实现AI美食推荐功能
功能概述
- 基于用户口味偏好和现有食材推荐菜谱
- 支持健康饮食参数设置
- 具备学习用户偏好的能力
核心代码结构
import pandas as pd from sklearn.metrics.pairwise import cosine_similarity from sklearn.feature_extraction.text import TfidfVectorizer class FoodRecommender: def __init__(self, recipes_db): self.recipes = pd.read_csv(recipes_db) self.vectorizer = TfidfVectorizer(stop_words='english') self.ingredient_matrix = self._create_feature_matrix() def _create_feature_matrix(self): """将食材列表转换为特征矩阵""" processed_ingredients = self.recipes['ingredients'].apply( lambda x: ' '.join(x.lower().replace('[','').replace(']','').split(','))) return self.vectorizer.fit_transform(processed_ingredients)用户偏好处理模块
def update_preferences(self, user_prefs): """更新用户口味偏好""" self.user_prefs = { 'flavors': user_prefs.get('flavors', []), 'dietary_restrictions': user_prefs.get('restrictions', []), 'ingredients': user_prefs.get('ingredients', []) } def _filter_by_preferences(self): """根据用户偏好筛选菜谱""" filtered = self.recipes.copy() # 口味筛选 if self.user_prefs['flavors']: flavor_mask = filtered['flavor_profile'].isin(self.user_prefs['flavors']) filtered = filtered[flavor_mask] # 食材筛选 if self.user_prefs['ingredients']: ingredient_str = '|'.join(self.user_prefs['ingredients']) ingredient_mask = filtered['ingredients'].str.contains(ingredient_str, case=False) filtered = filtered[ingredient_mask] return filtered推荐算法实现
def recommend(self, n=5): """生成个性化推荐""" available_recipes = self._filter_by_preferences() if len(available_recipes) == 0: return self._fallback_recommendation(n) # 计算食材相似度 user_ingredients = ' '.join(self.user_prefs['ingredients']) user_vec = self.vectorizer.transform([user_ingredients]) sim_scores = cosine_similarity(user_vec, self.ingredient_matrix) # 综合评分 available_indices = available_recipes.index scored_recipes = available_recipes.assign( similarity=sim_scores[0][available_indices] ).sort_values('similarity', ascending=False) return scored_recipes.head(n).to_dict('records') def _fallback_recommendation(self, n): """备用推荐策略""" return self.recipes.sample(n).to_dict('records')使用示例
# 初始化推荐系统 recommender = FoodRecommender('recipes_dataset.csv') # 设置用户偏好 user_prefs = { 'flavors': ['spicy', 'savory'], 'ingredients': ['chicken', 'bell pepper'], 'restrictions': ['gluten-free'] } # 获取推荐 recommender.update_preferences(user_prefs) recommendations = recommender.recommend(3) # 输出结果 for idx, recipe in enumerate(recommendations, 1): print(f"{idx}. {recipe['name']}") print(f" 食材: {recipe['ingredients']}") print(f" 口味: {recipe['flavor_profile']}\n")数据库结构示例
推荐使用的菜谱数据库应包含以下字段：
name: 菜谱名称ingredients: 食材列表（字符串格式）flavor_profile: 主要口味cooking_time: 烹饪时间difficulty: 难度等级nutrition_info: 营养信息（可选）
扩展功能建议
机器学习集成
from sklearn.cluster import KMeans def cluster_recipes(self, n_clusters=8): """使用聚类算法发现菜谱模式""" kmeans = KMeans(n_clusters=n_clusters) self.recipes['cluster'] = kmeans.fit_predict(self.ingredient_matrix)实时学习模块
def update_with_feedback(self, recipe_id, liked): """根据用户反馈更新模型""" if liked: self.user_prefs['ingredients'].extend( self.recipes.loc[recipe_id, 'ingredients'].split(','))健康评分系统
def health_score(self, recipe): """计算菜谱健康评分""" nutrition = recipe['nutrition_info'] return (0.3 * nutrition['protein'] - 0.2 * nutrition['sugar'] + 0.1 * nutrition['fiber'])基于用户口味的菜谱推荐方法
通过分析用户的口味偏好（如甜、咸、辣、酸等），建立口味画像模型。利用协同过滤算法，将用户口味与菜谱数据库中的口味标签匹配，推荐相似口味的菜谱。例如偏好辣味的用户，系统会优先推荐川菜、湘菜等辣味突出的菜系。
口味权重计算公式： $S = \sum_{i=1}^{n} w_i \times p_i$ 其中$w_i$表示口味权重，$p_i$表示用户对该口味的偏好程度
基于现有食材的智能匹配技术
采用NLP技术解析用户输入的食材，通过知识图谱建立食材与菜谱的关联关系。系统支持模糊匹配和替代建议，当缺少某样食材时，会推荐类似食材可替代的菜谱版本。
食材匹配算法示例：
def ingredient_match(user_ingredients, recipe): intersection = set(user_ingredients) & set(recipe['ingredients']) return len(intersection)/len(recipe['ingredients'])多维度融合推荐策略
结合用户历史行为、季节时令、烹饪难度等多维度数据，使用混合推荐算法生成个性化菜谱列表。系统会动态调整推荐权重，例如夏季推荐清凉菜系，工作日推荐快捷食谱。
推荐分数计算公式：，D为难度适配度
实时反馈优化机制
通过用户对推荐菜谱的评分、收藏、制作等互动行为，持续优化推荐模型。采用强化学习算法，使系统能够根据用户反馈自动调整推荐策略，提高推荐准确率。
模型更新公式： $w_{new} = w_{old} + \eta \times (R_{actual} - R_{predicted}) \times f(x)$ 其中η为学习率，f(x)为特征函数
跨平台数据整合方案
对接主流美食平台的开放API，构建统一的菜谱数据库。采用数据清洗和标准化处理技术，确保不同来源的菜谱数据具有可比性，扩大推荐系统的覆盖范围。
数据标准化示例代码：
def standardize_recipe(recipe): return { 'name': recipe['title'].lower(), 'ingredients': [i.lower() for i in recipe['ingredients']], 'tags': set(tag.lower() for tag in recipe['categories']) }
