1.本发明涉及人工智能技术领域，尤其涉及一种食物推荐方法、系统、电子设备及存储介质。
背景技术：2.随着社会经济的迅速发展，人们的生活水平日益提高。食物作为日常生活中必不可少的一部分，其种类和样式也随着经济的发展在不断地增加和丰富，但同时也导致人们在选择美食时需要花费更多的精力和时间。
3.为了解决上述问题，现有技术推出很多美食推荐软件；这些美食推荐软件大多以协同过滤算法为基础进行设计。协同过滤算法的基本思想是根据用户的历史行为数据以及其他兴趣相近的用户的历史行为数据，挖掘发现用户的兴趣爱好，基于不同的兴趣爱好对用户进行群体划分，并推荐该群体中兴趣相似的大量食物给用户，需要用户从大量兴趣相似食物推荐列表中再针对性地进行精准选择。
4.因此，在食物推荐过程中，需要大量用户的历史行为数据进行总结获取，无法针对每一用户进行针对化推荐，导致食物推荐不精准。
技术实现要素：5.本发明提供一种食物推荐方法、系统、电子设备及存储介质，用以解决现有技术中食物推荐不精准的缺陷，实现简单便捷地对用户进行精准食物推荐。
6.本发明提供一种食物推荐方法，包括：
7.响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；
8.将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；
9.将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；
10.其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。
11.根据本发明提供的一种食物推荐方法，所述将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，包括：
12.将所述偏好信息输入所述预测模型，预测所述目标对象对食物清单中每一食物的选择概率；
13.根据所述食物清单中选择概率最大的食物，确定所述食物推荐信息。
14.根据本发明提供的一种食物推荐方法，所述目标对象的特征信息包括口味、居住地、籍贯、职业、身高、体重、体脂率和健康状况。
15.根据本发明提供的一种食物推荐方法，所述响应于目标对象的食物推荐请求，获
取所述目标对象的特征信息和所述目标对象所处的环境信息，包括：
16.响应于所述目标对象的食物推荐请求，将所述目标对象的食物推荐请求次数累计加1；
17.在所述食物推荐请求次数的累计结果大于次数阈值的情况下，从所述食物推荐请求中解析出所述目标对象的标识；
18.根据所述标识，查找所述目标对象的特征信息；
19.从所述食物推荐请求中解析出所述目标对象所处的地理位置；
20.根据所述地理位置，查找所述目标对象所处的环境信息。
21.根据本发明提供的一种食物推荐方法，所述方法还包括：
22.在所述食物推荐请求次数的累计结果小于或等于所述次数阈值的情况下，发送提示信息，以提示所述目标对象填写所述目标对象的特征信息和地理位置。
23.根据本发明提供的一种食物推荐方法，所述推荐模型是基于第一损失函数和第二损失函数进行联合训练得到的；
24.其中，第一损失函数是基于所述特征提取模型提取的样本对象的偏好信息，以及所述样本对象的期望偏好信息进行确定的；其中，所述期望偏好信息是根据所述样本对象对应的食物选择记录进行确定的；
25.所述第二损失函数是基于所述预测模型预测的所述样本对象对应的食物推荐信息，以及所述样本对象对应的食物选择记录进行确定的。
26.根据本发明提供的一种食物推荐方法，在所述将所述食物推荐信息推荐给所述目标对象之后，所述方法还包括：
27.获取所述目标对象对所述食物推荐信息中的目标食物的选择结果；
28.根据所述选择结果，获取所述目标对象对应的食物选择记录；
29.根据所述目标对象对应的食物选择记录，对所述推荐模型进行调整。
30.本发明还提供一种食物推荐系统，包括：
31.获取模块，用于响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；
32.提取模块，用于将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；
33.推荐模块，用于将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；
34.其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。
35.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述食物推荐方法。
36.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述食物推荐方法。
37.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述食物推荐方法。
38.本发明提供的食物推荐方法、系统、电子设备及存储介质，通过根据推荐模型，对目标对象的特征信息和目标对象所处的环境信息进行针对性地学习，以精准学习目标对象的特征信息和目标对象所处的环境信息与食物推荐信息之间的映射关系，进而精准捕捉用户的偏好信息，实现自动便捷地为目标对象进行精准推荐，避免用户二次选择，有效提高用户体验感。
附图说明
39.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1是本发明提供的食物推荐方法的流程示意图；
41.图2是本发明提供的食物推荐装置的结构示意图；
42.图3是本发明提供的电子设备的结构示意图。
具体实施方式
43.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.目前主流的推荐技术为协同过滤算法，这一算法只依赖大量用户的历史行为数据，因此可以在更多更广泛的场景中使用。绝大多数深度学习推荐系统都是基于协同过滤思路来推荐的，或者至少包含部分协同过滤的模块在其中。
45.而协同过滤算法导致推荐给用户的食物列表中的食物为用户所在群体内共同感兴趣的食物，仍具有较多的种类，用户在面对美食推荐软件上种类繁多的食物推荐时仍然无从下手，无法快速做出选择，导致人们在选择美食时依然需要花费大量的精力和时间，导致用户体验感差。并且，在食物推荐过程中，需要大量用户的历史行为数据进行总结获取，无法针对每一用户进行针对化推荐，导致食物推荐不精准。
46.针对上述问题，本实施例提出一种食物推荐方法，该方法在获取到目标对象的食物推荐请求的情况下，即可采用推荐模型，对目标对象的特征信息和目标对象所处的环境信息进行特征提取，获取目标对象的偏好信息，并根据偏好信息，精准获取目标对象对应的食物推荐信息，以自动对目标对象进行精准推荐，避免用户二次选择，有效提高用户体验感。
47.需要说明的是，该方法的执行主体为食物推荐系统，该食物推荐系统可以为电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、智能冰箱等，非移动电子设备可以为服务器、网络附属存储器、个人计算机、柜员机或者自助机等，本发明不作具体限定。
48.下面结合图1描述本发明的食物推荐方法，该方法包括如下步骤：
49.步骤101，响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；
50.其中，目标对象为待进行食物推荐的对象。
51.特征信息包括但不限于用户的体征数据和用户本身的属性信息，本实施例对此不做具体地限定。
52.环境信息包括但不限于温度、湿度、天气现象和季节，本实施例对此不做具体地限定。
53.可选地，实时监测目标对象发送的食物推荐请求；在接收到目标对象发送的食物推荐请求的情况下，对其做出响应。此时，获取目标对象的特征信息和目标对象所处的环境信息。
54.其中，食物推荐请求的发送方式包括语音、文字或物理按键。
55.获取目标对象的特征信息和目标对象所处的环境信息的方式包括：实时接收目标对象传入的特征信息和目标对象所处的环境信息；或者，在本地内存中查找。
56.由于目标对象的特征信息和环境信息均会影响用户的食物选择结果，如夏季对象更加偏向于清凉类的食物；因此基于目标对象的特征信息和目标对象所处的环境信息可更加精准为目标对象进行食物推荐。
57.步骤102，将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的；
58.其中，偏好信息用于表征用户对食物的偏好，包括但不限于偏好程度和评分，本实施例对此不作具体地限定。
59.推荐模型是一种可以通过对对象的特征信息和所处的环境信息进行建模，学习对象的偏好信息，进而根据对象的偏好信息为用于进行食物推荐的推荐模型；推荐模型基于一种或多种深度学习模型构建生成，具体包括三层，分别为输入层、隐藏层和输出层；输入层用于接收输入信息，包括目标对象的特征信息和目标对象所处的环境信息；隐藏层用于对输入信息进行相关数据计算和分析，最终通过输出层输出目标对象对应的食物推荐信息。
60.其中，隐藏层至少包括特征提取模型和预测模型；特征提取模块或预测模型可以基于多种深度学习模型进行构建生成，如嵌入网络、自注意力网络、卷积网络等，本实施例对此不做具体地限定；每一网络的具体结构，如层数、初始化参数和激活函数等，可以根据实际需求进行设置，本实施例对此不做具体地限定。如输出层的激活函数为softmax(简称，s型)激活函数等。
61.推荐模型的推荐原理为，将食物推荐看作为一个多分类问题，每一种食物就是一个类别，有多少种食物就有多少类别，一般食物的数量是巨大的，所以本实施例中将推荐问题转换为一个海量标签分类问题。利用隐含层对输入层获取的对象的特征信息和对象所处的环境信息进行学习，使用输出层来预测对每种食物的选择决策结果，以使得预测的对象下一个要点击的食物是选择概率最大的食物。
62.在执行步骤102之前，需要先对推荐模型进行训练，具体训练步骤包括：
63.首先，获取训练数据集；其中，训练数据集由样本对象的特征信息以及样本对象所处的环境信息，以及样本对象对应的食物选择记录进行构建生成。训练数据集中的样本对象的数量可以根据实际需求进行设置，如一个或多个。
64.例如，在样本对象为一个的情况下，多次采集样本对象，在不同环境信息和不同特征信息下的食物选择记录；食物选择记录中包含已选择的食物。食物包括
65.在样本对象为多个的情况下，分别采样每一样本对象，在不同环境信息和不同特征信息下的食物选择记录。
66.又如，训练数据集中有n个样本，训练数据集可表示为d＝{(x1,y1),(x2,y2),
…
,(xn,yn)}；其中，xi是样本对象的特征信息和所处的环境信息。yi是样本标签，可表示在样本对象的特征信息和所处的环境信息下，样本对象是否选择某一食物。推荐模型的目标是给定目标对象的特征信息和目标对象所处的环境信息，预测目标对象在当前特征信息和环境信息下，是否会选择食物清单中的某一食物。
67.其中，样本对象为与目标对象同类型的对象，如同地区或同环境信息等。
68.然后，采用训练数据集对推荐模型进行优化训练，以利用样本对象的食物选择记录进行反向传播，更新推荐模型的各级权重和偏置量，不断提高食物推荐的成功概率，使得所有训练样本的输入样本对应的输出结果尽可能地等于或接近样本标签。最终，使得训练好的推荐模型可以准确输出对象的偏好信息的同时，输出食物推荐信息，进而为用户进行精准推荐，提高用户的体验感。其中，训练方式可以根据实际需求进行设置，如梯度下降法及其衍生优化算法和遗传算法等。
69.本实施例中，以深度神经网络模型为基础进行食物推荐，化繁为简，数据集获取简单，可为用户精准推荐，可有效从根源上为用户解决食物选择困难的烦恼，提高用户体验感。
70.可选地，在获取到训练好的推荐模型后，可以将目标对象的特征信息和目标对象所处的环境信息进行拼接后输入特征提取模型，由特征提取模型对目标对象的特征信息和目标对象所处的环境信息进行共同学习，学习目标对象的偏好信息；
71.也可以将目标对象的特征信息和目标对象所处的环境信息输入特征提取模型，由特征提取模型分别对目标对象的特征信息和目标对象所处的环境信息进行独立学习，提取特征信息的本质特征和环境信息的本质特征后再进行融合学习，得到目标对象的偏好信息。
72.步骤103，将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；
73.可选地，在获取到目标对象的偏好信息后，可以将偏好信息输入推荐模型中的预测模型，以预测用户对食物清单中每一食物的选择决策结果，进而确定目标对象对应的食物推荐信息，以为目标对象进行精准推荐。其中，选择决策结果包括选择或不选择。
74.本实施例中通过根据推荐模型，对目标对象的特征信息和目标对象所处的环境信息进行针对性地学习，以精准学习目标对象的特征信息和目标对象所处的环境信息与食物推荐信息之间的映射关系，进而精准捕捉用户的偏好信息，实现自动便捷地为目标对象进行精准推荐，避免用户二次选择，有效提高用户体验感。
75.在一些实施例中，步骤103中所述将所述偏好信息输入所述推荐模型中的预测模
型，预测所述目标对象对应的食物推荐信息，包括：
76.将所述偏好信息输入所述预测模型，预测所述目标对象对食物清单中每一食物的选择概率；
77.根据所述食物清单中选择概率最大的食物，确定所述食物推荐信息。
78.其中，食物清单为食物推荐系统中预先存储的食物清单，食物清单中包含多种食物。需要说明的是每一食物中仅包含单一食材，也可以是包含多种组合食材。
79.可选地，步骤103中获取食物推荐信息的具体步骤包括：
80.使用预测模型对偏好信息进行学习，预测得到目标对象对食物清单中每一食物的选择概率。
81.然后，对食物清单中所有食物的选择概率进行排序，输出选择概率最大的食物；以根据选择概率最大的食物生成食物推荐信息；其中食物推荐信息中包含但不限于食物的名称、食材种类、热量信息和营养信息等。
82.本实施例中，通过根据目标对象对食物清单中每一食物的选择概率，确定食物推荐信息，不仅可以对目标对象进行精准食物推荐，还可使得推荐结果为唯一食物输出，从源头上解决用户选择困难的问题，进而避免目标对象无法做出选择或者二次选择需要消耗大量的时间和精力的问题发生，有效提升用户体验感。
83.在一些实施例中，所述目标对象的特征信息包括口味、居住地、籍贯、职业、身高、体重、体脂率和健康状况。
84.其中，口味可以表征目标对象的口味偏好，包括酸、甜、苦、辣和咸等口味；
85.居住地、籍贯、职业可以表征目标对象的饮食习惯。
86.可选地，不同口味、不同居住地、不同籍贯、不同职业、不同身高、不同体重、不同体脂率和不同健康状况的对象，其对不同食物的偏好程度不同，故对不同食物的选择决策结果不同。因此，本实施例联合目标对象与食物选择相关的多种特征信息，可以更加精准地学习用户的食物偏好信息，进而对目标对象进行精准食物推荐。
87.相应地，样本对象的特征信息也包括口味、居住地、籍贯、职业、身高、体重、体脂率和健康状况。
88.在一些实施例中，步骤101中所述响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息，包括：
89.响应于所述目标对象的食物推荐请求，将所述目标对象的食物推荐请求次数累计加1；
90.在所述食物推荐请求次数的累计结果大于次数阈值的情况下，从所述食物推荐请求中解析出所述目标对象的标识；
91.根据所述标识，查找所述目标对象的特征信息；
92.从所述食物推荐请求中解析出所述目标对象所处的地理位置；
93.根据所述地理位置，查找所述目标对象所处的环境信息。
94.其中，次数阈值可以根据实际需求进行设置，如1次。
95.食物推荐请求中包括但不限于目标对象的标识和目标对象所处的地理位置。
96.地理位置包括目标对象所处的经度和纬度。
97.可选地，步骤101中获取目标对象的特征信息和环境信息的具体步骤如下：
98.在获取到目标对象发送的食物推荐请求时，对食物推荐请求做出响应，并将用于记录目标对象的食物推荐请求次数的计数器累计加1，以获取目标对象的食物推荐请求次数的累计结果。
99.然后，将目标对象的食物推荐请求次数的累计结果与次数阈值进行比较，在确定食物推荐请求次数的累计结果大于次数阈值的情况下，表征食物推荐系统中已存储有目标对象的特征信息，且以映射关系的形式与目标对象的标识进行成对存储；并且，实时存储有各地理位置的环境信息。
100.此时，可从食物推荐请求中解析出所述目标对象的标识，以根据目标对象的标识从食物推荐系统的本地内存中查找到目标对象的特征信息；
101.同时，从食物推荐请求中解析出所述目标对象所处的地理位置，以根据地理位置确定目标对象所处的环境信息。
102.本实施例中，在食物推荐请求次数的累计结果大于次数阈值的情况下，根据食物推荐请求中的目标对象的标识，即可便捷地获取目标对象的特征信息；根据食物推荐请求中的地理位置，即可便捷地获取目标对象所处的环境信息，进而实现用户只需要输入食物推荐请求，即可便捷快速地获取精准的食物推荐结果，有效提升用户体验感。
103.在一些实施例中，所述方法还包括：在所述食物推荐请求次数的累计结果小于或等于所述次数阈值的情况下，发送提示信息，以提示所述目标对象填写所述目标对象的特征信息和地理位置。
104.可选地，在食物推荐请求次数的累计结果小于或等于所述次数阈值的情况下，表征食物推荐系统中的目标对象的特征信息和环境信息不完善，需要向目标对象发送提示信息，以所述目标对象及时完善目标对象的特征信息和地理位置，进而顺利实现对目标对象进行食物推荐。
105.例如，在目标对象第一次发送食物推荐请求的情况下，目标对象的特征信息和地理位置均为空，此时可以提示用户完善其特征信息和地理位置。目标对象在接收到提示信息后，可在食物推荐系统的前端页面完善相关信息，如在酸、甜、苦、辣、咸五种口味中选择一种或两种较喜欢的口味、填写自己现居地和籍贯、职业、身高、体重、体脂率，以及健康状况。其中，体脂率可以根据身高和体重进行估算，也可以根据体脂测量仪进行测量得到。
106.在一些实施例中，所述推荐模型是基于第一损失函数和第二损失函数进行联合训练得到的；
107.其中，第一损失函数是基于所述特征提取模型提取的样本对象的偏好信息，以及所述样本对象的期望偏好信息进行确定的；其中，所述期望偏好信息是根据所述样本对象对应的食物选择记录进行确定的；
108.所述第二损失函数是基于所述预测模型预测的所述样本对象对应的食物推荐信息，以及所述样本对象对应的食物选择记录进行确定的。
109.其中，第一损失函数和第二损失函数均可采用均方差误差函数或平方差误差函数等进行计算得到，本实施例对此不做具体地限定。
110.可选地，在推荐模型训练过程中，需要联合第一损失函数和第二损失函数对推荐模型进行训练；
111.其中，第一损失函数的获取步骤包括：
112.首先，将样本对象的特征信息和环境信息作为推荐模型中特征提取模型的输入信息，提取得到样本对象的偏好信息；并根据样本对象对应的食物选择记录，确定样本对象的期望偏好信息；
113.然后，根据特征提取模型输出的样本对象的偏好信息和期望偏好信息之间的偏差构建生成第一损失函数。
114.第二损失函数的获取步骤包括：
115.首先，将特征提取模型输出的样本对象的偏好信息输入预测模型中，预测得到样本对象对应的食物推荐信息；
116.然后，根据样本对象对应的食物推荐信息中的食物与食物选择记录中已选择的食物之间的偏差构建生成第二损失函数。
117.最后，为了平衡第一损失函数和第二损失函数，将第一损失函数和第二损失函数进行融合，根据融合结果对目标检测模型和分类模型的参数进行优化；
118.其中，融合方式包括但不限于，将第一损失函数和第二损失函数直接相加或加权相加，本实施对此不作具体地限定。
119.本实施例通过联合特征提取模型的第一损失函数和预测模型的第二损失函数，对推荐模型进行整体训练，使得训练后的推荐模型的综合性能更优，进而提高食物推荐的准确性。
120.在一些实施例中，在所述将所述食物推荐信息推荐给所述目标对象之后，所述方法还包括：获取所述目标对象对所述食物推荐信息中的目标食物的选择结果；
121.根据所述选择结果，获取所述目标对象对应的食物选择记录；
122.根据所述目标对象对应的食物选择记录，对所述推荐模型进行调整。
123.其中，选择结果包括选择或不选择。
124.可选地，在将推荐模型预测得到的食物推荐信息推荐至目标对象之后，还可以根据目标对象对食物推荐信息中的食物的选择结果，获取目标对象对应的食物选择记录，以扩充训练样本集，进而对推荐模型进一步微调，以实现提高推荐模型的推荐性能，进一步提升食物推荐的成功率和精准性。
125.本实施例中根据目标对象对食物推荐信息中的目标食物的选择结果，不断改进推荐模型，进而使得推荐模型更加精准地学习目标对象的食物选择特征，进一步提升食物推荐的成功率和精准性。
126.下面对本发明提供的食物推荐系统进行描述，下文描述的食物推荐系统与上文描述的食物推荐方法可相互对应参照。
127.如图2所示，为本实施例中提供的一种食物推荐系统，该系统包括获取模块201、提取模块202和推荐模块203，其中：
128.获取模块201用于响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；
129.提取模块202用于将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；
130.推荐模块203用于将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；
131.其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。
132.本实施例中通过根据推荐模型，对目标对象的特征信息和目标对象所处的环境信息进行针对性地学习，以精准学习目标对象的特征信息和目标对象所处的环境信息与食物推荐信息之间的映射关系，进而精准捕捉用户的偏好信息，实现自动便捷地为目标对象进行精准推荐，避免用户二次选择，有效提高用户体验感。
133.在一些实施例中，推荐模块具体用于：
134.将所述偏好信息输入所述预测模型，预测所述目标对象对食物清单中每一食物的选择概率；
135.根据所述食物清单中选择概率最大的食物，确定所述食物推荐信息。
136.在一些实施例中，所述目标对象的特征信息包括口味、居住地、籍贯、职业、身高、体重、体脂率和健康状况。
137.在一些实施例中，获取模块具体用于：
138.响应于所述目标对象的食物推荐请求，将所述目标对象的食物推荐请求次数累计加1；
139.在所述食物推荐请求次数的累计结果大于次数阈值的情况下，从所述食物推荐请求中解析出所述目标对象的标识；
140.根据所述标识，查找所述目标对象的特征信息；
141.从所述食物推荐请求中解析出所述目标对象所处的地理位置；
142.根据所述地理位置，查找所述目标对象所处的环境信息。
143.在一些实施例中，获取模块还用于：
144.在所述食物推荐请求次数的累计结果小于或等于所述次数阈值的情况下，发送提示信息，以提示所述目标对象填写所述目标对象的特征信息和地理位置。
145.在一些实施例中，所述推荐模型是基于第一损失函数和第二损失函数进行联合训练得到的；
146.其中，第一损失函数是基于所述特征提取模型提取的样本对象的偏好信息，以及所述样本对象的期望偏好信息进行确定的；其中，所述期望偏好信息是根据所述样本对象对应的食物选择记录进行确定的；
147.所述第二损失函数是基于所述预测模型预测的所述样本对象对应的食物推荐信息，以及所述样本对象对应的食物选择记录进行确定的。
148.在一些实施例中，还包括调整模块，用于：
149.获取所述目标对象对所述食物推荐信息中的目标食物的选择结果；
150.根据所述选择结果，获取所述目标对象对应的食物选择记录；
151.根据所述目标对象对应的食物选择记录，对所述推荐模型进行调整。
152.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(communications interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行食物推荐方法，该方法包括：响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信
息；将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。
153.此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
154.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的食物推荐方法，该方法包括：响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。
155.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的食物推荐方法，该方法包括：响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。
156.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
157.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指
令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
158.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：1.一种食物推荐方法，其特征在于，包括：响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。2.根据权利要求1所述的食物推荐方法，其特征在于，所述将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，包括：将所述偏好信息输入所述预测模型，预测所述目标对象对食物清单中每一食物的选择概率；根据所述食物清单中选择概率最大的食物，确定所述食物推荐信息。3.根据权利要求1所述的食物推荐方法，其特征在于，所述目标对象的特征信息包括口味、居住地、籍贯、职业、身高、体重、体脂率和健康状况。4.根据权利要求1-3任一所述的食物推荐方法，其特征在于，所述响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息，包括：响应于所述目标对象的食物推荐请求，将所述目标对象的食物推荐请求次数累计加1；在所述食物推荐请求次数的累计结果大于次数阈值的情况下，从所述食物推荐请求中解析出所述目标对象的标识；根据所述标识，查找所述目标对象的特征信息；从所述食物推荐请求中解析出所述目标对象所处的地理位置；根据所述地理位置，查找所述目标对象所处的环境信息。5.根据权利要求4所述的食物推荐方法，其特征在于，所述方法还包括：在所述食物推荐请求次数的累计结果小于或等于所述次数阈值的情况下，发送提示信息，以提示所述目标对象填写所述目标对象的特征信息和地理位置。6.根据权利要求1-3任一所述的食物推荐方法，其特征在于，所述推荐模型是基于第一损失函数和第二损失函数进行联合训练得到的；其中，第一损失函数是基于所述特征提取模型提取的样本对象的偏好信息，以及所述样本对象的期望偏好信息进行确定的；其中，所述期望偏好信息是根据所述样本对象对应的食物选择记录进行确定的；所述第二损失函数是基于所述预测模型预测的所述样本对象对应的食物推荐信息，以及所述样本对象对应的食物选择记录进行确定的。7.根据权利要求1-3任一所述的食物推荐方法，其特征在于，在所述将所述食物推荐信息推荐给所述目标对象之后，所述方法还包括：获取所述目标对象对所述食物推荐信息中的目标食物的选择结果；根据所述选择结果，获取所述目标对象对应的食物选择记录；根据所述目标对象对应的食物选择记录，对所述推荐模型进行调整。
8.一种食物推荐系统，其特征在于，包括：获取模块，用于响应于目标对象的食物推荐请求，获取所述目标对象的特征信息和所述目标对象所处的环境信息；提取模块，用于将所述目标对象的特征信息和所述目标对象所处的环境信息输入所述推荐模型中的特征提取模型，提取所述目标对象的偏好信息；推荐模块，用于将所述偏好信息输入所述推荐模型中的预测模型，预测所述目标对象对应的食物推荐信息，并将所述食物推荐信息推荐给所述目标对象；其中，所述推荐模型是，基于样本对象的特征信息和所述样本对象所处的环境信息，以及所述样本对象对应的食物选择记录进行训练得到的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述食物推荐方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述食物推荐方法。
技术总结本发明提供一种食物推荐方法、系统、电子设备及存储介质，涉及人工智能技术领域，该方法包括：响应于目标对象的食物推荐请求，获取目标对象的特征信息和目标对象所处的环境信息；将目标对象的特征信息和目标对象所处的环境信息输入推荐模型中的特征提取模型，提取目标对象的偏好信息；将偏好信息输入推荐模型中的预测模型，预测目标对象对应的食物推荐信息，并将食物推荐信息推荐给目标对象。本发明实现对目标对象进行针对性地学习，以精准学习目标对象的特征信息和目标对象所处的环境信息与食物推荐信息之间的映射关系，进而精准捕捉用户的偏好信息，实现自动便捷地为目标对象进行精准推荐，避免用户二次选择，有效提高用户体验感。户体验感。户体验感。
技术研发人员：王玉倩
受保护的技术使用者：中银金融科技有限公司
技术研发日：2022.06.21
技术公布日：2022/11/1
