Hệ thống Gợi ý Thực đơn Nhà hàng

Mục tiêu dự án

Xây dựng hệ thống gợi ý thực đơn nhà hàng cá nhân hóa sử dụng Machine Learning, giúp khách hàng tìm được món ăn phù hợp với sở thích của mình.

Tính năng chính

Quy trình xử lý dữ liệu

• Thu thập dữ liệu: Sử dụng dataset từ Kaggle (RAW_recipes.csv, RAW_interactions.csv)
• Làm sạch dữ liệu: Loại bỏ outliers, xử lý missing values, chuẩn hóa định dạng
• Tạo features: Thời gian nấu, calories, số nguyên liệu, phân loại theo mùa

Machine Learning

• Phân cụm K-Means: Nhóm món ăn theo đặc điểm tương tự
• Luật kết hợp Apriori: Tìm mối quan hệ giữa các món ăn
• Phân tích theo mùa: Xu hướng món ăn theo thời gian

Giao diện người dùng

• Streamlit Web App: Giao diện thân thiện, dễ sử dụng
• Gợi ý cá nhân hóa: Dựa trên lịch sử đánh giá của user
• Phân tích trực quan: Biểu đồ, heatmap, metrics

🏗️ Cấu trúc dự án

Recommend_Food/
├── data/                          # Dữ liệu
│   ├── RAW_recipes.csv           # Dữ liệu gốc từ Kaggle
│   ├── RAW_interactions.csv      # Lịch sử tương tác
│   ├── cleaned_data.csv          # Dữ liệu đã làm sạch
│   ├── clustered_data.csv        # Dữ liệu sau phân cụm
│   ├── association_rules.csv     # Luật kết hợp
│   ├── seasonal_trends.csv       # Xu hướng theo mùa
│   └── menu.csv                  # Thực đơn cuối cùng
├── src/                          # Mã nguồn
│   ├── data_processing.py        # Xử lý dữ liệu
│   ├── recommender.py           # Hệ thống gợi ý
│   ├── check_data.py            # Kiểm tra dữ liệu
|   ├── nlp_processor.py               # Module xử lý ngôn ngữ tự nhiên (NLP)
|   ├── chatbot.py                     # Module chatbot tích hợp với giao diện web
│   └── app.py                   # Ứng dụng Streamlit
├── tests/                        # Unit tests
│   ├── test_chatbot.py
│   ├── test_data_processing.py
│   └── test_recommender.py
├── requirements.txt              # Dependencies
└── README.md                     # Tài liệu

Cách sử dụng

1. Cài đặt dependencies

pip install -r requirements.txt

2. Chuẩn bị dữ liệu

• Tải dataset từ Kaggle và đặt vào thư mục data/
• Đảm bảo có file RAW_recipes.csv và RAW_interactions.csv

3. Xử lý dữ liệu

cd src
python data_processing.py

4. Tạo model

python recommender.py

5. Kiểm tra dữ liệu

python check_data.py

6. Chạy ứng dụng

streamlit run app.py

🔧 Các thành phần chính

DataProcessor (data_processing.py)

• Làm sạch dữ liệu recipes và interactions
• Xử lý nutrition, ingredients, time
• Tạo features mới cho ML

RestaurantRecommender (recommender.py)

• Xây dựng user profiles từ lịch sử
• Phân cụm món ăn (K-Means)
• Tìm luật kết hợp (Apriori)
• Phân tích xu hướng theo mùa
• Tạo gợi ý cá nhân hóa

Streamlit App (app.py)

• Giao diện web interactive
• Hiển thị gợi ý cá nhân hóa
• Phân tích dữ liệu trực quan
• Cấu hình tham số

Phương pháp gợi ý

1. Gợi ý dựa trên Cluster

• Phân tích sở thích user theo cluster
• Gợi ý món ăn từ cluster yêu thích

2. Gợi ý dựa trên Association Rules

• Tìm món ăn thường được đánh giá cao cùng nhau
• "Người thích A cũng thích B"

3. Gợi ý theo mùa

• Phân tích xu hướng theo thời gian
• Gợi ý món phù hợp với mùa hiện tại

Testing

Chạy unit tests:

cd tests
python -m pytest test_data_processing.py -v
python -m pytest test_recommender.py -v

Metrics đánh giá

• Coverage: Tỷ lệ món ăn được gợi ý
• Diversity: Đa dạng trong gợi ý
• User Satisfaction: Dựa trên rating feedback
• Seasonal Relevance: Phù hợp với mùa

Giao diện ứng dụng

Trang chính

• Chọn User ID và tham số
• Hiển thị gợi ý cá nhân hóa
• Thông tin chi tiết món ăn

Tab phân tích

• Tổng quan: Metrics và biểu đồ tổng thể
• Phân cụm: Kết quả K-Means clustering
• Xu hướng mùa: Heatmap và phân tích theo thời gian

Hướng phát triển

• [ ] Thêm

Chatbox AI

Bước 1: Cài đặt thư viện

pip install nltk spacy transformers torch fuzzywuzzy python-levenshtein

Bước 2: Download spaCy model

python -m spacy download en_core_web_sm

Bước 3: Tạo các file

1. Tạo src/nlp_processor.py
2. Tạo src/chatbot.py
3. Cập nhật src/app.py
4. Tạo tests/test_chatbot.py

Bước 4: Cập nhật requirements.txt

Thêm các thư viện mới vào requirements.txt

Bước 5: Test

python -m pytest tests/test_chatbot.py -v

Bước 6: Chạy ứng dụng

streamlit run src/app.py '''