KR20200044221A - 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 - Google Patents

식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 Download PDF

Info

Publication number
KR20200044221A
KR20200044221A KR1020180121651A KR20180121651A KR20200044221A KR 20200044221 A KR20200044221 A KR 20200044221A KR 1020180121651 A KR1020180121651 A KR 1020180121651A KR 20180121651 A KR20180121651 A KR 20180121651A KR 20200044221 A KR20200044221 A KR 20200044221A
Authority
KR
South Korea
Prior art keywords
diet
recommendation
information
food
learning
Prior art date
Application number
KR1020180121651A
Other languages
English (en)
Inventor
김영만
최호림
Original Assignee
온동네피엠씨 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 온동네피엠씨 주식회사 filed Critical 온동네피엠씨 주식회사
Priority to KR1020180121651A priority Critical patent/KR20200044221A/ko
Publication of KR20200044221A publication Critical patent/KR20200044221A/ko

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nutrition Science (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 식단 추천 서버와 개인식단 추천 서비스시스템 및 방법에 관한 것으로서, 더욱 상세하게는 리셋 변수와 업데이트 변수를 도입한 GRU(Gated Recurrent Unit) 알고리즘의 딥러닝에 의해 식단을 추천하는 서버와 이를 이용해 개인식단을 추천하는 시스템 및 방법에 관한 것이다.
본 발명의 실시예에 따른 식단 추천 서버는, 사용자가 직전에 식사한 식단을 입력 레이어로 하고 사용자의 취향(식성)이나 패턴 정보를 히든 레이어로 해서 GRU(Gated Recurrent Unit) 방식으로 이전 데이터를 딥러닝하여 아웃풋 레이어로 이후 식단을 추천하는 식단 추천 학습부를 구비하는 것을 특징으로 한다.

