CN110020186A - 一种餐厅推荐方法及*** - Google Patents
一种餐厅推荐方法及*** Download PDFInfo
- Publication number
- CN110020186A CN110020186A CN201810430336.XA CN201810430336A CN110020186A CN 110020186 A CN110020186 A CN 110020186A CN 201810430336 A CN201810430336 A CN 201810430336A CN 110020186 A CN110020186 A CN 110020186A
- Authority
- CN
- China
- Prior art keywords
- shop
- user
- information
- recommendation list
- sub
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 107
- 238000012216 screening Methods 0.000 claims abstract description 78
- 230000008707 rearrangement Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000005686 eating Nutrition 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/12—Hotels or restaurants
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种餐厅推荐方法及***,所述方法包括:获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;通过计算所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;按照所述重新排序后的各子推荐列表中的各店铺的排列顺序以循环的方式依次从各子推荐列表中输出推荐结果。
Description
技术领域
本申请涉及网络信息技术领域,特别涉及一种餐厅推荐方法及***。
背景技术
随着经济发展和社会进步,人们的用餐***台。这些“平台”例如包括:网站、手机APP和微信公众号等。通过与互联网+技术的结合,这些“平台”一方面能够为餐饮品牌提供更多的商机,另一方面也能够为普通消费用户提供便捷餐厅推荐,用户可以通过输入筛选条件找到附近符合自己喜好的餐厅。
如何利用平台资源帮助用户在海量的餐饮店铺信息中便捷地找到适合的餐厅并向用户推荐,以及如何利用已知的用户信息有针对性地向目标群体进行推荐,这些都是判断餐厅推荐平台实际效果的因素,换言之,平台的推荐能力和用户的使用体验决定了推荐平台本身的发展前景。
现有技术中,已经有很多能够帮助用户从海量信息中“发现”用户可能感兴趣的产品的***,例如:亚马逊的图书推荐***、Netfix的影视作品推荐***等,这些***已经能够为用户提供良好的推荐体验,但是,餐饮行业的推荐与这些产品的推荐会有所不同,例如在线观看影视作品时无需考虑距离因素,但是餐饮推荐中用户所在位置与店铺的距离是推荐时重要的筛选条件;再如很少有人会多次购买同一本书,而餐饮推荐可能需要根据用户是否为特定餐厅或品牌的潜在回头客而对用户的喜好做出预判,据此筛选出适合用户的推荐餐厅。
推荐***作为一个被广泛研究的领域,已有一些较为成熟的解决方法。
现有的推荐方案一般无法覆盖多样化的餐厅推荐需求。另外,现有的餐厅推荐算法大都只基于餐厅距离、用户偏好相似度和商业维度以及用评分这些参数,无法充分匹配不同喜好的用户的实际需求,推荐的准确率较低。此外现有的推荐方案也无法保证平台中所登记的各家餐厅都有被推荐的机会,即推荐覆盖率不高。
发明内容
有鉴于此,本申请综合利用多种推荐技术提供一种餐厅推荐方法、***、计算设备和计算机可读存储介质,以解决现有技术中存在的技术缺陷,实现了更好的推荐效果。
本申请实施例一方面提供一种餐厅推荐方法,所述方法包括:
获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
计算所述子推荐列表中的每个店铺所对应的增益因子;
采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;
按照所述重新排序后的各子推荐列表中各店铺的排列顺序以循环的方式依次从各子推荐列表中输出推荐结果。
可选地,所述按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合包括:
根据所述用户基本信息按照预设的初步筛选规则确定初步筛选条件;
在现有的店铺信息库中筛选符合所述初步筛选条件的店铺集合。
可选地,对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法包括:
依据所述用户基本信息和/或所述店铺基本信息提取执行所述推荐算法的推荐参数;
依据所述推荐参数对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法。
可选地,所述推荐算法包括:基于物品协同过滤的推荐算法、基于二分图的推荐算法、基于矩阵分解的推荐算法或附近最热门店铺推荐算法。
可选地,所述用户基本信息至少包含以下信息中的任一或任意多个的组合:
用户注册信息、用户位置信息、用户喜好信息、用户消费信息和用户到店的历史记录信息。
可选地,所述店铺基本信息至少包含以下信息中的任一或任意多个的组合:
店铺注册信息、店铺所属品牌信息、店铺位置信息、店铺消费信息和店铺能够提供的服务项目信息。
可选地,所述计算所述子推荐列表中的每个店铺所对应的增益因子包括:
根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离;
根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值;
根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子。
可选地,所述计算所述子推荐列表中的每个店铺所对应的增益因子还包括:
根据所述用户到店的历史记录信息,判断用户是否曾经去过所述店铺的所属品牌;
根据所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,计算第二增益因子。
可选地,所述计算所述子推荐列表中的每个店铺所对应的增益因子还包括:
基于所述店铺信息和所述用户信息根据预定的规则预测所述用户是否是所述店铺所属品牌的潜在回头客;
根据所述用户是否是所述店铺所属品牌的潜在回头客和所述用户最近一次在所述店铺的所属品牌就餐的时间间隔计算第三增益因子。
本申请实施例另一方面还提供一种餐厅推荐***,所述***包括信息获取模块、推荐算法执行模块和推荐列表生成模块,其中:
所述信息获取模块被配置为获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
所述推荐算法执行模块被配置为对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
所述推荐列表生成模块被配置为计算所述子推荐列表中的每个店铺所对应的增益因子,采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序,并且按照所述重新排序后的各子推荐列表中各店铺的排列顺序以循环的方式依次从各子推荐列表中输出推荐结果。
可选地,所述推荐算法包括:基于物品协同过滤的推荐算法、基于二分图的推荐算法、基于矩阵分解的推荐算法或附近最热门店铺推荐算法。
可选地,所述用户基本信息至少包含以下信息中的任一或任意多个的组合:
用户注册信息、用户位置信息、用户喜好信息、用户消费信息和用户到店的历史记录信息。
可选地,所述店铺基本信息至少包含以下信息中的任一或任意多个的组合:
店铺注册信息、店铺品牌信息、店铺位置信息、店铺消费信息和店铺能够提供的服务项目信息。
可选地,所述推荐列表生成模块包括第一增益因子计算子模块,所述第一增益因子计算子模块被配置为根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离,根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值,并且根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子。
可选地,所述推荐列表生成模块还包括第二增益因子计算子模块,所述第二增益因子计算子模块被配置为根据所述用户到店的历史记录信息,判断用户是否曾经去过所述店铺的所属品牌,并且根据所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,计算第二增益因子。
可选地,所述推荐列表生成模块还包括第三增益因子计算子模块,所述第三增益因子计算子模块被配置为基于所述店铺信息和所述用户信息根据预定的规则预测所述用户是否是所述店铺所属品牌的潜在回头客,并且根据所述用户是否是所述店铺所属品牌的潜在回头客和所述用户最近一次在所述店铺的所属品牌就餐的时间间隔计算第三增益因子。
本申请实施例另一方面还提供一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令,其特征在于,所述处理器执行所述指令时实现上述餐厅推荐方法。
本申请实施例另一方面还提供一种计算机可读存储介质,其存储有计算机指令,其特征在于,该指令被处理器执行时实现上述餐厅推荐方法。
本申请提供的餐厅推荐方法将多种推荐算法组合应用于餐厅推荐,能够覆盖多样化的餐厅推荐需求。通过引入多种增益因子的方式,匹配不同喜好类型的用户需求类型,提高了推荐的准确率。为在平台中登记的所有餐厅提供了被推荐的机会,从而提高了各类型餐厅通过平台推荐自己的积极性,进一步促进了平台的发展。
附图说明
图1是本申请一实施例的餐厅推荐方法的流程示意图;
图2是本申请另一实施例的餐厅推荐方法的流程示意图;
图3是本申请另一实施例的餐厅推荐方法的流程示意图;
图4是本申请另一实施例的餐厅推荐方法的流程示意图;
图5是本申请一实施例的餐厅推荐***的结构示意图;
图6是本申请另一实施例的餐厅推荐***的结构示意图;
图7是本申请另一实施例的餐厅推荐***的结构示意图;
图8是本申请另一实施例的餐厅推荐***的结构示意图;
图9是本申请一实施例的计算设备的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本申请中,“第一”、“第二”、“第三”、“第四”等仅用于彼此的区分,而非表示重要程度及顺序、以及互为存在的前提等。
不同的人对于“去哪儿吃”的问题会有不同的想法,即使是同一个人处在不同的条件下对于“去哪儿吃”的问题也可能会有不同的回答,因此本申请通过结合多种差异化的推荐算法,为不同需求的用户搜寻与符合其喜好和当前所处条件的餐厅。
在本申请一实施例中,提供了一种如图1所示的餐厅推荐方法,所述方法包括:
步骤101:获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
步骤102:对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
步骤103:计算所述子推荐列表中的每个店铺所对应的增益因子;
步骤104:采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;
步骤105:按照所述重新排序后的各子推荐列表中各店铺的排列顺序以循环的方式依次从各子推荐列表中输出推荐结果。
由于不同的推荐算法的结果分别针对不同的侧重点,以轮询的方式输出推荐结果能够以较小的复杂度保留各算法推荐结果的特点。其中,按照所述重新排序后的各子推荐列表中各店铺的排列顺序以循环的方式依次从各子推荐列表中输出推荐结果是指:按照预先设定的顺序,例如,按照算法一至算法四的顺序,从多个子推荐列表中分别取出排名第一的餐厅,然后再按照所述顺序取出排名第二的餐厅,以此类推。实际操作中,一般会预先定义最终推荐结果的输出长度,这个长度代表最终推荐结果中所包含的餐厅数量。
输出推荐结果的过程例如为,分别采用四种不同的推荐算法各自产生长度为20的子推荐列表R1、R2、R3和R4。假设最终推荐结果R长度为6,则R的输出顺序为,先从四个子推荐列表R1-R4中分别取出排名第一的餐厅,然后再取出子推荐列表R1和R2中排名第二的餐厅,即R1(1),R2(1),R3(1),R4(1),R1(2),R2(2)。
考虑到各子推荐列表中可能会出现重复推荐的餐厅,在生成总推荐列表时可通过定义一个getOneQualifiedItem函数来解决这个问题。所述函数getOneQualifiedItem可以定义为用于实现从各子推荐列表中删除已经在推荐列表中的店铺,并顺位补充新的推荐店铺。
所述函数getOneQualifiedItem也可以定义为用于从各子推荐列表中删除与推荐列表中已经存在的店铺所属于相同品牌的店铺(其他门店),并顺位补充新的推荐店铺,作为一种优选的实施方式,这样定义函数getOneQualifiedItem更有利于提高推荐店铺的覆盖率,使更多的店铺获得被推荐的机会。
可选地,所述步骤101中的所述按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合包括:
根据所述用户基本信息按照预设的初步筛选规则确定初步筛选条件;
在现有的店铺信息库中筛选符合所述初步筛选条件的店铺集合。
个性化推荐***评价有两个重要指标,一个是召回率,另一个是准确率。在餐厅推荐***中,召回率=正确推荐的店铺数量与符合初步筛选条件的店铺集合中的店铺数量的比值;准确率=正确推荐的店铺数量与推荐列表中的店铺数量的比值。召回率大小直接影响准确率,也直接影响机器学习模型、深度学习模型线上效果。因此根据所述用户基本信息按照预设的初步筛选规则确定初步筛选条件对于之后推荐算法的执行效果也是至关重要的。常用的筛选规则包括:目标地点的位置、所述城市、所述商圈、口味偏好、菜系、消费价格区间、店铺提供的服务等。本申请实施例中,所述店铺提供的服务可以包括:有无停车位、有无无烟就餐区、有无儿童活动区等。
可选地,所述用户基本信息至少包含以下信息中的任一或任意多个的组合:
用户注册信息、用户位置信息、用户喜好信息、用户消费信息和用户到店的历史记录信息。
可选地,所述店铺基本信息至少包含以下信息中的任一或任意多个的组合:
店铺注册信息、店铺所属品牌信息、店铺位置信息、店铺消费信息和店铺能够提供的服务项目信息。
收集相关性强、准确性高的用户信息和店铺信息能够使推荐算法的结果正确率更高。
可选地,该实施例的步骤102中的对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表包括:
依据所述用户基本信息和/或所述店铺基本信息提取执行所述推荐算法的推荐参数;
依据所述推荐参数对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法。
从推荐效果和复杂度等方面考虑,所述推荐算法可以包括:基于物品协同过滤的推荐算法、基于二分图的推荐算法、基于矩阵分解的推荐算法或附近最热门店铺推荐算法。以下通过具体示例来分别介绍这四种推荐算法的实现步骤。
其中,第一种推荐算法是基于物品协同过滤的推荐算法。
所述基于物品协同过滤的推荐算法包括:
从用户到店的历史记录信息中获取用户曾经去过的店铺信息,建立每个用户曾经去过的店铺列表。所述列表的形式例如为用户标识-店铺列表(userID-shopList)矩阵。
可通过遍历所述Table1中的所有记录,分别建立N和C两个表。所述表N记录去过每家店铺的用户数量,所述表C记录曾经去过同样两家店铺的用户数量。即表N记录每家店铺在出现在平台用户曾经去过的店铺列表中的次数,表C记录两家店铺共同出现在同一用户曾经去过的店铺列表中的次数。
根据公式1针对在平台注册的所有店铺shop1,shop2,…,shopn建立各店铺之间的相关性列表ShopCorrelationTable,
其中i,j∈1至n,n代表在平台注册的店铺数量,n为正整数;
C(shopi,shopj)代表去过店铺shopi也去过店铺shopj的平台用户数量;
N(shopi)代表去过店铺shopi的平台用户数量,N(shopj)代表去过店铺shopj的平台用户数量;
用去过店铺shopi也去过店铺shopj的平台用户数量C(shopi,shopj)除以系数是为了适当降低热门店铺的相关性,由于同时去过两家热门店铺的用户数量通常会比同时去过两家非热门店铺的用户数量要多,因此会导致热门店铺的推荐频率较高而符合用户喜好的非热门店铺无法得到被推荐的机会。
所述店铺的相关性列表ShopCorrelationTable的形式例如为店铺标识列表与店铺列表(shopList-shopList)的矩阵,其中横纵坐标交叉点(shopi,shopj)处的矩阵元素代表shopi与shopj的相似度,数值越大代表两个店铺shopi,shopj的客户群体重合性越高。
获取代表目标用户曾经去过的店铺的列表αi=(α1,α2,……,αm),i∈1至m,m为正整数,αi取值为0或1,αi的取值代表用户是否曾经去过该店铺,0代表没去过,1代表去过,通过计算目标用户曾经去过的店铺和其他店铺的相似度,找到与曾经去过的店铺相似度高的店铺的集合,并从中去除所述用户曾经去过的店铺,最终通过公式2得到基于物品协同过滤的推荐算法的子推荐列表,
其中,i∈1至m,m为正整数,αi取值为0或1,αi的取值代表用户是否曾经去过该店铺,0代表没去过,1代表去过;ShopCorrelationTable(i,*)代表店铺i与其他店铺的相关系数形成的向量。
以下,通过一个具体的例子来描述第一种推荐算法的计算过程,由于所述基于物品协同过滤的推荐算法的输入为符合初步筛选条件的店铺集合,因此所有可能获得推荐的店铺都包含在所述集合中。例如,初步筛选条件为距离5公里内的川菜饭馆,假设符合该条件的店铺集合为(shop1,shop2,…,shop6)=(A,B,C,D,E,F)。
表1为根据公式2计算得到的符合条件的店铺的相关性列表ShopCorrelationTable:
shopID | A | B | C | D | E | F | G | H |
A | 1 | 0.19 | 0.21 | 0.45 | 0.03 | 0.15 | 0.33 | 0.36 |
B | - | 1 | 0.63 | 0.03 | 0.19 | 0.22 | 0.63 | 0.14 |
C | - | - | 1 | 0.17 | 0.29 | 0.27 | 0.07 | 0.42 |
D | - | - | - | 1 | 0.23 | 0.32 | 0.26 | 0.33 |
E | - | - | - | - | 1 | 0.63 | 0.11 | 0.24 |
F | - | - | - | - | - | 1 | 0.71 | 0.08 |
G | - | - | - | - | - | - | 1 | 0.18 |
H | - | - | - | - | - | - | - | 1 |
表1
在表1中,各店铺与自己本身的相似度为1,不参与计算。标记为“-”的区域表示重复出现的店铺之间的相似度,即(A,B)与(B,A)一样,都代表A和B的相似度。
例如根据用户ID获得用户曾经去过的店铺列表为:(A,D)。
根据用户曾经去过的店铺列表,计算出符合初步筛选条件的店铺集合(A,B,C,D,E,F)中各店铺推荐权重,其中:
当i=1,因为用户曾经去过店铺A,所以α1=1,相应的:
ShopCorrelationTable(i,*)=(NULL,0.19,0.21,0.45,0.03,0.15,0.33,0.36);
当i=2,因为用户没去过店铺B,所以α2=0;
以同样的方式对符合初步筛选条件的店铺集合中所有店铺进行相似度的计算,最终将对应于各店铺的相似度向量相加。
由于本例中用户只去过A和D两个店铺,因此店铺A和D对应的向量相加即为RecommendListItemCF的结果:
RecommendListItemCF=(NULL,0.19,0.21,0.45,0.03,0.15,0.33,0.36)+(0.45,0.03,0.17,NULL,0.23,0.32,0.26,0.33)
=(0.45,0.22,0.38,0.45,0.26,0.47,0.59,0.69)。
之后可根据RecommendListItemCF形成子推荐列表,即由于第1和第4个元素是是用户曾经去过的店铺(A,D),将其删除;由于第8个元素不在符合初步筛选条件的店铺集合中,将其删除;剩下的元素按照权重从大到小排序,如果子推荐列表长度为3,则算法对应的子推荐列表为:G(0.59),F(0.47),C(0.38)。
第二种推荐算法是基于二分图的推荐算法。
所述基于二分图的推荐算法包括:
获取平台用户去过的商家店铺记录Table1,将用户标识UserID和店铺标识shopID作为二分图的两类节点,将Table1转化为加权二分图。如果用户去过某家店铺,则相应的UserID和shopID两个节点之间有边相连。两个UserID之间没有直接的边相连,只能通过两个用户共同去过的某一店铺的shopID间接相连。类似的,两个shopID之间没有直接的边相连,只能通过曾经去过两家店铺的某个用户的UserID间接相连;
计算shopID的初始资源量,并引入参数β控制热门shopID的初始资源量。可通过将参数β设置为-1来抑制热门店铺的推荐次数;
通过公式3计算转移矩阵W,
其中Wij代表shopj对shopi的推荐支持度,k(oj)代表shopi的受欢迎程度,即去过shopi的用户数目,k(ul)代表用户Userl的参与热度,也即Userl去过的店铺数目,αil和αjl分别表示Userl是否去过shopi和shopj,1表示去过,0表示没去过;
从平台用户去过的商家店铺记录Table1中提取指定用户曾经去过的店铺的列表αi=(α1,α2,……,αm),通过计算用户曾经就餐的店铺对其他店铺的累计推荐值,找到累计推荐值高的店铺集合并去除曾经就餐过的店铺,通过公式4得到子推荐列表,
i∈1至m,m为正整数,αi取值为0或1,αi的取值代表用户是否曾经去过该店铺,0代表没去过,1代表去过。W(i,*)代表店铺i相对于其他店铺的推荐支持度的向量,计算过程参见公式3。
可选地,其中通过引入参数β控制热门店铺的初始资源量的具体实现方式如下:
通过公式5计算每家在平台注册的店铺的初始资源量:
其中,表示shopj的初始资源量,j∈[1,m],j为正整数,m为在平台注册的店铺数量;
ei(shopj)表示用户i是否曾经去过店铺j,i∈[1,n],i为正整数,n为平台的用户数量,若ei(shopj)为1表示用户i去过店铺j,若ei(shopj)为0表示用户i没有去过店铺j;
β为预先设定的用于控制热门店铺初始资源量的参数。
具体的,假设有3个用户去过店铺shopj,当β=0时,初始资源量为1,当β=-1时,初始资源量为当β=1时,初始资源量为3。通过参数β能够控制热门店铺的初始资源量,即当β<0时,去过店铺的人数越多,该店铺越热门,初始资源量越小,而当β>0时,店铺越热门,初始资源量越大。
第三种推荐算法是基于矩阵分解的推荐算法。
所述基于矩阵分解的推荐算法包括:
根据平台各用户的就餐历史记录,计算出用户-店铺的评分表Rating。评分的细则由平台管理员根据平台提供服务的具体业务规则来制定,例如:排队业务+2分、预定业务+3分、点单或支付业务+1分等;
使用矩阵分解的算法,通过批量随机梯度下降优化方法将评分表Rating的矩阵分解为M*K的矩阵P和K*N的矩阵Q;
根据获得的矩阵P和Q,计算预测矩阵(Rating)~=P*Q;
根据UserID从预测矩阵(Rating)~中获得各店铺的预测评分,并去除该用户曾经去过的店铺,根据评分对剩余的店铺按照从高到低的顺序输出,得到子推荐列表。
基于矩阵分解的算法首先从数据库中提取用户-店铺评分的矩阵R。R是个稀疏矩阵,即由于大多数用户只去过少数的店铺,因此矩阵中大部分评分为0,先随机构造出两个矩阵P和Q,使得P*Q的维度和用户-店铺评分R的维度相同,之后用批量随机梯度下降优化方法调整P和Q中的矩阵元素,使得P*Q在用户-店铺评分R中的评分值尽量准确,得到矩阵P和Q之后,从两个矩阵相乘的乘积中获得用户对其之前不曾去过的店铺的预测评分,将P*Q矩阵中该用户对应的一行取出,删除用户曾经去过的店铺和不在符合初步筛选条件的店铺集合中的店铺,剩下的符合条件的店铺按照分值按照从高到低的顺序输出,得到子推荐列表。
第四种推荐算法是附近最热门的推荐算法。
所述附近最热门的推荐算法包括:
将平台内所有餐饮店铺按照热门度排序,并记录所述店铺的经纬度;
获取用户当前或目标位置信息后,从所述热门度排序的结果中筛选出预设距离范围内的所有店铺,所述预设距离例如为3km;
按照热门度的排序顺序输出,得到子推荐列表。
针对不同的平台和用户所述热门度的定义会有所不同。例如,可通过曾经去过店铺的人数、搜索店铺的人数、点评店铺的人数等参数作为判断热门度的标准;
本申请的一个具体实施例中,将“热门度”定义为基于用户使用本平台的多种业务与该店铺发生就餐关系的频次。这样定义的目的是为了解决新注册的用户新用户在平台中没有相关历史记录无法根据前述三种推荐算法获得比较准确的推荐结果的问题,因此选择推荐用户目标地点的经纬度附近的热门店铺。
步骤105中可以根据预先定义的公式计算出各店铺对应的增益因子,在本申请的一个具体实施例中,增益因子的计算主要考虑三方面因素:各餐饮店铺与用户当前位置的距离、各餐饮店铺的人均消费与用户历史消费水平的差距以及对用户近期去过的餐饮品牌进行时间衰减。
本申请提供的餐厅推荐方法能够将多种推荐算法组合应用于餐厅推荐中,覆盖了多样化的餐厅推荐需求。并且通过引入多种增益因子的方式,匹配不同喜好类型的用户需求类型,提高了推荐的准确率。该推荐方法能够为在平台中登记的所有餐厅提供被推荐的机会,提高了各类型餐厅通过平台推荐自己的积极性,增加平台的商业推广价值,从而进一步促进了平台自身的发展。
在本申请另一实施例中,提供了一种如图2所示的餐厅推荐方法,所述方法包括:
步骤201:获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
步骤202:对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
步骤203:根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离;
步骤204:根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值;
步骤205:根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子;
步骤206:采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;
步骤207:按照所述重新排序后的各子推荐列表中的每个店铺的排列顺序以轮询的方式输出推荐结果。
具体地,可根据公式6计算第一增益因子w1,
其中geoDistance代表所述店铺与用户的当前位置的距离,costDistance代表所述店铺消费均价与用户历史消费均价的差值。
可选地,在步骤202之后,对所述子推荐列表中的每个店铺的推荐分值进行归一化处理。归一化处理的方法主要有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。归一化处理主要是为了数据处理方便而提出来的,把数据映射到0~1范围之内处理会更加便捷快速。从集合的角度来看,可以进行抽象化的归一,把不重要的,不具可比性的集合中的元素的属性去掉,这样,本来不具有可比性的对象或是事物就可以被归为一类,然后进行比较。
该实施例的方法提供了一种与所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值相关联的增益因子的计算方法,在重排序阶段综合考虑距离和均价差的衰减能够更为准确的预测用户到店的可能性,提高推荐结果的可用性。
在本申请另一实施例中,提供了一种如图3所示的餐厅推荐方法,所述方法包括:
步骤301:获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
步骤302:对所述符合所述初步筛选条件的店铺集合执的范围行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
步骤303:根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离;
步骤304:根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值;
步骤305:根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子;
步骤306:根据所述用户到店的历史记录信息,判断用户是否曾经去过所述店铺的所属品牌;
步骤307:根据所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,计算第二增益因子;
步骤308:采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;
步骤309:按照所述重新排序后的各子推荐列表中的每个店铺的排列顺序以轮询的方式输出推荐结果。
具体地,可根据公式7计算第二增益因子w2,
w2=2.718k*Δt (公式7),
如果用户没去过所述店铺的所属品牌,Δt则不进行衰减,即第二增益因子w2=1;
如果用户去过所述店铺的所属品牌,则Δt为距今所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,Δt以天为单位,Δt为正整数;k为衰减速度的系数,k∈R。
此外,可根据具体情况预先设定系数k,通过对用户近期去过的餐饮店铺进行时间衰减,避免在短时间内重复多次推荐相同的店铺,这样不仅提高了推荐算法的计算效率和推荐结果的准确性,也能够增加平台中的店铺得到被推荐的机会。
在本申请另一实施例中,提供了一种如图4所示的餐厅推荐方法,所述方法包括:
步骤401:获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
步骤402:对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
步骤403:根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离;
步骤404:根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值;
步骤405:根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子;
步骤406:基于所述店铺信息和所述用户信息根据预定的规则预测所述用户是否是所述店铺所属品牌的潜在回头客;
步骤407:根据所述用户是否是所述店铺所属品牌的潜在回头客和所述用户最近一次在所述店铺的所属品牌就餐的时间间隔计算第三增益因子;
步骤408:采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;
步骤409:按照所述重新排序后的各子推荐列表中的每个店铺的排列顺序以轮询的方式输出推荐结果。
在该实施例中,针对潜在回头客和非回头客设置了不同的衰减时间,进一步提高了推荐结果的准确性。
具体地,基于所述店铺信息和所述用户信息可以根据预定的规则预测所述用户是否是所述店铺所属品牌的潜在回头客,
如果所述用户是所述店铺所属品牌的潜在回头客,则根据公式8计算第三增益因子w3,
其中Δt为距今所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,Δt以天为单位,Δt为正整数;
如果所述用户不是所述店铺所属品牌的潜在回头客,则根据公式9计算第三增益因子w3:
其中Δt为距今所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,Δt以天为单位,Δt为正整数。
考虑时间衰减的因素,将用户近期去过的品牌的店铺的分值进行衰减,并结合深度学习对用户是否会成为回头客进行预测,对品牌的潜在回头客和非回头客采用长短不同的衰减时间,进一步提高了推荐***的准确性和效率。
本申请一实施例公开了一种餐厅推荐***500,如图5所示,所述***500包括信息获取模块501、推荐算法执行模块502和推荐列表生成模块503,其中:
所述信息获取模块501被配置为获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
所述推荐算法执行模块502被配置为对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
所述推荐列表生成模块503被配置为计算所述子推荐列表中的每个店铺所对应的增益因子,采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序,并且按照所述重新排序后的各子推荐列表中的每个店铺的排列顺序以轮询的方式输出推荐结果。
可选地,所述推荐算法包括:基于物品协同过滤的推荐算法、基于二分图的推荐算法、基于矩阵分解的推荐算法或附近最热门店铺推荐算法。
由于不同的推荐算法的结果分别针对不同的侧重点,以轮询的方式输出推荐结果能够以较小的复杂度保留各算法推荐结果的特点。
可选地,所述用户基本信息至少包含以下信息中的任一或任意多个的组合:
用户注册信息、用户位置信息、用户喜好信息、用户消费信息和用户到店的历史记录信息。
可选地,所述店铺基本信息至少包含以下信息中的任一或任意多个的组合:
店铺注册信息、店铺品牌信息、店铺位置信息、店铺消费信息和店铺能够提供的服务项目信息。
收集相关性强、准确性高的用户信息和店铺信息能够使推荐算法的结果正确率更高。
本申请提供的餐厅推荐***能够将多种推荐算法组合应用于餐厅推荐中,覆盖了多样化的餐厅推荐需求。并且通过引入多种增益因子的方式,匹配不同喜好类型的用户需求类型,提高了推荐的准确率。该推荐方法能够为在平台中登记的所有餐厅提供被推荐的机会,提高了各类型餐厅通过平台推荐自己的积极性,增加平台的商业推广价值,从而进一步促进了平台自身的发展。
本申请一实施例公开了一种餐厅推荐***600,如图6所示,所述***600包括与图5所示***500中的信息获取模块501、推荐算法执行模块502和推荐列表生成模块503类似的信息获取模块601、推荐算法执行模块602和推荐列表生成模块603,***600与***500的不同之处在于,所述推荐列表生成模块603包括第一增益因子计算子模块604,所述第一增益因子计算子模块604被配置为根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离,根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值,并且根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子。
该实施例的***能够计算出所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值相关联的增益因子,在重排序阶段综合考虑距离和均价差的衰减能够更为准确的预测用户到店的可能性,提高餐厅推荐***的推荐结果的正确率和可用性。
本申请一实施例公开了一种餐厅推荐***700,如图7所示,所述***700包括与图6所示***600中的信息获取模块601、推荐算法执行模块602、推荐列表生成模块603和第一增益因子计算子模块604类似的信息获取模块701、推荐算法执行模块702、推荐列表生成模块703和第一增益因子计算子模块704,***700与***600的不同之处在于所述推荐列表生成模块703还包括第二增益因子计算子模块705,所述第二增益因子计算子模块705被配置为根据所述用户到店的历史记录信息,判断用户是否曾经去过所述店铺的所属品牌,并且根据所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,计算第二增益因子。
通过对用户近期去过的餐饮店铺进行时间衰减,提高了推荐算法的计算效率和推荐结果的准确性,并且能够增加平台中的店铺得到被推荐的机会。
本申请一实施例公开了一种餐厅推荐***800,如图8所示,所述***800包括与图6所示***600中的信息获取模块601、推荐算法执行模块602、推荐列表生成模块603和第一增益因子计算子模块604类似的信息获取模块801、推荐算法执行模块802、推荐列表生成模块803和第一增益因子计算子模块804,***800与***600的不同之处在于所述推荐列表生成模块703还包括第三增益因子计算子模块805,所述第三增益因子计算子模块805被配置为基于所述店铺信息和所述用户信息根据预定的规则预测所述用户是否是所述店铺所属品牌的潜在回头客,并且根据所述用户是否是所述店铺所属品牌的潜在回头客和所述用户最近一次在所述店铺的所属品牌就餐的时间间隔计算第三增益因子。
考虑时间衰减的因素,将用户近期去过的品牌的店铺的分值进行衰减,并结合深度学习对用户是否会成为回头客进行预测,对品牌的潜在回头客和非回头客采用长短不同的衰减时间,进一步提高了推荐***的准确性和效率。
根据本申请一具体实施例的餐厅推荐***的实施例,可以采用用户的手机号码作为用户ID,***通过用户当前所处的地点和用户输入的搜索条件确定初步的筛选条件,例如,搜索出用户所在位置3km范围内的某美食集团旗下的所有京味菜馆作为符合初步筛选条件的店铺集合;判断该用户是否为新注册用户,若该用户为新登录平台的用户,则仅对所述符合所述初步筛选条件的店铺集合的范围执行附近最热门店铺推荐算法,否则对所述符合所述初步筛选条件的店铺集合的范围分别执行基于物品协同过滤的推荐算法、基于二分图的推荐算法、基于矩阵分解的推荐算法和附近最热门店铺推荐算法,获取各推荐算法所对应的子推荐列表;根据距离、均价以及是否是曾去过的店铺品牌的回头客的因素计算所述子推荐列表中的每个店铺所对应的增益因子,采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;按照所述重新排序后的各子推荐列表中的每个店铺的排列顺序以轮询的方式输出推荐结果。
图9示出了根据本申请一实施例的计算设备900的结构框图。该计算设备900的部件包括但不限于存储器901和处理器902。处理器901与存储器902相连接。
虽然图9中没有示出,但是应该知道,计算设备900还可以包括网络接口,网络接口使得计算设备900能够经由一个或多个网络通信。这些网络的示例包括局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。网络接口可以包括有线或无线的任何类型的网络接口(例如,网络接口卡(NIC))中的一个或多个,诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口,等等。
在本申请的一个实施例中,计算设备900的上述以及图9中未示出的其他部件也可以彼此相连接,例如通过总线。应当理解,图9所示的计算设备结构框图仅仅是出于示例的目的,而不是对本申请范围的限制。本领域技术人员可以根据需要,增添或替换其他部件。
计算设备900可以是任何类型的静止或移动计算设备,包括移动计算机或移动计算设备(例如,平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如,智能手机)、可佩戴的计算设备(例如,智能手表、智能眼镜等)或其他类型的移动设备,或者诸如台式计算机或PC的静止计算设备。计算设备900还可以是移动式或静止式的服务器。
其中,处理器902可以执行存储在存储器901上的计算机指令,所述处理器1002执行所述指令时实现如前所述的餐厅推荐方法。
上述为本实施例的一种计算设备900的示意性方案。需要说明的是,该计算设备900的技术方案与前述的餐厅推荐方法属于同一构思,所述计算设备900的技术方案未详细描述的细节内容,均可以参见上述餐厅推荐方法的技术方案的描述。
本申请一实施例还提供一种计算机可读存储介质,其存储有计算机指令,该指令被处理器执行时实现如前所述餐厅推荐方法的步骤。
上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是,该存储介质的技术方案与上述的餐厅推荐方法的技术方案属于同一构思,存储介质的技术方案未详细描述的细节内容,均可以参见上述餐厅推荐方法的技术方案的描述。
所述计算机指令包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本申请的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。
Claims (18)
1.一种餐厅推荐方法,其特征在于,所述方法包括:
获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
计算所述子推荐列表中的每个店铺所对应的增益因子;
采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序;
按照所述重新排序后的各子推荐列表中各店铺的排列顺序以循环的方式依次从各子推荐列表中输出推荐结果。
2.根据权利要求1所述的方法,其特征在于,所述按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合包括:
根据所述用户基本信息按照预设的初步筛选规则确定初步筛选条件;
在现有的店铺信息库中筛选符合所述初步筛选条件的店铺集合。
3.根据权利要求1所述的方法,其特征在于,对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法包括:
依据所述用户基本信息和/或所述店铺基本信息提取执行所述推荐算法的推荐参数;
依据所述推荐参数对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述推荐算法包括:基于物品协同过滤的推荐算法、基于二分图的推荐算法、基于矩阵分解的推荐算法或附近最热门店铺推荐算法。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述用户基本信息至少包含以下信息中的任一或任意多个的组合:
用户注册信息、用户位置信息、用户喜好信息、用户消费信息和用户到店的历史记录信息。
6.根据权利要求5所述的方法,其特征在于,所述店铺基本信息至少包含以下信息中的任一或任意多个的组合:
店铺注册信息、店铺所属品牌信息、店铺位置信息、店铺消费信息和店铺能够提供的服务项目信息。
7.根据权利要求6所述的方法,其特征在于,所述计算所述子推荐列表中的每个店铺所对应的增益因子包括:
根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离;
根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值;
根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子。
8.根据权利要求7所述的方法,其特征在于,所述计算所述子推荐列表中的每个店铺所对应的增益因子还包括:
根据所述用户到店的历史记录信息,判断用户是否曾经去过所述店铺的所属品牌;
根据所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,计算第二增益因子。
9.根据权利要求7所述的方法,其特征在于,所述计算所述子推荐列表中的每个店铺所对应的增益因子还包括:
基于所述店铺信息和所述用户信息根据预定的规则预测所述用户是否是所述店铺所属品牌的潜在回头客;
根据所述用户是否是所述店铺所属品牌的潜在回头客和所述用户最近一次在所述店铺的所属品牌就餐的时间间隔计算第三增益因子。
10.一种餐厅推荐***,其特征在于,所述***包括信息获取模块、推荐算法执行模块和推荐列表生成模块,其中:
所述信息获取模块被配置为获取用户基本信息,按照预设的筛选规则根据所获取到的用户基本信息在现有的店铺信息库中筛选符合初步筛选条件的店铺集合,并且获取所述店铺集合所包含各店铺的店铺基本信息;
所述推荐算法执行模块被配置为对所述符合所述初步筛选条件的店铺集合的范围执行至少两种推荐算法,获取各推荐算法所对应的子推荐列表;
所述推荐列表生成模块被配置为计算所述子推荐列表中的每个店铺所对应的增益因子,采用所述子推荐列表中的每个店铺所对应的增益因子对所述子推荐列表中的每个店铺的推荐分值进行加权,并根据加权后的所述子推荐列表中的每个店铺的推荐分值对各子推荐列表重新排序,并且按照所述重新排序后的各子推荐列表中各店铺的排列顺序以循环的方式依次从各子推荐列表中输出推荐结果。
11.根据权利要求10所述的餐厅推荐***,其特征在于,所述推荐算法包括:基于物品协同过滤的推荐算法、基于二分图的推荐算法、基于矩阵分解的推荐算法或附近最热门店铺推荐算法。
12.根据权利要求10或11所述的方法,其特征在于,所述用户基本信息至少包含以下信息中的任一或任意多个的组合:
用户注册信息、用户位置信息、用户喜好信息、用户消费信息和用户到店的历史记录信息。
13.根据权利要求12所述的方法,其特征在于,所述店铺基本信息至少包含以下信息中的任一或任意多个的组合:
店铺注册信息、店铺品牌信息、店铺位置信息、店铺消费信息和店铺能够提供的服务项目信息。
14.根据权利要求13所述的餐厅推荐***,其特征在于,所述推荐列表生成模块包括第一增益因子计算子模块,所述第一增益因子计算子模块被配置为根据所述用户位置信息和所述店铺位置信息计算所述店铺与用户的当前距离,根据所述用户消费信息和所述店铺消费信息计算所述店铺消费均价与用户历史消费均价的差值,并且根据所述店铺与用户的当前距离和所述店铺消费均价与用户历史消费均价的差值计算第一增益因子。
15.根据权利要求14所述的餐厅推荐***,其特征在于,所述推荐列表生成模块还包括第二增益因子计算子模块,所述第二增益因子计算子模块被配置为根据所述用户到店的历史记录信息,判断用户是否曾经去过所述店铺的所属品牌,并且根据所述用户最近一次在所述店铺的所属品牌就餐的时间间隔,计算第二增益因子。
16.根据权利要求14所述的餐厅推荐***,其特征在于,所述推荐列表生成模块还包括第三增益因子计算子模块,所述第三增益因子计算子模块被配置为基于所述店铺信息和所述用户信息根据预定的规则预测所述用户是否是所述店铺所属品牌的潜在回头客,并且根据所述用户是否是所述店铺所属品牌的潜在回头客和所述用户最近一次在所述店铺的所属品牌就餐的时间间隔计算第三增益因子。
17.一种计算设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令,其特征在于,所述处理器执行所述指令时实现权利要求1至9任一项所述的餐厅推荐方法。
18.一种计算机可读存储介质,其存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1至9任一项所述的餐厅推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430336.XA CN110020186A (zh) | 2018-05-08 | 2018-05-08 | 一种餐厅推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430336.XA CN110020186A (zh) | 2018-05-08 | 2018-05-08 | 一种餐厅推荐方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020186A true CN110020186A (zh) | 2019-07-16 |
Family
ID=67188291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810430336.XA Pending CN110020186A (zh) | 2018-05-08 | 2018-05-08 | 一种餐厅推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020186A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533954A (zh) * | 2019-09-04 | 2019-12-03 | 何世全 | 一种城市停车位导航方法及*** |
CN110809024A (zh) * | 2019-09-27 | 2020-02-18 | 口碑(上海)信息技术有限公司 | 服务资源的提供方法及装置,订阅套餐提供方法及装置 |
CN110909267A (zh) * | 2019-11-29 | 2020-03-24 | 口碑(上海)信息技术有限公司 | 实体对象端的展示方法、装置、电子设备及存储介质 |
CN111061969A (zh) * | 2019-12-06 | 2020-04-24 | 南通中实纺织交易市场有限公司 | 一种基于行业现货数据下的在线展示方法 |
CN111144976A (zh) * | 2019-12-10 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 推荐模型的训练方法及装置 |
CN111666250A (zh) * | 2020-05-12 | 2020-09-15 | 上海连尚网络科技有限公司 | 一种用于处理阅读应用中书籍催更请求信息的方法与设备 |
CN111753210A (zh) * | 2020-05-27 | 2020-10-09 | 浙江口碑网络技术有限公司 | 资源推送方法、装置、计算机设备及计算机可读存储介质 |
CN111861139A (zh) * | 2020-06-28 | 2020-10-30 | 深圳壹账通智能科技有限公司 | 商户推荐方法、装置及计算机设备 |
CN112052388A (zh) * | 2020-08-20 | 2020-12-08 | 深思考人工智能科技(上海)有限公司 | 一种推荐美食店铺的方法及*** |
CN112598435A (zh) * | 2020-12-14 | 2021-04-02 | 珠海格力电器股份有限公司 | 餐厅的推荐方法和装置、存储介质、电子装置 |
CN114064987A (zh) * | 2021-10-22 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于加权的设备元件的型号的推荐方法、控制器及介质 |
CN116579812A (zh) * | 2023-07-12 | 2023-08-11 | 迎动科技发展(成都)有限公司 | 一种用于汽修店铺的综合排序方法、***、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007056799A1 (en) * | 2005-11-15 | 2007-05-24 | Andrew Lewis Christie | Consumer assistance systems |
CN104268154A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种用于提供推荐信息的方法和装置 |
CN104731866A (zh) * | 2015-02-27 | 2015-06-24 | 湖南大学 | 一种基于位置的个性化美食推荐方法 |
CN107301229A (zh) * | 2017-06-22 | 2017-10-27 | 美味不用等(上海)信息科技股份有限公司 | 基于语义分析的反馈指派方法及*** |
CN107341687A (zh) * | 2017-06-01 | 2017-11-10 | 华南理工大学 | 一种基于多维标签与分类排序的推荐算法 |
CN107657347A (zh) * | 2017-09-30 | 2018-02-02 | 桂林电子科技大学 | 一种面向群组的旅游推荐方法 |
CN107895213A (zh) * | 2017-12-05 | 2018-04-10 | 北京三快在线科技有限公司 | 消费额度的预测方法、装置及电子设备 |
CN107944007A (zh) * | 2018-02-06 | 2018-04-20 | 中山大学 | 一种结合情境信息的个性化餐厅推荐方法 |
-
2018
- 2018-05-08 CN CN201810430336.XA patent/CN110020186A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007056799A1 (en) * | 2005-11-15 | 2007-05-24 | Andrew Lewis Christie | Consumer assistance systems |
CN104268154A (zh) * | 2014-09-02 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 一种用于提供推荐信息的方法和装置 |
CN104731866A (zh) * | 2015-02-27 | 2015-06-24 | 湖南大学 | 一种基于位置的个性化美食推荐方法 |
CN107341687A (zh) * | 2017-06-01 | 2017-11-10 | 华南理工大学 | 一种基于多维标签与分类排序的推荐算法 |
CN107301229A (zh) * | 2017-06-22 | 2017-10-27 | 美味不用等(上海)信息科技股份有限公司 | 基于语义分析的反馈指派方法及*** |
CN107657347A (zh) * | 2017-09-30 | 2018-02-02 | 桂林电子科技大学 | 一种面向群组的旅游推荐方法 |
CN107895213A (zh) * | 2017-12-05 | 2018-04-10 | 北京三快在线科技有限公司 | 消费额度的预测方法、装置及电子设备 |
CN107944007A (zh) * | 2018-02-06 | 2018-04-20 | 中山大学 | 一种结合情境信息的个性化餐厅推荐方法 |
Non-Patent Citations (2)
Title |
---|
熊拥军 等: "《数字图书馆个性化服务研究与实践 基于新型决策支持***》", 30 September 2012, 北京:国防工业出版社 第1版 * |
熊聪聪 等: "基于协同过滤的美食推荐算法", 《计算机应用研究》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533954A (zh) * | 2019-09-04 | 2019-12-03 | 何世全 | 一种城市停车位导航方法及*** |
CN110809024B (zh) * | 2019-09-27 | 2022-06-24 | 口碑(上海)信息技术有限公司 | 服务资源的提供方法及装置,订阅套餐提供方法及装置 |
CN110809024A (zh) * | 2019-09-27 | 2020-02-18 | 口碑(上海)信息技术有限公司 | 服务资源的提供方法及装置,订阅套餐提供方法及装置 |
CN110909267A (zh) * | 2019-11-29 | 2020-03-24 | 口碑(上海)信息技术有限公司 | 实体对象端的展示方法、装置、电子设备及存储介质 |
CN111061969A (zh) * | 2019-12-06 | 2020-04-24 | 南通中实纺织交易市场有限公司 | 一种基于行业现货数据下的在线展示方法 |
CN111144976A (zh) * | 2019-12-10 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 推荐模型的训练方法及装置 |
CN111666250A (zh) * | 2020-05-12 | 2020-09-15 | 上海连尚网络科技有限公司 | 一种用于处理阅读应用中书籍催更请求信息的方法与设备 |
CN111666250B (zh) * | 2020-05-12 | 2024-02-09 | 上海连尚网络科技有限公司 | 一种用于处理阅读应用中书籍催更请求信息的方法与设备 |
CN111753210A (zh) * | 2020-05-27 | 2020-10-09 | 浙江口碑网络技术有限公司 | 资源推送方法、装置、计算机设备及计算机可读存储介质 |
CN111861139A (zh) * | 2020-06-28 | 2020-10-30 | 深圳壹账通智能科技有限公司 | 商户推荐方法、装置及计算机设备 |
CN112052388A (zh) * | 2020-08-20 | 2020-12-08 | 深思考人工智能科技(上海)有限公司 | 一种推荐美食店铺的方法及*** |
CN112598435A (zh) * | 2020-12-14 | 2021-04-02 | 珠海格力电器股份有限公司 | 餐厅的推荐方法和装置、存储介质、电子装置 |
CN114064987A (zh) * | 2021-10-22 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于加权的设备元件的型号的推荐方法、控制器及介质 |
CN116579812A (zh) * | 2023-07-12 | 2023-08-11 | 迎动科技发展(成都)有限公司 | 一种用于汽修店铺的综合排序方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020186A (zh) | 一种餐厅推荐方法及*** | |
CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
CN104050187B (zh) | 搜索结果展示方法及*** | |
CN103559636B (zh) | 一种基于云计算和智能分析的餐饮管理*** | |
CN104966125B (zh) | 一种社交网络的物品评分及推荐方法 | |
US20150312348A1 (en) | Methods, apparatus, and systems for home information management | |
CN110569432A (zh) | 商品序列计算方法、装置、计算机设备及存储介质 | |
CN102075557B (zh) | 根据用户相关信息提供服务信息的方法、设备及*** | |
CN106997358A (zh) | 信息推荐方法及装置 | |
CN110335123B (zh) | 基于社交电商平台的商品推荐方法、***、计算机可读介质以及装置 | |
CN109492166A (zh) | 基于签到时间间隔模式的连续兴趣点推荐方法 | |
CN111899047A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN109447762A (zh) | 商品推荐方法及其装置、服务器、商品推荐*** | |
CN104239335B (zh) | 特定用户信息获取方法及装置 | |
KR102327845B1 (ko) | 사용자 맞춤형 레시피에 따라 소분된 식재료를 제공하기 위한 서비스 방법 및 시스템 | |
CN106294410A (zh) | 一种个性化信息推送时间的确定方法及确定*** | |
CN110134783A (zh) | 个性化推荐的方法、装置、设备和介质 | |
CN105894310A (zh) | 一种个性化推荐方法 | |
CN116645141B (zh) | 一种融合多维特征的连锁门店选址推荐方法 | |
CN113689259A (zh) | 基于用户行为的商品个性化推荐方法及*** | |
CN113689258A (zh) | 一种商品推荐热度生成方法及*** | |
CN116308609A (zh) | 一种商品推荐方法和装置 | |
CN108415928A (zh) | 一种基于加权混合k-最近邻算法的图书推荐方法与*** | |
CN115496566A (zh) | 基于大数据的地区特产推荐方法及*** | |
CN108694234A (zh) | 一种基于改进协同过滤算法的服务推荐模型 |
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 |
Application publication date: 20190716 |
|
RJ01 | Rejection of invention patent application after publication |