要求1所述的基于大数据的食谱生成方法，其特征在于，所述通过所述食谱大数据平台获取多源食谱数据并对所述多源食谱数据进行食谱本体论构建和知识图谱生成，得到初始食谱知识图谱，以及对所述初始食谱知识图谱进行知识图谱路径优化，得到目标食谱知识图谱，包括：
通过所述食谱大数据平台获取多源食谱数据，并对所述多源食谱数据进行数据标准化处理和数据融合，得到融合食谱数据；
对所述融合食谱数据进行本体论实体关系分析，得到本体论实体关系，并根据所述本体论实体关系构建对应的食谱本体论；
对所述食谱本体论进行RDF三元组构建和实体关联度计算，得到实体关联度数据，并通过所述实体关联度数据进行知识图谱实体聚类，生成对应的初始食谱知识图谱；
对所述初始食谱知识图谱进行知识图谱路径查询优化，得到目标食谱知识图谱。
4.根据权利要求1所述的基于大数据的食谱生成方法，其特征在于，所述通过预置的遗传算法对所述目标食谱知识图谱和所述食谱属性参数集合进行食谱组合求解，生成初始食谱组合解空间，并对所述初始食谱组合解空间中的多个第一食谱组合解进行编码处理，得到每个第一食谱组合解的编码序列，包括：
通过预置的遗传算法对所述目标食谱知识图谱和所述食谱属性参数集合进行初始化操作，得到多个初始食谱组合解；
对所述多个初始食谱组合解进行特征筛选，生成初始食谱组合解空间，所述初始食谱组合解空间包括多个第一食谱组合解；
分别对所述多个第一食谱组合解进行编码操作，得到每个第一食谱组合解的多个目标编码值；
对所述多个目标编码值进行序列化处理，得到每个第一食谱组合解的编码序列。
5.根据权利要求1所述的基于大数据的食谱生成方法，其特征在于，所述根据所述目标食谱参数集合以及所述用户偏好参数集合定义所述遗传算法的食谱适应度函数和初始食谱优化策略，并通过所述食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值，包括：
根据所述目标食谱参数集合以及所述用户偏好参数集合定义所述遗传算法的食谱适应度函数；
对所述目标食谱参数集合进行食谱优化策略分析，得到第一食谱优化策略；
对所述用户偏好参数集合进行食谱优化策略分析，得到第二食谱优化策略；
对所述第一食谱优化策略和所述第二食谱优化策略进行策略融合，生成初始食谱优化策略；
通过所述食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值。
6.根据权利要求1所述的基于大数据的食谱生成方法，其特征在于，所述根据所述适应度值和所述初始食谱优化策略对所述初始食谱组合解空间中的多个第一食谱组合解进行群体划分和最优化求解，得到第二食谱组合解，并对所述第二食谱组合解进行编码转换和多模态食谱生成，得到多模态食谱数据，包括：
对所述适应度值与第一目标值和第二目标值进行比较，其中，第一目标值＜第二目标值；
若适应度值＜第一目标值，则将对应的第一食谱组合解划分至第一食谱组合解群体，若第一目标值＜适应度值＜第二目标值，则将对应的第一食谱组合解划分至第二食谱组合解群体，若第二目标值＜适应度值，则将对应的第一食谱组合解划分至第三食谱组合解群体；
对所述第一食谱组合解群体和所述第二食谱组合解群体进行繁殖、交叉和变异，并对所述第三食谱组合解群体进行交叉和变异，得到多个候选食谱组合解；
根据所述初始食谱优化策略对所述多个候选食谱组合解进行最优化求解，得到第二食谱组合解；
对所述第二食谱组合解进行编码到文本的转换操作，得到文本食谱数据，并对所述文本食谱数据进行多模态食谱生成，得到多模态食谱数据。
7.根据权利要求1所述的基于大数据的食谱生成方法，其特征在于，所述通过所述食谱大数据平台对所述多模态食谱数据进行用户反馈监控，得到目标用户反馈数据，并根据所述目标用户反馈数据对所述初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略，包括：
通过所述食谱大数据平台对所述多模态食谱数据进行用户反馈监控，得到目标用户反馈数据；
对所述目标用户反馈数据进行特征提取，得到用户反馈特征集合；
将所述用户反馈特征集合输入预置的策略优化模型，所述策略优化模型包括：多个决策树；
通过所述多个决策树对所述用户反馈特征集合进行策略优化分析，得到每个决策树的初始策略优化分析结果；
对每个决策树的初始策略优化分析结果进行融合分析，得到目标策略优化分析结果，并根据所述目标策略优化分析结果对所述初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
8.一种基于大数据的食谱生成装置，其特征在于，所述基于大数据的食谱生成装置包括：
获取模块，用于通过预置的食谱大数据平台获取目标用户的用户输入文本数据，并对所述用户输入文本数据进行高维空间映射和特征参数分类提取，得到食谱属性参数集合以及用户偏好参数集合；
构建模块，用于通过所述食谱大数据平台获取多源食谱数据并对所述多源食谱数据进行食谱本体论构建和知识图谱生成，得到初始食谱知识图谱，以及对所述初始食谱知识图谱进行知识图谱路径优化，得到目标食谱知识图谱；
求解模块，用于通过预置的遗传算法对所述目标食谱知识图谱和所述食谱属性参数集合进行食谱组合求解，生成初始食谱组合解空间，并对所述初始食谱组合解空间中的多个第一食谱组合解进行编码处理，得到每个第一食谱组合解的编码序列；
计算模块，用于根据所述目标食谱参数集合以及所述用户偏好参数集合定义所述遗传算法的食谱适应度函数和初始食谱优化策略，并通过所述食谱适应度函数分别对每个第一食谱组合解的编码序列进行适应度计算，得到每个第一食谱组合解的适应度值；
