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....

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（I....

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