一种基于机器学习的健康食谱推荐系统

摘要

本发明公开了一种基于机器学习的健康食谱推荐系统，包括：数据输入模块，用于接收用户输入的饮食数据和/或传感器获取的数据；食谱知识库模块，用于存储接收到的饮食数据和/或传感器获取的数据；机器学习模块，用于基于深度学习网络对存储的饮食数据和/或传感器获取的数据进行分析和学习，得到食谱推荐模型；将传感器获取的与用户饮食习惯相对应的数据输入至食谱推荐模型中，食谱推荐模型输出与用户相对应的食谱。本发明通过机器学习和智能数据分析技术，对用户通过手机客户端输入与设备传回的饮食信息数据进行记录和分析，并结合用户的体质状态和不同需求，对用户进行适合用户自身的个性化智能食谱推荐。

说明书

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的健康食谱推荐系统。

背景技术

生活水平的不断提高，人们越来越关注饮食营养健康问题，个人想了解自己的身体状况是否缺乏某种营养素，了解自己的饮食习惯是否健康，制定个人营养食谱。从年龄结构、工作劳动强度、身体素质等多方面考虑，推荐科学食谱。

食谱数据如若难以有效利用分析，则无法为多种复杂情况下各式需求的营养健康食谱生成提供精准的建议。最后的结果是留存下大量的原始食谱数据，但未能有效利用。

CN110223757A的专利公开了一种食谱方案的推荐方法、装置、介质及电子设备。该方法包括：获取食材的食材图像并识别出所述食材图像中的食材名称；基于所述识别出的食材名称，从事先构建的食谱方案数据库中确定与所述食材名称相关的关联食谱方案；响应于事先针对用户个性化数据而构建的食谱方案推荐模型，从所述关联食谱方案中选择出推荐的食谱方案。此方法下，通过识别食材图像获取已有的食材信息，并结合用户的个人数据为用户推荐具有针对性的个性化食谱方案，有利于用户更方便的利用已有的或者心仪的食材，此外具有个性化的食谱推荐还能增加食谱被用户接受的概率，提高了食谱推荐的效率和用户的体验。虽然上述方法可以给用户推荐个性化食谱方案，但是其是针对用户上传的食材进行制定的，依然无法根据用户具体的身体状况及特殊需求生成专属于该用户个人的食谱推荐。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于机器学习的健康食谱推荐系统。

为了实现以上目的，本发明采用以下技术方案：

一种基于机器学习的健康食谱推荐系统，包括：

数据输入模块，用于接收用户输入的饮食数据和/或传感器获取的数据；

食谱知识库模块，与所述数据输入模块连接，用于存储接收到的饮食数据和/或传感器获取的数据；

机器学习模块，与所述食谱知识库模块连接，用于基于深度学习网络对存储的饮食数据和/或传感器获取的数据进行分析和学习，得到食谱推荐模型；将传感器获取的与用户饮食习惯相对应的数据输入至食谱推荐模型中，食谱推荐模型输出与用户相对应的食谱。

进一步的，所述数据输入模型包括用户客户端、专家客户端、系统后台管理；

所述用户客户端，用于为用户提供操作平台，并接收用户输入的数据信息；

所述专家客户端，用于为专家提供操作平台，并接收专家输入的数据信息；

所述系统后台管理，用于对用户和/或专家输入的数据信息进行处理。

进一步的，所述食谱知识库模块包括基于云端的数据处理中心；所述基于云端的数据处理中心用于根据用户输入的数据信息和/或专家输入的数据信息对数据进行加工、整理、计算、分析和上传。

进一步的，所述机器学习模块包括智能信息处理模块；所述智能信息处理模块用于根据食谱推荐模型输出与用户相对应的食谱。

进一步的，所述用户客户端包括在线提问模块，所述专家客户端包括问题解答模块；所述在线提问模块与问题解答模块用于使用户与专家进行信息交流。

进一步的，所述机器学习模块中的传感器设置于餐盘和/或筷子上，所述获取的与用户饮食习惯相对应的数据包括食物的温度、PH值、用户进餐的速度。

进一步的，所述机器学习模块中食谱推荐模型输出与用户相对应的食谱具体包括：

预处理模块，用于对用户的饮食记录及传感器获取的与用户饮食习惯相对应的数据进行预处理；

处理模块，用于将预处理后的数据送入卷积层进行标准化处理，并将经过标准化处理的数据进行归一化、修正线性单元处理，得到处理后的数据；

输出模块，用于将得到的处理后的数据与食谱知识库模块中的数据进行匹配，筛选出与用户相对应的食谱。

进一步的，所述处理模块中进行标准化处理，表示为：

z

其中，z

进一步的，所述处理模块中进行修正线性单元处理是通过ReLU函数进行修正线性单元处理的。

进一步的，所述食谱知识库模块还用于存储与用户提问相对应的推荐问题。

与现有技术相比，本发明通过机器学习和智能数据分析技术，对用户通过手机客户端输入与设备传回的饮食信息数据进行记录和分析，并结合用户的体质状态和不同需求，对用户进行适合用户自身的个性化智能食谱推荐。此外，该系统也建立了用户和专家之间的连接，以专家系统的理论知识和丰富经验为基础，为用户提供更专业的服务。

附图说明

图1是实施例一提供的一种基于机器学习的健康食谱推荐系统结构图；

图2是实施例一提供的食谱推荐模型示意图；

图3是实施例二提供的一种基于机器学习的健康食谱推荐系统示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

本发明的目的是针对现有技术的缺陷，提供了一种基于机器学习的健康食谱推荐系统。

实施例一

本实施例提供一种基于机器学习的健康食谱推荐系统，如图1所示，包括：

数据输入模块11，用于接收用户输入的饮食数据和/或传感器获取的数据；

食谱知识库模块12，与数据输入模块11连接，用于存储接收到的饮食数据和/或传感器获取的数据；

机器学习模块13，与食谱知识库模块12连接，用于基于深度学习网络对存储的饮食数据和/或传感器获取的数据进行分析和学习，得到食谱推荐模型；将传感器获取的与用户饮食习惯相对应的数据输入至食谱推荐模型中，食谱推荐模型输出与用户相对应的食谱。

本实施例包括训练模块和测试模块。训练模块用于通过训练得到食谱推荐模型；测试模块用于通过训练好的食谱推荐模型输出与用户相对应的食谱。

在数据输入模块11中，接收用户输入的饮食数据和/或传感器获取的数据。

在训练模块中，数据输入模块11接收用户输入的饮食数据，其中饮食数据可以是用户喜欢的食物种类等等；传感器获取的数具可以是设置于碗/盘子/筷子上的温度传感器采集到的食物的温度、设置于碗/盘子/筷子上的PH传感器采集到的食物的PH值、设置于筷子上的速度传感器采集到的用户进食的速度等数据。

在食谱知识库模块12中，存储接收到的饮食数据和/或传感器获取的数据。

将数据输入模块接收到的各种数据存储到食谱知识库中，是食谱知识库对大量数据进行加工、整理、计算和分析。

在机器学习模块13中，用于基于深度学习网络对存储的饮食数据和/或传感器获取的数据进行分析和学习，得到食谱推荐模型；将传感器获取的与用户饮食习惯相对应的数据输入至食谱推荐模型中，食谱推荐模型输出与用户相对应的食谱。

将食谱知识库中存储的数据以及其他方式获取的数据均输入深度学习网络中训练，最后得到食谱推荐模型。需要说明的是，基于将数据输入深度学习网络中进行训练的方式与现有技术类似，在此不多做赘述。

在测试模块中，当得到食谱推荐模型后，将传感器获取的与用户饮食习惯相对应的数据输入至食谱推荐模型中，食谱推荐模型输出与用户相对应的食谱。

机器学习模块中食谱推荐模型输出与用户相对应的食谱如图2所示，具体包括：

预处理模块，用于对用户的饮食记录及传感器获取的与用户饮食习惯相对应的数据进行预处理；

对用户的饮食记录及传感器获取到的用户饮食数据进行预处理；通过计算每个特征的某个统计指标，然后根据该指标来选取特征；

处理模块，用于将预处理后的数据送入卷积层进行标准化处理，并将经过标准化处理的数据进行归一化、修正线性单元处理，得到处理后的数据；

将预处理后的数据送入卷积层，其中，卷积核分别采用13×13，11×11，7×7，3×3的尺寸，分别通过求出各变量的算术平均值x

z

其中，z

之后将逆指标前的正负号对调，实现对数据的归一化处理；最后利用ReLU函数进行修正线性单元处理。

输出模块，用于将得到的处理后的数据与食谱知识库模块中的数据进行匹配，筛选出与用户相对应的食谱。

将修正后的数据与数据库中的食谱数据进行匹配，通过将提取出的数据特征信息与预设的食谱进行比对，筛选出最符合要求的五个食谱，最终完成营养食谱的推荐。

本实施例通过机器学习和智能数据分析技术，对用户通过手机客户端输入与设备传回的饮食信息数据进行记录和分析，并结合用户的体质状态和不同需求，对用户进行适合用户自身的个性化智能食谱推荐

实施例二

本实施例提供一种基于机器学习的健康食谱推荐系统与实施例一的不同之处在于：

如图3所示，包括数据输入模块、食谱知识库模块、机器学习模块。

数据输入模块包括用户客户端、专家客户端、系统后台管理；

用户客户端，用于为用户提供操作平台，并接收用户输入的数据信息；

用户客户端的功能有用户注册、用户登录、信息管理、资产管理、信息查看、设备管理、目标设置/更改、在线提问、智能食谱推荐、反馈与帮助等，其中在线提问功能是用来与专家客户端的专家进行信息交流。用户注册后即可以通过软件使用系统所提供的智能食谱推荐功能，还可以与专家在线上进行交流询问或者购买更加专业的食谱等。用户在用户客户端上的业务数据传递到基于云端的数据处理中心进行分析和处理。

专家客户端，用于为专家提供操作平台，并接收专家输入的数据信息；

专家客户端的功能有用户注册、用户登录、信息管理、回答提问、分享经验、反馈与帮助等。其中回答提问是用来与用户客户端的用户进行信息交流与问题解答。专家注册后既可以通过软件使用系统的各项功能，为用户提供专业的饮食分析和建议，也可以向用户提供有偿的经验分享等。专家在客户端上的业务数据传递到基于云端的数据处理中心进行分析和处理。

系统后台管理，用于对用户和/或专家输入的数据信息进行处理。

系统后台管理的功能包括信息审核、信息管理、反馈处理等。管理员通过系统后台管理，对后台数据和用户的信息进行管理和增减删改，维护系统的各项功能正常运行；同时系统后台管理也为管理人员提供反映系统运营情况的各类信息。

数据输入模块具体为：

用户通过用户客户端进行软件账号注册，使用时登录账号密码等，用户可以在用户客户端查看、设置先关的信息；也可以通过在线提问功能与专家在线上进行交流询问或者购买更加专业的食谱；还可以通过智能食谱推荐功能使系统自动推荐出与自身匹配的食谱等等。

专家通过专家客户端进行软件账号注册，使用时登录账号密码等，进入食谱推荐系统，专家可以在专家客户端查看相关的信息；也可以通过回答提问功能为用户提供专业的饮食分析和建议或向用户提供有偿的经验分享等。

在本实施例中，用户通过在线提问功能发出问题，与专家进行交流，得到适合自身的食谱；用户也可以通过点击智能食谱推荐，用户可以通过输入自身的饮食数据，系统基于食谱推荐模型推荐出与用户自身匹配的食谱；或者系统可以自动获取传感器采集的数据信息来为用户自动推荐与用户自身匹配的食谱。

食谱知识库模块包括基于云端的数据处理中心，基于云端的数据处理中心对来自系统的大量数据进行加工、整理、计算和分析，具有对数据进行实时、快速和精准的处理的功能。当用户和医生在使用系统时，会产生大量的业务数据，这些数据传递到云端的数据处理中心进行分析和处理，可以快速的对用户和医生的需求进行应答。

该食谱知识库不仅存储用户输入的数据、传感器采集的数据，还存储用户向专家提出的问题以及专家针对某一问题的建议等数据。

机器学习模块包括智能信息处理模块，智能信息处理模块使用机器学习框架对大量的数据进行分析和学习，通过不断的调整权值和阈值得到高精确度的模型，结合产品传感器提供的各项数据，实现针对不同用户进行适合自身体质的智能食谱的推荐功能。

本实施的系统建立了用户和专家之间的连接，以专家系统的理论知识和丰富经验为基础，为用户提供更专业的服务。

实施例三

本实施例提供一种基于机器学习的健康食谱推荐系统与实施例一、二的不同之处在于：

本实施例的食谱知识库模块包括分类模型、匹配模型。

分类模型用于将用户提出的问题进行分类；

匹配模型用于对分类后的用户的提出的问题与在食谱知识库中的问题进行匹配，进而输出合理的建议。

具体为：

用户通过用户客户端中的在线提问功能问输入所要提的问题，该问题可通过语音或文字的方式输入。

食谱知识库模块的基于云端的数据处理中心接收到该问题后，假设用户输入的问题为语音问题，则先对该语音问题进行语音识别以得到对应的文本信息，之后，可对该文本信息进行预处理(如对该文本进行语言纠正等处理)后，提取出问题的特征信息，把那个通过预设的问题分类模型对该问题进行分类，再将分类后的问题输入至匹配模型中从知识库中筛选出多个(如5个)最相似的推荐问题推荐给用户，用户选择推荐候选集(即多个推荐问题)中的标准问题，或者请求专家服务。当用户选择了推荐问题，则记为系统推荐有效，并将本次对话标记为正确识别并添加至知识库；当用户没有选择推荐问题，则记为系统推荐无效，将本次对话标记为未识别问题，并存储于知识库。系统对知识库中存储的未识别问题进行聚类，并判断知识库中是否存在聚类后的未识别问题对应的标准问题，若存在，则对该对应的标准问题进行标注，否则新建标准问题，提供给专家回答后并对该新建的标准问题进行标注。系统获取这些标注的标准问题，并根据这些标注的标准问题对问题分类模型和问题匹配模型进行优化训练，实现模型的迭代优化更新，从而实现了问答系统的持续优化，提高了推荐问题的准确度，进而更能准确地向用户推荐符合用户需求的问题，提升了用户体验。

本实施例所公布的基于机器学习的健康食谱推荐系统，具有智能化、信息化、专业化的特点。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。