食品推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机数据处理技术领域，特别是涉及一种食品推荐方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着社会的发展，人们对于饮食健康问题越来越重视。丰富的食品选择令普通消费者难以做出最适合自己的选择。大多数消费者均是依据自身经验和需求等主观因素做出选择。随着互联网技术的不断发展，出现了众多的依赖计算机技术实现的评价机制和自动推荐机制。
3.目前，关于食品综合评价推荐，尚未形成统一且准确的评价方案，大多数的评价及推荐方案主要是采用层次分析法和理想解法等评价机制对待评价食品进行综合评价，然后根据综合评价结果，进行推荐。
4.然而，上述方案评价方案均受到主观因素的影响，难以得到客观准确的评价结果，进而使得推荐结果不够准确。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够实现准确推荐的食品推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种食品推荐方法。所述方法包括：
7.接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数据；
8.根据食品外包装图像和食品推荐需求数据，确定待评价食品的数量，并根据待评价食品的数量确定评分模式；
9.对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息；
10.根据评分模式、以及预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果；
11.根据待评价食品对应的评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。
12.在其中一个实施例中，待评价食品的评价结果包括待评价食品的综合评分；
13.根据评分模式、以及预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果包括：
14.将待评价食品对应的结构化食品信息划分为配方信息和非配方信息；
15.根据评分模式中的配方评分策略和预设的配方评价指标，对配方信息进行评分，得到配方评价指标得分；
16.根据评分模式中的非配方评分策略和预设的非配方评价指标，对非配方信息进行评分，得到非配方评价指标得分；
17.通过stacking方法对配方评价指标得分和非配方评价指标得分进行处理，得到待评价食品的综合评分。
18.在其中一个实施例中，根据评分模式中的配方评分策略和配方评价指标，对配方信息进行评分，得到配方评价指标得分；
19.若评分模式为简单评分模式，则通过预设的多维评分方法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，根据预设的第一评分综合方法对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分；
20.若评分模式为复杂评分模式，则通过预设的评分方法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，再通过预设的第二评分综合方法，对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分，其中，预设的第一评分综合方法包括基于树结构的分类和回归方法，预设的第二评分综合方法包括基于神经网络的分类和回归方法。
21.在其中一个实施例中，对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息包括：
22.对食品外包装图像进行图像识别，得到关键词信息；
23.根据关键词信息从目标数据源中获取与关键词信息相关的原始食品数据；
24.调用已训练的食品实体识别模型，对原始食品数据进行实体识别，识别出食品实体信息；
25.对食品实体信息进行结构化处理，得到待评价食品对应的结构化食品信息；
26.其中，食品实体识别模型基于携带有食品实体标注数据的历史食品数据训练得到。
27.在其中一个实施例中，对食品外包装图像进行图像识别，得到关键词信息包括：
28.对食品外包装图像进行文本检测，检测食品外包装图像的文本区域；
29.对文本区域进行光学字符识别，将文本区域的字符转换为可识别的文本数据；
30.对文本数据进行关键词识别，得到关键词信息。
31.在其中一个实施例中，对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息包括：
32.对食品外包装图像进行图像识别，定位食品外包装图像中的食品标识数据区域；
33.对食品标识数据区域进行光学字符识别，得到食品标识数据；
34.基于食品标识数据在预设的数据库中进行查询，获取原始食品信息；
35.将原始食品信息进行结构化处理，得到待评价食品对应的结构化食品信息。
36.在其中一个实施例中，根据食品待推荐食品的数量，确定评分模式包括：
37.若待评价食品的数量小于预设的数量阈值，则确定评分模式为简单评分模式；
38.若待评价食品的数量大于或等于预设的数量阈值，则确定评分模式为复杂评分模式。
39.第二方面，本技术还提供了一种食品推荐装置。所述装置包括：
40.数据获取模块，用于接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数据；
41.评分模式确定模块，用于根据食品外包装图像和食品推荐需求数据确定待评价食
品的数量，并根据待评价食品的数量，确定评分模式；
42.结构化信息获取模块，用于对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息；