生成模块，用于根据所述适应度值和所述初始食谱优化策略对所述初始食谱组合解空间中的多个第一食谱组合解进行群体划分和最优化求解，得到第二食谱组合解，并对所述第二食谱组合解进行编码转换和多模态食谱生成，得到多模态食谱数据；
优化模块，用于通过所述食谱大数据平台对所述多模态食谱数据进行用户反馈监控，得到目标用户反馈数据，并根据所述目标用户反馈数据对所述初始食谱优化策略进行策略优化分析，得到对应的目标食谱优化策略。
9.一种基于大数据的食谱生成设备，其特征在于，所述基于大数据的食谱生成设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于大数据的食谱生成设备执行如权利要求1-7中任一项所述的基于大数据的食谱生成方法。
10.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于大数据的食谱生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174648.4A CN117725237B (zh) | 2024-02-07 | 2024-02-07 | 基于大数据的食谱生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410174648.4A CN117725237B (zh) | 2024-02-07 | 2024-02-07 | 基于大数据的食谱生成方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117725237A true CN117725237A (zh) | 2024-03-19 |
| CN117725237B CN117725237B (zh) | 2024-04-30 |
Family
ID=90200161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410174648.4A Active CN117725237B (zh) | 2024-02-07 | 2024-02-07 | 基于大数据的食谱生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117725237B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110739045A (zh) * | 2019-10-14 | 2020-01-31 | 郑州航空工业管理学院 | 个性化食谱设计的交互式进化优化方法 |
| CN112380356A (zh) * | 2020-11-30 | 2021-02-19 | 百度国际科技（深圳）有限公司 | 用于构建配餐知识图谱的方法、装置、电子设备及介质 |
| CN112930570A (zh) * | 2021-01-28 | 2021-06-08 | 曹庆恒 | 一种饮食智能推荐的方法、系统 |
| CN113158036A (zh) * | 2021-03-30 | 2021-07-23 | 贵阳鬲哥大数据科技有限公司 | 一种自动化食谱推荐方法、装置、终端及存储介质 |
| US20220230730A1 (en) * | 2021-01-18 | 2022-07-21 | Boe Technology Group Co., Ltd. | Recipe recommendation method and device, computing device and storage medium |
| CN117012335A (zh) * | 2023-07-19 | 2023-11-07 | 宁波方太厨具有限公司 | 套餐食谱生成方法、装置、存储介质及电子设备 |
-
2024
- 2024-02-07 CN CN202410174648.4A patent/CN117725237B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110739045A (zh) * | 2019-10-14 | 2020-01-31 | 郑州航空工业管理学院 | 个性化食谱设计的交互式进化优化方法 |
| CN112380356A (zh) * | 2020-11-30 | 2021-02-19 | 百度国际科技（深圳）有限公司 | 用于构建配餐知识图谱的方法、装置、电子设备及介质 |
| US20220230730A1 (en) * | 2021-01-18 | 2022-07-21 | Boe Technology Group Co., Ltd. | Recipe recommendation method and device, computing device and storage medium |
| CN112930570A (zh) * | 2021-01-28 | 2021-06-08 | 曹庆恒 | 一种饮食智能推荐的方法、系统 |
| WO2022160148A1 (zh) * | 2021-01-28 | 2022-08-04 | 曹庆恒 | 一种饮食智能推荐的方法、系统 |
| CN113158036A (zh) * | 2021-03-30 | 2021-07-23 | 贵阳鬲哥大数据科技有限公司 | 一种自动化食谱推荐方法、装置、终端及存储介质 |
| CN117012335A (zh) * | 2023-07-19 | 2023-11-07 | 宁波方太厨具有限公司 | 套餐食谱生成方法、装置、存储介质及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 朱伟权: "基于本体的餐饮O2O智能推荐方法研究", 《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》, vol. 2020, no. 01, 15 January 2020 (2020-01-15), pages 156 - 59 * |
| 陈虹;: "基于HTML5的校园食谱推荐系统的设计与实现", 智库时代, no. 15, 13 April 2020 (2020-04-13) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117725237B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cinelli et al. | Recommending multiple criteria decision analysis methods with a new taxonomy-based decision support system | |
| JP4429236B2 (ja) | 分類ルール作成支援方法 | |
| Boukhelifa et al. | Evaluation of interactive machine learning systems | |
| CN111831905B (zh) | 基于团队科研影响力及可持续性建模的推荐方法和装置 | |
| Branke | MCDA and multiobjective evolutionary algorithms | |
| US8275772B2 (en) | Content and quality assessment method and apparatus for quality searching | |
| US20210366023A1 (en) | System and methods for determining an object property | |
| CN110751188A (zh) | 基于多标记学习的用户标签预测方法、系统及存储介质 | |
| CN117668205B (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
| CN117725237B (zh) | 基于大数据的食谱生成方法、装置、设备及存储介质 | |
| KR102406375B1 (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
| CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
| CN110956528B (zh) | 一种电商平台的推荐方法及系统 | |
| CN112463894B (zh) | 一种基于条件互信息和交互信息的多标签特征选择方法 | |
| CN112435103A (zh) | 一种事后多样性解释的智能推荐方法及系统 | |
| CN116541506B (zh) | 基于机器学习的智能对话方法、装置、设备及存储介质 | |
| Chebil et al. | Clustering social media data for marketing strategies: Literature review using topic modelling techniques | |
| CN117668236B (zh) | 一种专利标准融合系统的分析方法、系统及存储介质 | |
| CN117540101B (zh) | 一种基于人工智能的在线书城管理方法及系统 | |
| Aziz et al. | Classification of Food Nutrients Composition using Deep Learning | |
| Sulzmann | Rule Learning: From Local Patterns to Global Models | |
| Kalamaras et al. | A cascading model for nudging employees towards energy-efficient behaviour in tertiary buildings | |
| Kafetzaki et al. | Fuzzy Typological (Re) arrangement: a Prototype of Rethinking the Typology of Roman Tablewares from Sagalassos, Southwest Anatolia | |
| Chekin et al. | Detection of Communities on Social Networks Based on Label Propagation Algorithm and Fuzzy Methods | |
| CN117972218A (zh) | 基于大数据的用户需求精准匹配方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zeng Zhicheng Inventor after: Luo Hongyan Inventor before: Zeng Zhicheng Inventor before: Dong Liming Inventor before: Luo Yanhong |
|
| CB03 | Change of inventor or designer information |