1. Veri Modeli: “Tarif‑Ağı” (Recipe‑Graph)
Düğüm (Node) Tipleri
- KöfteTarifi – temel tarif (malzeme listesi, oranlar, pişirme süresi).
- Yöntem – buharlı, ızgara, fırın gibi pişirme stilleri.
- BesinÖzelliği – protein, yağ, karbonhidrat gramları, kalori.
- KullanıcıTercihi – “daha az yağ”, “yüksek protein”, “vegan alternatifi” vb.
Köprü (Edge) İlişkileri
- HAS_METHOD → Yöntem (tek bir tarif birden çok yöntemi destekleyebilir).
- HAS_NUTRITION → BesinÖzelliği (gerçek‑zamanlı besin hesaplaması).
- MATCHES_PREFERENCE → KullanıcıTercihi (kullanıcı profilindeki filtreleme).
Bu graf yapısı sayesinde “buharlı köfte, düşük yağ, 30 g protein” gibi üç‑lü sorgular tek bir DFS/ BFS turuyla cevaplanır. Neo4j ya da Dgraph gibi “native graph” DB’ler, ilişkisel tablolara göre %70‑80 daha hızlı sonuç verir.
2. İçerik Zenginleştirme: Vektör‑Temelli Malzeme Benzerliği
- Malzeme Vektörleri – her malzeme (kıyma, mercimek, kabak) için 300‑dimensional Word2Vec/fastText vektörü oluştur.
- Tarif Vektörleri – tarifin tüm malzeme vektörlerinin ortalaması alın.
- Cosine Similarity – kullanıcı fotoğrafındaki “kıyma tipi” (örnek: %80 dana, %20 kuzu) ile veri tabanındaki tarif vektörleri arasındaki benzerliği ölç.
Bu sayede “gönderdiğim fotoğraftaki kıymanın yağ oranı yüksek, hafif bir alternatif ver” isteği, benzer düşük‑yağlı tarifleri hızlıca sıralar.
3. Zaman Tasarrufu İçin “Kısa‑Kod” (Snippet) Katmanı
- Ön‑hesaplanmış “Pişirme Kodu”:
`json
{
"method":"ızgara",
"temp":200,
"time":12,
"rest":3
}
`
- Kullanıcı sadece “ızgara” seçtiğinde, snippets otomatik doldurulur → 3 saniyeden az sürede tarif tamamlanır.
4. Fitness‑Beslenme Entegrasyonu
- Makro‑Hesaplayıcı: Tarifteki %70 dana kıyma yerine %30 hindi + %70 mercimek eklenirse, protein +10 g, yağ -5 g olur. Bu değerler UI’da kırmızı/yeşil vurguyla gösterilir.
- Kalori‑Kontrol: 1 porsiyon köfte ≈ 250 kcal; kullanıcı hedefi 1800 kcal/ gün ise, “Bu tarif gün içinde 2 kez daha tüketilebilir” uyarısı eklenir.
5. Pratik Uygulama Önerileri
| Veri Yapısı | Neden? | Önerilen Teknoloji |
|-------------|--------|--------------------|
| Graph DB | Çok‑ilişkili sorgular (yöntem‑besin‑tercih) | Neo4j, Dgraph |
| Vector Store | Malzeme‑görsel eşleşmesi | Pinecone, Milvus |
| Cache (Redis) | En sık kullanılan 20 tarif → 0.01 s yanıt | Redis (TTL 5 dk) |
| Message Queue | Fotoğraf‑analiz → Vektör‑çıktı asenkron | RabbitMQ / Kafka |
6. Son Söz: “Köfte‑AI”nı Nasıl Çalıştırırsın?
- Fotoğrafı al → ön‑işleme → etiket (kıyma tipi, yağ oranı).
- Etiketi vektörle eşleştir → benzer tarif listesi.
- Kullanıcı tercihini (buharlı/ızgara) filtrele → graph query.
- Besin‑etiketleriyle beslenme uyarılarını ekle → sonuç.
Bu adımları birleştirirsen, “Köfteyi sadece 5 dakikada, diyetine uygun ve lezzetli bir şekilde” sunan bir sistem elde edersin. Şimdiden afiyet olsun, kaslar da mutlulukla zıplayacak! ??