基于深度学习的健身者饮食推荐算法研究与应用

作     者：陈育康 

作者单位：贵州大学 

学位级别：硕士

导师姓名：龙慧云

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：深度学习 推荐算法 多模态 健身者 营养配餐 多目标优化 

摘      要：近年来,随着中国经济的飞速发展,越来越多的人参与到健身运动中,以预防疾病、强身健体和改变身材。然而,由于客观条件限制,大多数普通健身爱好者无法为自己定制科学的饮食规划。因此,如何根据健身者的营养素摄入需求和饮食偏好为用户个性化推荐饮食方案成为了一个有现实意义的课题。本文基于深度学习技术,对个性化饮食推荐模型进行研究,并结合健身者膳食营养需求,设计了一种个性化健身者饮食推荐算法,旨在向用户推荐既满足饮食偏好又满足营养素需求与膳食多样性的饮食方案。本文的主要工作如下:(1)提出了融合用户视觉偏好的多模态个性化饮食推荐模型(Multi-Modal Personalized Dietary Recommendation Model Fusing User’s Visual Preferences,MMFV)。首先,针对视觉特征对于饮食推荐任务的重要影响,在模型中加入了食物的图像对特征进行补充,并设计了用户视觉偏好提取模块,利用用户历史点击食物图像,基于Query-Key-Value注意力机制对用户的视觉偏好进行建模。然后在多模态特征融合与交互上,针对传统拼接+多层感知机方式无法区分特征交互重要性的缺陷,设计了一种新的特征融合与交互模块,利用提出的多头元素级注意力机制挖掘特征交互重要性,并按照特征交互重要性更新特征的高阶融合表示。本文在Fit Foods数据集与Movielens-1M数据集上进行了实验,实验结果表明相比其它基准推荐模型,MMFV模型具有最优的性能和良好的效率。(2)基于健身者营养配餐理论与MMFV模型,设计了一种个性化健身者饮食推荐算法。首先,根据用户性别、年龄、体重、身体活动水平、体重目标等信息计算出用户当餐所需热量,并根据各营养素提供的热量配比,计算用户各项营养素摄入需求。接着根据平衡膳食模式与MMFV模型设计了配餐方案生成方法,使得生成的配餐方案兼具膳食多样性与用户饮食偏好。为了确定配餐方案中食物的食用量,本文基于多目标粒子群算法(Multiple Objective Particle Swarm Optimization,MOPSO)对营养配餐多目标优化问题进行规划和求解,并针对Pareto解集中存在部分解的热量摄入不符合用户健身目标的问题,加入了热量检查机制,对非支配解进行限制,引导种群发展。对此,本文进行了仿真实验,实验结果表明算法改进后Pareto最优解集的适应度达标率得到了明显提升,且多次实验中各营养素的误差均小于1%。(3)基于提出的个性化健身者饮食推荐算法,设计并实现了一个健身者饮食推荐系统。系统基于B/S架构,前端采用Vue+Element-UI,后端使用Flask框架,实现了个性化营养饮食推荐功能。首先根据用户的信息与饮食、运动情况计算当日当餐营养素参考量,并利用MMFV模型为用户生成满足用户偏好的饮食推荐方案,最后利用设计的营养配餐多目标优化算法对方案中各食物的最优食用量进行求解并向用户推荐。通过系统测试表明,系统达到了良好的效果。