一种菜谱推荐名单的生成方法及相关装置制造方法及图纸

本申请提供一种菜谱推荐名单的生成方法及相关装置，本申请实施例通过获取存储设备中已存储食材的食材数据后，基于深度Q值网络，从食材数据中确定出预设菜谱集合内各菜谱的推荐值。该推荐值表征用户对该菜谱的满意度，推荐值是深度Q值网络从菜谱的食材数据中确定菜谱的动作值和优势值后，根据动作值和优势值确定的。由此能够加速神经网络的收敛，快速确定菜谱的推荐值。进一步的，本申请根据各菜谱的推荐值确定目标菜谱和目标菜谱的推荐次数。目标菜谱表征采用已存储食材能够完成烹饪的菜谱。根据目标菜谱的推荐次数生成菜谱推荐名单。通过上述流程得到的菜谱推荐名单中每一目标菜谱均能通过已存储食材完成烹饪，提高食材的利用率。的利用率。的利用率。

【技术实现步骤摘要】
一种菜谱推荐名单的生成方法及相关装置


[0001]本申请涉及信息处理与智能推荐
，特别涉及一种菜谱推荐名单的生成方法及相关装置。

技术介绍

[0002]随着互联网技术的迅猛发展，很多基于互联网的营销平台能够提供各种网络服务以方便用户的日常生活。例如，美食类平台能够基于互联网推荐给用户各种烹饪菜谱。用户可通过互联网在各美食类平台的营销号或应用程序中查看菜谱推荐。
[0003]相关技术中，菜谱推荐系统在进行菜谱推荐时，通常是根据菜谱的受欢迎程度，向用户推荐受欢迎率较高的菜谱。然而对于用户而言，每个人的口味喜好并不相同，且冰箱内也未必储存了推荐菜谱所需的食材。由此可见，传统的菜谱推荐方式对冰箱内储存的食材利用率较低。

技术实现思路

[0004]本申请提供一种菜谱推荐名单的生成方法及相关装置，用以提高食材的利用率。
[0005]第一方面，本申请实施例提供了一种菜谱推荐名单的生成方法，所述方法包括：
[0006]获取存储设备中已存储食材的食材数据；
[0007]基于深度Q值网络，根据所述食材数据确定预设菜谱集合中各菜谱的推荐值；其中，所述深度值网络包括多个用于确定菜谱推荐值的推荐子网络，所述推荐值是基于所述菜谱的动作值和优势值确定的；
[0008]根据所述各菜谱的推荐值确定目标菜谱，并基于所述目标菜谱的推荐次数生成菜谱推荐名单。
[0009]本申请实施例在获取存储设备中已存储食材的食材数据后，基于深度Q值网络，从食材数据中确定出预设菜谱集合内各菜谱的推荐值。该推荐值表征用户对该菜谱的满意度，推荐值是深度Q值网络从菜谱的食材数据中确定菜谱的动作值和优势值后，根据动作值和优势值确定的。由此能够加速神经网络的收敛，快速确定菜谱的推荐值。进一步的，本申请根据各菜谱的推荐值确定目标菜谱和目标菜谱的推荐次数。目标菜谱表征采用已存储食材能够完成烹饪的菜谱。根据目标菜谱的推荐次数生成菜谱推荐名单。通过上述流程得到的菜谱推荐名单中每一目标菜谱均能通过已存储食材完成烹饪，提高食材的利用率。
[0010]在一些可能的实施例中，所述根据所述各菜谱的推荐值确定目标菜谱，包括：
[0011]基于食材数据和预存食材的特征向量构建特征矩阵；其中，所述预存食材包括所述已存储食材；
[0012]基于所述特征矩阵，通过每一所述推荐子网络确定所述预设菜谱集合中每一菜谱的推荐值；
[0013]将每一所述推荐子网络确定的推荐值中最大值对应的菜谱作为所述目标菜谱。
[0014]本申请实施例通过食材数据和预设食材的特征向量构建出表征已存储食材特征
的特征矩阵，通过将该特征矩阵分别输入各推荐子网络，得到推荐值最大的目标菜谱。由此能够保证所得目标菜谱是通过已存储食材即可完成烹饪的，并且用户对该目标菜谱的期望最高。
[0015]在一些可能的实施例中，所述推荐子网络包括卷积层和全连接层，所述目标菜谱的动作值和优势值是通过以下方式确定的：
[0016]针对每一所述推荐子网络，基于所述特征矩阵，通过所述卷积层确定所述特征矩阵对应的目标向量；
[0017]基于所述目标向量，通过所述全连接层确定预设菜谱集合中各菜谱对应的动作值和优势值；其中，所述预设菜谱集合包括所述目标菜谱。
[0018]本申请实施例中，推荐子网络的全连接层能够基于卷积层输出的目标向量，分别提取出菜谱的动作值和优势值。由此，加速神经网络模型的收敛。
[0019]在一些可能的实施例中，所述各菜谱的推荐值是通过下列方式确定的：
[0020]针对每一菜谱，将所述动作值和所述优势值之和作为所述菜谱的推荐值。
[0021]本申请实施例中菜谱推荐值表征用户对该菜谱的满意度，动作值表征用户对已存储食材对应全部菜谱的平均期望，优势值表征推荐该菜谱相比于其他菜谱所高出的期望。由此可知，优势值为推荐值与动作值之差，故而将各菜谱的动作值和优势值之和作为该菜谱的推荐值，能够得到准确的推荐值。
[0022]在一些可能的实施例中，所述根据所述菜谱的推荐值确定目标菜谱，包括：
[0023]基于所述各菜谱的推荐值，采用玻尔兹曼分布确定所述各菜谱的推荐概率；
[0024]基于所述推荐概率确定所述目标菜谱。
[0025]本申请实施例中，采用玻尔兹曼分布确定各菜谱被推荐的概率，并根据各菜谱的推荐概率选取出目标菜谱，由此降低贪心算法中出现的次优动作和最差动作被等概率选中的情况，提高菜谱推荐的合理性。
[0026]在一些可能的实施例中，所述基于所述目标菜谱的推荐次数生成菜谱推荐名单，包括：
[0027]统计各所述推荐子网络输出的目标菜谱，将每一目标菜谱的输出次数作为所述推荐次数；
[0028]根据所述推荐次数满足预设要求的目标菜谱生成所述菜谱推荐名单。
[0029]本申请实施例中，各推荐子网络的网络参数均不相同，故而向各推荐子网络输入相同的特征矩阵所得到的目标菜谱并不会完全相同。而每一目标菜谱被输出的次数即为被推荐子网络认为推荐值最高的次数，即推荐次数。基于推荐次数对各推荐子网络输出的目标菜谱进行筛选所得到的菜谱推荐名单能够尽可能保证名单上各目标菜谱是用户满意度最高的。
[0030]在一些可能的实施例中，所述根据所述推荐次数满足预设要求的目标菜谱生成所述菜谱推荐名单，包括：
[0031]将所述推荐次数大于推荐阈值的所述目标菜谱作为待推荐菜谱，并根据各所述待推荐菜谱的推荐次数由多到少的顺序生成所述菜谱推荐名单；或，
[0032]将各所述目标菜谱以推荐次数由多到少的顺序进行排序，从所述排序中选取前n个目标菜谱；
[0033]根据所述前n个目标菜谱生成所述菜谱推荐名单；其中，所述n为正整数。
[0034]本申请实施例中，通过设定推荐阈值对推荐次数进行筛选，可将推荐子网络输出的异常值(即，推荐次数较小的目标菜谱)剔除，由此，提高用户对菜谱推荐名单中各目标菜谱的满意程度。此外，还可设置菜谱推荐名单中的菜谱数量，由各目标菜谱推荐次数由多到少进行推荐可以提高将各菜谱的动作值和优势值之和作为该菜谱的推荐值。
[0035]第二方面，本申请实施例提供了一种存储设备，包括：显示器、存储器和控制器，其中：
[0036]所述显示器，用于显示信息；
[0037]所述存储器，用于存储可被所述控制器执行的计算机程序；
[0038]所述控制器，分别连接所述显示器和所述存储器，被配置为：
[0039]获取已存储食材的食材数据；
[0040]基于深度Q值网络，根据所述食材数据确定预设菜谱集合中各菜谱的推荐值；其中，所述深度值网络包括多个用于确定菜谱推荐值的推荐子网络，所述推荐值是基于所述菜谱的动作值和优势值确定的；
[0041]根据所述各菜谱的推荐值确定目标菜谱，并基于所述目标菜谱的推荐次数生成菜谱推荐名单。
[0042]在一些可能的实施例中，执行所述根据所述各菜谱的推荐值确定目标菜谱，所述控制器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种菜谱推荐名单的生成方法，其特征在于，所述方法包括：获取存储设备中已存储食材的食材数据；基于深度Q值网络，根据所述食材数据确定预设菜谱集合中各菜谱的推荐值；其中，所述深度值网络包括多个用于确定菜谱推荐值的推荐子网络，所述推荐值是基于所述菜谱的动作值和优势值确定的；根据所述各菜谱的推荐值确定目标菜谱，并基于所述目标菜谱的推荐次数生成菜谱推荐名单。2.根据权利要求1所述的方法，其特征在于，所述根据所述各菜谱的推荐值确定目标菜谱，包括：基于食材数据和预存食材的特征向量构建特征矩阵；其中，所述预存食材包括所述已存储食材；基于所述特征矩阵，通过每一所述推荐子网络确定所述预设菜谱集合中每一菜谱的推荐值；将每一所述推荐子网络确定的推荐值中最大值对应的菜谱作为所述目标菜谱。3.根据权利要求2所述的方法，其特征在于，所述推荐子网络包括卷积层和全连接层，所述目标菜谱的动作值和优势值是通过以下方式确定的：针对每一所述推荐子网络，基于所述特征矩阵，通过所述卷积层确定所述特征矩阵对应的目标向量；基于所述目标向量，通过所述全连接层确定预设菜谱集合中各菜谱对应的动作值和优势值；其中，所述预设菜谱集合包括所述目标菜谱。4.根据权利要求1～3中任一所述的方法，其特征在于，所述各菜谱的推荐值是通过下列方式确定的：针对每一菜谱，将所述动作值和所述优势值之和作为所述菜谱的推荐值。5.根据权利要求4所述的方法，其特征在于，所述根据所述各菜谱的推荐值确定目标菜谱，包括：基于所述各菜谱的推荐值，采用玻尔兹曼分布确定所述各菜谱的推荐概率；基于所述推荐概率确定所述目标菜谱。6.根据权利要求1所述的方法，其特征在于，所述基于所述目标菜谱的推荐次数生成菜谱推荐名单，包括：统计各所述推荐子网络输出的目标菜谱，将每一目标菜谱的输出次数作为所述推荐次数；根据所述推荐...

【专利技术属性】
技术研发人员：王艺深，李正义，赵启东，曲磊，高雪松，
申请(专利权)人：海信集团控股股份有限公司，
类型：发明
国别省市：