基于神经网络的食谱生成的制作方法

基于神经网络的食谱生成
1.相关申请的交叉引用
2.本技术涉及并援引35u.s.
§
119(e)要求于2018年11月3日提交的标题为“providing precise nutrition solutions using machine learning and organoleptic targeting”的美国临时申请no.62/760113的优先权，该申请的全部内容通过引用并入本文用于所有目的。
技术领域
3.本公开一般而言涉及食物产品，包括但不限于用于基于神经网络为食物产品生成食谱的系统和方法。


背景技术：

4.超过71％的消费者说他们每天至少吃一种耐贮存的(超过4周的保质期)的零食。35岁以下的人中有77％报告需要零食来度过一天，而且在所有年龄段中，大多数接受调查的消费者都想要更健康的零食选项。以植物为基础的零食正变得越来越普遍，仅在过去的四年中，素食主义者在美国就增加了600％，这反映了类似的全球趋势。同样，对功能产品的需求也在增长。所有这些变化都要求功能性食物开始占据耐贮存产品的更多市场份额。
5.类似地，大量的加工糖会导致慢性健康问题，诸如心脏病和糖尿病，并且会导致肥胖症，一种特别是在美国上升的流行病。根据经济合作与发展组织(oecd)发布的2017年《肥胖报告》，超过38％的美国人超重或肥胖，几乎是国际平均水平的两倍。寻找对运输具有挑战性的新鲜水果和不健康零食的既健康又方便的零食替代品(如水果零食)在零食行业中迫切需要，尤其是随着人们对零食和周围小吃类型的趋势开始转变的趋势。


技术实现要素：

6.一些实施例包括人工智能(ai)驱动的平台，在该平台上，客户可以管理现有食谱(例如，上传其可以包括现有食谱的产品组合)并充分利用成分洞察力来创建针对其期望规格的新颖食谱。ai驱动的平台可以针对给定的营养特性和/或功能益处(统称基于健康的特征)以及质地、耐贮存性、可负担性等输入来生成食物配方。一些实施例创建了有助于产品选择的分类和简化的排名。
7.本公开的说明性方面是一种生成食谱的方法，该方法包括根据多种食物成分的基于健康的特征、成本或流行度中的至少一个来确定目标食物产品的多种食物成分的排名，由神经网络接收多种食物成分的排名以及与目标食物产品处于同一类别的食物的多个现有食谱作为输入，并由神经网络根据多种食物成分的排名和多个现有食谱生成结合来自多种食物成分中选定的食物成分的目标食物产品的新食谱作为输出。
8.本公开的另一个说明性方面是一种用于生成食谱的系统，该系统包括被配置为存储目标食物产品的多种食物成分的数据库的存储设备、被配置为根据多种食物成分的基于健康的特征、成本或流行度中的至少一个来确定目标食物产品的多种食物成分的排名的至
少一个处理器，以及由至少一个处理器实现的神经网络。神经网络被配置为接收多种食物成分的排名以及与目标食物产品处于同一类别的食物产品的多个现有食谱作为输入，并根据多种食物成分的排名和多个现有食谱生成结合来自多种食物成分中选定的食物成分的目标食物产品的新食谱作为输出。
9.在一些实施例中，系统和方法包括：由神经网络接收多种食物成分中的每一种的特性作为另一个输入；并且由神经网络根据多种食物成分的排名、多个现有食谱以及多种食物成分中的每一种的特性生成新食谱。在一些实施例中，新食谱结合第一食物成分作为选定的食物成分的可能性高于第二食物成分，该第二食物成分的排名在多种食物成分中低于第一食物成分的排名。
10.在一些实施例中，选定的食物成分的排名低于多种食物成分中的至少一种食物成分的排名。在一个实施例中，系统和方法包括标记多个现有食谱中的第一食谱，以在生成新食谱时将神经网络的修改的类型限制到第一食谱。
11.在一些实施例中，目标食物产品包括以下至少一种：零食、烘焙食物、糖果、基于合成植物的产品、能量棒、饮料、膳食替代品、膳食补充剂、超级食物、饮料、耐贮存食物、冷冻或冷藏食物、肉类产品或乳制品。在一个实施例中，系统和方法包括由神经网络生成用于目标食物产品的新食谱，该新食谱结合了来自多种食物成分中的多种食物成分。在一个实施例中，系统和方法包括由标签引擎生成新食谱的营养描述。
12.在一个实施例中，确定排名包括根据多种食物成分中的每一种的至少一个基于健康的特征来确定多种食物成分的第一排名，根据多种食物成分中的每一种的成本来来确定多种食物成分的第二排名，根据多种食物成分中的每一种的流行度来确定多种食物成分的第三排名，并且根据第一排名、第二排名和第三排名来确定多种食物成分的排名。
13.前述概述和附图的以下描述以及详细描述都是说明性和解释性的。它们旨在提供本发明构思的更多细节，但不应解释为限制性的。通过以下对发明构思的详细描述，其它目的、优点和新颖特征对于本领域技术人员将是显而易见的。
附图说明
14.附图无意按比例绘制。在各个附图中，相同的附图标记和标记指示相同的元件。为了清楚起见，并非每个组件都可以在每个附图中标记。
15.图1是根据本公开的示例实施方式的用于生成食谱的系统的框图。
16.图2a是根据本公开示例实施方式的特征提取器(有时可以被称为推荐引擎或食谱生成器，或作为其一部分)的神经网络的框图。
17.图2b是根据本公开示例实施方式的训练特征提取器的神经网络的神经网络训练器的框图。
18.图3示出了根据本发明示例性实施方式的示例营养描述。
19.图4是示出根据本公开示例实施方式的生成食谱的过程的流程图。
20.图5是根据本公开示例实施方式的计算环境的框图。
具体实施方式
21.在转向详细示出某些实施例的附图之前，应当理解的是，本公开不限于本描述中
阐述或附图中示出的细节或方法。还应当理解的是，本文所使用的术语仅出于描述的目的并且不应当被认为是限制性的。
22.当前市场上的大多数食物产品使用大量的糖和添加剂以增加质地和味道。存在用于生成用于更健康的食物选项的食谱的解决方案，但是现有解决方案具有严重的局限性。现有解决方案可以基于孤立的数据或历史数据，从而限制了食物产品与食物特性(诸如风味和质地)的当前市场趋势保持一致的可能性。而且，现有解决方案可以包括手动生成食物产品的食谱，从而导致食谱生成方面的附加延迟，并最终导致食物产品更快上架的延迟。因而，存在自动化用于更健康、可口的食物产品的新颖食谱的探索、原型制作和/或生成的技术问题。
23.本公开的一些实施例提供了针对该技术问题的技术解决方案。即，本公开的一些实施例是用于使用人工智能或机器学习(例如，神经网络)模型来生成食物产品食谱的系统和方法。在一些实施例中，该系统和方法对食物成分进行排名。在一些实施例中，食物排名基于成分特性和/或定义的(例如，客户或消费者)偏好。在一些实施例中，系统和方法将排序的食物成分和现有食谱输入到人工智能模型。在一些实施例中，人工智能模型基于排名的食物成分和现有食谱来生成新食谱。
24.有利地，本公开的一些实施例使用人工智能(例如，经训练的机器学习模型)来减少生成和/或开发用于比普通大众当前可用的食物产品更健康的风味食物产品的新颖食谱的时间。另外，本公开的一些实施例基于来自各种来源的当前数据对食物成分进行优先排序或排名并生成新食谱，从而确保新食谱准确地反映例如关于风味和/或质地的当前市场趋势。
25.图1是根据本公开示例实施方式的用于开发和/或生成食谱的系统(例如，食谱生成器100)的框图。在一些实施例中，食谱生成器100包括比图1所示更多、更少或不同的组件。每个组件可以包括硬件，或者硬件和软件的组合。每个组件可以包括或使用图5中的计算系统514的一个或多个元件来实现，并且可以使用这(一个或多个)元件来执行本文描述的各种操作。在一些实施例中，食谱生成器100包括排名引擎120、特征提取器130和标签引擎140(统称为食谱生成组件)。食谱生成组件可以一起操作以接收输入数据150，例如成分(例如，成分的列表)、成分特性数据(例如，指示基于健康的特征、测量、稠度、质地、风味、口味、稠度、酸度、颜色、保质期、对热或湿度的响应、市场数据(例如，成本和/和流行程度，成分类别等的数据)、现有食谱数据、客户/消费者/用户偏好数据(例如，标记、标签、来自反馈的数据、与基于健康的特征相关联的偏好、成本，以及流行度/可用性/受欢迎程度)，以及市场数据(例如，研究数据、来自网页抓取的数据、与成本相关联的数据、流行度/可用性/受欢迎程度、推荐的每日摄入量等)。基于健康的特征可以包括功能特征(例如，具有已知或相信与糖尿病友好、高纤维、有利于治疗焦虑等相关的功能和/或特征)或营养测量(例如，针对维生素、矿物质、卡路里、脂肪、胆固醇、碳水化合物、蛋白质、糖、钠等的测量)。食谱生成组件可以一起操作以生成(例如，生成、创建、产生、合成、提供、确定、计算等)输出数据160(例如，成分排名、新食谱、营养描述等)。
26.在一些实施例中，系统包括排名引擎120。在一个或多个实施例中，排名引擎120接收输入数据150(例如，成分、成分特性数据、客户/消费者/用户偏好数据等)。成分特性数据可以包括成分的标识符或名称、一个或多个食物类型指示符(例如，肉、非肉类蛋白质、乳制
品、蔬菜/素食、水果、无麸质、无坚果或它们的组合)、一个或多个营养值(例如，维生素、矿物质、钠、糖、脂肪、胆固醇、碳水化合物、蛋白质、纤维等的值，以每份克数或毫克数表示，以每日推荐值的百分比等表示)、一个或多个功能益处指示符(例如，心脏、认知、新陈代谢)，和/或一个或多个功能风险指示符(例如，心脏、认知、新陈代谢)。营养值可以是质量(例如，100克)或重量(例如，1盎司)的归一化单位。成分特性数据以及客户/消费者/用户偏好数据、市场数据或任何其它数据都可以存储在包括在系统100中或与之相关联的存储装置(例如，云存储装置、本地存储装置、对象存储装置、数据库、目录、关系数据库、关联数据库等)中。
27.在一些实施例中，排名引擎120基于客户/消费者/用户偏好数据从成分中过滤(例如，过滤、修剪、提取、保持或以其它方式维护)成分的子集。作为非限制性示例，排名引擎120可以接收指示将基于肉的成分从成分的子集中排除的标记(例如，客户标记)。标记可以是注释、指示符、指令、指导、限制、修饰符、设置、参数、配置等形式，以驱动或控制排名引擎120。排名引擎120可以生成排除了具有指示肉的存在或使用的食物类型指示符的成分之外的成分的子集。在一些实施例中，可以以短语、句子、段落等形式提供标记，并且排名引擎120使用自然语言处理(例如，使用经训练的神经网络或机器学习模型)来提取标记中的偏好数据。在一些实施例中，排名引擎120绕过过滤，使得代替生成成分的子集，它使系统能够使用所有成分。
28.在一些实施例中，排名引擎120或诸如特征提取器130之类的另一个组件可以将成分分类为不同的成分类别(例如，类别、类、组、集群等)。在一些实施例中，相同成分类别(例如，在口味、质地、颜色、来源、保质期、对温度或湿度的响应等，或其任意组合)中的成分可以彼此交换(例如，在食谱中)，但是不同成分类别的成分不能彼此交换。在一些实施例中，排名引擎120或特征提取器130可以使用算法、程序和/或神经网络模型来进行分类。关于图2a
‑
2b描述神经网络模型。在一些实施例中，在确定成分的成分类别时，排名引擎120或另一个组件将成分类别添加到成分特性数据。
29.在一些实施例中，系统包括排名引擎120。在一个或多个实施例中，排名引擎120基于输入数据150生成成分的子集的成分排名。在一些实施例中，成分子集的成分排名基于成分的基于健康的特征、成分的成本(例如，购买、培养、生产、采购、运输、存储、维护、使用和/或加工该成分的成本)或成分的流行度(例如，成分在所有/类似食谱和/或市场上食物产品中的流行度，和/或市场上或从来源中成分的可用性、稀缺性或丰富性)中的至少一个。在一些实施例中，排名引擎120为每种成分生成成分分数并根据成分分数生成排名(例如，成分从最高到最低成分分数排名)。在一些实施例中，排名引擎120为每种成分的每个特性或其它方面(例如，风味、质地、成本)生成子分数，并组合或聚合(例如，聚合、求和、相加)子分数，以得出成分的成分分数。在一些实施例中，如果特性超过预定义的特性阈值，那么排名引擎120指派第一分数值，或者如果特性未超过预定义的特性阈值，那么指派第二分数值。预定义的特性阈值可以由客户/消费者/用户偏好数据定义。在一些实施例中，预定义的特性阈值是成分的特定阈值。在一些实施例中，预定义的特性阈值是与该成分相同的成分类别中的任何成分的阈值。例如，排名引擎120可以确定由成分，苹果，提供的维生素c的量大于客户/消费者/用户偏爱任何水果成分的维生素c的量。排名引擎120可以例如基于超过客户/消费者/用户偏好数据的特性数据将分数值1指派给成分，苹果。
30.在一些实施例中，可以通过指示客户/消费者/用户偏好的数据来对子分数进行加权(例如，加权、修改、增加、加倍等)。例如，第一客户/消费者/用户偏好数据可以指示风味特性具有其它特性(例如，质地和成本)的两倍的权重。在一些实施例中，加权子分数被聚合或以其它方式组合以获得成分分数。在一些实施例中，对于每个客户/消费者/用户偏好数据元素，排名引擎120可以基于客户/消费者/用户偏好数据元素超过相关联的成分数据或市场数据元素多少来指派值分数。
31.在一些实施例中，排名引擎120根据成分子集中的每个成分的至少一个的基于健康的特征来确定成分子集的第一排名，根据成分子集中的每个成分的至少一个的成本来确定成分子集的第二排名，并且根据成分子集中的每个成分的流行度来确定成分子集的第三排名。在一些实施例中，排名引擎120根据第一排名、第二排名和/或第三排名来确定成分子集的排名。在一些实施例中，排名引擎120通过确定成分的第一排名、第二排名和/或第三排名的函数(例如，平均值、加权平均值等)来确定成分的排名。
32.在一些实施例中，排名引擎120基于相应指派的分数对成分进行过滤和/或排名。在一些实施例中，由排名引擎120执行的操作的次序是例如评分、过滤和排名。即，在一些实施例中，排名引擎120过滤成分分数大于预定义阈值分数的成分。然后，排名引擎可以对经过滤的成分进行排名。在一些实施例中，由排名引擎120执行的操作的次序是例如评分、排名和过滤。即，排名引擎120对具有指派的分数的成分进行排名。然后，排名引擎可以过滤经排名的成分，以识别排名大于阈值排名的成分。作为示例，在一些实施例中，排名引擎将阈值排名确定为与低于预定义阈值分数的最高成分分数相关联的排名。
33.在一个或多个实施例中，特征提取器130包括接收输入数据150(例如，现有食谱、成分特性数据、客户/消费者/用户偏好数据、市场数据等)和/或排名引擎120的成分排名的组件或与其对应。在一些实施例中，现有食谱与目标食物产品在相同的类别中(例如，选自食谱的数据库，并且被选择为与目标食物产品在相同的类别中)。目标食物产品可以包括以下至少一种：零食(例如，咸味或甜食)、烘焙食物、糖果、基于合成植物的产品、能量棒、饮料、膳食替代品、膳食补充剂、超级食物产品、烘焙新鲜产品、(一个或多个)烘焙食品组分/(一个或多个)成分、干燥的烘焙产品、饮料、调味品/调味料、耐贮存的甜点、乳制品(例如，牛奶、酸奶、奶酪或可涂抹产品)、新鲜、冷藏或冷冻的甜点、熟食肉类产品、水果/蔬菜/产品(例如，新鲜、冷藏或冷冻的)产品/混合物/沙拉/鸡尾酒/salsa/调味料、酱料、预制食物产品或主菜(例如，冷冻或冷藏)、肉/蛋/海鲜(例如，新鲜、冷藏或冷冻)、耐贮存的预制食物产品或主菜、酊剂、药丸或补品、面包屑、水果点心、棒、薯条、梳打饼干、小点心、冰淇淋、爆米花产品、布丁、意大利面、谷物产品、糖浆、软饮料、饼干、玉米饼、面糊、糖果(例如，巧克力或非巧克力)、豆腐制品、饮料混合物、沙拉酱、松饼、华夫饼、面条制品、汉堡肉饼、炸玉米饼、果酱或涂抹食品、酱汁、干面包混合料、湿面包混合料、肉类替代品、乳制品替代品、酒精饮料、速食面包、煮熟的谷物、混合菜、非肉类混合菜、粉末、零食棒、蛋白质棒、面糊、蘸酱或任何适合食用的食物产品。
34.在一些实施例中，特征提取器130根据成分排名和/或输入数据150为目标食物产品生成新的(例如，改进的、适应的、不同的、原始的)食谱。在一些实施例中，特征提取器130结合(例如，替代、交换、替换、结合、添加、补充、组合或以其它方式使用)与来自现有或可用食谱的原始成分相关的选择成分。在一些实施例中，选择成分和原始成分在相同的成分类
别中。在一些实施例中，特征提取器130确定选定的成分具有与原始成分匹配、相似、补充或改进的一种或多种性质，和/或选定的成分具有比被替换/交换/移除的原始成分更高/相似的成分排名。在一些实施例中，特征提取器130基于匹配/相似/改进的特性和相应的成分排名用选定的成分代替原始成分。
35.特征提取器130可以在新食谱中结合从被排名的成分中包括的成分中选择的一种或多种成分。在一些实施例中，与排名低于第一食物成分的第二食物成分相比，特征提取器130具有更高的可能性结合第一食物成分作为选定的食物成分。在一些实施例中，选定的(一种或多种)成分包括具有高于所有其它排名成分的排名的成分。在一些实施例中，选定的(一种或多种)成分包括排名低于排名成分中包括的至少一种成分的排名的成分。例如，选定的成分可以比另一种成分具有更低的排名，但是由于某些因素、限制和/或考虑，ai驱动的平台可以确定选定的成分更适合新食谱。
36.在一些实施例中，客户/消费者/用户偏好数据包括在新食谱中将包括或排除现有食谱中的至少一种成分的指示。例如，第一食谱可以包括糨糊(例如，枣泥)。标记(例如，指示符、指令、指南、限制、修饰符、设置、参数、配置)可以被用于向ai驱动平台(例如，特征提取器130)指示糨糊将包括在最终食谱中(例如，由于糨糊的稠度和/或因为糨糊将其它成分保持在一起)。在一些实施例中，特征提取器130接收标记作为现有食谱的一部分。在一些实施例中，特征提取器130与现有食谱分开地接收标记，确定将要用标记来标记(例如，标记、链接、映射或以其它方式关联)现有食谱，并且用标记来标记现有食谱。在一些实施例中，特征提取器130通过识别与现有食谱中要替换/移除的成分(例如，糨糊)匹配或者与排名成分的候选列表中的成分匹配的标记中指定的成分(或在替换/移除/使用/选择成分中的特定要求、目标或特性)来确定将标记应用于现有食谱。
37.在一些实施例中，特征提取器130一次或在一段时间内生成一个或多个新食谱。作为非限制性示例，特征提取器130可以生成(例如，制定、提出)第一新食谱。特征提取器130可以(例如，经由计算机网络)将第一新食谱发送给用户/客户(例如，用户/客户设备)。特征提取器130可以响应于第一新食谱而接收一个或多个标签。特征提取器130可以基于包括响应于第一新食谱而接收到的一个或多个标签的输入数据150来生成第二新食谱。
38.在一些实施例中，现有食谱和/或新食谱可以包括指定或描述选定的(一种或多种)成分、每种选定的成分的量、添加/结合选定的(一种或多种)成分的过程和/或步骤次序、对至少一种选定的成分采取的(一个或多个)步骤(例如，烹饪、烘烤、油炸、冷冻、剁碎、去皮等)等等。现有食谱和/或(一个或多个)新食谱可以在文件(例如，excel文件、jpeg文件、pdf文件)中、在存储器中、在数据结构中或用于表示、存储、描述或访问现有食谱和/或(一个或多个)新食谱的任何合适格式生成、表示、存储、描述或访问。
39.在一些实施例中，特征提取器130包括或使用基于启发法或规则的系统、用户(例如，客户、开发人员、消费者)反馈、聚类(例如，k均值聚类)和/或其它算法、决策树、有监督的机器学习(例如，支持向量机)和/或神经网络(例如，卷积神经网络)。下面参考图2a
‑
2b描述神经网络。在一些实施例中，神经网络在两个阶段中操作：训练阶段和运行时阶段。关于图2b描述训练阶段，并且关于图2a描述运行时阶段。
40.图2a是根据本公开示例实施方式的特征提取器130的神经网络210的框图。在一些实施例中，特征提取器130包括比图2a中所示更多、更少或不同的组件。在一些实施例中，神
经网络210接收输入(例如，成分排名220、现有食谱230、成分特性数据、客户/消费者/用户偏好数据，和/或市场数据)。在一些实施例中，神经网络210根据由配置240指示的神经网络210中(一个或多个)层的节点的权重和/或偏置从输入生成(例如，在运行时阶段期间)新食谱250。
41.图2b是根据本公开示例实施方式的训练特征提取器130的神经网络210的神经网络训练器260的框图。在一些实施例中，特征提取器130包括比图2b所示更多、更少或不同的组件。图2b的神经网络210可以类似于图2a的神经网络210。在针对神经网络210的训练阶段中，神经网络训练器260可以从神经网络210接收输出或新食谱250。而且，神经网络训练器260可以接收目标食谱270(例如，用于训练神经网络)，该目标食谱可以与输入(例如，成分排名220、现有食谱230、成分特性数据、客户/消费者/用户偏好数据，和/或市场数据)对应。目标食谱270可以提供与由神经网络210接收的输入对应的参考、目标输出或地面真相。神经网络训练器260可以将新食谱250与目标食谱270进行比较，并根据比较来调整神经网络210的配置240(例如，权重、偏置等)，以减少新食谱250与目标食谱270之间的误差或差异。神经网络训练器260可以继续训练、配置、调整和/或优化神经网络，例如，通过用相同的输入或用不同的输入以及对应的目标食谱270重复该过程以调整配置240，直到由神经网络210输出的(一个或多个)新食谱250相对于对应目标食谱270的误差变得小于预定阈值(例如，小于1％)。
42.一旦误差变得小于预定阈值，神经网络训练器260就可以存储在训练阶段期间生成的经调整的配置240，以在运行时阶段期间使用。在一些实施例中，根据基于tensorflow/keras的模型、基于pytorch的模型或其它模型来实现神经网络210。例如，可以使用基于树的管道优化工具(tpot)来实现神经网络训练器260。
43.在训练阶段中接收到的数据可以被称为训练数据。在一些实施例中，训练数据包括已知成分排名220、已知现有食谱230和/或已知目标食谱270。然后，在运行时阶段中，应用不同的成分排名220和不同的现有食谱230以生成或输出新食谱250。在一些实施例中，训练数据包括一种或多种输入成分、已知排名成分220和一种或多种目标成分。一种或多种目标成分中的每一种可以与一种或多种输入成分中的唯一一种对应。然后，在运行时阶段中，应用现有食谱230以生成新食谱250。
44.返回去参考图1，系统可以包括标签引擎140。在一些实施例中，在一个或多个实施例中，标签引擎140接收新食谱和成分特性数据。在一个或多个实施例中，标签引擎140为新食谱生成营养描述(例如，营养标签或其它描述)。在一些实施例中，营养描述基于新食谱和成分特性数据。在一些实施例中，标签引擎140确定新食谱中包括的成分(例如，选定的(一种或多种)成分和任何其它成分)。标签引擎140可以确定目标食物产品的份量(例如，如在针对目标食物产品生成的新食谱中所指定的，作为标签引擎140的输入，或者作为配置的一部分)。在一些实施例中，标签引擎140确定一份目标食物产品中的每种成分的量。标签引擎140可以基于一份中对应成分的量和成分特性数据(例如，将每标称量的成分营养素乘以标称量与份量之比)对于新食谱确定每种成分中的营养素(例如，营养组分，诸如维生素、矿物质、盐/钠、胆固醇、碳水化合物、脂肪、蛋白质、纤维、氨基酸等)的量。成分特性数据可以指定或提供每种成分中的营养素的量。对于每种营养素，标签引擎140可以根据成分特性数据通过添加来自每种成分的营养素的量来确定营养素的总量。在一些实施例中，标签引擎140
基于一份新食谱中的每种营养素和营养素的总量(或推荐的每日摄入量的百分比)来生成营养描述。
45.图3示出了根据本公开示例实施方式的示例性营养描述300。营养描述300可以例如包括每种营养素和营养素的每日推荐摄入量或百分比。标签引擎140可以生成营养描述300的人类可读表示，诸如excel文件、jpeg文件、pdf文件等。营养描述300可以显示在移动设备、台式设备、或任何合适的计算机设备上。
46.图4是图示根据本公开示例实施方式的生成(一个或多个)食谱的过程400的流程图。在一些实施例中，过程400由食谱生成器100执行。在一些实施例中，过程400由其它实体执行。在一些实施例中，过程400包括比图4中所示的更多、更少或不同的步骤。简要概述，食谱生成器根据一个或多个特征来确定目标食物产品的食物成分的排名(410)。食谱生成器接收食物成分的排名和用于食物产品的现有食物食谱(420)。食谱生成器根据食物成分的排名和现有食谱来生成目标食物产品的新食谱(430)。
47.在一些实施例中，诸如食谱生成器100之类的食谱生成器从初始的成分集合中过滤成分。食谱生成器可以基于客户/消费者/用户偏好数据(例如，成分标记或客户/用户定义的类别)过滤成分。在一些实施例中，食谱生成器过滤成分以保留或获得与目标食物产品相同类别的成分。在一些实施例中，食谱生成器过滤成分，使得被过滤的成分的总数小于预定义的阈值。
48.在一些实施例中，食谱生成器根据一个或多个特征来确定目标食物产品的食物成分的排名(410)。特征可以包括基于健康的特征(例如，功能特征或营养测量)、成分的成本(例如，购买、培养、生产、采购、运输、存储、维护、使用和/或加工成分的成本)，和/或食物成分的流行度(例如，成分在市场上所有/类似食谱和/或食物产品中的流行度、使用/存在的水平和/或受欢迎程度，和/或成分在市场上或从来源的可用性、稀缺程度或丰富性)。在一些实施例中，食谱生成器为每种食物成分生成成分分数，并根据食物成分的成分分数生成排名。在一些实施例中，如果食物成分的特征之一超过预定义阈值，那么食谱生成器指派第一分数组分(例如，值1)或如果食物成分的特征之一未超过预定义阈值，那么指派第二分数组分(例如，值0或低于1的值)。在一些实施例中，排名引擎120聚合食物成分的特征的分数组分以确定食物成分的成分分数。
49.在一些实施例中，食谱生成器根据每种食物成分的至少一个基于健康的特征来确定食物成分的第一排名，根据每种食物成分的成本来确定成分子集的第二排名，和/或根据每种食物成分的流行度来确定食物成分的第三排名。在一些实施例中，食谱生成器根据第一排名、第二排名和/或第三排名来确定食物成分的排名。在一些实施例中，食谱生成器通过确定食物成分的第一排名、第二排名和/或第三排名的函数(例如，平均值、加权平均值等)来确定成分的排名。
50.在一些实施例中，食谱生成器在诸如神经网络210之类的神经网络处接收食物成分的排名和食物产品的现有食物食谱，作为输入(420)。在一些实施例中，现有食谱(被选择为)与目标食物产品在相同的类别中。在一些实施例中，食谱生成器还接收每种食物成分的特性(其可以包括目标食物产品的候选成分，和/或现有食谱中的成分)，包括稠度、质地、风味、味道、颜色、保质期、对热的响应等。在一些实施例中，食谱生成器比较候选成分的特性与现有食物食谱中原始成分的特性。如果食谱生成器发现(一种或多种)候选成分与(一种
或多种)原始成分之间的匹配、相似性和/或互补特性，那么食谱生成器可以改编、修改、改进或以其它方式使用现有食谱来生成新食谱。在一些实施例中，食谱生成器可以例如比较(一种或多种)候选成分的成分排名与(一种或多种)原始成分的成分排名。在一些实施例中，响应于候选成分具有比原始成分更高的成分排名，和/或响应于候选成分具有与原始成分匹配(或相似)的至少一个食物特性，食谱生成器用候选成分代替原始成分。
51.食谱生成器根据食物成分的排名和现有食谱来生成目标食物产品的新食谱(430)。食谱生成器可以在新食谱中结合食物成分中一种或多种选定的成分(例如，排名/候选成分)。在一些实施例中，与排名低于第一食物成分的排名的第二食物成分相比，食谱生成器具有更高的可能性结合第一食物成分作为选定的食物成分。在一些实施例中，选定的成分包括具有比所有其它排名成分更高的排名的成分。在一些实施例中，选定的成分包括排名低于排名成分中所包括的至少一种成分的排名的成分。食谱生成器可以生成一个或多个新食谱。每个新食谱都可以包括或指定对应的成分(例如，成分的名称、数量、形式或制备方式(例如，粉状、磨碎、切丁、干燥、制成泥、煮沸、浓缩、溶解、稀释))、制备/烹饪过程、顺序或步骤，和/或准备/烹饪条件或微气候(例如，温度水平、湿度、适用的持续时间)。
52.在一些实施例中，食谱生成器基于新食谱和成分特性数据为新食谱生成营养描述(例如，营养标签或其它描述)。在一些实施例中，食谱生成器确定新食谱的成分、根据新食谱的目标食物产品的份量以及每份目标食物产品中每种成分的量。
53.食谱生成器可以确定目标食物产品中的营养素(例如，营养组分，诸如维生素、矿物质、盐/钠、胆固醇、碳水化合物、脂肪、蛋白质、纤维、氨基酸等)。食谱生成器可以确定一份目标食物产品中每种营养素的总量，并可以经由重量(例如，毫克)指示对应营养素的存在或营养贡献、对一份的贡献(例如，营养素相对于一份的总重量的重量百分比)、推荐的每日消费量的百分比，或它们的任意组合。食谱生成器可以根据任何前述信息来生成营养描述。
54.根据本文描述的实施例，食谱生成器可以使用成分(例如，由于基于健康的特征、成本、流行度和/或其它因素而选择或优选)的经过整理(例如，过滤和/或排名)的列表来促进新食谱的快速开发和/或原型化，并且还可以自动和/或方便地提供每个新食谱的对应营养描述(例如，以促进审查、评估和/或满足产品标签化要求)。
55.本文描述的各种操作可以在计算机系统上实现。图5示出了可用于实现本公开的代表性计算系统514的框图。在一些实施例中，系统100由计算系统514实现。计算系统514可以被实现为例如消费者设备，诸如智能电话、其它移动电话、平板计算机、可穿戴计算设备(例如，智能手表、眼镜、头戴式显示器)、台式计算机、膝上型计算机、云计算服务，或使用分布式计算设备实现。在一些实施例中，计算系统514可以包括计算机组件，诸如处理器516、存储设备518、网络接口520、用户输入设备522和用户输出设备524。
56.网络接口520可以提供到广域网(例如，互联网)的连接，远程服务器系统的wan接口也连接到该广域网。网络接口520可以包括有线接口(例如，以太网)和/或实现各种rf数据通信标准(诸如wi
‑
fi、蓝牙或蜂窝数据网络标准(例如，3g、4g、5g、60ghz、lte等))的无线接口。
57.用户输入设备522可以包括用户可以经由其向计算系统514提供信号的任何设备(或多个设备)；计算系统514可以将信号解释为指示特定用户请求或信息。用户输入设备
522可以包括键盘、触摸板、触摸屏、鼠标或其它定点设备、滚轮、点击轮、拨盘、按钮、开关、小键盘、麦克风、传感器(例如，运动传感器、眼睛跟踪传感器等)，等等。
58.用户输出设备524可以包括计算系统514可以经由其向用户提供信息的任何设备。例如，用户输出设备524可以包括显示器，以显示由计算系统514生成或递送给计算系统514的图像。显示器可以结合各种图像生成技术，例如，液晶显示器(lcd)、包括有机发光二极管(oled)的发光二极管(led)、投影系统、阴极射线管(crt)等，以及支持电子器件(例如，数模或模数转换器、信号处理器等)。可以使用同时用作输入和输出设备的设备(诸如触摸屏)。还可以提供除显示器之外或代替显示器的输出设备524。示例包括指示灯、扬声器、触觉“显示”设备、打印机等。
59.一些实施方式包括电子组件，诸如微处理器、将计算机程序指令存储在非暂态计算机可读存储介质中的存储装置和存储器。本说明书中描述的许多特征可以被实现为被指定为在计算机可读存储介质上编码的程序指令集合的处理。当这些程序指令由一个或多个处理器执行时，它们使处理器执行程序指令中指示的各种操作。程序指令或计算机代码的示例包括机器代码(诸如由编译器生成的)，以及文件，包括由计算机、电子部件或微处理器使用解释器执行的高级代码。通过适当的编程，处理器516可以为计算系统514提供各种功能，包括本文描述为由服务器或客户端执行的任何功能，或者与消息管理服务相关联的其它功能。
60.将认识到的是，计算系统514是说明性的，并且各种变化和修改是可能的。结合本公开使用的计算机系统可以具有这里未具体描述的其它能力。另外，虽然参考特定方框描述了计算系统514，但是应该理解的是，这些方框是为了便于描述而定义的，并且不旨在暗示组成部分的特定物理布置。例如，不同的方框可以位于同一设施中、同一服务器机架中或同一主板上。另外，这些方框不需要与物理上不同的组件对应。方框可以被配置为执行各种操作，例如，通过对处理器进行编程或提供适当的控制电路系统，并且取决于如何获得初始配置，各种分开可以或可以不是可重构的。可以在包括使用电路系统和软件的任何组合实现的电子设备的各种装置中实现本公开的实施方式。
61.现在已经描述了一些说明性的实施方式，很明显，前述内容是说明性的而不是限制性的，是通过示例的方式给出的。特别地，虽然本文呈现的许多示例涉及方法动作或系统元素的特定组合，但是可以以其它方式组合那些动作和那些元素以实现相同的目标。结合一个实施方式所讨论的动作、元素和特征并不旨在被排除在其它一个或霍格实施方式中的类似角色之外。
62.在一些实施例中，排名引擎120、特征提取器130、标签引擎140、神经网络210、神经网络训练器260或其任何组合是在硬件、软件或其组合上实现的。用于实现结合本文公开的实施例描述的各种过程、操作、说明性逻辑、逻辑分开、模块和电路的硬件和数据处理组件可以用被设计用于执行本文描述的功能的神经网络芯片、通用的单或多芯片处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑设备、离散门或晶体管逻辑、离散硬件组件或其任何组合来实现或执行。通用处理器可以是微处理器，或者是任何常规处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，诸如dsp和微处理器的组合、多个微处理器、与dsp核心结合的一个或多个微处理器，或任何其它这样的配置。在一些实施例中，特定过程和方法可以由特定于给定功能的
电路系统执行。存储器(例如，存储器、存储器单元、存储设备等)可以包括一个或多个用于存储用于完成或促进本公开中描述的各种过程、层和模块的数据和/或计算机代码的设备(例如，ram、rom、闪存、硬盘存储装置等)。存储器可以是或包括易失性存储器或非易失性存储器，并且可以包括数据库组件、目标代码组件、脚本组件或用于支持本公开中描述的各种活动和信息结构的任何其它类型的信息结构。根据示例性实施例，存储器经由处理电路可通信地连接到处理器，并且包括用于执行(例如，由处理电路和/或处理器)本文描述的一个或多个过程的计算机代码。
63.本公开内容设想了用于完成各种操作的方法、系统和任何机器可读介质上的程序产品。本公开的实施例可以使用现有的计算机处理器来实现，或者由为此目的或其它目的而被结合的用于适当系统的专用计算机处理器来实现，或者通过硬连线系统来实现。本公开范围内的实施例包括程序产品，该程序产品包括用于携带或具有存储在其上的机器可执行指令或数据结构的机器可读介质。这样的机器可读介质可以是可以由通用或专用计算机或具有处理器的其它机器访问的任何可用介质。举例来说，这样的机器可读介质可以包括ram、rom、eprom、eeprom或其它光盘存储装置、磁盘存储装置或其它磁性存储设备，或者可以被用于以机器可执行指令或数据结构的形式携带或存储期望程序代码并且可以由通用或专用计算机或其它具有处理器的机器访问的任何其它介质。以上的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机器执行特定功能或功能组的指令和数据。
64.本文使用的措词和术语是出于描述的目的，并且不应当被认为是限制性的。本文中“包括”、“包含”、“具有”、“涉及”、“特征在于”及其变体的使用意在涵盖其后列出的项目、其等同物以及附加项目，以及仅由其后列出的项目组成的替代实施方式。在一个实施方式中，本文描述的系统和方法由一个、多于一个的每种组合或全部所描述的元素、动作或组件组成。
65.本文中以单数形式提及的系统或方法的实施方式或元素或动作的任何引用也可以涵盖包括多个这些元素的实施方式，并且本文中对任何实施方式或元素或动作的复数形式的任何引用也可以涵盖仅包括单个元素的实施方式。单数或复数形式的引用无意于将当前公开的系统或方法、它们的组件、动作或元素限制到单个或多个配置。对基于任何信息、动作或元素的任何动作或元素的引用可以包括其中该行为或元素至少部分基于任何信息动作或元素的实施方式。
66.本文公开的任何实施方式都可以与任何其它实施方式或实施例组合，并且对“实施方式”、“一些实施方式”、“一个实施方式”等的引用不一定是互斥的，并且旨在指示结合实施方式描述的特定特征、结构或特点可以包括在至少一个实施方式或实施例中。如本文所使用的此类术语不一定全部指代相同的实施方式。任何实施方式都可以以与本文公开的方面和实施方式一致的任何方式与任何其它实施方式(包括性地或排他性地)组合。
67.在附图、详细描述或任何权利要求中的技术特征之后是附图标记的地方，已经包括了附图标记以增加附图、详细描述和权利要求的可理解性。因而，附图标记或它们的不存在对任何权利要求元素的范围没有任何限制作用。除非另外定义，否则本文中使用的技术和科学术语具有本领域普通技术人员通常理解的含义。本领域普通技术人员已知的任何合适的材料和/或方法可以被用于执行本文描述的方法。
68.在不脱离其特点的情况下，本文中描述的系统和方法可以以其它特定形式来实施。如本文所使用的，“近似”、“大约”、“基本上”或其它程度术语将被本领域普通技术人员理解，并且将在使用它的上下文中在一定程度上变化。如果使用的术语在给定使用上下文的情况下对于本领域普通技术人员而言尚不清楚，那么除非另有明确说明，否则对“近似”、“大约”、“基本上”或其它程度术语的引用应包括与给定的测量值、单位或范围的 /
‑
10％的变化。
69.耦合的元件可以直接地彼此电、机械或物理耦合，或具有中间元件。因此，本文描述的系统和方法的范围由所附权利要求而不是前述描述来指示，并且在权利要求的等同含义和范围内的改变被涵盖在其中。
70.术语“耦合”及其变型包括两个构件彼此直接或间接地联接。这样的联接可以是静止的(例如，永久的或固定的)或可移动的(例如，可移除的或可释放的)。可以通过将两个构件直接彼此耦合、使用单独的中间构件将两个构件彼此耦合以及将任何附加中间构件彼此耦合或者通过使用与两个构件之一一体形成为单个整体的中间构件将两个构件彼此耦合而实现这种联接。如果通过附加术语(例如，直接耦合)对“耦合”或其变型进行修改，那么以上提供的“耦合”的通用定义将通过附加术语的简单语言含义进行修改(例如，“直接耦合”是指两个构件的联接，而没有任何单独的介入构件)，从而导致比上面提供的“耦合”的通用定义更窄的定义。这样的耦合可以是机械的、电的或流体的。
71.对“或”的引用可以被解释为包括性的，使得使用“或”描述的任何术语可以指示单个、多于一个和全部所描述术语中的任何一个。对
“‘
a’和
‘
b’中的至少一个”的引用可以包括仅
‘
a’、仅
‘
b’以及
‘
a’和
‘
b’。与“包括”或其它开放式术语结合使用的此类引用可以包括附加项目。
72.可以进行所描述的元件和动作的修改，诸如各种元件的尺寸、维度、结构、形状和比例、参数的值、安装布置、材料的使用、颜色、朝向的变化，而不会实质性地偏离本文公开的主题的教导和优点。例如，示为整体形成的元件可以由多个部分或元件构成，元件的位置可以颠倒或以其它方式改变，并且离散元件的性质或数量或位置可以更改或变化。在不脱离本公开的范围的情况下，还可以在所公开的元件和操作的设计、操作条件和布置中进行其它替换、修改、改变和省略。
73.本文中对元件的位置(例如，“顶部”、“底部”、“上方”、“下方”)的引用仅用于描述附图中各个元件的朝向。根据其它示例性实施例，各种元件的朝向可以不同，并且这样的变化旨在被本公开所涵盖。
74.****
75.虽然已经图示和描述了某些实施例，但是应当理解的是，可以根据本领域普通技术在其中进行改变和修改，而不会在如所附权利要求书中限定的更广泛的范围内偏离本技术。
76.本文说明性地描述的实施例可以在不存在本文未具体公开的任何一个或多个元素、一个或多个限制的情况下适当地实践。因此，例如，术语“包括”、“包含”等应被广泛地理解并且没有限制。此外，本文采用的术语和表达方式已被用作描述性术语，而不是限制性的，并且不旨在使用这些术语和表达方式来排除所示出和描述的特征或其部分的任何等同形式，但是应当认识到的是，在要求保护的技术的范围内可以进行各种修改。此外，短语“基
本上由
……
组成”将被理解为包括具体叙述的那些元素和不会实质性地影响要求保护的技术的基本和新颖特征的那些附加元素。短语“由
……
组成”不包括未指定的任何元素。
77.本公开不限于本技术中描述的特定实施例。如本领域技术人员将显而易见的，可以在不脱离其精神和范围的情况下进行许多修改和变型。根据本文的描述，除了本文列举的功能和方法之外，本公开范围内的功能等效的方法和组合物对于本领域技术人员而言是显而易见的。这样的修改和变化旨在落入所附权利要求的范围内。本公开仅由所附权利要求的术语以及这些权利要求所赋予的等同物的全部范围来限制。应该理解的是，本公开不限于特定的方法，其当然可以变化。还应该理解的是，本文使用的术语仅出于描述特定实施例的目的，而无意于进行限制。
78.此外，在根据markush组描述本公开的特征或方面的情况下，本领域技术人员将认识到的是，由此也根据markush组的任何单个成员或成员的子组描述本公开。
79.如本领域技术人员将理解的，出于任何目的和所有目的，特别是在提供书面描述方面，本文公开的所有范围还涵盖任何和所有可能的子范围及其子范围的组合，包括端点。任何列出的范围都可以被容易地识别为充分描述并且使得能够将相同范围分解成至少相等的一半、三分之二、四分之一、五分之一、十分之几等。作为非限制性示例，可以容易地将本文讨论的每个范围分解成低三分之一、中间三分之一和高三分之一，等等。如本领域技术人员还将理解的，所有语言(诸如“最多”、“至少”、“大于”、“小于”、等等)包括所列举的数字，并且是指可以随后被分解成上面讨论的子范围的范围。最后，如本领域技术人员将理解的，范围包括每个单独的成员。
80.本说明书中引用的所有出版物、专利申请、已发布的专利和其它文件都通过引用并入本文，就好像每个单独的出版物、专利申请、已发布的专利或其它文件都被明确且单独地指示为通过引用整体并入。在与本公开中的定义相抵触的程度上，排除通过引用并入的文本中包含的定义。
81.在所附权利要求中阐述了其它实施例。