Funktionale Anforderungen und objektorientierte Systemmodellierung für die Gestaltung KI-gesteuerter intelligenter Catering-Systeme

Summary

In dieser Studie wird ein KI-basiertes Restaurant-Catering-System vorgestellt, das kontaktlose Kommunikation, individuelle Essensvorschläge und Zufriedenheitsvorhersagen ermöglicht. Durch die Verwendung von NLP mit LDA, Conv-RNN und Conv-LSTM übertrifft es regelbasierte Techniken mit mehr Genauigkeit, Präzision, Abruf und reduzierten Fehlerquoten, was das revolutionäre Potenzial der KI in der Gastronomie demonstriert.

Abstract

Die Lebensmittelindustrie hat in den letzten Jahrzehnten aufgrund der Globalisierung, des technologischen Fortschritts und der sich ändernden Kundenerwartungen einen bedeutenden Wandel durchgemacht. Künstliche Intelligenz (KI) und das Internet der Dinge (IoT) spielen heute eine entscheidende Rolle bei der Verbesserung der Lebensmittelproduktion, des Marketings und der Dienstleistungserbringung. Diese Studie schlägt ein KI-gesteuertes intelligentes System vor, um den Catering-Service in Restaurants durch kontaktlosen Service unter Verwendung von Natural Language Processing (NLP) und linearer Diskriminanzanalyse (LDA), personalisierte Essensempfehlungen durch ein Convolutional Recurrent Neural Network (Conv-RNN)-Modell und die Vorhersage der Kundenzufriedenheit mit einem optimierten Convolutional Long Short Term Memory (Conv-LSTM)-Modell zu verbessern. Experimente aus der Praxis zeigen, dass das vorgeschlagene System herkömmliche regelbasierte Methoden übertrifft und mit Word2Vec-LDA eine Genauigkeit von 91,5 %, eine Genauigkeit von 91 %, einen Abruf von 91,1 % und einen F1-Score von 89,7 % erreicht. 98,5 % Genauigkeit mit einem Verlust von 0,02 im Conv-RNN-Modell; und ein RMSE von 0,1011 mit einem R² von 0,9812 im Conv-LSTM-System. Diese Ergebnisse unterstreichen das transformative Potenzial von KI bei der Automatisierung und Verbesserung des Kundenservice in der Gastronomie.

Introduction

Die Einführung von KI war in den letzten zehn Jahren ein entscheidender Bestandteil des Wachstums der digitalen Technologie. Es hat mehreren Branchen, einschließlich des Gastgewerbes, seit seiner Gründung sowohl Möglichkeiten als auch Herausforderungen geboten¹, und es wurden zahlreiche KI-gestützte Erfindungen entwickelt, die das Potenzial haben, die Lebensqualität der Menschen zu verbessern und damit die Wirtschaft anzukurbeln. In der hart umkämpften Restaurantbranche ist die Aufrechterhaltung eines erstklassigen Essens und Kundenservice für den Erfolg unerlässlich. Mit dem technologischen Fortschritt und dem Wandel der kulinarischen Erlebnisse wird KI zu einem bahnbrechenden Werkzeug, um die betriebliche Effektivität und die Kundenzufriedenheit zu steigern. KI-gestützte Überwachungssysteme transformieren den Restaurantbetrieb² , um ihre Küchen besser zu verwalten, die Lebensmittelqualität im Auge zu behalten und einen erstklassigen Kundenservice zu bieten. Durch den Einsatz fortschrittlicher Algorithmen und Echtzeit-Datenanalysen rationalisieren diese Technologien den Betrieb und garantieren Konsistenz, Sicherheit und Exzellenz in jedem Aspekt des kulinarischen Erlebnisses. Es ist nun für Restaurants möglich, ein höheres Maß an Präzision für normale Betriebsabläufe^{zu erreichen 2}.

Der allgemeine finanzielle Erfolg, die Anpassungsfähigkeit an sich ändernde Umstände und die Fähigkeit, seine Angebote zu erweitern und zu ändern, um den Bedürfnissen und Erwartungen der Kunden gerecht zu werden, sind alles Faktoren in der Tourismus- und Gastgewerbebranche, und diese Faktoren bestimmen häufig, ob ein Unternehmen überlebt³. Daher nutzt der Tourismus- und Gastgewerbesektor fortschrittliche Technologien wie KI und Robotik (AIR), um den Kundenservice und das Kundenerlebnis zu verbessern. Diese technologischen Fortschritte werden als intelligente Werkzeuge für die Kundenbetreuung genutzt, um das Kundenerlebnis zu verbessern⁴. Darüber hinaus kann die Unternehmensleistung durch die rasante Weiterentwicklung der KI im Hospitality-Management verbessert werden. Ein Beispiel für eine datenintensive Branche, die riesige Datenmengen in verschiedenen Formaten sammelt, ist die Hotellerie.

Ineffizienzen im Betriebsmanagement, wachsende Erwartungen der Verbraucher an individualisierte Dienstleistungen, wachsender Arbeitskräftemangel und die Forderung nach präzisen Nachfrageprognosen sind einige der anhaltenden Probleme, mit denen das Gastgewerbe konfrontiert ist. Herkömmliche Ansätze können diese Probleme häufig nicht adäquat lösen, was die Betriebskosten in die Höhe treibt und zu einer ungleichmäßigen Servicequalität führt. Durch die Automatisierung langwieriger Prozesse, die Erleichterung datengesteuerter Entscheidungsfindung, die Verbesserung der Nachfragevorhersage, die Optimierung der Preisgestaltung und des Bestandsmanagements und die Verbesserung der Personalisierung der Verbraucher bietet künstliche Intelligenz (KI) Lösungen. KI wird immer mehr als bahnbrechendes Instrument positioniert, um die betriebliche Effektivität und das Gästeerlebnis im Gastgewerbe zu verbessern, indem sie diese Lücken schließt.

Durch die Wiederherstellung der betrieblichen Effektivität und die Erkennung von Kundenereignissen verändert KI die Geschichte der Kundenbetreuung in der Gastronomie². KI-Fähigkeiten wie maschinelles Lernen und extrapolative Analysen sind entscheidend für die Rationalisierung von Verfahren wie Nachfrageerstellung und Bestandsmanagement. Bessere Servicekonsistenz und niedrigere Betriebskosten sind das Ergebnis dieser Fortschritte ^5,6. Darüber hinaus erleichtert die KI durch die Auswertung von Verbraucherdaten, um maßgeschneiderte Menüvorschläge und -erweiterungen anzubieten, personalisierte Interaktionen und fördert die Kundenbindung und -zufriedenheit⁷. Intelligente Systeme spielen eine Schlüsselrolle in der Reise- und Tourismusbranche und erhöhen den Wettbewerb, indem sie sich auf Raffinesse^{konzentrieren 8}. Hotels experimentieren mit Spitzentechnologien, darunter digitale Strategien⁹ und Roboter, die mit KI und dem Internet der Dinge (IoT) verbessert werden. Roboter, die mit KI und verwandten Technologien betrieben werden, werden immer häufiger¹⁰. Sprachassistenten (VAs), bei denen es sich um Geräte der künstlichen Intelligenz (KI) handelt, die durch Sprachbefehle aktiviert werden, bieten durch digitale Schnittstellen ein gewisses Maß an menschenähnlicher Intelligenz¹¹. VAs haben trotz ihrer Fortschritte Schwierigkeiten, wie z. B. geringes Bewusstsein der Benutzer, Ärger und gelegentliche Opposition sowohl von Hotelmitarbeitern als auch von Besuchern¹².

Liefer- und Take-away-Vorgänge nehmen in der Gastronomie zu, da sich die gesellschaftliche Dynamik ändert und immer mehr Amerikaner bequeme und zeitsparende Optionen wählen¹³. Fast 60 % der Verbraucher in den USA geben mindestens einmal pro Woche eine Bestellung zur Lieferung oder zum Mitnehmen auf, und 78 % der Verbraucher nutzen aktiv Online-Bestellplattformen^{für Lebensmittel 14}. Dieser Trend wird durch die Daten weiter verstärkt, wonach der Markt für Online-Essenslieferungen bis Ende 2023 ein Volumen von 220 Milliarden US-Dollar erreichte, was 40 % des Restaurantumsatzes entspricht, und dass der Markt bis Ende 2030 365 Milliarden US-Dollar erreichen wird¹⁵. Es wird erwartet, dass er bis 2028 auf über 534,60 Milliarden US-Dollar steigen wird. Mit einer prognostizierten durchschnittlichen jährlichen Wachstumsrate von etwa 9,5 % bis 2034 wurde der Weltmarkt im Jahr 2024 auf etwa 288,87 Mrd. USD geschätzt und wird bis Ende 2025 voraussichtlich 316,31 Mrd. USD erreichen¹⁵. Darüber hinaus ist die Zahl der direkten Online-Bestellungen zwischen 2019 und 2021 um erstaunliche 54 % gestiegen, was darauf hindeutet, dass sich die Kunden zunehmend für digitale Bestellungen gegenüber traditionellen Dine-in-Optionen entscheiden. Die wachsende Bedeutung von Text Mining und datengesteuerter Entscheidungsfindung im Service-Management, die neue Managementdomänen und wichtige Themen wie Market Intelligence und Social-Media-Analyse beleuchtet¹⁶. Diese Studie liefert ein überzeugendes Argument für Restaurants, Chatbots einzusetzen, um die betriebliche Effektivität und Kundenbindung zu steigern. Darüber hinaus unterstreicht die Studie von Proenca und Soukiazis¹⁷ die Möglichkeit datengesteuerter Ansätze in Marketing- und Customer-Relationship-Management-Initiativen und bietet aufschlussreiche Informationen darüber, wie Chatbots eingesetzt werden können, um Kundeninteraktionen zu maximieren und die Expansion des Unternehmens voranzutreiben.

Um die Effizienz zu steigern und sich für einen individuellen, kundenorientierten Service zu entscheiden, implementiert die Gastronomie Robotik, Künstliche Intelligenz und Serviceautomatisierung (RAISA)¹⁸. Der Einsatz von RAISA in Restaurants hat eine Reihe von Auswirkungen, die wie jede andere Technologieänderung bewertet werden sollten¹⁹. Durch die Reduzierung von Fehlern und die Verbesserung der allgemeinen Servicequalität kann RAISA einen zuverlässigen, standardisierten Service bieten²⁰. Darüber hinaus kann es den Kunden ein unverwechselbares interaktives Erlebnis bieten. Laut Kreishan¹⁸ sind Serviceroboter heute ausgefeilter, unabhängiger und anpassungsfähiger. Sie können aber auch Auswirkungen auf das allgemeine Ambiente eines Restaurants sowie auf die sozialen Interaktionen zwischen Gästen, Mitarbeitern und Robotern haben. Es ist wichtig, die Aspekte zu bewerten, die sich auf die Technologieakzeptanz auswirken, da Manager, Mitarbeiter und Verbraucher diese Elemente unterschiedlich wahrnehmen und sich ihre Bereitschaft, mit RAISA zu interagieren, ändert²¹.

Die bedeutenden linguistischen Fähigkeiten der Omni-Modelle wurden durch ihre verbesserte Genauigkeit bei der Klassifizierung von Stimmungen bei der Analyse von Hotelbewertungen unterstrichen, die über 67 % erreichte, verglichen mit 60,6 % für BERT²². Gleichzeitig verwenden Empfehlungssysteme nach und nach Large Language Models (LLMs), um die Anpassung durch die Verwaltung von Profilen und die Analyse von Benutzerbewertungen zu verbessern. Während hybride Systeme LLM-Ausgaben mit Einbettungen neuronaler Graphennetzwerke integrieren, um die Empfehlungsgenauigkeit unter Umständen mit geringer Datenlage zu verbessern, verwendet das PURE-Framework LLMs, um Benutzerprofile basierend auf Bewertungen dynamisch zu aktualisieren²³. In sitzungsbasierten Situationen schlagen Empfehlungsarchitekturen im Transformer-Stil, wie z. B. Transformers4Rec, herkömmliche RNN-Modelle²⁴.

Trotz der rasanten Entwicklungen in den Bereichen KI, Automatisierung und intelligente Technologie gibt es immer noch eine Reihe unerforschter oder unerforschter Facetten des intelligenten Caterings. Zu diesen Herausforderungen gehören das Management von Energieeffizienz und Lebensmittelverschwendung durch KI-gesteuerte Systeme, die Skalierung der Personalisierung für eine Vielzahl von Kundenpräferenzen, die Integration von KI in traditionelle Küchenworkflows, der Schutz der Privatsphäre und Sicherheit der Kunden bei der Erstellung von Kundenprofilen und die Implementierung intelligenter Catering-Lösungen für kleine und mittelgroße Restaurants mit begrenzten Finanzmitteln. Damit intelligente Catering-Lösungen breit und nachhaltig eingesetzt werden können, müssen diese Lücken geschlossen werden. Dies schafft die Möglichkeit, mehr zu studieren und zu erfinden. Zu den potenziellen Forschungslücken bei intelligenten Catering-Systemen gehören unter anderem:

Obwohl KI-Systeme in der Lage sind, Essensempfehlungen auf der Grundlage von Benutzerentscheidungen zu geben, haben sie häufig Schwierigkeiten, die Feinheiten von Ernährungsbedürfnissen und persönlichen Vorlieben vollständig zu verstehen²⁵. Die meisten Lösungen sind immer noch etwas einfach und anfällig für Fehler wie die Vorhersage von Diskrepanzen. Einige intelligente Catering-Systeme setzen jedoch KI ein, um den Bestand zu verwalten oder die Nachfrage zu schätzen. Viele intelligente Catering-Systeme haben nur eine Möglichkeit, wie z. B. Touchscreens oder Spracherkennung²⁶. Viele Systeme sind immer noch in ihrer Fähigkeit eingeschränkt, individuelle Präferenzen vollständig zu erfassen oder vorherzusagen, selbst wenn KI-Agenten ein gewisses Maß an Anpassung auf der Grundlage der Historie oder der Vorlieben der Verbraucher bieten können. Grundlegende Eingaben wie demografische Daten oder frühere Bestellungen werden häufig von KI-Bots verwendet.

Die jüngsten Fortschritte im Bereich des maschinellen Lernens haben sich zunehmend auf die Modellierung menschlichen Verhaltens und kontextbezogener Daten in verschiedenen Bereichen konzentriert. In ihrer Bewertung von Datenquellen und Methoden für Belegungsprofile von städtischen Gebäuden betonten Nejadshamsi et ^al.27 den Wert heterogener Daten für die Erfassung dynamischer Verhaltensmuster. Darauf aufbauend zeigten Nejadshamsi et ^al.28, wie gut Deep Learning räumlich-zeitliche Flüsse menschlicher Aktivität vorhersagt, indem es ein geografisch-semantisches, kontextbewusstes Modell zur Vorhersage von Pendelströmen unter Verwendung von neuronalen Netzen entwickelte. In ähnlicher Weise hoben Nejadshamsi et ^al.29 die Bedeutung kontextueller Hinweise für die Verbesserung der Vorhersageleistung hervor, indem sie einen verkehrsinformierten Rahmen für die Belegung und Energieschätzung auf städtischer Ebene schufen.

Die Verbesserung des Kundenerlebnisses und die Steigerung der betrieblichen Effizienz sind zu entscheidenden Erfolgselementen in der sich schnell verändernden Restaurantbranche geworden. Viele Restaurants haben trotz des zunehmenden Einsatzes von Technologie immer noch Schwierigkeiten, reibungslose, individuelle und effektive Dienstleistungen anzubieten, da es ihnen an integrierten intelligenten Systemen mangelt. Wichtige Themen wie die Verbesserung des kontaktlosen Service, die Bereitstellung individueller Essensempfehlungen und die präzise Vorhersage der Kundenzufriedenheit in Echtzeit werden von den aktuellen Systemen häufig übersehen²⁵. Durch die Schaffung eines intelligenten Catering-Systems, das modernste Technologien zur Verbesserung des Restaurantbetriebs einsetzt, zielt dieses Projekt darauf ab, diese Lücke zu schließen. Drei wesentliche Elemente sind in das System integriert:

Kontaktloser Service mit Latent Dirichlet Allocation (LDA) und Natural Language Processing (NLP): Durch die Nutzung von LDA und NLP werden effektive kontaktlose Kundeninteraktionen ermöglicht, wodurch Wartezeiten und menschliche Fehler reduziert werden.

Conv-RNN-basierte Empfehlungssysteme für Lebensmittelvorschläge: Dies erhöht die Zufriedenheit mit der Speisekarte, indem ein Convolutional Recurrent Neural Network (Conv-RNN) verwendet wird, um dynamische, maßgeschneiderte Lebensmittelempfehlungen basierend auf den Vorlieben der Verbraucher zu erstellen.

Vorhersage der Kundenzufriedenheit mit einem optimierten Conv-LSTM-Modell: Restaurants können datengesteuerte Verbesserungen vornehmen, indem sie ein verbessertes Convolutional Long Short-Term Memory (Conv-LSTM)-Modell verwenden, um die Kundenzufriedenheit auf der Grundlage von Echtzeitdaten und Feedback zu prognostizieren. Das vorgeschlagene intelligente System bietet nicht nur kontaktlose Interaktion und maßgeschneiderte Esserlebnisse auf skalierbarere und effektivere Weise, sondern zielt auch darauf ab, die Kundenzufriedenheit zu verbessern, die Abläufe zu rationalisieren und die Servicebereitstellung zu verbessern.

Wir kontrastieren diese Arbeit mit einer Reihe früherer Methoden, um sie in den gegenwärtigen Kontext von KI-gesteuerten Lebensmittelempfehlungssystemen einzuordnen. Zum Beispiel wurde von Zou et al. ein transformatorbasiertes sequentielles Konversationsempfehlungsframework entwickelt, das Selbstaufmerksamkeitsprozesse verwendet, um die Diskussionsdynamik zu ^erfassen30. Um den Dialog und visuell basierte Empfehlungsaufgaben zu erleichtern, entwickelten Gambetti und Han³¹ AiGen-FoodReview, einen multimodalen Datensatz, der aus übereinstimmenden Texten und Fotos von Restaurantbewertungen besteht. Zuvor wurde MenuAI von Ju et ^al.32 entwickelt und verwendet Transformer-Modelle, um Empfehlungen für Menüpunkte direkt aus textuellen Menügrafiken zu erstellen. Interpretierbarkeit und Recheneffizienz werden durch diese Ansätze gelegentlich beeinträchtigt, trotz ihrer hervorragenden Fähigkeiten bei der Verarbeitung von Kontext- oder multimodalen Informationen. Unser integriertes NLP-LDA + Conv-RNN + Conv-LSTM-System hingegen schafft eine Balance zwischen Erklärbarkeit, leichtem Einsatz und hoher Vorhersagegenauigkeit, was es besonders für Catering-Situationen mit begrenzten Ressourcen geeignet macht.

Das Hauptziel dieser Studie ist es, zu untersuchen, wie KI-gestützte Technologie die Standards im Gastgewerbe verbessern und den Restaurantbetrieb durch intelligente Catering-Services (ICS) beschleunigen kann. Latent Dirichlet Allocation (LDA) und NLP werden in der vorgeschlagenen Methode kombiniert, um Kundenanfragen effizient und kontaktlos zu bearbeiten. Ein Conv-RNN wird verwendet, um Essensempfehlungen zu erstellen, um individuelle Erlebnisse zu bieten, und ein optimiertes Conv-LSTM-Modell wird verwendet, um die Zufriedenheit der Verbraucher zu prognostizieren. Durch die Integration dieser Elemente zeigt das geschaffene IKS einen praktischen Nutzen bei der Steigerung der allgemeinen Kundenzufriedenheit, der Qualitätssicherung und der Steigerung der Serviceeffizienz. Unter Verwendung von Leistungsmaßen zur Genauigkeit der Lebensmittelempfehlung und zur Vorhersage der Zufriedenheit bestätigen die experimentellen Ergebnisse die Wirksamkeit des Modells.

Das vorgeschlagene intelligente Catering-System bietet einen kontaktlosen Service für die Bereitstellung von Essensvorschlägen und Vorhersagen zur Kundenzufriedenheit. Ein kontaktloses intelligentes Catering-System konzentriert sich hauptsächlich auf Automatisierung und Komfort und ermöglicht es den Kunden, berührungslos mit dem System zu interagieren, während sie bestimmte Aufgaben wie Essensvorschläge und Zufriedenheitsvorhersagen ausführen. Ein KI-Agent hingegen geht über die Automatisierung hinaus, indem er datengestützte Erkenntnisse nutzt, um genauere, anpassungsfähigere und personalisiertere Entscheidungen zu treffen, das Kundenerlebnis zu verbessern und die betriebliche Effizienz über eine breitere Palette von Funktionen hinweg zu verbessern. Ziel dieser Studie ist es, ein KI-gesteuertes Intelligent Catering System (ICS) zu entwickeln, das NLP-LDA für kontaktlose Interaktionen, Conv-RNN für personalisierte Lebensmittelempfehlungen und Conv-LSTM für die Vorhersage der Kundenzufriedenheit integriert. Dieses System ist nützlich für Restaurants, da es die betriebliche Effizienz steigert, Kosten senkt, einen konsistenten Service bietet und die Kundenbindung durch Personalisierung und Echtzeit-Feedback verbessert.

Protocol

Diese Studie wurde in Übereinstimmung mit den Richtlinien der Forschungsethikkommission der National University of Malaysia (UKM) durchgeführt und unter der Zulassungsnummer UKM FST/2025-AI/023 genehmigt. Vor der Erfassung von Chatbot-Anfragen wurde von allen Teilnehmern eine schriftliche Einverständniserklärung eingeholt. Alle Daten wurden anonymisiert, um die Vertraulichkeit und Privatsphäre der Teilnehmer zu gewährleisten

Überblick über die Studie

Der Überblick über das vorgeschlagene intelligente Catering-System, das mit KI-Technologien unterstützt wird, ist in Abbildung 1 dargestellt. Wie dargestellt, wird die Kundeneingabe mit den NLP-Techniken wie Worteinbettungen, Lemmatisierung und Tokenisierung vorverarbeitet, um die Tags zu extrahieren. Dann wurde das ML-Modell namens LDA auf die Modellierung von Kundenetiketten angewendet, um ihnen einen kontaktlosen Service zu bieten. Der Futtervorschlag erfolgt anhand eines Conv-RNN-Modells. Basierend auf der erfassten Ablauffolge aus den Auswahlmöglichkeiten des Vorkunden wird dem Kunden das Lebensmittel intelligent vorgeschlagen. Schließlich wird die Kundenzufriedenheit unter Verwendung eines optimierten Conv-LSTM-Modells vorhergesagt, um den Service des Restaurants weiter zu verbessern. Die Leistung der vorgeschlagenen KI-Modelle wird unter den verschiedenen Bewertungsmetriken bewertet.

Abbildung 1: Vorgeschlagenes Systemmodell für intelligente Catering-Services (IKS). Die Architektur integriert Benutzerinteraktion, Datenvorverarbeitung, Absichtserkennung, Lebensmittelempfehlung und Feedback-Mechanismen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Verwendeter Datensatz

Um das intelligente Catering-System zu erstellen, haben wir mit einem Chatbot 283 Anfragen von einem nahe gelegenen Restaurant gesammelt. Diese Fragen, die eine Vielzahl von Kundenanfragen von Menüdetails bis hin zu Betriebszeiten umfassten, wurden manuell in 15 verschiedene Intent-Gruppen unterteilt. Dies garantiert eine lückenlose Abdeckung aller möglichen Benutzerinteraktionen mit dem System. Anrede, Verabschiedung, Wertschätzung, Catering, Öffnungszeiten, Umgebung, Kontaktinformationen, Fragen zu Zahlungen, heutiges Menü, Lieferalternativen, Menüfragen, Bestellvorgänge, Sonderangebote, Buchungen, Getränkeoptionen und Zugänglichkeit für Sitzgelegenheiten im Freien sind nur einige der spezifischen Aspekte von Kundenanfragen, die in den Intent-Klassen erfasst werden sollten. Tabelle 1 zeigt die Häufigkeit der Fragen in den einzelnen Zweckgruppen und die Einordnung nach dem thematischen Inhalt der Fragen. Zum Beispiel hatte die Kategorie Kontaktinformationen die meisten Abfragen, was darauf hindeutet, dass die Gäste sehr daran interessiert sind, herauszufinden, wie sie mit dem Restaurant in Kontakt treten können. Auf der anderen Seite erhielten die Kategorien Sitzgelegenheiten und Getränke die wenigsten Anfragen, was darauf hindeuten könnte, dass das Interesse der Verbraucher an diesen Themen geringer ist oder dass es bereits mehr Klarheit darüber gibt.

Kontaktloser Service durch NLP mit LDA

Die Benutzereingabe, mit der die Aktivität des Frameworks gestartet wird, wird zunächst vorverarbeitet, um den Text zu standardisieren und Rauschen zu eliminieren. Tokenisierung, Stoppworteliminierung und Lemmatisierung sind Beispiele für diese Vorbereitung, die die Daten für die weitere Analyse vorbereitet. Nach der Vorbearbeitung werden die Nutzeranfragen in numerische Darstellungen umgewandelt. Semantische Verknüpfungen und kontextuelle Relevanz gehören zu den sprachlichen Merkmalen, die von diesen Repräsentationen erfasst werden. Mehrere Machine-Learning-Klassifikatoren wurden verwendet, um diese Vektorrepräsentationen von Benutzerabfragen für die Klassifizierung von 16 vordefinierten Klassen (Intents/Tags) zu trainieren. Das Modell ruft die vorgegebene zugehörige Antwort ab und gibt sie an den Benutzer zurück, nachdem es die Abfrageabsichten des Benutzers genau vorhergesagt hat.

Vorverarbeitung

Die Zuverlässigkeit unserer Analyse wird durch die vorverarbeiteten Abfragen erheblich erhöht, die überprüfen, ob die eingehenden Daten konsistent formatiert und für das folgende Klassifizierungsverfahren relevant sind. Die Absichtsmuster (z. B. Begrüßungen wie Hallo, Hallo, Hey) wurden gesammelt und vorverarbeitet, indem Text in Kleinbuchstaben umgewandelt, Stoppwörter entfernt und Tokenisierung mit dem NLTK-Toolkit³³ angewendet wurden. Tabelle 2 zeigt die Vorverarbeitungsschritte, die in dieser Studie befolgt wurden.

LDA-basierte Tag-Modellierung

Das System klassifiziert die Tags des Benutzers mit Hilfe der Support Vector Regression (SVR), so dass die Begrüßung des Benutzers vom System erkannt wird. Um die Fähigkeit des Systems zu verbessern, die Absicht der Nutzer zu antizipieren, haben wir neben Machine Learning (ML) und Deep Learning (DL)-Modellen auch konventionelle und moderne Textverarbeitungsmethoden gründlich untersucht. Unser Ziel war es, einen hochpräzisen Algorithmus zu entwickeln, der eine breite Palette von Benutzerfragen erfassen kann. In dieser Studie wurden die grundlegenden Strategien von Bag of Words (BoW) und TF-IDF aufgrund ihrer Benutzerfreundlichkeit und Wirksamkeit bei der Betonung der Worthäufigkeit und der Bedeutung von Wörtern im Text verwendet. Die Fähigkeit von Glove und Word2Vec, gemeinsam Worteinbettungen entsprechend dem Wortgebrauch zu erstellen, ermöglichte es ihnen, Wissen über Wortbedeutungen und Kontext zu vermitteln²².

Sobald die Daten vorbereitet sind, werden die Absichtsabfragen mithilfe der LDA-Methode (Latent Dirichlet Allocation) klassifiziert. Ziel ist es, mittels Text Mining mit der LDA-Methode die Zusammenhänge zwischen Begriffen zu analysieren und Muster in ihren Strukturen zu erkennen^34,35. Da LDA unbeaufsichtigt und probabilistischer Natur ist, geht es davon aus, dass jedes Dokument in einem Korpus aus einer vorgegebenen Anzahl manuell definierter Themen besteht. Jedes Dokument in LDA hat das gleiche Gewicht und enthält einen Sack voller Wörter. Es wird davon ausgegangen, dass die Wörter jedes Dokuments ungeordnet sind. Ein Thema wird auch mit Hilfe einer Wahrscheinlichkeitsmassenfunktion von Wörtern beschrieben. Jedes Dokument verwendet eine Wahrscheinlichkeitsmassenfunktion, um Themen auszuwählen. Für die Absichtsklassifizierung wurde die latente Dirichlet-Allokation (LDA) unter Verwendung der GensimPython-Bibliothek³⁴ angewendet.

In LDA werden die Absichten als die Verteilung über das Latente angesehen, die durch die LDA-Verteilungsluft bezeichnet wird, die als bezeichnet wird. Basierend auf der Absichtsverteilung, die als θ(multinomial) bezeichnet wird, wird ein Muster ausgewählt, das die gegebene Absicht definiert, die Wahrscheinlichkeit von I gehört zur gegebenen Klasse C. Eine Dirichlet-Verteilung bezieht sich auf β, die das Muster in einen Beutel mit Wörtern kodiert. Unter Berücksichtigung der α und β ist sie definiert als die multivariate Verteilung mit N Wörtern, die sich auf M-Muster mit z-Absichten beziehen. Die Gruppe der N Terme wird als W bezeichnet, die als³⁶ angegeben wird:

(1)

Durch die Integration über θ wird die Summation als Z deklariert, und das Produkt wird aus den Wahrscheinlichkeiten des Randes der einzelnen Absichten genommen, und die gesamte Absichtswahrscheinlichkeit wird berechnet als:

(2)

Die Muster, einschließlich der Intent-Variationen für Begrüßungen, sind Hallo, Hallo, Hey, Guten Morgen/Mittag/Vorabend und Hola. Während das System diese Muster erhält, findet es die Absicht des Benutzers als Begrüßung und antwortet darauf konsequent mit dem definierten Satz, wie z.B . Was kann ich Ihnen helfen? oder Wie kann ich Ihnen helfen? Wenn die Abfrage mit den vordefinierten 15 Klassen vom System nicht erkannt wird, stellt das System Restaurantinformationen bereit und schlägt dem Benutzer vor, mit dem Kundendienst zu kommunizieren. Das Ergebnis der LDA-basierten Tagmodellierung von Benutzerabfragen im Zusammenhang mit Begrüßungen ist in Abbildung 2 dargestellt. In ähnlicher Weise werden die Antworten für alle 15 Klassen ausgeführt, die sich auf die Benutzerabsichten (Queries) beziehen. Das Modell LDA verfügt über die folgenden Parameter. Die Anzahl der Themen (k) wird als 40 deklariert, Alpha ist auf 0,05 festgelegt, der Beta-Wert beträgt 0,04 und die Anzahl der Iterationen wird als 100 deklariert.

Lebensmittelvorschlag mit Bi-NN für ICS

Im Intelligent Catering System (ICS) werden Lebensmittel systematisch kategorisiert, um genaue Empfehlungen zu unterstützen. Jeder Menüeintrag kann entweder einen einzelnen Artikel (z. B. Burger, Snack, Getränk) oder eine Kombination von Elementen wie ein Mahlzeitenset (z. B. gebratenes Hähnchen mit einem kalten Getränk) darstellen. Diese Artikel sind in sechs Hauptkategorien unterteilt: Huhn, Burger, Snack, Getränk, Anzug und Tiffin. Zur Klarstellung: Anzug bezieht sich auf verpackte Mahlzeitensets, während Tiffin für traditionelle Mahlzeiten mit mehreren Artikeln steht. Jedes Lebensmittel wird durch drei Hauptmerkmale definiert: seinen Preis, seine Kategorie und einen Inhaltsvektor, der seine Zusammensetzung beschreibt. Diese strukturierte Kategorisierung ermöglicht es dem Empfehlungsmodell, die Kaufhistorie der Kunden sowohl auf Artikel- als auch auf Kategorieebene zu analysieren, wodurch die Fähigkeit des Systems verbessert wird, relevante Mahlzeiten und Kombinationen vorzuschlagen, die den Benutzerpräferenzen entsprechen. Alle Lebensmittel im ICS sind ein Satz, der als bezeichnet wird,  wobei N die Gesamtzahl der Lebensmittel im ICS bezeichnet. Für jedes Lebensmittel  in F  besteht es aus Angaben zu den Merkmalen des Lebensmittels und wird wie folgt bezeichnet:

(3)

 wobei die Preise von Lebensmitteln die Kategorie der Lebensmittel bezeichnet,  wobei C die Kategorien bezeichnet.  bezeichnet die Anzahl der Menüs, wobei M die Menüs bezeichnet und den Inhaltsvektor von Lebensmitteln bezeichnet,  wobei wobei das Element des Inhaltsvektors ist und jeweils Hühnchen, Burger, Snack, Getränk, Anzug und Tiffin darstellt.

Die Benutzerdaten bestehen aus Details über den Benutzer, um die Funktionen des Benutzers zu kennzeichnen, die über die App oder den Nutzungsfluss abgerufen werden können. Für jeden Benutzer werden die Funktionen wie folgt bezeichnet:

(4)

wobei , gibt die Details über den Benutzer an, z. B. Alter und Geschlecht.  bezeichnet das Klickereignis des Benutzers, bei dem es sich um einen Vektor mit variabler Länge handelt, wobei und t den Zeitpunkt des letzten Klickereignisses deklariert,  die positive Zahl ist und  die gesamte Flusssequenz bezeichnet, die den gesamten vom Benutzer getätigten Kauf angibt.   Bezeichnet die Liste der vom Kunden gekauften Lebensmittel, wobei , k die Gesamtmenge der vom Benutzer gekauften Lebensmittel angibt.

Mit der Verwendung von F und U, die Lebensmittel bzw. Benutzerdaten bezeichnen, wird das Empfehlungssystem in ICS eingebettet. Das Ziel dieses Systems ist es, die Genauigkeit zu verbessern, um die Kaufabsicht des Benutzers zu verbessern. Das Problem des ICS wird wie folgt formuliert:

(5)

Gleichung (5) bezeichnet das Ziel des Problems, verbesserte Genauigkeitsergebnisse für das ICS-Problem zu finden, indem die Verlustfunktion reduziert wird, die in Gleichung (6) bezeichnet wird.

(6)

 Dabei ist das vorhergesagte Ergebnis und  das tatsächliche Ergebnis. Das Modell schneidet besser ab, wenn der Wert der Verlustfunktion kleiner ist. Die Verlustfunktion wird verwendet, um die Diskrepanz zwischen dem vorhergesagten Wert des Modells und dem wahren Wert Y zu bestimmen. In diesem

(7)

wo

(8)

(9)

Dabei bezeichnet r die Trainingsdaten in X, und s ist die Nummer des gekauften Lebensmittelartikels eines Trainingsdaten. Das entwickelte ICS verwendete die Kreuzentropie als Verlustfunktion, die im folgenden Abschnitt beschrieben wird.

Conv-RNN-basierte Lebensmittelempfehlung

Durch die Analyse der Produktattribute, Benutzerbewertungen und Benutzerprofile bietet ein Conv-RNN-basiertes Empfehlungssystem den Benutzern Empfehlungen, die auf ihren Interessen basieren. Abbildung 3 zeigt das vorgeschlagene CRNN-Design. Die Conv-RNN-Modelle berücksichtigen häufig spezifische Informationen über den zeitlichen Kontext des Benutzers oder fügen sie automatisch hinzu, wenn sie Vorschläge machen. Wie gut ein Empfehlungssystem jedoch den Kontext der Vorschlagsanfragen versteht und nutzt, entscheidet oft darüber, wie effektiv es ist. Conv-RNN berechnet Vorhersagebewertungen basierend auf den dynamischen Merkmalen und Attributen des Elements und dem aktuellen Zeitkontext des Benutzers, um geeignete Empfehlungen für einen bestimmten Benutzer zu geben. Es ist unvermeidlich, dass Menschen, die ähnliche Dinge zur gleichen Zeit durchmachen, ähnliche Vorlieben haben. Die Wirksamkeit eines CNN-basierten zeitbewussten Systems für Empfehlungen hängt von seiner Fähigkeit ab, Benutzer zu finden, die am ehesten mit dem beabsichtigten Empfänger vergleichbar sind und denselben zeitlichen Kontext haben. So zeichnet CNN den zeitlichen Kontext auf, d. h. die zeitkritischen Informationen über die Aktivität des Benutzers. Die Eingabeschicht des CNN wurde dann mit den Benutzerattributen, Elementmerkmalen und Zeitinformationen gefüttert, um die ursprüngliche Matrix neu zu erstellen. Eine Methode zur Berechnung der endgültigen Ausgabe wird angegeben, sobald die Faltungsschicht zum Extrahieren von Features aus der Matrix verwendet wurde.

