面向对象的系统建模设计AI驱动的智能餐饮系统

Summary

本研究引入了一种基于人工智能的餐厅餐饮系统，该系统允许非接触式通信、定制膳食建议和满意度预测。通过将 NLP 与 LDA、Conv-RNN 和 Conv-LSTM 结合使用，它超越了基于规则的技术，具有更高的准确性、精确度、召回率并降低错误率，展示了人工智能在食品服务行业的革命性潜力。

Abstract

近几十年来，由于全球化、技术进步和不断变化的客户期望，食品行业经历了重大变革。人工智能 （AI） 和物联网 （IoT） 现在在增强食品生产、营销和服务交付方面发挥着关键作用。本文提出了一种人工智能驱动的智能系统，通过自然语言处理（NLP）和线性判别分析（LDA）的非接触式服务、卷积循环神经网络（Conv-RNN）模型的个性化食品推荐以及优化的卷积长短期记忆（Conv-LSTM）模型的客户满意度预测来改善餐厅餐饮服务。实际实验表明，所提出的系统优于传统的基于规则的方法，使用 Word2Vec-LDA 实现了 91.5% 的准确率、91% 的精度、91.1% 的召回率和 89.7% 的 F1 分数;Conv-RNN模型准确率98.5%，损失0.02;在Conv-LSTM系统中，RMSE为0.1011，R²为0.9812。这些结果凸显了人工智能在自动化和增强餐饮业客户服务方面的变革潜力。

Introduction

在过去十年中，人工智能的采用一直是数字技术发展的重要组成部分。自成立以来，它给包括酒店业在内的多个行业带来了可能性和挑战¹，并且已经开发出许多人工智能驱动的发明，这些发明有可能改善人们的生活质量，从而促进经济。在竞争激烈的餐饮业中，保持一流的食品和客户服务对于成功至关重要。随着技术的进步和用餐体验的转变，人工智能正在成为一种改变游戏规则的工具，以提高运营效率和客户满意度。人工智能驱动的监控系统正在改变餐厅运营² ，以更好地管理厨房、关注食品质量并提供一流的客户服务。通过使用先进的算法和实时数据分析，这些技术简化了运营，并保证了用餐体验各个方面的一致性、安全性和卓越性。现在，餐厅可以在正常作程序中实现更高的精度²。

整体财务成功、对不断变化的环境的适应能力以及扩展和改变其产品以满足客户需求和期望的能力都是旅游和酒店业的因素，这些因素经常决定企业能否生存³.因此，旅游和酒店业正在使用人工智能和机器人 （AIR） 等先进技术来增强客户服务和体验。这些技术进步被用作客户服务的智能工具，以改善客户体验⁴.此外，人工智能在酒店管理领域的快速发展可能会提高企业绩效。酒店业是收集各种格式的大量数据的数据密集型行业的一个例子。

运营管理效率低下、消费者对个性化服务的期望不断提高、劳动力短缺日益严重以及对精确需求预测的要求是酒店业面临的一些持续问题。传统方法往往无法充分处理这些问题，从而增加运营费用并导致服务质量参差不齐。通过自动化繁琐的流程、促进数据驱动的决策、促进需求预测、优化定价和库存管理以及增强消费者个性化，人工智能 （AI） 提供了解决方案。人工智能越来越被定位为一种改变游戏规则的工具，通过填补这些空白来提高酒店业的运营效率和宾客体验。

通过恢复运营效率和识别客户事件，人工智能正在改变餐饮业客户服务的历史².机器学习和外推分析等人工智能技能对于简化需求创建和库存管理等程序至关重要。更好的服务一致性和更低的运营成本是这些进步的结果 ^5,6。此外，通过评估消费者数据以提供量身定制的菜单建议和提升，人工智能可以促进个性化互动并提高客户忠诚度和幸福感⁷。智能系统在旅行和旅游业中发挥着关键作用，通过专注于复杂性来加剧竞争⁸.酒店正在试验尖端技术，包括数字战略⁹ 以及通过人工智能和物联网 （IoT） 增强的机器人。由人工智能和相关技术驱动的机器人正变得越来越常见¹⁰.通过数字接口，语音助手（VA）是通过语音命令激活的人工智能（AI）设备，提供一定程度的类人智能¹¹。尽管 VA 取得了进步，但仍存在困难，例如用户意识低、烦恼以及偶尔受到酒店员工和访客的反对¹²。

随着社会动态的变化以及越来越多的美国人选择方便且省时的选择，餐饮业的送货和外卖业务正在增长¹³.近 60% 的美国消费者每周至少下一次外卖或外卖订单，78% 的消费者积极使用在线订餐平台¹⁴。到 2023 年底，在线食品配送市场规模达到令人困惑的 2200 亿美元，占餐厅销售额的 40%，到 2030 年底市场规模将达到 3650 亿美元，数据进一步强化了这一趋势¹⁵。预计到 2028 年将增至 5346 亿美元以上。预计到 2034 年，全球市场的复合年增长率约为 9.5%，到 2024 年全球市场价值约为 2888.7 亿美元，预计到 2025 年底将达到 3163.1 亿美元¹⁵。此外，2019 年至 2021 年间，直接在线订单数量增长了惊人的 54%，表明客户越来越多地选择数字订购而不是传统的堂食选择。文本挖掘和数据驱动决策在服务管理中的重要性日益增加，阐明了新的管理领域和市场情报和社交媒体分析等重要主题¹⁶.这项研究为餐厅使用聊天机器人来提高运营效率和客户参与度提供了令人信服的论据。此外，Proenca 和 Soukiazis¹⁷ 的研究强调了营销和客户关系管理计划中数据驱动方法的可能性，提供了有关如何使用聊天机器人最大限度地提高客户互动并刺激公司扩张的富有洞察力的信息。

为了提高效率并选择个性化、以客户为中心的服务，餐饮业正在实施机器人、人工智能和服务自动化 （RAISA）¹⁸。与任何其他技术变革一样，在餐厅中使用 RAISA 具有许多需要评估的影响¹⁹。通过减少错误和提高整体服务质量，RAISA 可以提供可靠、标准化的服务²⁰。此外，它还可以为客户提供独特的互动体验。根据 Kreishan¹⁸ 的说法，服务机器人现在更加复杂、独立和适应性强。但它们也会对餐厅的整体氛围以及顾客、员工和机器人之间的社交互动产生影响。评估影响技术可接受性的方面至关重要，因为管理者、员工和消费者对这些因素有不同的看法，他们与 RAISA 互动的准备程度正在发生变化²¹。

Omni 模型在酒店评论分析中提高了情感分类准确性，达到 67% 以上，而 BERT^{22 为 60.6}%。与此同时，推荐系统正在逐步使用大型语言模型 （LLM） 通过管理配置文件和分析用户评论来改进定制。混合系统将 LLM 输出与图神经网络嵌入集成在一起，以提高稀疏数据环境中的推荐准确性，而 PURE 框架使用 LLM 根据评论动态更新用户配置文件²³。同时，在基于会话的情况下，Transformer 风格的推荐架构（例如 Transformers4Rec）正在击败传统的 RNN 模型²⁴。

尽管人工智能、自动化和智能技术发展迅速，但智能餐饮仍有许多未被探索或未被充分探索的方面。这些挑战包括通过人工智能驱动的系统管理能源效率和食物浪费、根据各种客户偏好扩展个性化、将人工智能与传统厨房工作流程集成、在客户分析中保护客户隐私和安全，以及为资金有限的中小型餐厅实施智能餐饮解决方案。智能餐饮解决方案要得到广泛和可持续的采用，就必须填补这些空白。这为更多的研究和发明创造了机会。智能餐饮系统潜在的研究漏洞包括：

尽管人工智能系统能够根据用户的选择提出膳食建议，但它们经常难以完全理解饮食要求和个人喜好的微妙之处²⁵。大多数解决方案仍然有些基础，并且容易出现预测不匹配等错误;然而，一些智能餐饮系统采用人工智能来管理库存或估计需求。很多智能餐饮系统只有一种接口方式，比如触摸屏或语音识别²⁶。许多系统完全理解或预测个人偏好的能力仍然有限，即使人工智能代理可以根据消费者历史或偏好提供一定程度的定制。AI 机器人经常使用人口统计数据或以前的订单等基本输入。

机器学习的最新进展越来越侧重于对不同领域的人类行为和上下文数据进行建模。在对城市建筑占用概况的数据源和方法的评估中，Nejadshamsi 等人 ²⁷ 强调了异构数据在捕捉动态行为模式方面的价值。在此基础上，Nejadshamsi等人²⁸通过利用图神经网络提出地理语义上下文感知通勤流预测模型，展示了深度学习预测人类活动的时空流的能力。同样，Nejadshamsi 等人 ²⁹ 强调了上下文线索在提高预测性能方面的重要性，通过为城市规模的占用和能源估算创建交通知情框架。

改善客户体验和提高运营效率已成为快速变化的餐饮业成功的关键要素。尽管技术的使用越来越多，但许多餐厅仍然难以提供流畅、个性化和有效的服务，因为它们缺乏集成的智能系统。当前系统经常忽视关键问题，包括加强非接触式服务、提供个性化膳食建议以及实时精确预测客户幸福感²⁵。通过创建一个利用尖端技术来增强餐厅运营的智能餐饮系统，该项目旨在缩小这一差距。系统中集成了三个基本要素：

使用潜在狄利克雷分配 （LDA） 和自然语言处理 （NLP） 的非接触式服务： 通过利用 LDA 和 NLP，可以实现有效的非接触式客户交互，从而减少等待时间和人为错误。

基于 Conv-RNN 的食物建议推荐系统： 这通过使用卷积循环神经网络 （Conv-RNN） 根据消费者偏好生成动态、量身定制的食物推荐，从而提高了菜单满意度。

使用优化的 Conv-LSTM 模型预测客户满意度： 餐厅可以通过使用改进的卷积长短期记忆 （Conv-LSTM） 模型来根据实时数据和反馈预测客户满意度，从而进行数据驱动的改进。除了以更具可扩展性和更有效的方式提供非接触式参与和定制饮食体验外，建议的智能系统还旨在提高客户满意度、简化运营并改善服务交付。

我们将这项工作与之前的一些方法进行对比，以便将其置于人工智能驱动的食物推荐系统的当前背景下。例如，Zou 等人开发了一种基于 transformer 的顺序对话推荐框架，该框架使用自注意力过程来捕捉讨论动态³⁰。为了促进对话和基于视觉的推荐任务，Gambetti 和 Han³¹ 开发了 AiGen-FoodReview，这是一个由匹配的餐厅评论文本和照片组成的多模态数据集。此前，MenuAI 由 Ju 等人 ³² 创建，并使用 transformer 模型直接从文本菜单图形中推荐菜单项。尽管这些方法在处理上下文或多模态信息方面具有出色的技能，但可解释性和计算效率偶尔会受到影响。另一方面，我们集成的 NLP-LDA + Conv-RNN + Conv-LSTM 系统在可解释性、轻量级部署和高预测精度之间取得了平衡，这使得它特别适合资源有限的餐饮情况。

本研究的主要目标是研究人工智能技术如何通过智能餐饮服务 （ICS） 提高酒店标准并加快餐厅运营。在建议的方法中结合了潜在狄利克雷分配 （LDA） 和 NLP，以非接触式方式有效地处理客户查询。Conv-RNN 用于生成膳食建议以提供个性化体验，优化的 Conv-LSTM 模型用于预测消费者满意度。通过整合这些元素，所创建的ICS在提高整体客户满意度、保证质量和提高服务效率方面表现出实际用途。利用对食品推荐准确性和满意度预测的性能测度，实验结果验证了模型的有效性。

所提出的智能餐饮系统提供了一种非接触式服务，用于提供食物建议和客户满意度预测。非接触式智能餐饮系统主要侧重于自动化和便利性，使顾客能够以非接触方式与系统交互，同时执行食物建议和满意度预测等特定任务。而人工智能代理超越了自动化，利用数据驱动的见解做出更准确、适应性和个性化的决策，增强客户体验并提高更广泛职能的运营效率。本研究的目标是开发一种人工智能驱动的智能餐饮系统 （ICS），该系统集成了用于非接触式交互的 NLP-LDA、用于个性化食品推荐的 Conv-RNN 和用于预测客户满意度的 Conv-LSTM。该系统对餐厅很有用，因为它通过个性化和实时反馈提高了运营效率、降低成本、提供一致的服务并提高了客户参与度。

Protocol

本研究是根据马来西亚国立大学 （UKM） 研究伦理委员会的指导方针进行的，并批准号为 UKM FST/2025-AI/023。在收集聊天机器人查询之前，已获得所有参与者的书面知情同意书。所有数据都是匿名的，以确保参与者的机密性和隐私性

研究概览

拟议的人工智能技术辅助智能餐饮系统的概述如 图1所示。如图所示，客户输入使用 NLP 技术（例如单词嵌入、词形还原和标记化）进行预处理，以提取标签。然后，将称为 LDA 的 ML 模型应用于对客户标签进行建模，为他们提供非接触式服务。食物建议是使用 Conv-RNN 模型进行的。根据前一位客户选择记录的流程顺序，智能地向客户推荐食物。最后，通过优化的Conv-LSTM模型预测客户满意度水平，以进一步改善餐厅的服务。在各种评估指标下评估所提出的人工智能模型的性能。

图 1：智能餐饮服务（ICS）系统模型提出。 该架构集成了用户交互、数据预处理、意图检测、食物推荐和反馈机制。 请点击此处查看此图的大图。

使用的数据集

为了创建智能餐饮系统，我们使用聊天机器人收集了来自附近一家餐厅的 283 个请求。这些问题包括从菜单详细信息到营业时间的各种客户查询，被手动分为 15 个不同的意图组。这保证了全面覆盖所有可能的用户与系统的交互。问候、告别、感谢、餐饮、营业时间、设置、联系信息、付款问题、今日菜单、送货替代方案、菜单问题、订购流程、特别优惠、预订、饮料选择和户外坐着的可达性只是意向类记录的客户查询的几个具体方面。 表1显示 了每个目的组中提问的频率，以及根据查询的专题实质进行的分类。例如，“联系信息”类别的查询量最高，这表明顾客非常有兴趣了解如何与餐馆取得联系。另一方面，座位和饮料类别收到的询问最少，这可能表明消费者对这些主题的兴趣较低，或者已经对它们进行了更多澄清。

使用 NLP 和 LDA 的非接触式服务

启动框架活动的用户输入最初经过预处理，以标准化文本并消除噪音。标记化、停用词消除和词形还原是这种准备工作的示例，它使数据为进一步分析做好准备。经过初步处理后，用户查询将转换为数字表示。语义联系和上下文相关性是这些表示所捕获的语言特征之一。使用多个机器学习分类器来训练用户查询的这些向量表示，以对 16 个预定义类（意图/标签）进行分类。模型获取预定的相关响应，并在准确预测用户的查询意图后返回给用户。

预处理

预处理的查询大大增强了我们分析的可靠性，这些查询验证传入数据的格式是否一致并且与随后的分类过程相关。通过将文本转换为小写、删除停用词以及使用 NLTK 工具包³³ 应用标记化来收集和预处理意图模式（例如，问候语，例如嗨、你好、嘿）。 表2显示 了本研究所遵循的预处理步骤。

基于 LDA 的标签建模

系统使用支持向量回归 （SVR） 对来自用户的标签进行分类，以便系统识别用户的问候语。为了提高系统预测用户意图的能力，除了机器学习（ML）和深度学习（DL）模型之外，我们还彻底研究了传统和尖端的文本处理方法。我们的目标是构建一种能够理解广泛用户问题的高精度算法。本研究采用了词袋 （BoW） 和 TF-IDF 的基本策略，因为它们易于使用且在强调词频和文本中单词的重要性方面具有效力。Glove 和 Word2Vec 根据单词用法生成单词嵌入的能力使他们能够提供单词含义和上下文的知识²².

准备好数据后，使用潜在狄利克雷分配 （LDA） 方法对意图查询进行分类。目标是将文本挖掘与 LDA 方法一起使用来分析术语之间的联系并识别其结构中的模式^34,35。LDA 本质上是无监督和概率性的，它假设语料库中的每个文档都由预定数量的手动定义主题组成。LDA 中的每个文档都有相同的权重，并且有一袋单词。每个文档的单词都被假定为无序。还使用单词的概率质量函数来描述主题。每个文档都使用概率质量函数来选择主题。对于意图分类，使用 GensimPython 库³⁴ 应用潜在狄利克雷分配 （LDA）。

在 LDA 中，意图被视为潜在的分布，由称为 的 LDA 分布空气表示。根据意图分布选择一种模式，该分布表示为 θ（多项式），定义了给定的意图，I 的概率属于给定的 C 类。狄利克雷分布与β相关，它将模式编码为单词袋。给定α和β，它被定义为具有 N 个单词的多元分布，与具有 z 意图的 M 模式相关。N 项组表示为 W，给出为³⁶：

(1)

通过积分 θ，求和声明为 Z，取各个意图边际概率的乘积，整个意图概率计算为，

(2)

这些模式（包括问候语的意图变体）是 hi、hello、hey、good morning/noon/eve 和 hola。在接收这些模式时，系统会将用户意图找到作为问候语，并相应地使用定义的短语进行响应，例如“ 我能帮你什么？”或“我能帮你什么？ 如果具有预定义的 15 个类的系统无法识别查询，则系统会提供餐厅信息并建议用户与客户服务进行通信。图 2 显示了与问候语相关的用户查询的基于 LDA 的标签建模的结果。同样，响应是针对与用户意图（查询）相关的所有 15 个类执行的。模型 LDA 具有以下参数。主题数 （k） 声明为 40，Alpha 固定为 0.05，Beta 值为 0.04，迭代次数声明为 100。

使用Bi-NN进行ICS的食物建议

在智能餐饮系统 （ICS） 中，食品被系统地分类以支持准确的建议。每个菜单条目可以代表单个项目（例如汉堡、小吃、饮料）或套餐等项目的组合（例如炸鸡加冷饮）。这些物品分为六大类：鸡肉、汉堡、小吃、饮料、西装和午餐。为清楚起见，西装是指包装好的餐具，而蒂芬则代表传统的多项目餐食。每种食品都由三个关键特征定义：其价格、类别和描述其成分的内容向量。这种结构化分类使推荐模型能够分析商品和类别级别的客户购买历史记录，从而提高系统建议符合用户偏好的相关餐点和组合的能力。ICS 中的所有食物都是一个集合，表示为 ，  其中 N 表示 ICS 中食物的总数。对于 F 中的每种食品  ，  都由食品特征的详细信息组成，表示为，

(3)

其中，表示  食品的价格，  表示食品的类别，其中 ，C表示类别。  表示菜单数量， 其中M表示菜单 表示食物的内容向量， 其中 是 内容向量的元素，分别表示鸡肉、汉堡、小吃、饮料、西装和蒂芬。

用户数据由有关用户的详细信息组成，以表示可从应用程序或使用流中获取的用户功能。对于每个用户 ，这些功能表示为，

(4)

其中 ，表示有关用户的详细信息，例如年龄和性别。  表示用户的点击事件，是一个可变长度向量，其中 和 t 声明最近点击事件的时间， 是正数， 表示表示用户进行的整个购买的整个流程序列。   表示顾客购买的食品清单，其中 k 表示用户购买的食品总量。

通过使用分别表示食品和用户数据的 F 和 U，推荐系统被构建在 ICS 中。该系统的目的是提高准确性以增强用户购买意愿。ICS 的问题表述为：

(5)

公式（5）表示问题的目的是通过减少公式（6）中表示的损失函数来找到更高的ICS问题精度结果。

(6)

其中，是  预测结果，  是实际结果。当损失函数的值较小时，模型的性能更好。损失函数用于确定模型的预测值与真实值 Y 之间的差异。在这个，

(7)

哪里

(8)

(9)

其中，r 表示 X 中的训练数据，s 表示一个训练数据的购买食品编号。开发的 ICS 采用交叉熵作为损失函数，这将在下一节中描述。

基于 Conv-RNN 的食物推荐

基于 Conv-RNN 的推荐系统通过分析产品的属性、用户评分和用户画像，根据用户的兴趣为用户提供推荐。 图3 显示了所提出的CRNN设计。Conv-RNN 模型在提出建议时经常考虑或自动添加有关用户时间上下文的特定信息。然而，推荐系统对建议请求提供的上下文的理解和利用程度通常决定了它的有效性。Conv-RNN根据项目的动态特征和属性以及用户当前的时间上下文来计算预测评级，为特定用户提供合适的建议。同时经历类似事情的人，难免会有相似的偏好。基于CNN的时间感知推荐系统的有效性取决于其找到与预期接收者最相似并具有相同时间背景的用户的能力。因此，CNN 记录时间上下文，即有关用户活动的时间敏感信息。然后向CNN的输入层输入用户属性、项目特征和时间信息提供，以重建原始矩阵。一旦使用卷积层从矩阵中提取特征，就会给出计算最终输出的方法。

从卷积层中，使用方程 （10） 提取食物点击事件

(10)

其中 O 是输出大小，X 是输入数据大小，F 是卷积核大小，a 是填充输入数据，S 大于 1 和 S 是核步幅。神经网络可以对比仅限于模拟网络相邻层之间的计算更复杂的模型进行建模，它通过使用均匀性但仅使用线性运算来完成，因为刺激层内的激活函数用于执行非线性运算。在神经网络中，层到层通信是严格顺序的。在Conv-RNN中，激活函数最为普遍。传统的 Tanh、sigmoid 和其他类型的激活函数缺乏梯度，并且具有较小的实用区间范围。当还使用资源高效的非线性运算时，整流线性单元 （ReLU） 函数成为克服这两个问题的主要工具。

为了提高计算效率，池化层对特征数据进行下采样和稀疏处理。最大和平均池化方法是池化算法的两个著名示例;MaxPooling 提供了更好的特征选择结果。MaxPooling 选择了以下功能：

(11)

然后，Conv-RNN 采用全连接层，使用两种密集方法重新训练 Conv-RNN 尾部，同时减少特征信息损失。循环层通常用于神经网络中用于顺序数据的分析。由于连接允许它们维护先前输入的内部存储器，因此与传统的前馈层不同，循环层单独处理每个输入。这使得循环层特别适合涉及序列、时间序列数据或输入顺序很重要的任何类型的信息的任务。循环层的基本单位是循环神经元，通常称为 RNN 细胞。由于 RNN 单元一次处理一个输入，因此它们保持包含先前输入数据的内部状态。它的内部条件在每个时间步长都会改变，这会影响后续输入的处理。输出层向用户显示使用 SoftMax 分类器后的结果。在使用这些字段之前，其特征被归类为嵌入矩阵的索引，必须首先将它们转换为整数。

使用分类交叉熵损失函数量化真实类标签 y 和预测概率分布 y' 之间的差异，用于训练 Conv-RNN 推荐模型。采用随机梯度下降（SGD）和自适应矩估计（Adam）改进模型参数θ（权重和偏差）。在每次训练迭代t时，参数修改如下：

(12)

式中，η 是学习率，  是损失函数相对于 θ 的梯度。

使用以下策略来避免过度拟合。在训练过程中，在全链接层上使用辍学正则化 （ρ=0.3） 来随机停用神经元。当连续 15 个 epoch 没有看到改善时，根据验证丢失提前停止训练。

五重拆分交叉验证以确认泛化性能

使用对验证集的网格搜索，进行了超参数调整。搜索空间中包括卷积层的过滤器数 64、核大小 3 x 3、循环层数 100、批量大小、辍学率 0.2 和学习率 0.002。使用的优化器是 ADAM。最后，输出层将推荐食物的结果作为单热编码向量返回，其中建议的食物用 1 表示，其他输出将表示为 0。

使用 Conv-LSTM 预测客户满意度

这项研究利用卷积长短期记忆 （Conv-LSTM） 来预测客户完成餐饮后的满意度。Conv-LSTM的结构如 图4所示。CNN的架构包括输入神经元、一系列卷积层、池化、完全连接层和归一化层³⁷。卷积层的神经细胞通过狭窄的区域与其上方的层相连，而全连锁层的激活神经元与其下方的层完全相关。Conv-LSTM 输入显式定义张量形状和时间粒度。每个输入序列都是按客户订单会话（时间步长 = 每个订单）构建的，其中购买列表被编码为多热向量，相关的满意度水平表示为数字分数。生成的张量具有形状（批量大小×序列长度×特征维度）。

CNN 中函数的正向和反向传输通常根据因子的输入将其分成不同的组。由于最近的研究进展，出现了许多 CNN 设计。如公式（15）所示，三个权重iw、rw和b分别表示每个LSTM块中使用的输入权重、循环权重和偏差。

(13)

以下是时间步长 t 处的单元状态声明：

 (14)

其中 Hadamard 乘积用 表示。t 的隐藏状态 Ht 的代码是，

 (15)

Conv-LSTM 的超参数及其值声明如下：卷积层的过滤器数量为 64，核大小为 3 x 3，LSTM 单元为 100，辍学率为 0.2，批量大小为 64，学习率为 0.002，使用 Adam 优化器的时间步长数为 50。

用于客户交互的 UML 图和伪代码

建议系统中交互的动态流描述在 UML 序列图中（图 5）。NLP-LDA 模块处理用户的请求（例如餐单或查询），以进行主题建模和意图提取。处理后，推荐引擎 （Conv-RNN） 接收请求并生成自定义推荐。最后，用户收到来自系统的实时响应。该顺序保证了将用户输入转换为智能服务输出的透明度，并强调组件的模块化相互作用。

Conv-RNN 推荐算法已被赋予伪代码以提高可重复性。它概述了顺序计算逻辑，包括预处理用户请求、使用卷积层和递归层进行序列建模和特征提取、正则化以及 softmax 输出层生成建议。该伪代码提供了模型工作流程的清晰实现级视图，从而增强了数学公式。

伪代码：Conv-RNN 推荐算法

输入：用户请求 U，历史交互序列 H

输出：推荐食物 R

1. 预处理 U → 标记化，嵌入 Word2Vec
2. 构造输入序列 S = [H， U]
3. 应用卷积层：
   S_conv = Conv1D（S，滤波器，kernel_size）
4. 通过循环层 （RNN/GRU）：
   S_RNN = RNN（S_conv， hidden_units）
5. 应用 Dropout 进行正则化
6. 具有 Softmax 激活的致密层：
   P = 软最大值（W xS_rnn + b）
7. 选择建议：
   R = 最大参数（P）
8. 将 R 返回给用户

Results

这项研究对多个模型进行了彻底的测试和验证，以保证所开发的 ICS 的真实性和可靠性。通过对几种词嵌入和分类器组合进行比较研究，确定了 ICS 的最有效设置。每个实验进行 10 次，结果以平均值表示，标准误差括在括号中。这种方法引起了人们对模型的不可预测性和性能一致性的关注。标准差是评估模型时要考虑的关键因素;较大的值可能表明模型的性能在数据集或场景之间差异很大，从而对模型在实际应用中的通用性和可靠性产生怀疑。

评估指标

在这项研究中，根据三个评估标准对人工智能模型进行了实验。
标准 1：基于用户查询的非接触式服务的性能通过准确性、F1score、精度和召回率进行评估。
标准 2：根据购物命中准确率、精确度、交叉熵、F1 分数和召回率评估食物建议系统的性能。
标准 3：基于平均绝对误...

Discussion

将使用AI技术建议的ICS模型的总体性能与SVR²⁴的k-means、LSTM （QSR-LSTM^）25的快餐店（QSR-LSTM）25和NLP-ANN³⁸进行了比较。相比之下，与所考虑的方法相比，所提出的模型确保了更少的计算时间，如 图 12所示。随着迭代次数的增加，所有模型的计算时间逐渐增加。建议的使用人工智能的智能餐饮系统在减少计算时间和错误的同时提高了性能。因此，所开发的模型在为餐厅提供智能餐饮服务方面是高效有效的。

关键步骤

尽管协议部分描述了一般概念，但建议系统的成功和可重复性取决于几个关键步骤：

准确的预处理：在使用 Word2Vec 和 LDA 之...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
程序设计语言	Python（用于模型开发、自然语言处理和深度学习）	https://www.python.org/	Python 3.8+
数据库	MySQL 或 SQLite（用于存储用户交互日志）	https://www.mysql.com/;https://www.sqlite.org/	MySQL 8.0 或 SQLite3
数据	用户查询来自本地餐厅点餐聊天机器人		手动注释
深度学习框架	张量流 / Keras	https://www.tensorflow.org/;Keras 2.11 & rarr;https://keras.io/	TensorFlow 2.11 或 Keras 2.11
开发环境	Jupyter Notebook / Google Colab	https://jupyter.org/;https://colab.research.google.com/	JupyterLab 3+ / Colab（免费）
评估指标	scikit-learn指标：精度、回忆、交叉熵、R&UP2;	https://scikit-learn.org/	SCICKIT-Learn 1.0+
自然语言工具包	spaCy / NLTK（用于意图检测预处理）	https://spacy.io/;https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
循环神经网络模型	RNN，LSTM，Conv-LSTM	https://keras.io/	在 Keras 中实现
系统硬件	Intel Core i7,16GB 内存，NVIDIA GTX 1660 Ti GPU		本地系统
主题建模工具	Gensim（用于潜在狄利克雷分配）	https://radimrehurek.com/gensim/	Gensim 4.1.2
可视化工具	Matplotlib，Seaborn（用于性能图绘制）	https://seaborn.pydata.org/;https://matplotlib.org/	Matplotlib 3.5+，Seaborn 0.11
词嵌入	Word2Vec / GloVe 预训练嵌入	https://nlp.stanford.edu/projects/glove/	GloVe（100D），斯坦福NLP