[发明专利]一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法

权利要求书

1.一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，其特征在于，包括如下步骤：

步骤一、建立糖尿病患者的饮食偏好特征集合U＝{u₁，u₂，…，u_n}和食物的属性特征集合V＝{v₁，v₂，…，v_m}，记录糖尿病患者饮食，提取偏好特征和食物属性特征，形成糖尿病患者饮食偏好矩阵U∈R^K×M和食物属性特征V∈R^K×N；其中，K＜＜min{M，N}；

步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度；

其中，所述关联度r_ij量化表示为：

式中，N(x|μ，σ²)为均值μ、方差σ²的高斯分布密度函数；观测关联强度的条件概率表示为：

式中，I_ij为指示函数，如果糖尿病患者i对食物j有过行为，则I_ij取值为1，否则取值为0；

步骤三、对所述关联度进行权值分布得到基本分类后，训练数据集更新权值分布，将所有关联度赋予权重进行分类排除不必要的食物，得到最终的如下关联度分类：

式中，G_m(x)为基本分类，α_m为G_m(x)在最终关联度r_ij集合中的重要程度e_m为训练数据集上的分类误差率，提取所有的关联度r_ij分别对应x₁，x₂，…，x_N，形成集合为T＝{(x₁，y₁)，(x₂，y₂)，…，(x_N，y_N)}，y_i为标记集合{+1，-1}，r_ij≠0；

步骤四、根据所述条件概率和所述关联度分类得到所述个性化饮食，表示如下：

2.如权利要求1所述的引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，其特征在于，在所述步骤三中，排除不必要的食物是通过筛选归类过程中排除不符合的关联度，在排除过程中不断减少误差e满足以下条件：

3.如权利要求2所述的引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，其特征在于，在所述步骤三中，进行权值分布时，关联度r_ij开始均赋予相同的权重，均为1/N。

4.如权利要求3所述的引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，其特征在于，在所述步骤三中，更新训练数据集的权值分布使关联度集合特征要不断逼近直接影响糖尿病患者的阈值，在新的权值分布的训练数据集下，用于下一次迭代，包括：

D_m+1＝(w_m+1，1，w_m+1，2，…w_m+1，i…，w_m+1，N)，

式中，Z_m是规范化因子，