CN110597097B - 一种食材用量推荐方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种食材用量推荐方法，包括：获取待用餐人员信息；根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量；基于所述待用餐人员的食材用量生成针对所述待用餐人员的食材用量推荐信息，并将所述食材用量推荐信息进行推荐。同时，本发明还公开了一种食材用量推荐装置及计算机可读存储介质。

Description

一种食材用量推荐方法、装置及计算机可读存储介质

技术领域

本发明涉及智能家居领域，尤其涉及一种食材用量推荐方法、装置及计算机可读存储介质。

背景技术

在日常生活中，用户在使用电压力锅、电饭煲等烹饪器具烹饪食材时，食材的用量需要由用户自行掌握。以煮饭为例，用户需要根据用餐人员自行掌握米的用量，一旦米的用量选择不当，便会导致煮出的米饭过多而造成浪费，或者导致煮出的米饭过少而造成不够用餐人员食用。因此，现有的食材烹饪过程对用户的要求较高，导致用户体验差。

发明内容

有鉴于此，本发明实施例期望提供一种食材用量推荐方法、装置及计算机可读存储介质，能够有效降低食材烹饪过程对用户的要求，提高用户体验。

为达到上述目的，本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种食材用量推荐方法，所述方法包括：

获取待用餐人员信息；

根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量；

基于所述待用餐人员的食材用量生成针对所述待用餐人员的食材用量推荐信息，并将所述食材用量推荐信息进行推荐。

上述方案中，所述根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量，包括：

将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型，获取所述神经网络推荐模型输出的所述待用餐人员的食材用量。

上述方案中，所述将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型之前，还包括：

获取训练样本，所述训练样本包括历史用餐人员信息和所述历史用餐人员用餐后的食材实际消耗量；

将所述历史用餐人员信息作为模型输入变量，所述历史用餐人员用餐后的食材实际消耗量作为模型输出变量；

基于所述训练样本训练神经网络推荐模型。

上述方案中，所述将所述食材用量推荐信息进行推荐之后，还包括：

获取所述待用餐人员用餐后的食材剩余量；

根据所述待用餐人员的食材用量以及所述待用餐人员用餐后的食材剩余量，获得所述待用餐人员用餐后的食材实际消耗量；

将所述待用餐人员信息作为模型输入变量，所述待用餐人员用餐后的食材实际消耗量作为模型输出变量，训练所述神经网络推荐模型。

上述方案中，所述将所述食材用量推荐信息进行推荐之后，还包括：

获取修正后所述待用餐人员的食材用量；

将所述待用餐人员信息作为模型输入变量，所述修正后所述待用餐人员的食材用量作为模型输出变量，训练所述神经网络推荐模型。

上述方案中，所述获取待用餐人员信息，包括：接收烹饪设备发送的待用餐人员信息。

上述方案中，所述将所述食材用量推荐信息进行推荐，包括：向所述烹饪设备发送所述食材用量推荐信息。

上述方案中，所述将所述食材用量推荐信息进行推荐，包括：显示所述食材用量推荐信息。

第二方面，本发明实施例提供了一种食材用量推荐装置，所述装置包括：网络接口、处理器和存储器；其中，

所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；

所述存储器，用于存储能够在处理器上运行的计算机程序；

所述处理器，用于在运行所述计算机程序时，执行第一方面所述方法。

第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有食材用量推荐的程序，当所述食材用量推荐的程序被至少一个处理器执行时实现如第一方面所述的食材用量推荐方法的步骤。

本发明实施例提供的食材用量推荐方法、装置及计算机可读存储介质，获取到待用餐人员信息后，查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量，并将获得的所述待用餐人员的食材用量进行推荐，以使用户能够根据推荐的食材用量进行烹饪，避免用户需要自行根据待用餐人员掌握食材用量。如此，有效了降低食材烹饪过程对用户的要求，提高了用户体验。

附图说明

图1为本发明实施例提供的一种食材用量推荐方法的流程示意图；

图2为本发明实施例提供的一种食材用量推荐装置的结构示意图；

图3为本发明实施例提供的一种食材用量推荐装置的硬件结构示意图；

图4为本发明实施例提供的一种烹饪设备的结构示意图；

图5为本发明实施例中米量推荐模型的架构示意图；

图6为本发明实施例提供的一种食材用量推荐方法的具体流程示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例一

参见图1，其示出了本实施例提供的一种食材用量推荐方法，该方法可以应用于烹饪设备、服务器或移动终端，本示例中以应用于烹饪设备为例进行说明，该方法可以包括：

S101：获取待用餐人员信息；

需要说明的是，所述待用餐人员信息可包括待用餐人员的人数、每个待用餐人员的个人标识等信息，所述个人标识可以是姓名、性别、年龄范围等信息。烹饪设备获取待用餐人员信息可以采用以下任意一种方式：烹饪设备接收用户通过烹饪设备的控制界面输入的待用餐人员信息；烹饪设备通过设置于家庭场所内的摄像头采集的图像信息获取待用餐人员信息；烹饪设备通过当前家庭局域网内接入用户终端的设备标识获取待用餐人员信息。例如，假设烹饪设备预先存储有家庭成员的信息，并可接收触控操作使烹饪设备的控制界面显示家庭成员的信息，当待用餐人员中包含有家庭成员时，用户可通过控制界面选择对应的家庭成员，而当待用餐人员中包含有非家庭成员时，用户可通过控制界面输入非家庭成员的人数、性别、年龄范围等信息，从而实现烹饪设备获取待用餐人员。

可以理解地，所述待用餐人员信息也可由移动终端进行获取，并由移动终端发送给烹饪设备，以使烹饪设备获取所述待用餐人员信息。此外，所述待用餐人员信息也可由移动终端获取后发送给服务器，以使服务器获取所述待用餐人员信息。

S102：根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量；

在一实施方式中，所述根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量，包括：烹饪设备将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型，获取所述神经网络推荐模型输出的所述待用餐人员的食材用量。

这里，所述将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型之前，还可包括：获取训练样本，所述训练样本包括历史用餐人员信息和所述历史用餐人员用餐后的食材实际消耗量；将所述历史用餐人员信息作为模型输入变量，所述历史用餐人员用餐后的食材实际消耗量作为模型输出变量；基于所述训练样本训练神经网络推荐模型。所述训练样本可以是烹饪设备记录的一段时间内的数据，比如一个月或六个月。所述基于所述训练样本训练神经网络推荐模型可以理解为采用神经网络算法建立神经网络推荐模型，并通过所述训练样本对该神经网络推荐模型进行优化。在初始建立神经网络推荐模型时，可为作为模型输入变量的每个用餐人员设定初始食材用量，并通过训练而不断调整每个用餐人员的食材用量。所述神经网络算法的层数可根据实际需要进行设置，若需要加快处理速度，在确保精确度的基础上，应尽量减少隐含层的数量，比如可设为2层或3层。对于神经网络推荐模型而言，部分待用餐人员可能是新的，即在训练样本中未出现过，这一部分待用餐人员的食材用量可根据训练样本或在训练样本中已出现过的那一部分待用餐人员的食材用量进行确定。例如，以烹饪米饭为例，假设当前待用餐人员总共有4人，其中3人为家庭成员且烹饪设备记录有与其相关的米食用量信息，另一人为非家庭成员且烹饪设备未记录过与其相关的米食用量信息，若神经网络推荐模型记录的上述3个家庭成员的米食用量分别为0.07kg、0.1kg、0.1kg，则神经网络推荐模型可将上述3个家庭成员的平均米食用量作为上述非家庭成员的米食用量即0.09kg，因此，神经网络推荐模型推荐当前待用餐人员的米食用量总共为0.36kg。此外，还可根据家庭成员和/或非家庭成员的性别、年龄等信息进一步确定非家庭成员的米食用量。若上述3个家庭成员的性别分别为女、男、男，且非家庭成员的性别为男，则神经网络推荐模型可将上述2个男性家庭成员的平均米食用量作为上述非家庭成员的米食用量即0.1kg。若上述3个家庭成员的年龄都小于40岁，而非家庭成员的年龄大于50岁，则神经网络推荐模型可在上述3个家庭成员的平均米食用量的基础上减去一设定的米食用量阈值作为上述非家庭成员的米食用量，比如在平均米食用量为0.09kg的基础上减去0.02kg，即将0.07kg作为上述非家庭成员的米食用量。

在另一实施方式中，所述根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量，包括：烹饪设备向服务器发送所述待用餐人员信息；接收由服务器根据所述待用餐人员信息所返回的所述待用餐人员的食材用量。

可以理解地，所述服务器根据所述待用餐人员信息获取所述待用餐人员的食材用量，也可以是将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型，从而获得所述神经网络推荐模型输出的所述待用餐人员的食材用量。此外，所述服务器根据所述待用餐人员信息获取所述待用餐人员的食材用量，也可以是根据待用餐人员信息查询自身存储的历史用餐人员与食材用量之间的对应关系，从而获得所述待用餐人员的食材用量。如此，由于服务器的运算能力远大于烹饪设备的运算能力，能够加快处理速度。此外，相比通过平均方法获取待用餐人员的食材用量，通过查询方式所获取的待用餐人员的食材用量可能更加精准。需要说明的是，上述根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量也可以由移动终端或服务器实现，即移动终端或服务器通过建立上述神经网络推荐模型进行推荐操作。

S103：基于所述待用餐人员的食材用量生成针对所述待用餐人员的食材用量推荐信息，并将所述食材用量推荐信息进行推荐。

具体地，烹饪设备基于步骤S102中获取的所述待用餐人员的食材用量、生成针对所述待用餐人员的食材用量推荐信息，并将所述食材用量推荐信息进行推荐，以使用户按照推荐的食材用量进行烹饪时，确保够待用餐人员食用且不造成浪费。

需要说明的是，所述食材用量推荐信息可以包含每个待用餐人员的食材用量，也可以包含同一类别人员的食材用量，比如家庭成员的总食材用量和非家庭成员的总食材用量。烹饪设备将所述食材用量推荐信息进行推荐，可以是显示所述食材用量推荐信息。此外，烹饪设备将所述食材用量推荐信息进行推荐，也可以是语音播放所述食材用量推荐信息。

综上，上述实施例提供的食材用量推荐方法中，获取到待用餐信息后，查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量，并将获得的所述待用餐人员的食材用量进行推荐，以使用户能够根据推荐的食材用量进行烹饪，避免用户需要自行根据待用餐人员掌握食材用量。如此，有效降低了食材烹饪过程对用户的要求，提高了用户体验。

针对图1所示的技术方案，在一种可能的实现方式中，所述将所述食材用量推荐信息进行推荐之后，还包括：

获取所述待用餐人员用餐后的食材剩余量；

根据所述待用餐人员的食材用量以及所述待用餐人员用餐后的食材剩余量，获得所述待用餐人员用餐后的食材实际消耗量；

将所述待用餐人员信息作为模型输入变量，所述待用餐人员用餐后的食材实际消耗量作为模型输出变量，训练所述神经网络推荐模型。

需要说明的是，所述待用餐人员用餐后的食材剩余量是指食材本身的相对剩余量，而不是食材经过烹饪等处理后的剩余量。举例说明，以食材为米，假设所述食材用量推荐信息中推荐的米用量为1kg，若1kg的米在烹饪后可获得4kg的米饭，则可根据用餐后剩余的米饭量获知用餐后的米剩余量。比如，当测得用餐后剩余的米饭量为1kg时，可获知用餐后的米剩余量为0.25kg，此时用餐后的米实际消耗量为0.75kg。在实际应用中，食材剩余量等信息可通过设置于烹饪设备上的重量传感器、图像传感器等器件进行获取。通过将所述待用餐人员信息作为模型输入变量、所述待用餐人员用餐后的食材实际消耗量作为模型输出变量而训练所述神经网络推荐模型，可进一步提高神经网络推荐模型的预测精准度，即进一步提高神经网络推荐模型向待用餐人员推荐的食材用量的精准度。

针对图1所示的技术方案，在一种可能的实现方式中，所述将所述食材用量推荐信息进行推荐之后，还包括：

获取修正后所述待用餐人员的食材用量；

将所述待用餐人员信息作为模型输入变量，所述修正后所述待用餐人员的食材用量作为模型输出变量，训练所述神经网络推荐模型。

需要说明的是，所述修正后所述待用餐人员的食材用量是指用户对神经网络推荐模型推荐的所述待用餐人员的食材用量进行调整后所获得的食材用量，用户可以根据待用餐人员当前的身体状况、用餐时间等信息修正所述待用餐人员的食材用量，从而尽量避免食材浪费。以食材为米为例，假设神经网络推荐模型推荐的待用餐人员的米用量为1kg，若部分待用餐人员的食欲较差或当前用餐时间距离上一次用餐时间的间隔较短，用户在此基础上减少了0.1kg的米，即用户只烹饪0.9kg的米，也就是说修正后待用餐人员的米用量为0.9kg。在实际应用中，所述修正后所述待用餐人员的食材用量可通过设置于烹饪设备上的重量传感器、输入设备等器件进行获取。通过将所述待用餐人员作为模型输入变量、修正后所述待用餐人员用餐后的食材用量作为模型输出变量而训练所述神经网络推荐模型，由于修正操作可能是用户根据实际情况进行的调整，在一定程度上体现了对食材的实际需求量，因此可进一步提高神经网络推荐模型的预测精准度，即进一步提高神经网络推荐模型向待用餐人员推荐的食材用量的精准度。

实施例二

基于前述实施例相同的发明构思，参见图2，其示出了本发明实施例提供的一种食材用量推荐装置2组成，可以包括：获取部分21、处理部分22和推荐部分23；其中，

所述获取部分21，配置为获取待用餐人员信息；

所述处理部分22，配置为根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量；

所述推荐部分23，配置为基于所述待用餐人员的食材用量生成针对所述待用餐人员的食材用量推荐信息，并将所述食材用量推荐信息进行推荐。

综上，上述实施例提供的食材用量推荐装置中，获取到待用餐人员信息后，查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量，并将获得的所述待用餐人员的食材用量进行推荐，以使用户能够根据推荐的食材用量进行烹饪，避免用户需要自行根据待用餐人员掌握食材用量。如此，有效降低了食材烹饪过程对用户的要求，提高了用户体验。

对于图2所示的技术方案，在一种可能的实现方式中，所述处理部分22，具体配置为：

将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型，获取所述神经网络推荐模型输出的所述待用餐人员的食材用量。

对于图2所示的技术方案，在一种可能的实现方式中，

所述获取部分21，还配置为获取训练样本，所述训练样本包括历史用餐人员信息和所述历史用餐人员用餐后的食材实际消耗量；

所述处理部分22，还配置为将所述历史用餐人员信息作为模型输入变量，所述历史用餐人员用餐后的食材实际消耗量作为模型输出变量，基于所述训练样本训练神经网络推荐模型。

对于图2所示的技术方案，在一种可能的实现方式中，

所述获取部分21，还配置为获取所述待用餐人员用餐后的食材剩余量；

所述处理部分22，还配置为根据所述待用餐人员的食材用量以及所述待用餐人员用餐后的食材剩余量，获得所述待用餐人员用餐后的食材实际消耗量；以及，将所述待用餐人员信息作为模型输入变量，所述待用餐人员用餐后的食材实际消耗量作为模型输出变量，训练所述神经网络推荐模型。

对于图2所示的技术方案，在一种可能的实现方式中，

所述获取部分21，还配置为获取修正后所述待用餐人员的食材用量；

所述处理部分22，还配置为将所述待用餐人员信息作为模型输入变量，所述修正后所述待用餐人员的食材用量作为模型输出变量，训练所述神经网络推荐模型。

对于图2所示的技术方案，在一种可能的实现方式中，所述获取部分21，具体配置为：接收烹饪设备发送的待用餐人员信息。

对于图2所示的技术方案，在一种可能的实现方式中，所述推荐部分23，具体配置为：向所述烹饪设备发送所述食材用量推荐信息。

对于图2所示的技术方案，在一种可能的实现方式中，所述推荐部分23，具体配置为：显示所述食材用量推荐信息。

可以理解地，图2所示的食材用量推荐2可以应用于烹饪设备、服务器或移动终端。

可以理解地，在本实施例中，“部分”可以是部分电路、部分处理器、部分程序或软件等等，当然也可以是单元，还可以是模块也可以是非模块化的。

另外，在本实施例中的各组成部分可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，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，本实施例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全部或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)或processor(处理器)执行本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。

因此，本实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有食材用量推荐的程序，当所述食材用量推荐的程序被至少一个处理器执行时实现如上述实施例一中任一项所述的食材用量推荐方法的步骤。

基于上述食材用量推荐装置2以及计算机可读存储介质，参见图3，其示出了本实施例提供的一种食材用量推荐装置3的具体硬件结构，可以包括：网络接口31、存储器32和处理器33；各个组件通过总线***34耦合在一起。可理解，总线***34用于实现这些组件之间的连接通信。总线***34除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线***34。其中，

网络接口31，配置为在与其他外部网元之间进行收发信息过程中，信号的接收和发送；

存储器32，配置为存储能够在处理器33上运行的计算机程序；

处理器33，配置为在运行所述计算机程序时，执行：

获取待用餐人员信息；

根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量；

基于所述待用餐人员的食材用量生成针对所述待用餐人员的食材用量推荐信息，并将所述食材用量推荐信息进行推荐。

可以理解，本发明实施例中的存储器32可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本文描述的***和方法的存储器32旨在包括但不限于这些和任意其它适合类型的存储器。

而处理器33可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器33中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器33可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器32，处理器33读取存储器32中的信息，结合其硬件完成上述方法的步骤。

可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个ASIC、DSP、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable Logic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。具体来说，食材用量推荐装置3中的处理器31还配置为运行所述计算机程序时，执行前述实施例一中所述的方法步骤，这里不再进行赘述。

实施例三

基于前述实施例相同的发明构思，本实施例通过一具体示例对前述实施例的技术方案进行详细说明。以食材为米为例，参见图4，其示出了本实施例提供的一种烹饪设备4的结构，该烹饪设备4包括：饭量判断模块41、人机交互模块42、控制模块43、烹饪模块44、数据处理模块45和通信模块46。其中，饭量判断模块41用于判断用餐后烹饪设备内的剩余米饭量；人机交互模块42包括输入装置和显示装置，用于实现人机交互；控制模块43作为烹饪设备的主控制单元，用于控制烹饪设备的正常运行；烹饪模块44用于对米进行烹饪；数据处理模块45用于处理采集到的米饭与用户数据；通信模块46是烹饪设备与服务器进行数据交换的模块，当烹饪设备有数据需要上传服务器或服务器有数据需要下发给烹饪设备时，通过该模块实现相互之间的数据传输。参见图5，其示出了本实施例提供的米量推荐模型的架构，烹饪设备首先采集包含用餐成员信息比如用餐成员图像以及用餐成员在用餐后的米饭剩余量的样本数据，形成包含用餐成员图像库以及用餐成员与米饭剩余量数据库的样本数据库，然后基于样本数据通过机器学习与训练建立包含每个成员食量的用户食量模型。在实际应用中，所述烹饪设备4可以是电饭煲、电压力锅等烹饪产品，所述饭量判断模块41可以是重量传感器。

参见图6，本示例的具体流程可以包括：

S201：用户打开烹饪设备；

这里，所述用户打开烹饪设备可以是给烹饪设备通电。

S202：用户输入当前用餐人员信息；

用户在淘米前通过烹饪设备的人机交互模块输入当前用餐人员信息。

S203：米量推荐模型计算推荐的米量；

具体地，烹饪设备中的米量推荐模型根据用户输入的当前用餐成员信息以及米量推荐模型中对应成员的米量，得出针对当前用餐成员的推荐米量。

S204：米量推荐；

具体地，烹饪设备通过显示或语音等方式将推荐米量向用户进行推荐。

S205：用户或烹饪设备根据推荐米量进行淘米；

具体地，用户根据烹饪设备推荐的米量进行淘米，或者烹饪设备根据推荐的米量自动进行淘米，并使烹饪设备在淘米后进行烹饪。

S206：判断用餐后的米饭剩余量并作为样本数据训练米量推荐模型。

具体地，用户在用餐后，烹饪设备的饭量判断模块采集用餐后的米饭剩余量，并且将当前用餐人员信息和用餐后的米饭剩余量作为样本数据反馈并填充至样本数据库中，以不断训练米量推荐模型。此外，用户可通过烹饪设备的人机交互模块对淘米的米量进行修正即修改推荐米量，修正后的米量反馈到样本数据库，从而影响米量推荐模型。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种食材用量推荐方法，其特征在于，所述方法包括：

获取待用餐人员信息；所述待用餐人员信息至少包括：每个待用餐人员的个人标识；

根据所述待用餐人员信息查询设定的历史用餐人员与食材用量之间的对应关系，获取所述待用餐人员的食材用量，包括：将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型，获取所述神经网络推荐模型输出的所述待用餐人员的食材用量；若待用餐人员包括所述神经网络推荐模型未记录的待用餐人员，所述获取所述待用餐人员的食材用量还包括：根据所述神经网络推荐模型记录的待用餐人员的食材用量以及性别和/或年龄信息，确定所述神经网络推荐模型未记录的待用餐人员的食材用量；

基于所述待用餐人员的食材用量生成针对所述待用餐人员的食材用量推荐信息，并将所述食材用量推荐信息进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述将所述待用餐人员信息输入基于历史用餐人员与所述历史用餐人员用餐后的食材实际消耗量进行训练所获得的神经网络推荐模型之前，还包括：

获取训练样本，所述训练样本包括历史用餐人员信息和所述历史用餐人员用餐后的食材实际消耗量；

将所述历史用餐人员信息作为模型输入变量，所述历史用餐人员用餐后的食材实际消耗量作为模型输出变量；

基于所述训练样本训练神经网络推荐模型。

3.根据权利要求1或2所述的方法，其特征在于，所述将所述食材用量推荐信息进行推荐之后，还包括：

获取所述待用餐人员用餐后的食材剩余量；

根据所述待用餐人员的食材用量以及所述待用餐人员用餐后的食材剩余量，获得所述待用餐人员用餐后的食材实际消耗量；

将所述待用餐人员信息作为模型输入变量，所述待用餐人员用餐后的食材实际消耗量作为模型输出变量，训练所述神经网络推荐模型。

4.根据权利要求1或2所述的方法，其特征在于，所述将所述食材用量推荐信息进行推荐之后，还包括：

获取修正后所述待用餐人员的食材用量；

将所述待用餐人员信息作为模型输入变量，所述修正后所述待用餐人员的食材用量作为模型输出变量，训练所述神经网络推荐模型。

5.根据权利要求1所述的方法，其特征在于，所述获取待用餐人员信息，包括：

接收烹饪设备发送的待用餐人员信息。

6.根据权利要求5所述的方法，其特征在于，所述将所述食材用量推荐信息进行推荐，包括：

向所述烹饪设备发送所述食材用量推荐信息。

7.根据权利要求1所述的方法，其特征在于，所述将所述食材用量推荐信息进行推荐，包括：

显示所述食材用量推荐信息。

8.一种食材用量推荐装置，其特征在于，所述装置包括：网络接口、处理器和存储器；其中，

所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；

所述存储器，用于存储能够在处理器上运行的计算机程序；

所述处理器，用于在运行所述计算机程序时，执行权利要求1至7任一项所述方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述食材用量推荐方法。

Images