Aus den Faltungsschichten werden die Food-Click-Ereignisse mit Eqn (10) extrahiert

(10)

Dabei ist O die Ausgabegröße, X ist die Größe der Eingabedaten, F ist die Größe des Convolutional Kernels, a dient zum Füllen der Eingabedaten und S ist mehr als 1 und S ist der Kernel-Schritt. Das neuronale Netz kann komplexere Modelle modellieren, als wenn es auf die Simulation von Berechnungen zwischen benachbarten Schichten des Netzwerks beschränkt wäre, was es mit Uniformität, aber nur linearer Operation tut, da die Aktivierungsfunktion innerhalb der Stimulationsschicht verwendet wird, um nichtlineare Operationen durchzuführen. In einem neuronalen Netzwerk ist die Kommunikation von Schicht zu Schicht streng sequentiell. In Conv-RNN waren Aktivierungsfunktionen am weitesten verbreitet. Den herkömmlichen Tanh-, Sigmoid- und anderen Arten von Aktivierungsfunktionen fehlt ein Gradient und sie haben kleine, praktische Intervallbereiche. Wenn auch ein ressourceneffizienter nichtlinearer Betrieb verwendet wird, werden die Funktionen der gleichgerichteten linearen Einheit (ReLU) zum primären Instrument zur Überwindung dieser beiden Probleme.

Um die Recheneffizienz zu erhöhen, werden Merkmalsdaten von der Pooling-Schicht heruntergesampelt und nur spärlich verarbeitet. Die maximalen und durchschnittlichen Pooling-Methoden sind zwei bekannte Beispiele für Pooling-Algorithmen. MaxPooling bietet bessere Ergebnisse bei der Featureauswahl. MaxPooling hat die folgenden Funktionen ausgewählt:

(11)

Das Conv-RNN verwendet dann die vollständig verbundene Schicht unter Verwendung von zwei dichten Ansätzen, um den Conv-RNN-Schwanz mit weniger Merkmalsinformationsverlust neu zu trainieren. Rekurrente Schichten werden in neuronalen Netzen häufig für die Analyse sequenzieller Daten verwendet. Aufgrund von Verbindungen, die es ihnen ermöglichen, einen internen Speicher früherer Eingaben zu verwalten, behandeln rekurrente Schichten im Gegensatz zu herkömmlichen Feedforward-Schichten jede Eingabe separat. Dadurch eignen sich wiederkehrende Schichten besonders gut für Aufgaben mit Sequenzen, Zeitreihendaten oder anderen Arten von Informationen, bei denen die Reihenfolge der Eingaben eine Rolle spielt. Die Grundeinheit einer rekurrenten Schicht ist das rekurrente Neuron, das oft als RNN-Zelle bezeichnet wird. Wenn RNN-Zellen Eingaben nacheinander verarbeiten, behalten sie einen internen Zustand bei, der Daten aus vorherigen Eingaben enthält. Sein interner Zustand ändert sich in jedem Zeitschritt, was die Verarbeitung nachfolgender Eingaben beeinflusst. Die Ausgabeschicht zeigt dem Benutzer die Ergebnisse nach der Verwendung des SoftMax-Klassifikators an. Bevor die Felder, deren Merkmale als Index der eingebetteten Matrix kategorisiert sind, verwendet werden können, müssen diese zunächst in Ganzzahlen umgewandelt werden.

Die kategoriale Kreuzentropie-Verlustfunktion, die die Differenz zwischen den wahren Klassenbeschriftungen y und der projizierten Wahrscheinlichkeitsverteilung y' quantifiziert, wurde verwendet, um das Conv-RNN-Empfehlungsmodell zu trainieren. Der stochastische Gradientenabstieg (SGD) mit adaptiver Momentenschätzung (Adam) wurde verwendet, um die Modellparameter θ (Gewichte und Verzerrungen) zu verbessern. Die Parameter wurden bei jeder Trainingsiteration t wie folgt geändert:

(12)

wobei η die Lernrate ist,  der Gradient der Verlustfunktion in Bezug auf θ ist.

Die folgenden Taktiken wurden angewendet, um eine Überanpassung zu vermeiden. Während des Trainings wird die Dropout-Regularisierung (ρ=0,3) auf vollständig verknüpften Schichten verwendet, um Neuronen nach dem Zufallsprinzip zu deaktivieren. Wenn in 15 aufeinanderfolgenden Epochen keine Verbesserung zu beobachten war, wurde das Training aufgrund eines Validierungsverlusts vorzeitig abgebrochen.

Fünffache geteilte Kreuzvalidierung zur Bestätigung der Verallgemeinerungsleistung

Mit Hilfe einer Rastersuche auf dem Validierungssatz wurde eine Hyperparameter-Optimierung durchgeführt. Im Suchbereich waren die Anzahl der Filter für die Faltungsschicht 64, die Kernelgröße 3 x 3, die Anzahl der wiederkehrenden Schichten 100, die Batch-Größe, die Dropout-Rate 0,2 und die Lernrate 0,002 enthalten. Der verwendete Optimierer ist ADAM. Schließlich gibt die Ausgabeschicht die Ergebnisse der empfohlenen Lebensmittel als One-Hot-Codierungsvektor zurück, wobei vorgeschlagene Lebensmittel mit eins gekennzeichnet sind und andere Ausgaben mit 0 gekennzeichnet werden.

Vorhersage der Kundenzufriedenheit mit Conv-LSTM

In dieser Studie wurde das Convolution Long Short-Term Memory (Conv-LSTM) verwendet, um die Kundenzufriedenheit nach Beendigung des Caterings zu prognostizieren. Die Struktur von Conv-LSTM ist in Abbildung 4 dargestellt. Die Architektur von CNN umfasst Eingabeneuronen, eine Reihe von Faltungsschichten, Pooling, vollständig verbundene Schichten und Normalisierungsschichten³⁷. Die Nervenzellen der Faltungsschicht sind durch einen schmalen Bereich mit der darüber liegenden Schicht verbunden, während die Aktivierungsneuronen der vollständig verknüpften Schichten vollständig mit den darunter liegenden Schichten verbunden sind. Conv-LSTM-Eingaben definieren explizit die Tensorformen und die zeitliche Granularität. Jede Eingabesequenz ist pro Kundenauftragssitzung (Zeitschritt = pro Bestellung) strukturiert, wobei die Einkaufsliste als Multi-Hot-Vektor kodiert und das zugehörige Zufriedenheitsniveau als numerischer Score dargestellt wird. Der resultierende Tensor hat die Form (Losgröße × Sequenzlänge × Merkmalsdimension).

Die Vorwärts- und Rückwärtsübertragung einer Funktion in CNN unterteilt Faktoren im Allgemeinen basierend auf ihrer Eingabe in verschiedene Gruppen. Zahlreiche CNN-Designs sind als Ergebnis der jüngsten Forschungsfortschritte entstanden. Wie in Gleichung (15) gezeigt, bezeichnen die drei Gewichte iw, rw und b die Eingabegewichtung, die wiederkehrende Gewichtung bzw. die Bias und die Bias , die in jedem LSTM-Block verwendet wurden.

(13)

Im Folgenden finden Sie eine Deklaration des Zellenzustands zum Zeitpunkt Schritt t:

 (14)

wobei das Hadamard-Erzeugnis mit bezeichnet wird. Der Code für den verborgenen Zustand Ht von t lautet:

 (15)

Die Hyperparameter und ihre Werte von Conv-LSTM werden wie folgt deklariert: Die Anzahl der Filter für die Faltungsschicht beträgt 64, die Kernelgröße beträgt 3 x 3, die LSTM-Einheiten sind 100 mit einer Dropout-Rate von 0,2, die Batchgröße beträgt 64, die Lernrate beträgt 0,002 und die Anzahl der Zeitschritte beträgt 50 mit dem Adam-Optimierer.

UML-Diagramm und Pseudo-Code für die Kundeninteraktion

Der dynamische Fluss der Wechselwirkungen im vorgeschlagenen System ist im UML-Sequenzdiagramm dargestellt (Abbildung 5). Das NLP-LDA-Modul verarbeitet die Anforderung des Benutzers (z. B. eine Essensbestellung oder eine Abfrage) für die Themenmodellierung und die Extraktion von Absichten. Nach der Verarbeitung erhält die Empfehlungs-Engine (Conv-RNN) die Anfrage und erstellt eine benutzerdefinierte Empfehlung. Zuletzt erhält der Benutzer eine Echtzeit-Antwort vom System. Diese Abfolge garantiert Transparenz bei der Umsetzung von Benutzereingaben in intelligente Service-Ausgaben und unterstreicht das modulare Zusammenspiel der Komponenten.

Der Conv-RNN-Empfehlungsalgorithmus wurde mit Pseudocode versehen, um die Reproduzierbarkeit zu verbessern. Es bietet einen Überblick über die sequentielle Berechnungslogik, die die Vorverarbeitung der Benutzeranforderung, die Verwendung von Faltungs- und rekurrenten Schichten für die Sequenzmodellierung und die Merkmalsextraktion, die Regularisierung und eine Softmax-Ausgabeschicht zur Generierung eines Vorschlags umfasst. Dieser Pseudocode bietet eine klare Sicht auf den Modell-Workflow auf Implementierungsebene, was mathematische Formulierungen verbessert.

Pseudo-Code: Conv-RNN-Empfehlungsalgorithmus

Eingabe: Benutzeranforderung U, historische Interaktionssequenz H

Ausgabe: Empfohlenes Lebensmittel R

1. Vorverarbeitung von U → Tokenisierung, Einbettung mit Word2Vec
2. Eingabesequenz S = [H, U] konstruieren
3. Faltungsschicht anwenden:
   S_conv = Conv1D(S, Filter, kernel_size)
4. Durchlaufen Sie die rekurrente Schicht (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. Dropout für die Regularisierung anwenden
6. Dichte Schicht mit Softmax-Aktivierung:
   P = Softmax(W xS_rnn + b)
7. Empfehlung auswählen:
   R = argmax(P)
8. Zurückgeben von R an den Benutzer

Results

In dieser Studie wurden mehrere Modelle gründlich getestet und validiert, um die Authentizität und Zuverlässigkeit des entwickelten ICS zu gewährleisten. Der effizienteste Aufbau für ICS wurde durch eine vergleichende Studie mehrerer Worteinbettungs- und Klassifikatorkombinationen ermittelt. Jedes Experiment wurde 10x durchgeführt und die Ergebnisse wurden als Durchschnittswerte mit Standardfehlern in Klammern dargestellt. Diese Methode lenkte die Aufmerksamkeit auf die Unvorhersehbarkeit...

Discussion

Die Gesamtleistung des vorgeschlagenen ICS-Modells mit KI-Technologien wird mit den k-Means mit SVR²⁴, dem Schnellrestaurant mit LSTM (QSR-LSTM⁾²⁵ und NLP-ANN³⁸ verglichen. Im Vergleich dazu sicherte das vorgeschlagene Modell eine kürzere Rechenzeit im Vergleich zu den betrachteten Ansätzen, wie in Abbildung 12 gezeigt. Mit zunehmender Anzahl von Iterationen nimmt die Rechenzeit für ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Programmiersprache	Python (verwendet für Modellentwicklung, NLP und Deep Learning)	https://www.python.org/	Python 3.8+
Datenbank	MySQL oder SQLite (zum Speichern von Benutzerinteraktionsprotokollen)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 oder SQLite3
Dataset	Nutzeranfragen, die vom lokalen Restaurant-Bestellchatbot gesammelt wurden		Manuell annotiert
Deep-Learning-Framework	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 oder Keras 2.11
Entwicklungsumgebung	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (kostenlos)
Bewertungsmetriken	scikit-learn-Metriken: Präzision, Rückruf, Kreuzentropie, R²	https://scikit-learn.org/	scikit-learn 1.0+
Toolkit für natürliche Sprache	spaCy / NLTK (für Vorverarbeitung der Absichtserkennung)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modelle rekurrenter neuronaler Netzwerke	RNN, LSTM, Conv-LSTM	https://keras.io/	Implementierung in Keras
Systemhardware	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Lokales System
Thema-Modellierungswerkzeug	Gensim (verwendet für latente Dirichlet-Zuteilung)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Visualisierungswerkzeuge	Matplotlib, Seaborn (zum Darstellen von Leistungsdiagrammen)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Worteinbettung	Word2Vec / GloVe vortrainierte Embeddings	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP