CN109741125A - 推荐菜品的方法及装置、存储介质、电子装置 - Google Patents
推荐菜品的方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN109741125A CN109741125A CN201811428891.5A CN201811428891A CN109741125A CN 109741125 A CN109741125 A CN 109741125A CN 201811428891 A CN201811428891 A CN 201811428891A CN 109741125 A CN109741125 A CN 109741125A
- Authority
- CN
- China
- Prior art keywords
- vegetable
- trade company
- recommendation
- target trade
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种推荐菜品的方法及装置、存储介质、电子装置,其中,该方法包括:确定推荐菜品库;获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。通过本发明,解决了相关技术中线上录菜效率低下的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种推荐菜品的方法及装置、存储介质、电子装置。
背景技术
相关技术中,餐饮行业一直都是服务至上,商户拥有好的服务,更能吸引消费者,而在线上的餐饮服务中,商户的菜品是否丰富是反映商户服务和盈利的一个重要方面。信息过载是互联网面临的主要挑战。推荐***能从过载的信息中主动并且准确的为用户定位和推送符合其需求和预期的内容。由于用户的需求往往具有极大的模糊性和不确定性,因此推荐***的实现面临着很多理论和应用层面的瓶颈。
相关技术中,随着点餐业务的发展,商户录菜需求快速增长,相关技术中的录菜方法限制了商户录菜的效率,商户只能单个菜品逐一进行录入,效率低下。图1是本发明相关技术中录入菜品的场景图,商户通过拍照,语音,手动填写等逐一录入菜品。如公开号为CN108319641A的专利,公开了一种菜品信息录入方法及装置,通过扫描图片实现菜品的逐个录入。
相关技术中的录菜方法仍存在以下几个问题:商户想要录入的菜品信息可能是模糊的和不确定的,如换季的时候,商户想要上架一些当季的新菜,但是对当季菜的信息了解不全面;或者商户觉得菜品老旧,想添加几个当前时髦的新菜,但是由于各种原因对这方面的信息知之甚少。商户对这些菜品的不了解和不确定极大地限制了菜品的录入。由于录菜方式都是被动的,只有在商户主动的提出录菜需求,不能在商户犹豫不决或者没有录菜想法的时候主动的推荐菜品给商户。
针对相关技术中存在的上述问题,目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种推荐菜品的方法及装置、存储介质、电子装置。
根据本发明的一个实施例,提供了一种推荐菜品的方法,包括:确定推荐菜品库;获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。
可选的,根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品包括:计算所述菜品特征的第一特性信息量,和/或,计算所述用户特征的第二特性信息量;在所述第一特性信息量和/或所述第二特性信息量小于预设阈值时,采用第一推荐算法选择与所述目标商户匹配的推荐菜品;在所述第一特性信息量和/或所述第二特性信息量大于或等于预设阈值时,采用第二推荐算法选择与所述目标商户匹配的推荐菜品。
可选的,计算所述用户特征的第二特性信息量包括:判断所述目标商户是否为新入驻商户;在所述目标商户为新入驻商户时,确定所述第二特性信息量为0;在所述目标商户不是新入驻商户时,根据所述目标商户的已有菜品计算所述用户特征的第二特性信息量。
可选的,采用第一推荐算法选择与所述目标商户匹配的推荐菜品包括:根据所述菜品特征对所述推荐菜品库中的多个菜品按照热度进行排序;选择热度排行榜的前n个菜品作为所述目标商户匹配的推荐菜品,其中,n为大于0的整数。
