智力激励法是运用群体创造原理，充分发挥集体创造力来解决问题的一种创新设计方法。其中最常用的是书面集智法，即以笔代口的默写式智力激励法。函询集智法有两个特点，也是其优点。......
2023-06-26
基于推荐算法的智能餐饮系统优化方案
【摘要】：图8-13推荐系统的基本架构①用户反馈行为采集模块。本案例针对餐饮行业中存在的问题，提出了基于推荐算法的智慧餐饮系统的设计思想，并对其进行了实现。系统中采用的推荐算法是基于协同过滤的思想，针对其处理稀疏数据能力差、可扩展性差这两个影响推荐质量的关键问题，提出了一种基于SVD与GSOM的协同过滤推荐算法。
推荐系统是一种对海量数据进行挖掘分析预测的系统，它通过采用不同的推荐引擎对用户的历史行为进行分析，通过量化计算用户与信息之间关系实现信息预测，并通过推荐策略对信息进行提取并向用户进行展示。所以推荐系统的作用可以分为两个部分：对于用户来讲可以实现用户历史信息的挖掘与兴趣建模，通过推荐服务使用户提高信息检索与信息收集的效率；对于信息来说可以把信息优先向与信息关联度高的用户进行展示，提高信息的利用率。随着推荐系统的逐渐成熟，其在新闻推送、影视作品推荐、电子商务、音乐导航等领域得到了大量的应用。
推荐系统的基本架构如图8-13所示，可以看出推荐系统在功能模块上主要分为：用户反馈行为采集模块、推荐引擎模块与推荐解释模块。
图8-13 推荐系统的基本架构
①用户反馈行为采集模块。该模块的主要功能是通过系统中的日志采集或登录访问等信息记录来完成用户的反馈行为信息的采集，这些信息主要包括用户的点击、收藏、打分、购买等。用户的反馈行为一般分为两种：用户显性反馈行为与用户隐性反馈行为。用户显性反馈行为主要是指用户在网络中的购买、收藏、评价等行为，这些行为可以较为准确表达用户的兴趣；用户隐性反馈行为主要是指用户在网络中的浏览、点击等行为，这些行为只能在一定程度上对用户的兴趣需求进行表现。用户反馈行为采集模块则是通过对不同的用户行为数据进行采集，并进行数值化与持久化保存，完成用户反馈行为的采集。
②推荐引擎模块。推荐引擎模块是推荐系统的核心模块，通过量化计算用户与信息之间的关联度，实现用户数据的挖掘与用户兴趣的建模，得到推荐参考信息。
③推荐解释模块。该模块是把推荐引擎中得到的推荐参考信息进行过滤、排名、推荐解释选择等处理，再采用一定的推荐策略对信息进行排序向用户进行发送，完成最终的推荐结果。
在当今餐饮行业的发展中，餐饮行业发展方向已经由传统模式转化成为了互联网模式，人们对餐饮信息获取的手段也已经由原来的传统媒体变成了网络获取。随着餐饮行业与互联网的融合，网络中餐饮数据的规模呈现出了快速增长的态势，餐饮信息过载成为了制约餐饮行业发展的关键问题。在餐饮管理中餐饮业务流程以及餐厅基本信息管理混乱在一定程度上也影响了餐饮行业的发展。本案例针对餐饮行业中存在的问题，提出了基于推荐算法的智慧餐饮系统的设计思想，并对其进行了实现。
系统中采用的推荐算法是基于协同过滤的思想，针对其处理稀疏数据能力差、可扩展性差这两个影响推荐质量的关键问题，提出了一种基于SVD与GSOM的协同过滤推荐算法。其主要思想是首先通过采用SVD矩阵分解，实现对稀疏原始数据的降维与填充；其次运用改进的GSOM聚类的方法将相似用户进行聚类，从而达到缩小近邻用户搜索范围的目的；最后通过引入时间衰减因子对用户的相似度量进行修正，再通过近邻用户的评分与修正的相似度量对目标用户进行评分预测与推荐。
系统整体架构图如图8-14所示，从系统的结构设计图中可以看出，用三层架构设计，分别为UI交互层、逻辑处理层以及网络交互层。
图8-14 系统整体架构图
服务器架构上，采用了4层架构，分别为服务代理、路由模块、后台处理模块以及数据存储模块。服务器代理采用Nginx+uwsgi架构，对网络请求实现转发至后台。整体后台处理框架采用Django服务器框架，分为路由模块与后台处理模块。路由模块采用正则表达式把不同功能的服务请求进行划分路由至后台处理中的处理函数，并对静态资源进行整理，划分专门的路由接口实现静态资源的访问，实现功能服务的功能路由。后台处理功能，划分为业务处理以及日志采集两部分。日志采集模块是对用户的反馈信息实现采集，通过后台采集处理流程，采用Mysql结合Redis集群对不同的用户反馈行为进行分类采集记录。业务处理根据功能分为两大部分，一部分是实现餐饮的业务流程，一部分是实现餐饮的推荐服务。餐饮业务通过路由功能对不同功能需求的请求路由至需求的后台处理函数上，实现餐饮业务的处理，并对处理结果在服务器上实现持久化存储。推荐服务主要实现对登录用户的推荐信息列表推送，通过服务器对Redis集群的连接，对不同的访问用户提供对应的推荐列表信息，通过Json数据形式发送到手机App实现用户的推荐列表信息的展示。数据存储模块采用了Redis集群以及Mysql关系型数据库对服务器的处理结果与数据模型实现持久化存储功能。
离线计算模块采用Peewee+Redis集群+shelve架构，通过数据收集与数据数值化对不同用户的各类反馈行为进行收集，生成用户评价矩阵，之后采用本文提出的基于SVD与GSOM的协同过滤推荐算法对用户数据进行数据挖掘，提取出用户的推荐信息，最后传输到Redis集群中形成推荐列表，在用户登录访问时为用户提供推荐服务。
有关工业智能技术与应用的文章
- 详细阅读
-
宝钢智能制造：基于协同的生产优化方案详细阅读
宝钢在推进智能制造的技术策略以及在实践中推进智能制造时，秉承一个宗旨：致力于“一切皆协同”。在宝钢智能制造中，存在着三个重要的协同领域：单一基地中工序协同；跨地域、多制造基地之间的协同；跨企业供应链协同。......
2023-06-28
-
智能运维系统的优化方案详细阅读
图4-3所示为IMS提出的智能运维系统设计架构。图4-3智能运维系统设计架构开展智能运维与服务所需的三个基本要素为智能设备、智能分析和智能决策。智能决策通过先进的可视化工具和远程操作工具将人与设备进行连接，实现人在回路的控制决策支持；在运维、排程、诊断、安全保障等方面提供决策支持服务。智能运维系统涵盖5个层次：连接、监控、分析、预测和优化。......
2023-06-28
-
基于内容的新闻推荐技术优化详细阅读
目前比较主流的推荐算法有基于协同过滤的推荐和基于内容的推荐等。由于协同过滤是根据用户对新闻的访问记录来进行推荐的，只有被阅读过的新闻才能被推荐，然而新闻的生命周期十分短暂，用户的访问矩阵会相当稀疏，这对于时效性要求比较高的新闻推荐系统是相当严重的缺陷，所以更多采用基于内容的推荐。大多数的基于内容的推荐系统在处理文字类item特征时，都会尝试将一篇文章映射到量空间模型。......
2023-06-28
-
基于启发式算法的投标值优化解决方案详细阅读
由于半导体制造系统属于典型的Np-hard 问题， 传统的运筹学方法会带来繁杂的数据运算从而很难进行优化， 在实际应用中通常是寻求计算效率高、 优化效果较好的启发式算法， 本书给出求解该目标函数的一种启发式优化算法， 具体启发式算法流程图如图4-5 所示， 其步骤如下：Step 1： CCij信息初始化，t ＝0；Step 2： Dik需求招标值下达，wi 权重系数给定( i ＝1， 2， …......
2023-06-20
-
熔透控制算法优化方案详细阅读
在TIG焊熔透控制系统中，控制器采用的是模糊PID控制方法，这种控制系统在焊接过程中具有自校正控制的功能。熔透控制是在起弧稳定后开始的，为了保证控制的准确性，取前10个周期的熔宽平均值作为整个控制过程的熔宽参考值。根据这些控制规则，再按照模糊控制推理合成规则进行运算，采用最大隶属度方法进行模糊判决，经过多次的试验和修改，得到最终的模糊控制表。......
2023-06-26
-
基于LMS准则的基窗设计算法优化详细阅读
为寻找更为理想的基窗函数，借助LMS算法思想提出了“基于LMS准则以apSW为模型的基窗函数设计方法”。图3-21 余弦基神经自适应网络图3-21 余弦基神经自适应网络图3-22 apSW基窗LMS设计算法按照流程图，设计截止频率为π/4的32阶低通apSW的窗函数F。......
2023-06-23
-
基于驱动力的三类智能制造模式优化方案详细阅读
智能化的驱动力是指企业采取智能化的主要动因，主要分为成本驱动、需求驱动和复合驱动，相应地形成了三类基于驱动力的智能制造模式。现实中，往往是几种成本驱动的共同作用导致企业开展智能制造。其自身减重最高至1 600 kN，最高减重达12%，建立了能量供应与负载之间能效的新标准。又比如在欧美发达国家，工业生产过程中装卸、搬运费用占总成本的20%～30%，甚至更高。......
2023-06-23
相关推荐