一种基于异构图的食品膳食推荐方法技术

本发明专利技术提供一种基于异构图的食品膳食推荐方法，包括以下步骤：S1、收集用户数据、商品数据及用户和商品的交互数据并构造数据集，根据所述数据集构建异构图；S2、构建图表示学习任务模块，将所述异构图输入到所述图表示学习任务模块中进行训练，得到不同层的用户节点向量、用户类别节点向量和物品节点向量；S3、构建推荐任务模块，将所述不同层的用户节点向量和所述不同层的物品节点向量输入到所述推荐任务模块，得到用户推荐的膳食。本发明专利技术通过将属性信息引入到用户

【技术实现步骤摘要】
一种基于异构图的食品膳食推荐方法


[0001]本专利技术食品推荐
，具体涉及一种基于异构图的食品膳食推荐方法。

技术介绍

[0002]近二十年来，我国肥胖的患病率逐年增长，肥胖是糖尿病、心血管疾病及其他代谢性疾病的危险因素。科学合理的饮食调整是目前最有效、最安全的基础治疗之一。为了实现在控制总能量的基础上平衡膳食，需要一种简单易行的方法来追踪所吃食物的营养信息，为用户推荐合理膳食。
[0003]此外，推荐算法可根据用户的历史行为，自动挖掘用户的兴趣喜好，从而为用户提供个性化的推荐。传统推荐算法(如协同过滤算法等)普遍存在数据稀疏性和冷启动问题。
[0004]因此，有必要提供一种能够为用户提供合理、多样化的食物，并预测其健康问题，同时，能够缓解数据稀疏性和冷启动问题的食品膳食推荐方法。

技术实现思路

[0005]针对以上技术问题，本专利技术提供一种基于异构图的食品膳食推荐方法，通过将属性信息引入到用户
‑
商品二部图中，构建异构图改善推荐系统的推理能力，并采用多任务学习框架，提升推荐模型的性能，并能够有效解决数据稀疏性和冷启动问题，能够为用户推荐合适的膳食，同时能够预测其可能出现的健康问题。
[0006]为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种基于异构图的食品膳食推荐方法，包括以下步骤：
[0007]S1、收集用户数据、商品数据及用户和商品的交互数据并构造数据集，根据所述数据集构建异构图；
[0008]S2、构建图表示学习任务模块，将所述异构图输入到所述图表示学习任务模块中进行训练，得到用户节点向量、用户类别节点向量和物品节点向量；
[0009]S3、构建推荐任务模块，将所述用户节点向量和所述物品节点向量输入到所述推荐任务模块，得到用户推荐的膳食。
[0010]优选地，所述用户数据包括用户信息及用户类别信息；
[0011]所述商品数据包括商品信息及商品类别信息；
[0012]所述用户和商品的交互数据为用户对商品的偏好数据。
[0013]优选地，所述异构图包括四类节点及三类关系；
[0014]其中四类节点包括用户、物品、用户类别及物品类别；
[0015]三类关系包括用户类别与用户的归属关系、用户与物品的交互关系、物品类别与物品的归属关系。
[0016]优选地，所述步骤S2的过程为：
[0017]S21、采用TransR方法对所述异构图进行图表示学习，输出图表示学习结果；
[0018]S22、将通过TransR方法得到的图表示学习结果输入到图神经网络模型中进行特
征提取，获得用户节点向量、物品节点向量及用户类别节点向量。
[0019]优选地，所述步骤S3的过程为：
[0020]S31、将所述用户节点向量进行拼接，得到用户最终表示向量，将所述物品节点向量进行拼接，得到物品最终表示向量；
[0021]S32、计算所述用户最终表示向量和物品最终表示向量之间的相似度，根据所述相似度结果得到用户推荐的膳食。
[0022]优选地，所述步骤S32中，当所述相似度结果趋近于1时，则对物品进行推荐，进而得到用户推荐的膳食。
[0023]优选地，将所述步骤S2中得到的所述用户节点向量和所述用户类别节点向量输入到所述推荐任务模块中，对用户的健康状态进行判断。
[0024]优选地，对所述用户健康状态进行判断的过程为：
[0025]将所述用户节点向量进行拼接，得到用户最终表示向量，将所述用户类别向量进行拼接，得到用户类别最终表示向量；计算所述用户最终表示向量及所述用户类别最终表示向量的相似度；对所述相似度进行归一化处理，得到判断结果，根据所述判断结果得到用户的健康状态。
[0026]优选地，当所述判断结果趋近于1时，则所述用户健康状态趋于稳定。
[0027]本专利技术公开了以下技术效果：
[0028](1)本专利技术通过将用户及物品的属性信息引入到用户
‑
商品二部图中，构建异构图改善推荐系统的推理能力，并采用多任务学习框架，提升推荐模型的性能，并能够解决数据稀疏性和冷启动问题，能够为用户推荐合适的膳食，同时能够预测其可能出现的健康问题；
[0029](2)本专利技术构建的推荐模型为多任务模型，包括推荐任务(RS)与图表示学习任务(KGE)两个模块，两个模块交替进行训练，模块之间采用GNN(图神经网络)模型进行特征提取与信息传输，将异构图中的语义和结构信息准确的应用到推荐任务中，提高推荐的准确率。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术基于异构图的食品膳食推荐方法流程示意图；
[0032]图2为本专利技术实施例食品膳食推荐流程示意图；
[0033]图3为本专利技术构建的异构图结构示意图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0035]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0036]如图1所示，本专利技术提供一种基于异构图的食品膳食推荐方法，包括以下步骤：
[0037]步骤S1、收集用户数据、商品数据及用户和商品的交互数据，并构造数据集，根据数据集构建异构图。
[0038]传统的推荐算法都是基于用户
‑
物品数据，可以构造成用户
‑
物品二部图，该图的边为二者的交互信息，即根据用户与物品的交互来预测用户偏好。
[0039]为缓解数据稀疏性和冷启动问题，常用的方法是增加附加信息，而附加信息常常不能被传统推荐算法有效利用，如基于协同过滤的算法、交叉特征的算法(FM、NFM、Wide&Deep)等。本实施例将用户
‑
物品的属性信息作为附加信息引入到推荐系统中，和用户
‑
物品(二部图)数据整合在一起构造异构图，给用户提供准确、多样和可解释的推荐。
[0040]本实施例中在采集数据时，收集电商网站、评论网站等场景下带有用户间社交关系、用户—商品之间的交互历史数据、商品类别信息的数据集，同时搜集用户相应的类别信息及物品类别信息。
[0041]如图2所示，本实施例在用户
‑
物品二部图的基础上，增加了两类节点，构成4类节点3类关系的异构图。4类节点分别为用户、物品、用户类别、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构图的食品膳食推荐方法，其特征在于，包括以下步骤：S1、收集用户数据、商品数据及用户和商品的交互数据，并构造数据集，根据所述数据集构建异构图；S2、构建图表示学习任务模块，将所述异构图输入到所述图表示学习任务模块中进行训练，得到用户节点向量、用户类别节点向量和物品节点向量；S3、构建推荐任务模块，将所述用户节点向量和所述物品节点向量输入到所述推荐任务模块，得到用户推荐的膳食。2.根据权利要求1所述的基于异构图的食品膳食推荐方法，其特征在于，所述用户数据包括用户信息及用户类别信息；所述商品数据包括商品信息及商品类别信息；所述用户和商品的交互数据为用户对商品的偏好数据。3.根据权利要求1所述的基于异构图的食品膳食推荐方法，其特征在于，所述异构图包括四类节点及三类关系；其中四类节点包括用户、物品、用户类别及物品类别；三类关系包括用户类别与用户的归属关系、用户与物品的交互关系、物品类别与物品的归属关系。4.根据权利要求2所述的基于异构图的食品膳食推荐方法，其特征在于，所述步骤S2的过程为：S21、采用TransR方法对所述异构图进行图表示学习，输出图表示学习结果；S22、将通过TransR方法得到的图表示学习结果输入到图神经网络模型中进行特征提取，获得用户节点向量、物品节点向量及用户类别节点向量。5...

【专利技术属性】
技术研发人员：马大燕，
申请(专利权)人：国家食品安全风险评估中心，
类型：发明
国别省市：