可选的,采用第一推荐算法选择与所述目标商户匹配的推荐菜品包括:根据所述用户特征构建所述目标商户的用户画像;根据所述用户画像的兴趣点确定所述推荐菜品的推荐类型;选择属于所述推荐类型的菜品作为所述目标商户匹配的推荐菜品。
可选的,采用第二推荐算法选择与所述目标商户匹配的推荐菜品包括:采用长尾推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述长尾推荐算法包括以下至少之一:协同过滤推荐算法,关联规则挖掘算法。
可选的,采用长尾推荐算法选择与所述目标商户匹配的推荐菜品包括:根据所述用户特征获取所述目标商户已有菜品的共性特征;将所述推荐菜品库中包括所述共性特征的菜品确定为所述推荐菜品。
可选的,采用长尾推荐算法选择与所述目标商户匹配的推荐菜品包括:根据所述用户特征计算所述目标商户与除所述目标商户之外的其他商户的相似度;根据所述相似度查找与所述目标商户最相似的m个其他商户,其中,m为大于0的整数;将所述其他商户的所有菜品中与所述目标商户的已有菜品不重复的菜品确定为所述推荐菜品。
可选的,采用长尾推荐算法选择与所述目标商户匹配的推荐菜品包括:根据所述用户特征获取所述目标商户已有菜品的共性特征;使用预定关联规则确定所述共性特征的关联特征;将所述推荐菜品库中包括所述关联特征的菜品确定为所述推荐菜品。
可选的,获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征包括:根据以下信息获取所述推荐菜品库中菜品的菜品特征:菜品类型、菜品推荐次数、菜品评分,菜品的新鲜度,菜品来源的重合度,以及根据以下信息获取所述目标商户的用户特征:商户规模,商户菜系,商户位置、商户已有菜品的特征。
可选的,在根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品之后,所述方法还包括:判断所述推荐菜品的推荐指数是否满足条件阈值;在所述推荐菜品的推荐指数满足条件阈值时,在所述推荐菜品中选择匹配度最高的预定数量的菜品作为录入菜品展示在所述目标商户的菜品展示区。
可选的,在所述推荐菜品中选择匹配度最高的预定数量的菜品作为录入菜品反馈给所述目标商户之后,所述方法还包括:获取所述录入菜品的菜品特征;在所述录入菜品的菜品特征存在未包含在所述目标商户的已有菜品的特征集合中时,将所述录入菜品的菜品特征添加至所述特征集合。
根据本发明的另一个实施例,提供了一种推荐菜品的装置,包括:确定模块,用于确定推荐菜品库;获取模块,用于获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;选择模块,用于根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。
可选的,所述选择模块包括:计算单元,用于计算所述菜品特征的第一特性信息量,和/或,计算所述用户特征的第二特性信息量;第一选择单元,用于在所述第一特性信息量和/或所述第二特性信息量小于预设阈值时,采用第一推荐算法选择与所述目标商户匹配的推荐菜品;第二选择单元,用于在所述第一特性信息量和/或所述第二特性信息量大于或等于预设阈值时,采用第二推荐算法选择与所述目标商户匹配的推荐菜品。
可选的,所述计算单元还包括:判断子单元,用于判断所述目标商户是否为新入驻商户;计算子单元,用于在所述目标商户为新入驻商户时,确定所述第二特性信息量为0;在所述目标商户不是新入驻商户时,根据所述目标商户的已有菜品计算所述用户特征的第二特性信息量。
可选的,所述第二选择单元包括:选择子单元,用于采用长尾推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述长尾推荐算法包括以下至少之一:协同过滤推荐算法,关联规则挖掘算法。
可选的,所述选择子单元还用于:根据所述用户特征获取所述目标商户已有菜品的共性特征;将所述推荐菜品库中包括所述共性特征的菜品确定为所述推荐菜品。
可选的,所述选择子单元还用于:根据所述用户特征计算所述目标商户与除所述目标商户之外的其他商户的相似度;根据所述相似度查找与所述目标商户最相似的m个其他商户,其中,m为大于0的整数;将所述其他商户的所有菜品中与所述目标商户的已有菜品不重复的菜品确定为所述推荐菜品。
可选的,所述选择子单元还用于:根据所述用户特征获取所述目标商户已有菜品的共性特征;使用预定关联规则确定所述共性特征的关联特征;将所述推荐菜品库中包括所述关联特征的菜品确定为所述推荐菜品。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,确定推荐菜品库,并获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征,根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,能够主动并且批量地将目标商户可能感兴趣的菜品推荐给商户,解决了相关技术中线上录菜效率低下的技术问题,能在商户录菜意愿不是很明显的时候激发商户的录菜欲望,一方面能增加菜品的曝光度和点击率,另一方面能丰富商户菜品库中的菜品数量,支撑业务快速发展,避免了录菜方式只能逐一进行手动录菜的方式,提升了录菜效率和用户体验,从而提升餐饮平台的活跃率和使用率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明相关技术中录入菜品的场景图;
图2是本发明实施例的一种推荐菜品的硬件结构框图;
图3是根据本发明实施例的一种推荐菜品的方法流程图;
图4是本发明实施例的推荐策略流程图;
图5是本发明实施例的混合推荐算法的整体流程图;
图6是根据本发明实施例的推荐菜品的装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图2是本发明实施例的一种推荐菜品的硬件结构框图。如图2所示,服务器10可以包括一个或多个(图2中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图2所示的结构仅为示意,其并不对上述服务器的结构造成限定。例如,服务器10还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种推荐菜品的方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种推荐菜品的方法,图3是根据本发明实施例的一种推荐菜品的方法流程图,如图3所示,该流程包括如下步骤:
步骤S302,确定推荐菜品库;
本实施例中,推荐菜品库包括餐饮平台(如外卖平台)的所有菜品,推荐菜品库的来源可以为多个,包括目标商户所在的平台,以及第三方菜品库。推荐菜品库中的菜品包括:商户推荐菜品、用户评论菜品、店铺上架商品中的菜品。在采集到店铺上架商品时,由于菜品是商品的一个组成部分,因此可以对店铺上架商品进行清洗和过滤,得到菜品,同时,根据需要,可以采集菜品所属的商户信息(如菜品是哪一餐馆的)。
步骤S304,获取推荐菜品库中菜品的菜品特征和目标商户的用户特征;
步骤S306,根据菜品特征和用户特征基于混合推荐算法选择与目标商户匹配的推荐菜品,其中,混合推荐算法由多个推荐算法构成。
本实施例在推荐菜品库中选择推荐菜品,推荐菜品包括以下信息至少之一:菜品名称,菜品样图,菜品介绍。
本实施例的混合推荐算法可以解决协同过滤、基于内容和基于图结构等推荐算法各自的问题,由多个推荐算法构成。混合推荐算法并没有一种成型的算法或者固定的模式,它将多种推荐算法进行有机的结合,达到取长补短并使得推荐效果最佳,结合方式分为以下几种类型:简单组合,同时使用多种推荐技术,将结果进行简单加权组合。层次组合,将多种推荐技术进行先后层次划分,一个推荐模块过程中从另一个推荐模块中获取结果用于自己产出结果。框架集成:将多种推荐技术混合到一个框架下产生一种新推荐方法。
通过上述步骤,确定推荐菜品库,并获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征,根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,能够主动并且批量地将目标商户可能感兴趣的菜品推荐给商户,解决了相关技术中线上录菜效率低下的技术问题,能在商户录菜意愿不是很明显的时候激发商户的录菜欲望,一方面能增加菜品的曝光度和点击率,另一方面能丰富商户菜品库中的菜品数量,支撑业务快速发展,避免了录菜方式只能逐一进行手动录菜的方式,提升了录菜效率和用户体验,从而提升餐饮平台的活跃率和使用率。
本实施例中,目标商户是指餐饮平台上的商户,对应于消费者,目标商户通过在餐饮平台录入菜品,消费者在平台选择订购,但本实施例的方案也可以转用到其他的相似场景,如B2C或B2B的平台,可以应用于各种推荐商品的自动生成和录入。
可选的,获取推荐菜品库中菜品的菜品特征和目标商户的用户特征包括:根据以下信息获取推荐菜品库中菜品的菜品特征:菜品类型、菜品推荐次数、菜品评分,菜品的新鲜度,菜品来源的重合度,以及根据以下信息获取目标商户的用户特征:商户规模(单店,连锁,可容纳人数等),商户菜系(川菜,湘菜等),商户位置(上海,北京,郊区,商业区等)、商户已有菜品的特征(商户本地已录入菜品的特征)。菜品的新鲜度是指菜品食材是否为时令的食材,全部采用当季食材的菜品的新鲜度最高。
在本实施例中,考虑是否存在冷启动的场景,根据是否存在冷启动来分别采用不同的推荐算法是混合推荐算法的一部分,根据菜品特征和用户特征基于混合推荐算法选择与目标商户匹配的推荐菜品包括:
S11,计算菜品特征的第一特性信息量,和/或,计算用户特征的第二特性信息量;
S12,在第一特性信息量和/或第二特性信息量小于预设阈值时,采用第一推荐算法选择与目标商户匹配的推荐菜品;在第一特性信息量和/或第二特性信息量大于或等于预设阈值时,采用第二推荐算法选择与目标商户匹配的推荐菜品。
在一个示例中,仅考虑用户特征的第二特性信息量,包括计算用户特征的第二特性信息量,在第二特性信息量小于预设阈值时,采用第一推荐算法选择与目标商户匹配的推荐菜品;在第二特性信息量大于或等于预设阈值时,采用第二推荐算法选择与目标商户匹配的推荐菜品。
下面对有无冷启动的场景采用的第一推荐算法和第二推荐算法进行详细说明:
在本实施例中,计算用户特征的第二特性信息量包括:判断目标商户是否为新入驻商户;在目标商户为新入驻商户时,确定第二特性信息量为0;在目标商户不是新入驻商户时,根据目标商户的已有菜品计算用户特征的第二特性信息量。在目标商户为新入驻商户且在整个平台无店(如分店,加盟店等),商户店铺中菜品数量、类型等特征信息不够充足时,都会导致第二特性信息量小于预设阈值,即为冷启动的场景。目标商户的用户特征有很多,但在考虑冷启动的场景计算特征信息量时,本实施例考虑了其中的是否为新入驻商户以及目标商户的已有菜品。
在冷启动的场景中,对目标商户进行非个性化推荐,如推荐热门菜品排行榜中的菜品等,采用第一推荐算法选择与目标商户匹配的推荐菜品包括:根据菜品特征对推荐菜品库中的多个菜品按照热度进行排序;选择热度排行榜的前n个菜品作为目标商户匹配的推荐菜品,其中,n为大于0的整数。
在冷启动的场景中,也可以对商户信息进行分析后进行推荐。采用第一推荐算法选择与目标商户匹配的推荐菜品包括:根据用户特征构建目标商户的用户画像,目标商户的用户特征可以通过分析以下信息来获取:商户所用的手机型号、手机安装的app类型、商户的兴趣行为等;根据用户画像的兴趣点确定推荐菜品的推荐类型;选择属于推荐类型的菜品作为目标商户匹配的推荐菜品。
在无冷启动的场景中,采用进行长尾推荐算法,即根据协同过滤等经典推荐算法,基于内容和基于用户进行分析推荐,还可以加入关联规则挖掘来进一步提高推荐效率,采用第二推荐算法选择与目标商户匹配的推荐菜品包括:采用长尾推荐算法选择与目标商户匹配的推荐菜品,其中,长尾推荐算法包括以下至少之一:协同过滤推荐算法,关联规则挖掘算法。
在协同过滤推荐算法为基于内容的推荐算法时,采用长尾推荐算法选择与目标商户匹配的推荐菜品包括:根据用户特征获取目标商户已有菜品的共性特征;将推荐菜品库中包括共性特征的菜品确定为推荐菜品。如目标商户已录入的菜品中,包括:剁椒鱼头,麻辣小龙虾,辣椒炒肉,通过分析,其包括共性特征为湘菜,则可以将推荐菜品库中的其他湘菜(如湘西外婆菜,臭豆腐等)作为推荐菜品。
在协同过滤推荐算法为基于用户的推荐算法时,采用长尾推荐算法选择与目标商户匹配的推荐菜品包括:根据用户特征计算目标商户与除目标商户之外的其他商户的相似度;根据相似度查找与目标商户最相似的m个其他商户,其中,m为大于0的整数;将其他商户的所有菜品中与目标商户的已有菜品不重复的菜品确定为推荐菜品。基于用户的协同过滤推荐算法主要分为两步,第一步是求出商户之间的相似度,第二步是根据商户之间的相似度找出与待推荐的商户最为相似的几个商户并根据他们的兴趣爱好向待推荐商户推荐其可能会感兴趣的商品。如根据目标商户的用户特征得知,目标商户为湘菜馆,在推荐菜品库中找到其他湘菜馆,将其他湘菜馆中与该湘菜馆未重复的菜品(如湘菜菜品)作为推荐菜品。
在长尾推荐算法为关联规则挖掘算法时,采用长尾推荐算法选择与目标商户匹配的推荐菜品包括:根据用户特征获取目标商户已有菜品的共性特征;使用预定关联规则确定共性特征的关联特征,除了确定共性特征的关联特征之外,还可以确定已有菜品的每个菜品特征的关联特征;将推荐菜品库中包括关联特征的菜品确定为推荐菜品。预定关联规则是预先设定的,通过菜品之间的搭配,或者菜品与配料的搭配(如啤酒炸鸡,花生米二锅头等)来设定,如超过预定比例的消费者在点了小龙虾的同时还会点剁椒鱼头,则小龙虾和剁椒鱼头的特征互为关联特征。
在本实施例中,在根据菜品特征和用户特征基于混合推荐算法选择与目标商户匹配的推荐菜品之后,还包括:判断推荐菜品的推荐指数是否满足条件阈值;在推荐菜品的推荐指数满足条件阈值时,在推荐菜品中选择匹配度最高的预定数量的菜品作为录入菜品展示在目标商户的菜品展示区。条件阈值可以是推荐指数,可以是推荐数量、推荐评分、推荐类型(相关指数)等的综合评价指标,用于判定本次推荐的内容(菜品)是否符合商户预期。
可选的,在推荐菜品中选择匹配度最高的预定数量的菜品作为录入菜品反馈给目标商户之后,还包括:获取录入菜品的菜品特征;在录入菜品的菜品特征存在未包含在目标商户的已有菜品的特征集合中时,将录入菜品的菜品特征添加至特征集合。根据商户的菜品使用情况不断优化商户的用户特征集合,新的特征集合能不断学习,使得每一次推荐都不一样,使推荐结果更加准确智能。
图4是本发明实施例的推荐策略流程图,步骤包括:
S41,生成推荐菜品库,推荐菜品库有三个来源,包括本地菜品库和第三方菜品库。
S42,使用异构信息融合的方法对菜品特征和商户的用户特征进行提取和整合。提取的特征包括菜品类型、菜品推荐次数、菜品评分以及商户的相关信息。针对影响菜品推荐准确度和召回率的变量进行实验,实验结果表明菜品的“新鲜度”对菜品推荐的准确率和召回率具有较大影响。所以本实施例在菜品特征中加入了菜品新鲜度和来源重合度两个维度的特征。
S43,定义并实现混合推荐算法,产生符合用户预期的推荐菜列表。
S44,使用皮尔逊相似度、(修正)余弦相似度和杰卡德相似度等相似度计算方法对推荐菜品进行相似度计算。
S45,依据相似度进行排序,返回推荐结果,反馈给商户展示在菜品区域。
图5是本发明实施例的混合推荐算法的整体流程图,步骤包括:
S51,初始化菜品特征和用户特征;
S52,根据菜品特征和用户特征判定是否存在冷启动,若满足以下其中一条则判定存在冷启动问题,若都不满足则无冷启动问题:商户为新入驻商户且在其他平台无店,商户店铺中菜品数量、类型等特征信息不够充足;
S53,若存在冷启动问题则对商户进行非个性化推荐,如推荐热门菜品排行榜中的菜品等。还可以对用户信息进行分析后进行推荐,如用户手机型号、安装app类型、用户兴趣分析等等。
S54,若不存在冷启动问题则进行长尾推荐,即根据协同过滤等推荐算法,基于内容和基于用户进行分析推荐,还可以加入关联规则挖掘来进一步提高推荐效率。
S55,第一轮推荐完成后判断推荐指数是否达到设定的条件阈值,推荐指数可以是推荐数量、推荐评分、推荐类型(相关)等的综合评价指标,用于判定本次推荐的内容(菜品)是否符合商户预期,若推荐指数未达标,则再次进行S52,S53,S54步操作;若达标,则对推荐结果的特征进行线性加权得到前k个混合结果,取top k。
S56,对混合结果进行进一步分析,判断是否产生新的特征,若产生则加入新特征到特征集合;若没有则直接产生推荐列表。根据商户使用情况不断优化特征集合,新的特征集合能不断学习,使得每一次推荐都不一样,达到千人千面,同时也能使推荐结果更加准确。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
在本实施例中还提供了一种推荐菜品的装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的推荐菜品的装置的结构框图,可以应用在餐饮服务器或终端中,如图6所示,该装置包括:
确定模块60,用于确定推荐菜品库;
获取模块62,用于获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;
选择模块64,用于根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。
可选的,所述选择模块包括:计算单元,用于计算所述菜品特征的第一特性信息量,和/或,计算所述用户特征的第二特性信息量;第一选择单元,用于在所述第一特性信息量和/或所述第二特性信息量小于预设阈值时,采用第一推荐算法选择与所述目标商户匹配的推荐菜品;第二选择单元,用于在所述第一特性信息量和/或所述第二特性信息量大于或等于预设阈值时,采用第二推荐算法选择与所述目标商户匹配的推荐菜品。
可选的,所述计算单元还包括:判断子单元,用于判断所述目标商户是否为新入驻商户;计算子单元,用于在所述目标商户为新入驻商户时,确定所述第二特性信息量为0;在所述目标商户不是新入驻商户时,根据所述目标商户的已有菜品计算所述用户特征的第二特性信息量。
可选的,所述第二选择单元包括:选择子单元,用于采用长尾推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述长尾推荐算法包括以下至少之一:协同过滤推荐算法,关联规则挖掘算法。
可选的,所述选择子单元还用于:根据所述用户特征获取所述目标商户已有菜品的共性特征;将所述推荐菜品库中包括所述共性特征的菜品确定为所述推荐菜品。
可选的,所述选择子单元还用于:根据所述用户特征计算所述目标商户与除所述目标商户之外的其他商户的相似度;根据所述相似度查找与所述目标商户最相似的m个其他商户,其中,m为大于0的整数;将所述其他商户的所有菜品中与所述目标商户的已有菜品不重复的菜品确定为所述推荐菜品。
可选的,所述选择子单元还用于:根据所述用户特征获取所述目标商户已有菜品的共性特征;使用预定关联规则确定所述共性特征的关联特征;将所述推荐菜品库中包括所述关联特征的菜品确定为所述推荐菜品。
需要说明的是,终端和服务器仅是方案在执行主体上的差异,上述识别终端中的各个示例和可选方案同样适应在服务器中,并产生相同的技术效果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例的一个方面中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,确定推荐菜品库;
S2,获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;
S3,根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例的一个方面中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,确定推荐菜品库;
S2,获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;
S3,根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种推荐菜品的方法,其特征在于,包括:
确定推荐菜品库;
获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;
根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。
2.根据权利要求1所述的方法,其特征在于,根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品包括:
计算所述菜品特征的第一特性信息量,和/或,计算所述用户特征的第二特性信息量;
在所述第一特性信息量和/或所述第二特性信息量小于预设阈值时,采用第一推荐算法选择与所述目标商户匹配的推荐菜品;在所述第一特性信息量和/或所述第二特性信息量大于或等于预设阈值时,采用第二推荐算法选择与所述目标商户匹配的推荐菜品。
3.根据权利要求2所述的方法,其特征在于,计算所述用户特征的第二特性信息量包括:
判断所述目标商户是否为新入驻商户;
在所述目标商户为新入驻商户时,确定所述第二特性信息量为0;在所述目标商户不是新入驻商户时,根据所述目标商户的已有菜品计算所述用户特征的第二特性信息量。
4.根据权利要求2所述的方法,其特征在于,采用第一推荐算法选择与所述目标商户匹配的推荐菜品包括:
根据所述菜品特征对所述推荐菜品库中的多个菜品按照热度进行排序;
选择热度排行榜的前n个菜品作为所述目标商户匹配的推荐菜品,其中,n为大于0的整数。
5.根据权利要求2所述的方法,其特征在于,采用第一推荐算法选择与所述目标商户匹配的推荐菜品包括:
根据所述用户特征构建所述目标商户的用户画像;
根据所述用户画像的兴趣点确定所述推荐菜品的推荐类型;
选择属于所述推荐类型的菜品作为所述目标商户匹配的推荐菜品。
6.根据权利要求2所述的方法,其特征在于,采用第二推荐算法选择与所述目标商户匹配的推荐菜品包括:
采用长尾推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述长尾推荐算法包括以下至少之一:协同过滤推荐算法,关联规则挖掘算法。
7.根据权利要求6所述的方法,其特征在于,采用长尾推荐算法选择与所述目标商户匹配的推荐菜品包括:
根据所述用户特征获取所述目标商户已有菜品的共性特征;
将所述推荐菜品库中包括所述共性特征的菜品确定为所述推荐菜品。
8.一种推荐菜品的装置,其特征在于,包括:
确定模块,用于确定推荐菜品库;
获取模块,用于获取所述推荐菜品库中菜品的菜品特征和目标商户的用户特征;
选择模块,用于根据所述菜品特征和所述用户特征基于混合推荐算法选择与所述目标商户匹配的推荐菜品,其中,所述混合推荐算法由多个推荐算法构成。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811428891.5A CN109741125A (zh) | 2018-11-27 | 2018-11-27 | 推荐菜品的方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811428891.5A CN109741125A (zh) | 2018-11-27 | 2018-11-27 | 推荐菜品的方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741125A true CN109741125A (zh) | 2019-05-10 |
Family
ID=66358238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811428891.5A Pending CN109741125A (zh) | 2018-11-27 | 2018-11-27 | 推荐菜品的方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741125A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN111210267A (zh) * | 2019-12-27 | 2020-05-29 | 北京三快在线科技有限公司 | 研发菜品推荐方法、装置、电子设备 |
CN111882404A (zh) * | 2020-08-06 | 2020-11-03 | 上海风秩科技有限公司 | 一种关联推送处理方法及装置 |
CN113269602A (zh) * | 2020-02-17 | 2021-08-17 | 北京京东振世信息技术有限公司 | 物品推荐的方法和装置 |
CN113781175A (zh) * | 2021-09-14 | 2021-12-10 | 广西中烟工业有限责任公司 | 一种卷烟新品推荐方法和推荐*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096991A (zh) * | 2016-05-19 | 2016-11-09 | 北京三快在线科技有限公司 | 一种套餐的自动生成方法和装置 |
CN107391687A (zh) * | 2017-07-24 | 2017-11-24 | 华中师范大学 | 一种面向地方志网站的混合推荐*** |
CN108769159A (zh) * | 2018-05-16 | 2018-11-06 | 北京豆果信息技术有限公司 | 一种电子菜谱智能推荐方法 |
-
2018
- 2018-11-27 CN CN201811428891.5A patent/CN109741125A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096991A (zh) * | 2016-05-19 | 2016-11-09 | 北京三快在线科技有限公司 | 一种套餐的自动生成方法和装置 |
CN107391687A (zh) * | 2017-07-24 | 2017-11-24 | 华中师范大学 | 一种面向地方志网站的混合推荐*** |
CN108769159A (zh) * | 2018-05-16 | 2018-11-06 | 北京豆果信息技术有限公司 | 一种电子菜谱智能推荐方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN111210267A (zh) * | 2019-12-27 | 2020-05-29 | 北京三快在线科技有限公司 | 研发菜品推荐方法、装置、电子设备 |
CN113269602A (zh) * | 2020-02-17 | 2021-08-17 | 北京京东振世信息技术有限公司 | 物品推荐的方法和装置 |
CN111882404A (zh) * | 2020-08-06 | 2020-11-03 | 上海风秩科技有限公司 | 一种关联推送处理方法及装置 |
CN113781175A (zh) * | 2021-09-14 | 2021-12-10 | 广西中烟工业有限责任公司 | 一种卷烟新品推荐方法和推荐*** |
CN113781175B (zh) * | 2021-09-14 | 2023-11-28 | 广西中烟工业有限责任公司 | 一种卷烟新品推荐方法和推荐*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741125A (zh) | 推荐菜品的方法及装置、存储介质、电子装置 | |
US10474705B2 (en) | Iterative image search algorithm informed by continuous human-machine input feedback | |
WO2017113642A1 (zh) | 基于食谱的信息推送方法与装置 | |
US20150169758A1 (en) | Multi-partite graph database | |
CN107391531B (zh) | 一种菜品推荐方法和装置 | |
US9812022B2 (en) | Method and apparatus for providing healthier food purchase suggestions to a shopper | |
CN111209482A (zh) | 一种菜谱的推送方法和装置 | |
CN108897768B (zh) | 一种点餐方法及装置,电子设备 | |
CN103729777A (zh) | 基于图像识别技术的网络购物方法、购物装置及购物*** | |
CN107092647B (zh) | 一种提供资源组合的方法及装置 | |
CN109583999A (zh) | 订餐信息推荐方法、装置、电子设备及存储介质 | |
CN111400507B (zh) | 实体匹配方法及其装置 | |
JP2002150071A (ja) | 商品検索方法及び装置 | |
US11823042B2 (en) | System for measuring food weight | |
KR20170092364A (ko) | 레시피 제공 방법 및 이를 실행하는 서버 | |
CN107092616B (zh) | 一种对象排序方法及装置 | |
CN107230131A (zh) | 一种菜品推荐方法、装置及*** | |
CN106547365A (zh) | 商品推荐的方法和装置 | |
CN111639266A (zh) | 推荐信息生成方法、装置、电子设备及可读存储介质 | |
EP3824427A1 (en) | Determining item relevancy | |
CN110750697A (zh) | 商户分类方法、装置、设备及存储介质 | |
KR20220001617A (ko) | 고객 빅데이터를 활용한 상품 추천 방법, 장치 및 시스템 | |
KR20220001616A (ko) | 통합 고객 식별자 생성을 기반으로 하는 고객 빅데이터 구축 방법, 장치 및 시스템 | |
CN115795136A (zh) | 一种数据处理方法、装置及设备 | |
CN110874785A (zh) | 餐品套餐信息的确定方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |