基于机器学习的个性化营养指导方法及系统与流程

1.本发明涉及机器学习技术，尤其涉及一种基于机器学习的个性化营养指导方法及系统。


背景技术：

2.传统营养指导方法，很大程度上忽略了个体差异性。在实践时，不同的个体给出的营养指导方案是相同的，或是仅根据个体的体重对所摄入的剂量进行差异化推荐。人体是一个复杂的系统，不同的个体的肠道菌群、激素分泌水平，甚至心理状态等方面均存在一定的差异，这些因素会对个体的营养获取与能量的调节过程产生影响，导致不同个体对相同营养的利用率不同，个体的营养收益自然也会存在差异。
3.因此，对于营养指导方案应该从客观化、系统化、多角度、多学科进行探索与研究，找出不同个体的个性化特点，并将其作为个性化营养方案的推荐依据，使人食皆异。


技术实现要素：

4.本发明实施例提供一种基于机器学习的个性化营养指导方法及系统，能够至少解决现有技术中部分问题，也即现有技术中针对不同人推荐同一营养方案的问题。
5.本发明实施例的第一方面，
6.提供一种基于机器学习的个性化营养指导方法，包括：
7.获取与目标对象相关的属性信息，将所述属性信息转换为属性向量，在所述属性向量中加入预设的体质标签，将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息，其中，所述属性信息包括病例信息与口味偏好信息中至少一种，所述体质状态提取模型基于多种网络模型组合而成；
8.基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组，将所述知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；
9.将所述体质状态信息作为约束条件，结合所述营养知识图谱，通过多目标优化算法确定个性化营养方案，并推送至所述目标对象；
10.所述通过多目标优化算法确定个性化营养方案包括：
11.基于所述营养知识图谱和所述体质状态信息，随机生成初代种群；
12.确定所述初代种群对应的多个目标解的等级信息，根据所述等级信息结合拥挤距离对所述多个目标解进行非劣排序，并根据非劣排序确定所述多个目标解的优先级；
13.通过轮盘赌算法结合所述多个目标解的优先级，确定所述多个目标解被选中的概率，将被选中的目标解构建子种群；
14.根据所述子种群与所述初代种群的合集确定所述个性化营养方案。
15.在一种可选的实施方式中，
16.所述将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目
标对象的体质状态信息包括：
17.将加入所述体质标签的属性向量作为输入向量输入所述体质状态提取模型的输入层，确定所述输入向量对应的输入序列；
18.将所述输入序列输入时间循环神经网络，确定所述输入序列的前向传播值和后向传播值，并对所述前向传播值和所述后向传播值进行拼接，确定向量拼接值；
19.根据所述向量拼接值，通过卷积乘积因子对所述向量拼接值进行卷积操作，并通过最大池化因子和全连接层，确定所述向量拼接值对应的体质状态属性的概率值。
20.在一种可选的实施方式中，
21.在将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息之前，所述方法还包括训练所述体质状态提取模型：
22.基于预先获取的体质训练数据集，通过待训练的体质状态提取模型进行非线性分解，确定所述体质训练数据集对应的解析信息；
23.根据所述解析信息与所述体质训练数据集的相对误差，结合待训练的体质状态提取模型的损失函数，确定待训练的体质状态提取模型中每一层网络的梯度；
24.对每一层网络的梯度进行池化操作，结合所述相对误差以及预设学习率，参考预设收缩迭代阈值，通过迭代优化算法对所述相对误差进行迭代优化，直至所述相对误差满足预设预设迭代条件。
25.在一种可选的实施方式中，
26.所述基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组如下公式所示：
[0027][0028]
其中，表示实体信息m、关系信息r与口味偏好信息p的语义表示，d表示实体信息的向量数量，re{}表示复数表示函数，diag表示对角矩阵函数，表示第i个头实体和第j个尾实体对应的口味偏好信息的矩阵表示，表示第i个头实体和第j个尾实体的向量组合，表示第j个关系信息的向量表示。
