Yapay Zeka Güdümlü Akıllı İkram Sistemleri Tasarlamak için İşlevsel Gereksinimler ve Nesne Yönelimli Sistem Modelleme

Summary

Bu çalışma, temassız iletişime, özelleştirilmiş yemek önerilerine ve memnuniyet tahminine olanak tanıyan yapay zeka tabanlı bir restoran catering sistemini tanıtıyor. NLP'yi LDA, Conv-RNN ve Conv-LSTM ile kullanarak, daha fazla doğruluk, kesinlik, geri çağırma ve azaltılmış hata oranlarıyla kural tabanlı teknikleri aşarak yapay zekanın yemek hizmeti endüstrisindeki devrim niteliğindeki potansiyelini ortaya koyuyor.

Abstract

Gıda endüstrisi son yıllarda küreselleşme, teknolojik gelişmeler ve değişen müşteri beklentileri nedeniyle önemli bir dönüşüm geçirdi. Yapay Zeka (AI) ve Nesnelerin İnterneti (IoT) artık gıda üretimini, pazarlamasını ve hizmet sunumunu geliştirmede kritik bir rol oynuyor. Bu çalışma, Doğal Dil İşleme (NLP) ve Doğrusal Diskriminant Analizi (LDA) kullanarak temassız hizmet, Evrişimli Tekrarlayan Sinir Ağı (Conv-RNN) modeli aracılığıyla kişiselleştirilmiş yemek önerileri ve optimize edilmiş bir Evrişimli Uzun Kısa Süreli Bellek (Conv-LSTM) modeli kullanarak müşteri memnuniyeti tahmini yoluyla restoran catering hizmetlerini iyileştirmek için yapay zeka odaklı bir akıllı sistem önermektedir. Gerçek dünya deneyleri, önerilen sistemin geleneksel kural tabanlı yöntemlerden daha iyi performans gösterdiğini, Word2Vec-LDA ile %91,5 doğruluk, %91,1 kesinlik, %91,1 hatırlama ve %89,7 F1 puanı elde ettiğini göstermektedir; Conv-RNN modelinde 0,02 kayıpla %98,5 doğruluk; ve Conv-LSTM sisteminde 0.1011'lik bir R² ile 0.9812'lik bir RMSE. Bu sonuçlar, restoran endüstrisinde müşteri hizmetlerini otomatikleştirme ve geliştirmede yapay zekanın dönüştürücü potansiyelini vurgulamaktadır.

Introduction

Yapay zekanın benimsenmesi, son on yıldır dijital teknoloji büyümesinin çok önemli bir parçası olmuştur. Başlangıcından bu yana konaklama sektörü de dahil olmak üzere birçok sektöre hem olanaklar hem de zorluklar sunmuştur¹ ve insanların yaşam kalitesini iyileştirme ve dolayısıyla ekonomiyi geliştirme potansiyeline sahip çok sayıda yapay zeka destekli buluş geliştirilmiştir. Oldukça rekabetçi restoran endüstrisinde, birinci sınıf yemek ve müşteri hizmetlerini sürdürmek başarı için çok önemlidir. Teknoloji ilerledikçe ve yemek deneyimleri değiştikçe yapay zeka, operasyonel etkinliği ve müşteri memnuniyetini artırmak için oyunun kurallarını değiştiren bir araç haline geliyor. Yapay zeka destekli izleme sistemleri, mutfaklarını daha iyi yönetmek, yemek kalitesini takip etmek ve birinci sınıf müşteri hizmetleri sunmak için restoran operasyonlarını² dönüştürüyor. Gelişmiş algoritmaların ve gerçek zamanlı veri analitiğinin kullanımı sayesinde bu teknolojiler operasyonları kolaylaştırır ve yemek deneyiminin her alanında tutarlılığı, güvenliği ve mükemmelliği garanti eder. Restoranların normal çalışma prosedürleri için daha yüksek bir hassasiyet derecesi elde etmesi artık mümkün².

Genel finansal başarı, değişen koşullara uyum sağlama ve müşteri ihtiyaç ve beklentilerini karşılamak için tekliflerini genişletme ve değiştirme yeteneği, turizm ve konaklama endüstrisindeki faktörlerdir ve bu faktörler sıklıkla bir işletmenin hayatta kalıp kalamayacağını belirler³. Bu nedenle turizm ve konaklama sektörü, müşteri hizmetlerini ve deneyimini geliştirmek için yapay zeka ve robotik (AIR) gibi ileri teknolojileri kullanıyor. Bu teknolojik gelişmeler, müşteri deneyimini iyileştirmek amacıyla müşteri hizmetleri için akıllı araçlar olarak kullanılıyor⁴. Ayrıca kurumsal performans, konaklama yönetiminde yapay zekanın hızla ilerlemesiyle artırılabilir. Çeşitli formatlarda büyük miktarda veri toplayan veri yoğun bir sektöre örnek olarak otel sektörü verilebilir.

Operasyonel yönetimdeki verimsizlikler, bireyselleştirilmiş hizmetlere yönelik artan tüketici beklentileri, artan işgücü kıtlığı ve kesin talep tahminlerine duyulan ihtiyaç, konaklama sektörünün karşı karşıya olduğu devam eden sorunlardan bazılarıdır. Geleneksel yaklaşımlar sıklıkla bu sorunları yeterince ele almakta başarısız olmakta, bu da işletme giderlerini artırmakta ve eşit olmayan hizmet kalitesine neden olmaktadır. Yapay zeka (AI), sıkıcı süreçleri otomatikleştirerek, veriye dayalı karar almayı kolaylaştırarak, talep tahminini artırarak, fiyatlandırma ve envanter yönetimini optimize ederek ve tüketici kişiselleştirmesini geliştirerek çözümler sunar. Yapay zeka, bu boşlukları doldurarak konaklama sektörünün operasyonel etkinliğini ve misafir deneyimini geliştirmek için oyunun kurallarını değiştiren bir araç olarak giderek daha fazla konumlanıyor.

Yapay zeka, operasyonel etkinliği yeniden sağlayarak ve müşteri olaylarını tanıyarak restoran endüstrisindeki müşteri hizmetleri tarihini dönüştürüyor². Makine öğrenimi ve ekstrapolatif analitik gibi yapay zeka becerileri, talep oluşturma ve envanter yönetimi gibi prosedürleri kolaylaştırmak için çok önemlidir. Daha iyi hizmet tutarlılığı ve daha düşük işletme maliyetleri bu gelişmelerin sonuçlarıdır ^5,6. Ek olarak, yapay zeka, kişiye özel menü önerileri ve yükseltmeleri sunmak için tüketici verilerini değerlendirerek kişiselleştirilmiş etkileşimleri kolaylaştırır ve müşteri sadakatini ve mutluluğunu artırır⁷. Akıllı sistemler, seyahat ve turizm sektöründe kilit bir rol oynamakta ve gelişmişliğe odaklanarak rekabeti artırmaktadır⁸. Oteller, dijital stratejiler⁹ ve yapay zeka ve Nesnelerin İnterneti (IoT) ile geliştirilmiş robotlar dahil olmak üzere en son teknolojileri deniyor. Yapay zeka ve ilgili teknolojilerle desteklenen robotlar giderek daha yaygın hale geliyor¹⁰. Dijital arayüzler aracılığıyla, sesli komutlarla etkinleştirilen yapay zeka (AI) cihazları olan sesli asistanlar (VA'lar), bir dereceye kadar insan benzeri zeka sağlar¹¹. VA'lar, ilerlemelerine rağmen, düşük kullanıcı farkındalığı, rahatsızlık ve hem otel çalışanlarından hem de ziyaretçilerden zaman zaman muhalefet gibi zorluklar yaşarlar¹².

Toplum dinamikleri değiştikçe ve daha fazla Amerikalı uygun ve zaman kazandıran seçenekleri tercih ettikçe restoran endüstrisinde teslimat ve paket servis operasyonları büyüyor¹³. ABD'deki tüketicilerin yaklaşık %60'ı haftada en az bir kez teslimat veya paket servis siparişi veriyor ve tüketicilerin %78'i çevrimiçi yemek siparişi platformlarını aktif olarak kullanıyor¹⁴. Bu eğilim, çevrimiçi yemek dağıtım pazarının 220 yılı sonunda kafa karıştırıcı bir şekilde 2023 milyar dolara ulaştığı, restoran satışlarının %40'ını oluşturduğu ve pazarın 365 yılı sonunda 2030 milyar dolara ulaşacağı verileriyle daha da güçleniyor¹⁵. 534.60 yılına kadar 2028 milyar doların üzerine çıkması bekleniyor. 9.5 yılına kadar yaklaşık %2034 bileşik yıllık büyüme oranı öngörülen küresel pazar, 288.87 yılında yaklaşık 2024 milyar ABD doları değerindeydi ve 316.31 yılı sonunda 2025 milyar ABD dolarına ulaşması bekleniyor¹⁵. Ayrıca, doğrudan çevrimiçi siparişlerin sayısı 2019 ile 2021 arasında şaşırtıcı bir şekilde %54 arttı ve bu da müşterilerin geleneksel yemek seçenekleri yerine dijital siparişi giderek daha fazla tercih ettiğini gösteriyor. Hizmet yönetiminde metin madenciliği ve veriye dayalı karar vermenin artan önemi, yeni yönetim alanlarını ve pazar istihbaratı ve sosyal medya analizi gibi önemli konuları aydınlatması¹⁶. Bu araştırma, restoranların operasyonel etkinliği ve müşteri katılımını geliştirmek için sohbet robotlarını kullanmaları için ikna edici bir argüman sunuyor. Ayrıca, Proenca ve Soukiazis¹⁷ tarafından yapılan araştırma, pazarlama ve müşteri ilişkileri yönetimi girişimlerinde veriye dayalı yaklaşımların olasılığını vurgulayarak, müşteri etkileşimlerini en üst düzeye çıkarmak ve şirketin genişlemesini teşvik etmek için sohbet robotlarının nasıl kullanılacağına dair aydınlatıcı bilgiler sunuyor.

Verimliliği artırmak ve bireyselleştirilmiş, müşteri odaklı hizmeti seçmek için restoran endüstrisi Robotik, Yapay Zeka ve Hizmet Otomasyonu (RAISA) ^uyguluyor18. RAISA'nın restoranlarda kullanımının, tıpkı diğer teknoloji değişiklikleri¹⁹ gibi, değerlendirilmesi gereken bir takım sonuçları vardır. RAISA, hataları azaltarak ve genel hizmet kalitesini iyileştirerek güvenilir, standartlaştırılmış hizmet sağlayabilir²⁰. Ek olarak, müşterilere farklı bir etkileşimli deneyim sağlayabilir. Kreishan^18'e göre, hizmet robotları artık daha sofistike, bağımsız ve uyarlanabilir. Ancak bir restoranın genel ambiyansının yanı sıra müşteriler, çalışanlar ve robotlar arasındaki sosyal etkileşimler üzerinde de etkileri olabilir. Yöneticiler, çalışanlar ve tüketiciler bu unsurlara ilişkin farklı algılara sahip olduklarından ve RAISA ile etkileşime girmeye hazır olma durumları değiştiğinden, teknolojinin kabul edilebilirliğini etkileyen yönleri değerlendirmek kritik öneme sahiptir²¹.

Omni modellerinin önemli dilsel yetenekleri, otel inceleme analizinde BERT²² için %60,6'ya kıyasla %67'nin üzerine çıkan gelişmiş duygu sınıflandırma doğruluğu ile vurgulanmıştır. Aynı zamanda, öneri sistemleri, profilleri yöneterek ve kullanıcı yorumlarını analiz ederek özelleştirmeyi geliştirmek için giderek Büyük Dil Modellerini (LLM'ler) kullanıyor. Hibrit sistemler, seyrek veri koşullarında öneri doğruluğunu artırmak için LLM çıktılarını grafik sinir ağı yerleştirmeleriyle entegre ederken, PURE çerçevesi, incelemelere dayalı olarak kullanıcı profillerini dinamik olarak güncellemek için LLM'leri kullanır²³. Bu arada, oturum tabanlı durumlarda, Transformers4Rec gibi transformatör tarzı öneri mimarileri, geleneksel RNN modellerini²⁴ geride bırakıyor.

Yapay zeka, otomasyon ve akıllı teknolojideki hızlı gelişmelere rağmen, akıllı yemek hizmetlerinin hala keşfedilmemiş veya yeterince keşfedilmemiş bir dizi yönü var. Bu zorluklar arasında yapay zeka destekli sistemler aracılığıyla enerji verimliliğini ve gıda israfını yönetmek, çeşitli müşteri tercihlerine göre kişiselleştirmeyi ölçeklendirmek, yapay zekayı geleneksel mutfak iş akışlarıyla entegre etmek, müşteri profili oluşturmada müşteri gizliliğini ve güvenliğini korumak ve sınırlı finansmana sahip küçük ve orta ölçekli restoranlar için akıllı catering çözümleri uygulamak yer alıyor. Akıllı catering çözümlerinin yaygın ve sürdürülebilir bir şekilde benimsenmesi için bu boşlukların doldurulması gerekir. Bu, daha fazla çalışma ve buluş için bir fırsat yaratır. Akıllı catering sistemlerindeki potansiyel araştırma açıkları aşağıdakileri içerir:

Yapay zeka sistemleri, kullanıcı tercihlerine göre yemek önerileri sunabilse de, sıklıkla beslenme gereksinimlerinin ve kişisel tercihlerin inceliklerini tam olarak anlamakta zorlanırlar²⁵. Çözümlerin çoğu hala biraz basit ve uyumsuzlukları tahmin etmek gibi hatalara eğilimli; ancak bazı akıllı catering sistemleri, envanteri yönetmek veya talebi tahmin etmek için yapay zekayı kullanır. Pek çok akıllı catering sisteminin, dokunmatik ekranlar veya ses tanıma gibi yalnızca bir arayüz yolu vardır²⁶. Yapay zeka aracıları tüketici geçmişine veya tercihlerine dayalı olarak belirli bir düzeyde özelleştirme sağlayabilse bile, birçok sistemin bireysel tercihleri tam olarak anlama veya tahmin etme yetenekleri hala sınırlıdır. Demografik veriler veya önceki siparişler gibi temel girdiler yapay zeka botları tarafından sıklıkla kullanılır.

Makine öğrenimindeki son gelişmeler, çeşitli alanlarda insan davranışını ve bağlamsal verileri modellemeye giderek daha fazla odaklandı. Nejadshamsi ve ^ark.27, kentsel bina doluluk profilleri için veri kaynaklarını ve metodolojilerini değerlendirirken, dinamik davranış kalıplarını yakalamada heterojen verilerin değerini vurgulamışlardır. Buna dayanarak, Nejadshamsi ve ^ark.28, grafik sinir ağlarını kullanan coğrafi-anlamsal bağlama duyarlı bir işe gidip gelme akışı tahmin modeli ortaya koyarak derin öğrenmenin insan faaliyetinin uzamsal-zamansal akışlarını ne kadar iyi tahmin ettiğini gösterdi. Benzer şekilde, Nejadshamsi ve ^ark.29, kentsel ölçekte doluluk ve enerji tahmini için ulaşıma dayalı bir çerçeve oluşturarak tahmine dayalı performansı iyileştirmede bağlamsal ipuçlarının önemini vurgulamıştır.

Müşteri deneyimini iyileştirmek ve operasyonel verimliliği artırmak, hızla değişen restoran endüstrisinde önemli başarı unsurları haline geldi. Pek çok restoran, entegre akıllı sistemlerden yoksun oldukları için artan teknoloji kullanımına rağmen hala sorunsuz, kişiselleştirilmiş ve etkili hizmetler sunmakta zorlanıyor. Temassız hizmetin geliştirilmesi, kişiselleştirilmiş yemek önerileri sağlanması ve müşteri mutluluğunun gerçek zamanlı olarak kesin olarak tahmin edilmesi gibi temel konular, mevcut sistemler tarafından sıklıkla göz ardı edilmektedir²⁵. Bu proje, restoran operasyonlarını geliştirmek için en son teknolojileri kullanan akıllı bir catering sistemi oluşturarak bu açığı kapatmayı amaçlıyor. Sisteme üç temel unsur entegre edilmiştir:

Gizli Dirichlet Tahsisi (LDA) ve Doğal Dil İşleme (NLP) Kullanan Temassız Hizmet: LDA ve NLP'den yararlanılarak etkili temassız müşteri etkileşimleri mümkün hale getirilerek bekleme süreleri ve insan hatası azaltılır.

Gıda Önerileri için Conv-RNN Tabanlı Öneri Sistemleri: Bu, tüketici tercihlerine göre dinamik, kişiye özel gıda önerileri üretmek için Evrişimli Tekrarlayan Sinir Ağı (Conv-RNN) kullanarak menü memnuniyetini artırır.

Optimize Edilmiş Bir Conv-LSTM Modeli ile Müşteri Memnuniyetini Tahmin Etmek: Restoranlar, gerçek zamanlı verilere ve geri bildirimlere dayalı olarak müşteri mutluluğunu tahmin etmek için geliştirilmiş bir Evrişimli Uzun Kısa Süreli Bellek (Conv-LSTM) modeli kullanarak veriye dayalı iyileştirmeler yapabilir. Önerilen akıllı sistem, temassız etkileşim ve özelleştirilmiş yemek deneyimlerini daha ölçeklenebilir ve etkili bir şekilde sunmanın yanı sıra müşteri memnuniyetini artırmayı, operasyonları kolaylaştırmayı ve hizmet sunumunu iyileştirmeyi amaçlıyor.

Bu çalışmayı, yapay zeka güdümlü gıda öneri sistemlerinin mevcut bağlamına yerleştirmek için önceki bir dizi yöntemle karşılaştırıyoruz. Örneğin, tartışma dinamiklerini yakalamak için öz-dikkat süreçlerini kullanan dönüştürücü tabanlı sıralı bir konuşma öneri çerçevesi Zou ve ^ark.30 tarafından geliştirilmiştir. Diyalog ve görsel tabanlı öneri görevlerini kolaylaştırmak için Gambetti ve Han³¹, eşleşen restoran inceleme metinleri ve fotoğraflarından oluşan çok modlu bir veri kümesi olan AiGen-FoodReview'u geliştirdi. Daha önce MenuAI, Ju ve ^ark.32 tarafından oluşturulmuştu ve doğrudan metinsel menü grafiklerinden menü öğesi önerileri yapmak için dönüştürücü modelleri kullanıyordu. Yorumlanabilirlik ve hesaplama verimliliği, bağlam veya çok modlu bilgileri işlemedeki mükemmel becerilerine rağmen, bu yaklaşımlar tarafından zaman zaman tehlikeye atılabilir. Öte yandan, entegre NLP-LDA + Conv-RNN + Conv-LSTM sistemimiz, açıklanabilirlik, hafif dağıtım ve yüksek tahmin doğruluğu arasında bir denge kurar ve bu da onu özellikle sınırlı kaynaklara sahip catering durumları için uygun hale getirir.

Yapay zeka destekli teknolojinin Akıllı İkram Hizmetleri (ICS) aracılığıyla misafirperverlik standartlarını nasıl iyileştirebileceğini ve restoran operasyonlarını nasıl hızlandırabileceğini incelemek bu çalışmanın temel amacıdır. Gizli Dirichlet Tahsisi (LDA) ve NLP, müşteri sorgularını temassız olarak verimli bir şekilde ele almak için önerilen yöntemde birleştirilmiştir. Kişiselleştirilmiş deneyimler sağlamak amacıyla yemek önerileri üretmek için bir Conv-RNN kullanılır ve tüketici memnuniyeti düzeylerini tahmin etmek için optimize edilmiş bir Conv-LSTM modeli kullanılır. Bu unsurların entegre edilmesiyle oluşturulan ICS, genel müşteri memnuniyetini artırmada, kaliteyi garanti etmede ve hizmet verimliliğini artırmada pratik kullanım göstermektedir. Gıda önerisi doğruluğu ve memnuniyet tahmini üzerindeki performans ölçümlerini kullanan deneysel sonuçlar, modelin etkinliğini doğrular.

Önerilen akıllı catering sistemi, yemek önerileri ve müşteri memnuniyeti tahminleri sağlamak için temassız bir hizmet sunuyor. Temassız bir akıllı catering sistemi çoğunlukla otomasyon ve rahatlığa odaklanır ve müşterilerin yemek önerisi ve memnuniyet tahmini gibi belirli görevleri yerine getirirken sistemle temassız bir şekilde etkileşim kurmasını sağlar. Oysa bir yapay zeka aracısı, daha doğru, uyarlanabilir ve kişiselleştirilmiş kararlar almak için veriye dayalı içgörüleri kullanarak otomasyonun ötesine geçer, müşteri deneyimini geliştirir ve daha geniş bir işlev yelpazesinde operasyonel verimliliği artırır. Bu çalışmanın amacı, temassız etkileşimler için NLP-LDA'yı, kişiselleştirilmiş yemek önerileri için Conv-RNN'yi ve müşteri memnuniyetini tahmin etmek için Conv-LSTM'yi entegre eden yapay zeka odaklı bir Akıllı İkram Sistemi (ICS) geliştirmektir. Bu sistem restoranlar için kullanışlıdır çünkü operasyonel verimliliği artırır, maliyetleri düşürür, tutarlı hizmet sunar ve kişiselleştirme ve gerçek zamanlı geri bildirim yoluyla müşteri katılımını geliştirir.

Protocol

Bu çalışma, Malezya Ulusal Üniversitesi (UKM) Araştırma Etik Kurulu'nun yönergelerine uygun olarak yürütülmüş ve UKM FST/2025-AI/023 onay numarasıyla onaylanmıştır. Chatbot sorguları toplanmadan önce tüm katılımcılardan yazılı bilgilendirilmiş onam alındı. Katılımcı gizliliğini ve mahremiyetini sağlamak için tüm veriler anonimleştirildi

Çalışmaya genel bakış

Yapay zeka teknolojileriyle desteklenen önerilen akıllı ikram sistemine genel bakış Şekil 1'de gösterilmektedir. Gösterildiği gibi, müşteri girişi, etiketleri çıkarmak için kelime yerleştirme, lemmatizasyon ve tokenizasyon gibi NLP teknikleriyle önceden işlenir. Ardından, müşteri etiketlerine temassız hizmet sağlamak için modellemeye LDA adı verilen makine öğrenimi modeli uygulandı. Yiyecek önerisi bir Conv-RNN modeli kullanılarak gerçekleştirilir. Önceki müşterinin seçimlerinden kaydedilen akış sırasına göre gıda, müşteriye akıllıca öneriliyor. Son olarak, restoranın hizmetlerinde daha fazla iyileştirme için optimize edilmiş bir Conv-LSTM modeli kullanılarak müşteri memnuniyeti düzeyi tahmin edilir. Önerilen yapay zeka modellerinin performansı, çeşitli değerlendirme ölçütleri altında değerlendirilir.

Şekil 1: Akıllı catering hizmetleri (ICS) için önerilen sistem modeli. Mimari, kullanıcı etkileşimini, veri ön işlemeyi, niyet tespitini, gıda önerisini ve geri bildirim mekanizmalarını entegre eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Kullanılan veri kümesi

Akıllı catering sistemini oluşturmak için bir chatbot kullanarak yakındaki bir restorandan 283 talep topladık. Menü detaylarından çalışma saatlerine kadar çok çeşitli müşteri sorularını içeren bu sorular, manuel olarak 15 farklı niyet grubuna ayrıldı. Bu, sistemle olası tüm kullanıcı etkileşimlerinin kapsamlı bir şekilde kapsanmasını garanti eder. Selamlamalar, vedalar, takdir, ikram, çalışma saatleri, ortam, iletişim bilgileri, ödemelerle ilgili sorular, bugünün menüsü, teslimat alternatifleri, menü soruları, sipariş süreçleri, özel fırsatlar, rezervasyonlar, içecek seçenekleri ve açık havada oturmak için erişilebilirlik, niyet sınıflarının kaydetmek için yapıldığı müşteri sorgularının belirli yönlerinden sadece birkaçıdır. Tablo 1 , amaç gruplarının her birindeki soruların sıklığını ve sorguların tematik içeriğine göre sınıflandırmayı göstermektedir. Örneğin, İletişim Bilgileri kategorisi en yüksek sorgulara sahipti ve bu da müşterilerin restoranla nasıl iletişime geçeceklerini öğrenmekle çok ilgilendiklerini gösteriyor. Öte yandan, Oturma ve İçecek kategorileri en az sorguyu aldı, bu da bu konulara daha az tüketici ilgisi olduğunu veya bu konularda zaten daha fazla açıklama olduğunu gösterebilir.

LDA ile NLP kullanan temassız hizmet

Çerçevenin etkinliğini başlatan kullanıcı girişi, metni standartlaştırmak ve gürültüyü ortadan kaldırmak için başlangıçta önceden işlenir. Tokenizasyon, durdurma sözcüğünün ortadan kaldırılması ve lemmatizasyon, verileri ek analizlere hazır hale getiren bu hazırlığın örnekleridir. Ön işlemlerin ardından kullanıcı sorguları sayısal gösterimlere dönüştürülür. Anlamsal bağlantılar ve bağlamsal uygunluk, bu temsillerin yakaladığı dilsel özellikler arasındadır. Önceden tanımlanmış 16 sınıfın (amaçlar/etiketler) sınıflandırılması için kullanıcı sorgularının bu vektör temsillerini eğitmek için çeşitli makine öğrenimi sınıflandırıcıları kullanıldı. Model, önceden belirlenmiş ilgili yanıtı getirir ve kullanıcının sorgu amaçlarını doğru bir şekilde tahmin ettikten sonra kullanıcıya döndürür.

Ön

Analizimizin güvenilirliği, gelen verilerin tutarlı bir şekilde biçimlendirildiğini ve takip eden sınıflandırma prosedürüyle ilgili olduğunu doğrulayan önceden işlenmiş sorgularla büyük ölçüde artırılmıştır. Niyet kalıpları (örneğin, merhaba, merhaba, hey gibi selamlamalar), metni küçük harfe dönüştürerek, durdurma sözcüklerini kaldırarak ve NLTK araç seti³³ kullanılarak belirteçleştirme uygulanarak toplandı ve ön işleme tabi tutuldu. Tablo 2 , bu çalışmanın izlediği ön işleme adımlarını göstermektedir.

LDA tabanlı etiket modelleme

Sistem, kullanıcının selamlamalarının sistem tarafından tanınması için Destek Vektör Regresyonu (SVR) kullanarak kullanıcıdan gelen etiketleri sınıflandırır. Kullanıcı amacını tahmin etmek için sistem kapasitesini geliştirmek amacıyla, Makine Öğrenimi (ML) ve Derin Öğrenme (DL) modellerine ek olarak hem geleneksel hem de son teknoloji metin işleme yöntemlerini kapsamlı bir şekilde inceledik. Amacımız, çok çeşitli kullanıcı sorularını anlayabilecek son derece hassas bir algoritma oluşturmaktı. Bu çalışmada, kullanım kolaylığı ve kelime sıklığını ve metindeki kelimelerin önemini vurgulamadaki güçleri nedeniyle Bag of Words (BoW) ve TF-IDF'nin temel stratejileri kullanılmıştır. Glove ve Word2Vec'in birlikte kelime kullanımına göre kelime yerleştirmeleri üretme kapasitesi, kelime anlamları ve bağlamı hakkında bilgi vermelerine izin verdi²².

Veriler hazırlandıktan sonra, amaç sorguları gizli Dirichlet tahsisi (LDA) yöntemi kullanılarak sınıflandırılır. Amaç, terimler arasındaki bağlantıları analiz etmek ve yapılarındaki kalıpları belirlemek için LDA yöntemiyle metin madenciliğini kullanmaktır^34,35. Doğası gereği denetimsiz ve olasılıksal olan LDA, bir derlemdeki her belgenin önceden belirlenmiş sayıda manuel olarak tanımlanmış temadan oluştuğunu varsayar. LDA'daki her belge eşit ağırlığa sahiptir ve bir torba kelimeye sahiptir. Her belgenin kelimelerinin sırasız olduğu varsayılır. Bir konu, kelimelerin olasılık kütle fonksiyonu kullanılarak da tanımlanır. Her belge, temaları seçmek için bir olasılık kütle işlevi kullanır. Niyet sınıflandırması için, GensimPython kitaplığı³⁴ kullanılarak Gizli Dirichlet Tahsisi (LDA) uygulandı.

LDA'da niyetler, adı verilen LDA dağıtım havası ile gösterilen gizli üzerindeki dağılım olarak görülür. Verilen amacı tanımlayan θ(çok terimli) olarak gösterilen amaç dağılımına dayalı olarak bir model seçilir, I'in olasılığı verilen C sınıfına aittir. Bir Dirichlet dağılımı, kalıbı bir Torba kelimeye kodlayan β ile ilgilidir. α ve β göz önüne alındığında, z amaçlı M kalıplarıyla ilgili N kelimeli çok değişkenli dağılım olarak tanımlanır. N terim grubu,³⁶ olarak verilen W olarak gösterilir:

(1)

θ üzerinden integral edilerek, toplam Z olarak bildirilir ve bireysel niyetlerin marjinal olasılıklarının çarpımı alınır ve tüm niyet olasılığı şu şekilde hesaplanır:

(2)

Selamlaşma niyet varyasyonları da dahil olmak üzere kalıplar merhaba, merhaba, Hey, Günaydın/öğlen/arife ve merhaba'dır. Sistem, bu kalıpları alırken, kullanıcının selamlama amacını bulur ve bunlara sonuç olarak tanımlanmış bir ifadeyle yanıt verir, örneğin Size ne yardımcı olabilirim? veya Size nasıl yardımcı olabilirim? Sorgu, önceden tanımlanmış 15 sınıfla sistem tarafından tanınmazsa, sistem restoran bilgilerini sağlar ve kullanıcının müşteri hizmetleri ile iletişim kurmasını önerir. Selamlamalarla ilgili kullanıcı sorgularının LDA tabanlı etiket modellemesinin sonucu Şekil 2'de gösterilmektedir. Benzer şekilde, yanıtlar kullanıcı amaçları (Sorgular) ile ilgili 15 sınıfın tümü için gerçekleştirilir. LDA modeli aşağıdaki parametrelere sahiptir. Konu sayısı (k) 40, Alfa 0,05, Beta değeri 0,04 ve yineleme sayısı 100 olarak bildirilir.

ICS için Bi-NN kullanarak yemek önerisi

Akıllı İkram Sisteminde (ICS), gıda maddeleri doğru önerileri desteklemek için sistematik olarak kategorize edilir. Her menü girişi, tek bir öğeyi (örneğin, burger, atıştırmalık, içecek) veya yemek seti (örneğin, soğuk bir içecekle kızarmış tavuk) gibi öğelerin bir kombinasyonunu temsil edebilir. Bu öğeler altı ana kategoriye ayrılmıştır: tavuk, burger, atıştırmalık, içecek, takım elbise ve tiffin. Açıklık getirmek gerekirse, takım elbise paketlenmiş yemek takımlarını ifade ederken, tiffin geleneksel çok öğeli yemekleri temsil eder. Her gıda maddesi üç temel özellik ile tanımlanır: fiyatı, kategorisi ve bileşimini açıklayan bir içerik vektörü. Bu yapılandırılmış sınıflandırma, öneri modelinin müşteri satın alma geçmişlerini hem ürün hem de kategori düzeyinde analiz etmesine olanak tanıyarak sistemin, kullanıcı tercihleriyle uyumlu ilgili yemekleri ve kombinasyonları önerme yeteneğini geliştirir. ICS'deki tüm gıdalar, N'nin  ICS'deki toplam gıda maddesi sayısını gösterdiği bir kümedir. F'deki her gıda ürünü  için,  gıdanın özelliklerinin detaylarından oluşur ve şu şekilde gösterilir:

(3)

burada,  gıda fiyatlarını belirtir,  gıda maddelerinin kategorisini belirtir, burada , C kategorileri belirtir.  M'nin menüleri ifade ettiği menü sayısını, nerede M'nin yiyeceğin içerik vektörünü ifade ettiğini,  nerede içerik vektörünün öğesi olduğunu ve sırasıyla tavuk, burger, atıştırmalık, içecek, takım elbise ve Tiffin'i temsil ettiğini belirtir.

Kullanıcı verileri, kullanıcının uygulamadan veya kullanım akışından elde edilebilecek özelliklerini belirtmek için kullanıcıyla ilgili ayrıntılardan oluşur. Her kullanıcı için özellikler şu şekilde belirtilir:

(4)

burada , kullanıcıyla ilgili yaş ve cinsiyet gibi ayrıntıları belirtir.  Değişken uzunluklu bir vektör olan kullanıcının tıklama olayını belirtir, burada ve t son tıklama olayının zamanını bildirir,  pozitif sayıdır ve  kullanıcı tarafından gerçekleştirilen tüm satın alma işlemini gösteren tüm akış dizisini belirtir.   Müşteri tarafından satın alınan yiyeceklerin listesini, burada k, kullanıcı tarafından satın alınan toplam gıda maddesi miktarını belirtir.

Sırasıyla gıda maddelerini ve kullanıcı verilerini ifade eden F ve U'nun kullanılmasıyla, öneri sistemi ICS'de çerçevelenmiştir. Bu sistemin amacı, kullanıcının satın alma niyetini geliştirmek için doğruluğu artırmaktır. ICS sorunu şu şekilde formüle edilir:

(5)

Denklem (5), Denklem (6)'da gösterilen kayıp fonksiyonunu azaltarak ICS probleminde daha iyi doğruluk sonuçları bulmak için problemin amacını belirtir.

(6)

nerede,  tahmin edilen sonuçlardır ve  gerçek sonuçtur. Model, kayıp fonksiyonunun değeri daha küçük olduğunda daha iyi performans gösterir. Kayıp fonksiyonu, modelin tahmin edilen değeri ile gerçek Y değeri arasındaki tutarsızlığı belirlemek için kullanılır. Bunda,

(7)

nerede

(8)

(9)

Bunda r, X'teki eğitim verilerini belirtir ve s, bir eğitim verisinin satın alınan gıda maddesi numarasıdır. Geliştirilen ICS, aşağıdaki bölümde açıklanan bir kayıp fonksiyonu olarak çapraz entropiyi kullandı.

Conv-RNN tabanlı yemek önerisi

Conv-RNN tabanlı bir öneri sistemi, ürünün özelliklerini, kullanıcı derecelendirmelerini ve kullanıcı profillerini analiz ederek kullanıcılara ilgi alanlarına göre öneriler sunar. Şekil 3 , önerilen CRNN tasarımını göstermektedir. Conv-RNN modelleri, önerilerde bulunurken sıklıkla kullanıcının zamansal bağlamı hakkında belirli bilgileri dikkate alır veya otomatik olarak ekler. Bununla birlikte, bir öneri sisteminin öneri istekleri tarafından sağlanan bağlamı ne kadar iyi anladığı ve kullandığı genellikle ne kadar etkili olduğunu belirler. Conv-RNN, belirli bir kullanıcı için uygun öneriler sağlamak üzere öğenin dinamik özelliklerine ve özniteliklerine ve kullanıcının geçerli zaman bağlamına dayalı olarak tahmin derecelendirmelerini hesaplar. Aynı anda benzer şeyler yaşayan insanların benzer tercihlere sahip olması kaçınılmazdır. CNN tabanlı zamana duyarlı bir sistemin öneriler için etkinliği, amaçlanan alıcıyla en karşılaştırılabilir ve aynı zamansal bağlamı paylaşan kullanıcıları bulma kapasitesine bağlıdır. Böylece CNN, kullanıcının etkinliği hakkında zamana duyarlı bilgiler olan zamansal bağlamı kaydeder. CNN'nin girdi katmanı daha sonra orijinal matrisi yeniden oluşturmak için kullanıcı nitelikleri, öğe özellikleri ve zaman bilgileriyle beslendi. Matristen özellikleri çıkarmak için evrişim katmanı kullanıldıktan sonra nihai çıktıyı hesaplamak için bir yöntem verilir.

Evrişim katmanlarından, yiyecek tıklama olayları Eqn (10) kullanılarak çıkarılır

(10)

burada O çıktı boyutu, X girdi veri boyutu, F evrişimli çekirdek boyutu, a girdi verilerini doldurmak ve S 1'den büyük ve S çekirdek adımıdır. Sinir ağı, ağın komşu katmanları arasındaki hesaplamaları simüle etmekle sınırlı olsaydı yapabileceğinden daha karmaşık modelleri modelleyebilir, bunu tekdüzelik kullanarak ancak yalnızca doğrusal işlem kullanarak yapar, çünkü stimülasyon katmanı içindeki aktivasyon işlevi doğrusal olmayan işlemleri gerçekleştirmek için kullanılır. Bir sinir ağında, katmanlar arası iletişim kesinlikle sıralıdır. Conv-RNN'de aktivasyon fonksiyonları en yaygın olanıydı. Geleneksel Tanh, sigmoid ve diğer aktivasyon fonksiyonları bir gradyandan yoksundur ve küçük, pratik aralık aralıklarına sahiptir. Kaynak açısından verimli doğrusal olmayan bir işlem de kullanıldığında, düzeltilmiş doğrusal birim (ReLU) fonksiyonları bu iki sorunun üstesinden gelmek için birincil araç haline gelir.

Hesaplama verimliliği için, havuzlama katmanı özellik verilerini aşağı örnekler ve seyrek olarak işler. Maksimum ve ortalama havuzlama yöntemleri, havuzlama algoritmalarının iyi bilinen iki örneğidir; MaxPooling daha iyi özellik seçimi sonuçları sağlar. MaxPooling aşağıdaki özellikleri seçti:

(11)

Conv-RNN daha sonra Conv-RNN kuyruğunu daha az özellik bilgisi kaybıyla yeniden eğitmek için iki yoğun yaklaşım kullanarak tam bağlantılı katmanı kullanır. Tekrarlayan katmanlar, sıralı verilerin analizi için sinir ağlarında yaygın olarak kullanılır. Önceki girişlerin dahili belleğini korumalarına izin veren bağlantılar nedeniyle, tekrarlayan katmanlar, geleneksel ileri beslemeli katmanların aksine, her girişi ayrı ayrı işler. Bu, tekrarlayan katmanları özellikle dizileri, zaman serisi verilerini veya girdi sırasının önemli olduğu her türlü bilgiyi içeren görevler için çok uygun hale getirir. Tekrarlayan bir katmanın temel birimi, genellikle bir RNN hücresi olarak bilinen tekrarlayan nörondur. RNN hücreleri girdileri birer birer işlediğinden, önceki girdilerden gelen verileri içeren dahili bir durumu korurlar. İç durumu her zaman adımında değiştirilir ve bu da sonraki girdilerin işlenmesini etkiler. Çıktı katmanı, kullanıcıya SoftMax sınıflandırıcısını kullandıktan sonraki sonuçları gösterir. Özellikleri gömülü matrisin indeksi olarak kategorize edilen alanları kullanmadan önce, önce tam sayılara dönüştürülmeleri gerekir.

Gerçek sınıf etiketleri y ile öngörülen olasılık dağılımı y' arasındaki farkı ölçen kategorik çapraz entropi kaybı fonksiyonu, Conv-RNN öneri modelini eğitmek için kullanıldı. Uyarlanabilir moment tahmini (Adam) ile stokastik gradyan inişi (SGD) model parametrelerini θ (ağırlıklar ve önyargılar) iyileştirmek için kullanıldı. Parametreler her eğitim yinelemesinde aşağıdaki gibi değiştirildi t:

(12)

burada, öğrenme hızı η,  kayıp fonksiyonunun θ'ye göre gradyanıdır.

Aşırı uyumu önlemek için aşağıdaki taktikler kullanıldı. Eğitim sırasında, nöronları rastgele devre dışı bırakmak için tamamen bağlı katmanlarda bırakma düzenlemesi (ρ=0.3) kullanılır. Art arda 15 dönem boyunca herhangi bir iyileşme görülmediğinde, doğrulama kaybına bağlı olarak eğitim erken durduruldu.

Genelleme performansını doğrulamak için beş kat bölünmüş çapraz doğrulama

Doğrulama kümesinde bir ızgara araması kullanılarak hiperparametre ayarlaması gerçekleştirildi. Arama alanına evrişim katmanı için filtre sayısı 64, çekirdek boyutu 3 x 3, Tekrarlayan katman sayısı 100, Toplu iş boyutu, bırakma oranı 0,2 ve öğrenme oranı 0,002 dahil edildi. Kullanılan optimize edici ADAM'dır. Son olarak, çıktı katmanı, önerilen yiyeceklerin sonuçlarını, önerilen yiyeceklerin bir ile gösterildiği ve diğer çıktıların 0 olarak gösterileceği tek sıcak bir kodlama vektörü olarak döndürür.

Conv-LSTM kullanarak müşteri memnuniyeti tahmini

Bu çalışma, ikramlarını bitirdikten sonra müşteri memnuniyetini tahmin etmek için Evrişim Uzun Kısa Süreli Belleği (Conv-LSTM) kullandı. Conv-LSTM'nin yapısı Şekil 4'te gösterilmektedir. CNN'in mimarisi, girdi nöronlarını, bir dizi evrişimli katmanı, havuzlamayı, tamamen bağlı katmanları ve normalleştirme katmanlarını^{içerir 37}. Evrişim tabakasının sinir hücreleri, dar bir bölge aracılığıyla üstündeki tabakaya bağlanırken, tam bağlantılı tabakaların aktivasyon nöronları, altlarındaki tabakalarla tamamen ilişkilidir. Conv-LSTM girişleri, tensör şekillerini ve zamansal ayrıntı düzeyini açıkça tanımlar. Her giriş dizisi, satın alma listesinin çok sıcak bir vektör olarak kodlandığı ve ilişkili memnuniyet düzeyinin sayısal bir puan olarak temsil edildiği müşteri sipariş oturumu başına (zaman adımı = sipariş başına) yapılandırılır. Ortaya çıkan tensör şekle sahiptir (yığın boyutu × dizi uzunluğu × özellik boyutu).

CNN'de bir fonksiyonun ileri ve geri geri iletimi genellikle faktörleri girdilerine göre farklı gruplara ayırır. Son araştırma ilerlemelerinin bir sonucu olarak çok sayıda CNN tasarımı ortaya çıktı. Denklem (15)'te gösterildiği gibi, üç ağırlık, iw, rw ve b, her bir LSTM bloğunda kullanılan sırasıyla giriş ağırlığını, tekrarlayan ağırlığı ve önyargıyı belirtir.

(13)

Aşağıdakiler, t zaman adımındaki hücre durumunun bir bildirimidir:

 (14)

Hadamard çarpımının ile gösterildiği yer. T'nin gizli durumu Ht'nin kodu,

 (15)

Conv-LSTM'nin hiperparametreleri ve değerleri şu şekilde bildirilir: Evrişim katmanı için filtre sayısı 64, çekirdek boyutu 3 x 3, LSTM birimleri 0,2 bırakma oranıyla 100, yığın boyutu 64, öğrenme oranı 0,002 ve Adam iyileştirici ile zaman adımı sayısı 50'dir.

Müşteri Etkileşimi için UML diyagramı ve Sözde Kod

Önerilen sistemdeki dinamik etkileşim akışı, UML dizi diyagramında gösterilmektedir (Şekil 5). NLP–LDA modülü, konu modelleme ve amaç çıkarma için kullanıcının isteğini (yemek siparişi veya sorgu gibi) işler. İşlemin ardından öneri altyapısı (Conv-RNN) isteği alır ve özelleştirilmiş bir öneri üretir. Son olarak, kullanıcı sistemden gerçek zamanlı bir yanıt alır. Bu sıra, kullanıcı girdisinin akıllı hizmet çıktılarına dönüştürülmesinde şeffaflığı garanti eder ve bileşenlerin modüler etkileşimini vurgular.

Tekrarlanabilirliği artırmak için Conv-RNN öneri algoritmasına sözde kod verilmiştir. Kullanıcı isteğinin ön işlenmesini, dizi modelleme ve özellik çıkarma için evrişimli ve tekrarlayan katmanların kullanılmasını, düzenlileştirmeyi ve bir öneri oluşturmak için bir softmax çıktı katmanını içeren sıralı hesaplama mantığına genel bir bakış sağlar. Bu sözde kod, matematiksel formülasyonları geliştiren model iş akışının uygulama düzeyinde net bir görünümünü sunar.

Sözde Kod: Conv-RNN Öneri Algoritması

Giriş: Kullanıcı isteği U, geçmiş etkileşim dizisi H

Çıktı: Önerilen gıda maddesi R

1. U → ön işleme özelliği, Word2Vec ile yerleştirme
2. Giriş sırası oluşturun S = [H, U]
3. Evrişimli Katmanı Uygulayın:
   S_conv = Conv1D(S, filtreler, kernel_size)
4. Tekrarlayan Katmandan Geçiş (RNN/GRU):
   S_RNN = RNN(S_conv, hidden_units)
5. Düzenleme için Dropout'u uygulayın
6. Softmax aktivasyonu ile yoğun katman:
   P = Softmax(W xS_rnn + b)
7. Öneriyi seçin:
   R = argmax(P)
8. R'yi kullanıcıya döndürme

Results

Bu çalışma, geliştirilen ICS'nin orijinalliğini ve güvenilirliğini garanti etmek için çeşitli modelleri kapsamlı bir şekilde test etti ve doğruladı. ICS için en verimli kurulum, birkaç kelime gömme ve sınıflandırıcı kombinasyonunun karşılaştırmalı bir çalışması yapılarak belirlendi. Her deney 10x gerçekleştirildi ve sonuçlar parantez içinde standart hatalarla ortalama değerler olarak sunuldu. Bu yöntem, modelin öngörülemezliğine ve performanstaki tutarlılığına dikkat çekti. Standart sapma...

Discussion

Yapay zeka teknolojilerini kullanan önerilen ICS modelinin genel performansı, SVR²⁴ ile k-ortalamaları, LSTM (QSR-LSTM⁾²⁵ ile hızlı servis restoranı ve NLP-ANN³⁸ ile karşılaştırılır. Nispeten, önerilen model, Şekil 12'de gösterildiği gibi, dikkate alınan yaklaşımlara kıyasla daha düşük bir hesaplama süresi sağlamıştır. Yineleme sayısı arttıkça, tüm modeller için hesaplama süresi kade...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Programlama dili	Python (model geliştirme, NLP ve derin öğrenme için kullanılır)	https://www.python.org/	Python 3.8+
Veritabanı	MySQL veya SQLite (kullanıcı etkileşim günlüklerini depolamak için)	https://www.mysql.com/; https://www.sqlite.org/	MySQL 8.0 veya SQLite3
Dataset	Yerel restoran sipariş sohbet botundan toplanan kullanıcı sorguları		Elle açıklama
Derin Öğrenme Çerçevesi	TensorFlow / Keras	https://www.tensorflow.org/; Keras 2.11 → https://keras.io/	TensorFlow 2.11 veya Keras 2.11
Gelişim Ortamı	Jupyter Notebook / Google Colab	https://jupyter.org/; https://colab.research.google.com/	JupyterLab 3+ / Colab (ücretsiz)
Değerlendirme Metrikleri	scikit-learn metrikleri: hassasiyet, hatırlama, çapraz entropi, R²	https://scikit-learn.org/	scikit-learn 1.0+
Doğal Dil Araç Seti	spaCy / NLTK (niyet algılama ön işleme için)	https://spacy.io/; https://www.nltk.org/	spaCy 3.0 / NLTK 3.6
Tekrarlayan Sinir Ağı Modelleri	RNN, LSTM, Konv-LSTM	https://keras.io/	Keras'ta Uygulandı
Sistem Donanımı	Intel Core i7, 16GB RAM, NVIDIA GTX 1660 Ti GPU		Yerel sistem
Konu Modelleme Aracı	Gensim (Gizli Dirichlet Tahsisi için kullanılır)	https://radimrehurek.com/gensim/	Gensim 4.1.2
Görselleştirme Araçları	Matplotlib, Seaborn (performans grafiklerini çizmek için)	https://seaborn.pydata.org/; https://matplotlib.org/	Matplotlib 3.5+, Seaborn 0.11
Kelime Gömülmesi	Word2Vec / GloVe önceden eğitilmiş gömmeler	https://nlp.stanford.edu/projects/glove/	GloVe (100D), Stanford NLP