饮食信息的推荐方法技术

本发明专利技术涉及一种饮食信息的推荐方法，包括：获取家庭饮食的期望价格信息；获取家庭成员个体的生理信息，并基于生理信息，获取每个成员个体所需的营养信息；获取每个成员个体的口味偏好信息及应季的食材信息，产生推荐饮食清单，推荐饮食清单对应的营养信息与每个成员个体所需的营养信息匹配，推荐饮食清单对应的价格信息与期望价格信息匹配；推荐饮食清单根据价格降序排列或升序排列以供每个成员个体选择。通过获取家庭饮食的期望价格信息、家庭成员个体所需的营养信息、口味偏好信息及应季的食材信息，并结合期望价格信息、营养信息、口味偏好信息及食材信息产生推荐符合要求的饮食清单供成员个体选择，达到多角度且灵活推荐的效果。

【技术实现步骤摘要】
饮食信息的推荐方法
本专利技术涉及一种饮食信息的推荐方法。
技术介绍
在我国经济迅猛发展的当代，人民的生活水平不断得到大幅度地改善，与此同时对于自己的饮食需求也随之提高，越来越注重每天的膳食搭配以及食品安全。探索对现代人类健康有正面影响的生活行为方式已经成为公共卫生领域的研究热点之一。近年来，快节奏的生活方式导致了快餐、外卖行业如雨后春笋般迅速崛起，由饮食诱发的健康问题日益显著。因此，只有注重饮食的合理性和健康性，才能避免这类问题，从而提高人的寿命和生活质量。以家庭为例，某天家人询问你“今天想吃什么菜”的时候，多数人的回答都是“随便”，这是因为你无法给出一个确定答案，此现象也从侧面反映出了人们本身对于菜品选择的单一甚至不健康。如果能够采集到每个家庭成员的饮食习惯，根据食物之间的相似性(基于物品的协同过滤)、所含营养素推荐符合口味且营养的菜品，就可以直接或间接解决饮食问题。协同过滤算法(CollaborativeFiltering，CF)作为一种推广能力较好的推荐算法，已被广泛应用到饮食推荐系统中。但是存在的饮食推荐系统并不能做到家庭各个成员的口味及其所需营养两者兼得，所以无法根据不同规则进行混合推荐。
技术实现思路
本专利技术的目的在于提供一种能够综合家庭各个成员的口味及其所需营养、并且符合价格期待的饮食信息的推荐方法。为达到上述目的，本专利技术提供如下技术方案：一种饮食信息的推荐方法，所述方法包括：获取家庭饮食的期望价格信息；获取家庭成员个体的生理信息，并基于所述生理信息，获取每个所述成员个体所需的营养信息；获取每个所述成员个体的口味偏好信息及应季的食材信息，产生推荐饮食清单，所述推荐饮食清单对应的营养信息与每个所述成员个体所需的营养信息匹配，所述推荐饮食清单对应的价格信息与所述期望价格信息匹配；所述推荐饮食清单根据价格降序排列或升序排列以供每个所述成员个体选择。进一步地，所述方法的算法表达式定义为：Sf(ME)＝α*Sf(NE)+β*Sf(IE)+(1-α-β)×Sf(SE)，其中：Sf(ME)∈Sf(PE)α和β为0～1的权重系数，f(ME)是推荐饮食清单的计算方法，f(NE)为营养信息的计算方法、f(IE)为口味偏好信息的计算方法、f(SE)为应季的食材信息的计算方法、f(PE)为期望价格信息的计算方法。进一步地，所述方法还包括：获取每个所述成员个体对所选择的饮食清单的评分信息，并基于所述评分信息获得成员个体之间评分信息的相似度。进一步地，所述基于所述评分信息获得成员个体之间评分信息的相似度具体为：获取所述评分信息后建立评分矩阵，并通过Pearson相关系数度量出所述成员个体之间评分信息的相似度，通过协同过滤算法以产生邻居列表，根据所述邻居列表找出所述评分信息的最近邻居并根据所述最近邻居进行评分预测，根据预测的评分产生推荐列表。进一步地，所述评分信息的相似度通过Pearson相关系数度量，所述Pearson相关系数的数学公式表达为：其中，Tuv代表成员个体u和成员个体v具有评分信息且为两者共同评分饮食的集合；Ru,t和Rv,t表示成员个体u和成员个体v对于饮食t的评分信息；和表示成员个体u和成员个体v当前各自评分饮食的评分均值。进一步地，所述方法还包括：获取每个所述成员个体所需的营养信息后，构建营养信息优化的多目标函数；根据每个所述成员个体的营养信息，确定所述营养信息优化的多目标函数的约束条件，构建营养搭配数学模型，所述数学模型为：minf(x)＝(f1(x),f2(x),..fp,(x))Tx代表决策变量，f(x)为目标函数，minf(x)表示f(x)向量中各目标函数的极小化；其中，所述数学模型的不等式约束条件为gi≤0，i＝1,2,…,m，等式约束条件为Hj(x)＝0,j＝1,2,…,k，决策变量为x＝(x1,x2,…,xn)∈X；根据所述数学模型得到由Pareto最优解组成的集合。进一步地，所述Pareto最优解定义为：假设若不存在x∈X，使得成立，则称为多目标函数的Pareto最优解。进一步地，所述生理信息包括所述目标用户的姓名信息、体重信息、性别信息及年龄信息。进一步地，所述应季的食材信息包括应季的食材种类信息及食材价格信息。本专利技术的有益效果在于：通过获取家庭饮食的期望价格信息、家庭成员个体所需的营养信息、口味偏好信息及应季的食材信息，并结合期望价格信息、营养信息、口味偏好信息及食材信息产生推荐符合要求的饮食清单供成员个体选择，达到多角度且灵活推荐的效果。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。附图说明图1为本专利技术的饮食信息的推荐方法的流程示意图。图2为协同过滤算法流程示意图。图3为本专利技术的饮食信息的推荐引擎的流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。请参见图1，本专利技术的一较佳实施例中的一种饮食信息的推荐方法，所述方法包括：获取家庭饮食的期望价格信息；获取家庭成员个体的生理信息，并基于所述生理信息，获取每个所述成员个体所需的营养信息；在本实施例中，所述生理信息包括所述目标用户的姓名信息、体重信息、性别信息、年龄信息及地域信息等其他信息。诚然，所述成员个体的生理信息在输入后也可在后期进行更改，后期更改后，根据更改后的生理信息重新获取成员个体所需的营养信息。在获取每个所述成员个体所需的营养信息后，构建营养信息优化的多目标函数；根据每个所述成员个体的营养信息，确定所述营养信息优化的多目标函数的约束条件，构建营养搭配数学模型，以推荐最佳的营养饮食的搭配组合。具体的，所述数学模型为：minf(x)＝(f1(x),f2(x),..fp,(x))Tx代表决策变量，f(x)为目标函数，minf(x)表示f(x)向量中各目标函数的极小化；其中，所述数学模型的不等式约束条件为gi≤0，i＝1,2,…,m，等式约束条件为Hj(x)＝0,j＝1,2,…,k，决策变量为x＝(x1,x2,…,xn)∈X；根据所述数学模型得到由Pareto最优解组成的集合。更为具体的，所述Pareto最优解定义为：假设若不存在x∈X，使得成立，则称为多目标函数的Pareto最优解。获取每个所述成员个体的口味偏好信息，所述成员个体的口味偏好信息在后期也可进行纠正，所述口味偏好信息以纠正后的为准。所述成员个体对所选择的推荐饮食清单进行评分，获取每个所述成员个体对所选择的饮食清单的评分信息，并基于所述评分信息获得成员个体之间评分信息的相似度。请参见图2，在获取所述成员个体的评分信息后建立评分矩阵，并通过Pearson相关系数度量出所述成员个体之间评分信息的相似度，通过协同过滤算法以产生邻居列表，根据所述邻居列表找出所述评分信息的最近邻居并根据所述最近邻居进行评分预测，根据预测的评分产生推荐列表。所述评分信息的相似度通过Pearson相关系数度量，所述Pearson相关系数的数学公式表达为：其中，Tuv代表成员个体u和成员个体v具有评分信息且为两者共同评分饮食的集合；Ru,t和Rv,t表示成员个体u和成员个体v对于饮食t的评分信息；和表示成员本文档来自技高网...

【技术保护点】
1.一种饮食信息的推荐方法，其特征在于，包括：获取家庭饮食的期望价格信息；获取家庭成员个体的生理信息，并基于所述生理信息，获取每个所述成员个体所需的营养信息；获取每个所述成员个体的口味偏好信息及应季的食材信息，产生推荐饮食清单，所述推荐饮食清单对应的营养信息与每个所述成员个体所需的营养信息匹配，所述推荐饮食清单对应的价格信息与所述期望价格信息匹配；所述推荐饮食清单根据价格降序排列或升序排列以供每个所述成员个体选择。

【技术特征摘要】
1.一种饮食信息的推荐方法，其特征在于，包括：获取家庭饮食的期望价格信息；获取家庭成员个体的生理信息，并基于所述生理信息，获取每个所述成员个体所需的营养信息；获取每个所述成员个体的口味偏好信息及应季的食材信息，产生推荐饮食清单，所述推荐饮食清单对应的营养信息与每个所述成员个体所需的营养信息匹配，所述推荐饮食清单对应的价格信息与所述期望价格信息匹配；所述推荐饮食清单根据价格降序排列或升序排列以供每个所述成员个体选择。2.如权利要求1所述的方法，其特征在于，所述方法的算法表达式定义为：Sf(ME)＝α*Sf(NE)+β*Sf(IE)+(1-α-β)×Sf(SE)，其中：Sf(ME)∈Sf(PE)α和β为0～1的权重系数，f(ME)是推荐饮食清单的计算方法，f(NE)为营养信息的计算方法、f(IE)为口味偏好信息的计算方法、f(SE)为应季的食材信息的计算方法、f(PE)为期望价格信息的计算方法。3.如权利要求1所述的方法，其特征在于，所述方法还包括：获取每个所述成员个体对所选择的饮食清单的评分信息，并基于所述评分信息获得成员个体之间评分信息的相似度。4.如权利要求3所述的方法，其特征在于，所述基于所述评分信息获得成员个体之间评分信息的相似度具体为：获取所述评分信息后建立评分矩阵，并通过Pearson相关系数度量出所述成员个体之间评分信息的相似度，通过协同过滤算法以产生邻居列表，根据所述邻居列表找出所述评分信息的最近邻居并根据所述最近邻居进行评分预测，根据预测的评分产生推...

【专利技术属性】
技术研发人员：徐亦楠，胡沁涵，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32