[0029]
在一种可选的实施方式中，
[0030]
确定所述多个目标解被选中的概率如下公式所示：
[0031][0032]
其中，表示所述多个目标解被选中的概率，n表示目标解的数量，k表示轮盘赌所选择的次数，i表示目标解的序号，表示第i个目标解，rank表示排序函数。
[0033]
本发明实施例第二方面，
[0034]
提供一种基于机器学习的个性化营养指导系统，包括：
[0035]
第一单元，用于获取与目标对象相关的属性信息，将所述属性信息转换为属性向量，在所述属性向量中加入预设的体质标签，将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息，其中，所述属性信息包括病例信息与口味偏好信息中至少一种，所述体质状态提取模型基于多种网络模型组合而成；
[0036]
第二单元，用于基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组，将所述知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；
[0037]
第三单元，用于将所述体质状态信息作为约束条件，结合所述营养知识图谱，通过多目标优化算法确定个性化营养方案，并推送至所述目标对象；
[0038]
所述通过多目标优化算法确定个性化营养方案包括：
[0039]
基于所述营养知识图谱和所述体质状态信息，随机生成初代种群；
[0040]
确定所述初代种群对应的多个目标解的等级信息，根据所述等级信息结合拥挤距离对所述多个目标解进行非劣排序，并根据非劣排序确定所述多个目标解的优先级；
[0041]
通过轮盘赌算法结合所述多个目标解的优先级，确定所述多个目标解被选中的概率，将被选中的目标解构建子种群；
[0042]
根据所述子种群与所述初代种群的合集确定所述个性化营养方案。
[0043]
在一种可选的实施方式中，
[0044]
所述第一单元还用于：
[0045]
将加入所述体质标签的属性向量作为输入向量输入所述体质状态提取模型的输入层，确定所述输入向量对应的输入序列；
[0046]
将所述输入序列输入时间循环神经网络，确定所述输入序列的前向传播值和后向传播值，并对所述前向传播值和所述后向传播值进行拼接，确定向量拼接值；
[0047]
根据所述向量拼接值，通过卷积乘积因子对所述向量拼接值进行卷积操作，并通过最大池化因子和全连接层，确定所述向量拼接值对应的体质状态属性的概率值。
[0048]
在一种可选的实施方式中，
[0049]
所述系统还用于训练所述体质状态提取模型：
[0050]
基于预先获取的体质训练数据集，通过待训练的体质状态提取模型进行非线性分解，确定所述体质训练数据集对应的解析信息；
[0051]
根据所述解析信息与所述体质训练数据集的相对误差，结合待训练的体质状态提取模型的损失函数，确定待训练的体质状态提取模型中每一层网络的梯度；
[0052]
对每一层网络的梯度进行池化操作，结合所述相对误差以及预设学习率，参考预设收缩迭代阈值，通过迭代优化算法对所述相对误差进行迭代优化，直至所述相对误差满足预设预设迭代条件。
[0053]
在一种可选的实施方式中，
[0054]
所述第一单元构建营养三元组如下公式所示：
[0055][0056]
其中，表示实体信息m、关系信息r与口味偏好信息p的语义表示，d表示
实体信息的向量数量，re{}表示复数表示函数，diag表示对角矩阵函数，表示第i个头实体和第j个尾实体对应的口味偏好信息的矩阵表示，表示第i个头实体和第j个尾实体的向量组合，表示第j个关系信息的向量表示。
[0057]
在一种可选的实施方式中，
[0058]
确定所述多个目标解被选中的概率如下公式所示：
[0059][0060]
其中，表示所述多个目标解被选中的概率，n表示目标解的数量，k表示轮盘赌所选择的次数，i表示目标解的序号，表示第i个目标解，rank表示排序函数。
[0061]
本发明实施例的第三方面，
[0062]
提供一种电子设备，包括：
[0063]
处理器；
[0064]
用于存储处理器可执行指令的存储器；
[0065]
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
[0066]
本发明实施例的第四方面，
[0067]
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
[0068]
本发明基于机器学习的个性化营养指导方法，通过获取目标对象的属性信息和体质状态，结合预设的体质标签，可以准确确定目标对象的体质状态信息，这使得个性化营养方案可以针对每个人的具体情况进行定制，满足其特定的营养需求和目标。
[0069]
利用预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合目标对象的口味偏好信息，构建营养三元组和营养知识图谱，这样的综合多源知识能够提供更加全面和准确的营养信息，为制定个性化营养方案提供了更多的依据；通过多目标优化算法，结合体质状态信息和营养知识图谱，可以生成多个个性化营养方案。这些方案在满足目标对象的营养需求的同时，还考虑了多个目标的平衡，如减肥、增肌、血糖控制等，通过非劣排序和拥挤距离的计算，确定优先级，进一步筛选出最优的个性化营养方案。
附图说明
[0070]
图1为本发明实施例基于机器学习的个性化营养指导方法的流程示意图；
[0071]
图2为本发明实施例基于机器学习的个性化营养指导系统的结构示意图。
具体实施方式
[0072]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术
人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0073]
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
[0074]
图1为本发明实施例基于机器学习的个性化营养指导方法的流程示意图，如图1所示，所述方法包括：
[0075]
s101.获取与目标对象相关的属性信息，将所述属性信息转换为属性向量，在所述属性向量中加入预设的体质标签，将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息，其中，所述属性信息包括病例信息与口味偏好信息中至少一种，所述体质状态提取模型基于多种网络模型组合而成；
[0076]
示例性地，本技术与目标对象相关的属性信息可以包括病例信息与口味偏好信息中至少一种，其中，病例信息可以反应目标对象过往的身体状态信息，从而有利于判断其体质状态，例如，曾患过糖尿病、高血压等，基于此，能够避免最后推送的个性化营养方案中出现不利于目标对象身体的元素；而口味偏好信息则可以兼顾目标对象的喜好，在保证营养均衡的基础上，提高目标对象的体验。
[0077]
在属性向量中加入预设的体质标签，改变了体质状态提取模型输入层的表示方式，通过属性向量与体质标签相结合，可以突出关键特征对体质状态信息识别的作用。
[0078]
示例性地，本技术的体质状态提取模型基于多种网络模型组合而成，其中，体质状态提取模型可以包括双向lstm模型和cnn模型。
[0079]
在一种可选的实施方式中，
[0080]
所述将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息包括：
[0081]
将加入所述体质标签的属性向量作为输入向量输入所述体质状态提取模型的输入层，确定所述输入向量对应的输入序列；
[0082]
将所述输入序列输入时间循环神经网络，确定所述输入序列的前向传播值和后向传播值，并对所述前向传播值和所述后向传播值进行拼接，确定向量拼接值；
[0083]
根据所述向量拼接值，通过卷积乘积因子对所述向量拼接值进行卷积操作，并通过最大池化因子和全连接层，确定所述向量拼接值对应的体质状态属性的概率值。
[0084]
示例性地，所述向量拼接值相比于输入序列包含了属性信息的句法结构和语义信息，在输入序列的基础上加上句法结构和语义信息，能够使得后续预测和分类的结果更加准确。其中，本技术的时间循环神经网络可以包括lstm (long short-term memory，长短期记忆)网络，通过lstm网络分别确定输入序列的前向传播和后向传播，其中，lstm可以包括输入控制门、遗忘控制门、输出控制门，并对前向传播和后向传播得到的前向传播值和所述后向传播值进行拼接，确定向量拼接值；
[0085]
