一种基于树结构的菜谱生成方法、系统、存储介质及设备

本发明涉及文本数据处理，具体为一种基于树结构的菜谱生成方法、系统、存储介质及设备。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、餐饮行业会定期或不定期的对菜品进行更新，以获得可能的创新菜，例如改变食材、辅料的配比，食材的形态、菜品的火候以及制作步骤等内容，这些信息会以文本的形式记载到菜谱中，从而获得更新后的菜谱。

3、菜谱更新的过程需要执行者掌握食材的属性、辅料的性能以及处理食材时各步骤之间的逻辑关系等繁杂的内容，目前需要通过人工来进行，由于需要依赖人的主观经验，导致人力成本高昂。

4、现有技术中存在一些依赖计算机进行处理的方法，将菜谱中的文本信息通过神经网络处理，来生成更新后的菜谱，从而帮助餐饮行业从业者来获得创新菜，这类神经网络仅仅是语言模型，通常只能识别菜谱中的文本以及文本中包含的语法信息，并且关注生成的内容读起来是否通顺，而没有关注生成的内容是否符合菜品在制成时的逻辑，导致生成的菜谱结果难以符合餐饮行业的需求。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种基于树结构的菜谱生成方法、系统、存储介质及设备，构建菜谱约束规则集，使文本形式的菜谱通过提炼关键字，转化成上下文无关语法进行约束的菜谱树，将菜谱树输入自编码器网络，从编码得到的潜空间经过采样传给解码器进而生成新的菜谱，解决了人工大批量生成菜谱成本高昂的问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种基于树结构的菜谱生成方法，包括以下步骤：

4、获取菜谱中的文本信息，经预处理后构建菜谱文本数据集；

5、基于数据集中的菜谱文本，提取动作关键字和食材关键字，将关键字通过设置的根节点进行拼接，得到树结构形式的菜谱，即菜谱树；

6、基于菜谱树构建约束规则集合，根据得到的约束规则集合转换成预训练嵌入编码值集合，嵌入编码值基于自编码器网络进行训练，训练后，约束规则在网络中对应的潜空间编码作为嵌入编码；

7、在菜谱生成模型的潜空间中，经高斯分布进行采样并传递给菜谱生成模型的解码器部分，模型的输出为生成的新菜谱。

8、进一步的，基于菜谱树构建约束规则集合，包括：

9、菜谱树进行遍历操作，取处于同一连线上的非叶子结点和对应父节点作为一条动作约束规则，去掉重复约束规则形成动作约束规则集合；

10、菜谱树进行遍历操作，取处于同一连线上的叶子结点和对应父节点作为一条动作约束规则，去掉重复约束规则制作成食材约束规则集合；

11、动作约束规则集合和食材约束规则集合进行取并集操作，形成总约束规则集合。

12、进一步的，在菜谱生成模型的潜空间中，经高斯分布进行采样并传递给菜谱生成模型的解码器部分，模型的输出为生成的新菜谱，包括：

13、构建训练集，并基于自编码器架构构建菜谱生成模型；

14、设置损失函数，训练基于树结构的菜谱生成模型；

15、基于树结构的菜谱生成模型中取解码器部分，通过在潜空间进行采样获得固定维度的向量传输给解码器，生成规则序列形式的菜谱；

16、将规则序列形式的菜谱转换成树结构形式的菜谱，得到新生成的菜谱。

17、进一步的，构建训练集时，菜谱树进行遍历获得遍历序列，得到的若干条遍历序列形成训练集，遍历序列表示为 ，，是一条约束规则，为上下文无关语法四元组中的 v， v是动作结点集合，属于，是食材集合，属于总约束规则集合 r。

18、进一步的，菜谱生成模型包括编码器和解码器，基于人工神经网络拟合训练数据集。

19、进一步的，设置的损失函数中，结点序列使用基于概率分布度量的损失函数。

20、进一步的，生成规则序列形式的菜谱时，取模型的解码器部分，基于高斯分布从潜空间取向量，再送到模型的解码器部分，得到拟合出来的向量序列；

21、得到的向量序列中的每一项分别计算条件概率得到在前一项条件下的每一项的向量，确定拟合出来的向量序列中的每一项向量对应序号，从总约束规则集合获取序号对应的规则，将向量序列转换成规则序列。

22、进一步的，将规则序列形式的菜谱转换成树结构形式的菜谱，得到新生成的菜谱，具体为：将规则序列进行遍历，转换成树结构形式的菜谱树，新生成的一颗菜谱树作为一个菜谱。

23、本发明的第二个方面提供实现上述方法所需的系统，包括：

24、文本预处理模块，被配置为：获取菜谱中的文本信息，经预处理后构建菜谱文本数据集；

25、文本结构转换模块，被配置为：基于数据集中的菜谱文本，提取动作关键字和食材关键字，将关键字通过设置的根节点进行拼接，得到树结构形式的菜谱，即菜谱树；

26、约束规则模块，被配置为：基于菜谱树构建约束规则集合，根据得到的约束规则集合转换成预训练嵌入编码值集合，嵌入编码值基于自编码器网络进行训练，训练后，约束规则在网络中对应的潜空间编码作为嵌入编码；

27、规则关联模块，被配置为：基于菜谱树构建约束规则集合，根据得到的约束规则集合转换成预训练嵌入编码值集合，嵌入编码值基于自编码器网络进行训练，训练后，约束规则在网络中对应的潜空间编码作为嵌入编码；

28、菜谱生成模块，被配置为：在菜谱生成模型的潜空间中，经高斯分布进行采样并传递给菜谱生成模型的解码器部分，模型的输出为生成的新菜谱。

29、本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一种基于树结构的菜谱生成方法中的步骤。

30、本发明的第四个方面提供一种计算机设备，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，处理器执行程序时实现如上述一种基于树结构的菜谱生成方法中的步骤。

31、与现有技术相比，以上一个或多个技术方案存在以下有益效果：

32、1、将文本形式的菜谱进行解耦，分离了菜谱中的行文语法部分和做菜逻辑部分，将菜谱创作的关注点转移到做菜逻辑上面，从而将文本形式的菜谱通过提炼关键字，转化成上下文无关语法的菜谱树，在进行约束后，将得到的编码嵌入到菜谱树中经过模型生成新的菜谱，解决了菜谱表示形式只有纯文本的问题，也解决了文本形式菜谱无法使用约束规则输入给神经网络进行训练的问题，并且人工大批量生成菜谱成本高昂的问题。

33、2、规则约束的方式约束模型的训练和新菜谱的生成，相比于使用文本形式的菜谱数据训练模型以及生成菜谱，规则约束的方式更加容易让人理解生成的结果，从而更容易让大众心理接受。生成的菜谱是树结构形式的菜谱，相比于文本形式的菜谱，树结构形式的菜谱结构更加清晰。

34、3、基于深度学习的方法，实现了从潜空间高斯采样生成新的菜谱，使用时无需具有专业的厨师经验，降低了用户研发新菜谱的成本，解决了研发大批量新菜谱成本高昂的问题。

35、4、同文本形式的菜谱生成模型相比，本模型规模更小，对训练硬件设备要求更低，生成菜谱多样性更高。