تقدم هذه الدراسة نظام تقديم الطعام في المطاعم قائم على الذكاء الاصطناعي والذي يسمح بالاتصال بدون تلامس واقتراحات وجبات مخصصة والتنبؤ بالرضا. من خلال استخدام البرمجة اللغوية العصبية مع LDA و Conv-RNN و Conv-LSTM ، فإنها تتفوق على التقنيات القائمة على القواعد بمزيد من الدقة والدقة والاستدعاء وتقليل معدلات الخطأ ، مما يدل على إمكانات الذكاء الاصطناعي الثورية في صناعة الخدمات الغذائية.
Research Article
المتطلبات الوظيفية ونمذجة النظام الموجهة للكائنات لتصميم أنظمة التموين الذكية التي تعتمد على الذكاء الاصطناعي
Opens in a new tab
In This Article
Summary
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Abstract
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
شهدت صناعة الأغذية تحولا كبيرا في العقود الأخيرة بسبب العولمة والتقدم التكنولوجي وتوقعات العملاء المتطورة. يلعب الذكاء الاصطناعي (الذكاء الاصطناعي) وإنترنت الأشياء (IoT) الآن دورا مهما في تعزيز إنتاج الغذاء وتسويقه وتقديم الخدمات. تقترح هذه الدراسة نظاما ذكيا مدفوعا بالذكاء الذكاء الاصطناعي لتحسين خدمات تقديم الطعام في المطاعم من خلال الخدمة اللاتلامسية باستخدام معالجة اللغة الطبيعية (NLP) وتحليل التمييز الخطي (LDA) ، وتوصيات الطعام الشخصية من خلال نموذج الشبكة العصبية المتكررة التلافيفية (Conv-RNN) ، والتنبؤ برضا العملاء باستخدام نموذج الذاكرة التلافيفية طويلة المدى القصيرة (Conv-LSTM). تظهر تجارب العالم الحقيقي أن النظام المقترح يتفوق على الأساليب التقليدية القائمة على القواعد ، حيث يحقق دقة 91.5٪ ، ودقة 91٪ ، واستدعاء 91.1٪ ، ودرجة F1 بنسبة 89.7٪ مع Word2Vec-LDA. دقة 98.5٪ مع خسارة 0.02 في نموذج Conv-RNN ؛ و RMSE من 0.1011 مع R2 من 0.9812 في نظام Conv-LSTM. تسلط هذه النتائج الضوء على الإمكانات التحويلية الذكاء الاصطناعي في أتمتة وتعزيز خدمة العملاء في صناعة المطاعم.
Introduction
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
كان اعتماد الذكاء الاصطناعي جزءا مهما من نمو التكنولوجيا الرقمية على مدار العقد الماضي. لقد أعطت العديد من الصناعات ، بما في ذلك قطاع الضيافة ، إمكانيات وتحديات منذ بدايتها1 ، وتم تطوير العديد من الاختراعات التي تعمل بالذكاء الذكاء الاصطناعي والتي لديها القدرة على تحسين نوعية حياة الناس وبالتالي تعزيز الاقتصاد. في صناعة المطاعم التنافسية للغاية ، يعد الحفاظ على طعام من الدرجة الأولى وخدمة العملاء أمرا ضروريا للنجاح. مع تقدم التكنولوجيا وتغير تجارب تناول الطعام ، أصبح الذكاء الاصطناعي أداة لتغيير قواعد اللعبة لزيادة الفعالية التشغيلية ورضا العملاء. تعمل أنظمة المراقبة التي تعمل بالذكاء الذكاء الاصطناعي على تحويل عمليات المطاعم2 لإدارة مطابخهم بشكل أفضل ، ومراقبة جودة الطعام ، وتقديم خدمة عملاء من الدرجة الأولى. من خلال استخدام الخوارزميات المتقدمة وتحليلات البيانات في الوقت الفعلي ، تعمل هذه التقنيات على تبسيط العمليات وتضمن الاتساق والسلامة والتميز في كل جانب من جوانب تجربة تناول الطعام. أصبح من الممكن الآن للمطاعم تحقيق درجة أعلى من الدقة لإجراءات التشغيل العادية2.
يعد النجاح المالي العام ، والقدرة على التكيف مع الظروف المتغيرة ، والقدرة على توسيع عروضها وتغييرها لتلبية احتياجات العملاء وتوقعاتهم كلها عوامل في صناعة السياحة والضيافة ، وهذه العوامل تحدد في كثير من الأحيان ما إذا كانت الشركة ستبقى على قيد الحياة3. لذلك ، يستخدم قطاع السياحة والضيافة تقنيات متقدمة مثل الذكاء الاصطناعي والروبوتات (AIR) لتعزيز خدمة العملاء وتجربتهم. يتم استخدام هذه التطورات التكنولوجية كأدوات ذكية لخدمة العملاء من أجل تحسين تجربة العميل4. علاوة على ذلك ، يمكن تعزيز أداء الشركة من خلال التقدم السريع الذكاء الاصطناعي في إدارة الضيافة. مثال على صناعة كثيفة البيانات تجمع كميات هائلة من البيانات بتنسيقات مختلفة هو قطاع الفنادق.
تعد أوجه القصور في الإدارة التشغيلية ، وتوقعات المستهلكين المتزايدة للخدمات الفردية ، والنقص المتزايد في العمالة ، ومتطلبات توقعات الطلب الدقيقة بعض المشكلات المستمرة التي تواجه صناعة الضيافة. غالبا ما تفشل الأساليب التقليدية في التعامل مع هذه المشكلات بشكل كاف ، مما يزيد من نفقات التشغيل ويؤدي إلى جودة خدمة غير متكافئة. من خلال أتمتة العمليات الشاقة ، وتسهيل اتخاذ القرارات المستندة إلى البيانات ، وتعزيز التنبؤ بالطلب ، وتحسين التسعير وإدارة المخزون ، وتعزيز تخصيص المستهلك ، يوفر الذكاء الاصطناعي (الذكاء الاصطناعي) الحلول. أصبح الذكاء الاصطناعي أكثر فأكثر كأداة لتغيير قواعد اللعبة لتعزيز الفعالية التشغيلية لقطاع الضيافة وتجربة الضيوف من خلال سد هذه الفجوات.
من خلال استعادة الفعالية التشغيلية والتعرف على أحداث العملاء ، يعمل الذكاء الاصطناعي على تحويل تاريخ خدمة العملاء في صناعة المطاعم2. تعد مهارات الذكاء الاصطناعي مثل التعلم الآلي والتحليلات الاستقرائية ضرورية لتبسيط الإجراءات مثل إنشاء الطلب وإدارة المخزون. اتساق الخدمة الأفضل وتكاليف التشغيل المنخفضة هي نتائج هذه التطورات5،6. بالإضافة إلى ذلك ، من خلال تقييم بيانات المستهلك لتقديم اقتراحات وارتفاعات مخصصة للقائمة ، يسهل الذكاء الاصطناعي التفاعلات الشخصية ويعزز ولاء العملاء وسعادتهم7. تلعب الأنظمة الذكية دورا رئيسيا في قطاع السفر والسياحة ، مما يزيد من المنافسة من خلال التركيز على التطور8. وتقوم الفنادق بتجربة أحدث التقنيات، بما في ذلك الاستراتيجيات الرقمية9 والروبوتات المعززة بالذكاء الذكاء الاصطناعي وإنترنت الأشياء (IoT). أصبحت الروبوتات المدعومة بالذكاء الذكاء الاصطناعي والتقنيات ذات الصلة أكثر فأكثرشيوعا10. من خلال الواجهات الرقمية ، يوفر المساعدون الصوتيون (VAs) ، وهي أجهزة ذكاء اصطناعي (الذكاء الاصطناعي) يتم تنشيطها بواسطة الأوامر الصوتية ، درجة من الذكاء الشبيه بالإنسان11. تواجه VAs صعوبات على الرغم من تقدمها ، مثل انخفاض وعي المستخدم ، والانزعاج ، والمعارضة العرضية من كل من موظفي الفندق والزوار12.
تنمو عمليات التوصيل والوجبات السريعة في صناعة المطاعم مع تغير ديناميكيات المجتمع واختيار المزيد من الأمريكيين خيارات مريحة وموفرة للوقت13. يقدم ما يقرب من 60٪ من المستهلكين في الولايات المتحدة طلبا للتوصيل أو تناول الطعام في الخارج مرة واحدة على الأقل في الأسبوع ، ويستخدم 78٪ من المستهلكين بنشاط منصات طلب الطعام عبر الإنترنت14. يتم تعزيز هذا الاتجاه بشكل أكبر من خلال البيانات التي تفيد بأن سوق توصيل الطعام عبر الإنترنت وصل إلى 220 مليار دولار مربكة بحلول نهاية عام 2023 ، وهو ما يمثل 40٪ من مبيعات المطاعم ، وأن السوق سيصل إلى 365 مليار دولار بحلول نهاية عام 203015. ومن المتوقع أن يرتفع إلى أكثر من 534.60 مليار دولار أمريكي بحلول عام 2028. مع معدل نمو سنوي مركب متوقع يبلغ حوالي 9.5٪ حتى عام 2034 ، بلغت قيمة السوق العالمية حوالي 288.87 مليار دولار أمريكي في عام 2024 ومن المتوقع أن تصل إلى 316.31 مليار دولار أمريكي بحلول نهاية عام 2025. علاوة على ذلك ، زاد عدد الطلبات المباشرة عبر الإنترنت بنسبة مذهلة تبلغ 54٪ بين عامي 2019 و 2021 ، مما يشير إلى أن العملاء يختارون بشكل متزايد الطلب الرقمي على خيارات تناول الطعام التقليدية. الأهمية المتزايدة للتنقيب عن النصوص واتخاذ القرارات المستندة إلى البيانات في إدارة الخدمات ، وإلقاء الضوء على مجالات الإدارة الجديدة والموضوعات المهمة مثل ذكاء السوق وتحليل وسائل التواصل الاجتماعي16. يقدم هذا البحث حجة مقنعة للمطاعم لاستخدام روبوتات الدردشة لتطوير الفعالية التشغيلية ومشاركة العملاء. علاوة على ذلك ، يسلط البحث الذي أجراه Proenca و Soukiazis17 الضوء على إمكانية الأساليب القائمة على البيانات في مبادرات التسويق وإدارة علاقات العملاء ، مما يوفر معلومات ثاقبة حول كيفية استخدام روبوتات الدردشة لتعظيم تفاعلات العملاء وتحفيز توسع الشركة.
من أجل زيادة الكفاءة واختيار خدمة فردية تركز على العملاء ، تقوم صناعة المطاعم بتنفيذ الروبوتات والذكاء الاصطناعي وأتمتة الخدمة (RAISA)18. استخدام RAISA في المطاعم له عدد من الآثار التي يجب تقييمها ، تماما مثل أي تغيير تكنولوجي آخر19. من خلال تقليل الأخطاء وتحسين جودة الخدمة الإجمالية ، يمكن ل RAISA تقديم خدمة موحدة يمكن الاعتمادعليها 20. بالإضافة إلى ذلك ، يمكن أن يوفر للعملاء تجربة تفاعلية مميزة. وفقا ل Kreishan18 ، أصبحت روبوتات الخدمة الآن أكثر تعقيدا واستقلالية وقابلية للتكيف. ولكن يمكن أن يكون لها أيضا تأثير على الأجواء العامة للمطعم بالإضافة إلى التفاعلات الاجتماعية بين المستفيدين والموظفين والروبوتات. من الأهمية بمكان تقييم الجوانب التي تؤثر على قبول التكنولوجيا لأن المديرين والموظفين والمستهلكين لديهم تصورات مختلفة لهذه العناصر ، واستعدادهم للتفاعل مع RAISAيتغير.
تم تسليط الضوء على القدرات اللغوية المهمة لنماذج Omni من خلال تحسين دقة تصنيف المشاعر في تحليل مراجعة الفنادق ، والتي وصلت إلى أكثر من 67٪ مقارنة ب 60.6٪ ل BERT22. في الوقت نفسه ، تستخدم أنظمة التوصية تدريجيا نماذج اللغات الكبيرة (LLMs) لتحسين التخصيص من خلال إدارة ملفات التعريف وتحليل مراجعات المستخدمين. بينما تدمج الأنظمة الهجينة مخرجات LLM مع تضمين الشبكة العصبية للرسم البياني لتحسين دقة التوصية في ظروف البيانات المتناثرة ، يستخدم إطار عمل PURE LLMs لتحديث ملفات تعريف المستخدم ديناميكيا بناء علىالمراجعات 23. وفي الوقت نفسه ، في المواقف القائمة على الجلسة ، تتفوق بنى التوصية على غرار المحولات ، مثل Transformers4Rec ، على طرازات RNNالتقليدية 24.
لا يزال هناك عدد من الجوانب غير المستكشفة أو غير المستكشفة من المطاعم الذكية ، على الرغم من التطورات السريعة في الذكاء الاصطناعي والأتمتة والتكنولوجيا الذكية. تشمل هذه التحديات إدارة كفاءة الطاقة وهدر الطعام من خلال الأنظمة التي تعتمد على الذكاء الاصطناعي ، وتوسيع نطاق التخصيص لمجموعة متنوعة من تفضيلات العملاء ، ودمج الذكاء الاصطناعي مع سير عمل المطبخ التقليدي ، وحماية خصوصية العملاء وأمنهم في تنميط العملاء ، وتنفيذ حلول تقديم الطعام الذكية للمطاعم الصغيرة والمتوسطة الحجم بتمويل محدود. لكي يتم اعتماد حلول تقديم الطعام الذكية على نطاق واسع ومستدام ، يجب سد هذه الفجوات. هذا يخلق فرصة لمزيد من الدراسة والاختراع. تشمل الثغرات البحثية المحتملة في أنظمة تقديم الطعام الذكية ما يلي:
على الرغم من أن أنظمة الذكاء الاصطناعي قادرة على تقديم توصيات الوجبات بناء على اختيارات المستخدم ، إلا أنها تكافح في كثير من الأحيان لفهم التفاصيل الدقيقة للمتطلبات الغذائية والتفضيلات الشخصيةتماما 25. لا تزال غالبية الحلول أساسية إلى حد ما وعرضة للأخطاء مثل التنبؤ بعدم التطابق. ومع ذلك ، تستخدم بعض أنظمة تقديم الطعام الذكية الذكاء الاصطناعي لإدارة المخزون أو تقدير الطلب. الكثير من أنظمة تقديم الطعام الذكية لديها طريقة واحدة فقط للواجهة ، مثل شاشات اللمس أو التعرف على الصوت26. لا تزال العديد من الأنظمة محدودة في قدرتها على فهم التفضيلات الفردية أو التنبؤ بها بشكل كامل ، حتى لو كان بإمكان وكلاء الذكاء الاصطناعي توفير مستوى معين من التخصيص بناء على تاريخ المستهلك أو تفضيلاته. كثيرا ما تستخدم روبوتات الذكاء الذكاء الاصطناعي المدخلات الأساسية مثل البيانات الديموغرافية أو الطلبات السابقة.
ركزت التطورات الحديثة في التعلم الآلي بشكل متزايد على نمذجة السلوك البشري والبيانات السياقية عبر مجالات متنوعة. في تقييمهم لمصادر البيانات والمنهجيات لملفات تعريف إشغال المباني الحضرية ، أكد نجادشامسي وآخرون على قيمة البيانات غير المتجانسة في التقاط الأنماط السلوكية الديناميكية. بناء على ذلك ، أظهر Nejadshamsi et al.28 مدى جودة التعلم العميق في التنبؤ بالتدفقات المكانية والزمانية للنشاط البشري من خلال طرح نموذج التنبؤ بتدفق التنقل الجغرافي الدلالي الواعي للسياق باستخدام الشبكات العصبية للرسم البياني. وبالمثل ، سلط Nejadshamsi et al.29 الضوء على أهمية الإشارات السياقية في تحسين الأداء التنبؤي من خلال إنشاء إطار مستنير بالنقل للإشغال على نطاق حضري وتقدير الطاقة.
أصبح تحسين تجربة العملاء وزيادة الكفاءة التشغيلية عناصر نجاح حاسمة في صناعة المطاعم سريعة التغير. لا تزال العديد من المطاعم تكافح من أجل تقديم خدمات سلسة وفردية وفعالة على الرغم من الاستخدام المتزايد للتكنولوجيا لأنها تفتقر إلى أنظمة ذكية متكاملة. غالبا ما يتم تجاهل القضايا الرئيسية ، بما في ذلك تعزيز الخدمة اللاتلامسية ، وتقديم توصيات وجبات فردية ، والتنبؤ بدقة بسعادة العملاء في الوقت الفعلي ، من قبل الأنظمةالحالية 25. من خلال إنشاء نظام تموين ذكي يستخدم أحدث التقنيات لتعزيز عمليات المطاعم ، يهدف هذا المشروع إلى سد هذه الفجوة. تم دمج ثلاثة عناصر أساسية في النظام:
الخدمة اللاتلامسية باستخدام تخصيص Dirichlet الكامن (LDA) ومعالجة اللغة الطبيعية (NLP): من خلال الاستفادة من LDA و NLP ، أصبحت تفاعلات العملاء الفعالة بدون تلامس ممكنة ، مما يقلل من أوقات الانتظار والخطأ البشري.
أنظمة التوصية المستندة إلى Conv-RNN للاقتراحات الغذائية: يعزز هذا رضا القائمة باستخدام الشبكة العصبية المتكررة التلافيفية (Conv-RNN) لإنتاج توصيات غذائية ديناميكية ومصممة خصيصا بناء على تفضيلات المستهلك.
التنبؤ برضا العملاء باستخدام نموذج Conv-LSTM المحسن: يمكن للمطاعم إجراء تحسينات تعتمد على البيانات باستخدام نموذج الذاكرة التلافيفية طويلة المدى الطويلة (Conv-LSTM) المحسن للتنبؤ بسعادة العملاء بناء على البيانات والتعليقات في الوقت الفعلي. بالإضافة إلى تقديم المشاركة اللاتلامسية وتجارب الأكل المخصصة بطريقة أكثر قابلية للتطوير وفعالية ، يسعى النظام الذكي المقترح إلى تحسين رضا العملاء وتبسيط العمليات وتحسين تقديم الخدمات.
نقارن هذا العمل بعدد من الطرق السابقة من أجل وضعه في السياق الحالي لأنظمة التوصية الغذائية التي تعتمد على الذكاء الاصطناعي. على سبيل المثال ، تم تطوير إطار عمل توصية محادثة متسلسلة قائم على المحولات يستخدم عمليات الاهتمام الذاتي لالتقاط ديناميكيات المناقشة بواسطة Zou et al.30. من أجل تسهيل الحوار ومهام التوصية المرئية ، طور Gambetti و Han31 AiGen-FoodReview ، وهي مجموعة بيانات متعددة الوسائط تتكون من نصوص وصور مراجعة مطاعم متطابقة. في السابق ، تم إنشاء MenuAI بواسطة Ju et al.32 ويستخدم نماذج المحولات لتقديم توصيات عناصر القائمة مباشرة من رسومات القائمة النصية. تتعرض قابلية التفسير والكفاءة الحسابية أحيانا للخطر بسبب هذه الأساليب ، على الرغم من مهاراتهم الممتازة في معالجة السياق أو المعلومات متعددة الوسائط. من ناحية أخرى ، يحقق نظام NLP-LDA + Conv-RNN + Conv-LSTM المتكامل الخاص بنا توازنا بين قابلية التفسير والنشر الخفيف ودقة التنبؤ العالية ، مما يجعله مناسبا بشكل خاص لحالات تقديم الطعام ذات الموارد المحدودة.
الهدف الرئيسي لهذه الدراسة هو دراسة كيف يمكن للتكنولوجيا المدعومة بالذكاء الذكاء الاصطناعي تحسين معايير الضيافة وتسريع عمليات المطاعم من خلال خدمات تقديم الطعام الذكية (ICS). يتم دمج تخصيص Dirichlet الكامن (LDA) والبرمجة اللغوية العصبية في الطريقة المقترحة للتعامل بكفاءة مع استفسارات العميل بدون تلامس. يتم استخدام Conv-RNN لإنتاج توصيات الوجبات من أجل توفير تجارب فردية ، ويتم استخدام نموذج Conv-LSTM المحسن للتنبؤ بمستويات رضا المستهلك. من خلال دمج هذه العناصر ، يظهر ICS الذي تم إنشاؤه استخداما عمليا في زيادة رضا العملاء بشكل عام ، وضمان الجودة ، وزيادة كفاءة الخدمة. باستخدام مقاييس الأداء على دقة توصية الطعام والتنبؤ بالرضا ، تتحقق النتائج التجريبية من فعالية النموذج.
يوفر نظام تقديم الطعام الذكي المقترح خدمة بدون تلامس لتقديم اقتراحات الطعام وتنبؤات رضا العملاء. يركز نظام تقديم الطعام الذكي بدون تلامس في الغالب على الأتمتة والراحة ، مما يتيح للعملاء التفاعل مع النظام بطريقة بدون لمس أثناء أداء مهام محددة مثل اقتراح الطعام والتنبؤ بالرضا. في حين أن وكيل الذكاء الاصطناعي يتجاوز الأتمتة باستخدام رؤى تعتمد على البيانات لاتخاذ قرارات أكثر دقة وتكيفا وتخصيصا ، وتعزيز تجربة العملاء وتحسين الكفاءة التشغيلية عبر مجموعة واسعة من الوظائف. الهدف من هذه الدراسة هو تطوير نظام تموين ذكي (ICS) قائم على الذكاء الاصطناعي يدمج NLP-LDA للتفاعلات اللاتلامسية ، و Conv-RNN لتوصيات الطعام الشخصية ، و Conv-LSTM للتنبؤ برضا العملاء. هذا النظام مفيد للمطاعم لأنه يعزز الكفاءة التشغيلية ، ويقلل التكاليف ، ويقدم خدمة متسقة ، ويحسن مشاركة العملاء من خلال التخصيص والتعليقات في الوقت الفعلي.
Access restricted. Please log in or start a trial to view this content.
Protocol
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
أجريت هذه الدراسة وفقا لإرشادات لجنة أخلاقيات البحث في جامعة ماليزيا الوطنية (UKM) وتمت الموافقة عليها بموجب رقم الموافقة UKM FST / 2025-الذكاء الاصطناعي / 023. تم الحصول على موافقة خطية مستنيرة من جميع المشاركين قبل جمع استفسارات chatbot. تم إخفاء هوية جميع البيانات لضمان سرية المشاركين وخصوصيتهم
نظرة عامة على الدراسة
يتم عرض نظرة عامة على نظام تقديم الطعام الذكي المقترح بمساعدة تقنيات الذكاء الاصطناعي في الشكل 1. كما هو موضح ، تتم معالجة مدخلات العميل مسبقا باستخدام تقنيات البرمجة اللغوية العصبية مثل تضمين الكلمات ، والليماتيا ، والترميز لاستخراج العلامات. بعد ذلك ، تم تطبيق نموذج ML المسمى LDA على نمذجة علامات العملاء لتوفير خدمة بدون تلامس لهم. يتم تنفيذ اقتراح الطعام باستخدام نموذج Conv-RNN. بناء على تسلسل التدفق المسجل من اختيارات العميل السابق ، يتم اقتراح الطعام للعميل بذكاء. أخيرا ، يتم التنبؤ بمستوى رضا العملاء باستخدام نموذج Conv-LSTM المحسن لمزيد من التحسين في خدمات المطعم. يتم تقييم أداء نماذج الذكاء الاصطناعي المقترحة بموجب مقاييس التقييم المختلفة.
الشكل 1: نموذج النظام المقترح لخدمات المطاعم الذكية (ICS). تدمج البنية تفاعل المستخدم والمعالجة المسبقة للبيانات واكتشاف النية والتوصية بالطعام وآليات التغذية الراجعة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.
مجموعة البيانات المستخدمة
لإنشاء نظام تقديم الطعام الذكي ، جمعنا 283 طلبا من مطعم قريب باستخدام روبوت المحادثة. تم تقسيم هذه الأسئلة ، التي تضمنت مجموعة متنوعة من استفسارات العملاء من تفاصيل القائمة إلى ساعات العمل ، يدويا إلى 15 مجموعة مختلفة من النية. هذا يضمن تغطية شاملة لجميع تفاعلات المستخدم المحتملة مع النظام. التحية ، والوداع ، والتقدير ، وتقديم الطعام ، وساعات العمل ، والإعداد ، ومعلومات الاتصال ، والأسئلة حول المدفوعات ، وقائمة اليوم ، وبدائل التسليم ، وأسئلة القائمة ، وعمليات الطلب ، والصفقات الخاصة ، والحجوزات ، وخيارات المشروبات ، وإمكانية الوصول للجلوس في الهواء الطلق ليست سوى عدد قليل من الجوانب المحددة لاستفسارات العملاء التي تم إجراء فئات النية لتسجيلها. يوضح الجدول 1 تواتر الأسئلة في كل مجموعة من مجموعات الأغراض والتصنيف وفقا للجوهر المواضيعي للاستفسارات. على سبيل المثال ، تحتوي فئة معلومات الاتصال على أعلى الاستفسارات ، مما يشير إلى أن المستفيدين مهتمون جدا بمعرفة كيفية الاتصال بالمطعم. من ناحية أخرى ، حصلت فئات المقاعد والمشروبات على أقل عدد من الاستفسارات ، مما قد يشير إلى أن هناك اهتماما أقل من المستهلكين بهذه الموضوعات أو أن هناك بالفعل المزيد من التوضيح بشأنها.
الخدمة اللاتلامسية باستخدام البرمجة اللغوية العصبية مع LDA
تتم معالجة إدخال المستخدم الذي يبدأ نشاط إطار العمل مسبقا في البداية لتوحيد النص والقضاء على الضوضاء. يعد الترميز وإزالة كلمة التوقف والتخلص من التعليمات أمثلة على هذا التحضير ، والذي يجعل البيانات جاهزة لتحليل إضافي. بعد المعالجة الأولية ، يتم تحويل استفسارات المستخدم إلى تمثيلات رقمية. تعد الروابط الدلالية والأهمية السياقية من بين السمات اللغوية التي تلتقطها هذه التمثيلات. تم استخدام العديد من مصنفات التعلم الآلي لتدريب تمثيلات المتجهات هذه لاستعلامات المستخدم لتصنيف 16 فئة محددة مسبقا (نوايا / علامات). يجلب النموذج الاستجابة ذات الصلة المحددة مسبقا ويعيدها إلى المستخدم بعد التنبؤ بدقة بأهداف استعلام المستخدم.
تجهيزها
يتم تعزيز موثوقية تحليلنا بشكل كبير من خلال الاستعلامات المعالجة مسبقا ، والتي تتحقق من تنسيق البيانات الواردة بشكل متسق وذات صلة بإجراء التصنيف التالي. تم جمع أنماط النية (على سبيل المثال ، التحيات مثل مرحبا ، مرحبا ، مرحبا) ومعالجتها مسبقا عن طريق تحويل النص إلى أحرف صغيرة ، وإزالة كلمات التوقف ، وتطبيق الترميز باستخدام مجموعة أدوات NLTK33. يوضح الجدول 2 خطوات المعالجة المسبقة التي تتبعها هذه الدراسة.
نمذجة العلامات المستندة إلى LDA
يصنف النظام العلامات من المستخدم باستخدام انحدار متجه الدعم (SVR) بحيث يتعرف النظام على تحيات المستخدم. من أجل تحسين قدرة النظام على توقع نية المستخدم ، قمنا بفحص طرق معالجة النصوص التقليدية والمتطورة بدقة بالإضافة إلى نماذج التعلم الآلي (ML) والتعلم العميق (DL). كان هدفنا هو بناء خوارزمية عالية الدقة يمكنها فهم مجموعة واسعة من أسئلة المستخدمين. استخدمت هذه الدراسة الاستراتيجيات الأساسية ل Bag of Words (BoW) و TF-IDF لسهولة استخدامها وفعاليتها في التأكيد على تكرار الكلمات وأهمية الكلمات في النص. سمحت لهم قدرة Glove و Word2Vec على إنتاج تضمينات الكلمات وفقا لاستخدام الكلمات معا بتقديم المعرفة بمعاني الكلمات والسياق22.
بمجرد إعداد البيانات، يتم تصنيف استعلامات المقاصد باستخدام طريقة تخصيص Dirichlet الكامن (LDA). الهدف هو استخدام التنقيب عن النص مع طريقة LDA لتحليل الروابط بين المصطلحات وتحديد الأنماط في هياكلها34،35. تفترض LDA ، غير الخاضعة للإشراف والاحتمالات بطبيعتها ، أن كل مستند في مجموعة يتكون من عدد محدد مسبقا من الموضوعات المحددة يدويا. كل مستند في LDA له وزن متساو ويحتوي على حقيبة من الكلمات. يفترض أن كلمات كل وثيقة غير مرتبة. يتم وصف الموضوع أيضا باستخدام دالة كتلة الاحتمالية للكلمات. يستخدم كل مستند دالة كتلة احتمالية لاختيار السمات. لتصنيف النية ، تم تطبيق تخصيص Dirichlet الكامن (LDA) باستخدام مكتبة GensimPython34.
في LDA ، ينظر إلى النوايا على أنها التوزيع على الكامن الذي يشار إليه بهواء توزيع LDA المسمى 
. يتم تحديد نمط بناء على توزيع النية ، والذي يشار إليه على أنه θ (متعدد الحدود) الذي يحدد القصد المحدد ، ينتمي احتمال I إلى الفئة C المحددة. يرتبط توزيع Dirichlet ب β الذي يشفر النمط في حقيبة من الكلمات. بالنظر إلى α و β ، يتم تعريفه على أنه التوزيع متعدد المتغيرات مع N كلمة تتعلق بأنماط M بنوايا z. يشار إلى مجموعة مصطلحات N ب W ، والتي تعطى ك36:
(1)
من خلال التكامل على θ ، يتم إعلان المجموع على أنه Z ، ويتم أخذ المنتج من احتمالات هامش المقاصد الفردية ، ويتم حساب احتمال النية بالكامل على النحو التالي ،
(2)
الأنماط ، بما في ذلك الاختلافات في النية للتحية ، هي مرحبا ، مرحبا ، مرحبا ، صباح الخير / الظهر / عشية ، ومرحبا. أثناء تلقي هذه الأنماط، يجد النظام نية المستخدم كتحيات ويستجيب لها وبالتالي بالعبارة المحددة، مثل ماذا يمكنني مساعدتك؟ أو كيف يمكنني مساعدتك؟ إذا لم يتعرف النظام على الاستعلام مع 15 فئة محددة مسبقا ، فإن النظام يوفر معلومات عن المطعم ويقترح أن يتواصل المستخدم مع خدمة العملاء. تظهر نتيجة نمذجة العلامات المستندة إلى LDA لاستعلامات المستخدم المتعلقة بالتحيات في الشكل 2. وبالمثل ، يتم تنفيذ الردود لجميع الفئات ال 15 المتعلقة بنوايا المستخدم (الاستعلامات). يحتوي نموذج LDA على المعلمات التالية. يتم الإعلان عن عدد الموضوعات (k) على أنه 40 ، وتم تثبيت Alpha على أنه 0.05 ، وقيمة Beta هي 0.04 ، وعدد التكرارات معلن عن 100.
اقتراح غذائي باستخدام Bi-NN ل ICS
في نظام تقديم الطعام الذكي (ICS) ، يتم تصنيف المواد الغذائية بشكل منهجي لدعم توصيات دقيقة. قد يمثل كل إدخال في القائمة إما عنصرا واحدا (على سبيل المثال ، برجر أو وجبة خفيفة أو مشروب) أو مجموعة من العناصر مثل مجموعة الوجبات (على سبيل المثال ، الدجاج المقلي مع مشروب بارد). يتم تجميع هذه العناصر في ست فئات رئيسية: الدجاج والبرغر والوجبات الخفيفة والشراب والبدلة والتيفين. من أجل الوضوح ، تشير البدلة إلى مجموعات الوجبات المعبأة ، بينما يمثل تيفين وجبات تقليدية متعددة العناصر. يتم تعريف كل عنصر غذائي من خلال ثلاث ميزات رئيسية: سعره وفئته وناقل المحتوى الذي يصف تكوينه. يتيح هذا التصنيف المنظم لنموذج التوصية تحليل سجلات شراء العملاء على مستوى العنصر والفئة، مما يحسن قدرة النظام على اقتراح الوجبات والمجموعات ذات الصلة التي تتوافق مع تفضيلات المستخدم. جميع الأطعمة في ICS هي مجموعة يشار إليها على أنها ، 
حيث يشير N إلى العدد الإجمالي للمواد الغذائية في ICS. لكل منتج 
غذائي في F ، يتكون من تفاصيل ميزات الطعام ، ويشار إليه على أنه ،
(3)
حيث ، 
يشير إلى أسعار المواد الغذائية ، 
ويشير إلى فئة المواد الغذائية حيث 
يشير C إلى الفئات. 
يشير إلى عدد القوائم حيث 
يشير المكان M إلى القوائم 
إلى متجه محتوى الطعام ، حيث 
يوجد عنصر متجه المحتوى ويمثل الدجاج والبرغر والوجبات الخفيفة والشراب والبدلة وتيفين ، على التوالي.
تتكون بيانات المستخدم من تفاصيل حول المستخدم للإشارة إلى ميزات المستخدم التي يمكن الحصول عليها من التطبيق أو تدفق الاستخدام. لكل مستخدم 
، يتم الإشارة إلى الميزات على النحو التالي ،
(4)
حيث 
، يشير إلى تفاصيل المستخدم ، مثل العمر والجنس. 
يشير إلى حدث النقر للمستخدم ، وهو متجه متغير الطول حيث 
يعلن و t عن وقت حدث النقر الأخير ، 
وهو الرقم الموجب ويشير إلى تسلسل التدفق بأكمله الذي يشير إلى عملية الشراء بأكملها التي أجراها المستخدم. 
يشير إلى قائمة الأغذية التي اشتراها العميل ، حيث 
يشير ، k إلى الكمية الإجمالية للمواد الغذائية التي تم شراؤها من قبل المستخدم.
باستخدام F و U ، اللذين يشيران إلى المواد الغذائية وبيانات المستخدم ، على التوالي ، يتم تأطير نظام التوصية في ICS. الهدف من هذا النظام هو تحسين الدقة لتعزيز نية شراء المستخدم. تمت صياغة مشكلة ICS على النحو التالي:
(5)
تشير المعادلة (5) إلى هدف المسألة المتمثل في إيجاد نتائج دقة محسنة على مشكلة ICS عن طريق تقليل دالة الخسارة المشار إليها في المعادلة (6).
(6)
أين, 
هي النتائج المتوقعة وهي 
النتيجة الفعلية. يعمل النموذج بشكل أفضل عندما تكون قيمة دالة الخسارة أصغر. يتم استخدام دالة الخسارة لتحديد التناقض بين القيمة المتوقعة للنموذج والقيمة الحقيقية Y. في هذا،
(7)
أين
(8)
(9)
في هذا ، يشير r إلى بيانات التدريب في X ، و s هو رقم المادة الغذائية المشتراة لبيانات تدريب واحدة. استخدمت ICS المطورة الانتروبيا المتقاطعة كدالة خسارة ، والتي تم وصفها في القسم التالي.
