Requisiti funzionali e modellazione di sistemi orientati agli oggetti per la progettazione di sistemi di ristorazione intelligenti basati sull'intelligenza artificiale

Summary

Questo studio introduce un sistema di catering per ristoranti basato sull'intelligenza artificiale che consente la comunicazione senza contatto, suggerimenti personalizzati sui pasti e previsione della soddisfazione. Utilizzando l'NLP con LDA, Conv-RNN e Conv-LSTM, supera le tecniche basate su regole con maggiore accuratezza, precisione, richiamo e tassi di errore ridotti, dimostrando il potenziale rivoluzionario dell'intelligenza artificiale nel settore della ristorazione.

Abstract

L'industria alimentare ha subito una trasformazione significativa negli ultimi decenni a causa della globalizzazione, dei progressi tecnologici e dell'evoluzione delle aspettative dei clienti. L'intelligenza artificiale (AI) e l'Internet of Things (IoT) stanno ora svolgendo un ruolo fondamentale nel migliorare la produzione, il marketing e la fornitura di servizi alimentari. Questo studio propone un sistema intelligente basato sull'intelligenza artificiale per migliorare i servizi di ristorazione dei ristoranti attraverso il servizio contactless utilizzando l'elaborazione del linguaggio naturale (NLP) e l'analisi discriminante lineare (LDA), raccomandazioni alimentari personalizzate attraverso un modello di rete neurale ricorrente convoluzionale (Conv-RNN) e la previsione della soddisfazione del cliente utilizzando un modello di memoria a lungo termine convoluzionale ottimizzato (Conv-LSTM). Gli esperimenti del mondo reale dimostrano che il sistema proposto supera i metodi tradizionali basati su regole, raggiungendo un'accuratezza del 91,5%, una precisione del 91%, un richiamo del 91,1% e un punteggio F1 dell'89,7% con Word2Vec-LDA; Precisione del 98,5% con una perdita di 0,02 nel modello Conv-RNN; e un RMSE di 0,1011 con un R² di 0,9812 nel sistema Conv-LSTM. Questi risultati evidenziano il potenziale trasformativo dell'intelligenza artificiale nell'automazione e nel miglioramento del servizio clienti nel settore della ristorazione.

Introduction

L'adozione dell'intelligenza artificiale è stata una parte cruciale della crescita della tecnologia digitale nell'ultimo decennio. Ha offerto a diversi settori, tra cui il settore dell'ospitalità, sia possibilità che sfide sin dal suo inizio¹, e sono state sviluppate numerose invenzioni basate sull'intelligenza artificiale che hanno il potenziale per migliorare la qualità della vita delle persone e quindi potenziare l'economia. Nel settore della ristorazione molto competitivo, mantenere cibo e servizio clienti di prim'ordine e essenziale per il successo. Con l'avanzare della tecnologia e il cambiamento delle esperienze culinarie, l'intelligenza artificiale sta diventando uno strumento rivoluzionario per aumentare l'efficacia operativa e la soddisfazione del cliente. I sistemi di monitoraggio basati sull'intelligenza artificiale stanno trasformando le operazioni dei ristoranti² per gestire meglio le cucine, tenere d'occhio la qualità del cibo e fornire un servizio clienti di prim'ordine. Attraverso l'uso di algoritmi avanzati e analisi dei dati in tempo reale, queste tecnologie semplificano le operazioni e garantiscono coerenza, sicurezza ed eccellenza in ogni aspetto dell'esperienza culinaria. Ora è possibile per i ristoranti raggiungere un grado di precisione più elevato per le normali procedure operative².

Il successo finanziario complessivo, l'adattabilità alle mutevoli circostanze e la capacità di espandere e modificare le proprie offerte per soddisfare le esigenze e le aspettative dei clienti sono tutti fattori nel settore del turismo e dell'ospitalità, e questi fattori spesso determinano la sopravvivenza di un'azienda³. Pertanto, il settore del turismo e dell'ospitalità utilizza tecnologie avanzate come l'intelligenza artificiale e la robotica (AIR) per migliorare il servizio e l'esperienza dei clienti. Questi progressi tecnologici vengono utilizzati come strumenti intelligenti per l'assistenza clienti al fine di migliorare l'esperienza del cliente⁴. Inoltre, le prestazioni aziendali possono essere migliorate dal rapido progresso dell'intelligenza artificiale nella gestione dell'ospitalità. Un esempio di industria ad alta intensità di dati che raccoglie grandi quantità di dati in vari formati è il settore alberghiero.

Le inefficienze nella gestione operativa, le crescenti aspettative dei consumatori per i servizi individualizzati, la crescente carenza di manodopera e la necessità di previsioni precise della domanda sono alcuni dei problemi in corso che il settore dell'ospitalità deve affrontare. Gli approcci convenzionali spesso non riescono a gestire adeguatamente questi problemi, il che aumenta le spese operative e si traduce in una qualità del servizio non uniforme. Automatizzando i processi noiosi, facilitando il processo decisionale basato sui dati, aumentando la previsione della domanda, ottimizzando la gestione dei prezzi e dell'inventario e migliorando la personalizzazione dei consumatori, l'intelligenza artificiale (AI) fornisce soluzioni. L'intelligenza artificiale si sta posizionando sempre di più come uno strumento rivoluzionario per migliorare l'efficacia operativa e l'esperienza degli ospiti nel settore dell'ospitalità, colmando queste lacune.