43.评价模块，用于根据评分模式、以及预设的配方评价指标和预设的非配方评价指标，对待评价食品对应的结构化食品信息进行多维度评价，得到待评价食品的评价结果；
44.数据推送模块，用于根据待评价食品对应的评价结果，确定待推荐食品、并推送待推荐食品的标识数据和评价结果。
45.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述食品推荐方法中的步骤。
46.第四方面，本技术还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述食品推荐方法中的步骤。
47.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述食品推荐方法中的步骤。
48.上述食品推荐方法、装置、计算机设备、存储介质和计算机程序产品，针对待评价食品的数量的不同，提供有不同的评分模式，当根据食品推荐需求数据和食品外包装图像，确定评分模式后，通过对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息，然后，基于确定的评分模式和预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果，最后，根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。整个方案，根据待评价食品的数量有针对性地确定与食品推荐需求数据对应的评分模式；通过对食品外包装图像进行识别，便能获取结构化食品信息，有利于后续的评价操作；通过从配方评价指标和非配方评价指标两个维度，对结构化食品信息进行多维度评价，能够贴合消费者的实际需求，对食品进行客观准确的评价；根据客观准确的评价结果，推送待推荐食品的标识数据和评价结果，能够实现准确的食品推荐。
附图说明
49.图1为一个实施例中食品推荐方法的应用环境图；
50.图2为一个实施例中食品推荐方法的流程示意图；
51.图3为另一个实施例中食品推荐方法的流程示意图；
52.图4为又一个实施例中食品推荐方法的流程示意图；
53.图5为一个实施例中得到待评价食品对应的结构化食品信息步骤的流程示意图；
54.图6为另一个实施例中得到待评价食品对应的结构化食品信息步骤的流程示意图；
55.图7为一个实施例中食品推荐方法的详细流程示意图；
56.图8为一个实施例中食品推荐装置的结构框图；
57.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
58.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
59.本技术实施例提供的食品推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。具体地，可以是消费者通过终端102发送携带食品外包装图像和食品推荐需求数据的食品推荐请求至服务器104，服务器104响应该请求，获取食品外包装图像和食品推荐需求数据，然后，根据食品推荐需求数据和食品外包装图像，确定待评价食品的数量，并根据待评价食品的数量确定评分模式，再对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息，接着，根据评分模式、以及预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果，最后，根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
60.在一个实施例中，如图2所示，提供了一种食品推荐方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
61.步骤s100，接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数据。
62.食品外包装图像为消费者通过图像采集装置对食品的外包装进行拍摄得到的图像。可以理解的是，视频外包装图像应包含相应的食品信息，如食品标识数据、营养标签数据、食品名称、配料和厂家等数据。食品推荐需求数据即指消费者关于食品推荐的需求数据。食品推荐需求数据包括待评价食品的信息、评价的精细化程度以及其他数据。评价的精细化程度可包括无需对比仅评价，或者对比评价两个程度。食品推荐需求数据可以是消费者在终端的交互界面上输入的需求数据，数据输入方式可以是通过点选功能菜单或在通过文字或语音等方式输入。具体地，食品推荐需求数据可以是对比多款食品以进行针对性推荐，也可以是评估待评价食品是否适合特定人群如儿童、孕妇或老人食用。
63.具体实施时，可以是消费者通过终端拍摄待评价食品的外包装图像，并于交互界面输入相应的需求数据如评价食品是否适合儿童，通过终端发起携带食品外包装图像和食品推荐需求数据的食品推荐请求至服务器，服务器接收该请求，对该请求进行解析，获取食品外包装图像和食品推荐需求数据。
64.步骤s200，根据食品外包装图像和食品推荐需求数据，确定待评价食品的数量，并根据待评价食品的数量确定评分模式。
65.当获取食品推荐需求数据和食品外包装图像后，可以根据食品外包装图像的数量和食品推荐需求数据中的食品信息如食品名称或食品标识数据，确定待评价食品的数量。例如，消费者可以是拍摄拟购买的a食品的外包装图像，然后在终端的交互界面上传a食品
的食品外包装图像，并输入需求数据如“a食品、b食品、c食品中哪一款更好”，则通过对食品推荐需求数据进行关键词识别，可识别出食品b和食品c，再结合a食品的食品外包装图像，确定待评价食品的数量为3。确定待评价食品的数量后，可根据待评价食品的数量，确定相应的评分模式。若消费者需求数据表征待评价的食品种类比较单一，且无需进行精细化对比，则可确定评分模式为简单的评分模式，若消费者需求数据表征待评价的食品种类多样化，且需要进行精细化对比分析，则确定评分模式为复杂的评价模式。
66.步骤s300，对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息。
67.结构化食品信息为格式统一的结构化食品信息。本实施例中，结构化食品信息可以是json格式，便于后续数据处理使用数据。具体地，食品信息包括食品基本描述信息，包括产品名称、产地、产品类别、产品功效、价格、相关认证、服用指导、过敏原提示和禁忌人群等信息。可以理解的是，当获取食品外包装图像后，需要先对食品外包装图像进行图像预处理，如裁剪、缩放、灰度化以及二值化等操作。完成预处理后，对食品外包装图像进行图像识别，如分类识别、文本识别或目标区域识别，然后，基于图像识别结果，可以是从预设的数据源或数据库中进行查询，得到食品信息，将食品信息转换为结构化信息，得到待评价食品对应的结构化食品信息。
68.步骤s400，根据评分模式、以及预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果。
69.本实施例中，配方评价指标和非配方评价指标是为了便于区别，将评价指标体系中的多个评价指标按照配方维度和非配方维度进行划分，得到的两个维度的评价指标。配方评价指标和非配方评价指标均包含多个维度的评价指标。具体地，配方评价指标包括成分含量、形态、吸收率、生物利用率、科学研究程度以及安全性等多个评价指标。非配方评价指标包括服用次数、颗数、价格、认证、过敏原等多个评价指标。评价结果包括综合评分、分数排名、评分原因、相关提示信息以及对比分析结果等。其中，相关提示信息包括剂型提示、主攻效提示以及辅料提示等。剂型提示包括服用剂量、剂型等方面的评价。主功效成分提示则包括主要成分、高利用率成分、吸收较差的成分、专利成分、安全风险和配方合理性等方面的提示。辅料提示则包括辅料种类、辅料的专利和辅料的安全风险等方面的提示。
70.具体实施时，在确定评分模式后，可以是采用该评分模式，从配方评价指标和非配方评价指标，对食品结构化信息进行多维度评价，得到各个维度的评价结果，然后整合多个维度的评价结果，得到整体的评价结果。本实施例中，评价结果包括待评价食品的整体得分、得分排名、评分原因、相关提示以及对比分析结果等。
71.步骤s500，根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。
72.待推荐食品对应的标识可以是待推荐食品的厂家名称和食品名称或编号信息等。承接上述内容，在得到评价结果后，由于评价结果中包含有整体得分、得分排名、以及评分原因等数据。因此，若待评价食品的数量为多个，可以是根据整体得分的排名，取排名靠前的几个食品进行推荐，并推荐其相关的评价结果。若待评价食品数量为1个，则可根据其评价结果，从数据库中匹配出相似的几种食品，然后将该食品和几种相似食品确定为待推荐食品，推送该待推荐食品对应的标识以及与待推荐食品对应的评价结果。
73.上述食品推荐方法中，针对待评价食品的数量的不同，提供有不同的评分模式，当根据食品推荐需求数据和食品外包装图像，确定评分模式后，通过对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息，然后，基于确定的评分模式和预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果，最后，根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。整个方案，根据待评价食品的数量有针对性地确定与食品推荐需求数据对应的评分模式；通过对食品外包装图像进行识别，便能获取结构化食品信息，有利于后续的评价操作；通过从配方评价指标和非配方评价指标两个维度，对结构化食品信息进行多维度评价，能够贴合消费者的实际需求，对食品进行客观准确的评价；根据客观准确的评价结果，推送待推荐食品的标识数据和评价结果，能够实现准确的食品推荐。
74.如图3所示，在其中一个实施例中，步骤s200包括：
75.步骤s220，若待评价食品的数量小于预设的数量阈值，则确定评分模式为简单评分模式。
76.步骤s240，若待评价食品的数量大于或等于预设的数量阈值，则确定评分模式为复杂评分模式。
77.在实际应用中，由于待评价食品的数量直接关系到数据处理的复杂程度。因此，可结合食品推荐需求数据的具体要求，将待评价食品的数量作为评分模式确定的依据。评分模式可划分为简单评分模式和复杂评分模式。本实施例中，预设的数量阈值可以是2。即若待评价食品的数量为1，则标注无需对食品进行对比，确定评分模式为第一模式即简单评分模式，若待评价食品的数量大于或等于2，则说明需要对多个待评价食品进行对比和评价，故可确定评分模式为复杂评分模式。在实际应用中，可以是若消费者想要评估某一款食品是否适用于特定人群，如某一款营养补剂是否适用于孕妇，则确定评分模式简单评分模式，若消费者数据想要对比某几款食品，确定哪一款产品更好，则可确定评分模式为复杂评分模式。可以理解的是，在其他实施例中，预设的数量阈值还可以是2、3或者其他数值，具体可根据计算资源和数据处理时间而定。评分模式的划分依据，还可以是根据其他维度的需求数据进行划分，划分原则即指若需要耗费更多的计算资源，简单评分模式的评分策略无法在短时间内给出评价结果，则确定评分模式为复杂评分模式。本实施例中，通过食品推荐需求数据中的待评价食品的数量确定评分模式，既直接又便捷。
78.如图3所示，在其中一个实施例中，步骤s300包括：步骤s320，对食品外包装图像进行图像识别，得到关键词信息，根据关键词信息从目标数据源中获取与关键词信息相关的原始食品数据，调用已训练的食品实体识别模型，对原始食品数据进行实体识别，识别出食品实体信息，对食品实体信息进行结构化处理，得到待评价食品对应的结构化食品信息。
79.本实施例中，提供一种对食品外包装图像进行图像识别，得到待评价食品对应的结构化食品信息的实现方式。目标数据源包括多个数据源，如数据库、网页、文档以及其他第三方数据平台等。原始食品数据是指食品的详细信息，通常包括名称、用量、用途和基本描述信息等。以营养补剂为例，原始食品数据即指原始营养补剂数据。原始营养补剂数据是指营养补剂的详细信息，这些数据通常包括补剂名称、用量、用途、频度、开始和结束时间等。本实施例中，食品实体识别模型基于携带有食品实体标注数据的历史食品数据训练得到。具体地，可以是先从多个数据源中提取历史食品数据，然后对提取出的食品数据进行数
据清洗，以消除可能在提取过程中引入的不一致性、重复或错误。然后，可使用spacy开发实体识别数据模型，识别出关键实体，如名称、成分和价格。再通过自动化的正则表达式匹配，添加标注信息，得到携带有食品实体标注数据的历史食品数据集，再利用该历史食品数据集训练该实体识别数据模型，得到可识别出食品实体的食品实体识别模型。
80.具体实施时，可以是先对食品外包装图像进行图像识别，识别出图像中包含的关键词信息，然后，根据该关键词信息，从多个数据源获取与该关键词相关的原始食品数据，然后利用已训练的食品实体识别模型对关键词信息进行实体识别，识别出其中的食品实体信息，最后，对食品实体信息进行结构化处理，本实施例中，可将食品实体信息转换为统一的json格式数据，得到待评价食品对应的结构化食品信息。在另一个实施例中，得到待评价食品对应的结构化食品信息后，还可以将结构化食品信息导入图数据库，可供数据查询和分析，如识别补剂与其成分之间的关系，比较不同的产品的功效。本实施例中，通过图像识别和实体识别技术的结合，能够高效地实现从食品外包装图像获取食品实体信息，且通过已训练的食品实体识别模型，可保证食品实体提取的准确性。
81.在其中一个实施例中，对食品外包装图像进行图像识别，得到关键词信息包括：对食品外包装图像进行文本检测，检测食品外包装图像的文本区域，对文本区域进行光学字符识别，将文本区域的字符转换为可识别的文本数据，对文本数据进行关键词识别，得到关键词信息。
82.具体地，可以是先对食品外包装图像进行文本检测，文本检测可采用east文本检测算法，检测出食品外包装图像中的文本区域。然后，对检测出的文本区域进行ocr(optical character recognition，光学字符识别)识别，将文本区域中的字符转换为计算机可读/可识别的文本数据，然后，再采用自然语言处理技术，对可识别的文本数据进行处理，如对可识别文本数据进行关键词识别，识别出其中的关键词信息。可以理解的是，在其他实施例中，还可以是采用基于模板匹配的方式、基于特征提取的方式、基于机器学习的方式如训练一个用于文本识别的分类器、或者基于深度学习的方式如训练深度神经网络自动提取文本的特征等方式，提取食品外包装图像中的文本数据。本实施例中，通过文本检测和ocr技术的结合，能够快速且便捷地提取出食品外包装图像中的文本数据。
83.如图4所示，在其中一个实施例中，步骤s300包括：步骤s340，对食品外包装图像进行图像识别，定位食品外包装图像中的食品标识数据区域，对食品标识数据区域进行光学字符识别，得到食品标识数据，基于食品标识数据在预设的数据库中进行查询，获取原始食品信息，将原始食品信息进行结构化处理，得到待评价食品对应的结构化食品信息。
84.本实施例提供另外一种基于食品外包装图像到结构化食品信息的实现方式。其中，食品标识数据区域是指包含唯一的食品标识数据的区域，其可以是条形码区域、二维码区域或者食品标识数据。食品标识数据可以是食品的编码标识数据，包括对条形码或二维码进行识别后得到的数字编码数据。食品标识数据可以是条形码或二维码。条形码识别和二维码识别属于自动识别技术中的ocr技术。预设的数据库中存储有食品标识数据以及对应的原始食品信息。
85.本实施例中，食品标识数据区域以条形码区域为例。具体实施时，可以是先对食品外包装图像进行图像识别，定位其中的条形码区域，然后，对条形码区域进行ocr识别，即进行条形码识别，提取条形码信息，将条形码信息转换为可编辑的数字和字符组成的编码信
息，该编码信息即为食品标识数据。然后对该编码信息进行解码，基于解码后的编码信息在预设的数据库中进行查询，获取与该编码信息对应的原始食品信息，如名称、价格、产地和基本描述信息等。最后，再将查询得到的原始食品信息转换为格式统一的数据，得到待评价食品对应的结构化食品信息，本实施例中，同样可以是将原始食品信息转换为json格式的结构化食品信息。可以理解的是，在其他实施例中，还可以是对食品外包装图像进行二维码识别，提取出相应的数字编码信息，采用同样的方式，进一步得到待评价食品对应的结构化食品信息。本实施例中，通过直接对食品标识数据区域进行ocr识别，能够在更短的时间内获取结构化食品信息。
86.如图5所示，在其中一个实施例中，步骤s400包括：
87.步骤s420，将结构化食品信息划分为配方信息和非配方信息。
88.步骤s440，根据评分模式中的配方评分策略和预设的配方评价指标，对配方信息进行评分，得到配方评价指标得分。
89.步骤s460，根据评分模式中的非配方评分策略和预设的非配方评价指标，对非配方信息进行评分，得到非配方评价指标得分。
90.步骤s480，通过stacking方法对配方评价指标得分和非配方评价指标得分进行处理，得到待评价食品的综合评分。
91.如上述实施例所述，本实施例中，按照配方和非配方两个维度对食品进行评价，因此，可以是先按照配方和非配方两个维度，将结构化食品信息划分为配方信息和非配方信息。配方信息可包括成分信息、用料信息以及加工方式等数据。非配方信息包括用法用量、价格、数量、过敏原信息以及平台认证信息等。完成数据划分后，可以是根据确定的评分模式中的配方评分策略，从多个配方评价指标的维度，对配方信息进行多维度评分，得到多个维度的配方评价指标得分，然后基于多个维度的配方评价指标得分，得到总的配方评价指标得分。同样地，可以是根据评分模式中的非配方评分策略，从多个非配方评价指标的维度，对非配方信息进行多维度评分，得到多个维度的非配方评价指标得分，然后，基于多个维度的非配方评价指标得分，得到总的非配方评价指标得分。本实施例中，简单评分模式和复杂评分模式中的非配方评分策略可以是相同的评分策略，如可以采用支持向量机的方式，从多个非配方评价指标的维度，对非配方信息进行多维度评分，得到多个维度的非配方评价指标得分。最后，对配方评价指标得分和非配方评价指标得分进行汇总处理，得到最终的评价结果，包括最终的评价得分，排名以及评分原因等。本实施例中，可以是利用stacking方法对配方评价指标得分和非配方评价指标得分进行处理，得到最终的评价得分。在另一个实施例中，可以是对配方评价指标得分和非配方评价指标得分进行汇总处理可以是对配方评价指标得分和非配方评价指标得分进行加权求和，得到最终的评价得分。可以理解的是，在其他实施例中，还可以是按照其他处理方式汇总配方评价指标得分和非配方评价指标得分，得到最终的评价得分，在此不做限定。本实施例中，通过将结构化食品信息划分为配方信息和非配方信息，进而分别按照配方策略和非配方策略，对应对配方信息和非配方信息进行评分，再进行分数汇总得到最终的评价得分，能够快速高效地得到最终的评价得分。
92.如图6所示，在其中一个实施例中，步骤s440包括：
93.步骤s442，若评分模式为简单评分模式，则通过预设的多维评分方法，按照预设的
配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，根据预设的第一评分综合方法对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分。
94.步骤s444，若评分模式为复杂评分模式，则通过预设的评分方法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，再通过预设的第二评分综合方法，对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分。
95.本实施例中，评分模式包括简单评分模式和复杂评分模式。预设的第一评分综合方法包括基于树结构的分类和回归方法，预设的第二评分综合方法包括基于神经网络的分类和回归方法。
96.具体实施时，若根据待评价食品的数量确定评分模式为简单评分模式，则可以采用预设的多维评分方法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分。本实施例中，预设的多维评分方法可以是fce(fuzzy comprehensive evaluation，模糊综合评价法)算法。具体地，可以是将不同的配方评价指标下的配方信息转化为模糊数，建立模糊矩阵。然后，根据模糊矩阵中各项评价指标之间的关系，构建fce模型。再通过fce模型进行综合评价，使用fce算法来计算出各项指标的权重，并综合考虑所有评价因素的优劣势，得出最终的评价结果即多个初始配方评价指标的得分。接着，采用预设的第一评分综合方法对多个初始配方评价指标得分进行汇总处理，得到一个综合的配方评价指标得分。本实施例中，第一评分综合方法可以是决策树模型算法，通过将多个初始配方评价指标得分作为决策树模型的输入，得到一个综合的配方评价指标得分。若根据待评价食品的数量，确定评分模式为复杂评分模式，则可以同样先以预设的多维评分方法如fce算法确定多个初始配方评价指标得分，由于复杂评分模式下，需要评价的食品和指标数量众多，故待整合处理的初始配方评价指标得分的数量众多，故可采用能够处理复杂的多维评价的预设的第二评分综合方法对多个初始配方评价指标得分进行汇总处理，得到一个综合的配方评价指标得分。本实施例中，第二评分综合方法可以是基于前馈神经网络确定综合评分的方法。可以理解的是，在另一个实施例中，多维评分方法还可以是层次分析法以及其他评分算法，第一综合评分方法还可以是其他基于树结构的分类和回归方法，第二评分综合方法可以是基于其他类型的神经网络确定综合得分的方法。各配方评价指标的权重的设置还可以根据业务需求自行设置。权重的设置可以包括以下方面的内容：
97.(1)默认权重值：首先，系统可以提供一组默认的权重值。例如，生物利用率(0.3)，安全性(0.3)，剂量符合程度(0.3)，辅料个数(0.1)。这些权重值可以根据行业经验、专家意见等来设定。
98.(2)用户界面：为了方便用户设定权重，可以提供一个简洁易用的用户界面。界面上可以显示每个评价指标的默认权重值，并允许用户调整权重。用户可以通过滑动条、输入框等方式来调整权重。
99.(3)权重范围和校验：用户设置的权重值应在0到1之间，并且所有权重值的和应等于1。在用户调整权重值时，系统需要实时检测用户输入的权重是否满足预设条件。如果不满足条件，需要给出相应的提示信息。
100.(4)权重保存和应用：用户调整权重后，可通过按钮的方式保存其设置的权重。保存成功后，设置的权重值将应用于后续的加权处理步骤中，替换默认权重值。
101.(5)权重的重置功能：为了方便用户在进行权重调整时恢复到默认权重值，可以提
供“充值”按钮。点击该“重置”按钮后，所有评价指标的权重将恢复到默认值。
102.举例说明，以待评价食品为营养补剂为例，配方维度可从形态、剂量、辅料、剂型和整体配方合理性等方面进行打分。若评分模式为简单评分模式，则可以是确定配方评价指标之后，可将不同配方评价指标下的信息转化为模糊数，建立模糊矩阵，其中，包括根据实际情况进行定量化处理，如将安全性分为高、中、低三个等级。然后，根据模糊矩阵中各项评价指标之间的关系，构建fce模型，再使用fce算法来计算出各项指标的权重，并综合考虑所有评价因素的优势和劣势，得到多个初始配方评价指标得分。其中，形态方面，可从生物利用率、安全性和科学研究程度来进行打分。剂量方面，可以预设一个初始分值，如果该营养补剂的每日服用剂量超过每日推荐使用量的上限，则会扣减相应的分值并提示用户该剂量过高，长期服用可能不利于健康；如果每日服用剂量低于每日推荐使用量，也会扣减相应的分值并提示用户效果可能不佳。辅料方面，如果某个产品的辅料在辅料的黑名单上，会直接告知用户该产品的辅料存在的问题并扣减相应的分值；如果辅料个数大于6个，会提示用户辅料较多等提醒信息，并扣减相应的分数。对于营养补剂的剂型方面，会根据该营养补剂是胶囊还是片剂或是其他形态进行评估打分，一般情况下，胶囊形态会优于其他形态。关于配方的合理性，则会考虑整个配方从剂量、成分形态是否合理等方面进行评估打分，帮助用户选购更加科学、安全、合理的营养补剂。得到多个初始配方评价指标得分后，可根据多个初始配方评价指标得分和指标的权重，构建决策树模型，在此过程中，可为每个评价指标设置阈值，并基于这些阈值将数据分割为不同的子集，然后，将分割后的子集输入至决策树模型，输入的数据会被分类到一个特定的叶节点中。然后，可以将该叶节点的所有评价指标得分按照预先定义的权重进行加权求和，从而得到一个综合得分。
103.若评分模式为复杂评分模式，则可以按照上述方式采用fce方法计算得到多个初始配方评价指标得分，然后，将多个得分作为输入数据，构建一个输入向量，再对输入向量进行归一化处理，将归一化后的输入向量输入至已训练的前馈神经网络中，前馈神经网络将输入向量逐层传递，并在最后一层输出综合得分。例如，设计一个前馈神经网络，其包含一个输入层、一个隐藏层和一个输出层。隐藏层的作用是对输入数据进行处理，从中提取有用的模式和特征，以捕捉输入数据中的非线性关系。若使用fce模型为营养补剂的配方计算出两个分数：成分安全性分数和成分有效性分数。例如，安全性分数为8.5，有效性分数为7.0。将上述分数构建一个输入向量，并进行归一化处理，将归一化处理的向量输入至前馈神经网络中，其中，前馈神经网络的输入层有两个神经元，分别接收fce模型计算出的成分安全性分数和成分有效性分数。假设隐藏层有三个神经元。每个神经元接收输入层传来的数据，根据权重(通过训练过程得到)和激活函数(如relu或sigmoid)进行计算。例如，第一个神经元关注安全性与有效性之间的平衡，第二个神经元关注安全性方面的优势，第三个神经元关注有效性方面的优势。每个神经元计算后得到一个输出值。最后，输出层将隐藏层神经元的输出值进行汇总和加权，得到一个最终的综合评估结果。这个结果可以是一个分数，也可以是一个排名等。本实施例中，通过针对不同的评分模式采用不同的评分策略，能够高效且准确地确定最终的配方评价指标得分。
104.为了对本技术提供的食品推荐方法进行更为清楚的说明，下面结合一个具体实施例和附图7进行说明，该具体实施例包括以下步骤：
105.步骤s100，接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数
据。
106.步骤s220，根据食品外包装图像和食品推荐需求数据，确定待评价食品的数量，若待评价食品的数量小于预设的数量阈值，则确定评分模式为简单评分模式。
107.步骤s240，根据食品外包装图像和食品推荐需求数据，确定待评价食品的数量，若待评价食品的数量大于或等于预设的数量阈值，则确定评分模式为复杂评分模式。
108.若消费者想要评估某一款食品是否适用于特定人群，如某一款营养补剂是否适用于孕妇，则确定评分模式简单评分模式，若消费者数据想要对比某几款食品，确定哪一款产品更好，则可确定评分模式为复杂评分模式。
109.步骤s320，对食品外包装图像进行图像识别，得到关键词信息，根据关键词信息从目标数据源中获取与关键词信息相关的原始食品数据，调用已训练的食品实体识别模型，对原始食品数据进行实体识别，识别出食品实体信息，对食品实体信息进行结构化处理，得到待评价食品对应的结构化食品信息。
110.步骤s410，将结构化食品信息划分为配方信息和非配方信息，根据评分模式中的配方评分策略和预设的配方评价指标，对配方信息进行评分，得到配方评价指标得分，根据评分模式中的非配方评分策略和预设的非配方评价指标，对非配方信息进行评分，得到非配方评价指标得分，根据配方评价指标得分和非配方评价指标得分，得到评价结果。
111.其中，若评分模式为简单评分模式，则通预设的fce算法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，再通过预设的决策树算法对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分。若评分模式为复杂评分模式，则通过预设的fce算法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，再通过已训练的前馈神经网络，对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分。
112.步骤s500，根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。
113.在得到评价结果后，由于评价结果中包含有整体得分、得分排名、以及评分原因等数据。因此，若待评价食品的数量为多个，可以是根据整体得分的排名，取排名靠前的几个食品进行推荐，并推荐其相关的评价结果。若待评价食品数量为1个，则可根据其评价结果，从数据库中匹配出相似的几种食品，然后将该食品和几种相似食品确定为待推荐食品，推送该待推荐食品对应的标识及对应的评价结果。
114.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
115.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的食品推荐方法的食品推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个食品推荐装置实施例中的具体限定可以参见上文中
对于食品推荐方法的限定，在此不再赘述。
116.在一个实施例中，如图8所示，提供了一种食品推荐装置800，包括：数据获取模块810、评分模式确定模块820、结构化信息获取模块830、评价模块840和数据推送模块850，其中：
117.数据获取模块810，用于接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数据。
118.评分模式确定模块820，用于根据食品外包装图像和食品推荐需求数据，确定待评价食品的数量，并根据待评价食品的数量确定评分模式。
119.结构化信息获取模块830，用于对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息。
120.评价模块840，用于根据评分模式、以及预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果。
121.数据推送模块，用于根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。
122.上述食品推荐装置中，针对待评价食品的数量的不同，提供有不同的评分模式，当根据食品推荐需求数据和食品外包装图像，确定评分模式后，通过对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息，然后，基于确定的评分模式和预设的配方评价指标和预设的非配方评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果，最后，根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。整个方案，根据待评价食品的数量有针对性地确定与食品推荐需求数据对应的评分模式；通过对食品外包装图像进行识别，便能获取结构化食品信息，有利于后续的评价操作；通过从配方评价指标和非配方评价指标两个维度，对结构化食品信息进行多维度评价，能够贴合消费者的实际需求，对食品进行客观准确的评价；根据客观准确的评价结果，推送待推荐食品的标识数据和评价结果，能够实现准确的食品推荐。
123.在其中一个实施例中，评价模块840还用于将待评价食品对应的结构化食品信息划分为配方信息和非配方信息，根据评分模式中的配方评分策略和预设的配方评价指标，对配方信息进行评分，得到配方评价指标得分，根据评分模式中的非配方评分策略和预设的非配方评价指标，对非配方信息进行评分，得到非配方评价指标得分，通过stacking方法对配方评价指标得分和非配方评价指标得分进行处理，得到待评价食品的综合评分。
124.在其中一个实施例中，评价模块840还用于若评分模式为简单评分模式，则通过预设的多维评分方法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，根据预设的第一评分综合方法对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分；若评分模式为复杂评分模式，则通过预设的评分方法，按照预设的配方评价指标对配方信息进行多维度评分，得到多个初始配方评价指标得分，再通过预设的第二评分综合方法，对多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分，其中，预设的第一评分综合方法包括基于树结构的分类和回归方法，预设的第二评分综合方法包括基于神经网络的分类和回归方法。
125.在其中一个实施例中，结构化信息获取模块830还用于对食品外包装图像进行图像识别，得到关键词信息，根据关键词信息从目标数据源中获取与关键词信息相关的原始
食品数据，调用已训练的食品实体识别模型，对原始食品数据进行实体识别，识别出食品实体信息，对食品实体信息进行结构化处理，得到待评价食品对应的结构化食品信息；其中，食品实体识别模型基于携带有食品实体标注数据的历史食品数据训练得到。
126.在其中一个实施例中，结构化信息获取模块830还用于对食品外包装图像进行文本检测，检测食品外包装图像的文本区域，对文本区域进行光学字符识别，将文本区域的字符转换为可识别的文本数据，对文本数据进行关键词识别，得到关键词信息。
127.在其中一个实施例中，结构化信息获取模块830还用于对食品外包装图像进行图像识别，定位食品外包装图像中的食品标识数据区域，对食品标识数据区域进行光学字符识别，得到食品标识数据，基于食品标识数据在预设的数据库中进行查询，获取原始食品信息，将原始食品信息进行结构化处理，得到待评价食品对应的结构化食品信息。
128.在其中一个实施例中，评分模式确定模块820还用于若待评价食品的数量小于预设的数量阈值，则确定评分模式为简单评分模式；若待评价食品的数量大于或等于预设的数量阈值，则确定评分模式为复杂评分模式。
129.上述食品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
130.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储食品外包装图像和食品推荐需求数据、以及评价结果等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种食品推荐方法。
131.本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
132.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述食品推荐方法中的步骤。
133.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述食品推荐方法中的步骤。
134.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述食品推荐方法中的步骤。
135.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
136.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
137.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
138.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种食品推荐方法，其特征在于，所述方法包括：接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数据；根据所述食品外包装图像和所述食品推荐需求数据，确定待评价食品的数量，并根据所述待评价食品的数量确定评分模式；对所述食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息；根据所述评分模式、以及预设的配方评价指标和预设的非配方评价指标，对所述结构化食品信息进行多维度评价，得到待评价食品的评价结果；根据所述待评价食品对应的评价结果，确定待推荐食品、并推送所述待推荐食品对应的标识和所述评价结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述评分模式、以及预设的配方评价指标和预设的非配方评价指标，对所述结构化食品信息进行多维度评价，得到待评价食品的评价结果包括：将所述待评价食品对应的结构化食品信息划分为配方信息和非配方信息；根据所述评分模式中的配方评分策略和预设的配方评价指标，对所述配方信息进行评分，得到配方评价指标得分；根据所述评分模式中的非配方评分策略和预设的非配方评价指标，对所述非配方信息进行评分，得到非配方评价指标得分；通过stacking方法对所述配方评价指标得分和所述非配方评价指标得分进行处理，得到待评价食品的综合评分。3.根据权利要求2所述的方法，其特征在于，所述根据所述评分模式中的配方评分策略和所述配方评价指标，对所述配方信息进行评分，得到配方评价指标得分；若所述评分模式为简单评分模式，则通过预设的多维评分方法，按照预设的配方评价指标对所述配方信息进行多维度评分，得到多个初始配方评价指标得分，根据预设的第一评分综合方法对所述多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分；若所述评分模式为复杂评分模式，则通过预设的评分方法，按照预设的配方评价指标对所述配方信息进行多维度评分，得到多个初始配方评价指标得分，再通过预设的第二评分综合方法，对所述多个初始配方评价指标得分进行汇总处理，得到配方评价指标得分；其中，所述预设的第一评分综合方法包括基于树结构的分类和回归方法，所述预设的第二评分综合方法包括基于神经网络的分类和回归方法。4.根据权利要求1至3任意一项所述的方法，其特征在于，所述对所述食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息包括：对所述食品外包装图像进行图像识别，得到关键词信息；根据所述关键词信息从目标数据源中获取与所述关键词信息相关的原始食品数据；调用已训练的食品实体识别模型，对所述原始食品数据进行实体识别，识别出食品实体信息；对所述食品实体信息进行结构化处理，得到待评价食品对应的结构化食品信息；其中，所述食品实体识别模型基于携带有食品实体标注数据的历史食品数据训练得到。
5.根据权利要求4所述的方法，其特征在于，所述对所述食品外包装图像进行图像识别，得到关键词信息包括：对所述食品外包装图像进行文本检测，检测所述食品外包装图像的文本区域；对所述文本区域进行光学字符识别，将所述文本区域的字符转换为可识别的文本数据；对所述文本数据进行关键词识别，得到关键词信息。6.根据权利要求1至3任意一项所述的方法，其特征在于，所述对所述食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息包括：对所述食品外包装图像进行图像识别，定位所述食品外包装图像中的食品标识数据区域；对所述食品标识数据区域进行光学字符识别，得到食品标识数据；基于所述食品标识数据在预设的数据库中进行查询，获取原始食品信息；将所述原始食品信息进行结构化处理，得到待评价食品对应的结构化食品信息。7.根据权利要求1至3任意一项所述的方法，其特征在于，根据所述食品待推荐食品的数量确定评分模式包括：若所述待评价食品的数量小于预设的数量阈值，则确定评分模式为简单评分模式；若所述待评价食品的数量大于或等于预设的数量阈值，则确定评分模式为复杂评分模式。8.一种食品推荐装置，其特征在于，所述装置包括：数据获取模块，用于接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数据；评分模式确定模块，用于根据所述食品外包装图像和所述食品推荐需求数据确定待评价食品的数量，并根据所述待评价食品的数量，确定评分模式；结构化信息获取模块，用于对所述食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息；评价模块，用于根据所述评分模式、以及预设的配方评价指标和预设的非配方评价指标，对所述待评价食品对应的结构化食品信息进行多维度评价，得到待评价食品的评价结果；数据推送模块，用于根据所述待评价食品对应的评价结果，确定待推荐食品、并推送所述待推荐食品的标识数据和所述评价结果。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种食品推荐方法、装置、计算机设备和存储介质。所述方法包括：接收、并解析食品推荐请求，获取食品外包装图像和食品推荐需求数据，根据食品外包装图像和食品推荐需求数据，确定待评价食品的数量，并根据待评价食品的数量，确定评分模式，对食品外包装图像进行图像识别，并基于图像识别结果，得到待评价食品对应的结构化食品信息，基于评分模式和预设的评价指标，对结构化食品信息进行多维度评价，得到待评价食品的评价结果，根据评价结果，确定待推荐食品、并推送待推荐食品对应的标识和评价结果。采用本方法能够实现准确的食品推荐。荐。荐。


技术研发人员：高艺秋
受保护的技术使用者：成都小橘袋健康科技有限公司
技术研发日：2023.06.15
技术公布日：2023/9/14