توصية غذائية قائمة على Conv-RNN
من خلال تحليل سمات المنتج وتقييمات المستخدمين وملفات تعريف المستخدمين ، يوفر نظام التوصية المستند إلى Conv-RNN للمستخدمين توصيات بناء على اهتماماتهم. يوضح الشكل 3 تصميم CRNN المقترح. غالبا ما تأخذ نماذج Conv-RNN في الاعتبار أو تضيفها تلقائيا معلومات محددة حول السياق الزمني للمستخدم أثناء تقديم الاقتراحات. ومع ذلك ، فإن مدى فهم نظام التوصية واستخدامه للسياق الذي توفره طلبات الاقتراحات غالبا ما يحدد مدى فعاليته. يحسب Conv-RNN تقييمات التنبؤ استنادا إلى الميزات والسمات الديناميكية للعنصر وسياق الوقت الحالي للمستخدم لتقديم توصيات مناسبة لمستخدم معين. من المحتم أن يكون لدى الأشخاص الذين يمرون بأشياء مماثلة في نفس الوقت تفضيلات مماثلة. تعتمد فعالية نظام التوصيات الواعي بالوقت المستند إلى CNN على قدرته على العثور على المستخدمين الأكثر قابلية للمقارنة مع المستقبل المقصود والذين يتشاركون نفس السياق الزمني. وبالتالي ، تسجل CNN السياق الزمني ، وهو المعلومات الحساسة للوقت حول نشاط المستخدم. ثم تم تغذية طبقة إدخال CNN بسمات المستخدم وخصائص العنصر ومعلومات الوقت لإعادة بناء المصفوفة الأصلية. يتم إعطاء طريقة لحساب الناتج النهائي بمجرد استخدام طبقة الالتفاف لاستخراج المعالم من المصفوفة.
من طبقات الالتواء، يتم استخراج أحداث النقر على الطعام باستخدام المعادل (10)
(10)
حيث O هو حجم الإخراج ، و X هو حجم بيانات الإدخال ، و F هو حجم النواة التلافيفية ، و a هو ملء بيانات الإدخال ، و S أكثر من 1 و S هي خطوة النواة. يمكن للشبكة العصبية نمذجة نماذج أكثر تعقيدا مما يمكن أن تكون مقتصرة على محاكاة الحسابات بين الطبقات المجاورة للشبكة ، وهو ما تقوم به باستخدام التوحيد ولكن التشغيل الخطي فقط ، لأن وظيفة التنشيط داخل طبقة التحفيز تستخدم لأداء العمليات غير الخطية. في الشبكة العصبية ، يكون الاتصال من طبقة إلى طبقة متسلسلا تماما. في Conv-RNN ، كانت وظائف التنشيط هي الأكثر انتشارا. تفتقر وظائف التنشيط التقليدية والسيني وأنواع أخرى من وظائف التنشيط إلى التدرج ولها نطاقات فاصلة زمنية صغيرة وعملية. عند استخدام عملية غير خطية موفرة للموارد أيضا ، تصبح وظائف الوحدة الخطية المصححة (ReLU) الأداة الأساسية للتغلب على هاتين المشكلتين.
من أجل الكفاءة الحسابية ، تقوم طبقة التجميع بأخذ عينات من البيانات ومعالجتها بشكل ضئيل. طرق التجميع القصوى والمتوسطة هما مثالان معروفان لخوارزميات التجميع. يوفر MaxPooling نتائج أفضل لتحديد الميزات. حدد MaxPooling الميزات التالية:
(11)
ثم يستخدم Conv-RNN الطبقة المتصلة بالكامل باستخدام طريقتين كثيفتين لإعادة تدريب ذيل Conv-RNN مع فقدان أقل لمعلومات الميزات. تستخدم الطبقات المتكررة بشكل شائع في الشبكات العصبية لتحليل البيانات المتسلسلة. بسبب الاتصالات التي تسمح لهم بالحفاظ على ذاكرة داخلية للمدخلات السابقة ، تتعامل الطبقات المتكررة مع كل إدخال على حدة ، على عكس طبقات التغذية الأمامية التقليدية. هذا يجعل الطبقات المتكررة مناسبة بشكل خاص للمهام التي تتضمن التسلسلات أو بيانات السلاسل الزمنية أو أي نوع من المعلومات حيث يكون ترتيب المدخلات مهما. الوحدة الأساسية للطبقة المتكررة هي الخلايا العصبية المتكررة ، وغالبا ما تعرف باسم خلية RNN. نظرا لأن خلايا RNN تتعامل مع المدخلات واحدة تلو الأخرى ، فإنها تحافظ على حالة داخلية تحتوي على بيانات من المدخلات السابقة. يتم تغيير حالته الداخلية في كل خطوة زمنية ، مما يؤثر على معالجة المدخلات اللاحقة. تعرض طبقة الإخراج للمستخدم النتائج بعد استخدام مصنف SoftMax. قبل استخدام الحقول ، التي تصنف خصائصها على أنها فهرس المصفوفة المضمنة ، يجب أولا تحويلها إلى أعداد صحيحة.
تم استخدام دالة فقدان الانتروبيا المتقاطعة الفئوية ، والتي تحدد الفرق بين تسميات الفئة الحقيقية y وتوزيع الاحتمال المتوقع y '، لتدريب نموذج توصية Conv-RNN. تم استخدام نزول التدرج العشوائي (SGD) مع تقدير العزم التكيفي (آدم) لتحسين معلمات النموذج θ (الأوزان والتحيزات). تم تعديل المعلمات على النحو التالي في كل تكرار تدريبي:
(12)
حيث ، η هو معدل التعلم ، 
هو تدرج دالة الخسارة بالنسبة إلى θ.
تم استخدام التكتيكات التالية لتجنب الإفراط في التجهيز. أثناء التدريب ، يتم استخدام تنظيم التسرب (ρ = 0.3) على طبقات مرتبطة بالكامل لتعطيل الخلايا العصبية بشكل عشوائي. عندما لم يلاحظ أي تحسن لمدة 15 حقبة متتالية ، توقف التدريب مبكرا بناء على فقدان التحقق من الصحة.
التحقق من الصحة المتبادلة للانقسام بخمسة أضعاف لتأكيد أداء التعميم
باستخدام بحث الشبكة على مجموعة التحقق من الصحة ، تم إجراء ضبط المعلمات الفائقة. تم تضمين مساحة البحث عدد عوامل التصفية لطبقة الالتفاف ، 64 ، حجم النواة ، 3 × 3 ، عدد الطبقات المتكررة ك 100 ، حجم الدفعة ، معدل التسرب 0.2 ، ومعدل التعلم 0.002. المحسن المستخدم هو ADAM. أخيرا ، ترجع طبقة الإخراج نتائج الأطعمة الموصى بها كمتجه تشفير ساخن واحد ، حيث يتم الإشارة إلى الأطعمة المقترحة بواحد ، وسيتم الإشارة إلى المخرجات الأخرى على أنها 0.
التنبؤ برضا العملاء باستخدام Conv-LSTM
استخدمت هذه الدراسة الذاكرة طويلة المدى قصيرة الالتفاف (Conv-LSTM) للتنبؤ برضا العملاء بمجرد الانتهاء من تقديم الطعام. يظهر هيكل Conv-LSTM في الشكل 4. تشتمل بنية CNN على الخلايا العصبية المدخلة ، وسلسلة من الطبقات التلافيفية ، والتجميع ، والطبقات المتصلة تماما ، وطبقات التطبيع37. ترتبط الخلايا العصبية لطبقة الالتفاف بالطبقة الموجودة فوقها من خلال منطقة ضيقة ، في حين أن الخلايا العصبية المنشطة للطبقات المرتبطة بالكامل مرتبطة ارتباطا كاملا بالطبقات الموجودة تحتها. تحدد مدخلات Conv-LSTM صراحة أشكال الموتر والدقة الزمنية. يتم تنظيم كل تسلسل إدخال لكل جلسة أمر عميل (الخطوة الزمنية = لكل طلب)، حيث يتم ترميز قائمة الشراء كمتجه متعدد المستويات الساخنة ويتم تمثيل مستوى الرضا المرتبط كدرجة رقمية. الموتر الناتج له الشكل (حجم الدفعة × طول التسلسل × بعد الميزة).
يفصل الإرسال الأمامي والخلفي لوظيفة في CNN بشكل عام العوامل إلى مجموعات مختلفة بناء على مدخلاتها. ظهرت العديد من تصميمات CNN نتيجة للتطورات البحثية الحديثة. كما هو موضح في المعادلة (15) ، تشير ثلاثة أوزان ، iw و rw و b ، إلى وزن الإدخال والوزن المتكرر والتحيز ، على التوالي ، والتي تم استخدامها في كل كتلة LSTM.
(13)
فيما يلي إعلان عن حالة الخلية في الخطوة الزمنية t:
(14)
حيث يشار إلى منتج Hadamard ب . رمز الحالة المخفية Ht ل t هو ،
(15)
يتم الإعلان عن المعلمات الفائقة وقيمها ل Conv-LSTM على النحو التالي: عدد المرشحات لطبقة الالتفاف هو 64 ، وحجم النواة 3 × 3 ، ووحدات LSTM 100 بمعدل تسرب 0.2 ، وحجم الدفعة 64 ، ومعدل التعلم 0.002 ، وعدد الخطوات الزمنية 50 مع محسن آدم.
مخطط UML والتعليمات البرمجية الزائفة لتفاعل العملاء
يتم تصوير التدفق الديناميكي للتفاعلات في النظام المقترح في مخطط تسلسل UML (الشكل 5). تعالج الوحدة النمطية NLP –LDA طلب المستخدم (مثل طلب الوجبة أو طلب البحث) لنمذجة الموضوع واستخراج النية. بعد المعالجة، يتلقى محرك التوصية (Conv-RNN) الطلب وينتج توصية مخصصة. أخيرا ، يتلقى المستخدم استجابة في الوقت الفعلي من النظام. يضمن هذا التسلسل الشفافية في تحويل مدخلات المستخدم إلى مخرجات خدمة ذكية ويؤكد على التفاعل المعياري للمكونات.
تم إعطاء خوارزمية توصية Conv-RNN رمزا زائفا لتحسين قابلية التكرار. يوفر نظرة عامة على المنطق الحسابي المتسلسل ، والذي يتضمن المعالجة المسبقة لطلب المستخدم ، واستخدام الطبقات التلافيفية والمتكررة لنمذجة التسلسل واستخراج الميزات ، والتنظيم ، وطبقة إخراج softmax لإنشاء اقتراح. يوفر هذا الكود التجريبي عرضا واضحا على مستوى التنفيذ لسير عمل النموذج ، مما يعزز الصيغ الرياضية.
التعليمات البرمجية الزائفة: خوارزمية توصية Conv-RNN
الإدخال: طلب المستخدم U ، تسلسل التفاعل التاريخي H
الإخراج: العنصر الغذائي الموصى به R
- المعالجة المسبقة U → الترميز ، وتضمينها باستخدام Word2Vec
- بناء تسلسل الإدخال S = [H ، U]
- تطبيق الطبقة التلافيفية:
S_conv = Conv1D (S ، مرشحات ، kernel_size) - المرور عبر الطبقة المتكررة (RNN / GRU):
S_RNN = RNN (S_conv ، hidden_units) - تقدم بطلب التسرب للتسوية
- طبقة كثيفة مع تنشيط Softmax:
P = Softmax (W xS_rnn + b) - حدد التوصية:
R = argmax (ع) - إرجاع R إلى المستخدم
Access restricted. Please log in or start a trial to view this content.
Results
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
اختبرت هذه الدراسة بدقة العديد من النماذج وتحقق من صحتها لضمان أصالة وموثوقية ICS المطور. تم تحديد الإعداد الأكثر كفاءة ل ICS من خلال إجراء دراسة مقارنة للعديد من مجموعات تضمين الكلمات والمصنف. أجريت كل تجربة 10x وتم تقديم النتائج كقيم متوسطة مع أخطاء قياسية محاطة بين قوسين. لفتت هذه الطريقة الانتباه إلى عدم القدرة على التنبؤ بالنموذج واتساقه في الأداء. يعد الانحراف المعياري عاملا حاسما يجب مراعاته عند تقييم النموذج. قد تشير القيم الأكبر إلى أن أداء النماذج يختلف اختلافا كبيرا عبر مجموعات...
Access restricted. Please log in or start a trial to view this content.
Discussion
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
تتم مقارنة الأداء العام لنموذج ICS المقترح باستخدام تقنيات الذكاء الاصطناعي مع k-means مع SVR24 ، ومطعم الخدمة السريعة مع LSTM (QSR-LSTM) 25 ، و NLP-ANN38. نسبيا ، ضمن النموذج المقترح وقت حساب أقل مقارنة بالأساليب المدروسة ، كما هو موضح في الشكل 12. مع زيادة عدد التكرارات ، يزداد وقت الحساب لجميع النماذج تدريجيا. وقد ضمن نظام تقديم الطعام الذكي المقترح باستخدام الذكاء الاصطناعي أداء ...
Access restricted. Please log in or start a trial to view this content.
Disclosures
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
ليس لدى المؤلفين تضارب في المصالح.
Acknowledgements
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يعرب المؤلفون بامتنان عن تقديرهم للدعم البحثي الذي تقدمه كلية علوم وتكنولوجيا المعلومات ، جامعة ماليزيا الوطنية. أصبح هذا العمل ممكنا من خلال تمويل البحوث الداخلية للجامعة والبنية التحتية للدعم الأكاديمي. كما يعرب المؤلفون عن تقديرهم للزملاء والموظفين الفنيين على مساهماتهم القيمة خلال مرحلة تصميم النظام والنمذجة.
Access restricted. Please log in or start a trial to view this content.
Materials
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| لغة البرمجة | بايثون (تستخدم لتطوير النماذج، معالجة اللغة الطبيعية، والتعلم العميق) | https://www.python.org/ | بايثون 3.8+ |
| قاعدة بيانات | MySQL أو SQLite (لتخزين سجلات تفاعل المستخدمين) | https://www.mysql.com/؛ https://www.sqlite.org/ | MySQL 8.0 أو SQLite3 |
| مجموعة البيانات | استفسارات المستخدمين التي جمعت من روبوت الدردشة لطلب المطاعم المحلية | مشروحة يدويا | |
| إطار التعلم العميق | تينسورفلو / كيراس | https://www.tensorflow.org/؛ كيراس 2.11 → https://keras.io/ | TensorFlow 2.11 أو Keras 2.11 |
| بيئة التنمية | دفتر جوبيتر / جوجل كولاب | https://jupyter.org/؛ https://colab.research.google.com/ | JupyterLab 3+ / Colab (مجاني) |
| مقاييس التقييم | مقاييس SCIKIT-LEARN: الدقة، الاسترجاع، التقاطع، R²؛ | https://scikit-learn.org/ | SCIKIT-Learn 1.0+ |
| مجموعة أدوات اللغة الطبيعية | spaCy / NLTK (للمعالجة المسبقة لاكتشاف النية) | https://spacy.io/؛ https://www.nltk.org/ | spaCy 3.0 / NLTK 3.6 |
| نماذج الشبكات العصبية المتكررة | RNN، LSTM، Conv-LSTM | https://keras.io/ | تم تنفيذها في كيراس |
| أجهزة النظام | معالج Intel Core i7، ذاكرة 16GB رام، بطاقة رسومات NVIDIA GTX 1660 Ti | النظام المحلي | |
| أداة نمذجة المواضيع | Gensim (يستخدم لتخصيص Dirichlet الكامن) | https://radimrehurek.com/gensim/ | جينسيم 4.1.2 |
| أدوات التصور | Matplotlib، Seaborn (لرسم رسوم بيانية للأداء) | https://seaborn.pydata.org/؛ https://matplotlib.org/ | ماتبلوتليب 3.5+، سيبورن 0.11 |
| تضمين الكلمات | التضمينات المدربة مسبقا على Word2Vec / GloVe | https://nlp.stanford.edu/projects/glove/ | غلوف (100D)، ستانفورد NLP |
References
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
- Limna, P., Siripipatthanakul, S., Phayaphrom, B. The role of big data analytics in influencing artificial intelligence (AI) adoption for coffee shops in Krabi, Thailand. Int J Behav Anal. 1, 1-17 (2021).
- Sharma, A., Mittal, K., Kumar, S., Sharma, U., Upadhyay, P. Impact of artificial intelligence and machine learning in the food industry: a survey. Artificial Intell Appl Agri Food Quality Improvement. , (2022).
- Wikhamn, W. Innovation, sustainable HRM, and customer satisfaction. Int J Hosp Manag. 76, 102-110 (2019).
- Goel, P., Kaushik, N., Sivathanu, B., Pillai, R., Vikas, J. Consumers' adoption of artificial intelligence and robotics in hospitality and tourism sector: literature review and future research agenda. Tour Rev. 77, 1-16 (2022).
- Singh, V., Archana, T., Singh, A., Tyagi, P. K. Utilizing technology for food waste management in the hospitality industry hotels and restaurants. Sustainable Disposal Methods of Food Wastes in Hospitality Operations. IGI Global. , 287-295 (2024).
- Murugeah, M. K. Enhancing efficiency and personalization in food and beverage service through AI: future trends and challenges. Int J Multidimens Res Perspect. 2 (7), (2024).
- Nebolisa, C., Abiagom, T., Ijomah, I. Enhancing customer experience through AI-driven language processing in service interactions. Open Access Res J Eng Technol. 7 (1), 14-21 (2024).
- Buhalis, D. Technology and service excellence in hospitality: the future is now. J Hosp Mark Manag. 29, 1-9 (2020).
- Go, H., Kang, M., Suh, S. C. Machine learning of robots in tourism and hospitality: interactive technology acceptance model (iTAM) - cutting edge. Tour Rev. 75, 625-636 (2020).
- Ivanov, S., Webster, C. Robots in tourism: a research agenda for tourism economics. Tour Econ. 26, 1065-1085 (2020).
- Paluch, S., Wirtz, J. Artificial intelligence and robots in the service encounter. J Serv Manag Res. 4, 3-21 (2020).
- Lukanova, G., Ilieva, G. Robots, artificial intelligence, and service automation in hotels. Robots, Artificial Intelligence, and Service Automation in Travel, Tourism, and Hospitality. Ivanov, S., Webster, C. , Emerald Publishing. 157-183 (2019).
- Wen, H., Lee, Y. M. Effects of message framing on food allergy communication: a cross-sectional study of restaurant customers with food allergies. Int J Hosp Manag. 89, 102401(2020).
- Resendes, M., et al. Group-level formative feedback and metadiscourse. Int J Comput Support Collab Learn. 10, 309-336 (2015).
- Enterprise Apps Today. , https://www.enterpriseappstoday.com (2023).
- Naseem, S. The role of tourism in economic growth: empirical evidence from Saudi Arabia. Economics. 9, 2-12 (2021).
- Proenca, S., Soukiazis, E. Tourism as an economic growth factor: a case study for Southern European countries. Tour Econ. 14, 791-806 (2008).
- Kreishan, F. M. Empirical study of tourism and economic growth of Bahrain: an ARDL bounds testing approach. Int J Econ Finance. 7, 1-9 (2011).
- Kim, H., Yang, S. The role of service robots in hospitality: insights from customers, employees, and managers. J Hosp Tour Technol. 12, 539-559 (2021).
- Zhe, L., et al. Artificial intelligence in food safety: a decade review and bibliometric analysis. Foods. 12, 1242(2023).
- Huiyue, Y., et al. A review of robotic applications in hospitality and tourism research. Sustainability. 14, 10827(2022).
- Roumeliotis, K. I., Tselikas, N. D., Nasiopoulos, D. K. Leveraging large language models in tourism: a comparative study of the latest GPT Omni models and BERT NLP for customer review classification and sentiment analysis. Information. 15, 792(2024).
- Zhang, Y., Wang, J., Li, S., Chen, X. PURE: A profile updating framework with LLMs for recommender systems. arXiv preprint. , (2025).
- Wu, C., Zhao, W. X., Wen, J. R. A survey on large language models for recommender systems. ACM Trans Recomm Syst. , (2024).
- Rodrigues, M., Miguéis, V., Freitas, S., Machado, T. Machine learning models for short-term demand forecasting in food catering services: a solution to reduce food waste. J Clean Prod. 435, 140265(2024).
- Kim, D. W., et al. Qualitative evaluation of artificial intelligence-generated weight management diet plans. Front Nutr. 11, 1374834(2024).
- Nejadshamsi, S., Eicker, U., Wang, C., Bentahar, J. Data sources and approaches for building occupancy profiles at the urban scale - a review. Build Environ. 238, 110375(2023).
- Nejadshamsi, S., Bentahar, J., Eicker, U., Wang, C., Jamshidi, F. A geographic-semantic context-aware urban commuting flow prediction model using graph neural network. Expert Syst Appl. 261, 125534(2025).
- Nejadshamsi, S., Eicker, U., Bentahar, J., Wang, C. Improving urban-scale building occupancy and energy use estimation using a transportation-informed building occupancy estimation framework. Energy Build. 333, 115468(2025).
- Zou, J., Sun, A., Long, C., Kanoulas, E. Knowledge-enhanced conversational recommendation via transformer-based sequential modelling. arXiv preprint. , (2024).
- Gambetti, A., Han, Q. AiGen-FoodReview: A multimodal dataset of machine-generated restaurant reviews and images on social media. arXiv preprint. , (2024).
- Ju, X., et al. MenuAI: Restaurant food recommendation system via a transformer-based deep learning model. arXiv preprint. , (2022).
- Bird, S., Klein, E., Loper, E. Natural Language Processing with Python. , O'Reilly Media. (2009).
- Zibarzani, M., et al. Customer satisfaction with restaurant service quality during COVID-19 outbreak: a two-stage methodology. Technol Soc. 70, 101977(2022).
- Nilashi, M., et al. Recommendation agents and information sharing through social media for coronavirus outbreak. Telemat Inform. 61, 101597(2021).
- Blei, D. M., Ng, A. Y., Jordan, M. I., et al. Latent Dirichlet allocation. J Mach Learn Res. 3, 993-1022 (2003).
- Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proc IEEE Conf Comput Vis Pattern Recognit. , Las Vegas Valley, NV, , (2016).
- Srivastava, N., Mansimov, E., Salakhutdinov, R. Unsupervised learning of video representations using LSTMs. CoRR. , (2015).
- IEEE Standards Association. IEEE 7002-2022: IEEE. standard for data privacy process. , IEEE. (2025).
Access restricted. Please log in or start a trial to view this content.
Reprints and Permissions
Request permission to reuse the text or figures of this JoVE article
Request Permission