本研究介绍了一种基于人工智能的餐厅餐饮系统，可实现无接触沟通、个性化餐品推荐和满意度预测。通过结合LDA、Conv-RNN和Conv-LSTM的自然语言处理技术，该系统在准确性、精确率、召回率方面优于基于规则的方法，且错误率更低，展示了人工智能在餐饮服务行业中的革命性潜力。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本研究介绍了一种基于人工智能的餐厅餐饮系统，可实现无接触沟通、个性化餐品推荐和满意度预测。通过结合LDA、Conv-RNN和Conv-LSTM的自然语言处理技术，该系统在准确性、精确率、召回率方面优于基于规则的方法，且错误率更低，展示了人工智能在餐饮服务行业中的革命性潜力。
近年来，由于全球化、技术进步以及消费者期望的不断变化，食品行业经历了显著的变革。人工智能（AI）和物联网（IoT）目前在提升食品生产、营销和服务交付方面发挥着关键作用。本研究提出了一种由人工智能驱动的智能系统，旨在通过自然语言处理（NLP）和线性判别分析（LDA）实现无接触服务，通过卷积循环神经网络（Conv-RNN）模型提供个性化食品推荐，并通过优化的卷积长短期记忆（Conv-LSTM）模型预测顾客满意度。真实世界实验表明，该系统优于传统的基于规则的方法，在Word2Vec-LDA中达到91.5%的准确率、91%的精确率、91.1%的召回率和89.7%的F1分数；Conv-RNN模型的准确率达到98.5%，损失为0.02；Conv-LSTM系统的均方根误差（RMSE）为0.1011，R2 为0.9812。这些结果凸显了人工智能在自动化和提升餐饮行业客户服务方面的变革潜力。
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。自问世以来，它为包括酒店业在内的多个行业带来了机遇与挑战1，并催生了大量以人工智能为驱动的创新技术，这些技术有望提升人们的生活质量，从而促进经济发展。在竞争极为激烈的餐饮行业中，保持卓越的食品品质和客户服务对于成功至关重要。随着技术进步和用餐体验的演变，人工智能正成为提升运营效率和顾客满意度的变革性工具。由人工智能驱动的监控系统正在彻底改变餐厅的运营方式2，使其能够更有效地管理厨房、实时监控食品质量，并提供高品质的客户服务。通过运用先进的算法和实时数据分析，这些技术优化了运营流程，确保用餐体验的各个环节在一致性、安全性和卓越性方面达到高标准。如今，餐厅已能够在其常规操作流程中实现更高水平的精确度2。
总体财务成功、适应不断变化的环境，以及扩展和调整服务以满足客户需求与期望的能力，都是旅游与酒店业中的关键因素，这些因素常常决定了企业能否生存3。因此，旅游与酒店行业正在采用人工智能与机器人技术（AIR）等先进技术，以提升客户服务与体验。这些技术进步被用作客户关怀的智能工具，以改善客户体验4。此外，人工智能在酒店管理中的快速发展可能有助于提升企业绩效。酒店业就是一个典型的高数据量行业，....
访问受限。请登录或开始试用以查看此内容。
本研究遵循马来西亚国民大学（UKM）研究伦理委员会的指南，并在批准号 UKM FST/2025-AI/023 下获得批准。在收集聊天机器人查询数据之前，已从所有参与者处获得书面知情同意。所有数据均进行了匿名化处理，以确保参与者的保密性和隐私性
研究概述
所提出的由人工智能技术辅助的智能餐饮系统的概览如图所示 图1如图所示，客户输入通过自然语言处理技术（如词嵌入、词形还原和分词）进行预处理，以提取标签。随后，应用一种名为LDA的机器学习模型对客户标签进行建模，从而为客户提供无接触式服务。食物推荐通过Conv-RNN模型实现，该模型根据先前客户选择所记录的流程序列，智能地向当前客户推荐菜品。最后，采用优化的Conv-LSTM模型预测客户满意度水平，以进一步提升餐厅服务质量。所提出的AI模型性能在多种评估指标下进行了评价。
访问受限。请登录或开始试用以查看此内容。
本研究对多种模型进行了全面测试与验证，以确保所开发的ICS系统的真实性与可靠性。通过比较多种词嵌入方法与分类器的组合，确定了ICS的最优配置。每次实验均重复10次，结果以平均值表示，括号内为标准误。该方法突出了模型在性能上的不确定性与一致性。在评估模型时，标准差是一个关键考量因素；较大的标准差可能表明模型在不同数据集或场景下的性能差异显著，从而对其在实际应用中的泛化能力与可靠性产生质疑。
评估指标
本研究从三个评估标准对人工智能模型进行了实验。
标准1：基于用户查询的无接触服务性能通过准确率、F1分数、精确率和召回率进行评估。
标准2：食品推荐系统的性能通过购物命中准确率、精确率、交叉熵、F1分数和召回率进行评估。
标准3：客户满意度预测的性能通过平均绝对误差（MAE）、均方.......
访问受限。请登录或开始试用以查看此内容。
将所提出的基于人工智能技术的智能餐饮系统（ICS）模型的整体性能与k-means结合支持向量回归（SVR）24、结合长短期记忆网络的快餐服务餐厅模型（QSR-LSTM）25以及自然语言处理与人工神经网络模型（NLP-ANN）38进行了比较。相比之下，如图12所示，所提出的模型在计算时间上较其他对比方法更短。随着迭代次数的增加，所有模型的计算时间均逐渐上升。本研究所提出的基于人工智能的智能餐饮系统在减少计算时间与降低误差方面表现出更优的性能。因此，该模型在为餐厅提供智能化餐饮服务方面具有高效性与实用性。
关键步骤
尽管方案部分描述了总体概念，但所建议系统的成功与可重复性取决于几个关键步骤：
精确的预处理：在使用 Word2Vec 和 LDA 之前，必须对文本数据进行.......
访问受限。请登录或开始试用以查看此内容。
作者衷心感谢马来西亚国民大学信息科学与技术学院提供的研究支持。本研究得益于该校的内部科研经费和学术支持基础设施。作者还感谢同事和技术人员在系统设计与建模阶段提出的宝贵意见。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 编程语言 | 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 |
| 数据集 | 从本地餐厅点餐聊天机器人收集的用户查询 | 人工标注 | |
| 深度学习框架 | TensorFlow / Keras | https://www.tensorflow.org/; Keras 2.11 → 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：精确率、召回率、交叉熵、R² | https://scikit-learn.org/ | scikit-learn 1.0+ |
| 自然语言处理工具包 | 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（用于绘制性能图表） | https://seaborn.pydata.org/; https://matplotlib.org/ | Matplotlib 3.5+、Seaborn 0.11 |
| 词向量嵌入 | Word2Vec / GloVe 预训练词向量 | https://nlp.stanford.edu/projects/glove/ | GloVe（100维），斯坦福 NLP |
访问受限。请登录或开始试用以查看此内容。