个性化菜单生成

20/24个性化菜单生成第一部分用户偏好建模 2第二部分膳食限制管理 4第三部分营养价值计算 7第四部分食谱推荐算法 9第五部分菜单多样性优化 13第六部分交互式用户界面设计 15第七部分个性化推荐算法评估 18第八部分系统可扩展性与隐私保护 20

第一部分用户偏好建模关键词关键要点主题名称：协同过滤

1.使用用户过去的行为数据，例如交互、评分或购买记录，来推断他们的偏好。

2.基于相似性度量（例如皮尔逊相关系数或余弦相似度）计算用户之间的相似性。

3.根据相似用户对项目的评分或偏好来预测目标用户的偏好。

主题名称：基于规则的推理

用户偏好建模

用户偏好建模是个性化菜单生成中的关键步骤，它涉及识别和理解用户的饮食偏好、限制和目标，以便根据这些偏好生成定制化的菜单。以下是用户偏好建模中的常用技术：

#协同过滤

协同过滤是一种基于对其他相似用户的偏好进行预测的技术。对于菜单生成，它利用历史数据来查找具有相似口味和偏好的用户组。通过分析这些群组的菜单选择，可以推断出目标用户的潜在偏好。协同过滤算法包括：

-用户-用户协同过滤：它专注于寻找与目标用户最相似的用户，然后推荐这些相似用户喜欢的菜单选项。

-项目-项目协同过滤：它专注于寻找与目标用户之前选择的菜单选项最相似的选项，然后推荐这些相似的选项。

#基于内容的过滤

基于内容的过滤根据菜单项的属性（例如菜肴类别、成分、营养信息）来预测用户的偏好。它假设对相似属性的菜单项具有相似的偏好。这种方法需要一个预先建立的菜单项属性数据库。

#混合过滤

混合过滤结合了协同过滤和基于内容的过滤，以充分利用这两种方法的优点。它通过将基于内容的特征作为协同过滤算法中的相似性度量，提高了预测准确性。

#显式和隐式反馈

用户偏好建模依赖于收集用户对菜单项的反馈。反馈可以是显式的，例如用户对菜单选项的评分或评论，也可以是隐式的，例如用户订购、浏览或分享菜单项的行为。收集显式反馈需要用户主动提供信息，而隐式反馈可以从用户交互中自动收集。

#用户调查和问卷

用户调查和问卷是收集用户饮食偏好、限制和目标等显式反馈的直接方法。这些仪器可以包括各种问题，例如：

-用户最喜欢的菜肴类别和菜肴

-饮食限制和过敏症

-健康和营养目标

-用户的烹饪技能和时间限制

#日志数据分析

日志数据分析通过审查用户过去的交互，收集用户偏好的隐式反馈。对于菜单生成，此数据可能包括用户订购的历史记录、浏览记录和菜单搜索查询。分析此数据可以揭示用户的饮食模式、偏好和习惯。

#自然语言处理（NLP）

NLP技术用于分析用户评论、社交媒体帖子和在线食谱等文本数据，以提取有关用户偏好的见解。通过Sentiment分析和主题建模等技术，NLP可以识别用户的正面和负面情绪、识别的菜肴以及烹饪偏好。

#偏好建模的挑战

用户偏好建模面临着一些挑战，包括：

-数据稀疏性：用户偏好通常是稀疏的，这使得难以从不足的数据中准确推断偏好。

-偏好动态变化：用户的偏好会随着时间而变化，需要定期更新模型以反映这些变化。

-推理解释：用户偏好建模算法通常是黑盒，难以解释其预测。

-个性化程度：用户偏好具有高度个性化，需要定制化的建模方法来捕获个体差异。第二部分膳食限制管理关键词关键要点【膳食限制管理】

1.个性化菜单生成器应整合膳食限制信息，如饮食过敏、不耐受和偏好。

2.通过明确询问用户膳食限制，或与医疗保健专业人士合作取得信息，准确识别特定限制至关重要。

3.生成器应提供广泛的膳食选择，以满足各种限制，并支持持续监控和更新，以反映可能发生的变化。

【饮食过敏管理】

膳食限制管理

菜单生成中的膳食限制管理至关重要，因为它可以确保根据个人需要定制菜单，从而满足特定饮食要求。通过考虑和管理膳食限制，可以为需要遵循特殊饮食的人群提供安全的、营养丰富的饮食。

定义

膳食限制是指个体出于健康、宗教或个人偏好而避免或限制食用某些食物或成分。这些限制可能包括：

*过敏原：个体对特定食物（例如花生、牛奶、鸡蛋等）产生的免疫反应

*不耐受：个体难以消化某些食物，例如乳糖不耐受或麸质不耐受

*饮食偏好：出于宗教、文化或个人选择而避免某些食物，例如素食主义或生酮饮食

*医疗状况：由特定医疗状况引起的饮食限制，例如糖尿病或肾脏疾病

常见膳食限制

最常见的膳食限制包括：

*乳制品限制：排除所有乳制品，包括牛奶、奶酪和酸奶

*麸质限制：避免含有麸质的谷物，例如小麦、黑麦和大麦

*鸡蛋限制：排除所有鸡蛋产品

*花生限制：避免所有花生产品

*坚果限制：避免所有坚果及其衍生产品

*大豆限制：避免所有大豆及其衍生产品

*贝类限制：避免所有贝类，例如虾、螃蟹和蛤蜊

管理膳食限制

管理膳食限制涉及以下步骤：

*收集信息：从个人那里收集有关其膳食限制的准确信息

*评估和验证：仔细评估限制的严重程度和潜在风险

*制定菜单：创建一个菜单，排除被限制的食物或成分

*替代方案：为被限制的食物提供营养等效的替代方案，以确保均衡的饮食

*监测和更新：定期监测个人对菜单的反应，并根据需要进行调整

技术支持

技术可以通过以下方式支持膳食限制管理：

*膳食限制数据库：创建和维护膳食限制数据库，其中详细说明各种限制的详细信息

*菜单生成软件：自动生成符合个人限制的菜单，减少错误

*移动应用程序：为用户提供方便的途径，让他们管理自己的限制并访问餐馆菜单信息

好处

膳食限制管理的好处包括：

*改善健康：通过确保个人避免食用对他们有害的食物来促进健康和福祉

*降低风险：通过避免过敏原和不耐受的食物来降低严重的过敏反应和消化问题的风险

*满足需求：满足个人的饮食需求和偏好，提供量身定制的菜单选择

*增加参与度：让个人感到被包容和重视，从而增加对餐饮服务的参与度

挑战

膳食限制管理也面临一些挑战：

*复杂性：管理多个或复杂的限制可能很复杂

*教育：需要对膳食限制的严重性和管理进行持续教育

*可用性：确保受限制的食物替代品在所有地点都有可能是一个挑战

*成本：提供无限制食品的选择可能会增加餐饮成本

结论

膳食限制管理对于菜单生成至关重要，因为它可以确保满足个人的饮食需求。通过仔细考虑和管理限制，可以提供符合个人要求的安全、营养丰富的饮食。技术可以进一步支持这一过程，使膳食限制管理更有效和高效。第三部分营养价值计算营养价值计算

个性化菜单生成系统中营养价值计算是至关重要的一个环节，它能够评估菜肴或菜单对个人营养需求的满足程度。准确的营养价值计算基于以下步骤：

1.食品成分数据库

建立一个全面的食品成分数据库是营养价值计算的基础。该数据库应包含各种食品和配料的营养信息，包括：

-热量

-营养素（如碳水化合物、蛋白质、脂肪）

-维生素

-矿物质

数据库中的信息应来自可靠的来源，如美国农业部（USDA）的食品成分数据库或其他经验证的营养数据库。

2.食谱分析

食谱分析涉及将菜肴的配料清单转换成一份完整的营养清单。此过程需要考虑：

-配料的份量

-烹饪方法对营养价值的影响（如蒸、烤、煎炸）

-食品的自然营养变化

可使用专门的营养分析软件或在线工具来简化食谱分析过程。

3.营养素计算

食谱分析完成后，可以计算菜肴或菜单的总营养价值。此过程涉及将每个配料的营养信息相加，并根据食谱的份量进行调整。

4.个性化调整

为了个性化菜单生成，营养价值计算应根据个人的营养需求进行调整。这需要考虑：

-年龄

-性别

-活动水平

-膳食偏好

-任何健康状况

5.验证和报告

计算出的营养价值应进行验证，以确保准确性。可以与类似菜肴的已发布营养信息进行比较，或使用营养分析软件进行交叉验证。

最终，营养价值计算应以用户友好的格式报告给用户。这可能包括：

-热量计数

-营养素含量（如碳水化合物、蛋白质、脂肪）

-维生素和矿物质的每日摄取量百分比

-与个人营养目标的比较

准确的营养价值计算使个性化菜单生成系统能够为用户提供量身定制的饮食建议，帮助他们实现营养目标和整体健康状况。第四部分食谱推荐算法关键词关键要点食物偏好学习

1.数据收集：从用户饮食历史、调查问卷和传感器数据中收集关于食物偏好的信息。

2.偏好建模：利用协同过滤、降维和神经网络等技术构建模型，学习用户的食物偏好模式。

3.偏好演化：随着时间推移和用户饮食习惯的变化，定期更新和调整偏好模型，以确保个性化推荐的准确性。

营养约束建模

1.营养需求分析：考虑用户的年龄、性别、健康状况和饮食限制，确定个性化的营养目标。

2.约束建模：使用线性规划或混合整数规划模型，将营养约束嵌入食谱推荐算法中，确保推荐食谱满足用户的营养需求。

3.约束优化：通过优化技术，找到在满足营养约束条件下，最能满足用户食物偏好的食谱。

食物组合优化

1.营养互补性：考虑不同食物之间的营养互补关系，通过推荐营养价值互补的食物组合来增强营养摄入。

2.风味搭配：利用食品科学和味觉心理学原理，推荐味觉相辅相成的食物组合，增强用户用餐体验。

3.烹饪复杂性优化：平衡食谱的烹饪复杂性，推荐符合用户时间和技能水平的食谱。

推荐结果多样化

1.探索性推荐：引入探索性推荐机制，推荐用户可能未尝试过但符合其偏好的新菜品。

2.多样性控制：设置多样性参数，确保推荐食谱在满足用户偏好和营养约束的同时，具有足够的品种。

3.复述避免：使用推荐记录，避免向用户重复推荐相同的食谱。

用户交互与反馈

1.用户评分收集：允许用户对推荐的食谱进行评分，以收集反馈并改进推荐准确性。

2.偏好更新：根据用户的评分和反馈，更新用户的食物偏好模型，从而不断完善个性化推荐。

3.交互式查询：提供交互式查询界面，允许用户根据特定食材、营养需求或烹饪偏好提出具体的食谱要求。

未来趋势

1.个性化营养：结合基因组学和可穿戴设备数据，提供高度个性化的营养建议和食谱推荐。

2.可持续性：考虑食谱对环境的影响，推荐可持续的食材和烹饪方式。

3.人工智能辅助烹饪：利用人工智能驱动的手持扫描仪和烹饪设备，提供实时烹饪指导和食谱建议。食谱推荐算法

食谱推荐算法旨在为用户生成个性化的食谱建议，以满足其饮食偏好、营养需求和烹饪技能。这些算法利用机器学习和数据挖掘技术，分析用户历史行为和交互数据，从而提供定制化推荐。

协同过滤算法

协同过滤是一种基于用户之间相似性的推荐算法。它假设对相似物品感兴趣的用户也可能对其他相似的物品感兴趣。该算法首先识别与用户相似的人群，然后分析他们的食谱偏好，从而推荐未曾尝试过的、但与相似用户关联性较强的食谱。

基于内容算法

基于内容算法将食谱视为由一组特征（如食材、烹饪方法、营养信息）组成的文档。算法分析用户过去的食谱选择，提取食谱特征，并生成与这些特征相似的食谱推荐。该算法侧重于食谱之间的相似性，而无需考虑用户之间的相似性。

混合算法

混合算法结合协同过滤和基于内容算法的优点。它们首先使用协同过滤算法识别与用户相似的用户，然后使用基于内容算法在相似用户尝试过的食谱中生成推荐。这种方法有助于解决基于内容算法的冷启动问题，即缺乏用户历史数据时无法生成个性化推荐。

营养限制考虑

许多食谱推荐算法还考虑用户的营养限制。它们使用外部营养数据库或用户输入的营养目标，将仅符合这些限制的食谱推荐给用户。这对于有饮食限制（如对麸质过敏或糖尿病）或营养目标（如减肥或增加体重）的用户至关重要。

个性化因素

食谱推荐算法还可以考虑影响用户食谱偏好的其他个性化因素，例如：

*烹饪技能：推荐适应用户烹饪水平的食谱，包括烹饪时间和技巧复杂度。

*饮食偏好：识别用户喜欢的菜系、口味和食材，并在推荐中优先考虑这些因素。

*社交影响：分析用户社交网络上的活动，识别流行食谱和趋势，从而提供符合用户社交圈口味的建议。

数据收集

食谱推荐算法的准确性在很大程度上取决于用于训练模型的数据质量和多样性。数据收集方法包括：

*用户日志：记录用户的食谱搜索、浏览和选择历史。

*调查：收集有关用户饮食偏好、烹饪技能和营养目标的信息。

*外部数据：利用食谱数据库、营养信息网站和社交媒体平台上的数据。

评估指标

食谱推荐算法的性能通常根据以下指标进行评估：

*点击率（CTR）：衡量用户点击推荐食谱的频率。

*转化率：衡量用户尝试推荐食谱的比例。

*多样性：评估推荐是否涵盖各种菜系、口味和烹饪方法。

*用户满意度：通过调查或反馈形式收集用户对推荐质量的反馈。

挑战

食谱推荐算法面临着一些挑战，包括：

*冷启动问题：当缺乏用户历史数据时，为新用户生成个性化推荐的难度。

*数据稀疏性：用户往往只尝试了少数食谱，这使得基于协同过滤算法的推荐变得困难。

*用户偏好的动态性：用户的饮食偏好和营养需求可能会随着时间的推移而改变，需要算法不断更新。

应用

食谱推荐算法已广泛应用于各种在线平台，包括：

*食品配送服务：为用户提供定制化的膳食计划和食谱建议。

*食谱网站和应用程序：帮助用户探索新菜肴并找到适合其口味和需求的食谱。

*智能厨房设备：结合食谱推荐算法和语音控制，指导用户烹饪并提供个性化的食谱建议。第五部分菜单多样性优化关键词关键要点主题名称：食材多样化

1.提供多种食材选择，包括不同类型的蔬菜、水果、蛋白质和全谷物。

2.考虑季节性食材，以确保新鲜度和营养价值。

3.探索各种烹饪方法，例如烘焙、烧烤、清蒸和油炸，以提供不同的口味和质地。

主题名称：营养多样化

菜单多样性优化

在个性化菜单生成系统中，菜单多样性优化至关重要，因为它确保为用户提供丰富的选择，同时满足其个性化偏好和营养需求。

测量菜单多样性

评估菜单多样性的常用指标包括：

*香浓指数(SH)：考虑菜肴的种类和频率，取值范围为0（无多样性）到1（高度多样性）。

*均匀度指数(E)：衡量菜肴之间分布的均匀程度，取值范围为0（完全不均匀）到1（高度均匀）。

*相对熵(I)：衡量菜单与参考标准（如膳食指南推荐）之间的相似性，取值范围为0（完全相同）到无穷（完全不同）。

优化菜单多样性

优化菜单多样性的方法包括：

*增加菜肴种类：引入不同的菜肴类型、烹饪方法和食材，提高菜单的整体多样性。

*均衡菜肴分布：确保菜单中各种菜肴类型的代表性，包括开胃菜、主菜、甜点和饮料。

*考虑营养多样性：提供各种营养物质和微量营养素，满足用户的全面营养需求。

*动态调整菜单：定期分析使用数据和用户反馈，根据用户偏好和季节性因素调整菜单。

*利用机器学习：训练机器学习模型识别菜肴之间的相似性，并为菜单生成推荐多样化的菜肴组合。

实践中的例子

在一家医院的膳食服务中，运用菜单多样性优化原则，显著提高了患者满意度：

*增加菜肴种类：引入各种文化菜肴、素食和无麸质选项，扩大了菜单的多样性。

*均衡菜肴分布：平衡了早餐、午餐和晚餐的菜肴种类，提高了菜单的均匀度。

*考虑营养多样性：重点提供富含水果、蔬菜、全谷物和瘦蛋白的菜肴，满足患者的营养需求。

*动态调整菜单：根据患者反馈和季节性变化，定期更新菜单，保持多样性。

通过实施这些优化措施，该医院的菜单多样性评分显着提高，患者满意度提高了15%。

结论

菜单多样性优化是个性化菜单生成中的一个关键方面，它确保提供丰富的选择，满足用户偏好和营养需求。通过测量菜单多样性、实施合理的优化方法以及利用数据分析和机器学习，可以显著提高用户的满意度和整体营养状况。第六部分交互式用户界面设计关键词关键要点交互式用户界面设计

【用户友好性】

1.直观易用的导航：用户可以轻松浏览菜单，找到所需菜品。

2.明晰的视觉层次：菜单布局清晰，使用视觉元素（如图标、颜色）区分不同部分。

3.简洁有效的交互：用户可以轻松添加或删除菜品，并获得即时更新。

【个性化体验】

交互式用户界面设计在个性化菜单生成中的应用

概览

交互式用户界面(UI)设计在个性化菜单生成系统中扮演着至关重要的角色，旨在为用户提供直观、令人满意的体验。通过精心设计的UI，用户可以与菜单生成器有效互动，自定义其膳食选择并轻松管理其饮食偏好。

用户需求分析

在创建交互式UI之前，至关重要的是要通过用户研究来确定用户的需求和期望。这包括了解他们的技术熟练程度、饮食习惯和个性化偏好。这些见解有助于设计一个符合用户预期并满足其特定需求的UI。

导航和架构

用户界面应采用清晰且直观的导航结构。菜单生成器应遵循逻辑布局，以允许用户轻松浏览不同的选项和设置。例如，可以将菜单项目组织成类别或基于饮食偏好，例如素食、无麸质或酮类。

交互元素

交互元素对于允许用户与菜单生成器交互至关重要。这些元素包括：

*输入字段：用于收集用户信息，如饮食限制、卡路里目标和口味偏好

*复选框：允许用户选择特定选项，例如食材、烹饪方法和配料

*下拉菜单：提供预定义选择，使用户能够快速选择特定菜肴或食材

*滑块：允许用户微调设置，例如卡路里摄入量或宏量营养素分配

*拖放功能：允许用户轻松添加或移除菜肴，定制菜单

视觉设计

视觉设计对于创建美观且吸引人的用户界面对至关重要。应使用高品质的图像和颜色方案来增强用户体验。此外，字体选择和布局应优化可读性和易用性。

定制选项

用户界面应提供广泛的定制选项，以满足不同的用户偏好。例如，用户应该能够：

*保存和加载膳食计划

*创建和管理食谱

*设置营养目标和限制

*获得有关菜肴成分和营养价值的信息

反馈和可访问性

用户界面应提供明确的反馈，告知用户他们的输入已收到并处理。此外，UI应满足可访问性标准，以确保所有用户都能使用。这包括为视觉障碍用户提供屏幕阅读器支持，以及为听力障碍用户提供字幕。

数据分析和优化

交互式用户界面可生成有关用户偏好和交互模式的有价值数据。这些数据可用于优化菜单生成器，提高其准确性和个性化程度。例如，可以跟踪用户经常选择的菜肴并根据这些模式提供个性化的建议。

持续改进

交互式UI设计是一个持续改进的过程。通过定期收集用户反馈并更新UI以满足不断变化的需求，菜单生成器可以保持与时俱进并为用户提供最佳体验。第七部分个性化推荐算法评估个性化菜单生成中的个性化推荐算法评估

引言

个性化推荐系统在餐馆业中得到广泛应用，为用户提供定制化菜单建议。评估这些算法的有效性对于优化用户体验和业务绩效至关重要。

评估指标

个性化推荐算法的评估通常涉及一系列指标，包括：

*准确性：算法推荐菜单项与用户实际选择的匹配程度。

*相关性：推荐的菜单项与用户偏好和上下文信息（例如时间、地点）的关联强度。

*多样性：推荐的菜单项范围，以避免重复并迎合用户广泛的口味。

*新颖性：推荐的用户可能从未尝试过的菜单项。

*覆盖率：推荐算法涵盖的菜单项数量与整个菜单的比例。

*用户满意度：用户对推荐菜单的满意度和满意度。

*业务绩效：算法对餐厅收入、订单数量或客户忠诚度的影响。

评估方法

评估个性化推荐算法的方法包括：

*离线评估：使用历史数据模拟推荐算法的性能，并与真实用户的行为进行比较。

*在线评估：在实际系统中部署算法并监控其效果，收集用户反馈和业务指标。

*A/B测试：将用户随机分配到使用不同推荐算法的不同组，以比较算法的性能。

*用户调查：收集用户对推荐菜单的反馈，以评估其准确性、相关性和满意度。

*专家评审：由领域专家审查算法的输出，评估其与用户需求和行业最佳实践的契合度。

评估过程

个性化推荐算法评估的过程通常涉及以下步骤：

1.定义评估目标：确定与业务目标相关的算法性能指标。

2.选择评估方法：根据可用数据、资源和时间限制选择最合适的评估方法。

3.收集数据：获取评估算法所需的用户行为、偏好和上下文信息的数据。

4.执行评估：使用选定的评估方法计算算法的指标。

5.分析结果：解释评估结果并确定算法的优势和不足。

6.优化算法：根据评估结果调整算法参数或模型，以提高性能。

挑战

个性化推荐算法评估并非没有挑战，包括：

*数据稀疏性：用户行为数据可能稀疏或不完整，特别是对于新用户或鲜为人知的菜单项。

*用户偏好变化：用户的饮食偏好和口味随着时间的推移而变化，这使得评估算法的长期准确性变得困难。

*上下文敏感性：推荐算法需要适应不断变化的上下文因素，例如时间、地点和用餐群体的规模。

*算法偏置：推荐算法可能会受到训练数据或模型设计中的偏见的影响，从而导致推荐的菜单项缺乏多样性或相关性。

结论

评估个性化推荐算法至关重要，以确保它们准确、相关、多样和新颖。通过选择适当的评估指标和方法，餐厅可以优化算法的性能，改善用户体验并推动业务绩效。评估过程应持续进行，以应对用户偏好和业务目标的变化，并确保算法在不断变化的环境中继续提供有效的推荐。第八部分系统可扩展性与隐私保护关键词关键要点系统可扩展性

1.系统架构设计应充分考虑未来扩展需求，如用户数量、数据量和功能复杂度的增加。

2.采用微服务架构或组件化设计，使得系统易于扩展和维护。

3.采用弹性计算和分布式存储，满足大规模数据处理和存储的需求。

隐私保护

1.遵循隐私保护法规，如欧盟通用数据保护条例(GDPR)和中国《个人信息保护法》。

2.采用数据脱敏、加密和访问控制等技术，保护用户隐私。

3.设置用户隐私设置，允许用户控制其个人信息的收集、使用和披露方式。系统可扩展性

个性化菜单生成系统需要具备高可扩展性，以适应不断增长的用户需求和数据量。系统应能够随着用户数量和数据量的增加而无缝扩展，而不会出现性能下降或中断。

可扩展性可以通过以下方式实现：

*模块化架构：将系统分解为可独立部署和扩展的模块，便于升级和维护。

*分布式处理：将任务分配到多个服务器或节点，以提高处理能力。

*云计算：利用云平台提供的按需资源弹性，轻松扩展系统容量。

*数据库分片：将大型数据库拆分成较小的分片，并将其分布在多个服务器上，以提高查询性能和可扩展性。

*缓存和索引：优化数据访问，减少处理时间，从而提高扩展性。

隐私保护

个性化菜单生成系统处理大量敏感用户数据，例如饮食偏好、健康状况和个人信息。因此，确保用户隐私和数据安全至关重要。

隐私保护措施包括：

*数据匿名化：通过删除或替换个人标识符（如姓名和地址）来匿名化数据，同时保留其分析价值。

*数据加密：在传输和存储过程中对数据进行加密，以防止未经授权的访问。

*访问控制：仅允许授权用户访问敏感数据，并分级访问权限以限制对特定数据的访问。

*数据最小化：仅收集和处理用于个性化菜单生成所必需的必要数据，以最大限度地减少隐私风险。

*合规性：遵守适用的数据保护法规，例如《通用数据保护条例》（GDPR）和《加州消费者隐私法案》（CCPA）。

*第三方集成：仔细审查与第三方服务（例如营养数据库和健康追踪器）的集成，以确保隐私和安全。

*定期安全审计：定期进行安全审计，以识别和修复任何潜在的漏洞或风险。

*用户同意：明确向用户告知数据收集和使用方式，并征得他们对处理个人信息的同意。关键词关键要点主题名称：营