CN109871530B - 一种菜谱领域种子词自动提取实现方法及存储介质 - Google Patents
一种菜谱领域种子词自动提取实现方法及存储介质 Download PDFInfo
- Publication number
- CN109871530B CN109871530B CN201811624571.7A CN201811624571A CN109871530B CN 109871530 B CN109871530 B CN 109871530B CN 201811624571 A CN201811624571 A CN 201811624571A CN 109871530 B CN109871530 B CN 109871530B
- Authority
- CN
- China
- Prior art keywords
- document
- seed words
- field
- word
- synonyms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000003756 stirring Methods 0.000 description 9
- 239000004615 ingredient Substances 0.000 description 7
- 241000251468 Actinopterygii Species 0.000 description 5
- 244000061456 Solanum tuberosum Species 0.000 description 5
- 235000002595 Solanum tuberosum Nutrition 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 235000013555 soy sauce Nutrition 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000010025 steaming Methods 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 240000002234 Allium sativum Species 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241000237502 Ostreidae Species 0.000 description 1
- 206010034203 Pectus Carinatum Diseases 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000252132 Pleurotus eryngii Species 0.000 description 1
- 235000001681 Pleurotus eryngii Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 244000273928 Zingiber officinale Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 235000004611 garlic Nutrition 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- LPUQAYUQRXPFSQ-DFWYDOINSA-M monosodium L-glutamate Chemical compound [Na+].[O-]C(=O)[C@@H](N)CCC(O)=O LPUQAYUQRXPFSQ-DFWYDOINSA-M 0.000 description 1
- 235000013923 monosodium glutamate Nutrition 0.000 description 1
- 239000004223 monosodium glutamate Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000020636 oyster Nutrition 0.000 description 1
- NEGYEDYHPHMHGK-UHFFFAOYSA-N para-methoxyamphetamine Chemical compound COC1=CC=C(CC(C)N)C=C1 NEGYEDYHPHMHGK-UHFFFAOYSA-N 0.000 description 1
- 238000005554 pickling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 235000019991 rice wine Nutrition 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了一种菜谱领域种子词自动提取实现方法及存储介质，包括以下步骤：获取菜谱数据；建立基于词向量和文档向量的语义模型；预先定义菜谱领域种子词，并将所述领域种子词输入所述语义模型中，得到各领域种子词的同组同义词。本发明通过建立语义模型，预先定义菜谱领域种子词，并将所述领域种子词输入所述语义模型中，得到各领域种子词的同组同义词，通过程序算法的自动处理，加快对领域种子词的快速提取，省去了大量的人工标注，并成功应用到菜谱领域中去；在省去大量的人力成本和时间的同时，为下游的语义理解服务提供更快更多的数据源。
Description
技术领域
本发明涉及智能厨房的人工交互领域，具体涉及一种菜谱领域种子词自动提取实现方法及存储介质。
背景技术
现智能厨房大都涉及到人工交互领域，当前主要是讲的机器人要能够理解用户的语言——也就是自然语言理解。第二方面就是答得出，就是说在听懂的基础上，能够给出最准确的答案，需要有一个庞大的语料做储备，或者说答案做储备。
自然语言理解部分离不开对数据的深度处理，尤其是对特定垂直领域种子词的清洗和提取。而这些清洗和提取的工作涉及到大量的人工，对于大的数据量来说，这必定是一个耗时耗力的过程。
发明内容
鉴于以上技术问题，本发明的目的在于提供一种菜谱领域种子词自动提取实现方法及介质，解决自然语言理解部分对数据的深度处理时需要大量的人工的问题，并应用到菜谱领域中。
本发明采用以下技术方案：
一种菜谱领域种子词自动提取实现方法，包括以下步骤：
获取菜谱数据；建立基于词向量和文档向量的语义模型；
预先定义菜谱领域种子词，并将所述领域种子词输入所述语义模型中，得到各领域种子词的同组同义词。
进一步的，还包括以下步骤：
对各领域种子词的同组同义词进行词性剔除；基于菜谱数据通过条件概率方法，识别所述各领域种子词的同组同义词的词性，将各领域种子词的同组同义词中某些词性不同于该领域种子词的词性的同义词剔除，得到各领域种子词进行词性剔除后的同组同义词。
进一步的，所述建立基于词向量和文档向量的语义模型的步骤具体包括：
以大量菜谱数据作为训练样本，将菜谱数据中的文档进行分词处理，得到分词处理后的词和文档；
对分词处理后的词和文档进行训练，得到基于分词、词向量和文档向量建立的语义模型。
进一步的，将分词处理后的词和文档进行训练的步骤包括：将分词处理后的词和文档转换为向量空间的向量；通过余弦定理计算各向量之间的相似度，并将与某分词或文档相似度高的向量对应的分词或文档归为该分词或文档的同组同义词。
进一步的，通过jieba中文分词组件或hanlp汉语言处理组件对菜谱数据中的文档进行分词处理。
进一步的，通过开源工具gensim自然语言处理器工具对分词处理后的词和文档进行训练。
进一步的，所述预先定义菜谱领域种子词的类型至少为以下类型中的一种：
制作流程、厨具、材料、配料。
进一步的，将得到各领域种子词进行词性剔除后的同组同义词存入数据库，以语义理解服务和推荐服务根据各领域种子词的同组同义词进行语义理解和推荐服务。
一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时，实现上述的菜谱领域种子词自动提取实现方法。
相比现有技术，本发明的有益效果在于：
本发明通过建立语义模型，预先定义菜谱领域种子词，并将所述领域种子词输入所述语义模型中，得到各领域种子词的同组同义词，通过程序算法的自动处理，加快对领域种子词的快速提取，省去了大量的人工标注，并成功应用到菜谱领域中去。在省去大量的人力成本和时间的同时，为下游的语义理解服务提供更快更多的数据源。进一步的，将得到各领域种子词进行词性剔除后的同组同义词存入数据库，以语义理解服务和推荐服务根据各领域种子词的同组同义词进行语义理解和推荐服务。
附图说明
图1为本发明菜谱领域种子词自动提取实现方法的流程示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例：
实施例：
请参考图1所示，一种菜谱领域种子词自动提取实现方法，包括以下步骤：
步骤S100:获取菜谱数据；
优选的，菜谱数据可采用爬虫技术获取，用于获取大量的可用数据，但不限于爬虫技术获取，例如，还可通过人工维护录入数据：第三方开放平台接口获取数据等方式获取菜谱数据。
步骤S200:建立基于词向量和文档向量的语义模型；
具体的，所述建立基于词向量和文档向量的语义模型的步骤具体包括：
以大量菜谱数据作为训练样本，将菜谱数据中的文档进行分词处理，得到分词处理后的词和文档；
对分词处理后的词和文档进行训练，得到基于分词、词向量和文档向量建立的语义模型。
具体的，将分词处理后的词和文档进行训练的步骤包括：将分词处理后的词和文档转换为向量空间的向量；通过余弦定理计算各向量之间的相似度，并将与某分词或文档相似度高的向量对应的分词或文档归为该分词或文档的同组同义词。
分词、词向量算法及文档向量算法用于自动获取词与词之前的语义距离，优选的，可通过jieba中文分词组件或hanlp汉语言处理组件对菜谱数据中的文档进行分词处理。通过开源工具gensim自然语言处理器工具对分词处理后的词和文档进行训练。
步骤S300:预先定义菜谱领域种子词，并将所述领域种子词输入所述语义模型中，得到各领域种子词的同组同义词；
所述预先定义菜谱领域种子词的类型至少为以下类型中的一种：制作流程、厨具、材料、配料等。当然，这里预先定义菜谱领域种子词的类型不限于上述类型，不一一进行举例。
领域种子词是第一批人工挑选的词汇，可包含不同词性的部分词，如“蒸”、“搅拌“、“菜碟“等。
步骤S400:对各领域种子词的同组同义词进行词性剔除；基于菜谱数据通过条件概率方法，识别所述各领域种子词的同组同义词的词性，将各领域种子词的同组同义词中某些词性不同于该领域种子词的词性的同义词剔除，得到各领域种子词进行词性剔除后的同组同义词。
通过条件概率统计，用于对自动提取的领域种子词做进一步的刷选和处理，剔除某些词性不同于该领域种子词的词性的同义词。
本发明通过程序算法的自动处理，加快了对领域种子词的快速提取，省去大量的人力成本和时间，为下游的语义理解服务提供更快更多的数据源。
具体的，将得到各领域种子词进行词性剔除后的同组同义词存入数据库，以语义理解服务和推荐服务根据各领域种子词的同组同义词进行语义理解和推荐服务。
具体实施例如下：
步骤S1000、获取大量的菜谱数据，具体的，从数据库中加载文档数据，并将文档数据整理成单个的句子；然后，利用开源工具包jieba中文分词组件或hanlp汉语言处理组件对文档数据进行分词；
所述jieba中文分词组件或hanlp汉语言处理组件能支持三种分词模式：精确模式，试图将句子最精确地切开，适合文本分析；全模式，把句子中所有的可以成词的词语都扫描出来；搜索引擎模式，在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。
分词过程如下：“广东菜的口味一般比较清淡“->“广东菜”，“的”,“口味”，”一般“，”比较“，“清淡”
“鱼煎炸至微黄便可起锅”->”鱼”,“煎炸”,“至”,“微黄”,“便”,”可”,“起锅”
步骤S2000：利用开源工具gensim自然语言处理器工具，进行词向量和文档向量的训练。注：词向量和文档向量为当前NLP(自然语言理解)中两种成熟的向量模型，通过将词和文档转换为向量空间的向量，通过余弦定理计算向量直接的相似度，从而得到词与词之间的相似度；
具体的，在文本挖掘中，对文档A分词，得到A1,A2,….An,计算得到分词的Tf-Idf:k1,k2,…kn；同样对文档C分词，得到C1,C2…Cn,计算得到分词的Tf-Idf:d1,d2,…dn。以tf-idf作为分词的权重，则得到文档A的向量P＝{k1A1,k2A2…knAn},转换为P＝{x1,x2,…Xn}，文档C的向量Z＝{d1C1,d2C2…dnCn},转换为Z＝{y1,y2….yn}，计算文档A和C的相似度就是在向量空间模型中计算它们余弦值。
在空间模型中，两条线的夹角越小，它们的余弦值就越大，而它们越相似(重叠或者平行)。
例如：“起锅“，和“出锅”的向量相似度为0.8285461664199829，和“盛出”的向量相似度为0.6366856098175049等)。开源工具gensim提供了词向量和文档向量的训练接口，具体的，如下：
model＝load_model(model_path)
model.build_vocab(sens,update＝True)
model.train(sens,total_examples＝len(sens),epochs＝1)
model.save(modelfp)
步骤S3000:查找领域种子词的同义词；
预先定义并编辑菜谱领域种子词，如：关于制作方法的种子词：搅,爆,煸炒,焖,焙,榨取,凉拌,烘培,清炖,爆炒,腌,清蒸,捞,剥,煨,煲,煸,酿；
关于制作流程的种子词：起锅，点火，下锅；
关于厨具的种子词：锅，铲，水盆，碗柜，拖把；
关于材料的种子词：土豆，番茄，番薯，鱼；
关于配料的种子词：酱油，姜，葱，蒜；
……
将种子词送入步骤S200训练出来的语义模型，可以得出每个词对应的同义词。如：
“煸炒””对应的同义词为：翻炒,爆炒,煎炒,煸,炒,翻抄,炒香,翻遍,炒制,炒软；
“搅”对应的同义词为：搅和,搅打,搅拌,抽打,搅合,搅动,打搅,打,翻搅,搅到；
“起锅”对应的同义词为：出锅,盛出,关火,乘出,出勺,盛盘,盛起,起油锅,装起,熄火；
“锅”对应的同义词为：炒锅,锅子,炒勺,净锅,平锅,另锅,煎锅,平底锅,小锅,炒菜；
“土豆”对应的同义词为：茄子,杏鲍菇,小土豆,胡萝卜,马铃薯,豆角,鸡腿,鸡肉,土豆块,鸡胸肉；
“酱油”对应的同义词为：生抽,蚝油,味极鲜,老抽,鸡精,味精,耗油,花雕酒,鸡粉,味达美。
步骤S4000:通过条件概率统计，识别所述每组同义词的词性，并剔除词性不合理的同义词；
如从步骤S300中得出“锅”的同义词为：炒锅,锅子,炒勺,净锅,平锅,另锅,煎锅,平底锅,小锅,炒菜，基于条件概率统计，可以发现，炒菜为动词，锅为名称，故将炒菜从“锅”的同义词中剔除。
步骤S500:将剔除不合理的同义词后的同组同义词存入数据库，供下游语义理解和推荐服务使用；
如用户问句：“蒸鱼要放哪些配料”，通过本发明的方法对同类领域种子词进行提取并保存后，可得知，“蒸鱼要放哪些配料”可以理解为:蒸(制作方法)+鱼(材料)+配料；
这样，语义理解服务可迅速从配料中获取需要搭配的配料。推荐服务可从制作方法，材料等进行类似菜谱推荐。
本发明还提供一种计算机存储介质，其上存储有计算机程序，本发明的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在该计算机存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机存储介质不包括电载波信号和电信信号。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (3)
1.一种菜谱领域种子词自动提取实现方法，其特征在于，包括以下步骤：
获取菜谱数据，菜谱数据采用爬虫技术获取；
建立基于词向量和文档向量的语义模型；
预先定义菜谱领域种子词，并将所述领域种子词输入所述语义模型中，得到各领域种子词的同组同义词；
对各领域种子词的同组同义词进行词性剔除；基于菜谱数据通过条件概率方法，识别所述各领域种子词的同组同义词的词性，将各领域种子词的同组同义词中某些词性不同于该领域种子词的词性的同义词剔除，得到各领域种子词进行词性剔除后的同组同义词；
所述建立基于词向量和文档向量的语义模型的步骤具体包括：
以菜谱数据作为训练样本，将菜谱数据中的文档进行分词处理，得到分词处理后的词和文档；
对分词处理后的词和文档进行训练，得到基于分词、词向量和文档向量建立的语义模型；
其中通过开源工具gensim自然语言处理器工具对分词处理后的词和文档进行训练；
对分词处理后的词和文档进行训练的步骤包括：将分词处理后的词和文档转换为向量空间的向量；通过余弦定理计算各向量之间的相似度，并将与分词或文档相似度高的向量对应的分词或文档归为该分词或文档的同组同义词；具体为：对文档A分词，得A1 ,A2 ,….An ,计算得到分词的Tf-Idf:k1 ,k2 ,…kn；同样对文档C分词，得到C1 ,C2…Cn ,计算得到分词的Tf-Idf:d1 ,d2 ,…dn，以tf-idf作为分词的权重，则得到文档A的向量P＝{k1A1,k2A2…knAn} ,转换为P＝{x1 ,x2,…Xn}，文档C的向量Z＝{d1C1 ,d2C2…dnCn},转换为Z＝{y1 ,y2… .yn}，计算文档A和C的相似度就是在向量空间模型中计算它们余弦值；
将得到各领域种子词进行词性剔除后的同组同义词存入数据库，以根据各领域种子词的同组同义词进行语义理解和推荐服务。
2.根据权利要求1所述的菜谱领域种子词自动提取实现方法，其特征在于，通过jieba中文分词组件或hanlp汉语言处理组件对菜谱数据中的文档进行分词处理。
3.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时，实现如权利要求1-2任一项所述的菜谱领域种子词自动提取实现方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811624571.7A CN109871530B (zh) | 2018-12-28 | 2018-12-28 | 一种菜谱领域种子词自动提取实现方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811624571.7A CN109871530B (zh) | 2018-12-28 | 2018-12-28 | 一种菜谱领域种子词自动提取实现方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109871530A CN109871530A (zh) | 2019-06-11 |
| CN109871530B true CN109871530B (zh) | 2023-10-31 |
Family
ID=66917312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811624571.7A Active CN109871530B (zh) | 2018-12-28 | 2018-12-28 | 一种菜谱领域种子词自动提取实现方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109871530B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391963A (zh) * | 2014-12-01 | 2015-03-04 | 北京中科创益科技有限公司 | 一种自然语言文本关键词关联网络构建方法 |
| CN106649783A (zh) * | 2016-12-28 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 一种同义词挖掘方法和装置 |
-
2018
- 2018-12-28 CN CN201811624571.7A patent/CN109871530B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391963A (zh) * | 2014-12-01 | 2015-03-04 | 北京中科创益科技有限公司 | 一种自然语言文本关键词关联网络构建方法 |
| CN106649783A (zh) * | 2016-12-28 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 一种同义词挖掘方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109871530A (zh) | 2019-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paulius et al. | Functional object-oriented network: Construction & expansion | |
| US10942932B2 (en) | System and method for grading and scoring food | |
| CN110597969B (zh) | 一种农业知识智能问答方法、系统以及电子设备 | |
| CN101739434A (zh) | 基于多层流程图组织对话语料的自然语言问答方法 | |
| Chandu et al. | Storyboarding of recipes: grounded contextual generation | |
| Xu et al. | A benchmark for structured procedural knowledge extraction from cooking videos | |
| KR20180017596A (ko) | 창작 레시피 생성방법 | |
| Xie et al. | Learning joint embedding with modality alignments for cross-modal retrieval of recipes and food images | |
| JP2019045902A (ja) | 情報処理システム、方法、およびプログラム | |
| Batista et al. | Ontology construction: cooking domain | |
| CN107273501B (zh) | 语料生成方法及系统、智能设备和计算机装置 | |
| CN109871530B (zh) | 一种菜谱领域种子词自动提取实现方法及存储介质 | |
| CN118193523A (zh) | 一种基于烹饪ai大模型和rag系统的智能烹饪方法及其智能烹饪装置 | |
| Jervis et al. | Cuisine and conquest: interdisciplinary perspectives on food, continuity and change in 11th-century England and beyond | |
| Amano et al. | Food category representatives: Extracting categories from meal names in food recordings and recipe data | |
| Yamanishi et al. | Alternative-ingredient recommendation based on co-occurrence relation on recipe database | |
| Cunningham et al. | An analysis of cooking queries: implications for supporting leisure cooking | |
| AU2019230135A1 (en) | System and method for grading and scoring food | |
| CN116561291A (zh) | 基于自然语言智能转化模型的智能推荐方法和系统 | |
| Nagarajan et al. | Step Differences in Instructional Video | |
| Tachibana et al. | Extraction of naming concepts based on modifiers in recipe titles | |
| Petković et al. | DIETHUB: Dietary habits analysis through understanding the content of recipes | |
| KR102528857B1 (ko) | 자연어 처리 기반의 디지털 레시피 생성 시스템 | |
| Lim et al. | Explainable artificial intelligence in oriental food recognition using convolutional neural network | |
| Pehlic et al. | Deep transfer learning for food recognition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |