Функциональные требования и объектно-ориентированное системное моделирование для проектирования интеллектуальных систем общественного питания на основе ИИ

Summary

В этом исследовании представлена система общественного питания в ресторанах на основе искусственного интеллекта, которая обеспечивает бесконтактное общение, индивидуальные предложения блюд и прогнозирование удовлетворенности. Используя NLP с LDA, Conv-RNN и Conv-LSTM, он превосходит методы, основанные на правилах, благодаря большей точности, точности, запоминаемости и снижению количества ошибок, демонстрируя революционный потенциал искусственного интеллекта в сфере общественного питания.

Abstract

В последние десятилетия пищевая промышленность претерпела значительные преобразования в связи с глобализацией, технологическим прогрессом и меняющимися ожиданиями клиентов. Искусственный интеллект (ИИ) и Интернет вещей (IoT) в настоящее время играют важнейшую роль в улучшении производства, маркетинга и предоставления услуг продуктов питания. В этом исследовании предлагается интеллектуальная система на основе искусственного интеллекта для улучшения услуг общественного питания в ресторанах за счет бесконтактного обслуживания с использованием обработки естественного языка (NLP) и линейного дискриминантного анализа (LDA), персонализированных рекомендаций по еде с помощью модели сверточной рекуррентной нейронной сети (Conv-RNN) и прогнозирования удовлетворенности клиентов с использованием оптимизированной модели сверточной долгосрочной краткосрочной памяти (Conv-LSTM). Реальные эксперименты показывают, что предложенная система превосходит традиционные методы, основанные на правилах, достигая точности 91,5%, точности 91%, запоминаемости 91,1% и оценки F1 89,7% с помощью Word2Vec-LDA; Точность 98,5% с потерей 0,02 в модели Conv-RNN; и среднеквадратичное значение 0,1011 с R² 0,9812 в системе Conv-LSTM. Эти результаты подчеркивают преобразующий потенциал искусственного интеллекта в автоматизации и повышении качества обслуживания клиентов в ресторанной индустрии.

Introduction

Внедрение искусственного интеллекта было важной частью роста цифровых технологий в течение последнего десятилетия. С^{момента своего} основания она предоставила нескольким отраслям, включая сектор гостеприимства, как возможности, так и проблемы, и было разработано множество изобретений на основе искусственного интеллекта, которые могут улучшить качество жизни людей и, таким образом, улучшить экономику. В очень конкурентной ресторанной индустрии поддержание первоклассной еды и обслуживания клиентов имеет важное значение для успеха. По мере развития технологий и изменения качества обслуживания в ресторанах искусственный интеллект становится революционным инструментом для повышения операционной эффективности и удовлетворенности клиентов. Системы мониторинга на основе искусственного интеллекта трансформируют работу ресторанов² , чтобы лучше управлять своими кухнями, следить за качеством блюд и обеспечивать первоклассное обслуживание клиентов. Благодаря использованию передовых алгоритмов и анализа данных в режиме реального времени эти технологии оптимизируют операции и гарантируют согласованность, безопасность и совершенство во всех аспектах питания. Теперь рестораны могут достичь более высокой степени точности для обычных рабочих процедур².

Общий финансовый успех, приспособляемость к изменяющимся обстоятельствам, а также способность расширять и изменять свои предложения для удовлетворения потребностей и ожиданий клиентов — все это факторы в индустрии туризма и гостеприимства, и эти факторы часто определяют, выживет ли^{бизнес.} Таким образом, сектор туризма и гостеприимства использует передовые технологии, такие как искусственный интеллект и робототехника (AIR), для повышения качества обслуживания и опыта клиентов. Эти технологические достижения используются в качестве интеллектуальных инструментов для обслуживания клиентов с целью улучшения качества обслуживания клиентов⁴. Кроме того, корпоративная эффективность может быть повышена за счет быстрого развития искусственного интеллекта в управлении гостиничным бизнесом. Примером отрасли с интенсивным использованием данных, которая собирает огромные объемы данных в различных форматах, является гостиничный сектор.

Неэффективность операционного управления, растущие ожидания потребителей в отношении индивидуальных услуг, растущая нехватка рабочей силы и потребность в точных прогнозах спроса — вот некоторые из текущих проблем, с которыми сталкивается индустрия гостеприимства. Традиционные подходы часто не позволяют адекватно решить эти проблемы, что приводит к увеличению эксплуатационных расходов и неравномерному качеству обслуживания. Автоматизируя утомительные процессы, облегчая принятие решений на основе данных, повышая прогнозирование спроса, оптимизируя ценообразование и управление запасами, а также повышая персонализацию потребителей, искусственный интеллект (ИИ) предоставляет решения. Искусственный интеллект все больше и больше позиционируется как революционный инструмент для повышения операционной эффективности гостиничного сектора и качества обслуживания гостей за счет заполнения этих пробелов.

Восстанавливая операционную эффективность и распознавая события клиентов, ИИ трансформирует историю обслуживания клиентов в ресторанной индустрии². Навыки искусственного интеллекта, такие как машинное обучение и экстраполяционная аналитика, имеют решающее значение для оптимизации таких процедур, как создание спроса и управление запасами. Результатом этих достижений являются повышение согласованности обслуживания и снижение эксплуатационных расходов ^5,6. Кроме того, оценивая данные о потребителях, чтобы предлагать индивидуальные предложения по меню и повышению статуса, ИИ способствует персонализированному взаимодействию и повышает лояльность и счастье клиентов^. Интеллектуальные системы играют ключевую роль в секторе путешествий и туризма, повышая конкуренцию за счет концентрации на сложности⁸. Отели экспериментируют с передовыми технологиями, в том числе с цифровыми стратегиями⁹ и роботами, улучшенными с помощью искусственного интеллекта и Интернета вещей (IoT). Роботы, работающие на основе искусственного интеллекта и связанных с ним технологий, становятся все более распространенными¹⁰. С помощью цифровых интерфейсов голосовые помощники (ВА), которые представляют собой устройства искусственного интеллекта (ИИ), активируемые голосовыми командами, обеспечивают степень интеллекта, подобного человеческому11. Виртуальные помощники сталкиваются с трудностями, несмотря на свои достижения, такие как низкая осведомленность пользователей, раздражение и периодическое противодействие как со стороны сотрудников отеля, так^{и со стороны} посетителей.

Операции по доставке и еде на вынос растут в ресторанной индустрии по мере того, как меняется динамика общества, и все больше американцев выбирают удобные и экономящие время варианты¹³. Почти 60% потребителей в США делают заказ на доставку или еду на вынос не реже одного раза в неделю, а 78% потребителей активно пользуются онлайн-платформами для заказа еды¹⁴. Эта тенденция еще больше подкрепляется данными о том, что рынок онлайн-доставки еды достиг ошеломляющих 220 миллиардов долларов к концу 2023 года, составляя 40% продаж ресторанов, и что к концу 2030 года рынок достигнет 365 миллиардов^{долларов15}. Ожидается, что к 2028 году он увеличится до более чем 534,60 млрд долларов США. При прогнозируемых совокупных годовых темпах роста примерно в 9,5% до 2034 года мировой рынок оценивался примерно в 288,87 млрд долларов США в 2024 году и, как ожидается, достигнет 316,31 млрд долларов США к концу 2025 года^. Кроме того, количество прямых онлайн-заказов увеличилось на поразительные 54% в период с 2019 по 2021 год, что указывает на то, что клиенты все чаще выбирают цифровые заказы вместо традиционных вариантов питания в ресторанах. Растущее значение интеллектуального анализа текста и принятия решений на основе данных в управлении услугами, освещая новые области управления и такие важные темы, как рыночная аналитика и анализ социальных сетей¹⁶. Это исследование является убедительным аргументом в пользу использования чат-ботов ресторанами для повышения операционной эффективности и вовлечения клиентов. Кроме того, исследование Proenca и Soukiazis¹⁷ подчеркивает возможность использования подходов, основанных на данных, в маркетинге и инициативах по управлению взаимоотношениями с клиентами, предлагая проницательную информацию о том, как использовать чат-ботов для максимизации взаимодействия с клиентами и стимулирования расширения компании.

Чтобы повысить эффективность и выбрать индивидуальное, ориентированное на клиента обслуживание, ресторанная индустрия внедряет робототехнику, искусственный интеллект и автоматизацию обслуживания (RAISA)¹⁸. Использование РАИСА в ресторанах имеет ряд последствий, которые следует оценить, как и любое^{другое технологическое} изменение. Снижая количество ошибок и повышая общее качество обслуживания, RAISA может обеспечить надежное, стандартизированное обслуживание²⁰. Кроме того, он может предоставить клиентам уникальный интерактивный опыт. По словам^{18-летнего} Крейшана, сервисные роботы стали более сложными, независимыми и адаптируемыми. Но они также могут оказывать влияние на общую атмосферу ресторана, а также на социальное взаимодействие между посетителями, сотрудниками и роботами. Крайне важно оценить аспекты, влияющие на приемлемость технологий, потому что руководители, сотрудники и потребители по-разному воспринимают эти элементы, и их готовность взаимодействовать с РАИСА меняется^.

Значительные лингвистические возможности моделей Omni были подчеркнуты их улучшенной точностью классификации тональности при анализе отзывов об отелях, которая составила более 67% по сравнению с 60,6% для BERT²². В то же время рекомендательные системы все чаще используют большие языковые модели (LLM) для улучшения настройки путем управления профилями и анализа отзывов пользователей. В то время как гибридные системы интегрируют результаты LLM с графовыми нейронными сетями для повышения точности рекомендаций в условиях разреженности данных, фреймворк PURE использует LLM для динамического обновления профилей пользователей на основе отзывов²³. Между тем, в ситуациях, основанных на сеансах, рекомендательные архитектуры в стиле трансформеров, такие как Transformers4Rec, превосходят традиционные модели RNN²⁴.

До сих пор существует ряд неизученных или недостаточно изученных аспектов интеллектуального общественного питания, несмотря на быстрое развитие искусственного интеллекта, автоматизации и интеллектуальных технологий. Эти проблемы включают в себя управление энергоэффективностью и пищевыми отходами с помощью систем на основе искусственного интеллекта, масштабирование персонализации для различных предпочтений клиентов, интеграцию искусственного интеллекта с традиционными кухонными рабочими процессами, защиту конфиденциальности и безопасности клиентов при профилировании клиентов, а также внедрение интеллектуальных решений для общественного питания для малых и средних ресторанов с ограниченным финансированием. Чтобы интеллектуальные решения для общественного питания получили широкое и устойчивое распространение, эти пробелы должны быть устранены. Это создает возможность для дальнейших исследований и изобретений. Потенциальные дыры в исследованиях в интеллектуальных системах общественного питания включают следующее:

Несмотря на то, что системы искусственного интеллекта способны давать рекомендации по питанию на основе выбора пользователя, они часто испытывают трудности с полным пониманием тонкостей диетических требований и личных предпочтений. Большинство решений по-прежнему в некоторой степени просты и подвержены ошибкам, таким как прогнозирование несоответствий; однако некоторые интеллектуальные системы общественного питания используют искусственный интеллект для управления запасами или оценки спроса. Многие интеллектуальные системы общественного питания имеют только один способ интерфейса, например, сенсорные экраны^{или распознавание} голоса. Многие системы по-прежнему ограничены в своей способности полностью понимать или прогнозировать индивидуальные предпочтения, даже если агенты ИИ могут обеспечить определенный уровень настройки на основе истории или предпочтений потребителей. Базовые входные данные, такие как демографические данные или предыдущие заказы, часто используются ботами с искусственным интеллектом.

Последние достижения в области машинного обучения все больше фокусируются на моделировании человеческого поведения и контекстуальных данных в различных областях. Оценивая источники данных и методологии для профилей занятости городских зданий, Nejadshamsi et ^al.27 подчеркнули ценность разнородных данных для фиксации динамических поведенческих моделей. Основываясь на этом, Nejadshamsi et ^al.28 показали, насколько хорошо глубокое обучение предсказывает пространственно-временные потоки человеческой деятельности, предлагая географическо-семантическую контекстно-зависимую модель прогнозирования коммутационных потоков с использованием графовых нейронных сетей. Аналогичным образом, Nejadshamsi et ^al.29 подчеркнули важность контекстуальных сигналов для повышения эффективности прогнозирования путем создания основанной на транспорте структуры для оценки заполняемости и энергопотребления в городских масштабах.

Улучшение качества обслуживания клиентов и повышение операционной эффективности стали важнейшими элементами успеха в быстро меняющейся ресторанной индустрии. Несмотря на растущее использование технологий, многие рестораны по-прежнему изо всех сил пытаются предоставлять бесперебойные, индивидуализированные и эффективные услуги, потому что им не хватает интегрированных интеллектуальных систем. Ключевые вопросы, в том числе улучшение бесконтактного обслуживания, предоставление индивидуальных рекомендаций по питанию и точное прогнозирование удовлетворенности клиентов в режиме реального времени, часто упускаются из виду^{существующими системами}. Создавая интеллектуальную систему общественного питания, которая использует передовые технологии для улучшения работы ресторана, этот проект направлен на устранение этого разрыва. В систему интегрированы три основных элемента:

Бесконтактное обслуживание с использованием латентного распределения Дирихле (LDA) и обработки естественного языка (NLP): Использование LDA и NLP делает возможным эффективное бесконтактное взаимодействие с клиентами, сокращая время ожидания и человеческие ошибки.

Рекомендательные системы на основе Conv-RNN для рекомендаций по продуктам питания: Это повышает удовлетворенность меню за счет использования сверточной рекуррентной нейронной сети (Conv-RNN) для создания динамических, адаптированных рекомендаций по еде на основе предпочтений потребителей.

Прогнозирование удовлетворенности клиентов с помощью оптимизированной модели Conv-LSTM: Рестораны могут вносить улучшения на основе данных, используя улучшенную модель сверточной долгосрочной краткосрочной памяти (Conv-LSTM) для прогнозирования удовлетворенности клиентов на основе данных в режиме реального времени и обратной связи. В дополнение к бесконтактному взаимодействию и индивидуальному опыту приема пищи более масштабируемым и эффективным способом, предлагаемая интеллектуальная система направлена на повышение удовлетворенности клиентов, оптимизацию операций и улучшение предоставления услуг.

Мы сравниваем эту работу с рядом предыдущих методов, чтобы поместить ее в современный контекст систем рекомендаций по продуктам питания, управляемых искусственным интеллектом. Например, основанная на преобразованиях последовательная рекомендательная структура разговора, которая использует процессы самовнимания для фиксации динамики обсуждения, была разработана Zou et ^al.30. Чтобы облегчить диалог и выполнение визуальных рекомендательных задач, Гамбетти и^{31-летний} Хан разработали AiGen-FoodReview, мультимодальный набор данных, состоящий из совпадающих текстов и фотографий обзоров ресторанов. Ранее MenuAI был создан Ju et ^al.32 и использует модели-трансформеры для создания рекомендаций по пунктам меню прямо из текстовой графики меню. Интерпретируемость и вычислительная эффективность иногда ставятся под угрозу этими подходами, несмотря на их превосходные навыки обработки контекстной или мультимодальной информации. С другой стороны, наша интегрированная система NLP-LDA + Conv-RNN + Conv-LSTM обеспечивает баланс между объяснимостью, легким развертыванием и высокой точностью прогнозирования, что делает ее особенно подходящей для предприятий общественного питания с ограниченными ресурсами.

Изучение того, как технологии на основе искусственного интеллекта могут повысить стандарты гостеприимства и ускорить работу ресторанов с помощью интеллектуальных услуг общественного питания (ICS), является основной целью данного исследования. Латентное распределение Дирихле (LDA) и NLP объединены в предлагаемом методе для эффективной бесконтактной обработки клиентских запросов. Conv-RNN используется для создания рекомендаций по питанию с целью обеспечения индивидуального опыта, а оптимизированная модель Conv-LSTM используется для прогнозирования уровня удовлетворенности потребителей. Интегрируя эти элементы, созданная АСУ ТП показывает практическую пользу в повышении общей удовлетворенности клиентов, гарантии качества и повышении эффективности обслуживания. Используя показатели эффективности по точности рекомендаций по продуктам питания и прогнозированию удовлетворенности, экспериментальные результаты подтверждают эффективность модели.

Предлагаемая интеллектуальная система общественного питания обеспечивает бесконтактный сервис для предоставления предложений блюд и прогнозирования удовлетворенности клиентов. Бесконтактная интеллектуальная система общественного питания в основном ориентирована на автоматизацию и удобство, позволяя клиентам взаимодействовать с системой бесконтактным образом, выполняя определенные задачи, такие как предложение блюд и прогнозирование удовлетворенности. В то время как агент ИИ выходит за рамки автоматизации, используя аналитику на основе данных для принятия более точных, адаптивных и персонализированных решений, улучшая качество обслуживания клиентов и повышая операционную эффективность по более широкому спектру функций. Целью данного исследования является разработка интеллектуальной системы общественного питания (ICS) на основе искусственного интеллекта, которая интегрирует NLP-LDA для бесконтактного взаимодействия, Conv-RNN для персонализированных рекомендаций по еде и Conv-LSTM для прогнозирования удовлетворенности клиентов. Эта система полезна для ресторанов, поскольку она повышает операционную эффективность, снижает затраты, обеспечивает стабильное обслуживание и улучшает взаимодействие с клиентами за счет персонализации и обратной связи в режиме реального времени.

Protocol

Данное исследование было проведено в соответствии с руководящими принципами Комитета по этике научных исследований Национального университета Малайзии (UKM) и утверждено под номером одобрения UKM FST/2025-AI/023. Письменное информированное согласие всех участников было получено до начала сбора запросов к чат-боту. Все данные были обезличены, чтобы обеспечить конфиденциальность и неприкосновенность частной жизни участников

Обзор исследования

Обзор предлагаемой интеллектуальной системы общественного питания с использованием технологий искусственного интеллекта представлен на рисунке 1. Как показано на рисунке, вводимые пользователем данные предварительно обрабатываются с помощью методов NLP, таких как встраивание слов, лемматизация и токенизация для извлечения тегов. Затем модель машинного обучения под названием LDA была применена для моделирования тегов клиентов для предоставления им бесконтактного обслуживания. Предложение пищи осуществляется с помощью модели Conv-RNN. На основе последовательности потока, записанной на основе выбора предыдущего клиента, продукт предлагается клиенту в разумном ключе. Наконец, уровень удовлетворенности клиентов прогнозируется с помощью оптимизированной модели Conv-LSTM для дальнейшего улучшения услуг ресторана. Производительность предложенных моделей ИИ оценивается по различным метрикам оценки.

Рисунок 1: Предложенная модель системы для интеллектуальных служб общественного питания (ИКС). Архитектура интегрирует взаимодействие с пользователем, предварительную обработку данных, обнаружение намерений, рекомендации продуктов питания и механизмы обратной связи. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Используемый набор данных

Чтобы создать интеллектуальную систему общественного питания, мы собрали 283 запроса от ближайшего ресторана с помощью чат-бота. Эти вопросы, которые включали в себя широкий спектр запросов клиентов, от деталей меню до часов работы, были вручную разделены на 15 различных групп намерений. Это гарантирует тщательный охват всех возможных взаимодействий пользователя с системой. Приветствия, прощания, признательность, питание, часы работы, обстановка, контактная информация, вопросы об оплате, сегодняшнем меню, альтернативах доставки, вопросы меню, процессы заказа, специальные предложения, бронирование, варианты напитков и доступность для сидения на свежем воздухе — вот лишь некоторые из конкретных аспектов запросов клиентов, для записи которых были проведены занятия по намерениям. В таблице 1 приведена частота вопросов в каждой из целевых групп и классификация по тематическому содержанию запросов. Например, категория «Контактная информация» имела самые высокие запросы, что говорит о том, что посетители очень заинтересованы в том, чтобы узнать, как связаться с закусочной. С другой стороны, меньше всего запросов было получено в категориях «Сидячие места» и «Напитки», что может свидетельствовать о том, что интерес потребителей к этим темам снизился или что по ним уже появилось больше разъяснений.

Бесконтактное обслуживание с использованием NLP с LDA

Вводимые пользователем данные, с которых начинается работа фреймворка, изначально обрабатываются для стандартизации текста и устранения шума. Токенизация, исключение стоп-слов и лемматизация являются примерами такой подготовки, которая подготавливает данные к дополнительному анализу. После предварительной обработки запросы пользователей преобразуются в числовые представления. Семантические связи и контекстуальная релевантность относятся к числу лингвистических особенностей, которые фиксируются этими репрезентациями. Несколько классификаторов машинного обучения были использованы для обучения этих векторных представлений пользовательских запросов для классификации 16 предопределенных классов (намерений/тегов). Модель извлекает заранее определенный связанный ответ и возвращает его пользователю после точного прогнозирования намерений запроса пользователя.

Предварительная обработка

Надежность нашего анализа значительно повышается за счет предварительно обработанных запросов, которые подтверждают, что входящие данные отформатированы последовательно и релевантны для последующей процедуры классификации. Шаблоны намерений (например, приветствия, такие как привет, привет, привет) были собраны и предварительно обработаны путем преобразования текста в нижний регистр, удаления стоп-слов и применения токенизации с помощью инструментария NLTK³³. В таблице 2 показаны этапы предварительной обработки, которым следовало данное исследование.

Моделирование тегов на основе LDA

Система классифицирует теги пользователя с помощью регрессии опорных векторов (SVR), чтобы приветствия пользователя были распознаны системой. Чтобы улучшить способность системы предугадывать намерения пользователя, мы тщательно изучили как традиционные, так и передовые методы обработки текста в дополнение к моделям машинного обучения (ML) и глубокого обучения (DL). Нашей целью было создание высокоточного алгоритма, который мог бы охватить широкий круг вопросов пользователей. В этом исследовании использовались фундаментальные стратегии Bag of Words (BoW) и TF-IDF из-за их простоты использования и эффективности в подчеркивании частоты слов и важности слов в тексте. Способность Glove и Word2Vec создавать встраивания слов в соответствии с употреблением слов позволила им получить знания о значениях слов и контексте²².

После подготовки данных запросы намерений классифицируются с помощью метода латентного распределения Дирихле (LDA). Цель состоит в том, чтобы с помощью интеллектуального анализа текста с помощью метода LDA проанализировать связи между терминами и выявить закономерности в их структурах^34,35. Будучи неконтролируемым и вероятностным по своей природе, LDA исходит из предположения, что каждый документ в корпусе состоит из заранее определенного числа тем, определенных вручную. Каждый документ в LDA имеет одинаковый вес и имеет мешок слов. Предполагается, что слова в каждом документе не упорядочены. Тема также описывается с помощью функции вероятностной массы слов. Каждый документ использует функцию вероятностной массы для выбора тем. Для классификации намерений применялось латентное распределение Дирихле (LDA) с использованием библиотеки GensimPython³⁴.

В LDA намерения рассматриваются как распределение по латентному веществу, которое обозначается распределительным воздухом LDA, называемым . Шаблон выбирается на основе распределения намерений, которое обозначается как θ(мультином), определяющее данное намерение, вероятность I принадлежит к данному классу C. Распределение Дирихле связано с β, которое кодирует шаблон в мешок слов. Учитывая α и β, оно определяется как многомерное распределение с N словами, относящимися к M паттернам с z намерениями. Группа N членов обозначается как W, которая обозначается как³⁶:

(1)

При интегрировании по θ суммирование объявляется как Z, и произведение берется из вероятностей предельного числа индивидуальных намерений, а вся вероятность намерения вычисляется как:

(2)

Шаблоны, включая варианты намерений для приветствий: привет, привет, привет, доброе утро/полдень/канун и хола. Получая эти шаблоны, система находит намерение пользователя в виде приветствия и отвечает на них определенной фразой, например, «Чем я могу вам помочь?» или «Как я могу вам помочь?». Если запрос не распознается системой с предопределенными 15 классами, то система предоставляет информацию о ресторане и предлагает пользователю связаться со службой поддержки клиентов. Результат моделирования тегов на основе LDA пользовательских запросов, связанных с приветствиями, показан на рисунке 2. Аналогично ответы выполняются для всех 15 классов, связанных с намерениями пользователя (Queries). Модель LDA имеет следующие параметры. Количество топиков (k) объявляется как 40, Альфа фиксируется как 0.05, значение Beta равно 0.04, а количество итераций объявляется как 100.

Рекомендации по питанию с использованием Bi-NN для ICS

В интеллектуальной системе общественного питания (ICS) продукты питания систематически классифицируются для поддержки точных рекомендаций. Каждая позиция в меню может представлять собой либо одно блюдо (например, бургер, закуска, напиток), либо комбинацию блюд, таких как набор блюд (например, жареная курица с холодным напитком). Эти товары сгруппированы в шесть основных категорий: курица, бургер, закуска, напиток, костюм и тиффин. Для ясности, suit относится к упакованным наборам блюд, в то время как tiffin представляет собой традиционные блюда из нескольких предметов. Каждый продукт питания определяется тремя ключевыми признаками: его ценой, его категорией и вектором контента, описывающим его состав. Такая структурированная категоризация позволяет рекомендательной модели анализировать историю покупок клиентов как на уровне товара, так и на уровне категории, улучшая способность системы предлагать подходящие блюда и комбинации, которые соответствуют предпочтениям пользователя. Все продукты питания в ICS обозначены как набор,  где N обозначает общее количество продуктов питания в ICS. Для каждого пищевого продукта  в букве F,  состоит из подробностей о свойствах пищи, и обозначается она как:

(3)

где ,  обозначает цены на продукты питания, обозначает категорию продуктов питания,  где , C обозначает категории.  обозначает количество меню, где где M обозначает меню, обозначает вектор содержимого еды,  где где — элемент вектора содержимого и представляет курицу, бургер, закуску, напиток, костюм и тиффин соответственно.

Данные пользователя содержат сведения о пользователе, обозначающие функции пользователя, которые можно получить из приложения или потока использования. Для каждого пользователя функции обозначаются как:

(4)

где , обозначает сведения о пользователе, такие как возраст и пол.  обозначает событие клика пользователя, которое представляет собой вектор переменной длины, где t объявляет время последнего события клика, является положительным числом и  обозначает всю последовательность потока,  которая обозначает всю покупку, совершенную пользователем.   Обозначает список продуктов питания, приобретенных клиентом, где , k обозначает общее количество приобретенных пользователем продуктов питания.

С использованием букв F и U, обозначающих продукты питания и данные о пользователях соответственно, рекомендательная система оформлена в ICS. Целью этой системы является повышение точности для улучшения намерения пользователя совершить покупку. Проблема ИКС сформулирована следующим образом:

(5)

Уравнение (5) обозначает цель задачи по нахождению результатов повышения точности в задаче ICS путем уменьшения функции потерь, которая обозначена в уравнении (6).

(6)

где,  — прогнозируемые результаты и  — фактический результат. Модель работает лучше, когда значение функции потерь меньше. Функция потерь используется для определения расхождения между прогнозируемым значением модели и истинным значением Y. В этом,

(7)

где

(8)

(9)

В этом случае r обозначает обучающие данные в X, а s — номер приобретенного продукта питания одного обучающего данных. Разработанная ICS использовала перекрестную энтропию в качестве функции потерь, которая описана в следующем разделе.

Рекомендации по питанию на основе Conv-RNN

Анализируя характеристики продукта, рейтинги пользователей и профили пользователей, рекомендательная система на основе Conv-RNN предоставляет пользователям рекомендации, основанные на их интересах. На рисунке 3 показана предлагаемая конструкция CRNN. Модели Conv-RNN часто учитывают или автоматически добавляют конкретную информацию о временном контексте пользователя при внесении предложений. Тем не менее, то, насколько хорошо рекомендательная система понимает и использует контекст, предоставляемый запросами предложений, часто определяет, насколько она эффективна. Conv-RNN вычисляет рейтинги прогнозирования на основе динамических характеристик и атрибутов элемента, а также текущего временного контекста пользователя, чтобы предоставить подходящие рекомендации для конкретного пользователя. Неизбежно, что люди, которые переживают похожие вещи в одно и то же время, будут иметь схожие предпочтения. Эффективность системы рекомендаций на основе СНС с учетом времени зависит от ее способности находить пользователей, которые наиболее сопоставимы с предполагаемым получателем и имеют один и тот же временной контекст. Таким образом, CNN фиксирует временной контекст, который представляет собой чувствительную ко времени информацию об активности пользователя. Затем входной слой CNN получал пользовательские атрибуты, характеристики элементов и информацию о времени для восстановления исходной матрицы. Метод вычисления конечного результата дается после того, как слой свертки был использован для извлечения признаков из матрицы.

Из слоев свертки события клика по продукту извлекаются с помощью уравнения (10)

(10)

где O — размер выходных данных, X — размер входных данных, F — размер сверточного ядра, a — заполнение входных данных, S — больше 1 и S — шаг ядра. Нейронная сеть может моделировать более сложные модели, чем если бы она была ограничена моделированием вычислений между соседними слоями сети, что она и делает, используя однородность, но только линейную операцию, потому что функция активации в слое стимуляции используется для выполнения нелинейных операций. В нейронной сети межуровневое взаимодействие происходит строго последовательно. В Conv-RNN функции активации были наиболее распространенными. Традиционные функции Тань, сигмоида и другие типы активационных функций не имеют градиента и имеют небольшие, практичные интервальные диапазоны. Когда также используется ресурсосберегающая нелинейная операция, функции выпрямленных линейных единиц (ReLU) становятся основным инструментом для преодоления этих двух проблем.

Для повышения вычислительной эффективности слой пула понижает выборку и разреженно обрабатывает данные об объектах. Методы пулинга maximum и average — два известных примера алгоритмов пулинга; MaxPooling обеспечивает лучшие результаты выбора функций. MaxPooling выбрал следующие функции:

(11)

Затем Conv-RNN использует полностью связной слой, используя два плотных подхода для повторного обучения хвоста Conv-RNN с меньшими потерями информации о признаках. Рекуррентные слои обычно используются в нейронных сетях для анализа последовательных данных. Благодаря соединениям, которые позволяют им поддерживать внутреннюю память предыдущих входных данных, рекуррентные слои обрабатывают каждый ввод отдельно, в отличие от традиционных слоев с прямой связью. Это делает рекуррентные слои особенно подходящими для задач, связанных с последовательностями, данными временных рядов или любой другой информацией, где порядок входных данных имеет значение. Основной единицей рекуррентного слоя является рекуррентный нейрон, часто известный как RNN-клетка. Поскольку ячейки RNN обрабатывают входные данные по одному, они поддерживают внутреннее состояние, содержащее данные из предыдущих входных данных. Его внутреннее состояние изменяется на каждом временном шаге, что влияет на обработку последующих входных данных. Выходной слой показывает пользователю результаты после использования классификатора SoftMax. Прежде чем использовать поля, характеристики которых классифицируются как индекс вложенной матрицы, их необходимо сначала преобразовать в целые числа.

Категориальная функция потерь перекрестной энтропии, которая количественно определяет разницу между истинными метками класса y и прогнозируемым распределением вероятностей y', была использована для обучения рекомендательной модели Conv-RNN. Для улучшения параметров модели θ (весов и смещений) использован стохастический градиентный спуск (SGD) с адаптивной оценкой момента (Adam). На каждой обучающей итерации t параметры модифицировались следующим образом:

(12)

где η — скорость обучения,  — градиент функции потерь относительно θ.

Чтобы избежать переобучения, была использована следующая тактика. Во время обучения регуляризация дропаутов (ρ=0,3) используется на полносвязных слоях для случайной дезактивации нейронов. Когда в течение 15 последовательных эпох не наблюдалось улучшений, обучение прекращалось досрочно из-за потерь при валидации.

Пятикратная перекрестная проверка с разделением для подтверждения производительности обобщения

С помощью поиска по сетке на валидационном наборе была проведена настройка гиперпараметров. В пространство поиска были включены следующие параметры: Количество фильтров для слоя свертки — 64, Размер ядра — 3 x 3, Количество рекуррентных слоев — 100, Размер пакета, Коэффициент отсева — 0,2 и Коэффициент обучения — 0,002. Используемым оптимизатором является ADAM. Наконец, выходной слой возвращает результаты рекомендуемых продуктов в виде вектора кодирования one-hot, где предлагаемые продукты обозначаются единицей, а другие выходные данные будут обозначаться как 0.

Прогнозирование удовлетворенности клиентов с помощью Conv-LSTM

В этом исследовании использовалась свертка длинной кратковременной памяти (Conv-LSTM) для прогнозирования удовлетворенности клиентов после того, как они закончили свое питание. Структура Conv-LSTM показана на рисунке 4. Архитектура CNN включает в себя входные нейроны, ряд сверточных слоев, пул, полностью связанные слои и нормализующие слои³⁷. Нервные клетки сверточного слоя соединены со слоем над ним через узкую область, в то время как активационные нейроны полностью связанных слоев полностью связаны со слоями, расположенными под ними. Входные данные Conv-LSTM явно определяют формы тензоров и временную гранулярность. Каждая входная последовательность структурирована для каждого сеанса заказа клиента (временной шаг = для каждого заказа), где список закупок кодируется в виде вектора с несколькими горячими точками, а связанный с ним уровень удовлетворенности представлен в виде числовой оценки. Результирующий тензор имеет форму (размер пакета × длина последовательности × размерность функции).

Прямая и обратная обратная передача функции в СНС обычно разделяет факторы на разные группы на основе их входных данных. Многочисленные проекты CNN появились в результате последних достижений в области исследований. Как показано в уравнении (15), три веса, iw, rw и b, обозначают соответственно входной вес, рекуррентный вес и смещение, которые были использованы в каждом блоке LSTM.

(13)

Ниже приведено объявление состояния ячейки на временном шаге t:

 (14)

где произведение Адамара обозначается . Код для скрытого состояния Ht из t выглядит следующим образом:

 (15)

Гиперпараметры и их значения Conv-LSTM объявлены следующим образом: количество фильтров для слоя свертки — 64, размер ядра — 3 x 3, единиц LSTM — 100 с коэффициентом отсева 0,2, размер пакета — 64, коэффициент обучения — 0,002, а количество временных шагов — 50 с оптимизатором Адама.

UML-диаграмма и псевдокод для взаимодействия с клиентом

Динамический поток взаимодействий в предлагаемой системе изображен на диаграмме последовательностей UML (рис. 5). Модуль NLP-LDA обрабатывает запрос пользователя (например, заказ еды или запрос) для моделирования темы и извлечения намерений. После обработки рекомендательный механизм (Conv-RNN) получает запрос и выдает индивидуальную рекомендацию. Наконец, пользователь получает ответ от системы в режиме реального времени. Такая последовательность гарантирует прозрачность преобразования вводимых пользователем данных в интеллектуальные сервисные выходы и подчеркивает модульное взаимодействие компонентов.

Рекомендательный алгоритм Conv-RNN получил псевдокод для улучшения воспроизводимости. В нем представлен обзор последовательной вычислительной логики, которая включает в себя предварительную обработку запроса пользователя, использование сверточных и рекуррентных слоев для моделирования последовательностей и извлечения признаков, регуляризации и выходного слоя softmax для генерации предложения. Этот псевдокод обеспечивает четкое представление рабочего процесса модели на уровне реализации, что улучшает математические формулировки.

Псевдокод: Алгоритм рекомендаций Conv-RNN

Входные данные: запрос пользователя U, последовательность исторического взаимодействия H

Выход: Рекомендуемый продукт питания R

1. Предварительная обработка U → токенизации, встраивание с помощью Word2Vec
2. Построение входной последовательности S = [H, U]
3. Нанесите сверточный слой:
   S_conv = Conv1D(S, фильтры, kernel_size)
4. Пройдите через рекуррентный слой (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. Применить Dropout для регуляризации
6. Плотный слой с активацией Softmax:
   P = Softmax(W xS_rnn + b)
7. Выберите рекомендацию:
   R = argmax(P)
8. Возврат R пользователю

Results

В ходе этого исследования были тщательно протестированы и валидированы несколько моделей, чтобы гарантировать подлинность и надежность разработанной АСУ ТП. Наиболее эффективная настройка для ICS была определена путем проведения сравнительного исследования нескольких комбинаций встраивания и классификатора слов. Каждый эксперимент проводился 10 раз, а результаты представлялись в виде средних значений со стандартными ошибками, заключенными в скобки. Этот метод привлек внимание к непредсказ...

Discussion

Общая производительность предложенной модели АСУ ТП с использованием технологий искусственного интеллекта сравнивается с k-средними с SVR²⁴, ресторанами быстрого обслуживания с LSTM (QSR-LSTM⁾²⁵ и NLP-ANN³⁸. Для сравнения, предложенная модель обеспечила меньшее время вычислений по сравнению с рассмотренными подходами, как показано на рисунке 12. По мере увеличения числа итераций врем...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Язык программирования	Python (используется для разработки моделей, NLP и глубокого обучения)	https://www.python.org/	Python 3.8+
База данных	MySQL или SQLite (для хранения журналов взаимодействия пользователей)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 или SQLite3
Набор данных	Пользовательские запросы, собранные от чат-бота для заказов в местном ресторане		Ручная аннотация
Фреймворк глубокого обучения	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 или Keras 2.11
Среда развития	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (бесплатно)
Метрики оценки	метрики scikit-learn: точность, отзыв, перекрестная энтропия, R²	https://scikit-learn.org/	scikit-learn 1.0+
Набор инструментов для естественного языка	spaCy / NLTK (для предварительной обработки обнаружения намерений)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Модели рекуррентных нейронных сетей	RNN, LSTM, Conv-LSTM	https://keras.io/	Реализовано в Keras
Аппаратное обеспечение системы	Intel Core i7, 16 ГБ ОПЕРАТИВНОЙ ПАМЯТИ, ВИДЕОКАРТА NVIDIA GTX 1660 Ti		Местная система
Инструмент моделирования тем	Gensim (используется для латентного распределения Дирихле)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Инструменты визуализации	Matplotlib, Seaborn (для построения графиков производительности)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Вложение слов	Заранее обученные вложения Word2Vec / GloVe	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Стэнфордский национальный университет