【技术实现步骤摘要】
基于机器学习的个性化营养指导方法及系统
[0001]本专利技术涉及机器学习技术，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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]本专利技术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。
[0005]本专利技术实施例的第一方面，
[00...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：李利明，贺志晶，石磊，
申请(专利权)人：北京四海汇智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。