(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210989933.2 (22)申请日 2022.08.17 (71)申请人 哈尔滨商业大学 地址 150000 黑龙江省哈尔滨市松北区学 海街1号 (72)发明人 岳欣瑞　陶鑫旺　李欣　罗海超　 熊龙杰　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 杨长河 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9537(2019.01) G16H 20/60(2018.01) G06K 9/62(2022.01)G10L 25/63(2013.01) (54)发明名称 食谱推荐方法、 终端设备以及存 储介质 (57)摘要 本发明公开了一种食谱推荐 方法、 终端设备 以及存储介质， 该方法包括： 获取用户数据， 用户 数据包括用户的碳足迹数据； 基于用户的碳足迹 数据， 并结合预先创建的随机森林分类模型， 进 行食谱决策分类， 得到食谱推荐方案； 将所述食 谱推荐方案向用户推送。 本发明实现了食谱的自 动化推荐， 提升了食谱推荐结果的精准性， 为用 户提供极大方便， 解决了用户选择困难的情况。 此外， 还可以通过智能音箱结合用户的语音情感 识别结果播报 食谱推荐 方案， 能够将健康和环保 及用户体验结合起来， 既低碳又健康， 进一步提 升了用户的体验。 权利要求书2页 说明书13页 附图6页 CN 115422443 A 2022.12.02 CN 115422443 A 1.一种食 谱推荐方法， 其特 征在于， 所述方法包括： 获取用户数据， 所述用户数据包括用户的碳足迹数据； 基于所述用户的碳足迹数据， 并结合预先创建的随机森林分类模型， 进行食谱决策分 类， 得到食 谱推荐方案； 将所述食 谱推荐方案向用户推送。 2.根据权利要求1所述的方法， 其特征在于， 所述用户数据还包括： 用户的语音数据； 所 述将所述食 谱推荐方案向用户推送的步骤之前还 包括： 基于情感维度回归模型， 对所述用户的语音数据进行语音情感识别， 得到语音情感识 别结果； 所述将所述食 谱推荐方案向用户推送的步骤 包括： 通过智能音箱结合所述语音情感识别结果 播报所述食 谱推荐方案； 或者 通过智能音箱结合所述语音情感识别结果以及常用食 谱播报所述食 谱推荐方案 。 3.根据权利要求1所述的方法， 其特征在于， 所述基于所述用户的碳足迹数据， 并结合 预先创建的随机森林分类模型， 进行食 谱决策分类， 得到食 谱推荐方案的步骤之前还 包括： 创建所述随机森林分类模型， 具体包括： 获取训练数据集； 对所述训练数据集进行有放回无权 重的随机抽样， 得到若干对应 独立的决策树； 对每棵决策树的每 个节点处进行 特征提取， 得到每棵决策树的特 征子集； 基于每棵决策树的特 征子集， 并行训练每棵决策树， 得到训练好的决策树； 将训练好的决策树 合并为随机森林分类模型。 4.根据权利要求3所述的方法， 其特征在于， 所述基于所述用户的碳足迹数据， 并结合 预先创建的随机森林分类模型， 进行食 谱决策分类， 得到食 谱推荐方案的步骤 包括： 将所述用户的碳足迹数据作为测试样本输入至预先创建的随机森林分类模型， 通过所 述随机森林分类模型中的每个决策树进行投票抉择分类， 取所有决策树中输出类别最多的 那类作为分类结果； 将所述随机森林分类模型输出的分类结果作为食 谱推荐方案 。 5.根据权利要求2所述的方法， 其特征在于， 所述基于情感维度回归模型， 对所述用户 的语音数据进行语音情感识别， 得到语音情感识别结果的步骤之前还 包括： 创建情感维度回归 模型， 具体包括： 获取语音数据集， 从所述语音数据集中提取 特征， 得到初始特 征集； 对所述初始特 征集进行处 理和相关系数排序， 得到相关特 征子集A； 对所述相关特 征子集A， 使用PCA算法进行降维处 理， 得到最优特 征子集B； 基于所述初始特征集以及所述最优特征子集B训练SVR模型， 得到训练好的情 感维度回 归模型。 6.根据权利要求2所述的方法， 其特征在于， 所述基于情感维度回归模型， 对所述用户 的语音数据进行语音情感识别， 得到语音情感识别结果的步骤 包括： 将所述用户的语音数据按照预设比例分为训练样本和 测试样本； 对所述训练样本和测试样本进行特征提取， 得到训练样本和测试样本对应的初始特征 集的训练集和 测试集；权　利　要　求　书 1/2 页 2 CN 115422443 A 2对所述初始特 征集进行处 理和相关系数排序， 得到相关特 征子集A； 对所述相关特 征子集A， 使用PCA算法进行降维处 理， 得到最优特 征子集B； 基于所述初始特征集的训练集以及最优特征子集B中的训练集， 训练SVR模型， 得到训 练好的情感维度回归 模型； 将所述最优特征子集B中的测试集输入至所述训练好的情感维度回归模型进行预测， 得到所述用户的语音数据对应的P、 A、 D维度上的预测值。 7.根据权利要求5或6所述的方法， 其特征在于， 所述对所述初始特征集进行处理和相 关系数排序， 得到相关特 征子集A的步骤 包括： 从所述初始特 征集中过 滤掉冗余特 征和无关特 征； 从过滤处理后的初始特征集中选取韵律特征、 音质特征以及非线性特征所属的最大 值、 最小值、 均值、 中值和方差， 并将这些 特征组合为一个共计121 维的特征集MNFF； 对所述特 征集MNFF从高维特 征到低维特 征进行空间转 化， 得到降维后的特 征集MNFF； 基于预先创建的PAD三维情感模型， 分别对P、 A、 D三个维度与所述特征集MNFF中的MNFF 特征进行计算， 得到不同维度与不同特征间的Pearson相关系数， 并按相关系数大小将 MNFF 特征进行排序； 基于排序结果确定相关特 征子集A。 8.根据权利要求1所述的方法， 其特征在于， 所述获取用户的碳足迹数据的步骤之后， 还包括： 对所述用户的碳足迹数据进行处 理， 其中， 处 理方式包括至少以下之一： 数据预处 理、 缺失值处 理、 错误数据处 理、 重复数据处 理、 一致性检验； 所述用户的碳足迹数据包括以下一种或多种： 用户的身高体重、 碳水摄入、 蔬菜摄入、 肉类摄入、 水果摄入。 9.一种终端设备， 其特征在于， 所述终端设备包括存储器、 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食谱推荐程序， 所述食谱推荐程序被所述处理器执行时实现 如权利要求1 ‑8中任一项所述的食 谱推荐方法的步骤。 10.一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上存储有食谱推 荐程序， 所述食谱推荐程序被处理器执行时实现如权利要求1 ‑8中任一项所述的食谱推荐 方法的步骤。权　利　要　求　书 2/2 页 3 CN 115422443 A 3