AI 기반 지능형 케이터링 시스템 설계를 위한 기능 요구 사항 및 객체 지향 시스템 모델링

Summary

본 연구는 비접촉식 커뮤니케이션, 맞춤형 식사 제안, 만족도 예측이 가능한 AI 기반 레스토랑 케이터링 시스템을 소개합니다. LDA, Conv-RNN 및 Conv-LSTM과 함께 NLP를 활용함으로써 더 높은 정확성, 정밀도, 재현율 및 실수율 감소로 규칙 기반 기술을 능가하여 식품 서비스 산업에서 AI의 혁신적인 잠재력을 보여줍니다.

Abstract

식품 산업은 세계화, 기술 발전, 고객 기대치 변화로 인해 최근 수십 년 동안 상당한 변화를 겪었습니다. 인공지능(AI)과 사물인터넷(IoT)은 이제 식품 생산, 마케팅 및 서비스 제공을 향상시키는 데 중요한 역할을 하고 있습니다. 본 연구는 자연어 처리(NLP)와 선형 판별 분석(LDA)을 활용한 비접촉 서비스를 통해 레스토랑 케이터링 서비스를 개선하기 위한 AI 기반 지능형 시스템, Conv-RNN(Convolutional Recurrent Neural Network) 모델을 통한 맞춤형 음식 추천, 최적화된 Convolutional Long Short Term Memory (Conv-LSTM) 모델을 활용한 고객 만족도 예측을 제안한다. 실제 실험은 제안된 시스템이 Word2Vec-LDA를 사용하여 91.5% 정확도, 91% 정밀도, 91.1% 재현율 및 89.7%의 F1 점수를 달성하여 기존의 규칙 기반 방법보다 성능이 뛰어나다는 것을 보여줍니다. Conv-RNN 모델에서 0.02의 손실로 98.5% 정확도; Conv-LSTM 시스템에서 RMSE는 0.1011이고 R²는 0.9812입니다. 이러한 결과는 레스토랑 산업의 고객 서비스를 자동화하고 향상시키는 데 있어 AI의 혁신적인 잠재력을 강조합니다.

Introduction

AI 채택은 지난 10년 동안 디지털 기술 성장의 중요한 부분이었습니다. 그것은^처음부터 환대 부문을 포함한 여러 산업에 가능성과 도전을 동시에 제공했으며1, 사람들의 삶의 질을 향상시켜 경제를 향상시킬 수 있는 잠재력을 가진 수많은 AI 기반 발명품이 개발되었습니다. 경쟁이 치열한 레스토랑 산업에서는 최고의 음식과 고객 서비스를 유지하는 것이 성공에 필수적입니다. 기술이 발전하고 식사 경험이 변화함에 따라 AI는 운영 효율성과 고객 만족도를 높이는 판도를 바꾸는 도구가 되고 있습니다. AI 기반 모니터링 시스템은^{레스토랑 운영2} 을 혁신하여 주방을 더 잘 관리하고, 음식 품질을 주시하고, 최고의 고객 서비스를 제공하고 있습니다. 고급 알고리즘과 실시간 데이터 분석을 사용하여 이러한 기술은 운영을 간소화하고 식사 경험의 모든 측면에서 일관성, 안전성 및 우수성을 보장합니다. 이제 레스토랑은 정상적인 운영 절차에 대해 더 높은 수준의 정밀도를 달성할 수 있습니다².

전반적인 재정적 성공, 변화하는 상황에 대한 적응성, 고객의 요구와 기대를 충족하기 위해 제안을 확장하고 변경할 수 있는 능력은 모두 관광 및 숙박 산업의 요소이며, 이러한 요소는 종종 비즈니스의 생존 여부를 결정합니다³. 따라서 관광 및 숙박 부문에서는 고객 서비스와 경험을 향상시키기 위해 AI 및 로봇 공학(AIR)과 같은 첨단 기술을 사용하고 있습니다. 이러한 기술 발전은 고객 경험을 개선하기 위해 고객 관리를 위한 지능형 도구로 사용되고 있습니다⁴. 또한, 호텔 경영 분야에서 AI의 급속한 발전으로 기업 성과가 향상될 수 있습니다. 다양한 형식으로 방대한 양의 데이터를 수집하는 데이터 집약적 산업의 예로는 호텔 부문이 있습니다.

운영 관리의 비효율성, 개별화된 서비스에 대한 소비자 기대치 증가, 노동력 부족 증가, 정확한 수요 예측에 대한 요구 사항 등은 호텔 산업이 직면한 지속적인 문제 중 일부입니다. 기존 접근 방식으로는 이러한 문제를 적절하게 처리하지 못하는 경우가 많아 운영 비용이 증가하고 서비스 품질이 고르지 않게 됩니다. 지루한 프로세스를 자동화하고, 데이터 기반 의사 결정을 촉진하고, 수요 예측을 강화하고, 가격 및 재고 관리를 최적화하고, 소비자 개인화를 강화함으로써 인공 지능(AI)은 솔루션을 제공합니다. AI는 이러한 격차를 메워 호텔 부문의 운영 효율성과 고객 경험을 향상시키기 위한 판도를 바꾸는 도구로 점점 더 자리매김하고 있습니다.

AI는 운영 효율성을 회복하고 고객 이벤트를 인식함으로써 레스토랑 업계의 고객 관리 역사를 변화시키고 있습니다². 기계 학습 및 외삽 분석과 같은 AI 기술은 수요 생성 및 재고 관리와 같은 절차를 간소화하는 데 매우 중요합니다. 더 나은 서비스 일관성과 더 낮은 운영 비용은 이러한 발전의 결과입니다 ^5,6. 또한 AI는 소비자 데이터를 평가하여 맞춤형 메뉴 제안 및 등급을 제공함으로써 개인화된 상호 작용을 촉진하고 고객 충성도와 행복을 촉진합니다⁷. 지능형 시스템은 여행 및 관광 부문에서 핵심적인 역할을 하며 정교함에 집중하여 경쟁을 심화시킵니다⁸. 호텔은 디지털 전략^{9과 AI} 및 사물 인터넷(IoT)으로 강화된 로봇을 포함한 최첨단 기술을 실험하고 있습니다. AI 및 관련 기술로 구동되는 로봇은 점점 더 보편화되고 있습니다¹⁰. 음성 명령에 의해 활성화되는 인공 지능(AI) 장치인 음성 비서(VA)는 디지털 인터페이스를 통해 어느 정도 인간과 유사한 지능을 제공합니다¹¹. VA는 발전에도 불구하고 낮은 사용자 인식, 성가심, 호텔 직원과 방문객 모두의 가끔 반대 등의 어려움을 겪고 있습니다¹².

사회 역학이 변화하고 더 많은 미국인이 편리하고 시간을 절약해 주는 옵션을 선택함에 따라 외식 업계에서 배달 및 테이크아웃 운영이 성장하고 있습니다¹³. 미국 소비자의 거의 60%가 일주일에 한 번 이상 배달 또는 테이크아웃을 주문하고 소비자의 78%가 온라인 음식 주문 플랫폼을 적극적으로 사용합니다¹⁴. 이러한 추세는 온라인 음식 배달 시장이 2023년 말까지 레스토랑 매출의 40%를 차지하는 2,200억 달러에 달했으며 2030년 말까지 시장이 3,650억 달러에 이를 것이라는 데이터에 의해 더욱 강화됩니다¹⁵. 2028년에는 5,346억 달러 이상으로 증가할 것으로 예상됩니다. 2034년까지 연평균 복합 성장률이 약 9.5%로 예상되는 세계 시장은 2024년에 약 2,888억 7천만 달러로 평가되었으며, 2025년 말까지 3,163억 1천만 달러에 이를 것으로 예상됩니다¹⁵. 또한 2019년에서 2021년 사이에 직접 온라인 주문 건수가 무려 54% 증가했으며, 이는 고객이 기존 식사 옵션보다 디지털 주문을 선택하는 경우가 점점 더 많아지고 있음을 나타냅니다. 서비스 관리에서 텍스트 마이닝 및 데이터 기반 의사 결정의 중요성 증가, 새로운 관리 영역과 시장 인텔리전스 및 소셜 미디어 분석과 같은 중요한 주제를 조명합니다¹⁶. 이 연구는 레스토랑이 챗봇을 사용하여 운영 효율성과 고객 참여를 개발해야 한다는 설득력 있는 주장을 제공합니다. 또한 Proenca와 Soukiazis¹⁷의 연구는 마케팅 및 고객 관계 관리 이니셔티브에서 데이터 기반 접근 방식의 가능성을 강조하여 챗봇을 사용하여 고객 상호 작용을 극대화하고 회사 확장을 촉진하는 방법에 대한 통찰력 있는 정보를 제공합니다.

효율성을 높이고 개별화된 고객 중심 서비스를 선택하기 위해 외식업계는 로봇 공학, 인공 지능 및 서비스 자동화(RAISA)¹⁸를 구현하고 있습니다. 레스토랑에서 RAISA를 사용하는 것은 다른 기술 변화와 마찬가지로 평가해야 할 여러 가지 의미가 있습니다¹⁹. 오류를 줄이고 전반적인 서비스 품질을 개선함으로써 RAISA는 신뢰할 수 있는 표준화된 서비스를 제공할 수 있습니다²⁰. 또한 고객에게 독특한 대화형 경험을 제공할 수 있습니다. Kreishan¹⁸에 따르면 서비스 로봇은 이제 더욱 정교하고 독립적이며 적응력이 뛰어납니다. 그러나 이는 레스토랑의 전반적인 분위기뿐만 아니라 고객, 직원 및 로봇 간의 사회적 상호 작용에도 영향을 미칠 수 있습니다. 관리자, 직원 및 소비자는 이러한 요소에 대한 인식이 다양하고 RAISA와 상호 작용할 준비가 변화하고 있기 때문에 기술 수용 가능성에 영향을 미치는 측면을 평가하는 것이 중요합니다²¹.

옴니 모델의 중요한 언어 능력은 호텔 리뷰 분석에서 감정 분류 정확도가 향상되어 BERT²²의 60.6%에 비해 67% 이상에 도달함으로써 강조되었습니다. 동시에 추천 시스템은 대규모 언어 모델(LLM)을 점진적으로 사용하여 프로필을 관리하고 사용자 리뷰를 분석하여 사용자 정의를 개선하고 있습니다. 하이브리드 시스템은 LLM 출력을 그래프 신경망 임베딩과 통합하여 희소 데이터 상황에서 추천 정확도를 향상시키는 반면, PURE 프레임워크는 LLM을 사용하여 리뷰를 기반으로 사용자 프로필을 동적으로 업데이트합니다²³. 한편, 세션 기반 상황에서는 Transformers4Rec과 같은 트랜스포머 스타일의 추천 아키텍처가 기존 RNN 모델을 능가하고 있습니다²⁴.

AI, 자동화 및 스마트 기술의 빠른 발전에도 불구하고 지능형 케이터링에는 아직 탐구되지 않았거나 충분히 탐구되지 않은 측면이 많이 있습니다. 이러한 과제에는 AI 기반 시스템을 통한 에너지 효율성 및 음식물 쓰레기 관리, 다양한 고객 선호도에 대한 개인화 확장, AI를 기존 주방 워크플로와 통합, 고객 프로파일링에서 고객 개인 정보 보호 및 보안 보호, 자금이 제한된 중소 규모 레스토랑을 위한 지능형 케이터링 솔루션 구현 등이 포함됩니다. 지능형 케이터링 솔루션이 광범위하고 지속 가능하게 채택되려면 이러한 격차를 메워야 합니다. 이것은 더 많은 연구와 발명의 기회를 만듭니다. 지능형 케이터링 시스템의 잠재적인 연구 구멍은 다음과 같습니다.

AI 시스템은 사용자 선택에 따라 식사 추천을 할 수 있지만 식이 요구 사항과 개인 선호도의 미묘함을 완전히 이해하는 데 어려움을 겪는 경우가 많습니다²⁵. 대부분의 솔루션은 여전히 다소 기본적이며 불일치 예측과 같은 실수가 발생하기 쉽습니다. 그러나 일부 지능형 케이터링 시스템은 AI를 사용하여 재고를 관리하거나 수요를 추정합니다. 많은 지능형 케이터링 시스템은 터치 스크린 또는 음성 인식과 같은 인터페이스에 대한 한 가지 방법만 가지고 있습니다²⁶. AI 에이전트가 소비자 이력이나 선호도를 기반으로 일정 수준의 사용자 정의를 제공할 수 있더라도 많은 시스템은 개인의 선호도를 완전히 이해하거나 예측하는 능력이 여전히 제한되어 있습니다. 인구통계학적 데이터나 이전 주문과 같은 기본 입력은 AI 봇에서 자주 사용됩니다.

최근 기계 학습의 발전은 다양한 영역에서 인간 행동과 상황별 데이터를 모델링하는 데 점점 더 초점을 맞추고 있습니다. 도시 건물 점유 프로필에 대한 데이터 소스 및 방법론을 평가할 때 Nejadshamsi et ^al.27은 동적 행동 패턴을 포착하는 데 있어 이기종 데이터의 가치를 강조했습니다. 이를 바탕으로 Nejadshamsi et ^al.28은 그래프 신경망을 활용한 지리적 의미론적 컨텍스트 인식 통근 흐름 예측 모델을 제시하여 딥러닝이 인간 활동의 시공간적 흐름을 얼마나 잘 예측하는지 보여주었습니다. 마찬가지로 Nejadshamsi et ^al.29는 도시 규모의 점유 및 에너지 추정을 위한 교통 정보 프레임워크를 만들어 예측 성능을 향상시키는 데 있어 상황별 단서의 중요성을 강조했습니다.

고객 경험을 개선하고 운영 효율성을 높이는 것은 빠르게 변화하는 레스토랑 산업에서 중요한 성공 요소가 되었습니다. 많은 레스토랑은 통합 지능형 시스템이 부족하기 때문에 기술 사용이 증가하고 있음에도 불구하고 여전히 원활하고 개별화되며 효과적인 서비스를 제공하는 데 어려움을 겪고 있습니다. 비접촉식 서비스 향상, 개별화된 식사 추천 제공, 실시간 고객 행복 정확한 예측 등 주요 문제는 현재 시스템에서 간과되는 경우가 많습니다²⁵. 이 프로젝트는 최첨단 기술을 사용하여 레스토랑 운영을 향상시키는 지능형 케이터링 시스템을 구축함으로써 이러한 격차를 해소하는 것을 목표로 합니다. 세 가지 필수 요소가 시스템에 통합됩니다.

LDA(Latent Dirichlet Allocation) 및 자연어 처리(NLP)를 사용하는 비접촉식 서비스: LDA와 NLP를 활용하면 효과적인 비접촉식 고객 상호 작용이 가능해지고 대기 시간과 인적 오류가 줄어듭니다.

음식 제안을 위한 Conv-RNN 기반 추천 시스템: 이는 Conv-RNN(Convolutional Recurrent Neural Network)을 사용하여 소비자 선호도에 따라 역동적이고 맞춤화된 음식 추천을 생성함으로써 메뉴 만족도를 향상시킵니다.

최적화된 Conv-LSTM 모델을 통한 고객 만족도 예측: 레스토랑은 향상된 Convolutional Long Short-Term Memory(Conv-LSTM) 모델을 사용하여 실시간 데이터와 피드백을 기반으로 고객 만족도를 예측함으로써 데이터 기반 개선을 수행할 수 있습니다. 제안된 지능형 시스템은 보다 확장 가능하고 효과적인 방식으로 비접촉식 참여 및 맞춤형 식사 경험을 제공하는 것 외에도 고객 만족도를 높이고 운영을 간소화하며 서비스 제공을 개선하는 것을 목표로 합니다.

우리는 이 작업을 AI 기반 식품 추천 시스템의 현재 맥락에 배치하기 위해 이전의 여러 방법과 대조합니다. 예를 들어, 토론 역학을 포착하기 위해 자기 주의 프로세스를 사용하는 트랜스포머 기반 순차적 대화 추천 프레임워크는 Zou et ^al.30에 의해 개발되었습니다. 대화와 시각적 기반 추천 작업을 용이하게 하기 위해 Gambetti와 Han³¹은 일치하는 레스토랑 리뷰 텍스트와 사진으로 구성된 다중 모드 데이터 세트인 AiGen-FoodReview를 개발했습니다. 이전에 MenuAI는 Ju et ^al.32에 의해 만들어졌으며 트랜스포머 모델을 사용하여 텍스트 메뉴 그래픽에서 바로 메뉴 항목을 추천했습니다. 해석 가능성과 계산 효율성은 컨텍스트 또는 다중 모드 정보 처리에 대한 탁월한 기술에도 불구하고 이러한 접근 방식으로 인해 때때로 손상됩니다. 반면에 당사의 통합 NLP-LDA + Conv-RNN + Conv-LSTM 시스템은 설명 가능성, 경량 배포 및 높은 예측 정확도 사이의 균형을 유지하므로 리소스가 제한된 케이터링 상황에 특히 적합합니다.

AI 기반 기술이 지능형 케이터링 서비스(ICS)를 통해 환대 표준을 개선하고 레스토랑 운영을 가속화할 수 있는 방법을 조사하는 것이 이 연구의 주요 목적입니다. LDA(Latent Dirichlet Allocation)와 NLP를 제안된 방법으로 결합하여 고객 문의를 비접촉식으로 효율적으로 처리합니다. 개별화된 경험을 제공하기 위해 Conv-RNN을 사용하여 식사 권장 사항을 생성하고, 최적화된 Conv-LSTM 모델을 사용하여 소비자 만족도를 예측합니다. 이러한 요소를 통합하여 생성된 ICS는 전반적인 고객 만족도 향상, 품질 보장, 서비스 효율성 향상에 실용적인 활용을 보여줍니다. 음식 추천 정확도 및 만족도 예측에 대한 성능 측정을 사용하여 실험 결과를 통해 모델의 효능을 검증합니다.

제안된 지능형 케이터링 시스템은 음식 제안 및 고객 만족도 예측을 제공하기 위한 비접촉식 서비스를 제공합니다. 비접촉식 지능형 케이터링 시스템은 주로 자동화와 편의성에 중점을 두어 고객이 음식 제안 및 만족도 예측과 같은 특정 작업을 수행하면서 비접촉식 방식으로 시스템과 상호 작용할 수 있도록 합니다. 반면 AI 에이전트는 데이터 기반 통찰력을 사용하여 보다 정확하고 적응력이 있으며 개인화된 결정을 내리고 고객 경험을 향상하고 더 넓은 범위의 기능에서 운영 효율성을 개선함으로써 자동화를 넘어섭니다. 본 연구의 목표는 비접촉식 상호작용을 위한 NLP-LDA, 맞춤형 음식 추천을 위한 Conv-RNN, 고객 만족도 예측을 위한 Conv-LSTM을 통합한 AI 기반 지능형 케이터링 시스템(ICS)을 개발하는 것이다. 이 시스템은 운영 효율성을 높이고, 비용을 절감하고, 일관된 서비스를 제공하고, 개인화 및 실시간 피드백을 통해 고객 참여를 향상시키기 때문에 레스토랑에 유용합니다.

Protocol

이 연구는 말레이시아 국립대학교(UKM) 연구 윤리 위원회의 지침에 따라 수행되었으며 승인 번호 UKM FST/2025-AI/023에 따라 승인되었습니다. 챗봇 쿼리를 수집하기 전에 모든 참가자로부터 서면 동의서를 얻었습니다. 모든 데이터는 참가자의 기밀성과 개인 정보 보호를 보장하기 위해 익명으로 처리되었습니다

연구 개요

AI 기술을 활용한 제안된 지능형 케이터링 시스템의 개요는 그림 1에 나와 있습니다. 그림과 같이 고객 입력은 단어 임베딩, 표제어, 토큰화와 같은 NLP 기술로 전처리되어 태그를 추출합니다. 그런 다음 LDA라는 ML 모델을 적용하여 고객 태그를 모델링하여 비접촉 서비스를 제공했습니다. 음식 제안은 Conv-RNN 모델을 사용하여 수행됩니다. 이전 고객의 선택에서 기록된 흐름 순서를 기반으로 고객에게 음식을 지능적으로 제안합니다. 마지막으로 최적화된 Conv-LSTM 모델을 사용하여 고객 만족도를 예측하여 레스토랑 서비스의 추가 개선을 제공합니다. 제안된 AI 모델의 성능은 다양한 평가 지표에서 평가됩니다.

그림 1: 지능형 케이터링 서비스(ICS)를 위해 제안된 시스템 모델. 이 아키텍처는 사용자 상호 작용, 데이터 전처리, 의도 감지, 음식 추천 및 피드백 메커니즘을 통합합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

사용된 데이터 세트

지능형 케이터링 시스템을 만들기 위해 챗봇을 사용하여 인근 레스토랑에서 283건의 요청을 수집했습니다. 메뉴 세부 정보부터 운영 시간까지 다양한 고객 문의를 포함하는 이러한 질문은 수동으로 15개의 서로 다른 의도 그룹으로 나뉩니다. 이는 시스템과 가능한 모든 사용자 상호 작용에 대한 철저한 커버리지를 보장합니다. 인사말, 작별 인사, 감사, 케이터링, 시간, 설정, 연락처 정보, 결제에 대한 질문, 오늘의 메뉴, 배달 대안, 메뉴 질문, 주문 프로세스, 특별 거래, 예약, 음료 옵션 및 야외 좌석에 대한 접근성은 의도 클래스가 기록하기 위해 만들어진 고객 문의의 특정 측면 중 일부에 불과합니다. 표 1은 각 목적 그룹의 질문 빈도와 쿼리의 주제 내용에 따른 분류를 보여줍니다. 예를 들어, 연락처 정보 카테고리의 검색어가 가장 많았는데, 이는 고객이 식당에 연락하는 방법을 찾는 데 매우 관심이 있음을 시사합니다. 반면, 좌석 및 음료 카테고리는 문의가 가장 적었는데, 이는 이러한 주제에 대한 소비자의 관심이 적거나 이미 더 많은 설명이 있음을 나타낼 수 있습니다.

LDA와 함께 NLP를 사용한 비접촉식 서비스

프레임워크의 활동을 시작하는 사용자 입력은 텍스트를 표준화하고 노이즈를 제거하기 위해 초기에 전처리됩니다. 토큰화, 중지 단어 제거 및 표제어는 추가 분석을 위해 데이터를 준비하는 이 준비의 예입니다. 사전 처리 후 사용자 문의는 숫자 표현으로 변환됩니다. 의미론적 연결과 문맥적 관련성은 이러한 표현에 의해 포착되는 언어적 특징 중 하나입니다. 여러 기계 학습 분류기를 사용하여 16개의 사전 정의된 클래스(의도/태그)의 분류를 위해 사용자 쿼리의 이러한 벡터 표현을 훈련했습니다. 모델은 미리 결정된 관련 응답을 가져와 사용자의 쿼리 의도를 정확하게 예측한 후 사용자에게 반환합니다.

전처리

분석의 신뢰성은 들어오는 데이터의 형식이 일관되고 다음 분류 절차와 관련이 있는지 확인하는 전처리된 쿼리를 통해 크게 향상됩니다. 의도 패턴(예를 들어, 안녕하세요, 안녕하세요, 안녕하세요와 같은 인사말)은 텍스트를 소문자로 변환하고, 중지 단어를 제거하고, NLTK 툴킷⁽³³)을 사용하여 토큰화를 적용함으로써 수집되고 전처리되었습니다. 표 2는 이 연구가 따르는 전처리 단계를 보여줍니다.

LDA 기반 태그 모델링

시스템은 SVR(Support Vector Regression)을 사용하여 사용자의 태그를 분류하여 시스템에서 사용자의 인사말을 인식합니다. 사용자 의도를 예측할 수 있는 시스템 용량을 향상시키기 위해 머신러닝(ML) 및 딥러닝(DL) 모델 외에도 기존 텍스트 처리 방법과 최첨단 텍스트 처리 방법을 모두 철저히 검토했습니다. 광범위한 사용자 질문을 이해할 수 있는 매우 정확한 알고리즘을 구축하는 것이 우리의 목표였습니다. 본 연구는 단어 빈도와 텍스트 내 단어의 중요성을 강조하는 데 있어 사용 편의성과 효능 때문에 BoW(Bag of Words)와 TF-IDF의 기본 전략을 사용했습니다. Glove와 Word2Vec은 단어 사용에 따라 단어 임베딩을 생성하는 능력을 함께 통해 단어 의미와 문맥에 대한 지식을 전달할 수 있었습니다²².

데이터가 준비되면 의도 쿼리는 잠재 디리클레 할당(LDA) 방법을 사용하여 분류됩니다. 목표는 LDA 방법과 함께 텍스트 마이닝을 사용하여 용어 간의 연결을 분석하고 해당 구조의 패턴을 식별하는 것입니다(^34,35). 본질적으로 지도되지 않고 확률적인 LDA는 말뭉치의 모든 문서가 미리 결정된 수의 수동으로 정의된 주제로 구성되어 있다고 가정합니다. LDA의 모든 문서는 동일한 무게를 가지며 단어 가방이 있습니다. 각 문서의 단어는 순서가 지정되지 않은 것으로 추정됩니다. 주제는 단어의 확률 질량 함수를 사용하여 설명됩니다. 모든 문서는 확률 질량 함수를 사용하여 테마를 선택합니다. 의도 분류를 위해 GensimPython 라이브러리⁽³⁴)를 사용하여 LDA(Latent Dirichlet Allocation)를 적용했습니다.

LDA에서 의도는 라고 하는 LDA 분포 공기로 표시되는 잠재에 대한 분포로 간주됩니다. 패턴은 의도 분포에 따라 선택되며, 이는 주어진 의도를 정의하는 θ(다항식)로 표시되며, I의 확률은 주어진 클래스 C에 속합니다. Dirichlet 분포는 패턴을 단어 가방으로 인코딩하는 β와 관련이 있습니다. α와 β가 주어지면 z 의도가 있는 M 패턴과 관련된 N개의 단어가 있는 다변량 분포로 정의됩니다. N 항의 그룹은 W로 표시되며³⁶으로 주어집니다.

(1)

θ 이상을 적분하면 합계는 Z로 선언되고 개별 의도의 한계 확률의 곱을 취하고 전체 의도 확률은 다음과 같이 계산됩니다.

(2)

인사말의 의도 변형을 포함한 패턴은 안녕하세요, 안녕하세요, 안녕하세요, 안녕하세요, 좋은 아침/정오/이브, 홀라입니다. 이러한 패턴을 수신하는 동안 시스템은 사용자 의도를 인사말로 찾아 결과적으로 정의된 문구(예: What can I help you? 또는 How can I help you? 사전 정의된 15개 클래스를 사용하여 시스템에서 쿼리를 인식하지 못하면 시스템은 레스토랑 정보를 제공하고 사용자가 고객 서비스와 통신하도록 제안합니다. 인사말과 관련된 사용자 쿼리의 LDA 기반 태그 모델링의 결과는 그림 2에 나와 있습니다. 마찬가지로 응답은 사용자 의도(쿼리)와 관련된 15개 클래스 모두에 대해 수행됩니다. 모델 LDA에는 다음과 같은 매개변수가 있습니다. 주제 수(k)는 40, 알파는 0.05, 베타 값은 0.04, 반복 횟수는 100으로 선언됩니다.

ICS용 Bi-NN을 활용한 음식 제안

지능형 케이터링 시스템(ICS)에서는 정확한 권장 사항을 지원하기 위해 식품 품목을 체계적으로 분류합니다. 각 메뉴 항목은 단일 항목(예: 버거, 스낵, 음료) 또는 식사 세트와 같은 항목의 조합(예: 차가운 음료를 곁들인 프라이드 치킨)을 나타낼 수 있습니다. 이러한 품목은 치킨, 버거, 스낵, 음료, 정장, 티핀의 6가지 주요 범주로 분류됩니다. 명확성을 위해 suit는 포장된 식사 세트를 의미하고 tiffin은 전통적인 다중 품목 식사를 나타냅니다. 각 식품은 가격, 카테고리, 구성을 설명하는 콘텐츠 벡터의 세 가지 주요 기능으로 정의됩니다. 이러한 구조화된 분류를 통해 추천 모델은 품목 및 카테고리 수준 모두에서 고객 구매 내역을 분석하여 사용자 선호도에 맞는 관련 식사 및 콤보를 제안하는 시스템의 기능을 향상시킬 수 있습니다. ICS의 모든 식품은 다음과 같이 표시된 집합이며,  여기서 N은 ICS의 총 식품 수를 나타냅니다. F의 모든 식품  에 대해 식품  의 특징에 대한 세부 사항으로 구성되며 다음과 같이 표시됩니다.

(3)

여기서 , 식품  가격을 나타내고 식품 품목의 범주를 나타내며,  여기서 C는 범주를 나타냅니다.  는 메뉴 수를 나타내며, 여기서 M은 메뉴 를 나타내고 음식의 콘텐츠 벡터를 나타내고,  여기서 는 콘텐츠 벡터의 요소를 나타내며 각각 치킨, 버거, 스낵, 음료, 정장 및 티핀을 나타냅니다.

사용자 데이터는 앱 또는 사용 흐름에서 얻을 수 있는 사용자의 기능을 나타내는 사용자에 대한 세부 정보로 구성됩니다. 모든 사용자 에 대해 기능은 다음과 같이 표시됩니다.

(4)

여기서 는 연령 및 성별과 같은 사용자에 대한 세부 정보를 나타냅니다.  는 사용자의 클릭 이벤트를 나타내며, 여기서 T는 최근 클릭 이벤트 의 시간을 선언하고 양수 이며 사용자가 수행한 전체 구매를 나타내는 전체 흐름 시퀀스를 나타냅니다.   고객이 구매한 식품 목록을 나타내며, 여기서 k는 사용자가 구매한 식품의 총 금액을 나타냅니다.

식품 품목과 사용자 데이터를 각각 나타내는 F와 U를 사용하여 추천 시스템은 ICS에 구성됩니다. 이 시스템의 목적은 정확도를 향상시켜 사용자의 구매 의도를 높이는 것입니다. ICS의 문제는 다음과 같이 공식화됩니다.

(5)

방정식 (5)은 방정식 (6)에 표시된 손실 함수를 줄여 ICS 문제에 대한 향상된 정확도 결과를 찾는 문제의 목적을 나타냅니다.

(6)

여기서 는  예측된 결과이고  실제 결과입니다. 모델은 손실 함수의 값이 작을 때 더 나은 성능을 발휘합니다. 손실 함수는 모델의 예측 값과 실제 값 Y 간의 불일치를 결정하는 데 사용됩니다. 이것에서,

(7)

어디

(8)

(9)

여기서 r은 X의 학습 데이터를 나타내고, s는 하나의 학습 데이터의 구매한 식품 품목 번호입니다. 개발된 ICS는 교차 엔트로피를 손실 함수로 사용했으며, 이는 다음 섹션에 설명되어 있습니다.

Conv-RNN 기반 식품 추천

Conv-RNN 기반 추천 시스템은 제품의 속성, 사용자 평점, 사용자 프로필을 분석하여 사용자의 관심사에 따른 추천을 제공합니다. 그림 3 은 제안된 CRNN 설계를 보여줍니다. Conv-RNN 모델은 제안을 하는 동안 사용자의 시간적 컨텍스트에 대한 특정 정보를 자주 고려하거나 자동으로 추가합니다. 그러나 추천 시스템이 제안 요청에서 제공하는 컨텍스트를 얼마나 잘 이해하고 활용하느냐에 따라 그 효과가 결정되는 경우가 많습니다. Conv-RNN은 항목의 동적 특징과 속성, 사용자의 현재 시간 컨텍스트를 기반으로 예측 등급을 계산하여 특정 사용자에게 적합한 권장 사항을 제공합니다. 비슷한 일을 동시에 겪고 있는 사람들이 비슷한 선호도를 갖는 것은 불가피합니다. 추천에 대한 CNN 기반 시간 인식 시스템의 효율성은 의도한 수신자와 가장 유사하고 동일한 시간적 맥락을 공유하는 사용자를 찾는 능력에 달려 있습니다. 따라서 CNN은 사용자 활동에 대한 시간에 민감한 정보인 시간적 컨텍스트를 기록합니다. 그런 다음 CNN의 입력 계층에 사용자 속성, 항목 특성 및 시간 정보를 공급하여 원래 행렬을 다시 구축했습니다. 최종 출력을 계산하는 방법은 컨볼루션 계층을 사용하여 행렬에서 특징을 추출한 후에 제공됩니다.

컨볼루션 레이어에서 음식 클릭 이벤트는 방정식 (10)을 사용하여 추출됩니다

(10)

여기서 O는 출력 크기, X는 입력 데이터 크기, F는 컨볼루션 커널 크기, a는 입력 데이터를 채우기 위한 것, S는 1보다 크고 S는 커널 보폭입니다. 신경망은 자극 계층 내의 활성화 함수가 비선형 연산을 수행하는 데 사용되기 때문에 네트워크의 인접한 계층 간의 계산을 시뮬레이션하는 것으로 제한되는 경우보다 더 복잡한 모델을 모델링할 수 있으며, 이는 균일성을 사용하지만 선형 연산만 사용하여 수행합니다. 신경망에서 계층 간 통신은 엄격하게 순차적입니다. Conv-RNN에서는 활성화 함수가 가장 널리 퍼졌습니다. 기존의 Tanh, sigmoid 및 기타 유형의 활성화 함수에는 기울기가 없으며 작고 실용적인 간격 범위가 있습니다. 자원 효율적인 비선형 연산도 사용되는 경우 ReLU(Rectified Linear Unit) 함수는 이 두 가지 문제를 극복하기 위한 기본 도구가 됩니다.

계산 효율성을 위해 풀링 계층은 기능 데이터를 다운샘플링하고 드물게 처리합니다. 최대 및 평균 풀링 방법은 풀링 알고리즘의 잘 알려진 두 가지 예입니다. MaxPooling은 더 나은 기능 선택 결과를 제공합니다. MaxPooling은 다음 기능을 선택했습니다.

(11)

그런 다음 Conv-RNN은 기능 정보 손실을 줄이면서 Conv-RNN 꼬리를 재훈련하기 위해 두 가지 고밀도 접근 방식을 사용하여 완전 연결 계층을 사용합니다. 순환 계층은 순차 데이터 분석을 위해 신경망에서 일반적으로 사용됩니다. 이전 입력의 내부 메모리를 유지할 수 있는 연결로 인해 순환 계층은 기존의 피드포워드 계층과 달리 각 입력을 개별적으로 처리합니다. 따라서 순환 계층은 시퀀스, 시계열 데이터 또는 입력 순서가 중요한 모든 종류의 정보와 관련된 작업에 특히 적합합니다. 재순환층의 기본 단위는 종종 RNN 세포로 알려진 재발성 뉴런입니다. RNN 셀은 한 번에 하나씩 입력을 처리하므로 이전 입력의 데이터를 포함하는 내부 상태를 유지합니다. 내부 조건은 각 시간 단계에서 변경되어 후속 입력의 처리에 영향을 미칩니다. 출력 계층은 SoftMax 분류기를 사용한 후의 결과를 사용자에게 보여줍니다. 특성이 포함된 행렬의 인덱스로 분류되는 필드를 사용하기 전에 먼저 정수로 변환해야 합니다.

실제 클래스 레이블 y와 예상 확률 분포 y' 간의 차이를 정량화하는 범주형 교차 엔트로피 손실 함수를 사용하여 Conv-RNN 권장 모델을 훈련했습니다. 적응형 모멘트 추정(Adam)을 사용한 확률론적 기울기 하강법(SGD)을 사용하여 모델 매개변수 θ(가중치 및 편향)를 개선했습니다. 매개변수는 각 훈련 반복 t에서 다음과 같이 수정되었습니다.

(12)

여기서 η 학습률  은 θ에 대한 손실 함수의 기울기입니다.

과적합을 방지하기 위해 다음 전술이 사용되었습니다. 훈련 중에 드롭아웃 정규화(ρ=0.3)는 완전히 연결된 계층에서 사용되어 뉴런을 무작위로 비활성화합니다. 15년 연속 에포크 동안 개선이 나타나지 않으면 검증 손실에 따라 훈련을 조기에 중단했습니다.

일반화 성능 확인을 위한 5배 분할 교차 검증

검증 세트에 대한 그리드 검색을 사용하여 하이퍼파라미터 튜닝을 수행했습니다. 검색 공간에는 컨볼루션 계층에 대한 필터 수(64), 커널 크기(3 x 3), 반복 계층 수 100, 배치 크기, 탈락률 0.2 및 학습률 0.002가 포함되었습니다. 사용된 옵티마이저는 ADAM입니다. 마지막으로 출력 계층은 추천 식품의 결과를 원핫 인코딩 벡터로 반환하며, 여기서 제안된 식품은 1로 표시되고 다른 출력은 0으로 표시됩니다.

Conv-LSTM을 이용한 고객 만족도 예측

이 연구는 Conv-LSTM(Convolution Long Short-Term Memory)을 활용하여 케이터링을 마친 후 고객 만족도를 예측했습니다. Conv-LSTM의 구조는 그림 4에 나와 있습니다. CNN의 아키텍처에는 입력 뉴런, 일련의 컨볼루션 계층, 풀링, 완전히 연결된 계층 및 정규화 계층(³⁷)이 포함됩니다. 컨볼루션 층의 신경 세포는 좁은 영역을 통해 그 위의 층에 연결되는 반면, 완전히 연결된 층의 활성화 뉴런은 그 아래의 층과 완전히 관련되어 있습니다. Conv-LSTM 입력은 텐서 모양과 시간적 세분성을 명시적으로 정의합니다. 각 입력 시퀀스는 고객 주문 세션(시간 단계 = 주문당)별로 구조화되며, 여기서 구매 목록은 다중 핫 벡터로 인코딩되고 관련 만족도 수준은 숫자 점수로 표시됩니다. 결과 텐서는 모양(배치 크기 × 시퀀스 길이 × 기능 차원)을 갖습니다.

CNN에서 함수의 정방향 및 역방향 전송은 일반적으로 입력에 따라 요인을 다른 그룹으로 분리합니다. 최근 연구 발전의 결과로 수많은 CNN 디자인이 등장했습니다. 방정식 (15)에서 볼 수 있듯이, iw, rw 및 b의 세 가지 가중치는 각 LSTM 블록에 사용된 입력 가중치, 반복성 가중치 및 바이어스를 각각 나타냅니다.

(13)

다음은 시간 단계 t에서 셀 상태의 선언입니다.

 (14)

여기서 Hadamard 곱은 로 표시됩니다. t의 숨겨진 상태 Ht에 대한 코드는 다음과 같습니다.

 (15)

Conv-LSTM의 하이퍼파라미터와 해당 값은 다음과 같이 선언됩니다: 컨볼루션 계층의 필터 수는 64개, 커널 크기는 3 x 3, LSTM 단위는 100이고 드롭아웃률은 0.2, 배치 크기는 64개, 학습률은 0.002, 시간 단계 수는 Adam 옵티마이저를 사용하여 50개입니다.

고객 상호 작용을 위한 UML 다이어그램 및 의사 코드

제안된 시스템에서 상호 작용의 동적 흐름은 UML 시퀀스 다이어그램에 표시되어 있습니다(그림 5). NLP-LDA 모듈은 주제 모델링 및 의도 추출을 위해 사용자의 요청(예: 식사 주문 또는 쿼리)을 처리합니다. 처리 후 추천 엔진(Conv-RNN)은 요청을 수신하고 사용자 지정 추천을 생성합니다. 마지막으로 사용자는 시스템으로부터 실시간 응답을 받습니다. 이 시퀀스는 사용자 입력을 지능형 서비스 출력으로 변환하는 투명성을 보장하고 구성 요소의 모듈식 상호 작용을 강조합니다.

Conv-RNN 추천 알고리즘에는 재현성을 향상시키기 위해 의사 코드가 부여되었습니다. 사용자 요청 전처리, 시퀀스 모델링 및 특징 추출을 위한 컨볼루션 및 순환 계층 사용, 정규화, 제안 생성을 위한 소프트맥스 출력 계층을 포함하는 순차 계산 논리에 대한 개요를 제공합니다. 이 의사 코드는 수학적 공식을 향상시키는 모델 워크플로에 대한 명확한 구현 수준 보기를 제공합니다.

의사 코드: Conv-RNN 추천 알고리즘

입력: 사용자 요청 U, 과거 상호 작용 시퀀스 H

출력: 추천 식품 R

1. U → 토큰화 전처리, Word2Vec으로 임베드
2. 입력 시퀀스 S = [H, U] 구성
3. 컨볼루션 레이어 적용:
   S_conv = Conv1D(S, 필터, kernel_size)
4. 순환 계층 통과(RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. 정규화를 위해 Dropout 적용
6. Softmax 활성화가 있는 조밀한 층:
   P = 소프트맥스(W xS_rnn + b)
7. 권장 사항 선택:
   R = 인수 최대(P)
8. 사용자에게 R을 반환합니다.

Results

이 연구는 개발된 ICS의 신뢰성과 신뢰성을 보장하기 위해 여러 모델을 철저히 테스트하고 검증했습니다. ICS에 대한 가장 효율적인 설정은 여러 단어 임베딩 및 분류기 조합에 대한 비교 연구를 수행하여 결정되었습니다. 각 실험은 10회 수행되었으며 결과는 괄호 안에 표준 오차가 포함된 평균값으로 표시되었습니다. 이 방법은 모델의 예측 불가능성과 성능의 일관성에 주목했습니다. 표준 편차는 모델을 평가할 때 고려해야 할 중요한 요소입니다. 값이 클수록 모델의 성능이 데이터 세트나 시나리오에 따라 크게 다르다는 것을 의미할 수 있으며, 실제 애플리케이션에서 모델의 일반화 가능성과 신뢰성에 의문을 제기할 수 있습니다.

평가 메트릭

본...

Discussion

AI 기술을 사용하여 제안된 ICS 모델의 전반적인 성능을 SVR²⁴의 k-means, LSTM(QSR-LSTM⁾²⁵ 및 NLP-ANN³⁸의 퀵 서비스 레스토랑과 비교합니다. 이에 비해 제안된 모델은 그림 12와 같이 고려된 접근 방식에 비해 계산 시간을 단축했습니다. 반복 횟수가 증가함에 따라 모든 모델의 계산 시간이 점차 증가합니다. AI를 활용한 지능형 케이터링 시스템 제안은 연산 시간과 오류를 줄여 성능 향상을 확보했습니다. 따라서 개발된 모델은 레스토랑에 지능형 케이터링 서비스를 제공하는 데 효율적이고 효과적입니다.

중요한 단계

프로토콜 섹션에서...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
프로그래밍 언어	파이썬 (모델 개발, 자연어처리, 딥러닝에 사용)	https://www.python.org/	파이썬 3.8+
데이터베이스	MySQL 또는 SQLite (사용자 상호작용 기록 저장용)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 또는 SQLite3
데이터셋	지역 식당 주문 챗봇에서 수집된 사용자 문의		수동 주석
딥러닝 프레임워크	텐서플로우 / 케라스	https://www.tensorflow.org/; 케라스 2.11 & rarr; https://keras.io/	텐서플로우 2.11 또는 케라스 2.11
개발 환경	Jupyter 노트북 / 구글 콜랩	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (무료)
평가 지표	scikit-learn 지표: 정밀도, 회상력, 교차엔트로피, R&UP2;	https://scikit-learn.org/	scikit-learn 1.0+
자연어 툴킷	spaCy / NLTK (의도 탐지 전처리용)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
반복 신경망 모델	RNN, LSTM, 변환-LSTM	https://keras.io/	케라스에서 구현됨
시스템 하드웨어	인텔 코어 i7, 16GB 램, NVIDIA GTX 1660 Ti GPU		지역 시스템
주제 모델링 도구	Gensim (잠재 디리클레 할당에 사용됨)	https://radimrehurek.com/gensim/	Gensim 4.1.2
시각화 도구	Matplotlib, Seaborn (성능 그래프 플롯용)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
워드 엠베딩	Word2Vec / GloVe 사전 학습 임베딩	https://nlp.stanford.edu/projects/glove/	글로브 (100D), 스탠포드 NLP