基于深度学习算法的学生餐饮偏好推荐系统

本发明涉及一种餐饮管理系统领域，具体地说是一种基于深度学习算法的学生餐饮偏好推荐系统。


背景技术：

目前，学校的学生餐饮处于无序化和粗放化管理状态，餐饮中的选择、等待或者无序饮食造成了学生不良的健康问题，商家无法获得数据支持，材料铺张浪费。


技术实现要素：

本发明提供基于深度学习算法的学生餐饮偏好推荐系统，其目的是解决现有技术的缺点，提高学生餐饮的健康水平以及商家的经济效益。本发明解决其技术问题的方案在于：基于深度学习算法的学生餐饮偏好推荐系统，其特征在于：用户终端连接云应用服务器，云应用服务器中安装基于深度学习算法的学生餐饮偏好推荐系统，云应用服务器连接云数据库；云应用服务器用于提供该系统的数据交互以及用户访问，提供高并发下的系统性能保障；云数据库负责保存相关的用户数据，为大数据以及深度学习算法提供数据支撑；本发明的系统软件部分由用户端版本、商家版本以及服务端版本构成；本发明的系统软件部分包括如下系统模块：a：用户画像模块：学生用户的个人身体信息，以及用户选择的自己喜欢的菜品种类，作为用户的初始画像，此后依据用户不断的使用，以深度学习算法进行不断迭代；b：店铺入驻模块：店铺入驻主要包含学校食堂以及外部餐饮供应商两大部分；c：评价及打分模块：d：配送信息跟踪模块：e：学生用户推荐菜品模块：在基于学生的用户画像所提供的相关信息这一前提条件下，在学生用户登录该系统时，可以根据用户喜好或预设的菜品种类进行首页推送；每当用户选择菜品进行下单，都会更新一次他的用户画像，不断的迭代完善用户个人的喜好，最终会得到一个用户餐饮偏好信息；f：个人身体健康监测模块：该系统引入普适性个人身体健康指数bmi，根据每次用户下单选择的菜品进行模拟热量评估，以男女不同年龄标准的基础代谢指标作为基准线进行增量或减量计算，并调整菜品的推荐权重；
g数据报表模块：基于深度学习算法的学生餐饮偏好推荐系统以tensorflow运行。所述用户终端为手机或电脑。本发明的有益之处在于：该系统用于为学生用户根据自身喜好以及对自身未来的期望合理化的推荐适合的用餐选择，并且基于深度学习算法，不断完善用户以及商家的画像数据，便于用户得到更加精准的推送信息，减少选择、等待或者无序饮食造成的相关健康问题。对于商家用户(或学校食堂)来说，通过大数据下的分析与提纯，能够更加精确的知道自身存在的哪些优势以及待改进的缺陷，以数据为支撑提高自身的竞争力，同样的以数据为依据来弥补自身的短板，减少铺张浪费，提高材料利用率和经济效益。通过算法将用户需求以及商家的定位更加精细化，让校园的餐饮生态往健康、绿色、低碳的方向发展。
具体实施方式
本发明的系统硬件架构由云应用服务器、云数据库、用户终端(手机、电脑等)等构成。用户终端连接云应用服务器，云应用服务器中安装基于深度学习算法的学生餐饮偏好推荐系统，云应用服务器连接云数据库。云应用服务器用于提供该系统的数据交互以及用户访问，提供高并发下的系统性能保障。云数据库则负责保存相关的用户数据，为大数据以及深度学习算法提供数据支撑。本发明的系统软件部分由用户端版本、商家版本以及服务端版本构成。用户端版本面向校园学生，可以用网页版、桌面应用程序、微信小程序、钉钉小程序实现多入口登录，使用手机号作为唯一凭据进行登录，保证多种访问模式下的数据互通。商家版本则面向校园食堂以及校园周边的餐饮供应商，提供桌面应用程序以及安卓/ios手机客户端两种方式，主要用于商家对提供的菜品进行上架。本发明的系统软件部分包括如下系统模块：a：用户画像模块：学生用户注册登录系统时，会要求输入性别、身高、体重等个人身体信息，同时会建议用户选择自己喜欢的菜品种类，作为用户的初始画像，此后会依据用户不断的使用，以深度学习算法进行不断迭代。在用户画像中，提供一些具有代表性的菜品作为某一类数据的替代选择，如用户a在自己喜欢的菜品中，选择了炸鸡、汉堡、薯条、水煮鱼、辣子鸡等，则该用户的初步用户画像中，喜好菜品的这一项数据，就记录为《油炸食品》《快餐》《辣》《川菜》等。用户选择的菜品将作为用户画像的初始喜好保存下来，该系统不仅仅只针对用户喜欢的菜品进行推荐，也允许用户选择自己期望的饮食习惯调整。例如用户a在初始画像中被标记了喜欢高油高热量的饮食方式，若该用户在选择希望系统推荐的菜品时，依然选择了高油高热量的代表菜品，则用户画像中的二次期望选项与初始喜好菜品关联性(相似性)数值会较高，认定该用户目前喜欢重口味的菜品且未来
依然希望延续此种口味。若用户在选择系统希望推荐的菜品时选择了部分口味较重与清淡菜品相混合的方式，通过与初始喜好菜品进行关联性分析得到关联性数值；但是用户选择的系统推荐菜品种类与初始菜品截然相反，关联性指标极低甚至接近为0，则会依照权重关联值进行偏差化更新迭代用户画像。用户画像会随着用户不断的使用不断的重复迭代更新，例如用户每次下单都会进行记录，通过分布式模型得到用户最常购买的菜品，每次浏览也会进行记录，得到用户最喜欢看什么，最喜欢买什么，最喜欢在什么时候下单等等数据。用户画像还包括商家版本，例如商家b提供的菜品中，a浏览的人最多，但是成单率不高；b浏览量不高，但是看过的用户基本都会买，成单率较高；c虽然成单率较低，但是用户打分普遍较低，拉低整体店铺评分，等等。b：店铺入驻模块：店铺入驻主要包含学校食堂以及外部餐饮供应商两大部分。商家入驻后将菜品上架，提供辣度信息(不辣、微辣、中辣、重辣、特辣)、咸度选择(清淡、适中、偏重)、冷菜或热菜选项、能否支持外送选项、价格信息、支付方式选择信息(支付宝、微信、校园卡)。c：评价及打分模块：用户在用餐完成后，可以在评价模块中，对商家的菜品满意度进行打分以及评价，该分数将会显示在菜品信息中供其他用户进行参考，评价信息会显示在菜品的用户评价页面中。d：配送信息跟踪模块：若用户选择了支持外送的菜品(外部餐饮)，则会在系统中显示配送员的相关信息，如配送员x在x点x分到达商家，在y点y分开始配送等等。配送模块支持地图显示功能，可以看到配送员目前所处的位置，以及预计还需要多少时间到达用户所在地。e：学生用户推荐菜品模块：在基于学生的用户画像所提供的相关信息这一前提条件下，在学生用户登录该系统时，可以根据用户喜好或预设的菜品种类进行首页推送。若用户a的画像显示目前喜欢《炸鸡》《汉堡》《薯条》《水煮鱼》，且希望系统继续提供高热量种类的菜品，系统将会提供炸鸡、肯德基、香酥鸡排、水煮肉片、辣子鸡等菜品。若用户a的画像显示目前喜欢《炸鸡》《汉堡》《薯条》《水煮鱼》，且最近几次消费有购买过蔬菜沙拉、白灼青菜、黄瓜炒蛋等清单菜品的，同时用户也设置为希望系统推荐更为健康的菜品，则系统会推荐炸鸡、肯德基、薯条、蔬菜沙拉、凉拌黄瓜等菜品。若用户a的画像显示目前喜欢《炒青菜》《蒜蓉黄瓜》《皮蛋豆腐》，设置为希望系统提供低脂肪高蛋白菜品，则系统会推荐蒜蓉生菜、白切鸡、酱牛肉等菜品。每当用户选择菜品进行下单，都会更新一次他的用户画像，不断的迭代完善用户个人的喜好，最终会得到一个相对准确的用户餐饮偏好信息。f：个人身体健康监测模块：该系统引入普适性个人身体健康指数bmi，根据每次用户下单选择的菜品进行模
拟热量评估，以男女不同年龄标准的基础代谢指标作为基准线进行增量或减量计算若最近一段时间用户下单的菜品热量，扣除该用户年龄、性别所在的标准代谢指标后仍有较大富裕，则提示用户近期热量摄入可能过多，是否需要降低一些热量摄入，若用户选择同意，则适当增大低脂菜品的推荐权重。若近期热量出现缺口，则提示用户是否需保持低卡摄入或适量增加高热量菜品的推荐频次。g数据报表模块：学生用户以及商家，都可以在本系统中获取一定时间段内的数据汇总报表以学生为例，可以根据报表查看自己近期的消费记录，消费总额，消费偏好等数据信息与图表信息，以月度为基准评估自己的消费支出情况。
46.商家用户在本系统中获取数据报表时，可以根据报表查看本店铺在某一时间段内的浏览与消费情况，以及客户的消费频次集中在哪几个时间段，例如中午11点到12点半之间是下单的高峰期，且菜品a需求量最大，菜品c收到的评分较低，商家可以有的放矢，提前对菜品a的原材料进行准备，对菜品c进行改进。商家用户为学校食堂的，则可根据详细的数据报表对下一周提供的菜品进行预测，并调整菜品的推荐权重；例如选择不辣菜品的数量占到总菜品数量的40％且特辣菜品剩余较多，则在接下来的菜品准备中，可适当降低特辣的菜品数量，提高不辣的菜品数量。商家可根据上一周用餐人数的多少以及用餐集中的时间段进行菜品总量的预测与准备，每天用餐人数的均值就可以作为下一周菜品准备的重要参考。本发明的基于深度学习算法的学生餐饮偏好推荐系统以tensorflow运行。google开源的tensorflow是一款使用c++语言开发的开源数学计算软件，使用数据流图(data flow graph)的形式进行计算。图中的节点代表数学运算，而图中的线条表示多维数据数组(tensor)之间的交互。tensorflow灵活的架构可以部署在一个或多个cpu、gpu的台式及服务器中，或者使用单一的api应用在移动设备中。tensorflow最初是由研究人员和google brain团队针对机器学习和深度神经网络进行研究而开发，开源之后几乎可以在各个领域适用。tensorflow是全世界使用人数最多、社区最为庞大的一个框架，因为google公司出品，所以维护与更新比较频繁，并且有着python和c++的接口，教程也非常完善，同时很多论文复现的第一个版本都是基于tensorflow写的，所以是深度学习界框架默认领导者。tensorflow工作流易于理解。它的api保持着高度的一致性并且很稳定，维护者始终在努力确保每次改动都向下兼容。tensorflow与numpy无缝集成，可使大多数了解python的数据科学家如鱼得水。tensorflow不会占用太多的编译时间，使用户可快速验证自己的想法，而不必将大量的时间耗费在不断的迭代编译与更新发布上。目前已有多种高层接口构建在tensorflow之上，如keras这就使得即便用户不希望动手实现整个模型，也可以利用tensorflow的优势。tensorflow在cpu和gpu上运行，比如说可以运行在台式机、服务器、手机移动设备等等。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.基于深度学习算法的学生餐饮偏好推荐系统，其特征在于：用户终端连接云应用服务器，云应用服务器中安装基于深度学习算法的学生餐饮偏好推荐系统，云应用服务器连接云数据库；云应用服务器用于提供该系统的数据交互以及用户访问，提供高并发下的系统性能保障；云数据库负责保存相关的用户数据，为大数据以及深度学习算法提供数据支撑；本发明的系统软件部分由用户端版本、商家版本以及服务端版本构成；本发明的系统软件部分包括如下系统模块：a：用户画像模块：学生用户的个人身体信息，以及用户选择的自己喜欢的菜品种类，作为用户的初始画像，此后依据用户不断的使用，以深度学习算法进行不断迭代；b：店铺入驻模块：店铺入驻主要包含学校食堂以及外部餐饮供应商两大部分；c：评价及打分模块：d：配送信息跟踪模块：e：学生用户推荐菜品模块：在基于学生的用户画像所提供的相关信息这一前提条件下，在学生用户登录该系统时，可以根据用户喜好或预设的菜品种类进行首页推送；每当用户选择菜品进行下单，都会更新一次他的用户画像，不断的迭代完善用户个人的喜好，最终会得到一个用户餐饮偏好信息；f：个人身体健康监测模块：该系统引入普适性个人身体健康指数bmi，根据每次用户下单选择的菜品进行模拟热量评估，以男女不同年龄标准的基础代谢指标作为基准线进行增量或减量计算，并调整菜品的推荐权重；g数据报表模块：基于深度学习算法的学生餐饮偏好推荐系统以tensorflow运行。2.如权利要求1所述的基于深度学习算法的学生餐饮偏好推荐系统，其特征在于：所述用户终端为手机或电脑。

技术总结
本发明提供基于深度学习算法的学生餐饮偏好推荐系统，其特征在于：用户终端连接云应用服务器，云应用服务器中安装基于深度学习算法的学生餐饮偏好推荐系统，云应用服务器连接云数据库；本发明的系统软件部分包括用户画像模块；店铺入驻模块；评价及打分模块；配送信息跟踪模块；学生用户推荐菜品模块；个人身体健康监测模块；数据报表模块；基于深度学习算法的学生餐饮偏好推荐系统以TensorFlow运行。本发明提高学生餐饮的健康水平以及商家的经济效益。效益。


技术研发人员：陆勤
受保护的技术使用者：上海交通大学医学院
技术研发日：2023.04.11
技术公布日：2023/10/8