面向人工智能驱动的智能餐饮系统设计的功能需求与面向对象系统建模

摘要

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。

摘要

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。

引言

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，能够以多种格式收集海量数据。

运营效率低下、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准需求预测的需求，是当前 hospitality 行业面临的持续挑战。传统方法往往难以有效应对这些问题，导致运营成本上升和服务质量参差不齐。人工智能（AI）通过自动化繁琐流程、推动数据驱动决策、提升需求预测能力、优化定价与库存管理以及增强消费者个性化体验，提供了相应的解决方案。AI 正日益成为弥补这些短板的变革性工具，有助于提升 hospitality 行业的运营效率和宾客体验。

通过恢复运营效率并识别客户需求事件，人工智能正在改变餐饮业客户服务的历史²。机器学习和预测性分析等人工智能技术对于优化需求预测和库存管理等流程至关重要。这些进步带来了更稳定的服务质量和更低的运营成本^5,6。此外，通过分析消费者数据以提供个性化的菜单推荐和升级建议，人工智能促进了定制化互动，提升了客户忠诚度和满意度⁷。智能系统在旅游和酒店业中发挥着关键作用，通过注重服务的精细化来增强竞争力⁸。酒店正在尝试前沿技术，包括数字化策略⁹ 以及融合人工智能和物联网（IoT）的机器人。由人工智能及相关技术驱动的机器人正变得越来越普遍¹⁰。通过数字界面，语音助手（VAs）——一种由语音指令激活的人工智能（AI）设备——能够提供一定程度类人智能¹¹。尽管语音助手已取得进展，但仍面临诸多挑战，例如用户认知度低、使用中的干扰感，以及酒店员工和访客偶尔表现出的抵触情绪¹²。

随着社会动态的变化以及越来越多美国人选择便捷省时的用餐方式，餐饮业的外卖和外带业务正在不断增长¹³。近60%的美国消费者每周至少点一次外卖或外带餐食，78%的消费者积极使用在线订餐平台¹⁴。这一趋势进一步得到数据支持：在线食品配送市场在2023年底已达到惊人的2200亿美元，占餐厅销售额的40%，预计到2030年底将达到3650亿美元¹⁵。预计到2028年，市场规模将增长至超过5346亿美元。全球市场在2024年的估值约为2888.7亿美元，预计到2025年底将达到3163.1亿美元，2034年之前的复合年增长率预计约为9.5%¹⁵。此外，2019年至2021年间，直接在线订单数量惊人地增长了54%，表明消费者正越来越多地选择数字订餐，而非传统的堂食服务。文本挖掘和数据驱动决策在服务管理中的重要性日益凸显，揭示了市场情报和社会媒体分析等新的管理领域和重要课题¹⁶。本研究有力地论证了餐厅应利用聊天机器人提升运营效率和客户参与度。此外，Proenca和Soukiazis¹⁷ 的研究强调了数据驱动方法在营销和客户关系管理举措中的潜力，为如何利用聊天机器人优化客户互动并推动企业发展提供了有价值的见解。

为了提高效率并提供个性化、以客户为中心的服务，餐饮行业正在引入机器人技术、人工智能和服务自动化（RAISA）¹⁸。与任何其他技术变革一样，RAISA 在餐厅中的应用也带来了一系列需要评估的影响¹⁹。RAISA 能够通过减少错误、提升整体服务质量，提供可靠且标准化的服务²⁰，同时还能为顾客带来独特的互动体验。根据 Kreishan¹⁸ 的观点，服务型机器人如今已变得更加先进、独立和适应性强。然而，它们也可能影响餐厅的整体氛围，以及顾客、员工与机器人之间的社会互动。由于管理者、员工和消费者对这些因素的认知各不相同，且他们与 RAISA 互动的意愿正在发生变化，因此评估影响技术可接受性的相关因素至关重要²¹。

Omni模型在酒店评论分析中的情感分类准确率超过67%，相较于BERT的60.6%，显示出其显著的语言能力提升²²。与此同时，推荐系统正逐步采用大语言模型（LLM）来通过管理用户画像和分析用户评论以提升个性化水平。尽管混合系统将LLM输出与图神经网络嵌入相结合，以在数据稀疏情况下提高推荐准确性，PURE框架则利用LLM根据用户评论动态更新用户画像²³。此外，在基于会话的场景中，类似Transformers4Rec的Transformer架构已超越传统的RNN模型²⁴。

尽管人工智能、自动化和智能技术发展迅速，智能餐饮领域仍存在许多尚未探索或探索不足的方面。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问题，针对多样化的顾客偏好实现个性化服务的规模化，将人工智能与传统厨房工作流程相整合，在顾客画像过程中保护顾客隐私与数据安全，以及为资金有限的中小型餐厅实施智能餐饮解决方案。为了实现智能餐饮解决方案的广泛且可持续的应用，必须填补这些空白。这为更深入的研究与创新创造了机遇。智能餐饮系统中潜在的研究空白包括以下方面：

尽管人工智能系统能够根据用户选择推荐餐食，但它们往往难以完全理解饮食需求和个人偏好的细微差别²⁵。大多数解决方案仍相对基础，容易出现预测不匹配等错误；然而，一些智能餐饮系统已利用人工智能进行库存管理或需求预测。许多智能餐饮系统仅提供单一交互方式，例如触摸屏或语音识别²⁶。即使人工智能代理能够基于消费者历史记录或偏好提供一定程度的个性化服务，但多数系统在全面理解或预测个体偏好方面仍存在局限。人工智能机器人通常仅使用人口统计学数据或以往订单等基础输入信息。

近年来，机器学习的进展 increasingly focused on 建模人类行为和跨多个领域的上下文数据。在评估城市建筑 occupancy profiles 的数据来源和方法时，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 提出了一种结合地理语义上下文感知的通勤流预测模型，利用图神经网络展示了深度学习在预测人类活动时空流方面的优异性能。类似地，Nejadshamsi 等人²⁹ 通过构建一种基于交通信息的城市尺度 occupancy 与能耗估算框架，突出了上下文线索在提升预测性能方面的重要性。

在快速变化的餐饮行业中，提升客户体验和提高运营效率已成为至关重要的成功要素。尽管技术应用日益广泛，许多餐厅仍因缺乏集成化的智能系统，难以提供顺畅、个性化且高效的餐饮服务。现有系统往往忽视了一些关键问题，例如加强无接触服务、提供个性化的菜品推荐，以及实时精准预测顾客满意度²⁵。本项目旨在通过构建一个采用前沿技术以优化餐厅运营的智能餐饮系统，弥补这一差距。该系统集成了三个核心组成部分：

基于潜在狄利克雷分配（LDA）与自然语言处理（NLP）的无接触服务：通过利用LDA与NLP技术，可实现高效的无接触客户交互，有效缩短等待时间并减少人为错误。

基于卷积循环神经网络（Conv-RNN）的食品推荐系统： 该系统通过卷积循环神经网络（Conv-RNN）分析消费者偏好，生成动态且个性化的食品推荐，从而提升菜单满意度。

基于优化的Conv-LSTM模型预测客户满意度：餐厅可通过采用改进的卷积长短期记忆网络（Conv-LSTM）模型，利用实时数据和反馈来预测顾客满意度，从而实现数据驱动的运营改进。该智能系统不仅旨在以更具可扩展性和高效性的方式提供无接触互动和个性化用餐体验，还致力于提升客户满意度、优化运营流程并改善服务交付质量。

为了将本研究置于当前人工智能驱动的食品推荐系统背景下，我们将其与多种先前方法进行了对比。例如，Zou 等人³⁰开发了一种基于 Transformer 的序列化对话推荐框架，该框架利用自注意力机制来捕捉对话动态。为了促进基于对话和视觉的推荐任务，Gambetti 和 Han³¹ 构建了 AiGen-FoodReview，这是一个包含匹配的餐厅评论文本与照片的多模态数据集。此前，Ju 等人³² 开发了 MenuAI，该系统利用 Transformer 模型直接从文本菜单图像中进行菜品推荐。尽管这些方法在处理上下文或多模态信息方面表现出色，但其可解释性与计算效率有时会受到影响。相比之下，我们集成的 NLP-LDA + Conv-RNN + Conv-LSTM 系统在可解释性、轻量化部署与高预测准确率之间实现了良好平衡，因此特别适用于资源有限的餐饮服务场景。

本研究的主要目标是探讨人工智能驱动的技术如何通过智能餐饮服务（Intelligent Catering Services, ICS）提升 hospitality 标准并加快餐厅运营效率。所提出的方法结合了潜在狄利克雷分配（Latent Dirichlet Allocation, LDA）和自然语言处理（NLP），以实现对客户咨询的高效无接触处理。采用卷积循环神经网络（Conv-RNN）生成个性化菜品推荐，以提供定制化用餐体验，并利用优化的卷积长短期记忆网络（Conv-LSTM）模型预测顾客满意度水平。通过整合上述组件，所构建的 ICS 在提升整体客户满意度、保障服务质量以及提高服务效率方面展现出实际应用价值。实验结果基于菜品推荐准确率和满意度预测的性能指标，验证了该模型的有效性。

本文提出的智能餐饮系统可提供无接触式的食品推荐和顾客满意度预测服务。无接触智能餐饮系统主要关注自动化与便捷性，使顾客能够在执行食品推荐和满意度预测等特定任务时，以非接触方式与系统进行交互。而人工智能代理则通过数据驱动的洞察，在更广泛的职能范围内实现更准确、自适应且个性化的决策，从而超越了单纯的自动化，提升了顾客体验并提高了运营效率。本研究的目标是开发一种由人工智能驱动的智能餐饮系统（ICS），该系统集成NLP-LDA技术用于实现无接触交互，采用Conv-RNN进行个性化食品推荐，并利用Conv-LSTM预测顾客满意度。该系统对餐厅具有实用价值，能够提升运营效率、降低成本、提供一致的服务质量，并通过个性化服务和实时反馈增强顾客参与度。

方案

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。

图 1：智能餐饮服务（ICS）的提议系统模型。 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放大版本。

所使用的数据集

为了构建智能餐饮系统，我们通过聊天机器人从附近一家餐厅收集了283条用户请求。这些问题涵盖了从菜单详情到营业时间等多种客户咨询，被手动划分为15个不同的意图类别，以确保全面覆盖用户可能与系统交互的所有场景。这些意图类别旨在记录客户咨询的具体方面，包括问候、告别、致谢、餐饮服务、营业时间、环境设置、联系方式、支付问题、当日菜单、配送选项、菜单咨询、点餐流程、特别优惠、预订、饮品选择以及户外座位的可及性等。表1展示了各意图类别中问题出现的频率，并根据问题的主题内容进行了分类。例如，“联系方式”类别下的问题数量最多，表明顾客非常关注如何与餐厅取得联系；而“座位安排”和“饮品”类别的咨询最少，这可能意味着消费者对这些主题的兴趣较低，或相关问题已有较充分的说明。

基于LDA的自然语言处理无接触服务

启动框架活动的用户输入首先经过预处理，以标准化文本并消除噪声。此类预处理包括分词、去除停用词和词形还原等步骤，使数据为后续分析做好准备。经过初步处理后，用户查询被转换为数值化表示形式。这些表示形式能够捕捉语义关联和上下文相关性等语言特征。通过多种机器学习分类器，对用户查询的向量表示进行训练，以实现对16个预定义类别（意图/标签）的分类。模型在准确预测用户查询意图后，会提取预先设定的相应回复，并将其返回给用户。

预处理

经过预处理的查询显著提高了我们分析的可靠性，这些预处理确保了输入数据的格式一致，并且与后续的分类过程相关。意图模式（例如表示问候的 hi、hello、hey 等）被收集并进行预处理，包括将文本转换为小写、去除停用词，以及使用 NLTK 工具包进行分词处理³³。表2展示了本研究所采用的预处理步骤。

基于LDA的标签建模

该系统使用支持向量回归（SVR）对用户输入的标签进行分类，从而识别用户的问候语。为了提升系统预测用户意图的能力，我们全面研究了传统的和前沿的文本处理方法，以及机器学习（ML）和深度学习（DL）模型。我们的目标是构建一种高精度的算法，能够理解广泛多样的用户问题。本研究采用了词袋模型（Bag of Words, BoW）和TF-IDF这两种基础策略，因其在突出词频以及词语在文本中重要性方面的简便性和有效性。Glove 和 Word2Vec 能够根据词语的使用情况生成词嵌入，从而提供对词义和上下文的理解²²。

数据准备就绪后，使用潜在狄利克雷分配（Latent Dirichlet Allocation, LDA）方法对意图查询进行分类。目标是结合LDA方法进行文本挖掘，以分析术语之间的关联，并识别其结构中的模式^34,35。LDA本质上是一种无监督且基于概率的方法，其假设语料库中的每篇文档均由预先设定数量的手动定义主题组成。在LDA中，每篇文档具有相同权重，并表示为词袋模型，且假设每篇文档中的词语顺序无关。每个主题也通过词语的概率质量函数来描述。每篇文档通过概率质量函数选择其所包含的主题。在本研究的意图分类中，采用GensimPython库实现潜在狄利克雷分配（LDA）³⁴。

在LDA中，意图被视为潜在主题上的分布，该分布用LDA分布表示，称为。根据意图分布选择一个模式，该分布记作θ（多项式分布），用于定义给定意图I属于给定类别C的概率。一个Dirichlet分布与β相关，它将模式编码为词袋表示。给定α和β后，LDA被定义为与M个模式和z个意图相关的N个词的多变量分布。这N个词的集合记作W，表示如下³⁶：

  (1)

通过对 θ 进行积分，将求和定义为 Z，然后取各个意图边缘概率的乘积，从而计算出整体意图概率，即

  (2)

问候语的意图模式包括 hi、hello、Hey、Good morning/noon/eve 以及 hola。当接收到这些模式时，系统会识别出用户的意图属于问候类别，并相应地回复预定义的语句，例如 What can I help you? 或 How can I help you?。如果系统无法将查询归类到预定义的 15 个类别中，则会提供餐厅相关信息，并建议用户联系客户服务。基于 LDA 的用户查询标签建模在问候语方面的结果如图 2所示。类似地，系统也会针对与用户意图（查询）相关的全部 15 个类别作出响应。LDA 模型具有以下参数：主题数量（k）设为 40，Alpha 固定为 0.05，Beta 值为 0.04，迭代次数设为 100。

使用双层神经网络为 ICS 提供食物建议

在智能餐饮系统（ICS）中，食品项目被系统地分类，以支持精准的推荐。每个菜单条目可能代表单个食品（例如汉堡、小吃、饮料），也可能代表组合食品，例如套餐（例如炸鸡配冷饮）。这些食品被分为六个主要类别：鸡肉、汉堡、小吃、饮料、套餐（suit）和传统多品餐（tiffin）。为明确起见，“suit”指包装好的套餐组合，而“tiffin”代表传统的多项目餐食。每种食品由三个关键特征定义：价格、类别以及描述其成分的内容向量。这种结构化分类使得推荐模型能够在食品条目和类别两个层级上分析顾客的购买历史，从而提升系统推荐符合用户偏好的餐品和组合的能力。ICS 中所有食品构成一个集合，记为  ，其中 N 表示 ICS 中食品项目的总数。对于集合 F 中的每一种食品  ，  包含该食品特征的详细信息，记作：

   (3)

其中， 表示食品的价格， 表示食品项目的类别，其中 ，C 表示类别。 表示菜单的数量，其中 ，M 表示菜单， 表示食品的内容向量， 其中 ，而 是内容向量的元素，分别代表鸡肉、汉堡、小吃、饮料、套装和便当。

用户数据包含有关用户的信息，用于表示可通过应用程序或使用流程获取的用户特征。对于每位用户 ，其特征表示如下：

    (4)

其中 表示用户的相关信息，例如年龄和性别。  表示用户的点击事件，其为一个变长向量， ，t 表示最近一次点击事件的时间，  为正数，且   表示用户完成的整个购买流程序列。  表示客户购买的食物列表，其中 ，k 表示用户购买的食物项目的总数。

通过使用分别表示食品项目和用户数据的 F 和 U，推荐系统在 ICS 中得以构建。该系统的目标是提高准确性，以增强用户的购买意愿。ICS 问题的表述如下：

   (5)

公式（5）表示该问题的目标，即通过减小公式（6）中所示的损失函数，来提高在ICS问题上的准确率结果。

    (6)

其中， 为预测结果， 为实际结果。当损失函数的值较小时，模型表现更优。损失函数用于确定模型预测值与真实值 Y 之间的差异。在此过程中，

   (7)

其中，

   (8)

    (9)

其中，r 表示 X 中的训练数据，s 表示一条训练数据中购买的食品项目编号。所开发的 ICS 采用交叉熵作为损失函数，具体描述见下节。

基于卷积循环神经网络的食品推荐

通过分析产品的属性、用户评分和用户画像，基于卷积循环神经网络（Conv-RNN）的推荐系统能够根据用户的兴趣为其提供推荐。图3展示了所提出的CRNN设计。Conv-RNN模型在生成推荐时，通常会考虑或自动加入有关用户时间上下文的特定信息。然而，推荐系统对推荐请求所提供的上下文的理解与利用程度，往往决定了其有效性。Conv-RNN根据物品的动态特征与属性以及用户当前的时间上下文来计算预测评分，从而为特定用户提供合适的推荐。在同一时间段内经历相似情境的人往往具有相似的偏好，这是不可避免的。基于卷积神经网络（CNN）的时间感知推荐系统的有效性，取决于其识别出与目标用户最相似且共享相同时间上下文的用户的能力。因此，CNN记录了时间上下文，即关于用户活动的时间敏感信息。随后，将用户属性、物品特征和时间信息输入CNN的输入层，以重建原始矩阵。在卷积层完成对矩阵的特征提取后，将采用一种方法计算最终输出。

通过卷积层，使用公式（10）提取食物点击事件

    (10)

其中，O 表示输出尺寸，X 表示输入数据尺寸，F 表示卷积核尺寸，a 表示对输入数据进行填充，S 为大于 1 的值，表示卷积核步长。神经网络能够建模比仅限于模拟网络相邻层之间计算更为复杂的模型，这是因为其虽采用统一性，但仅执行线性运算，而通过在激活层中引入激活函数来实现非线性运算。在神经网络中，层与层之间的通信是严格顺序的。在 Conv-RNN 中，激活函数应用最为广泛。传统的 Tanh、Sigmoid 及其他类型的激活函数存在梯度消失问题，且具有较小的实用区间范围。当同时采用资源高效的非线性运算时，修正线性单元（ReLU）函数便成为解决这两个问题的主要手段。

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。最大池化和平均池化是两种广为人知的池化算法；其中最大池化（MaxPooling）能提供更优的特征选择结果。最大池化（MaxPooling）选出了以下特征：

    (11)

卷积循环神经网络（Conv-RNN）随后采用全连接层，通过两种密集方式对Conv-RNN尾部进行再训练，以减少特征信息的损失。循环层在神经网络中常用于序列数据的分析。由于具有能够维持先前输入内部记忆的连接结构，循环层与传统的前馈层不同，可对每个输入单独处理。这使得循环层特别适用于涉及序列、时间序列数据或任何输入顺序重要的信息处理任务。循环层的基本单元是循环神经元，通常称为RNN单元。由于RNN单元逐个处理输入，因此会维护一个包含先前输入数据的内部状态。该内部状态在每个时间步都会更新，从而影响后续输入的处理。输出层在使用SoftMax分类器后向用户展示结果。在使用这些字段之前，必须先将其特征转换为整数，因为这些特征被归类为嵌入矩阵的索引。

采用分类交叉熵损失函数来训练卷积循环神经网络（Conv-RNN）推荐模型，该函数用于量化真实类别标签 y 与预测概率分布 y' 之间的差异。使用带有自适应矩估计（Adam）的随机梯度下降法（SGD）来优化模型参数 θ（权重和偏置）。在每次训练迭代 t 中，参数按如下方式更新：

    (12)

其中，η 是学习率， 是损失函数相对于 θ 的梯度。

为避免过拟合，采用了以下策略。在训练过程中，全连接层使用了丢弃正则化（ρ=0.3），以随机失活神经元。当验证损失连续15个训练周期未见改善时，即提前终止训练。

五折交叉验证以确认泛化性能

在验证集上通过网格搜索进行超参数调优。搜索空间中包含卷积层的滤波器数量（64）、卷积核大小（3 × 3）、循环层的数量（100）、批量大小、丢弃率（0.2）以及学习率（0.002）。所使用的优化器为ADAM。最后，输出层以独热编码向量形式返回推荐食物的结果，其中被推荐的食物用1表示，其余输出则用0表示。

使用卷积长短期记忆网络预测客户满意度

本研究采用卷积长短期记忆网络（Conv-LSTM）来预测顾客在完成餐饮消费后的满意度。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、池化层、全连接层以及归一化层³⁷。卷积层的神经元通过一个局部区域与上一层相连，而全连接层中的激活神经元则与下一层的所有神经元完全连接。Conv-LSTM 的输入明确指定了张量的形状和时间粒度。每个输入序列按照顾客的订单会话进行组织（时间步 = 每次订单），其中购买清单被编码为多热向量，相应的满意度水平则表示为一个数值评分。最终得到的张量形状为（批量大小 × 序列长度 × 特征维度）。

在卷积神经网络（CNN）中，函数的前向与反向传播通常根据输入将因子划分为不同的组。随着近期研究进展，已涌现出多种CNN设计。如公式（15）所示，三个权重iw、rw和b分别表示输入权重、循环权重和偏置，这些参数已被应用于每个LSTM模块中。

 (13)

以下是时间步 t 时细胞状态的声明：

 （14）

其中，Hadamard 积用 表示。t 时刻隐藏状态 Ht 的代码为，

 (15)

Conv-LSTM 的超参数及其取值声明如下：卷积层的滤波器数量为 64，卷积核大小为 3 × 3，LSTM 单元数为 100，丢弃率为 0.2，批量大小为 64，学习率为 0.002，时间步长为 50，并采用 Adam 优化器。

客户交互的UML图与伪代码

建议系统中交互的动态流程如统一建模语言（UML）序列图所示（图5）。自然语言处理与潜在狄利克雷分配（NLP–LDA）模块对用户的请求（例如点餐或查询）进行主题建模和意图提取。处理完成后，推荐引擎（Conv-RNN）接收该请求并生成个性化推荐。最后，用户收到来自系统的实时响应。该序列确保了用户输入向智能服务输出转化过程的透明性，并突出了各组件之间的模块化交互作用。

为提高可重复性，卷积循环神经网络（Conv-RNN）推荐算法已提供伪代码。该伪代码概述了其顺序计算逻辑，包括对用户请求进行预处理、利用卷积层和循环层进行序列建模与特征提取、正则化处理，以及通过softmax输出层生成推荐结果。此伪代码为模型工作流程提供了清晰的实现层面视图，有助于增强数学表达形式的可理解性。

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：推荐食品项目 R

1. 预处理用户输入 U → 分词，并使用 Word2Vec 进行嵌入
2. 构建输入序列 S = [H, U]
3. 应用一维卷积层：
   S_conv = Conv1D(S, filters, kernel_size)
4. 通过循环层（RNN/GRU）处理：
   S_RNN = RNN(S_conv, hidden_units)
5. 应用 Dropout 以实现正则化
6. 带 Softmax 激活函数的全连接层：
   P = Softmax(W × S_rnn + b)
7. 选择推荐结果：
   R = argmax(P)
8. 将 R 返回给用户

结果

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...

讨论

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...

材料

本文使用的材料清单

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