Functionele vereisten en objectgeoriënteerde systeemmodellering voor het ontwerpen van AI-gestuurde intelligente cateringsystemen

Summary

Deze studie introduceert een op AI gebaseerd restaurantcateringsysteem dat contactloze communicatie, op maat gemaakte maaltijdsuggesties en tevredenheidsvoorspelling mogelijk maakt. Door NLP te gebruiken met LDA, Conv-RNN en Conv-LSTM, overtreft het op regels gebaseerde technieken met meer nauwkeurigheid, precisie, herinnering en minder foutenpercentages, wat het revolutionaire potentieel van AI in de foodservice-industrie aantoont.

Abstract

De voedingsindustrie heeft de afgelopen decennia een aanzienlijke transformatie ondergaan als gevolg van globalisering, technologische vooruitgang en veranderende verwachtingen van klanten. Kunstmatige intelligentie (AI) en het Internet of Things (IoT) spelen nu een cruciale rol bij het verbeteren van de voedselproductie, marketing en dienstverlening. Deze studie stelt een AI-gestuurd intelligent systeem voor om restaurantcateringdiensten te verbeteren door middel van contactloze service met behulp van Natural Language Processing (NLP) en Linear Discriminant Analysis (LDA), gepersonaliseerde voedselaanbevelingen via een Convolutional Recurrent Neural Network (Conv-RNN) -model en voorspelling van klanttevredenheid met behulp van een geoptimaliseerd Convolutional Long Short Term Memory (Conv-LSTM) -model. Experimenten uit de praktijk tonen aan dat het voorgestelde systeem beter presteert dan traditionele, op regels gebaseerde methoden, met een nauwkeurigheid van 91,5%, een precisie van 91,1%, een recall van 91,1% en een F1-score van 89,7% met Word2Vec-LDA; 98,5% nauwkeurigheid met een verlies van 0,02 in het Conv-RNN-model; en een RMSE van 0,1011 met een R² van 0,9812 in het Conv-LSTM-systeem. Deze resultaten benadrukken het transformatieve potentieel van AI bij het automatiseren en verbeteren van de klantenservice in de restaurantindustrie.

Introduction

De adoptie van AI is de afgelopen tien jaar een cruciaal onderdeel geweest van de groei van digitale technologie. Het heeft sinds de start¹ verschillende industrieën, waaronder de horecasector, zowel mogelijkheden als uitdagingen geboden, en er zijn tal van AI-aangedreven uitvindingen ontwikkeld die het potentieel hebben om de levenskwaliteit van mensen te verbeteren en daarmee de economie te verbeteren. In de zeer competitieve restaurantindustrie is het behouden van eersteklas eten en klantenservice essentieel voor succes. Naarmate de technologie vordert en eetervaringen veranderen, wordt AI een baanbrekende tool om de operationele effectiviteit en klanttevredenheid te vergroten. AI-aangedreven monitoringsystemen transformeren restaurantactiviteiten² om hun keukens beter te beheren, de voedselkwaliteit in de gaten te houden en eersteklas klantenservice te bieden. Door het gebruik van geavanceerde algoritmen en realtime data-analyse stroomlijnen deze technologieën de activiteiten en garanderen ze consistentie, veiligheid en uitmuntendheid in elk aspect van de eetervaring. Het is nu mogelijk voor restaurants om een hogere mate van precisie te bereiken voor normale operationele procedures².

Over het algemeen financieel succes, het vermogen om zich aan te passen aan veranderende omstandigheden en het vermogen om het aanbod uit te breiden en te veranderen om aan de behoeften en verwachtingen van de klant te voldoen, zijn allemaal factoren in de toeristen- en horecasector, en deze factoren bepalen vaak of een bedrijf overleeft³. Daarom gebruikt de toerisme- en horecasector geavanceerde technologieën zoals AI en robotica (AIR) om de klantenservice en ervaring te verbeteren. Deze technologische ontwikkelingen worden gebruikt als intelligente hulpmiddelen voor klantenservice om de klantervaring te verbeteren⁴. Bovendien kunnen de bedrijfsprestaties worden verbeterd door de snelle vooruitgang van AI in hospitality management. Een voorbeeld van een data-intensieve industrie die enorme hoeveelheden gegevens in verschillende formaten verzamelt, is de hotelsector.

Inefficiënties in het operationeel beheer, groeiende verwachtingen van consumenten voor geïndividualiseerde diensten, groeiende tekorten aan arbeidskrachten en de vereiste van nauwkeurige vraagprognoses zijn enkele van de aanhoudende problemen waarmee de horeca wordt geconfronteerd. Conventionele benaderingen slagen er vaak niet in om deze problemen adequaat aan te pakken, wat de bedrijfskosten verhoogt en resulteert in een ongelijke servicekwaliteit. Door vervelende processen te automatiseren, datagestuurde besluitvorming te vergemakkelijken, vraagvoorspelling te stimuleren, prijs- en voorraadbeheer te optimaliseren en de personalisatie van de consument te verbeteren, biedt kunstmatige intelligentie (AI) oplossingen. AI wordt steeds meer gepositioneerd als een baanbrekend instrument om de operationele effectiviteit en gastervaring van de horecasector te verbeteren door deze hiaten op te vullen.

Door de operationele effectiviteit te herstellen en klantgebeurtenissen te herkennen, transformeert AI de geschiedenis van klantenservice in de restaurantindustrie². AI-vaardigheden zoals machine learning en extrapolatieve analyses zijn cruciaal voor het stroomlijnen van procedures zoals het creëren van vraag en voorraadbeheer. Betere serviceconsistentie en lagere bedrijfskosten zijn het resultaat van deze vooruitgang ^5,6. Door consumentengegevens te evalueren om op maat gemaakte menusuggesties en verhogingen te bieden, faciliteert AI bovendien gepersonaliseerde interacties en bevordert het klantloyaliteit en geluk⁷. Intelligente systemen spelen een sleutelrol in de reis- en toerismesector en vergroten de concurrentie door zich te concentreren op verfijning⁸. Hotels experimenteren met geavanceerde technologie, waaronder digitale strategieën⁹ en robots die zijn verbeterd met AI en het Internet of Things (IoT). Robots aangedreven door AI en aanverwante technologieën komen steeds vaker voor¹⁰. Via digitale interfaces zorgen spraakassistenten (VA's), dit zijn apparaten voor kunstmatige intelligentie (AI) die worden geactiveerd door spraakopdrachten, voor een zekere mate van mensachtige intelligentie¹¹. VA's hebben ondanks hun vooruitgang problemen, zoals een laag gebruikersbewustzijn, ergernis en af en toe tegenstand van zowel hotelmedewerkers als bezoekers¹².

Bezorg- en afhaalactiviteiten groeien in de restaurantindustrie naarmate de dynamiek van de samenleving verandert en meer Amerikanen kiezen voor handige en tijdbesparende opties¹³. Bijna 60% van de consumenten in de VS plaatst minstens één keer per week een bestelling voor bezorging of afhalen, en 78% van de consumenten maakt actief gebruik van online platforms voor het bestellen van eten¹⁴. Deze trend wordt verder versterkt door de gegevens dat de markt voor online voedselbezorging tegen het einde van 2023 een verwarrende $ 220 miljard bereikte, goed voor 40% van de restaurantverkopen, en dat de markt tegen het einde van 2030 $ 365 miljard zal bereiken¹⁵. Verwacht wordt dat het zal toenemen tot meer dan 534,60 miljard dollar in 2028. Met een voorspeld samengesteld jaarlijks groeipercentage van ongeveer 9,5% tot 2034, werd de wereldmarkt gewaardeerd op ongeveer 288,87 miljard dollar in 2024 en zal naar verwachting tegen het einde van 2025 316,31 miljard dollar bereiken¹⁵. Bovendien is het aantal directe online bestellingen tussen 2019 en 2021 met maar liefst 54% gestegen, wat aangeeft dat klanten steeds vaker kiezen voor digitaal bestellen boven traditionele dineropties. Het groeiende belang van text mining en datagestuurde besluitvorming in servicemanagement, het belichten van nieuwe managementdomeinen en belangrijke onderwerpen zoals marktinformatie en analyse van sociale media¹⁶. Dit onderzoek biedt een overtuigend argument voor restaurants om chatbots te gebruiken om operationele effectiviteit en klantbetrokkenheid te ontwikkelen. Bovendien benadrukt het onderzoek van Proenca en Soukiazis¹⁷ de mogelijkheid van datagestuurde benaderingen in marketing- en klantrelatiebeheerinitiatieven, die inzichtelijke informatie bieden over het gebruik van chatbots om klantinteracties te maximaliseren en bedrijfsuitbreiding te stimuleren.

Om de efficiëntie te verhogen en te kiezen voor geïndividualiseerde, klantgerichte service, implementeert de restaurantindustrie robotica, kunstmatige intelligentie en serviceautomatisering (RAISA)¹⁸. Het gebruik van RAISA in restaurants heeft een aantal implicaties die moeten worden beoordeeld, net als elke andere technologische verandering¹⁹. Door fouten te verminderen en de algehele servicekwaliteit te verbeteren, kan RAISA betrouwbare, gestandaardiseerde service bieden²⁰. Bovendien kan het klanten een onderscheidende interactieve ervaring bieden. Volgens Kreishan¹⁸ zijn servicerobots nu geavanceerder, onafhankelijker en flexibeler. Maar ze kunnen ook een impact hebben op de algemene sfeer van een restaurant en op de sociale interacties tussen klanten, werknemers en robots. Het is van cruciaal belang om de aspecten te evalueren die van invloed zijn op de aanvaardbaarheid van technologie, omdat managers, werknemers en consumenten verschillende percepties van deze elementen hebben en hun bereidheid om met RAISA te communiceren aan het veranderen^{is 21}.

De aanzienlijke taalkundige mogelijkheden van Omni-modellen worden benadrukt door hun verbeterde nauwkeurigheid van de sentimentclassificatie in de analyse van hotelbeoordelingen, die meer dan 67% bedroeg in vergelijking met 60,6% voor BERT²². Tegelijkertijd maken aanbevelingssystemen geleidelijk gebruik van Large Language Models (LLM's) om de aanpassing te verbeteren door profielen te beheren en gebruikersrecensies te analyseren. Terwijl hybride systemen LLM-uitvoer integreren met inbeddingen van neurale netwerken in grafieken om de nauwkeurigheid van aanbevelingen te verbeteren in omstandigheden met weinig gegevens, gebruikt het PURE-framework LLM's om gebruikersprofielen dynamisch bij te werken op basis van beoordelingen²³. Ondertussen verslaan aanbevelingsarchitecturen in transformatiestijl, zoals Transformers4Rec, in sessiegebaseerde situaties conventionele RNN-modellen²⁴.

Er zijn nog een aantal onontgonnen of onderbelichte facetten van intelligente catering, ondanks de snelle ontwikkelingen op het gebied van AI, automatisering en slimme technologie. Deze uitdagingen omvatten het beheren van energie-efficiëntie en voedselverspilling door middel van AI-gestuurde systemen, het opschalen van personalisatie voor een verscheidenheid aan klantvoorkeuren, het integreren van AI met traditionele keukenworkflows, het beschermen van de privacy en beveiliging van klanten bij klantprofilering, en het implementeren van intelligente cateringoplossingen voor kleine en middelgrote restaurants met beperkte financiering. Om intelligente cateringoplossingen op grote schaal en duurzaam toe te passen, moeten deze hiaten worden opgevuld. Dit creëert een mogelijkheid voor meer studie en uitvindingen. Mogelijke onderzoekslacunes in intelligente cateringsystemen zijn onder meer:

Hoewel AI-systemen in staat zijn om maaltijdaanbevelingen te doen op basis van gebruikerskeuzes, hebben ze vaak moeite om de subtiliteiten van dieetvereisten en persoonlijke voorkeuren volledig te begrijpen²⁵. De meeste oplossingen zijn nog steeds enigszins eenvoudig en vatbaar voor fouten, zoals het voorspellen van mismatches; sommige intelligente cateringsystemen maken echter gebruik van AI om de voorraad te beheren of de vraag in te schatten. Veel intelligente cateringsystemen hebben maar één manier om te communiceren, zoals touchscreens of spraakherkenning²⁶. Veel systemen zijn nog steeds beperkt in hun vermogen om individuele voorkeuren volledig te begrijpen of te voorspellen, zelfs als AI-agenten een bepaald niveau van maatwerk kunnen bieden op basis van consumentengeschiedenis of voorkeuren. Basisinvoer zoals demografische gegevens of eerdere bestellingen worden vaak gebruikt door AI-bots.

Recente ontwikkelingen in machine learning zijn steeds meer gericht op het modelleren van menselijk gedrag en contextuele gegevens in verschillende domeinen. In hun evaluatie van gegevensbronnen en methodologieën voor bezettingsprofielen van stedelijke gebouwen benadrukten Nejadshamsi et ^al.27 de waarde van heterogene gegevens bij het vastleggen van dynamische gedragspatronen. Hierop voortbouwend toonden Nejadshamsi et ^al.28 aan hoe goed deep learning ruimtelijk-temporele stromen van menselijke activiteit voorspelt door een geografisch-semantisch contextbewust voorspellingsmodel voor woon-werkverkeer naar voren te brengen dat gebruik maakt van grafische neurale netwerken. Evenzo benadrukten Nejadshamsi et ^al.29 het belang van contextuele aanwijzingen bij het verbeteren van voorspellende prestaties door een op transport gebaseerd kader te creëren voor bezettingsgraad op stedelijke schaal en energieschatting.

Het verbeteren van de klantervaring en het verhogen van de operationele efficiëntie zijn cruciale succeselementen geworden in de snel veranderende restaurantindustrie. Veel restaurants hebben nog steeds moeite om soepele, geïndividualiseerde en effectieve diensten te leveren, ondanks het toenemende gebruik van technologie, omdat ze geen geïntegreerde intelligente systemen hebben. Belangrijke kwesties, waaronder het verbeteren van contactloze service, het geven van geïndividualiseerde maaltijdaanbevelingen en het nauwkeurig voorspellen van klanttevredenheid in realtime, worden vaak over het hoofd gezien door de huidige systemen²⁵. Door een intelligent cateringsysteem te creëren dat gebruikmaakt van geavanceerde technologieën om de restaurantactiviteiten te verbeteren, wil dit project deze kloof dichten. Drie essentiële elementen zijn in het systeem geïntegreerd:

Contactloze service met behulp van Latent Dirichlet Allocation (LDA) en Natural Language Processing (NLP): Door gebruik te maken van LDA en NLP worden effectieve contactloze klantinteracties mogelijk gemaakt, waardoor wachttijden en menselijke fouten worden verminderd.

Conv-RNN-gebaseerde aanbevelingssystemen voor voedselsuggesties: Dit verbetert de tevredenheid over het menu door gebruik te maken van een Convolutional Recurrent Neural Network (Conv-RNN) om dynamische, op maat gemaakte voedingsaanbevelingen te produceren op basis van consumentenvoorkeuren.

Klanttevredenheid voorspellen met een geoptimaliseerd Conv-LSTM-model: Restaurants kunnen datagestuurde verbeteringen aanbrengen door een verbeterd Convolutional Long Short-Term Memory (Conv-LSTM)-model te gebruiken om klanttevredenheid te voorspellen op basis van realtime gegevens en feedback. Naast het bieden van contactloze betrokkenheid en op maat gemaakte eetervaringen op een meer schaalbare en effectieve manier, probeert het voorgestelde intelligente systeem de klanttevredenheid te verbeteren, de activiteiten te stroomlijnen en de dienstverlening te verbeteren.

We vergelijken dit werk met een aantal eerdere methoden om het in de huidige context van AI-gestuurde voedselaanbevelingssystemen te plaatsen. Zo is er een op transformatoren gebaseerd sequentieel gespreksaanbevelingskader ontwikkeld dat gebruikmaakt van zelfaandachtsprocessen om de gespreksdynamiek vast te leggen, door Zou et ^al.30. Om dialoog en visuele aanbevelingstaken mogelijk te maken, ontwikkelden Gambetti en Han³¹ AiGen-FoodReview, een multimodale dataset die bestaat uit gematchte restaurantbeoordelingsteksten en foto's. Eerder werd MenuAI gemaakt door Ju et ^al.32 en gebruikt het transformatormodellen om aanbevelingen voor menu-items te doen, rechtstreeks op basis van tekstuele menuafbeeldingen. Interpreteerbaarheid en computationele efficiëntie worden af en toe aangetast door deze benaderingen, ondanks hun uitstekende vaardigheden in het verwerken van context of multimodale informatie. Ons geïntegreerde NLP-LDA + Conv-RNN + Conv-LSTM-systeem daarentegen biedt een evenwicht tussen verklaarbaarheid, lichtgewicht inzet en hoge voorspellingsnauwkeurigheid, waardoor het bijzonder geschikt is voor cateringsituaties met beperkte middelen.

Het hoofddoel van dit onderzoek is het belangrijkste doel van dit onderzoek om te onderzoeken hoe AI-technologie de horecanormen kan verbeteren en restaurantactiviteiten kan versnellen door middel van Intelligent Catering Services (ICS). Latent Dirichlet Allocation (LDA) en NLP worden in de voorgestelde methode gecombineerd om vragen van klanten efficiënt contactloos af te handelen. Een Conv-RNN wordt gebruikt om maaltijdaanbevelingen te produceren om geïndividualiseerde ervaringen te bieden, en een geoptimaliseerd Conv-LSTM-model wordt gebruikt om de tevredenheid van de consument te voorspellen. Door deze elementen te integreren, toont het gecreëerde ICS praktisch nut bij het verhogen van de algehele klanttevredenheid, het garanderen van kwaliteit en het verhogen van de service-efficiëntie. Met behulp van prestatiemetingen op het gebied van de nauwkeurigheid van voedselaanbevelingen en het voorspellen van tevredenheid, verifiëren experimentele resultaten de werkzaamheid van het model.

Het voorgestelde intelligente cateringsysteem biedt een contactloze service voor het geven van voedselsuggesties en klanttevredenheidsvoorspellingen. Een contactloos intelligent cateringsysteem is vooral gericht op automatisering en gemak, waardoor klanten op een contactloze manier met het systeem kunnen communiceren terwijl ze specifieke taken uitvoeren, zoals voedselsuggestie en tevredenheidsvoorspelling. Terwijl een AI-agent verder gaat dan automatisering door datagestuurde inzichten te gebruiken om nauwkeurigere, adaptievere en gepersonaliseerde beslissingen te nemen, de klantervaring te verbeteren en de operationele efficiëntie te verbeteren in een breder scala aan functies. Het doel van deze studie is het ontwikkelen van een AI-gestuurd Intelligent Catering System (ICS) dat NLP-LDA integreert voor contactloze interacties, Conv-RNN voor gepersonaliseerde voedselaanbevelingen en Conv-LSTM voor het voorspellen van klanttevredenheid. Dit systeem is nuttig voor restaurants omdat het de operationele efficiëntie verbetert, de kosten verlaagt, consistente service levert en de klantbetrokkenheid verbetert door middel van personalisatie en realtime feedback.

Protocol

Deze studie is uitgevoerd in overeenstemming met de richtlijnen van de Research Ethics Committee van The National University of Malaysia (UKM) en goedgekeurd onder goedkeuringsnummer UKM FST/2025-AI/023. Voorafgaand aan het verzamelen van chatbotvragen werd schriftelijke geïnformeerde toestemming verkregen van alle deelnemers. Alle gegevens werden geanonimiseerd om de vertrouwelijkheid en privacy van de deelnemers te waarborgen

Studie overzicht

Het overzicht van het voorgestelde intelligente cateringsysteem met behulp van AI-technologieën wordt weergegeven in figuur 1. Zoals geïllustreerd, wordt de input van de klant voorbewerkt met de NLP-technieken zoals woordinbeddingen, lemmatisering en tokenisatie om de tags te extraheren. Vervolgens is het ML-model met de naam LDA toegepast op het modelleren van klanttags om hen contactloze service te bieden. De voedingssuggestie wordt uitgevoerd met behulp van een Conv-RNN-model. Op basis van de stroomvolgorde die is vastgelegd van de keuzes van de vorige klant, wordt het voedsel op een intelligente manier aan de klant voorgesteld. Ten slotte wordt de klanttevredenheid voorspeld door gebruik te maken van een geoptimaliseerd Conv-LSTM-model voor verdere verbetering van de dienstverlening van het restaurant. De prestaties van de voorgestelde AI-modellen worden geëvalueerd aan de hand van de verschillende evaluatiemaatstaven.

Figuur 1: Voorgesteld systeemmodel voor intelligente cateringdiensten (ICS). De architectuur integreert gebruikersinteractie, gegevensvoorverwerking, intentiedetectie, voedselaanbeveling en feedbackmechanismen. Klik hier om een grotere versie van deze figuur te bekijken.

Gebruikte dataset

Om het intelligente cateringsysteem te creëren, verzamelden we 283 verzoeken van een restaurant in de buurt met behulp van een chatbot. Deze vragen, die een breed scala aan vragen van klanten omvatten, van menudetails tot openingstijden, werden handmatig onderverdeeld in 15 verschillende intentiegroepen. Dit garandeert een grondige dekking van alle mogelijke gebruikersinteracties met het systeem. Aanhef, afscheid, waardering, catering, openingstijden, setting, contactgegevens, vragen over betalingen, het menu van vandaag, bezorgalternatieven, menuvragen, bestelprocessen, speciale aanbiedingen, boekingen, drankopties en toegankelijkheid om buiten te zitten zijn slechts enkele van de specifieke aspecten van vragen van klanten die de intentieklassen moesten registreren. Tabel 1 toont de frequentie van de vragen in elk van de doelgroepen en de indeling volgens de thematische inhoud van de vragen. De categorie Contactgegevens had bijvoorbeeld de meeste zoekopdrachten, wat suggereert dat klanten erg geïnteresseerd zijn om erachter te komen hoe ze in contact kunnen komen met het eetcafé. Aan de andere kant kregen de categorieën Zitplaatsen en Dranken de minste vragen, wat erop kan wijzen dat er minder belangstelling van de consument is voor deze onderwerpen of dat er al meer duidelijkheid over is.

Contactloze service met behulp van NLP met LDA

De gebruikersinvoer die de activiteit van het framework start, wordt in eerste instantie voorbewerkt om de tekst te standaardiseren en ruis te elimineren. Tokenisatie, stopwoordeliminatie en lemmatisering zijn voorbeelden van deze voorbereiding, waardoor de gegevens klaar zijn voor aanvullende analyse. Na voorlopige verwerking worden gebruikersaanvragen omgezet in numerieke weergaven. Semantische verbanden en contextuele relevantie behoren tot de linguïstische kenmerken die door deze representaties worden vastgelegd. Er werden verschillende machine learning-classificaties gebruikt om deze vectorrepresentaties van gebruikersquery's te trainen voor de classificatie van 16 vooraf gedefinieerde klassen (intenties/tags). Het model haalt het vooraf bepaalde gerelateerde antwoord op en stuurt dit terug naar de gebruiker na het nauwkeurig voorspellen van de query-intenties van de gebruiker.

Preprocessing

De betrouwbaarheid van onze analyse wordt aanzienlijk verbeterd door de voorbewerkte query's, die controleren of de binnenkomende gegevens consistent zijn geformatteerd en relevant zijn voor de volgende classificatieprocedure. De intentiepatronen (bijv. begroetingen zoals hallo, hallo, hé) werden verzameld en voorbewerkt door tekst naar kleine letters te converteren, stopwoorden te verwijderen en tokenisatie toe te passen met behulp van de NLTK-toolkit³³. Tabel 2 toont de voorbewerkingsstappen die in dit onderzoek zijn gevolgd.

Tagmodellering op basis van LDA

Het systeem classificeert de tags van de gebruiker met behulp van Support Vector Regression (SVR), zodat de begroetingen van de gebruiker door het systeem worden herkend. Om het systeem beter in staat te stellen te anticiperen op de intentie van de gebruiker, hebben we naast Machine Learning (ML) en Deep Learning (DL) modellen ook zowel conventionele als geavanceerde tekstverwerkingsmethoden grondig onderzocht. Het was ons doel om een zeer nauwkeurig algoritme te bouwen dat een breed scala aan gebruikersvragen kon begrijpen. Deze studie maakte gebruik van de fundamentele strategieën van Bag of Words (BoW) en TF-IDF vanwege hun gebruiksgemak en potentie bij het benadrukken van woordfrequentie en het belang van woorden in de tekst. Het vermogen van Glove en Word2Vec om woordinbeddingen te produceren op basis van woordgebruik stelde hen samen in staat om kennis van woordbetekenissen en context te leveren²².

Zodra de gegevens zijn voorbereid, worden de intentiequery's geclassificeerd met behulp van de latente Dirichlet-toewijzing (LDA)-methode. Het doel is om text mining met de LDA-methode te gebruiken om de verbanden tussen termen te analyseren en patronen in hun structuren te identificeren^34,35. LDA gaat ervan uit dat elk document in een corpus is samengesteld uit een vooraf bepaald aantal handmatig gedefinieerde thema's. Elk document in LDA heeft evenveel gewicht en heeft een zak met woorden. De woorden van elk document worden verondersteld ongeordend te zijn. Een onderwerp wordt ook beschreven met behulp van een waarschijnlijkheidsmassafunctie van woorden. Elk document gebruikt een waarschijnlijkheidsmassafunctie om thema's te kiezen. Voor intentieclassificatie werd Latent Dirichlet Allocation (LDA) toegepast met behulp van de GensimPython-bibliotheek³⁴.

In LDA worden de intenties gezien als de verdeling over het latente die wordt aangeduid door de LDA-verdelingslucht die wordt genoemd . Een patroon wordt geselecteerd op basis van de intentieverdeling, die wordt aangeduid als θ (multinomiaal) die de gegeven intentie definieert, de waarschijnlijkheid van I behoort tot de gegeven klasse C. Een Dirichlet-verdeling is gerelateerd aan β die het patroon codeert in een zak met woorden. Gegeven de α en β, wordt het gedefinieerd als de multivariate verdeling met N woorden gerelateerd aan M-patronen met z-intenties. De groep van N termen wordt aangeduid als W, die wordt gegeven als³⁶:

(1)

Door te integreren over θ, wordt de sommatie gedeclareerd als Z, en wordt het product genomen van de waarschijnlijkheden van de marginale van de individuele intenties, en wordt de volledige intentiekans berekend als,

(2)

De patronen, inclusief de intentievariaties voor begroetingen, zijn hi, hello, Hey, Good morning/noon/eve en hola. Bij het ontvangen van deze patronen vindt het systeem de intentie van de gebruiker als begroetingen en reageert er vervolgens op met de gedefinieerde zin, zoals Wat kan ik je helpen? of Hoe kan ik je helpen? Als de zoekopdracht niet wordt herkend door het systeem met de vooraf gedefinieerde 15 klassen, biedt het systeem restaurantinformatie en stelt het voor dat de gebruiker communiceert met de klantenservice. Het resultaat van de op LDA gebaseerde tagmodellering van gebruikersquery's met betrekking tot begroetingen wordt weergegeven in figuur 2. Op dezelfde manier worden de antwoorden uitgevoerd voor alle 15 klassen die betrekking hebben op de gebruikersintenties (Queries). Het model LDA heeft de volgende parameters. Het aantal onderwerpen (k) wordt gedeclareerd als 40, Alpha wordt vastgesteld als 0,05, de bètawaarde is 0,04 en het aantal iteraties wordt gedeclareerd als 100.

Voedingssuggestie met Bi-NN voor ICS

In het Intelligent Catering System (ICS) worden etenswaren systematisch gecategoriseerd om nauwkeurige aanbevelingen te ondersteunen. Elk menu-item kan een enkel item vertegenwoordigen (bijv. hamburger, snack, drankje) of een combinatie van items, zoals een maaltijdset (bijv. gebakken kip met een koud drankje). Deze items zijn gegroepeerd in zes hoofdcategorieën: kip, hamburger, snack, drankje, pak en tiffin. Voor de duidelijkheid: pak verwijst naar verpakte maaltijdsets, terwijl tiffin staat voor traditionele maaltijden met meerdere items. Elk voedingsmiddel wordt gedefinieerd door drie belangrijke kenmerken: de prijs, de categorie en een inhoudsvector die de samenstelling beschrijft. Deze gestructureerde categorisering stelt het aanbevelingsmodel in staat om de aankoopgeschiedenis van klanten op zowel artikel- als categorieniveau te analyseren, waardoor het systeem beter in staat is om relevante maaltijden en combo's voor te stellen die aansluiten bij de voorkeuren van de gebruiker. Alle voedingsmiddelen in de ICS zijn een set die wordt aangeduid als,  waarbij N staat voor het totale aantal voedingsmiddelen in de ICS. Voor elk voedingsproduct  in F,  bestaat uit details van de kenmerken van voedsel, en het wordt aangeduid als,

(3)

waar,  de prijzen van voedsel aangeeft,  de categorie van de voedingsmiddelen aangeeft, waarbij , C de categorieën aangeeft.  geeft het aantal menu's aan, waarbij M de menu's aangeeft, de inhoudsvector van voedsel aangeeft,  waar het element van de inhoudsvector is en respectievelijk kip, hamburger, snack, drankje, pak en Tiffin vertegenwoordigt.

De gebruikersgegevens bestaan uit details over de gebruiker om de functies van de gebruiker aan te duiden die kunnen worden verkregen via de app of de gebruiksstroom. Voor elke gebruiker worden de functies aangeduid als:

(4)

waarbij , de details over de gebruiker aangeeft, zoals leeftijd en geslacht.  Geeft de klikgebeurtenis van de gebruiker aan, wat een vector met variabele lengte is, waarbij en T de tijd van de recente klikgebeurtenis aangeeft,  het positieve getal is en  de volledige stroomsequentie aangeeft die de volledige aankoop aangeeft die door de gebruiker is uitgevoerd.   Geeft de lijst aan van voedsel dat door de klant is gekocht, waarbij k het totale aantal gekochte etenswaren door de gebruiker aangeeft.

Met het gebruik van F en U, die respectievelijk voedingsmiddelen en gebruikersgegevens aanduiden, wordt het aanbevelingssysteem ingekaderd in ICS. Het doel van dit systeem is om de nauwkeurigheid te verbeteren om de aankoopintentie van de gebruiker te verbeteren. Het probleem van ICS is geformuleerd als,

(5)

Vergelijking (5) geeft het doel van het probleem aan om verbeterde nauwkeurigheidsresultaten te vinden op het ICS-probleem door de verliesfunctie te verminderen die wordt aangegeven in vergelijking (6).

(6)

waar,  is de voorspelde resultaten en  is het werkelijke resultaat. Het model presteert beter wanneer de waarde van de verliesfunctie kleiner is. De verliesfunctie wordt gebruikt om de discrepantie te bepalen tussen de voorspelde waarde van het model en de werkelijke waarde Y. Hierin,

(7)

waar

(8)

(9)

Hierin staat r voor de trainingsgegevens in X, en s is het nummer van het gekochte voedingsmiddel van één trainingsgegevens. Het ontwikkelde ICS gebruikte kruisentropie als een verliesfunctie, die in de volgende paragraaf wordt beschreven.

Voedselaanbeveling op basis van Conv-RNN

Door de kenmerken, gebruikersbeoordelingen en gebruikersprofielen van het product te analyseren, biedt een op Conv-RNN gebaseerd aanbevelingssysteem gebruikers aanbevelingen op basis van hun interesses. Figuur 3 toont het voorgestelde CRNN-ontwerp. De Conv-RNN-modellen houden vaak rekening met of voegen automatisch specifieke informatie toe over de tijdelijke context van de gebruiker bij het doen van suggesties. Hoe goed een aanbevelingssysteem de context van de suggestieverzoeken begrijpt en gebruikt, bepaalt echter vaak hoe effectief het is. Conv-RNN berekent voorspellingsclassificaties op basis van de dynamische kenmerken en kenmerken van het item en de huidige tijdscontext van de gebruiker om geschikte aanbevelingen te doen voor een specifieke gebruiker. Het is onvermijdelijk dat mensen die tegelijkertijd soortgelijke dingen meemaken, dezelfde voorkeuren zullen hebben. De effectiviteit van een op CNN gebaseerd tijdbewust systeem voor aanbevelingen hangt af van het vermogen om gebruikers te vinden die het meest vergelijkbaar zijn met de beoogde ontvanger en dezelfde tijdscontext delen. CNN registreert dus de tijdelijke context, de tijdgevoelige informatie over de activiteit van de gebruiker. De invoerlaag van CNN werd vervolgens gevoed met de gebruikersattributen, itemkenmerken en tijdinformatie om de oorspronkelijke matrix opnieuw op te bouwen. Een methode voor het berekenen van de uiteindelijke output wordt gegeven zodra de convolutielaag is gebruikt om kenmerken uit de matrix te extraheren.

Uit de convolutielagen worden de voedselklikgebeurtenissen geëxtraheerd met behulp van Eqn (10)

(10)

waarbij O de uitvoergrootte is, X de grootte van de invoergegevens, F de convolutionele kernelgrootte, a is om de invoergegevens te vullen, en S is meer dan 1 en S is de kernelpas. Het neurale netwerk kan complexere modellen modelleren dan het zou kunnen als het beperkt zou zijn tot het simuleren van berekeningen tussen aangrenzende lagen van het netwerk, wat het doet door uniformiteit te gebruiken, maar alleen lineaire bewerking, omdat de activeringsfunctie binnen de stimulatielaag wordt gebruikt om niet-lineaire bewerkingen uit te voeren. In een neuraal netwerk is de communicatie van laag tot laag strikt sequentieel. In Conv-RNN kwamen activeringsfuncties het meest voor. De conventionele Tanh-, sigmoïde en andere soorten activeringsfuncties missen een gradiënt en hebben kleine, praktische intervalbereiken. Wanneer ook een hulpbronnenefficiënte niet-lineaire bewerking wordt gebruikt, worden de gerectificeerde lineaire eenheid (ReLU) het primaire instrument om deze twee problemen op te lossen.

Voor rekenefficiëntie downsamplet de poolinglaag en verwerkt deze spaarzaam functiegegevens. De maximale en gemiddelde poolingmethoden zijn twee bekende voorbeelden van pooling-algoritmen; MaxPooling zorgt voor betere resultaten bij het selecteren van functies. MaxPooling heeft de volgende functies geselecteerd:

(11)

De Conv-RNN maakt vervolgens gebruik van de volledig verbonden laag met behulp van twee dichte benaderingen voor het opnieuw trainen van de Conv-RNN-staart met minder verlies van functie-informatie. Terugkerende lagen worden vaak gebruikt in neurale netwerken voor de analyse van sequentiële gegevens. Vanwege verbindingen waarmee ze een intern geheugen van eerdere invoer kunnen behouden, verwerken terugkerende lagen elke invoer afzonderlijk, in tegenstelling tot traditionele feedforward-lagen. Dit maakt terugkerende lagen bijzonder geschikt voor taken met betrekking tot sequenties, tijdreeksgegevens of elke vorm van informatie waarbij de volgorde van invoer van belang is. De fundamentele eenheid van een terugkerende laag is het terugkerende neuron, vaak bekend als een RNN-cel. Omdat RNN-cellen de invoer één voor één verwerken, behouden ze een interne toestand die gegevens van eerdere invoer bevat. De interne toestand wordt bij elke tijdstap gewijzigd, wat de verwerking van volgende invoer beïnvloedt. De uitvoerlaag toont de gebruiker de resultaten na het gebruik van de SoftMax-classificatie. Voordat de velden worden gebruikt, waarvan de kenmerken zijn gecategoriseerd als de index van de ingebedde matrix, moeten ze eerst worden geconverteerd naar gehele getallen.

De categorische cross-entropieverliesfunctie, die het verschil kwantificeert tussen de ware klasselabels y en de geprojecteerde kansverdeling y', werd gebruikt om het Conv-RNN-aanbevelingsmodel te trainen. Stochastic gradient descent (SGD) met adaptieve momentschatting (Adam) werd gebruikt om de modelparameters θ (gewichten en biases) te verbeteren. De parameters zijn als volgt gewijzigd bij elke trainingsiteratie t:

(12)

waarbij, η de leersnelheid is,  de gradiënt van de verliesfunctie ten opzichte van θ is.

De volgende tactieken werden gebruikt om overfitting te voorkomen. Tijdens de training wordt drop-out regularisatie (ρ=0,3) gebruikt op volledig gekoppelde lagen om neuronen willekeurig te deactiveren. Toen er gedurende 15 opeenvolgende perioden geen verbetering werd gezien, werd de training vroegtijdig gestopt op basis van validatieverlies.

Vijfvoudige gesplitste kruisvalidatie om generalisatieprestaties te bevestigen

Met behulp van een rasterzoekopdracht op de validatieset werd hyperparameterafstemming uitgevoerd. Inbegrepen in de zoekruimte waren het aantal filters voor de convolutielaag, 64, de kernelgrootte, 3 x 3, het aantal terugkerende lagen als 100, de batchgrootte, dropoutpercentage 0,2 en leersnelheid 0,002. De gebruikte optimizer is ADAM. Ten slotte retourneert de uitvoerlaag de resultaten van aanbevolen voedingsmiddelen als een één-hete coderingsvector, waarbij voorgestelde voedingsmiddelen worden aangeduid met één en andere outputs worden aangeduid als 0.

Voorspelling van de klanttevredenheid met behulp van Conv-LSTM

Deze studie maakte gebruik van het Convolution Long Short-Term Memory (Conv-LSTM) om de klanttevredenheid te voorspellen zodra ze klaar zijn met hun catering. De structuur van Conv-LSTM wordt weergegeven in figuur 4. De architectuur van CNN omvat invoerneuronen, een reeks convolutionele lagen, pooling, volledig verbonden lagen en normalisatielagen³⁷. De zenuwcellen van de convolutielaag zijn via een smal gebied verbonden met de laag erboven, terwijl de activeringsneuronen van de volledig verbonden lagen volledig verwant zijn aan de lagen eronder. Conv-LSTM-ingangen definiëren expliciet de tensorvormen en temporele granulariteit. Elke invoersequentie is gestructureerd per klantordersessie (tijdstap = per order), waarbij de inkooplijst wordt gecodeerd als een multi-hot vector en het bijbehorende tevredenheidsniveau wordt weergegeven als een numerieke score. De resulterende tensor heeft de vorm (batchgrootte × sequentielengte × functiedimensie).

De voorwaartse en achterwaartse transmissie van een functie in CNN scheidt factoren over het algemeen in verschillende groepen op basis van hun input. Talloze CNN-ontwerpen zijn naar voren gekomen als gevolg van recente onderzoeksontwikkelingen. Zoals weergegeven in vergelijking (15), geven drie gewichten, iw, rw en b, respectievelijk het invoergewicht, het terugkerende gewicht en de bias aan die in elk LSTM-blok zijn gebruikt.

(13)

Het volgende is een verklaring van de celtoestand op tijdstip stap t:

 (14)

waar het Hadamard-product wordt aangeduid met . De code voor de verborgen toestand Ht van t is,

 (15)

De hyperparameters en hun waarden van Conv-LSTM worden als volgt gedeclareerd: Het aantal filters voor de convolutielaag is 64, de kernelgrootte is 3 x 3, de LSTM-eenheden zijn 100 met een uitvalpercentage van 0,2, de batchgrootte is 64, de leersnelheid is 0,002 en het aantal tijdstappen is 50 met de Adam-optimizer.

UML-diagram en pseudocode voor klantinteractie

De dynamische stroom van interacties in het voorgestelde systeem wordt weergegeven in het UML-sequentiediagram (Figuur 5). De NLP-LDA-module verwerkt het verzoek van de gebruiker (zoals een maaltijdbestelling of query) voor onderwerpmodellering en intentie-extractie. Na verwerking ontvangt de recommendation engine (Conv-RNN) de aanvraag en produceert een op maat gemaakte aanbeveling. Ten slotte ontvangt de gebruiker een real-time reactie van het systeem. Deze volgorde garandeert transparantie bij de omzetting van gebruikersinvoer in intelligente service-outputs en benadrukt het modulaire samenspel van componenten.

Het Conv-RNN-aanbevelingsalgoritme heeft pseudocode gekregen om de reproduceerbaarheid te verbeteren. Het biedt een overzicht van de sequentiële computationele logica, waaronder het voorverwerken van het gebruikersverzoek, het gebruik van convolutionele en terugkerende lagen voor sequentiemodellering en functie-extractie, regularisatie en een softmax-uitvoerlaag om een suggestie te genereren. Deze pseudocode biedt een duidelijk overzicht op implementatieniveau van de modelworkflow, wat wiskundige formuleringen verbetert.

Pseudocode: Conv-RNN-aanbevelingsalgoritme

Invoer: Gebruikersverzoek U, historische interactiesequentie H

Output: Aanbevolen voedingsmiddel R

1. Voorbewerken U → tokeniseren, insluiten met Word2Vec
2. Bouw invoersequentie S = [H, U]
3. Convolutionele laag aanbrengen:
   S_conv = Conv1D(S, filters, kernel_size)
4. Ga door Recurrent Layer (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. Dropout toepassen voor regularisatie
6. Dichte laag met Softmax-activering:
   P = Softmax(W xS_rnn + b)
7. Selecteer aanbeveling:
   R = argmax(P)
8. Retourneer R naar de gebruiker

Results

In deze studie werden verschillende modellen grondig getest en gevalideerd om de authenticiteit en betrouwbaarheid van de ontwikkelde ICS te garanderen. De meest efficiënte opzet voor ICS werd bepaald door een vergelijkende studie uit te voeren van verschillende woordinbeddings- en classificatorcombinaties. Elk experiment werd 10x uitgevoerd en de resultaten werden gepresenteerd als gemiddelde waarden met standaardfouten tussen haakjes. Deze methode vestigde de aandacht op de onvoorspelba...

Discussion

De algehele prestaties van het voorgestelde ICS-model met behulp van AI-technologieën worden vergeleken met de k-means met SVR²⁴, quick service restaurant met LSTM (QSR-LSTM)²⁵ en NLP-ANN³⁸. Ter vergelijking: het voorgestelde model zorgde voor een kortere rekentijd in vergelijking met de overwogen benaderingen, zoals weergegeven in figuur 12. Naarmate het aantal iteraties toeneemt, n...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Programmeertaal	Python (gebruikt voor modelontwikkeling, NLP en deep learning)	https://www.python.org/	Python 3.8+
Database	MySQL of SQLite (voor het opslaan van gebruikersinteractielogs)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 of SQLite3
Dataset	Gebruikersvragen verzameld van lokale restaurantbestelchatbot		Handmatig geannoteerd
Deep Learning Framework	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 of Keras 2.11
Ontwikkelomgeving	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (gratis)
Evaluatiemetrieken	scikit-learn-metrieken: precisie, herinnering, kruis-entropie, R²	https://scikit-learn.org/	scikit-learn 1.0+
Natural Language Toolkit	spaCy / NLTK (voor intentiedetectie-voorverwerking)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Recurrent Neural Network-modellen	RNN, LSTM, Conv-LSTM	https://keras.io/	Geïmplementeerd in Keras
Systeemhardware	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Lokale systeem
Topic Modeling Tool	Gensim (gebruikt voor Latent Dirichlet Allocation)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Visualisatietools	Matplotlib, Seaborn (voor het plotten van prestatiegrafieken)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Word Embedding	Word2Vec / GloVe vooraf getrainde inbeddings	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP