[发明专利]一种基于深度神经网络蒙特卡洛搜索树的个性化配餐方法

权利要求书

1.一种基于深度神经网络蒙特卡洛搜索树的个性化配餐方法，其特征在于，包括如下步骤：

S1、基于菜谱库构建蒙特卡洛搜索菜谱树：

S1.1、由营养专业人员进行菜谱收集、分类整理和审核后形成菜谱库；

S1.2、根据步骤S1.1形成的菜谱库构建菜谱树；

所述菜谱树设置为五层；第一层为成份层，用于构造食材的成份数据；第二层为食材层，用于构造食材数据；第三层为菜谱层，用于构造菜谱数据；第四层为菜谱的分类层，表示各菜谱所属的分类；第五层看作为虚拟根节点；每层的节点i具有带条件概率分布评分k表示条件，x表示每个节点所表示的具体内容；

S1.3、通过模拟抽样的方法，冷启动菜谱树初始化参数；

所述带条件概率分布评分公式如下：

其中，其中，v为节点v′的父节点，N(·)表示节点被访问的次数，Q(·)表示节点的累计收益值，即成功配餐次数；NN(·)表示深度神经网络；c是一个常量参数；α为UCT与深度神经网络之间的权重关系；在本步骤中，设置α＝1；

初始化的步骤对所有条件k都需要遍历模拟一次，统计出各个k值下的评分的分布情况；

S2、构建深度神经网络模型：

S2.1、对数据样本进行预处理：

S2.2、确定深度神经网络模型结构，所述深度神经网络模型包括输入层、嵌入层、特征交叉层、关注网络层、隐含层、输出层；所述输入层用于将输入数据进行数据向量化；所述嵌入层用于将向量映射到实数域表示的空间；所述特征交叉层用于进行特征的交叉组合；所述关注网络层用于对各个特征和特征组合进行关注网络计算；所述隐含层用于对关注网络层的计算结果进行隐含计算；输出层用于输出最终结果；

S2.3、深度神经网络模型训练；

S3、综合深度神经网络模型和蒙特卡洛搜索菜谱树完成个性化配餐：

S3.1、在蒙特卡洛搜索菜谱树搜索阶段，从输入的预测数据中抽取蒙特卡洛搜索菜谱树的节点的约束条件k；基于约束条件k，从虚拟根节点开始，每一层都选择UCT值最大的节点并展开该节点的下一层，一直到菜谱层，最终获取该层的所有菜谱分布UCT_i(x|k)；

在深度神经网络模型预测阶段，在输入层把预测数据经过清洗，转化为深度神经网络的输入格式，然后嵌入层、特征交叉层、关注网络层、隐含层分别对输入数据依次进行嵌入处理、特征组合、关注网络和隐含计算，经输出层输出计算结果，并获取前S个菜谱，得到另一个菜谱分布NN(x)；

S3.2、选定α来均衡蒙特卡洛搜索树与深度神经网络模型，按根据计算菜谱层中各个节点的最终的分布评分

S3.3、遍历选择最大的前I个菜谱

S3.4、展开节点的子节点，获取相关食材的集合food＿set；

S3.5、模拟配餐：遍历集合food＿set中的食材，依设定的个性化条件计算食材的各个成份的量，试图模拟配餐；

S3.6、配餐反馈：从当前节点自下向上反馈蒙特卡洛搜索菜谱树节点，对节点访问参数加1；然后进行营养配餐的验证判断是否满足设定的条件，如果全部满足，表示成功配餐，对节点的价值变量Q进行修改，反馈Q值加1，否则任一项不满足，表示配餐不成功，对节点的价值变量Q进行修改，反馈Q值加0，并获取下一个菜谱直至成功配餐为止；

S3.7、输出成功配餐的菜谱。

2.根据权利要求1所述的方法，其特征在于，步骤S1.3中，初始化的步骤对所有条件k都需要遍历模拟一次，统计出各个k值下的评分的分布情况，每次的过程是基于传统的蒙特卡洛搜索树进行：

1)选择：选择节点的原则是如果节点没有被访问过，随机选择一个节点；否则，按节点的评分最大值原则进行选择；

2)展开：当选择了某个节点之后，将下一层进行展开；

3)模拟：当选择最后成份层的节点之后，把各成份取出，按照设定的个性化条件进行模拟配餐；

4)反馈：判断模拟配餐的结果，看是否满足个性化条件完成一轮配餐并向上回溯反馈结果，如果配餐成功，反馈节点评分为1，否则反馈节点评分为0；

S1.4、判断菜谱树是否初始化完成，如果完成，初始化结束，否则转至步骤S1.3。