Developing a food menu recommender with graph data structure · การพัฒนาระบบแนะน...

การประชมวชาการ SMART LOGISITCS CONFERENCE (SLC) 2018 ครงท 1 “Logistics towards Thailand 4.0”

การพฒนาระบบแนะน าเมนอาหารดวยโครงสรางขอมลกราฟ

Developing a food menu recommender with graph data structure

ศจนธร ทรงสทธเดช1 และ ณกร อนทรพยง2

Suchinthorn Songsittidet1 and Nakorn Indra-payoong2

1 นสตหลกสตรปรชญาดษฎบณฑต คณะโลจสตกส มหาวทยาลยบรพา อเมล [email protected]

2 สงกด คณะโลจสตกส มหาวทยาลยบรพา อเมล [email protected]

บทคดยอ

สภาพการแขงขนทรนแรงของธรกจรานอาหารท าใหการปรบกลยทธการตลาดเปนสงส าคญ การวเคราะหขอมลการสงซอชวยใหรานอาหารสามารถแนะน าเมนอาหารใหแกลกคาไดรวดเรวและตรงความสนใจ การศกษาครงนเปนการทดสอบตวอยางขอมลมวตถประสงคเพอวเคราะหขอมลจากการสงเมนอาหารของลกคาทเขาใชบรการรานอาหารประเภทนงรบประทานสบาย ๆ โดยไมรบเรง (Casual dining) เรารวบรวมขอมลการสงซอของลกคา และวเคราะหความสมพนธจากขอมลการสงซอ โดยประยกตใชเทคนคโครงสรางขอมลแบบกราฟในการแนะน าเมนอาหาร เนองดวยความสมพนธของขอมลนนมความเกยวของเชอมโยงกนอยางซบซอน จากผลการศกษาพบวา การวเคราะหขอมลทมความหลากหลายซงเปนขอมลทมความส าคญตอโอกาสทตรงกบความสนใจของลกคาทสงขนนนสามารถเพมประสทธภาพการแนะน าเมนอาหารบนพนฐานความสนใจของลกคาทเขาใชบรการ การแนะน าเมนอาหารโดยใชโครงสรางขอมลการตดสนใจแบบกราฟน จงเปนแนวทางหนงทชวยรานอาหารใหประสบความส าเรจในสภาพการแขงขนทรนแรง ค าส าคญ: การแนะน าเมน โครงสรางขอมลแบบกราฟ รานอาหารประเภทนงรบประทานแบบสบาย

ABSTRACT With the competitive environment in restaurant business, food order data analytic can help restaurants recommend food menu to their customers responsively and pertinently. This study aims to analyze food ordering data at the casual dining restaurant. We collected data for the study from the frequency of customer orders and then analyzed with a graph-based representation technique for food menu recommendation since the relationships of decision nodes are complex. The results have shown that used various analyzing data are important to the opportunity for the customer's current interests. The development of food menu recommendation

การประชมวชาการ SMART LOGISITCS CONFERENCE (SLC) ครงท 1 “Logistics towards Thailand 4.0”

~ 2 ~

based on graph data structure is the way to find the key success in the intense restaurant business competition. Keywords: Food menu recommendation, Graph-based data structure, Casual dining restaurant

บทน า

การเปลยนแปลงของสภาพเศรษฐกจในปจจบนท าใหวถชวตประชาชนเปลยนไป วถชวตทมความเรงรบจงตองการความสะดวกและรวดเรวในการด าเนนชวต แตดวยสภาวะเศรษฐกจทยงมความไมแนนอนน การรบประทานอาหารนอกบานเกดการชะลอตว โดยลกษณะพฤตกรรมผบรโภคไดเปลยนไปเปนการรบประทานเพยงบางมอหรอเปนลกษณะงานเลยงสงสรรค ท าใหธรกจรานอาหารมการแขงขนกนสง ดงนน รานอาหารจงตองมการพฒนาศกยภาพในการใหบรการเพอรองรบการเปลยนแปลงของผบรโภค จากภาพรวมธรกจรานอาหารในป พ.ศ. 2560 นน มลคาตลาดรวม 390,000 – 397,000 ลานบาท ขยายตว 2 – 4% จากในป พ.ศ. 2559 (ศนยวจยกสกรไทย, 2560) การปรบกลยทธการแขงขน ซงเปาหมายคอการเพมรายไดใหกบธรกจ ไดแก การน าเสนอเมนใหม ๆ การสงเสรมการขาย การใหบรการสงอาหารออนไลน เปนตน เพอสรางความแตกตางดงดดผบรโภค

ทามกลางสภาพการแขงขนทรนแรงน ซงจ านวนธรกจภตตาคาร/รานอาหารเพมขนอยางตอเนองท าใหเกดการกระจายตวของลกคา สงผลถงทศทางของธรกจภตตาคาร/รานอาหารจงมการขยายตว (กรมพฒนาธรกจการคา, 2560) พฤตกรรมผบรโภคทเปลยนไปน จงมการน าเทคโนโลยและนวตกรรมมาใชในธรกจเพอใหเกดการเตบโตและมประสทธภาพในการใหบรการ อกทงเปนการชวยบรหารธรกจดวย ผประกอบการรานอาหารสามารถมโอกาสในการเขาถงพฤตกรรมและรสนยมของผบรโภคอาหารทมความหลากหลาย เพอรองรบการตอบสนองการใหบรการตรงกลมลกคา เนองดวยลกคาทมขอจ ากดทแตกตาง อาทเชน ขอจ ากดดานเวลา ตองการความสะดวกสบาย จงเปนเหตผลใหรานอาหารตองมการปรบกลยทธเพอน าเสนอรปแบบการใหบรการเพอใหเกดความไดเปรยบทางธรกจ การจดการขอมลทถกเกบรวบรวมอยแลวใหเปนประโยชนทงระดบธรกจรานคาและองคกรชวยใหรปแบบและการคาดการณแสดงถงการท างานทมประสทธภาพ สามารถตรวจสอบขอมลทไมปกต โดยเฉพาะการวางแผนและจดการสนคาคงคลงใหดขนได สรางโอกาสทางการคาทอาจเกดขน (Lon-Mu et al., 2001) การศกษาครงนจงตองการน าเสนอการแนะน าเมนอาหารทตรงตามความตองการของลกคากลไกการขบเคลอนของตลาดจะเกดขนเมอคนพบความตองการของลกคาเปนการจดการการตลาดทประสบความส าเรจ (Mamalis, 2009) การคาดการณความตองการของลกคาจงเปนกลยทธทผวจยใหความสนใจ ดวยการใชขอมลการสงซอของลกคามาวเคราะหพฤตกรรมเพอหารปแบบการแนะน าเมนอาหาร


~ 3 ~

วตถประสงคการวจย การศกษาครงนมวตถประสงคเพอศกษาการใชแบบจ าลองการตดสนใจในรปแบบโครงสราง

ขอมลแบบกราฟ มาจดการขอมลการสงซอส าหรบแนะน าเมนอาหารทตรงกบความตองการของลกคา โดยการจดกลมลกคาทเขาใชบรการรานอาหารประเภท Casual dining เปนกรณศกษา

วธการวจย

ธรกจทมขอมลจ านวนมากและมระดบความสมพนธสง รปแบบโครงสรางขอมลแบบกราฟ สรางขอไดเปรยบในการเชอมโยงระหวางขอมลระหวางโหนดของการตดสนใจเขาดวยกน ซงเปนหลกในการออกแบบ การปรบขนาดไดงายและมความยดหยนสง (Hoang-Qui และ Jedidi, 2014) ซงประกอบดวยโหนด (Node) และทศทางความสมพนธ (Relationship) ก าหนดคาคณลกษณะเฉพาะ เพอน ามาสรางแบบจ าลองดวยกราฟของสถานการณตาง ๆ ทเขาใจงาย และเปนเครองมอค านวณทชวยใหอลกอรธมสามารถท างานไดกบชดขอมลขนาดใหญ ชวยใหองคกรไดรบประโยชนจากการแขงขน โดยใชประโยชนจากขอมลเกยวกบการเชอมตอระหวางคนและความสมพนธ เพออ านวยความสะดวกในการท างานรวมกนจดการขอมลและคาดการณพฤตกรรมระหวางบคคลสามารถระบความสมพนธโดยตรงและโดยออม จากทบทวนและคนพบสงทบคคลเหลานนสนใจจากความเชอมโยงหรอเปนแนวโนมอทธพลทางพฤตกรรม (Robinson et al., 2013)

ในการศกษาครงนใชฐานขอมลรายการสงอาหารของรานอาหารประเภท Casual dining เปนตวอยางในการออกแบบประมวลผลดวยโหนด และความสมพนธของฐานขอมลในการสรางคณลกษณะตาง ๆ ทเกยวของในการด าเนนการประมวลผล 1. การออกแบบเพอการประมวลผล

ฐานขอมลการสงอาหารของรานอาหารเพอน ามาออกแบบการวเคราะหดวย โหนดและความสมพนธของโหนด โดยแบงคณลกษณะตวแปรตามกลมลกคาทเขาใชบรการของรานอาหารกรณศกษา ดงน 1.1 Nodes: ฐานขอมลทแสดงเอกลกษณ - Menu (รายการอาหาร) - Value Price (ความคมคาของราคาอาหาร) - Cooking (วธการปรง) - Main Ingredient (สวนประกอบหลก) - Main Seasoning (เครองปรงหลก) - Taste (รสชาต) - Customer Group (กลมลกคา) ส าหรบ 5 เมน และ 5 กลมลกคา เพอใชในปฏบตการประมวลผล


~ 4 ~

1.2 Relationships: ความสมพนธทเชอมโหนด - ORDERED (from Customer to Menu) - HAS_VALUE (from Price to Menu) - COOKED (from Cooking to Menu) - INGREDIENT (from Main Ingredient to Menu) - SEASONING (from Main Seasoning to Menu) - TASTED (from Menu to Taste)

1.3 Nodes Properties: • Menu มคณสมบต ดงน - name (ชออาหาร) - price (ราคา) - serving (ลกษณะการเสรฟ) : bowl, plate และ hot pot

• Customer มประเภทตามคณสมบต ใน 1 property ตามขอมลลกคาทเขาใชบรการดงน

- Gender: Male, Female และ Mixed - Age: Teenage, Adult, Senior และ Mixed - Nationality: Native, Asian, Western และ Multi - Group: Single, Couple, Family และ Colleague - Visit: Never, Irregular, Regular และ Mixed

จากคณสมบตของลกคาทเขามาใชบรการสามารถจดความเชอมโยงในการแบงกลมไดทงหมด 768 กลมลกคา

• Order relationships ใน 1 property - Order: ชวงความถการสงซอของลกคา ไดแก

ชวงความถการสงซออาหาร (ครง/เดอน) 0.00 - 8.00 9.00 - 17.00 18.00 - 26.00 27.00 - 35.00 36.00 - 44.00 45.00 - 53.00 54.00 - 62.00 63.00 - 71.00 72.00 - 80.00

คาคะแนน 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90


~ 5 ~

81.00 - 89.00 0.10 • Value price relationships ใน 1 property - Value price: ชวงของมลคาราคาเมนอาหาร ไดแก

มลคาราคา high price

perceived price value price

คาคะแนน 0.10 0.50 0.30

• TASTED ใน 1 property - Weight : เมนอาหาร 1 รายการมรสชาตทหลากหลายจากการสมภาษณพอครวไดตวอยางฐานขอมลทศกษาเปนดงตารางท 1 ตารางท 1 ตวอยางฐานขอมลรสชาตอาหาร

ชอรายการอาหาร รสชาตอาหาร (100%)

หวาน เคม เปรยว เผด จด รวม ปลากะพงทอดราดน าปลา 0.40 0.60 - - - 1.00 ย าหอยนางรม 0.15 0.35 0.35 0.15 - 1.00 หมกผดไขเคม 0.40 0.50 - 0.10 - 1.00 ปนง - - - - 1.00 1.00 ตมย ากง 0.20 0.20 0.45 0.15 - 1.00 จากตารางท 1 และขอมลความสมพนธของโหนดตาง ๆ สามารถเชอมโยงความสมพนธของขอมลในรปแบบกราฟของโหนดและความสมพนธ จากขอมลทมโครงสรางแบบจ าลองทความซบซอนแตยดหยน (Hoang-Qui และ Jedidi, 2014) การเชอมตอทหลากหลายของกราฟ ซงสามารถคนหาขอมลทสนใจไดงายขน แสดงภาพความเชอมโยงของขอมลดงรปท 1


~ 6 ~

รปท 1 ตวอยางการสรางฐานขอมล

จากรปท 1 แสดงความสมพนธในโครงสรางกราฟของฐานขอมลทน ามาเปนตวอยางในการศกษาความเชอมโยงในทกโหนดทเปนตวแทนของขอมลเพอน ามาสการแนะน าเมนอาหารใหลกคา ไมเพยงแตการแนะน ารปแบบ item-item, user-item หรอ user-user เท านน โดยเทคนคการก าหนดคาน าหนกในเสนทางทเชอมโยงนนมมากทสดจะมโอกาสทลกคาจะสนใจและแนะน าใหแกลกคา 2. การออกแบบฐานขอมล การใชโครงสรางขอมลกราฟมขอไดเปรยบส าหรบการสรางโหนดและความสมพนธในหลาย ๆ โหนดทใชในการค านวณชดฐานขอมลโดยตวอยางการสงอาหารของลกคาดงตารางท 2 ตารางท 2 ตวอยางฐานขอมลการสงเมนอาหารของลกคา

ชอเมนอาหาร ราคา (บาท) ความถการสง (รายการ) ลกษณะการเสรฟ ปลากะพงทอดราดน าปลา 400 195 จาน

ย าหอยนางรม 150 53 จาน หมกผดไขเคม 180 167 จาน

ปนง 350 18 จาน ตมย ากง 200 91 ถวย


~ 7 ~

จากตารางท 2 เปนฐานขอมลตวอยางทใชในการศกษาและการหาความสมพนธของลกคาโดยการพจารณาจากคาความสมพนธโคซาย (Cosine similarity) ดวยขอมลการสงเมนอาหารขนอยกบความถในการสงอาหารเมนตาง ๆ ในการศกษานจะวเคราะหหาความคลายคลง (Similarity) ของขอมลการสงอาหาร ซงค านวณจากความสมพนธของการสงซอระหวางอาหาร 2 เมน ยกตวอยางเชน เมนอาหาร I และเมนอาหาร J มคาความสมพนธกนสง เมอลกคาจ านวนมากสงเมนอาหารทงคในใบออเดอรเดยวกน การวเคราะหความสมพนธมหลากหลายวธ ซงวธทใชกนแพรหลายส าหรบระบบแนะน าสนคาและบรการ ไดแก Pearson Correlation และ Cosine Similarity (Adomavicius และ Kwon, 2007) การค านวณหาคาความคลายคลงของคเมนอาหาร I และ J ดวยวธ Cosine ดงแสดงในสมการ

Ni=1

N Ni i

2 2i=1 i=1

i iI JCosine Similarity I, J =×) )(I (J

การศกษาความสมพนธของลกคา พจารณาจากคา Cosine similarity ของคาออเดอรในทนขนอยกบความถของการสงเมนอาหารตาง ๆ โครงสรางความสมพนธระหวางลกคาดงรปท 2

Similarity {value: [0...1]}

Ordered {Level of frequency: 0.90}

Ordered {Level of frequency: 0.60}

1 2

รปท 2 Cosine similarity ระหวางลกคา

จากรปท 2 แสดงความสมพนธระหวางลกคาดวย Cosine similarity จากความถในการสงอาหาร ตวอยางจ านวนลกคาทน ามาใชศกษาในครงน คอ 5 กลมลกคา แทนดวย “ลกคา 1” “ลกคา 2” “ลกคา 3” “ลกคา 4” และ “ลกคา 5” เปนตวอยางฐานขอมลลกคา และความเชอมโยงของ


~ 8 ~

ลกคาและเมนอาหารดวยระดบความความถในการสงอาหาร เพอน ามาสการวเคราะหดวยโครงสราง กราฟ โดยสามารถน าไปประยกตใชเพอทดสอบการแนะน าเมนอาหารได การคาดการณความตองการของลกคาพจารณาจากคาน าหนกความสมพนธทเชอมโยงในกราฟ จากฐานขอมลกรณศกษาเปนองคประกอบในการตดสนใจ ซงโครงสรางขอมลกราฟ สามารถใชความสมพนธในทฤษฎกราฟในการจดการกบขอมลไดเปนอยางด (Pemmaraju และ Skiena, 2003) การศกษาระบบแนะน าโดยอาศยโครงสรางขอมลกราฟในการแนะน าสนคาตาง ๆ แสดงดงตารางท 3 ตารางท 3 สรปการศกษาระบบแนะน าโดยอาศยโครงสรางขอมลกราฟ

ผแตง ชอเรอง วตถประสงค เครองมอ การประยกต Huang, Chung, Ong & Chen (2002)

A graph-based recommender system for digital library

ศกษาการเปรยบเทยบตวแปรการใหบรการของคลงดจตอลของรานหนงสอ

Graph-based recommender system

การแนะน าหนงสอตามเนอหาและประวตการใช

Mirza, Keller & Ramakrishnan (2003)

Studying recommendation algorithms by graph analysis

ศกษาอลกอรทม ทเชอมคณลกษณะของตวแปร

Algorithm ภายใต implicit graph structure

การแนะน าภาพยนตร

Zhou, Jiang, Su & Zhang (2008)

Effect of initial configuration on network-based recommendation

ศกษาการแนะน ารายบคคลของโครงขายซอฟแวรจากเวปเพจ

Familiarity network และ similarity network ผใช

การคาดการณความสนใจของผใชเพอแนะน าซอฟแวร

Jamali, M., Martin Ester, M. (2010)

A matrix factorization technique with trust propagation for recommendation in social networks

สรางการแนะน าหนงจาก Social network ตามการใหคะแนนโดยผใช

เทคนค Matrix factorization

การแนะน าภาพยนตรจากการใหคะแนนของผใช

Teng, Lin & Adamic (2012)

Recipe recommendation using ingredient networks

ศกษาโครงขายเพอจบคความสมพนธระหวางสวนผสมในสตรอาหาร

Network clustering algorithm จากคะแนนสตรอาหาร

การคาดการณเพอแนะน าสตรอาหารใหกบผใช

Demovic et al. (2013)

Movie recommendation based on graph traversal algorithms

ศกษา algorithm ทเหมาะสมในการแนะน าภาพยนตรทเนนความสนใจปจจบนของผใช

Graph traversal algorithms ประยกตจาก Dijkstra’s algorithms

การแนะน าภาพยนตรทมจ านวนมากและตรงกบความสนใจของผใช

Wang, Tan & Graph-based ศกษาอลกอรทม Similarity การแนะน าภาพยนตร


~ 9 ~

Zhang (2010) Recommendation on social networks

ส าหรบแนะน าตาม Social network

graph relationship

โดยอลกอรทมแบบใหม

Deng, Huang & Xu (2014)

Social network-based service recommendation with trust enhancement

ศกษาวธการแนะน าจากโครงขายทมความนาเชอถอทเรยกวา Relevant trust walker algorithm

Matrix factorization ประเมนความนาเชอถอของ Social network และ algorithm

การแนะน าสนคาใหกบผใชบนเวปไซต

Kuo, Li, Shan & Lee (2012)

Intelligent menu planning: recommending set of recipes by ingredients

ศกษาความสมพนธกราฟสตรอาหารจากขอมลเมนอาหารบนเวปไซต

ใช Graph based algorithm ส าหรบวางแผนเมนอาหาร

การแนะน าสตรอาหารโดยสวนผสมทผใชระบ

Pham, Li, Cong & Zhang (2015)

A general graph-based model for recommendation in event-based social networks

ใช Graph-based model ในการแนะน าการจดงาน

Graph-based model

การแนะน าททนสมยทสดส าหรบการจดงานทมอทธพลกบคาน าหนกพฤตกรรมของผใช

Ristoski, Schuhmacher & Paulheim (2015)

Using graph metrics for linked open data enabled recommender Systems

ศกษาการเชอมโยงขอมลแบบเปดดวย graphเพอแนะน า item ไดแก

สกด Graph ส าหรบ 3 itemดวย 3 graph algorithm ทดทสด

การแนะน า Top-10 ของ 3 Item ไดแก หนงสอ เพลง ภาพยนตร

จากตารางท 3 แสดงถงการแกปญหาโครงสรางขอมลกราฟดวยอลกอรทมทแตกตางกนในการแนะน าสนคา การศกษาครงนเปนการแกปญหาดวยโครงรางขอมลกราฟ โดยการประยกตใชอลกอรทม Spanning tree เปนเทคนคหนงส าหรบการแนะน าโดยอาศยความสมพนธของขอมลทเชอมโยงกนในลกษณะโครงขายความสมพนธ เทคนคทนยมใชโดยทวไป ไดแก Minimum spanning tree (MST) การศกษาครงนใชการค านวณดวยเสนทางทแตกตางจากวธดงเดมโดยอาศยหลกการของโครงขาย ดวยคาคะแนนหรอคาน าหนกสงทสดทเปนไปไดทเชอมโยงแตละโหนดในเสนทางทเปนไปไดทงหมดในโครงขายเลอกการเชอมโยงทมน าหนกมากทสด โดยจดประสงคคอการเชอมเสนทางระหวางโหนด ทมคะแนนสงกวาเปน Menu candidate เพอแนะน าใหกบลกคา


~ 10 ~

ผลการวจย 1. การหา Nearest neighbor ดวยขอมลลกคาทสงเมนอาหารใกลเคยงกน การแนะน าเมนอาหารทลกคายงไมเคยมประวตการสงอาหาร ระบบจะจบคจากลกคาทมลกษณะใกลเคยงลกคาทเขามาใชบรการ ซงมความเปนไปไดอยางสงทจะคาดการณไดวา ลกคามความตองการรายการอาหารทแนะน าน อนดบแรกคอการใชคา Cosine similarity จากฐานขอมลทมอยและความสมพนธเพอใชออกแบบความเชอมโยงระหวางกลมลกคาทเขาใชบรการพบวา การเชอมความสมพนธของโหนดลกคาถกเชอมดวยความสมพนธ “SIMILARITY” สามารถยกตวอยางความสมพนธไดดงตารางท 4 และภาพความสมพนธของลกคาเปนดงรปท 3 ตารางท 4 ตวอยางคาความสมพนธ Cosine similarity

SIMILA

RITY SIM

ILARITY

SIMILA

RITY

SIMILARITY

SIMILARITY

SIMILARITY

SIMILARITY

SIMILARITY

SIMILARITY

SIMILARITY

2

1 3

4 5

รปท 3 การสรางภาพกราฟความสมพนธของลกคา

similarity ลกคา 1 ลกคา 2 ลกคา 3 ลกคา 4 ลกคา 5 ลกคา 1 1.00 0.96 0.74 0.70 0.37 ลกคา 2 0.96 1.00 0.83 0.84 0.45 ลกคา 3 0.74 0.83 1.00 0.80 0.86 ลกคา 4 0.70 0.84 0.80 1.00 0.49 ลกคา 5 0.37 0.45 0.86 0.49 1.00


~ 11 ~

จากตารางท 4 และรปท 3 พบวา การศกษาความสมพนธเพอทดสอบหา Nearest neighbor หรอลกคาทมขอมลการสงเมนอาหารใกลเคยงกน เปนขนตอนการด าเนนการขนตอไป จากตวอยาง คอ ลกคาประกอบดวย Gender: ‘Male’, Age: ‘Adult’, Nationality: ‘Native’, Group: ‘Couple’, Visit: ‘Irregular’ แทนดวยลกคา 1 ผลทพบดงตารางท 5 ตารางท 5 ผล Similarity มความสมพนธ Neighbor ของกลมลกคาท 1

จากตารางท 5 ผล Similarity มความสมพนธ Neighbor ของกลมลกคาท 1 ขอมลความถในการสงซอโดยใชความสมพนธ Neighbor น ามาใชในการคาดการณแนะน ารายการอาหารใหกบลกคา ผลทพบดงตารางท 6 ตารางท 6 รายการอาหารทมความสมพนธของระดบความถในการสงซออาหารส าหรบลกคา 1

จากตารางท 6 แสดงใหเหนวารายการอาหารทถกสงจากลกคาทมความสมพนธ Nearest

neighbor และความสมพนธของระดบความถในการสง เมนอาหาร (ลกคา 1 ทมความสมพนธ Nearest neighbor ดวย Similarity สงทสดเทากบ 0.96 ไดแก ลกคา 2 ความสมพนธของระดบความถการสง 60% ไดแก ปลากะพงทอดน าปลา) จงเปนเหตผลส าคญในการทจะแนะน ารายการอาหารโดยอาศยความสมพนธ Nearest neighbor และระดบความถในการสงเมนอาหาร

จากความสมพนธทงหมดน ามาก าหนดโครงขายในเสนทางความสมพนธระหวางโหนด เพอแนะน า โดยลกคาทมความสมพนธกบลกคา 1 คอลกคา 2 ตามผลความสมพนธความถในการสงเมนอาหารมากทสด การแนะน าขนอยกบคาคะแนนตามชวงความถในการสงเมนอาหาร โดยผลของเมนอาหารทจะท าการแนะน าคอเมนอาหารทลกคา 1 ยงไมไดสงลงโตะในการรบประทานอาหารครงปจจบน หากรายการอาหารไดรบการสงไปแลวจะไมแนะน าซ า จากนนจงเรยกเมนอาหารล าดบตอไปมาเพอแนะน า ผลมดงตารางท 7

Neighbor Similarity ลกคา 2 0.96 ลกคา 3 0.74 ลกคา 4 0.70

รายการอาหาร ลกคา ชอรายการอาหาร ปลากะพงทอดน าปลา ราคา 400 ลกษณะการเสรฟ Order

จาน 50

ลกคา 2


~ 12 ~

ตารางท 7 เมนอาหารเพอแนะน า

จากตารางท 7 จะพบวา เมนอาหารทจะแนะน าใหลกคา 1 พบเมนอาหารแนะน า ไดแก

ปลากะพงทอดน าปลา หมกผดไขเคมและย าหอยนางรม ทง 3 เมนเปนคาเฉลยจากเมนทไดรบการสงจากลกคาทมความสมพนธกบลกคา 1 ซงเปนไปไดวาเมอแนะน าเมนอาหารดงกลาวใหกบลกคา 1 แลวนาจะเปนทชนชอบ ซงเปนลกคาทมคณลกษณะประกอบดวย Gender: ‘Male’, Age: ‘Adult’, Nationality: ‘Native’, Group: ‘Couple’, Visit: ‘Irregular’

2. การแนะน าเมนอาหารดวยรสชาต เปาหมายของการแนะน าในการศกษาครงน คอ การแนะน าเมนอาหารทยงไมไดสงเพอ

ค านวณการแนะน า เนองจากขอมลในโหนดท ใชในการศกษามมากกวา 1 ชด ประกอบดวย เมนอาหาร ความคมคาของราคาอาหาร วธการปรง สวนประกอบหลก เครองปรงหลก รสชาต และลกคา การค านวณคาความคลายคลงกน (Similarity) ทตรงกนทงหมดอาจไมเพยงพอ วธ Spanning tree เปนเทคนคทสามารถประยกตใชการเสนอเมนอาหารจากความคลายคลง โดยวเคราะหจากการสงซอในปจจบน ซงเปนวธการทนยมใชกนอยางแพรหลาย ส ารวจจากกราฟทใหค วามส าคญในชดขอมลทจ าเปนของโหนดและวเคราะหจากคาน าหนกทมากทสด

การวเคราะห เมนอาหารอนทมรสชาต เหมอนกนตลอดจนรสชาตทลกคาตองการ เมนอาหารทแนะน าตองมคะแนนสงทสดไปยงรสชาตทก าหนด ตวอยางของเมนอาหารเรมตนคอ ปลากะพงทอดน าปลา และรสชาตทลกคาตองการสงเปนเมนถดไป คอ รสเผด เมนแนะน าเปนเมนทมรสเผดเปนหลกทจะใชแนะน าเมนตอไปและเปนเมนอาหารทมความถการสงสงทสด โดยรสชาตของเมนอาหารทถกเลอกและแนะน ามคะแนนสงทสด แสดงรปแบบการท างานดงรปท 4 และผลทไดดงตารางท 8

รายการอาหาร การแนะน า ปลากะพงทอดน าปลา 5 หมกผดไขเคม 4 ย าหอยนางรม 3


~ 13 ~

รปท 4 การท างานการด าเนนการ ตารางท 8 เมนอาหารแนะน าดวย Prim's algorithm

เมนอาหาร การแนะน า ชอเมนอาหาร ราคา ลกษณะการเสรฟ

ตมย ากง 200 ถวย

5.91

ชอเมนอาหาร ราคา ลกษณะการเสรฟ

ย าหอยนางรม 150 จาน

5.91

ชอเมนอาหาร ราคา ลกษณะการเสรฟ

ตมย ากง 200 ถวย

5.86

จากตารางท 8 การแนะน าเมนอาหารดวยเทคนค Spanning tree โดยอาศยหลกการ

Prim's algorithm มโหนดเรมตนคอ “ปลากะพงทอดน าปลา” พบวา เมนอาหารทแนะน าดวย

//Initializes the vertex and edge for graph Set of vertices vertex Set of edges ed //Pass the parameter as “vertex” and “ed” to //maximumtree() function return maximumtree (vertex, ed) //Define the maximumtree() function define maximumtree (vertex, ed): //Loop executes until the “ed” for edge in ed: //Set all the edge weight as “maximum edge //maximum weight” edge.we = max.edge. we //Calculate the minimum spanning tree by calling the //Prim’s and store the result into “mst” variable mst = prims(vertex, ed) //Store the edge “ed” to “max” variable max = ed //Loop executes until the minimum edge in minimum //spanning tree “mst” for edge in mst.edges: //Remove the minimum edge from the “max” //variable max.remove(edge) //Return the “max” variable which constain //maximum edge weight return max


~ 14 ~

รสชาตท ใกลเคยงส าหรบลกคา 1 ล าดบแรก คอ ตมย ากง ย าหอยนางรมและหมกผดไขเคม ตามล าดบซงเปนเมนทมรสชาตเผดระดบทแตกตางกน โดยตวอยางภาพกราฟการแนะน าทมคาคะแนนสงสด ดงรปท 5

รปท 5 การแนะน าเมนอาหารถดไป โดยก าหนดใหโหนดเรมตน คอ “ปลากะพงทอดน าปลา”

สรปและอภปรายผลการวจย

การศกษาเพอทดสอบการออกแบบแนะน าเมนอาหารโดยพนฐานน าขอมลจากการสงของผใชบรการภายในรานอาหารประเภท Casual dining ซงจากการทดสอบการใชงานในการศกษาครงนใชตวอยางจ านวนไมมากในการแสดงผลของกลมลกคาจ านวน 5 กลมและเมนอาหาร 5 เมน ไดแก ปลากะพงทอดน าปลา ย าหอยนางรม หมกผดไขเคม ปนง และตมย ากง จากการแนะน าเมนอาหารใหกบลกคาท 1 ดวยการวเคราะห Similarity มความสมพนธ Neighbor คอ ลกคาท 2 น าไปสการพจารณาขอมลการสงของลกคาท 2 มคาคะแนนการสงมากทสด คอ ปลากะพงทอดน าปลา ผลทตามมาพบวา เมนอาหารทไดรบการสงมากทสดจากลกคาทมความสมพนธกนมาก ไดแก ปลากะพงทอดน าปลา หมกผดไขเคม และย าหอยนางรม ตามล าดบ เนองดวยผวจยไดเลงเหนถงความส าคญของขอมลทน ามาศกษาครงน โดยโหนดทน ามาศกษามมากกวา 1 ชด จงประยกตใชโครงสรางขอมลกราฟ เพอคนหาขอมลทสนใจไดงายขนดวยการก าหนดคาน าหนกในแตละเสนความสมพนธเพอแนะน าใหกบลกคา 1 จากความส าคญของขอมลทเกยวของในแตละโหนด จงอาศยเทคนค Spanning tree สามารถประยกตใชแนะน ารายการอาหารโดยพจารณาเมนทมคะแนนสงสด โดยค านงถงรสชาตอาหารเปนประเดนส าคญในการแนะน า ตวอยางเมนอาหารเรมตนคอ ปลากะพงทอดน าปลา โดย


~ 15 ~

รสชาตทเลอกคอ รสเผด ผลทพบคอเมนอาหารทแนะน าดวยรสเผดทมคะแนนสงสด คอ ตมย ากง ย าหอยนางรม และหมกผดไขเคม ตามล าดบ จากผลการศกษาพบวา การแนะน าเมนอาหารดวยการวเคราะหเทคนคตาง ๆ จะใหเมนแนะน าล าดบทแตกตางกน การเพมความซบซอนของความสมพนธทเชอมโยงกนของขอมลจะท าใหการแนะน าเมนอาหารทลกคามโอกาสสนใจมสงขนดวย อยางไรกตามการศกษาทจะพฒนาครงตอไปคอ การทดสอบเพอวเคราะหขอมลการสงเมนอาหารจากขอมลทไดจากรานอาหารกรณศกษาและเพมประสทธภาพการแนะน าใหดยงขนจากการใชทดสอบกบกลมตวอยางทมจ านวนมากขนและครอบคลมปจจยตามกลมลกคา ซงประกอบดวย เพศ ชวงอาย เชอชาต/สญชาต ลกษณะกลมลกคา และการเขามาใชบรการ

กตตกรรมประกาศ ขอขอบคณ ศนยวจยเมองอจฉรยะ คณะโลจสตกส มหาวทยาลยบรพา ทสนบสนนขอมลจากระบบรานอาหาร iOrder - Smart Supply Chain และขอขอบคณ ทปอ. โครงการ Smart City - Innovation Hub ทสนบสนนงบประมาณดานการวจย

เอกสารอางอง กรมพฒนาธรกจการคา กระทรวงพาณชย. (2560). ธรกจภตตาคาร/รานอาหาร. วนทคนขอมล 31

ม ถ น าย น 2 5 6 0 เข า ถ ง ได http://www.dbd.go.th/download/document_file/ Statisic /2560/T26/T26_201703.pdf

ศนยวจยกสกรไทย. (2560). K SME Analysis: ปรบกลยทธรานอาหาร รวยไว รงนาน วนทคนขอมล 31 มถนายน 2560 เขาถงได https://www.kasikornbank.com/th/business/sme/ KSMEKnowledge/article/KSMEAnalysis/Documents/Restuarant-Strategies-2017 .pdf

Adomavicius, G. & Kwon, Y. (2007). New recommendation techniques for multicriteria rating systems. IEEE Intelligence Systems, 22(3), 48-55.

Deng, S., Huang, l., Xu, G. (2014). Social network-based service recommendation with trust enhancement, Expert Systems with Applications, 14(18), 8075–8084

Demovic,L., Fritscher,E., Kriz,J., Kuzmik,O., Proksa,O., Vandlikova,D., Zelenik,D., Bielikova,M. (2013). Movie recommendation based on graph traversal algorithms, 24th International Workshop on Database and Expert Systems Applications, 152-156.

Huang,Z., Chung,W., Ong,T., Chen,H. (2002). A graph-based recommender system for digital library, Proceedings of the 2nd ACM/IEEE-CS joint conference on Digital libraries, 65-73.

http://www.dbd.go.th/download/document_file/

http://www.dbd.go.th/download/document_file/Statisic/2560/%20T26/%20T26_201703.pdf

https://www.kasikornbank.com/th/business/sme/%20KSMEKnowledge/article/KSMEAnalysis/Documents/Restuarant-Strategies-2017%20.pdf




~ 16 ~

Jamali, M., Ester, M. (2010). A matrix factorization technique with trust propagation for recommendation in social networks, Proceedings of the fourth ACM conference on Recommender systems, 135-142.

Kuo, F.F., Li, C.T., Shan, M.K., Lee, S.Y. (2012). Intelligent menu planning: recommending set of recipes by ingredients, Proceedings of the ACM multimedia 2012 workshop on Multimedia for cooking and eating activities, 1-6.

Lon-Mu, L., Bhattacharyya, S., Sclove,S.L. & RChen,R. (2001). Data mining on time: An illustration using fast-food restaurant franchise data, Computational Statistics & Data Analysis, 455–476.

Mamalis, S. (20 0 9 ). Critical success factors of the food service industry. Journal of International Food & Agribusiness Marketing, 21, 191-206.

Mirza,B.J., Keller,B.J., Ramakrishnan, N. (2003). Studying recommendation algorithms by graph analysis, Journal of Intelligent Information Systems, 20(2), 131–160.

Pemmaraju, S. &Skiena, S. (2003). Computational discrete mathematics: combinatorics and graph theory in mathematics, Cambridge University Press.

Pham,T., Li,X., Cong,G., Zhang,Z. (2015). A general graph-based model for recommendation in event-based social networks, International Conference on Data Engineering, 567-578.

Ristoski,P., Schuhmacher,M., Paulheim,H. (2015). Using graph metrics for linked open data enabled recommender systems, Conference on Electronic Commerce and Web Technologies, 30-41.

Robinson, I., Webber, J. & Eifrem, E. (2013). Graph database, O’Reilly Media, 107. Teng, C.Y, Lin,Y.R, Adamic,L.A. (2012). Recipe recommendation using ingredient

networks, Proceedings of the 4th Annual ACM Web Science Conference, 298-307.

Wang, Z., Tan, Y., Zhang, M. (2010). Graph-based recommendation on social networks, International Asia-Pacific Web Conference, 116-122.

Zhou, T., Jiang, L.L., Su, R.Q., Zhang, Y.C. (2008). Personalized recommendation of social software items based on social relations, Proceedings of the third ACM conference on Recommender systems, 53-60.