Description

식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 {Menu recommendation server, system and method for recommending a personalized menu using it}
본 발명은 식단 추천 서버와 개인식단 추천 서비스시스템 및 방법에 관한 것으로서, 더욱 상세하게는 리셋 변수와 업데이트 변수를 도입한 GRU(Gated Recurrent Unit) 알고리즘의 딥러닝에 의해 식단을 추천하는 서버와 이를 이용해 개인식단을 추천하는 시스템 및 방법에 관한 것이다.
최근 삶의 질이 높아지면서 생활양식이나 환경의 변화에 맞춘 건강관리에 대한 관심도 매우 높아지고 있다.
더불어 병원에서만 진행되는 건강관리가 아닌 일상생활에서 건강을 지키려는 사람들이 많아지면서 이에 가장 밀접한 식생활에도 매우 큰 관심을 두기 시작했다.
인터넷이나 도서 등에 있는 일반적인 정보들을 가지고 전문가가 아닌 일반인들이 자신에게 맞는 건강 식단을 직접 계획하기란 매우 힘들어, 다양한 추천 기법을 활용하여 식생활에 도움을 줄 수 있는 식단 추천 방법에 대해 연구가 활발하게 진행되고 있다.
그런데 현재의 식단 추천 시스템이나 시중에 나와 있는 식단 관련 애플리케이션들은 대부분 개인의 몸 상태 혹은 질병 여부를 떠나 다이어트나 건강 같은 목적에만 초점이 맞추어져 있고, 여러 측면을 고려한 추천이 아닌 정해진 식단을 차례대로 출력함으로써 모든 사용자가 같은 식단을 받게 된다.
즉, 추천되는 식단은 정해져 있고 더불어 사용자의 상황이 전혀 고려되고 있지 않아 계절을 포함하는 시간 정보, 개인별 식성 정보, 주변 식재료 정보 등을 적응적으로 고려하여 맞춤형 추천을 수행하지 못하고 있는 문제점이 있었다.
공개번호 제10-2009-0046994호(공개일자 2009년05월12일)
본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로서, 딥러닝(Deep Learning) 알고리즘(방식)을 이용하여 판단의 기준을 설정하지 않고 대용량의 데이터로부터 개인에 맞는 식단을 자동으로 추천할 할 수 있는 딥러닝 알고리즘을 이용한 개인식단 추천 서비스시스템 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명이 다른 목적은 계절을 포함하는 시간 정보, 개인별 식성 정보, 주변 식재료 정보 등의 데이터로부터 딥러닝 알고리즘을 이용하여 개인에 맞는 식단을 자동으로 추천함으로써 개인의 다양한 상황을 고려하여 사용자에게 적합한 식단을 추천할 수 있는 개인식단 추천 서비스시스템 및 방법을 제공하는데 있다.
상술한 목적을 달성하기 위한 본 발명의 실시예에 따른 식단 추천 서버는, 사용자가 직전에 식사한 식단을 입력 레이어로 하고 사용자의 취향(식성)이나 패턴 정보를 히든 레이어로 해서 GRU(Gated Recurrent Unit) 방식으로 이전 데이터를 딥러닝하여 아웃풋 레이어로 이후 식단을 추천하는 식단 추천 학습부를 구비하는 것을 특징으로 한다.
또한, 상기 GRU 방식의 모델은 히든 레이어의 각 노드에 리셋 게이트와 업데이트 게이트를 도입하고,
상기 식단 추천 학습부는 딥러닝에 의해 과거(이전)의 패턴(식단)이 미래의 패턴(추천 식단)에 얼마나 영향을 미치는지 정하는 리셋 게이트에 해당하는 시간변수 학습모듈과, 딥러닝에 의해 새로 입력된 식재료와 이전 식단의 식재료를 미래의 추천 식단에 얼마나 반영할지 정하는 업데이트 게이트에 해당하는 반영 학습모듈과, 상기 시간변수 학습모듈의 리셋 변수와 상기 반영 학습모듈의 업데이트 변수를 토대로 식단을 추천하는 추천 모듈로 이루어지는 것을 특징으로 한다.
또한, 상기 식단 추천 학습부는 김치찌개, 계란말이와 같은 메뉴를 한 종류의 입력 레이어로 하여 학습하거나, 메뉴가 아닌 식재료 별로 따로따로 구분하여 학습하거나, 아침/점심/저녁과 같이 식사 시간대를 구분하여 학습하거나, 사용자의 취향(식성)이나 건강정보를 포함하여 학습하는 것을 특징으로 한다.
그리고 상기 식단 추천 서버에서 식단을 추천하기 위해 필요한 사용자 정보, 식단 정보, 표준 식단 정보, 음식 레시피, 식재료 정보을 저장하는 식단 정보 DB와, 상기 추천 모듈에서 추천한 식단이나 추천 식단에 매칭되는 매칭 표준 식단을 표시하는 표시부가 더 구비되는 것을 특징으로 한다.
본 발명의 실시예에 따른 개인식단 추천 서비스시스템은, 위에 기재된 어느 하나의 식단 추천 서버;
상기 식단 추천 서버에 접속하여 개인의 정보를 입력해서 회원으로 가입하고, 식단 추천 서버에서 제공하는 개인 식단 추천 서비스를 이용하는 사용자 단말; 및
상기 식단 추천 서버에 접속하여 주변 상가의 식재료 정보를 입력함으로써 식단 추천 서버의 딥러닝에 의한 식단 추천시에 도움을 주면서 식재료를 판매하는 상가 단말; 을 포함하여 구성된다.
또한, 상기 식단 추천 서버는 사용자 단말의 화면에 추천 식단이나 매칭 표준 식단을 표시하고, 그중 하나의 식단을 선택하는 경우 해당 식단의 음식 레시피나 해당 식단의 식재료를 판매하는 상가의 정보를 표시하는 것을 특징으로 한다.
본 발명의 실시예에 따른 개인식단 추천 서비스방법은, (a) 시간변수 학습모듈에서 딥러닝에 의해 과거(이전)의 패턴(식단)이 미래의 패턴(추천 식단)에 얼마나 영향을 미치는지 정하는 단계;
(b) 외부로부터 새로운 식재료 정보를 제공받아 반영 학습모듈에서 딥러닝에 의해 새로 입력된 식재료와 이전 식단의 식재료를 미래의 추천 식단에 얼마나 반영할지 정하는 단계; 및
(c) 추천 모듈에서 상기 (a)와 (b)단계에서 정한 값을 토대로 식단을 추천하는 단계;
를 포함하여 구성된다.
또한, 상기 (a)단계 이전에 개인 식성이나 건강 정보와 같은 개인 정보를 제공하는 것을 특징으로 한다.
상술한 과제의 해결 수단에 의하면, 딥러닝(Deep Learning) 알고리즘(방식)을 이용하여 판단의 기준을 설정하지 않고 대용량의 데이터로부터 개인에 맞는 식단을 자동으로 추천할 할 수 있다.
또한, 계절을 포함하는 시간 정보, 개인별 식성 정보, 주변 식재료 정보 등의 데이터로부터 딥러닝 알고리즘을 이용하여 개인에 맞는 식단을 자동으로 추천함으로써 개인의 다양한 상황을 고려하여 사용자에게 적합한 식단을 추천할 수 있다.
도 1은 본 발명의 실시예에 따른 개인식단 추천 서비스시스템의 블록 구성도이다.
도 2는 본 발명의 딥러닝에 적용되는 GRU 모델을 나타낸 그림이다.
도 3은 본 발명의 실시예에 따른 개인식단 추천 서비스방법의 순서도이다.
도 4는 본 발명의 딥러닝에 의한 식단 추천 구현 방법을 나타내는 도면이다.
도 5는 본 발명의 딥러닝에 의한 학습 방법을 나타내는 순서도이다.
도 6은 본 발명의 실시예에 따른 식단 추천 구현 방법의 예시도이다.
이하 본 발명의 실시예에 대하여 첨부된 도면을 참고로 그 구성 및 작용을 설명하기로 한다.
도면들 중 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 참조번호 및 부호들로 나타내고 있음에 유의해야 한다.
하기에서 본 발명을 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명의 이해를 돕기 위해 딥러닝(deep learning)에 대해 설명하면 다음과 같다.
딥러닝은 입력을 받아 보내는 인풋 레이어(input layer)와, 여러 개의 노드(node)로 이루어지고 각 노드에서 상기 입력으로부터 자극을 받아 그에 따라 반응하는 히든 레이어(hidden layer)와, 상기 히드 레이어로부터 들어온 노드들의 반응을 합하여 내보내는 아웃풋 레이어(output layer)로 이루어진다.
이와 같은 딥러닝에서 순환신경망(Recurrent Neural Netrwork(RNN))은 과거의 데이터가 미래에 영향을 끼칠 수 있는 신경망으로, 현재 시간의 입력과 과거 계산 결과를 합하여 결과를 내보내고 실시간으로 계산된 결과에 대한 메모리 정보를 갖고 있다고 볼 수 있다.
GRU(Gated Recurrent Unit)는 상기 순환신경망을 발전시킨 형태로 그 순환신경망은 입력의 영향력이 시간이 지날수록 감소하나(예전에 입력했던 내용을 나중에 잊어버릴 수 밖에 없음), GRU는 히든 레이어 내부의 셀(cell)과 게이트(gate)를 통하여 오랜기간 정보를 손실없이 저장할 수 있다.
도 2는 본 발명의 딥러닝에 적용되는 GRU 모델을 나타낸 그림으로서, 히든 레이어의 각 노드에 리셋(reset) 게이트와 업데이트(update) 게이트를 도입한다.
상기 리셋 게이트 r은 현재 상태와 메모리 셀의 입력값을 토대로 현재 메모리에 저장할 값을 계산해서 1이면 이전의 히든 값을 그대로 반영하여 계산하고, 0이면 새로운 입력값만 사용한다.
상기 업데이트 게이트 z는 이전 메모리 값을 그대로 남길지 새로운 값으로 업데이트할지 정하여, 1이면 이전 메모리를 지우고 새로운 값을 사용하고, 0이면 이전 메모리를 그대로 사용한다.
이때 값은 0과 1뿐만 아니라 0과 1 사이의 소수점 숫자(예를 들어 0.1, 0.54, 0.672 등)로도 표시할 수 있다.
도 1은 본 발명의 실시예에 따른 개인식단 추천 서비스시스템의 블록 구성도이다.
도 1에 도시된 바와 같이 본 발명의 실시예에 따른 개인식단 추천 서비스시스템은 식단 추천 서버(100), 사용자 단말(200) 및 상가 단말(300)을 포함하여 구성된다.
상기 식단 추천 서버(100)는 식단 추천 학습부(110)와 표시부(120) 및 식단 정보 DB(130)를 포함하고, 식단 추천 학습부(110)는 시간변수 학습모듈(114), 반영 학습모듈(112), 추천 모듈(116)을 구비한다.
상기 식단 추천 학습부(110)는 도 4에 도시된 바와 같이 시간순으로 사용자가 직전에 식사한 식단을 입력 레이어로 하고 사용자의 취향(식성)이나 패턴 정보를 히든 레이어로 해서 GRU 방식으로 딥러닝하여 이후 식단을 추천(예측)한다.
이때 학습 방식은 김치찌개, 계란말이와 같은 메뉴를 한 종류의 입력 레이어로 하여 학습할 수 있고, 메뉴가 아닌 식재료 별로 따로따로 구분하여 학습할 수도 있고, 아침/점심/저녁과 같은 식사 시간대를 구분하여 학습할 수도 있고, 사용자의 취향(식성)이나 건강정보를 포함하여 학습할 수도 있다.
상기 시간변수 학습모듈(114)은 도 2에 나타낸 GRU 모듈의 리셋 게이트(r)에 해당하는 것으로, 딥러닝에 의해 과거(이전)의 패턴(식단)이 미래의 패턴(추천 식단)에 얼마나 영향을 미치는지 정한다.
상기 반영 학습모듈(112)은 도 2에 나타낸 GRU 모듈의 업데이트 게이트(z)에 해당하는 것으로, 딥러닝에 의해 새로 입력된 식재료와 이전 식단의 식재료를 미래의 추천 식단에 얼마나 반영할지 정한다.
추천 모듈(116)은 상기 시간변수 학습모듈(114)의 리셋 변수와 상기 반영 학습모듈(123)의 업데이트 변수를 토대로 식단을 추천한다.
이때 사용자의 취향(식성)이나 건강정보를 포함하여 학습하고 이를 식단의 추천에 반영할 수도 있다.
또한, 추천 모듈(116)은 우선순위를 정해 여러 가지 식단을 추천할 수 있고, 추천 식단과 가까운 표준 식단을 식단 정보 DB(130)에서 찾아내어(매칭시켜) 제공할 수도 있다.
상기 식단 정보 DB(130)에는 식단 추천 서버(100)에서 식단을 추천하기 위해 필요한 각종 정보를 저장하는 것으로, 예를 들어 사용자 정보(식성, 건강, 패턴 등), 식단 정보, 표준 식단 정보, 음식 레시피, 식재료 정보 등을 포함한다.
상기 표시부(120)는 추천 모듈(116)에서 추천한 식단이나 매칭 표준 식단을 표시하고, 그중 하나의 식단을 선택하는 경우 해당 식단의 음식 레시피나 해당 식단의 식재료를 판매하는 상가의 정보(상가명, 위치, 전화번호, 가격 등)을 표시할 수 있다.
이와 같은 식단 추천 서버(100)에 접속하여 개인의 정보(ID, 패스워드, 식성, 건강, 나이, 남여, 위치 등)를 입력해서 회원으로 가입한 후, 식단 추천 서버(100)에서 제공하는 개인 식단 추천 서비스를 이용할 수 있도록 사용자 단말(200)이 더 구비될 수도 있다.
이때 상기 식단 추천 서버(100)는 사용자 단말(200)의 화면에, 표시부(120)에 표시되는 내용을 출력하여 제공할 수 있다.
상기 식단 추천 서버(100)에 접속하여 주변 상가의 식재료 정보를 입력함으로써 식단 추천 서버(100)의 식단 추천시에 도움을 주면서 식재료를 판매하기 위한 상가 단말(300)이 더 구비될 수도 있다.
그리고 식단 추천 서버(100)에 사용자 냉장고에 보관중인 식재료 정보(310)를 입력할 수도 있다.
도 3은 본 발명의 실시예에 따른 개인식단 추천 서비스방법의 순서도이다.
식단 추천 서버(100)의 시간변수 학습모듈(114)은 딥러닝에 의해 과거(이전)의 패턴(식단)이 미래의 패턴(추천 식단)에 얼마나 영향을 미치는지 - 과거(이전)의 패턴(식단)을 미래의 패턴(추천 식단)에 얼마만큼 적용할지 - 정한다(S32).
다음 식단 추천 서버(100)는 외부로부터 새로운 식재료 정보를 제공받아(S33), 반영 학습모듈(112)에서 딥러닝에 의해 새로 입력된 식재료와 이전 식단의 식재료를 미래의 추천 식단에 얼마나 반영할지 정한다(S34).
다음 추천 모듈(116)은 상기 시간변수 학습모듈(114)의 리셋 변수와 상기 반영 학습모듈(112)의 업데이트 변수를 토대로 식단을 다수 추천한다(S36).
이때 추천 모듈(116)에서 추천 식단과 가까운 표준 식단을 식단 정보 DB(130)에서 찾아내어 매칭할 수도 있다.
다음 식단 추천 서버(100)는 사용자 단말(200)의 화면에 추천 식단이나 매칭 표준 식단을 출력하여 제공한다(S38).
한편, 상기 S32단계 이전에 사용자 단말(300)에서 식단 추천 서버(100)에 접속하여 개인 정보를 제공함으로써 식단 추천 서버(100)의 딥러닝이나 식단 추천에 영향을 줄 수도 있다.
도 5는 본 발명의 딥러닝에 의한 학습 방법을 나타내는 순서도이다.
먼저, 과거의 수많은 데이터 중 딥러닝에 필요한 트레이닝 데이터)를 추출하고(S51), 이 트레이닝 데이터로 딥러닝을 수행하여(S52) 새로운 식단 스코어 모델을 생성한다(S53).
다음 과거 식단을 시뮬레이션하여(S54) 기존 모델의 성능과 새로운 식단 스코어 모델의 성능을 비교하여(S55) 새로운 식단 스코어 모델의 성능이 더 나은 경우(S57) 이를 이후 식단의 추천 모델로 반영하고(S58), 새로운 식단 스코어 모델의 성능이 더 낫지 않은 경우 새로운 트레이닝 데이터를 추출한다(S51).
도 6은 본 발명의 실시예에 따른 식단 추천 구현 방법의 예시도로서, 총 N개의 메뉴 중 좌측 하부의 된장찌개, 콩나물, 배추김치를 구비한 이전 식단에서 도 3과 같은 GRU 모델의 딥러닝에 의해 이후 식단에서 김치찌개, 콩나물, 두부조림을 추천한다.
또한, 시간이 흘러 다음 식사 때에는 김치찌개, 콩나물, 두부조림이 이전 식단이 되고 도 3과 같은 GRU 모델의 딥러닝에 의해 이후 식단에서 콩나물, 두부조림, 배추김치를 추천한다.
이상에서 본 발명에 대한 기술 사상을 첨부 도면과 함께 서술하였지만, 이는 본 발명의 바람직한 실시예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다.
또한, 이 기술 분야의 통상의 지식을 가진 자라면 누구나 본 발명의 기술 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
100: 식단 추천 서버 110: 식단 추천 학습부
112: 반영 학습모듈 114: 시간변수 학습모듈
116: 추천 모듈 120: 표시부
130: 식단정보 DB 200: 사용자 단말
300: 상가 단말 310: 냉장고 식재료 정보

Claims (8)

  1. 사용자가 직전에 식사한 식단을 입력 레이어로 하고 사용자의 취향(식성)이나 패턴 정보를 히든 레이어로 해서, GRU(Gated Recurrent Unit) 방식으로 이전 데이터를 딥러닝하여 아웃풋 레이어로 이후 식단을 추천하는 식단 추천 학습부를 구비하는 것을 특징으로 하는 식단 추천 서버.
  2. 제1항에 있어서,
    상기 GRU 방식의 모델은 히든 레이어의 각 노드에 리셋 게이트와 업데이트 게이트를 도입하고,
    상기 식단 추천 학습부는 딥러닝에 의해 과거(이전)의 패턴(식단)이 미래의 패턴(추천 식단)에 얼마나 영향을 미치는지 정하는 리셋 게이트에 해당하는 시간변수 학습모듈과, 딥러닝에 의해 새로 입력된 식재료와 이전 식단의 식재료를 미래의 추천 식단에 얼마나 반영할지 정하는 업데이트 게이트에 해당하는 반영 학습모듈과, 상기 시간변수 학습모듈의 리셋 변수와 상기 반영 학습모듈의 업데이트 변수를 토대로 식단을 추천하는 추천 모듈로 이루어지는 것을 특징으로 하는 식단 추천 서버.
  3. 제1항에 있어서,
    상기 식단 추천 학습부는 김치찌개, 계란말이와 같은 메뉴를 한 종류의 입력 레이어로 하여 학습하거나, 메뉴가 아닌 식재료 별로 따로따로 구분하여 학습하거나, 아침/점심/저녁과 같이 식사 시간대를 구분하여 학습하거나, 사용자의 취향(식성)이나 건강정보를 포함하여 학습하는 것을 특징으로 하는 식단 추천 서버.
  4. 제1항에 있어서,
    상기 식단 추천 서버에서 식단을 추천하기 위해 필요한 사용자 정보, 식단 정보, 표준 식단 정보, 음식 레시피, 식재료 정보을 저장하는 식단 정보 DB와, 상기 추천 모듈에서 추천한 식단이나 추천 식단에 매칭되는 매칭 표준 식단을 표시하는 표시부가 더 구비되는 것을 특징으로 하는 식단 추천 서버.
  5. 제1항 내지 제4항 중 어느 한 항에 기재된 식단 추천 서버;
    상기 식단 추천 서버에 접속하여 개인의 정보를 입력해서 회원으로 가입하고, 식단 추천 서버에서 제공하는 개인 식단 추천 서비스를 이용하는 사용자 단말; 및
    상기 식단 추천 서버에 접속하여 주변 상가의 식재료 정보를 입력함으로써 식단 추천 서버의 딥러닝에 의한 식단 추천시에 도움을 주면서 식재료를 판매하는 상가 단말;
    을 포함하는 개인식단 추천 서비스시스템.
  6. 제5항에 있어서,
    상기 식단 추천 서버는 사용자 단말의 화면에 추천 식단이나 매칭 표준 식단을 표시하고, 그중 하나의 식단을 선택하는 경우 해당 식단의 음식 레시피나 해당 식단의 식재료를 판매하는 상가의 정보를 표시하는 것을 특징으로 하는 개인식단 추천 서비스시스템.
  7. (a) 시간변수 학습모듈에서 딥러닝에 의해 과거(이전)의 패턴(식단)이 미래의 패턴(추천 식단)에 얼마나 영향을 미치는지 정하는 단계;
    (b) 외부로부터 새로운 식재료 정보를 제공받아 반영 학습모듈에서 딥러닝에 의해 새로 입력된 식재료와 이전 식단의 식재료를 미래의 추천 식단에 얼마나 반영할지 정하는 단계; 및
    (c) 추천 모듈에서 상기 (a)와 (b)단계에서 정한 값을 토대로 식단을 추천하는 단계;
    를 포함하는 개인식단 추천 서비스방법.
  8. 제7항에 있어서,
    상기 (a)단계 이전에 개인 식성이나 건강 정보와 같은 개인 정보를 제공하는 것을 특징으로 하는 개인식단 추천 서비스방법.
KR1020180121651A 2018-10-12 2018-10-12 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법 KR20200044221A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180121651A KR20200044221A (ko) 2018-10-12 2018-10-12 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180121651A KR20200044221A (ko) 2018-10-12 2018-10-12 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20200044221A true KR20200044221A (ko) 2020-04-29

Family

ID=70466403

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180121651A KR20200044221A (ko) 2018-10-12 2018-10-12 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20200044221A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735562A (zh) * 2021-01-25 2021-04-30 珠海格力电器股份有限公司 饮食推荐方法、装置、电子设备及存储介质
CN116662663A (zh) * 2023-06-14 2023-08-29 广州市派客朴食信息科技有限责任公司 一种基于知识图谱和深度学习的用户菜品推荐方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090046994A (ko) 2007-11-07 2009-05-12 주식회사 휴민텍 사용자 맞춤형 식단 추천 서비스

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090046994A (ko) 2007-11-07 2009-05-12 주식회사 휴민텍 사용자 맞춤형 식단 추천 서비스

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735562A (zh) * 2021-01-25 2021-04-30 珠海格力电器股份有限公司 饮食推荐方法、装置、电子设备及存储介质
CN116662663A (zh) * 2023-06-14 2023-08-29 广州市派客朴食信息科技有限责任公司 一种基于知识图谱和深度学习的用户菜品推荐方法
CN116662663B (zh) * 2023-06-14 2024-04-30 广州市派客朴食信息科技有限责任公司 一种基于知识图谱和深度学习的用户菜品推荐方法

Similar Documents

Publication Publication Date Title
US11580879B2 (en) Systems and methods for generating personalized nutritional recommendations
US11080775B2 (en) Recommending meals for a selected group
US20190304000A1 (en) Online food and beverage search method based on food to biomarker optimization algorithms in a node ranked database
US10769523B2 (en) Using analytics to determine dining venue based on group preferences
Morente-Molinera et al. A linguistic mobile decision support system based on fuzzy ontology to facilitate knowledge mobilization
Boavida-Portugal et al. Where to vacation? An agent-based approach to modelling tourist decision-making process
Xue et al. Applications of systems modelling in obesity research
US10347152B2 (en) Indirect bio-feedback health and fitness management system
Marion et al. “We make the shoes, you make the story” Teenage girls’ experiences of fashion: Bricolage, tactics and narrative identity
US20200098466A1 (en) Machine learning implementations for a menu generation platform
US20140214590A1 (en) Techniques for determining substitutes for products indicated in an electronic shopping list
US10885807B1 (en) Indirect bio-feedback health and fitness management system
Kupor et al. Thought calibration: How thinking just the right amount increases one’s influence and appeal
Özkul et al. The Influence of the color of light on the customers' perception of service quality and satisfaction in the restaurant
Guevremont Can human brands help consumers eat better? Influence of emotional brand attachment, self‐identification, and brand authenticity on consumer eating habits
Singaiah et al. Understanding of social marketing: A conceptual perspective
KR20200044221A (ko) 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법
Tabatabaei et al. Narrowing reinforcement learning: Overcoming the cold start problem for personalized health interventions
KR102589880B1 (ko) 딥러닝 모듈을 이용한 음식 추천 방법
Le Mens et al. The evaluative advantage of novel alternatives: An information-sampling account
Zhang et al. Garment recommendation in an e-shopping environment by using a Markov Chain and Complex Network integrated method
Ghandnoosh ‘Cross-cultural’practices: interpreting non-African-American participation in hip-hop dance
KR20150016046A (ko) 식사 정보 기록 방법 및 시스템
KR20220148979A (ko) 식단 추천 서버와 이를 이용한 개인식단 추천 서비스시스템 및 방법
Marette et al. Choosing for others

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right