Ripristinando l'efficacia operativa e riconoscendo gli eventi dei clienti, l'intelligenza artificiale sta trasformando la storia dell'assistenza clienti nel settore della ristorazione². Le competenze di intelligenza artificiale come l'apprendimento automatico e l'analisi estrapolativa sono fondamentali per semplificare procedure come la creazione della domanda e la gestione dell'inventario. Una migliore coerenza del servizio e minori costi operativi sono i risultati di questi progressi ^5,6. Inoltre, valutando i dati dei consumatori per offrire suggerimenti di menu ed elevazioni su misura, l'intelligenza artificiale facilita le interazioni personalizzate e promuove la fedeltà e la felicità dei clienti⁷. I sistemi intelligenti svolgono un ruolo chiave nel settore dei viaggi e del turismo, aumentando la concorrenza concentrandosi sulla sofisticazione⁸. Gli hotel stanno sperimentando tecnologie all'avanguardia, tra cui strategie digitali⁹ e robot potenziati con l'intelligenza artificiale e l'Internet of Things (IoT). I robot alimentati dall'intelligenza artificiale e dalle tecnologie correlate stanno diventando sempre più comuni¹⁰. Attraverso le interfacce digitali, gli assistenti vocali (VA), che sono dispositivi di intelligenza artificiale (AI) attivati da comandi vocali, forniscono un grado di intelligenza simile a quella umana¹¹. I VA hanno difficoltà nonostante i loro progressi, come la scarsa consapevolezza degli utenti, il fastidio e l'opposizione occasionale sia da parte dei dipendenti dell'hotel che dei visitatori¹².

Le operazioni di consegna e asporto sono in crescita nel settore della ristorazione man mano che le dinamiche della società cambiano e sempre più americani scelgono opzioni convenienti e che fanno risparmiare tempo¹³. Quasi il 60% dei consumatori negli Stati Uniti effettua un ordine per la consegna o l'asporto almeno una volta alla settimana e il 78% dei consumatori utilizza attivamente le piattaforme di ordinazione di cibo online¹⁴. Questa tendenza è ulteriormente rafforzata dai dati secondo cui il mercato della consegna di cibo online ha raggiunto la confusione di 220 miliardi di dollari entro la fine del 2023, pari al 40% delle vendite dei ristoranti, e che il mercato raggiungerà i 365 miliardi di dollari entro la fine del 2030¹⁵. Si prevede che aumenterà a oltre 534,60 miliardi di dollari entro il 2028. Con un tasso di crescita annuo composto previsto di circa il 9,5% fino al 2034, il mercato globale è stato valutato a circa 288,87 miliardi di dollari nel 2024 e si prevede che raggiungerà i 316,31 miliardi di dollari entro la fine del 2025¹⁵. Inoltre, il numero di ordini diretti online è aumentato di un sorprendente 54% tra il 2019 e il 2021, indicando che i clienti scelgono sempre più l'ordinazione digitale rispetto alle tradizionali opzioni di ristorazione. La crescente importanza del text mining e del processo decisionale basato sui dati nella gestione dei servizi, che illumina nuovi domini di gestione e argomenti importanti come l'intelligenza di mercato e l'analisi dei social media¹⁶. Questa ricerca fornisce un argomento convincente per i ristoranti a utilizzare i chatbot per sviluppare l'efficacia operativa e il coinvolgimento dei clienti. Inoltre, la ricerca di Proenca e Soukiazis¹⁷ evidenzia la possibilità di approcci basati sui dati nelle iniziative di marketing e di gestione delle relazioni con i clienti, offrendo informazioni approfondite su come utilizzare i chatbot per massimizzare le interazioni con i clienti e stimolare l'espansione dell'azienda.

Al fine di aumentare l'efficienza e scegliere un servizio personalizzato e incentrato sul cliente, il settore della ristorazione sta implementando la robotica, l'intelligenza artificiale e l'automazione dei servizi (RAISA)¹⁸. L'uso di RAISA nei ristoranti ha una serie di implicazioni che dovrebbero essere valutate, proprio come qualsiasi altro cambiamento tecnologico¹⁹. Riducendo gli errori e migliorando la qualità complessiva del servizio, RAISA è in grado di fornire un servizio affidabile e standardizzato²⁰. Inoltre, può fornire ai clienti un'esperienza interattiva distintiva. Secondo Kreishan¹⁸, i robot di servizio sono ora più sofisticati, indipendenti e adattabili. Ma possono anche avere un impatto sull'atmosfera generale di un ristorante e sulle interazioni sociali tra clienti, dipendenti e robot. È fondamentale valutare gli aspetti che influiscono sull'accettabilità della tecnologia perché i manager, i dipendenti e i consumatori hanno percezioni diverse di questi elementi e la loro prontezza a interagire con RAISA sta cambiando²¹.

Le significative capacità linguistiche dei modelli Omni sono state evidenziate dalla loro migliore accuratezza nella classificazione del sentiment nell'analisi delle recensioni degli hotel, che ha raggiunto oltre il 67% rispetto al 60,6% del BERT²². Allo stesso tempo, i sistemi di raccomandazione stanno progressivamente utilizzando i modelli linguistici di grandi dimensioni (LLM) per migliorare la personalizzazione gestendo i profili e analizzando le recensioni degli utenti. Mentre i sistemi ibridi integrano gli output LLM con l'incorporamento di reti neurali a grafo per migliorare l'accuratezza delle raccomandazioni in circostanze di dati sparsi, il framework PURE utilizza gli LLM per aggiornare dinamicamente i profili utente in base alle recensioni²³. Nel frattempo, in situazioni basate su sessioni, le architetture di raccomandazione in stile trasformatore, come Transformers4Rec, stanno battendo i modelli RNN convenzionali²⁴.

Ci sono ancora una serie di aspetti inesplorati o inesplorati della ristorazione intelligente, nonostante i rapidi sviluppi dell'intelligenza artificiale, dell'automazione e della tecnologia intelligente. Queste sfide includono la gestione dell'efficienza energetica e degli sprechi alimentari attraverso sistemi basati sull'intelligenza artificiale, la scalabilità della personalizzazione per una varietà di preferenze dei clienti, l'integrazione dell'intelligenza artificiale con i flussi di lavoro tradizionali della cucina, la protezione della privacy e della sicurezza dei clienti nella profilazione dei clienti e l'implementazione di soluzioni di catering intelligenti per ristoranti di piccole e medie dimensioni con finanziamenti limitati. Affinché le soluzioni di ristorazione intelligenti siano adottate in modo ampio e sostenibile, queste lacune devono essere colmate. Questo crea un'opportunità per ulteriori studi e invenzioni. Le potenziali lacune di ricerca nei sistemi di ristorazione intelligenti includono quanto segue:

Sebbene i sistemi di intelligenza artificiale siano in grado di formulare raccomandazioni sui pasti in base alle scelte dell'utente, spesso faticano a comprendere completamente le sottigliezze delle esigenze dietetiche e delle preferenze personali²⁵. La maggior parte delle soluzioni sono ancora in qualche modo basilari e soggette a errori come la previsione di disallineamenti; tuttavia, alcuni sistemi di ristorazione intelligenti utilizzano l'intelligenza artificiale per gestire l'inventario o stimare la domanda. Molti sistemi di ristorazione intelligenti hanno un solo modo di interfacciarsi, come i touch screen o il riconoscimento vocale²⁶. Molti sistemi sono ancora limitati nella loro capacità di comprendere o prevedere appieno le preferenze individuali, anche se gli agenti di intelligenza artificiale possono fornire un certo livello di personalizzazione in base alla storia o alle preferenze dei consumatori. Input di base come i dati demografici o gli ordini precedenti sono spesso utilizzati dai bot di intelligenza artificiale.

I recenti progressi nell'apprendimento automatico si sono concentrati sempre più sulla modellazione del comportamento umano e dei dati contestuali in diversi domini. Nella loro valutazione delle fonti di dati e delle metodologie per i profili di occupazione degli edifici urbani, Nejadshamsi et ^al.27 hanno sottolineato il valore dei dati eterogenei nell'acquisizione di modelli comportamentali dinamici. Sulla base di ciò, Nejadshamsi et ^al.28 hanno dimostrato quanto bene il deep learning preveda i flussi spazio-temporali dell'attività umana proponendo un modello di previsione del flusso di pendolarismo geografico-semantico consapevole del contesto utilizzando reti neurali a grafo. Allo stesso modo, Nejadshamsi et ^al.29 hanno evidenziato l'importanza degli spunti contestuali nel migliorare le prestazioni predittive creando un quadro informato sui trasporti per l'occupazione su scala urbana e la stima dell'energia.

Migliorare l'esperienza del cliente e aumentare l'efficienza operativa sono diventati elementi cruciali di successo nel settore della ristorazione in rapida evoluzione. Molti ristoranti faticano ancora a fornire servizi fluidi, personalizzati ed efficaci nonostante il crescente uso della tecnologia perché mancano di sistemi intelligenti integrati. Le questioni chiave, tra cui il miglioramento del servizio contactless, la fornitura di consigli personalizzati sui pasti e la previsione precisa della felicità dei clienti in tempo reale, sono spesso trascurate dai sistemi attuali²⁵. Creando un sistema di ristorazione intelligente che utilizza tecnologie all'avanguardia per migliorare le operazioni di ristorazione, questo progetto mira a colmare questa lacuna. Tre elementi essenziali sono integrati nel sistema:

Servizio contactless che utilizza l'allocazione latente di Dirichlet (LDA) e l'elaborazione del linguaggio naturale (NLP): Sfruttando LDA e NLP, sono possibili interazioni efficaci con i clienti senza contatto, riducendo i tempi di attesa e l'errore umano.

Sistemi di raccomandazione basati su Conv-RNN per suggerimenti alimentari: Ciò migliora la soddisfazione del menu utilizzando una rete neurale ricorrente convoluzionale (Conv-RNN) per produrre raccomandazioni alimentari dinamiche e personalizzate in base alle preferenze dei consumatori.

Previsione della soddisfazione del cliente con un modello Conv-LSTM ottimizzato: I ristoranti possono apportare miglioramenti basati sui dati utilizzando un modello di memoria a breve termine convoluzionale (Conv-LSTM) migliorato per prevedere la felicità dei clienti sulla base di dati e feedback in tempo reale. Oltre a offrire un coinvolgimento contactless ed esperienze alimentari personalizzate in modo più scalabile ed efficace, il sistema intelligente suggerito cerca di migliorare la soddisfazione del cliente, semplificare le operazioni e migliorare l'erogazione del servizio.

Confrontiamo questo lavoro con una serie di metodi precedenti per collocarlo nell'attuale contesto dei sistemi di raccomandazione alimentare guidati dall'intelligenza artificiale. Ad esempio, Zou et ^al.30 ha sviluppato un framework di raccomandazione conversazionale sequenziale basato su trasformatori che utilizza processi di auto-attenzione per catturare le dinamiche di discussione. Al fine di facilitare il dialogo e le attività di raccomandazione basate su immagini, Gambetti e Han³¹ hanno sviluppato AiGen-FoodReview, un set di dati multimodale costituito da testi e foto di recensioni di ristoranti abbinati. In precedenza, MenuAI è stato creato da Ju et ^al.32 e utilizza modelli di trasformatori per fornire consigli sulle voci di menu direttamente dalla grafica testuale del menu. L'interpretabilità e l'efficienza computazionale sono occasionalmente compromesse da questi approcci, nonostante le loro eccellenti capacità nell'elaborazione di contesti o informazioni multimodali. Il nostro sistema integrato NLP-LDA + Conv-RNN + Conv-LSTM, d'altra parte, trova un equilibrio tra spiegabilità, implementazione leggera ed elevata precisione di previsione, il che lo rende particolarmente adatto per situazioni di catering con risorse limitate.

L'obiettivo principale di questo studio è esaminare in che modo la tecnologia basata sull'intelligenza artificiale può migliorare gli standard di ospitalità e accelerare le operazioni di ristorazione attraverso i servizi di ristorazione intelligenti (ICS). L'allocazione di Dirichlet latente (LDA) e l'NLP sono combinati nel metodo suggerito per gestire in modo efficiente le richieste dei clienti senza contatto. Un Conv-RNN viene utilizzato per produrre consigli sui pasti al fine di fornire esperienze personalizzate e un modello Conv-LSTM ottimizzato viene utilizzato per prevedere i livelli di soddisfazione dei consumatori. Integrando questi elementi, l'ICS creato mostra un'utilità pratica nell'aumentare la soddisfazione generale del cliente, garantire la qualità e aumentare l'efficienza del servizio. Utilizzando le misure delle prestazioni sull'accuratezza delle raccomandazioni alimentari e sulla previsione della soddisfazione, i risultati sperimentali verificano l'efficacia del modello.

Il sistema di ristorazione intelligente proposto fornisce un servizio contactless per fornire suggerimenti alimentari e previsioni sulla soddisfazione del cliente. Un sistema di ristorazione intelligente senza contatto si concentra principalmente sull'automazione e sulla praticità, consentendo ai clienti di interagire con il sistema in modo touchless mentre eseguono attività specifiche come il suggerimento di cibo e la previsione della soddisfazione. Mentre un agente di intelligenza artificiale va oltre l'automazione utilizzando informazioni basate sui dati per prendere decisioni più accurate, adattive e personalizzate, migliorando l'esperienza del cliente e migliorando l'efficienza operativa in una gamma più ampia di funzioni. L'obiettivo di questo studio è sviluppare un sistema di ristorazione intelligente (ICS) basato sull'intelligenza artificiale che integri NLP-LDA per le interazioni senza contatto, Conv-RNN per raccomandazioni alimentari personalizzate e Conv-LSTM per prevedere la soddisfazione del cliente. Questo sistema e utile per i ristoranti perche migliora l'efficienza operativa, riduce i costi, offre un servizio coerente e migliora il coinvolgimento dei clienti attraverso la personalizzazione e il feedback in tempo reale.

Protocol

Questo studio è stato condotto in conformità con le linee guida del Comitato etico per la ricerca dell'Università nazionale della Malesia (UKM) e approvato con il numero di approvazione UKM FST/2025-AI/023. Il consenso informato scritto è stato ottenuto da tutti i partecipanti prima della raccolta delle query del chatbot. Tutti i dati sono stati resi anonimi per garantire la riservatezza e la privacy dei partecipanti

Panoramica dello studio

La panoramica del sistema di ristorazione intelligente proposto assistito da tecnologie di intelligenza artificiale è mostrata nella Figura 1. Come illustrato, l'input del cliente viene pre-elaborato con le tecniche NLP come l'incorporamento di parole, la lemmatizzazione e la tokenizzazione per estrarre i tag. Quindi, il modello ML chiamato LDA è stato applicato alla modellazione dei tag dei clienti per fornire loro un servizio contactless. La proposta di cibo viene effettuata utilizzando un modello Conv-RNN. Sulla base della sequenza di flusso registrata dalle scelte del cliente precedente, il cibo viene suggerito al cliente in modo intelligente. Infine, il livello di soddisfazione del cliente viene previsto utilizzando un modello Conv-LSTM ottimizzato per un ulteriore miglioramento dei servizi del ristorante. Le prestazioni dei modelli di intelligenza artificiale proposti vengono valutate in base alle varie metriche di valutazione.

Figura 1: Modello di sistema proposto per i servizi di ristorazione intelligenti (ICS). L'architettura integra l'interazione con l'utente, la pre-elaborazione dei dati, il rilevamento delle intenzioni, le raccomandazioni alimentari e i meccanismi di feedback. Clicca qui per visualizzare una versione più grande di questa figura.

Set di dati utilizzato

Per creare il sistema di ristorazione intelligente, abbiamo raccolto 283 richieste da un ristorante vicino utilizzando un chatbot. Queste domande, che includevano un'ampia varietà di richieste dei clienti, dai dettagli del menu agli orari di apertura, sono state suddivise manualmente in 15 diversi gruppi di intenti. Ciò garantisce una copertura completa di tutte le possibili interazioni dell'utente con il sistema. Saluti, saluti, apprezzamenti, catering, orari, impostazione, informazioni di contatto, domande sui pagamenti, menu di oggi, alternative di consegna, domande sul menu, processi di ordinazione, offerte speciali, prenotazioni, opzioni di bevande e accessibilità per sedersi all'aperto sono solo alcuni degli aspetti specifici delle richieste dei clienti che le classi di intenti sono state fatte per registrare. La tabella 1 mostra la frequenza delle domande in ciascuno dei gruppi di finalità e la classificazione in base alla sostanza tematica delle domande. Ad esempio, la categoria Informazioni di contatto ha avuto le query più alte, suggerendo che i clienti sono molto interessati a scoprire come entrare in contatto con il ristorante. D'altra parte, le categorie Posti a sedere e Bevande hanno ricevuto il minor numero di richieste, il che potrebbe indicare che c'è meno interesse dei consumatori per questi argomenti o che c'è già più chiarimento su di essi.

Servizio contactless tramite NLP con LDA

L'input dell'utente che avvia l'attività del framework viene inizialmente pre-elaborato per standardizzare il testo ed eliminare il rumore. La tokenizzazione, l'eliminazione delle stop word e la lemmatizzazione sono esempi di questa preparazione, che prepara i dati per ulteriori analisi. Dopo l'elaborazione preliminare, le richieste degli utenti vengono convertite in rappresentazioni numeriche. I collegamenti semantici e la rilevanza contestuale sono tra le caratteristiche linguistiche che vengono catturate da queste rappresentazioni. Diversi classificatori di apprendimento automatico sono stati utilizzati per addestrare queste rappresentazioni vettoriali delle query utente per la classificazione di 16 classi predefinite (intenti/tag). Il modello recupera la risposta correlata predeterminata e la restituisce all'utente dopo aver stimato con precisione le finalità di query dell'utente.

Preelaborazione

L'affidabilità della nostra analisi è notevolmente migliorata dalle query pre-elaborate, che verificano che i dati in arrivo siano formattati in modo coerente e pertinenti per la procedura di classificazione che segue. I modelli di intento (ad esempio, saluti come ciao, ciao, ehi) sono stati raccolti e pre-elaborati convertendo il testo in minuscolo, rimuovendo le parole non significative e applicando la tokenizzazione utilizzando il toolkit NLTK³³. La Tabella 2 mostra le fasi di pre-elaborazione seguite da questo studio.

Modellazione dei tag basata su LDA

Il sistema classifica i tag dell'utente utilizzando la regressione vettoriale di supporto (SVR) in modo che i messaggi di saluto dell'utente vengano riconosciuti dal sistema. Al fine di migliorare la capacità del sistema di anticipare l'intento dell'utente, abbiamo esaminato a fondo i metodi di elaborazione del testo convenzionali e all'avanguardia, oltre ai modelli di Machine Learning (ML) e Deep Learning (DL). Il nostro obiettivo era quello di creare un algoritmo altamente accurato in grado di comprendere un'ampia gamma di domande degli utenti. Questo studio ha impiegato le strategie fondamentali di Bag of Words (BoW) e TF-IDF a causa della loro facilità d'uso e potenza nell'enfatizzare la frequenza delle parole e l'importanza delle parole nel testo. La capacità di Glove e Word2Vec di produrre incorporamenti di parole in base all'uso delle parole ha permesso loro di fornire conoscenza dei significati e del contesto delle parole²².

Una volta preparati i dati, le query intents vengono classificate utilizzando il metodo di allocazione di Dirichlet latente (LDA). L'obiettivo è quello di utilizzare il text mining con il metodo LDA per analizzare le connessioni tra i termini e identificare i modelli nelle loro strutture^34,35. Di natura probabilistica e non supervisionata, l'LDA parte dal presupposto che ogni documento in un corpus sia composto da un numero predeterminato di temi definiti manualmente. Ogni documento in LDA ha lo stesso peso e ha un sacco di parole. Si presume che le parole di ogni documento non siano ordinate. Un argomento viene anche descritto utilizzando una funzione di massa di probabilità di parole. Ogni documento utilizza una funzione di massa di probabilità per scegliere i temi. Per la classificazione delle intenzioni, l'allocazione di Dirichlet latente (LDA) è stata applicata utilizzando la libreria GensimPython³⁴.

Nell'LDA, gli intenti sono visti come la distribuzione sul latente che è indicata dalla distribuzione dell'aria LDA chiamata . Viene selezionato un modello in base alla distribuzione dell'intento, che è indicato come θ (multinomiale) che definisce l'intento dato, la probabilità di I appartiene alla classe data C. Una distribuzione di Dirichlet è correlata a β che codifica il modello in un Bag of words. Data la α e la β, è definita come la distribuzione multivariata con N parole correlate a modelli M con intenti z. Il gruppo di N termini è indicato come W, che è dato come³⁶:

(1)

Integrando su θ, la somma viene dichiarata come Z, e si prende il prodotto delle probabilità del marginale degli intenti individuali, e si calcola l'intera probabilità dell'intento come,

(2)

I modelli, comprese le variazioni dell'intento per i saluti, sono ciao, ciao, ehi, buongiorno/mezzogiorno/vigilia e hola. Durante la ricezione di questi schemi, il sistema trova l'intento dell'utente come saluti e risponde di conseguenza con la frase definita, come ad esempio Cosa posso aiutarti? o Come posso aiutarti? Se la query non viene riconosciuta dal sistema con le 15 classi predefinite, il sistema fornisce informazioni sul ristorante e suggerisce all'utente di comunicare con il servizio clienti. Il risultato della modellazione dei tag basata su LDA delle query utente relative ai messaggi di saluto è illustrato nella Figura 2. Allo stesso modo, le risposte vengono eseguite per tutte le 15 classi relative agli intenti dell'utente (Query). Il modello LDA ha i seguenti parametri. Il numero di argomenti (k) è dichiarato come 40, Alpha è fissato come 0,05, il valore Beta è 0,04 e il numero di iterazioni è dichiarato come 100.

Suggerimento alimentare utilizzando Bi-NN per ICS

Nell'Intelligent Catering System (ICS), gli alimenti sono sistematicamente classificati per supportare raccomandazioni accurate. Ogni voce di menu può rappresentare una singola voce (ad esempio, hamburger, snack, bevanda) o una combinazione di voci come un set da pasto (ad esempio, pollo fritto con una bevanda fredda). Questi articoli sono raggruppati in sei categorie principali: pollo, hamburger, snack, bevanda, abito e tiffin. Per chiarezza, il seme si riferisce ai set di pasti confezionati, mentre il tiffin rappresenta i tradizionali pasti multi-articolo. Ogni alimento è definito da tre caratteristiche chiave: il prezzo, la categoria e un vettore di contenuto che ne descrive la composizione. Questa categorizzazione strutturata consente al modello di raccomandazione di analizzare la cronologia degli acquisti dei clienti sia a livello di articolo che di categoria, migliorando la capacità del sistema di suggerire pasti e combinazioni pertinenti in linea con le preferenze dell'utente. Tutti gli alimenti nell'ICS sono un insieme indicato come,  dove N denota il numero totale di prodotti alimentari nell'ICS. Per ogni prodotto  alimentare in F,  consiste di dettagli delle caratteristiche del cibo, ed è indicato come,

(3)

dove,  denota i prezzi dei prodotti alimentari,  denota la categoria dei prodotti alimentari dove , C denota le categorie.  denota il numero di menu dove dove M denota i menu denota il vettore di contenuto del cibo,dove  dove è l'elemento del vettore di contenuto e rappresenta rispettivamente pollo, hamburger, snack, bevanda, vestito e Tiffin.

I dati dell'utente sono costituiti da dettagli sull'utente per indicare le funzionalità dell'utente che possono essere ottenute dall'app o dal flusso di utilizzo. Per ogni utente , le caratteristiche sono indicate come,

(4)

dove , denota i dettagli sull'utente, come l'età e il sesso.  Denota l'evento click dell'utente, che è un vettore a lunghezza variabile dove  e t dichiara l'ora dell'evento click recente,  è il numero positivo e  denota l'intera sequenza di flusso che denota l'intero acquisto effettuato dall'utente.  Indica l'elenco degli alimenti acquistati dal cliente, dove , k indica la quantità totale di prodotti alimentari acquistati dall'utente.

Con l'uso di F e U, che denotano rispettivamente gli alimenti e i dati dell'utente, il sistema di raccomandazione è inquadrato in ICS. L'obiettivo di questo sistema è quello di migliorare l'accuratezza per potenziare l'intenzione di acquisto dell'utente. Il problema dell'ICS è formulato come,

(5)

L'equazione (5) denota l'obiettivo del problema di trovare risultati di precisione migliorati sul problema ICS riducendo la funzione di perdita indicata nell'equazione (6).

(6)

dove,  è il risultato previsto e  è il risultato effettivo. Il modello offre prestazioni migliori quando il valore della funzione di perdita è inferiore. La funzione di perdita viene impiegata per determinare la discrepanza tra il valore previsto del modello e il valore reale Y. In questo,

(7)

dove

(8)

(9)

In questo, r indica i dati di addestramento in X e s è il numero di prodotto alimentare acquistato di un dato di addestramento. L'ICS sviluppato ha impiegato l'entropia incrociata come funzione di perdita, che è descritta nella sezione seguente.

Raccomandazione alimentare basata su Conv-RNN

Analizzando gli attributi del prodotto, le valutazioni degli utenti e i profili degli utenti, un sistema di raccomandazione basato su Conv-RNN fornisce agli utenti consigli basati sui loro interessi. La Figura 3 mostra il progetto CRNN proposto. I modelli Conv-RNN spesso considerano o aggiungono automaticamente informazioni specifiche sul contesto temporale dell'utente durante l'invio di suggerimenti. Tuttavia, il modo in cui un sistema di raccomandazione comprende e utilizza il contesto fornito dalle richieste di suggerimento spesso determina la sua efficacia. Conv-RNN calcola le valutazioni delle previsioni in base alle caratteristiche e agli attributi dinamici dell'elemento e al contesto dell'ora corrente dell'utente per fornire consigli adeguati per un utente specifico. È inevitabile che le persone che stanno attraversando cose simili allo stesso tempo abbiano preferenze simili. L'efficacia di un sistema di riferimento temporale basato sulla CNN per le raccomandazioni dipende dalla sua capacità di trovare utenti che sono più comparabili al destinatario previsto e che condividono lo stesso contesto temporale. Pertanto, la CNN registra il contesto temporale, che è l'informazione sensibile al tempo sull'attività dell'utente. Al livello di input della CNN sono stati quindi forniti gli attributi dell'utente, le caratteristiche dell'elemento e le informazioni temporali per ricostruire la matrice originale. Un metodo per calcolare l'output finale viene fornito una volta che il livello di convoluzione è stato utilizzato per estrarre le caratteristiche dalla matrice.

Dagli strati di convoluzione, gli eventi di clic del cibo vengono estratti utilizzando Eqn (10)

(10)

dove O è la dimensione dell'output, X è la dimensione dei dati di input, F è la dimensione del kernel convoluzionale, a è riempire i dati di input e S è maggiore di 1 e S è lo stride del kernel. La rete neurale può modellare modelli più complessi di quanto potrebbe fare se si limitasse a simulare calcoli tra strati vicini della rete, cosa che fa utilizzando l'uniformità ma solo il funzionamento lineare, perché la funzione di attivazione all'interno del livello di stimolazione viene utilizzata per eseguire operazioni non lineari. In una rete neurale, la comunicazione da strato a strato è strettamente sequenziale. In Conv-RNN, le funzioni di attivazione erano le più prevalenti. Le funzioni convenzionali di Tanh, sigma e altri tipi di attivazione mancano di un gradiente e hanno intervalli di intervallo piccoli e pratici. Quando viene utilizzata anche un'operazione non lineare efficiente in termini di risorse, le funzioni dell'unità lineare rettificata (ReLU) diventano lo strumento principale per superare questi due problemi.

Per l'efficienza computazionale, il livello di pooling esegue il downsampling ed elabora in modo sparso i dati delle feature. I metodi di pooling massimo e medio sono due esempi ben noti di algoritmi di pooling; MaxPooling offre risultati migliori nella selezione delle funzionalità. MaxPooling ha selezionato le seguenti funzionalità:

(11)

Il Conv-RNN impiega quindi il livello completamente connesso utilizzando due approcci densi per riaddestrare la coda Conv-RNN con una minore perdita di informazioni sulle caratteristiche. I livelli ricorrenti sono comunemente usati nelle reti neurali per l'analisi di dati sequenziali. A causa delle connessioni che consentono loro di mantenere una memoria interna degli input precedenti, i livelli ricorrenti gestiscono ciascun input separatamente, a differenza dei tradizionali livelli feedforward. Ciò rende i livelli ricorrenti particolarmente adatti per attività che coinvolgono sequenze, dati di serie temporali o qualsiasi tipo di informazione in cui l'ordine degli input è importante. L'unità fondamentale di uno strato ricorrente è il neurone ricorrente, spesso noto come cellula RNN. Poiché le cellule RNN gestiscono gli input uno alla volta, mantengono uno stato interno che contiene i dati degli input precedenti. La sua condizione interna viene alterata ad ogni passo temporale, il che influenza l'elaborazione degli input successivi. Il livello di output mostra all'utente i risultati dopo aver utilizzato il classificatore SoftMax. Prima di utilizzare i campi, le cui caratteristiche sono classificate come indice della matrice incorporata, devono essere convertiti in numeri interi.

La funzione di perdita di entropia incrociata categoriale, che quantifica la differenza tra le vere etichette di classe y e la distribuzione di probabilità proiettata y', è stata utilizzata per addestrare il modello di raccomandazione Conv-RNN. La discesa stocastica del gradiente (SGD) con stima del momento adattivo (Adam) è stata utilizzata per migliorare i parametri θ del modello (pesi e distorsioni). I parametri sono stati modificati come segue ad ogni iterazione di addestramento t:

(12)

dove, η è la velocità di apprendimento,  è il gradiente della funzione di perdita rispetto a θ.

Le seguenti tattiche sono state utilizzate per evitare l'overfitting. Durante l'addestramento, la regolarizzazione del dropout (ρ=0,3) viene utilizzata su livelli completamente collegati per disattivare casualmente i neuroni. Quando non è stato osservato alcun miglioramento per 15 epoche consecutive, l'addestramento è stato interrotto in anticipo a causa della perdita di convalida.

Convalida incrociata suddivisa in cinque fasi per confermare le prestazioni della generalizzazione

Utilizzando una ricerca a griglia sul set di convalida, è stata eseguita la regolazione degli iperparametri. Inclusi nello spazio di ricerca c'erano il numero di filtri per il livello di convoluzione, 64, la dimensione del kernel, 3 x 3, il numero di livelli ricorrenti come 100, la dimensione del batch, il tasso di abbandono 0,2 e il tasso di apprendimento 0,002. L'ottimizzatore utilizzato è ADAM. Infine, il livello di output restituisce i risultati degli alimenti consigliati come vettore di codifica one-hot, dove gli alimenti suggeriti sono indicati con uno e gli altri output saranno indicati con 0.

Previsione della soddisfazione del cliente utilizzando Conv-LSTM

Questo studio ha utilizzato la memoria a breve termine lunga di convoluzione (Conv-LSTM) per prevedere la soddisfazione del cliente una volta terminato il catering. La struttura di Conv-LSTM è mostrata nella Figura 4. L'architettura della CNN include neuroni di input, una serie di strati convoluzionali, pooling, livelli completamente connessi e livelli di normalizzazione³⁷. Le cellule nervose dello strato di convoluzione sono collegate allo strato sopra di esso attraverso una regione stretta, mentre i neuroni di attivazione degli strati completamente collegati sono completamente correlati agli strati sottostanti. Gli input Conv-LSTM definiscono esplicitamente le forme tensoriali e la granularità temporale. Ogni sequenza di input è strutturata per sessione dell'ordine del cliente (fase temporale = per ordine), in cui la lista acquisti è codificata come un vettore multi-hot e il livello di soddisfazione associato è rappresentato come un punteggio numerico. Il tensore risultante ha la forma (dimensione del batch × lunghezza della sequenza × dimensione della funzione).

La trasmissione inversa in avanti e all'indietro di una funzione nella CNN generalmente separa i fattori in diversi gruppi in base al loro input. Numerosi progetti di CNN sono emersi come risultato dei recenti progressi della ricerca. Come mostrato nell'equazione (15), tre pesi, iw, rw e b, denotano rispettivamente il peso di input, il peso ricorrente e la polarizzazione che sono stati impiegati in ciascun blocco LSTM.

(13)

Di seguito è riportata una dichiarazione dello stato della cella al passaggio temporale t:

 (14)

dove il prodotto Hadamard è indicato con . Il codice per lo stato nascosto Ht di t è,

 (15)

Gli iperparametri e i relativi valori di Conv-LSTM sono dichiarati come segue: il numero di filtri per il livello di convoluzione è 64, la dimensione del kernel è 3 x 3, le unità LSTM sono 100 con un tasso di abbandono di 0,2, la dimensione del batch è 64, la velocità di apprendimento è 0,002 e il numero di passaggi temporali è 50 con l'ottimizzatore Adam.

Diagramma UML e pseudo codice per l'interazione con il cliente

Il flusso dinamico delle interazioni nel sistema suggerito è illustrato nel diagramma di sequenza UML (Figura 5). Il modulo NLP-LDA elabora la richiesta dell'utente (ad esempio l'ordine di un pasto o una query) per la modellazione degli argomenti e l'estrazione delle intenzioni. Dopo l'elaborazione, il motore di raccomandazione (Conv-RNN) riceve la richiesta e produce una raccomandazione personalizzata. Infine, l'utente riceve una risposta in tempo reale dal sistema. Questa sequenza garantisce la trasparenza nella conversione dell'input dell'utente in output di servizio intelligenti e sottolinea l'interazione modulare dei componenti.

All'algoritmo di raccomandazione Conv-RNN è stato assegnato uno pseudocodice per migliorare la riproducibilità. Fornisce una panoramica della logica computazionale sequenziale, che include la pre-elaborazione della richiesta dell'utente, l'utilizzo di livelli convoluzionali e ricorrenti per la modellazione di sequenze e l'estrazione di funzionalità, la regolarizzazione e un livello di output softmax per generare un suggerimento. Questo pseudocodice offre una chiara visione a livello di implementazione del flusso di lavoro del modello, che migliora le formulazioni matematiche.

Pseudo codice: algoritmo di raccomandazione Conv-RNN

Input: Richiesta utente U, sequenza di interazione storica H

Output: Prodotto alimentare consigliato R

1. Pre-elaborazione di U → tokenizzare, incorporare con Word2Vec
2. Costruire la sequenza di input S = [H, U]
3. Applica livello convoluzionale:
   S_conv = Conv1D(S, filtri, kernel_size)
4. Passaggio attraverso il livello ricorrente (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. Applica Dropout per la regolarizzazione
6. Strato denso con attivazione Softmax:
   P = Softmax(W xS_rnn + b)
7. Seleziona la raccomandazione:
   R = argmax(P)
8. Restituisce R all'utente

Results

Questo studio ha testato e convalidato a fondo diversi modelli per garantire l'autenticità e l'affidabilità dell'ICS sviluppato. La configurazione più efficiente per ICS è stata determinata eseguendo uno studio comparativo di diverse combinazioni di word embedding e classificatori. Ogni esperimento è stato condotto 10 volte e i risultati sono stati presentati come valori medi con errori standard racchiusi tra parentesi. Questo metodo ha portato l'attenzione sull'imprevedibilità e sulla co...

Discussion

Le prestazioni complessive del modello ICS suggerito che utilizza le tecnologie AI sono confrontate con il k-means con SVR²⁴, il ristorante a servizio rapido con LSTM (QSR-LSTM⁾²⁵ e NLP-ANN³⁸. In confronto, il modello proposto ha garantito un tempo di calcolo ridotto rispetto agli approcci considerati, come mostrato nella Figura 12. All'aumentare del numero di iterazioni, il tempo di...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Linguaggio di programmazione	Python (utilizzato per lo sviluppo di modelli, NLP e deep learning)	https://www.python.org/	Python 3.8+
Banca dati	MySQL o SQLite (per memorizzare i log di interazione con l'utente)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 o SQLite3
Dataset	Domande degli utenti raccolte da chatbot locale di ordini di ristoranti		Annotato manualmente
Quadro di Deep Learning	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 & rarr; https://keras.io/	TensorFlow 2.11 o Keras 2.11
Ambiente di sviluppo	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (gratuito)
Metriche di valutazione	metriche scikit-learn: precisione, richiamo, entropia incrociata, R²	https://scikit-learn.org/	scikit-learn 1.0+
Kit di strumenti per il linguaggio naturale	spaCy / NLTK (per la preelaborazione del rilevamento dell'intento)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Modelli di reti neurali ricorrenti	RNN, LSTM, Conv-LSTM	https://keras.io/	Implementato in Keras
Hardware di sistema	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Sistema locale
Strumento di Modellazione Topic	Gensim (usato per l'Allocazione Dirichlet latente)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Strumenti di visualizzazione	Matplotlib, Seaborn (per tracciare grafici di performance)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Incorporamento delle parole	Embeddings pre-addestrati Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP