面向校园餐饮的菜品推荐方法与系统
这是一篇关于菜品推荐,推荐系统,图神经网络,嵌入表示学习的论文, 主要内容为交通的便利和信息化社会的发展让饮食文化得以更加深层次的交融,人们对美食的多样化需求给餐饮业提出了更高的要求。校园餐饮中,师生来自五湖四海,可能具有不同地域的饮食差异、不同季节的饮食习惯、不同民族的饮食文化。为了让师生高效便捷获得自己喜欢或者可能喜欢的食物,基于大数据技术进行菜品的个性化推荐就显得十分重要。菜品推荐问题可以归结为基于会话的推荐任务,LightGCN是处理这类任务的主流方法之一,其已被证明具有简单、高效、稳定等优点,然而将LightGCN直接应用于本文所考虑的菜品推荐场景中却存在两方面挑战。首先在本文场景中,User(也即订单)数量远远多于Item(也即菜品)数量(相差约两个数量级),但LightGCN需要对每一个User和Item都学习对应的嵌入表示,这使得对User的嵌入表示主导了Item的嵌入表示,不但影响推荐效果且造成额外的计算存储开销;第二是LightGCN使用BPR(Bayesian Personalized Ranking)损失进行训练,需要进行负样本以避免模型学到平凡解,然而,在菜品推荐任务中通过采样没有交互过的UserItem当做负样本对很有可能获得假负样本对,从而给模型训练带来不利影响。为了解决上述挑战,本文提出了ItemLightGCN方法。相比原始的LightGCN模型,ItemLightGCN进行了2个方面的改进:首先是摒弃了LightGCN对于User学习嵌入表示的做法,而仅仅对于Item本身构建可学习的嵌入表示,而User的嵌入表示则视作由Item的嵌入表示组合而成,强化了Item的嵌入表示的影响,避免了冗余的计算与存储开销;其次是引入了Item嵌入对比损失,通过间接方式保证嵌入空间可判别性,避免了伪负采样优化造成的不利影响。本文采集并整理了北京交通大学红果园餐厅2021年全年订单数据,构建了规范的实验数据集合,实验结果验证了ItemLightGCN方法的有效性。更进一步,基于所提出的ItemLightGCN模型,本文还开发了相应的菜品推荐系统demo,系统可以仅凭客人的已点菜品进行推荐,实现高效智能点餐。
大数据环境下个性化菜品推荐研究
这是一篇关于机器学习,饮食行为,消费习惯,菜品推荐,个性化推荐,关联规则的论文, 主要内容为科技发展日新月异,经济快速发展,人们的生活水平逐步提高,生活节奏也逐渐加快,人们外出就餐机会也越来越多,然而“民以食为天”,“身体是革命的本钱”,如何保证人民的健康,为人们提供合理健康满意的饮食,在餐饮行业被越来越重视,餐饮行业个性化服务水平也亟待提高。此外,智能手机基本已经实现人手一部,电子商务的发展也逐渐从传统的台式机,向移动终端转移。随着餐饮平台入驻移动终端,移动终端也成为了餐饮行业新的战场,通过为用户提供个性化推荐的菜品是提高用户体验的有效途径之一。为此,本文构建了一个个性化菜品推荐系统,通过该系统可以为不同的用户提供符合用户需求的菜品,非常适用于当前火爆的网络订餐环境。本文设计的个性化菜品推荐系统包含三个部分组成,分别为菜品特征提取部分、用户特征提取部分和推荐算法部分。其中菜品特征提取的部分,主要解决菜品特征描述,和提取菜品的特征信息,用户特征部分主要解决用户的显性的特征描述,以及用户的隐性特征发现,推荐算法进行菜品与用户之间的相似度计算。本文针对系统进行了总体设计,对菜品和用户特征提取开展了相关研究,并实现了系统原型,主要工作如下:1.对菜品的多维度特征提取,一方面根据菜品的自身属性的特征进行提取,另一方面根据菜品与菜品之间产生的联系,发现菜品之间的特征,从而构建出菜品特征指标体系,和菜品相互间的关系规则库。2.对用户的特征提取,先根据用户的大众饮食消费习惯,与大众的餐饮文化,结合用户自身的条件,提取用户餐饮显性特征,然后结合用户的饮食消费,挖掘用户消费偏好的隐性特征,并基于层次分析法构建用户特征体系。3.通过相似度算法,根据菜品特征和用户特征,计算菜品与用户的相似度,生成推荐结果。4.综上所述的研究,本文设计了一种个性化菜品推荐系统原型设计,并基于开源的EasyRec推荐引擎,对该原型系统进行了实现。
大数据环境下个性化菜品推荐研究
这是一篇关于机器学习,饮食行为,消费习惯,菜品推荐,个性化推荐,关联规则的论文, 主要内容为科技发展日新月异,经济快速发展,人们的生活水平逐步提高,生活节奏也逐渐加快,人们外出就餐机会也越来越多,然而“民以食为天”,“身体是革命的本钱”,如何保证人民的健康,为人们提供合理健康满意的饮食,在餐饮行业被越来越重视,餐饮行业个性化服务水平也亟待提高。此外,智能手机基本已经实现人手一部,电子商务的发展也逐渐从传统的台式机,向移动终端转移。随着餐饮平台入驻移动终端,移动终端也成为了餐饮行业新的战场,通过为用户提供个性化推荐的菜品是提高用户体验的有效途径之一。为此,本文构建了一个个性化菜品推荐系统,通过该系统可以为不同的用户提供符合用户需求的菜品,非常适用于当前火爆的网络订餐环境。本文设计的个性化菜品推荐系统包含三个部分组成,分别为菜品特征提取部分、用户特征提取部分和推荐算法部分。其中菜品特征提取的部分,主要解决菜品特征描述,和提取菜品的特征信息,用户特征部分主要解决用户的显性的特征描述,以及用户的隐性特征发现,推荐算法进行菜品与用户之间的相似度计算。本文针对系统进行了总体设计,对菜品和用户特征提取开展了相关研究,并实现了系统原型,主要工作如下:1.对菜品的多维度特征提取,一方面根据菜品的自身属性的特征进行提取,另一方面根据菜品与菜品之间产生的联系,发现菜品之间的特征,从而构建出菜品特征指标体系,和菜品相互间的关系规则库。2.对用户的特征提取,先根据用户的大众饮食消费习惯,与大众的餐饮文化,结合用户自身的条件,提取用户餐饮显性特征,然后结合用户的饮食消费,挖掘用户消费偏好的隐性特征,并基于层次分析法构建用户特征体系。3.通过相似度算法,根据菜品特征和用户特征,计算菜品与用户的相似度,生成推荐结果。4.综上所述的研究,本文设计了一种个性化菜品推荐系统原型设计,并基于开源的EasyRec推荐引擎,对该原型系统进行了实现。
大数据环境下个性化菜品推荐研究
这是一篇关于机器学习,饮食行为,消费习惯,菜品推荐,个性化推荐,关联规则的论文, 主要内容为科技发展日新月异,经济快速发展,人们的生活水平逐步提高,生活节奏也逐渐加快,人们外出就餐机会也越来越多,然而“民以食为天”,“身体是革命的本钱”,如何保证人民的健康,为人们提供合理健康满意的饮食,在餐饮行业被越来越重视,餐饮行业个性化服务水平也亟待提高。此外,智能手机基本已经实现人手一部,电子商务的发展也逐渐从传统的台式机,向移动终端转移。随着餐饮平台入驻移动终端,移动终端也成为了餐饮行业新的战场,通过为用户提供个性化推荐的菜品是提高用户体验的有效途径之一。为此,本文构建了一个个性化菜品推荐系统,通过该系统可以为不同的用户提供符合用户需求的菜品,非常适用于当前火爆的网络订餐环境。本文设计的个性化菜品推荐系统包含三个部分组成,分别为菜品特征提取部分、用户特征提取部分和推荐算法部分。其中菜品特征提取的部分,主要解决菜品特征描述,和提取菜品的特征信息,用户特征部分主要解决用户的显性的特征描述,以及用户的隐性特征发现,推荐算法进行菜品与用户之间的相似度计算。本文针对系统进行了总体设计,对菜品和用户特征提取开展了相关研究,并实现了系统原型,主要工作如下:1.对菜品的多维度特征提取,一方面根据菜品的自身属性的特征进行提取,另一方面根据菜品与菜品之间产生的联系,发现菜品之间的特征,从而构建出菜品特征指标体系,和菜品相互间的关系规则库。2.对用户的特征提取,先根据用户的大众饮食消费习惯,与大众的餐饮文化,结合用户自身的条件,提取用户餐饮显性特征,然后结合用户的饮食消费,挖掘用户消费偏好的隐性特征,并基于层次分析法构建用户特征体系。3.通过相似度算法,根据菜品特征和用户特征,计算菜品与用户的相似度,生成推荐结果。4.综上所述的研究,本文设计了一种个性化菜品推荐系统原型设计,并基于开源的EasyRec推荐引擎,对该原型系统进行了实现。
基于知识图谱的菜品推荐系统
这是一篇关于知识图谱,知识表示学习,菜品推荐,健康饮食的论文, 主要内容为随着我国经济发展和人民生活水平的提高,人们在饮食习惯和生活方式上也发生很大改变,近年来我国癌症患病率呈现明显上升趋势,而导致我国癌症高发的一大重要原因是不合理的饮食。在中国历史悠久的饮食文化中,中国菜有着不可替代的地位,根深蒂固地影响着每一个中国人的日常饮食。本文通过调研现有的与健康饮食相关的软件,如“薄荷APP”、“美食杰”等,发现其仅给出相关食物的卡路里等营养数值信息以及营养价值等,不能结合用户的身体健康状况、也不能细致的描述饮食状况,因此这些工具很难做出准确而有效的健康饮食推荐。为了满足用户合理膳食、健康饮食需求,本文通过构建中国菜品知识图谱对饮食信息进行更为全面的描述,同时结合协同过滤算法和知识表示学习为用户提供更符合健康饮食要求的推荐结果。本文的主要研究内容如下:首先构建了菜品知识图谱。对获取的菜品菜谱以及营养学相关文献等数据的知识特征进行分析,实现了领域内实体与关系的划分,并定义多种实体之间的关系;使用Bi LSTM-CRF对半结构化和非结构化的文本数据进行实体抽取,并对实体部分进行了对齐处理;最后利用图数据库Neo4j存储了构建的菜品领域知识图谱。其次提出一种融合协同过滤和知识表示的推荐算法,既利用了用户行为数据,又包含了菜品本身的相似性信息,采用知识表示学习算法Trans D将菜品知识图谱中的实体和丰富语义关系精准映射到低维向量空间中,生成基于语义的菜品相似度表达;根据收集到的用户数据构建用户兴趣模型,获取用户行为矩阵,生成基于用户打分的菜品相似度表达,线性融合两种相似度信息获得最终的菜品间相似度表达,并将用户打分矩阵与融合后的相似度表达进行再结合,对用户未打分的菜品进行预测,依据预测评分降序排列并从中选取Top-N的菜品作为推荐列表推送给用户。最后通过结合本文构建的菜品知识图谱和用户对菜品的评分数据,使用本文提出的推荐算法进行实验。结果表明,相较于传统的协同过滤算法,本文结合菜品语义信息的推荐算法在准确度达到了79.3%、F1值达到了76.3%。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/56284.html