在确定向量拼接值之后，可以通过卷积乘积因子对所述向量拼接值进行卷积操作，并通过最大池化因子和全连接层，确定所述向量拼接值对应的体质状态属性的概率值。
[0086]
在一种可选的实施方式中，
[0087]
在将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息之前，所述方法还包括训练所述体质状态提取模型：
[0088]
基于预先获取的体质训练数据集，通过待训练的体质状态提取模型进行非线性分
解，确定所述体质训练数据集对应的解析信息；
[0089]
根据所述解析信息与所述体质训练数据集的相对误差，结合待训练的体质状态提取模型的损失函数，确定待训练的体质状态提取模型中每一层网络的梯度；
[0090]
对每一层网络的梯度进行池化操作，结合所述相对误差以及预设学习率，参考预设收缩迭代阈值，通过迭代优化算法对所述相对误差进行迭代优化，直至所述相对误差满足预设预设迭代条件。
[0091]
收集体质训练数据集，包括输入的属性向量和对应的体质状态信息。假设有n个训练样本，每个样本包含属性向量x_i和体质状态信息y_i。将属性向量x_i和体质状态信息y_i转换为合适的数值表示，如向量或矩阵形式。
[0092]
设计体质状态提取模型的架构，可以使用深度神经网络（如多层感知机）作为模型，确定模型的输入和输出维度，输入为属性向量的维度，输出为体质状态的维度；设计损失函数来衡量模型输出与真实体质状态信息之间的差异，常见的损失函数可以是均方误差（mean squared error）或交叉熵损失（cross-entropy loss）。
[0093]
训练过程：
[0094]
初始化模型的参数，包括网络层的权重和偏置；针对每个训练样本(x_i, y_i)，通过前向传播计算模型的输出y_hat_i；根据损失函数，计算模型输出y_hat_i与真实体质状态信息y_i之间的误差。通过反向传播计算模型参数的梯度。对每一层网络的梯度进行池化操作，可以使用梯度平均或最大化等方式，使用优化算法（如梯度下降法或adam优化算法）根据梯度更新模型的参数。重复上述步骤，对所有训练样本进行迭代训练，直至达到预设的迭代条件（如达到最大迭代次数或误差降至一定程度）。
[0095]
通过池化操作，原始输入数据对应的解析信息中的有效内容被保留 了下来，相反那些不相关的内容就被丢弃，有效成分的绝对位置被模糊，突出了结构性特征的相对位置的重要性，不仅保留了有效成分的结构，而且使重构得到的结果更加稀疏，对输入数据的结构性特征更加有利。
[0096]
s102.基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组，将所述知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；
[0097]
示例性地，在知识图谱的构建过程中最核心环节是知识抽取和知识融合，其中，知识融合又分为实体信息融合与关系信息融合。结构化数据是经过规范化处理的数据，在知识抽取时只需要根据本身的特性就很容易识别其中的知识。而半结构化、非结构化数据由于载体不同以及编码格式不统一导致规范性差于结构化数据，所以要根据各自的特性，专门进行知识抽取。
[0098]
实体抽取也称作命名实体识别，实体抽取的准确性直接影响知识抽取的质量和效率，因此，实体抽取是知识图谱构建和知识抽取的基础和关键。
[0099]
进一步地，通过在结构化、半结构化和非结构化语料文本中抽取了实体信息与关系信息，但抽取出的这些知识的问题如下：一方面，半结构化或非结构化语料文本存在信息冗余；另一方面，数据之间相互独立，没有明显上下层结构的语义关系，使得在半结构化或非结构化的语料文本中抽取的知识是不能直接使用的，需要通过知识融合对抽取的知识进行整理。
[0100]
为了能够充分综合目标对象的口味信息和营养知识，本技术在传统三元组的基础上进行调整，构建了以实体信息、关系信息以及口味偏好信息为基础的营养三元组，其中，实体信息可以包括实体信息组，也即一个实体信息组包括两个实体，关系信息用于指示实体信息组中两个实体的关系。并且以知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；
[0101]
其中，知识抽取模型可以包括特征提取模型，用于从不同数据源的营养知识中进行特征提取，将提取的特征作为实体。
[0102]
通过将实体信息和关系信息结合起来，构建营养三元组。营养三元组可以描述食物、营养成分和相应关系，提供了一种结构化的表示形式，方便后续的知识推理和应用；在构建营养三元组时，结合目标对象的口味偏好信息，可以为个体提供个性化的营养建议，例如，根据口味偏好推荐特定食物组合或调整营养配比，提高用户满意度和健康效果。将知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱，这样的图谱结构可以提供丰富的语义关联，支持知识的查询、推理和可视化展示，有助于深入理解和应用营养知识。
[0103]
示例性地，根据所述头实体的向量表示、所述尾实体的向量表示，以及预设的复数表示函数、对角矩阵函数以及所述头实体、所述尾实体与实体关系的矩阵表示，确定所述头实体、所述尾实体与实体关系的语义表示；
[0104][0105]
其中，表示实体信息m、关系信息r与口味偏好信息p的语义表示，d表示实体信息的向量数量，re{}表示复数表示函数，diag表示对角矩阵函数，表示第i个头实体和第j个尾实体对应的口味偏好信息的矩阵表示，表示第i个头实体和第j个尾实体的向量组合，表示第j个关系信息的向量表示。
[0106]
通过将实体或关系投影到低维度的空间中，我们可以有效利用实体之间的语义信息，并且可以利用高频实体的语义信息来帮助低频实体表示。通过对关系在头尾实体的每个维度都进行建模，每个关系r都有o（d2）个维度的参数，实体和关系的信息可以有效交互；同时为了避免随着关系矩阵维度的增加，模型会更加复杂，很容易出现过拟合的现象，通过设置对角矩阵函数，使得头尾实体只在一个维度上发生交互作用，能够有效降低过拟合现象；并且结合复数表示函数，将实体和关系的表示拓展到复数领域，能够有效表示非对称关系。
[0107]
s103.将所述体质状态信息作为约束条件，结合所述营养知识图谱，通过多目标优化算法确定个性化营养方案，并推送至所述目标对象。
[0108]
示例性地，经典进化算法中的选择操作主要分两类：选择优秀的解个体进化并遗传到下一代；把进化优秀的解个体选择到下一代。换句话说就是父代竞争和子代竞争的差别。前一种方法是遗传算法的主要思想，后一种方法就是进化策略和进化规划的主要思想。父代竞争的方式可以保证出发点优秀，而子代竞争则可以及时纠正进化错误。但是实际应
用中，往往只采用其中一种方式，并不能保证多目标优化算法的整体性能。
[0109]
使用父代竞争方法保证高起点，使用子代竞争方法纠正错误，同时该算法采使用了临时子种群，使得父代和子代也在一起进行竞争，从而再次提高了搜索的效率。
[0110]
在一种可选的实施方式中，
[0111]
基于所述营养知识图谱和所述体质状态信息，随机生成初代种群；
[0112]
确定所述初代种群对应的多个目标解的等级信息，根据所述等级信息结合拥挤距离对所述多个目标解进行非劣排序，并根据非劣排序确定所述多个目标解的优先级；
[0113]
通过轮盘赌算法结合所述多个目标解的优先级，确定所述多个目标解被选中的概率，将被选中的目标解构建子种群；
[0114]
根据所述子种群与所述初代种群的合集确定所述个性化营养方案。
[0115]
根据目标对象的体质状态信息，随机生成一批个体作为初代种群，每个个体可以表示一个潜在的营养方案，包含不同食物的摄入量、比例和组合。对于初代种群中的每个个体，根据营养知识图谱和体质状态信息计算其对应的多个目标解的值，例如热量摄入、蛋白质摄入、脂肪摄入等。对多个目标解进行等级排序，可以使用非劣排序算法（如nsga-ii）来确定个体的等级信息，将个体分为不同的等级，表明其相对优劣。
[0116]
根据等级信息和拥挤距离计算，对多个目标解进行非劣排序，以确定个体的优先级，拥挤距离用于衡量个体在目标空间中的密度，有助于保持多样性。使用轮盘赌算法，结合个体的优先级，确定个体被选中的概率；优先级高的个体被选中的概率较大，优胜劣汰的机制保证了较优解的保留；根据选中的个体构建子种群，将它们作为下一代种群的基础。
[0117]
通过遗传算法的交叉和变异操作，对子种群进行进化和优化，生成新的个体，可以在营养方案的食物选择、摄入量等方面进行调整和改变。重复进行多代进化，直到达到终止条件（例如达到最大迭代次数或收敛到满意的解集）。
[0118]
将最终得到的种群合并，得到包含多个个体的种群集合，根据目标对象的需求，选择最优或合适的个体作为个性化营养方案，可以根据目标对象的喜好、限制和营养目标进行进一步的筛选和调整；生成的个性化营养方案可以包括每餐的食物选择、摄入量、饮食建议等信息，以满足目标对象的特定需求。
[0119]
示例性地，先使用l支配方式赋予种群中每个解一个秩属性和一个积累秩属性，再结合基于拥挤距离的小组决胜方法对种群中的解进行非劣排序，然后进行遗传操作，得到子代种群。对父代种群和子代种群的并集，再进行基于l支配和小组决胜的非劣排序，选取最好的n个成为新种群。
[0120]
使用基于l支配的非劣顺序代替基于pareto支配的非劣顺序，并对l支配非劣顺序无法区分先后的解，使用拥挤距离进行小组决胜排序。然后就可以按每个解的顺序赋予其一个被选中的概率，再按轮盘赌博方法从其中选出一定数目的解进行遗传操作。
[0121]
在一种可选的实施方式中，
[0122]
确定所述多个目标解被选中的概率如下公式所示：
[0123][0124]
其中，表示所述多个目标解被选中的概率，n表示目标解的数量，k表示轮盘赌所
选择的次数，i表示目标解的序号，表示第i个目标解，rank表示排序函数。
[0125]
本发明实施例第二方面，
[0126]
提供一种基于机器学习的个性化营养指导系统，图2为本发明实施例基于机器学习的个性化营养指导系统的结构示意图，包括：
[0127]
第一单元，用于获取与目标对象相关的属性信息，将所述属性信息转换为属性向量，在所述属性向量中加入预设的体质标签，将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息，其中，所述属性信息包括病例信息与口味偏好信息中至少一种，所述体质状态提取模型基于多种网络模型组合而成；
[0128]
第二单元，用于基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组，将所述知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；
[0129]
第三单元，用于将所述体质状态信息作为约束条件，结合所述营养知识图谱，通过多目标优化算法确定个性化营养方案，并推送至所述目标对象；
[0130]
所述通过多目标优化算法确定个性化营养方案包括：
[0131]
基于所述营养知识图谱和所述体质状态信息，随机生成初代种群；
[0132]
确定所述初代种群对应的多个目标解的等级信息，根据所述等级信息结合拥挤距离对所述多个目标解进行非劣排序，并根据非劣排序确定所述多个目标解的优先级；
[0133]
通过轮盘赌算法结合所述多个目标解的优先级，确定所述多个目标解被选中的概率，将被选中的目标解构建子种群；
[0134]
根据所述子种群与所述初代种群的合集确定所述个性化营养方案。
[0135]
在一种可选的实施方式中，
[0136]
所述第一单元还用于：
[0137]
将加入所述体质标签的属性向量作为输入向量输入所述体质状态提取模型的输入层，确定所述输入向量对应的输入序列；
[0138]
将所述输入序列输入时间循环神经网络，确定所述输入序列的前向传播值和后向传播值，并对所述前向传播值和所述后向传播值进行拼接，确定向量拼接值；
[0139]
根据所述向量拼接值，通过卷积乘积因子对所述向量拼接值进行卷积操作，并通过最大池化因子和全连接层，确定所述向量拼接值对应的体质状态属性的概率值。
[0140]
在一种可选的实施方式中，
[0141]
所述系统还用于训练所述体质状态提取模型：
[0142]
基于预先获取的体质训练数据集，通过待训练的体质状态提取模型进行非线性分解，确定所述体质训练数据集对应的解析信息；
[0143]
根据所述解析信息与所述体质训练数据集的相对误差，结合待训练的体质状态提取模型的损失函数，确定待训练的体质状态提取模型中每一层网络的梯度；
[0144]
对每一层网络的梯度进行池化操作，结合所述相对误差以及预设学习率，参考预设收缩迭代阈值，通过迭代优化算法对所述相对误差进行迭代优化，直至所述相对误差满足预设预设迭代条件。
[0145]
在一种可选的实施方式中，
[0146]
所述第一单元构建营养三元组如下公式所示：
[0147][0148]
其中，表示实体信息m、关系信息r与口味偏好信息p的语义表示，d表示实体信息的向量数量，re{}表示复数表示函数，diag表示对角矩阵函数，表示第i个头实体和第j个尾实体对应的口味偏好信息的矩阵表示，表示第i个头实体和第j个尾实体的向量组合，表示第j个关系信息的向量表示。
[0149]
在一种可选的实施方式中，
[0150]
确定所述多个目标解被选中的概率如下公式所示：
[0151][0152]
其中，表示所述多个目标解被选中的概率，n表示目标解的数量，k表示轮盘赌所选择的次数，i表示目标解的序号，表示第i个目标解，rank表示排序函数。
[0153]
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
[0154]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于机器学习的个性化营养指导方法，其特征在于，包括：获取与目标对象相关的属性信息，将所述属性信息转换为属性向量，在所述属性向量中加入预设的体质标签，将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息，其中，所述属性信息包括病例信息与口味偏好信息中至少一种，所述体质状态提取模型基于多种网络模型组合而成；基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组，将所述知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；将所述体质状态信息作为约束条件，结合所述营养知识图谱，通过多目标优化算法确定个性化营养方案，并推送至所述目标对象；所述通过多目标优化算法确定个性化营养方案包括：基于所述营养知识图谱和所述体质状态信息，随机生成初代种群；确定所述初代种群对应的多个目标解的等级信息，根据所述等级信息结合拥挤距离对所述多个目标解进行非劣排序，并根据非劣排序确定所述多个目标解的优先级；通过轮盘赌算法结合所述多个目标解的优先级，确定所述多个目标解被选中的概率，将被选中的目标解构建子种群；根据所述子种群与所述初代种群的合集确定所述个性化营养方案。2.根据权利要求1所述的方法，其特征在于，所述将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息包括：将加入所述体质标签的属性向量作为输入向量输入所述体质状态提取模型的输入层，确定所述输入向量对应的输入序列；将所述输入序列输入时间循环神经网络，确定所述输入序列的前向传播值和后向传播值，并对所述前向传播值和所述后向传播值进行拼接，确定向量拼接值；根据所述向量拼接值，通过卷积乘积因子对所述向量拼接值进行卷积操作，并通过最大池化因子和全连接层，确定所述向量拼接值对应的体质状态属性的概率值。3.根据权利要求2所述的方法，其特征在于，在将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息之前，所述方法还包括训练所述体质状态提取模型：基于预先获取的体质训练数据集，通过待训练的体质状态提取模型进行非线性分解，确定所述体质训练数据集对应的解析信息；根据所述解析信息与所述体质训练数据集的相对误差，结合待训练的体质状态提取模型的损失函数，确定待训练的体质状态提取模型中每一层网络的梯度；对每一层网络的梯度进行池化操作，结合所述相对误差以及预设学习率，参考预设收缩迭代阈值，通过迭代优化算法对所述相对误差进行迭代优化，直至所述相对误差满足预设预设迭代条件。4.根据权利要求1所述的方法，其特征在于，所述基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组如下公式所示：
；其中，y
p
(m,r)表示实体信息m、关系信息r与口味偏好信息p的语义表示，d表示实体信息的向量数量，re{}表示复数表示函数，diag表示对角矩阵函数，[z
p
]
ij
表示第i个头实体和第j个尾实体对应的口味偏好信息的矩阵表示，[m]
ij
表示第i个头实体和第j个尾实体的向量组合，[r]
ij
表示第j个关系信息的向量表示。5.根据权利要求4所述的方法，其特征在于，确定所述多个目标解被选中的概率如下公式所示：；其中，p
i
表示所述多个目标解被选中的概率，n表示目标解的数量，k表示轮盘赌所选择的次数，i表示目标解的序号，f
i
(x)表示第i个目标解，rank表示排序函数。6.一种基于机器学习的个性化营养指导系统，其特征在于，包括：第一单元，用于获取与目标对象相关的属性信息，将所述属性信息转换为属性向量，在所述属性向量中加入预设的体质标签，将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息，其中，所述属性信息包括病例信息与口味偏好信息中至少一种，所述体质状态提取模型基于多种网络模型组合而成；第二单元，用于基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组，将所述知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；第三单元，用于将所述体质状态信息作为约束条件，结合所述营养知识图谱，通过多目标优化算法确定个性化营养方案，并推送至所述目标对象；所述通过多目标优化算法确定个性化营养方案包括：基于所述营养知识图谱和所述体质状态信息，随机生成初代种群；确定所述初代种群对应的多个目标解的等级信息，根据所述等级信息结合拥挤距离对所述多个目标解进行非劣排序，并根据非劣排序确定所述多个目标解的优先级；通过轮盘赌算法结合所述多个目标解的优先级，确定所述多个目标解被选中的概率，将被选中的目标解构建子种群；根据所述子种群与所述初代种群的合集确定所述个性化营养方案。7.根据权利要求6所述的系统，其特征在于，所述第一单元还用于：将加入所述体质标签的属性向量作为输入向量输入所述体质状态提取模型的输入层，确定所述输入向量对应的输入序列；将所述输入序列输入时间循环神经网络，确定所述输入序列的前向传播值和后向传播值，并对所述前向传播值和所述后向传播值进行拼接，确定向量拼接值；根据所述向量拼接值，通过卷积乘积因子对所述向量拼接值进行卷积操作，并通过最大池化因子和全连接层，确定所述向量拼接值对应的体质状态属性的概率值。8.根据权利要求6所述的系统，其特征在于，所述系统还用于训练所述体质状态提取模型：基于预先获取的体质训练数据集，通过待训练的体质状态提取模型进行非线性分解，
确定所述体质训练数据集对应的解析信息；根据所述解析信息与所述体质训练数据集的相对误差，结合待训练的体质状态提取模型的损失函数，确定待训练的体质状态提取模型中每一层网络的梯度；对每一层网络的梯度进行池化操作，结合所述相对误差以及预设学习率，参考预设收缩迭代阈值，通过迭代优化算法对所述相对误差进行迭代优化，直至所述相对误差满足预设预设迭代条件。9.根据权利要求6所述的系统，其特征在于，所述第一单元构建营养三元组如下公式所示：；其中，y
p
(m,r)表示实体信息m、关系信息r与口味偏好信息p的语义表示，d表示实体信息的向量数量，re{}表示复数表示函数，diag表示对角矩阵函数，[z
p
]
ij
表示第i个头实体和第j个尾实体对应的口味偏好信息的矩阵表示，[m]
ij
表示第i个头实体和第j个尾实体的向量组合，[r]
ij
表示第j个关系信息的向量表示。10.根据权利要求6所述的系统，其特征在于，确定所述多个目标解被选中的概率如下公式所示：；其中，p
i
表示所述多个目标解被选中的概率，n表示目标解的数量，k表示轮盘赌所选择的次数，i表示目标解的序号，f
i
(x)表示第i个目标解，rank表示排序函数。

技术总结
本发明提供一种基于机器学习的个性化营养指导方法及系统，包括获取与目标对象相关的属性信息，将所述属性信息转换为属性向量，在所述属性向量中加入预设的体质标签，将加入所述体质标签的属性向量输入预设的体质状态提取模型，确定所述目标对象的体质状态信息，基于预先训练好的知识抽取模型从不同数据源的营养知识中抽取实体信息和关系信息，结合所述目标对象的口味偏好信息，构建营养三元组，将所述知识三元组作为图节点，不同知识三元组之间的关系作为连接边，构建营养知识图谱；将所述体质状态信息作为约束条件，结合所述营养知识图谱，通过多目标优化算法确定个性化营养方案，并推送至所述目标对象。并推送至所述目标对象。并推送至所述目标对象。


技术研发人员：李利明 贺志晶 石磊
受保护的技术使用者：北京四海汇智科技有限公司
技术研发日：2023.07.12
技术公布日：2023/8/13