CN112052388A - 一种推荐美食店铺的方法及*** - Google Patents

一种推荐美食店铺的方法及*** Download PDF

Info

Publication number
CN112052388A
CN112052388A CN202010841508.XA CN202010841508A CN112052388A CN 112052388 A CN112052388 A CN 112052388A CN 202010841508 A CN202010841508 A CN 202010841508A CN 112052388 A CN112052388 A CN 112052388A
Authority
CN
China
Prior art keywords
user
vector
representation
food
similarity
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
Application number
CN202010841508.XA
Other languages
English (en)
Inventor
杨志明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deep Thinking Of Artificial Intelligence Technology Shanghai Co ltd
Original Assignee
Deep Thinking Of Artificial Intelligence Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Deep Thinking Of Artificial Intelligence Technology Shanghai Co ltd filed Critical Deep Thinking Of Artificial Intelligence Technology Shanghai Co ltd
Priority to CN202010841508.XA priority Critical patent/CN112052388A/zh
Publication of CN112052388A publication Critical patent/CN112052388A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种推荐美食店铺的方法及***，本发明实施例基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。本发明实施例由于用户画像的数据不仅仅是用户的评论，还包括了多维度的用户特征数据，所以本发明实施例可以基于多维度的用户特征数据，进行美食店铺的准确推荐。

Description

一种推荐美食店铺的方法及***
技术领域
本发明涉及人工智能领域，特别涉及一种推荐美食店铺的方法及***。
背景技术
在大数据时代，海量数据为用户带来更丰富信息的同时，也为符合需求的用户信息的获取带来了极大的困难。因此，出现了采用个性化推荐方式推荐所需的用户信息，在进行个性化推荐方式推荐用户信息时，可以根据用户的历史行为，提供用户感兴趣的信息，极大地提高了用户信息获取效率。目前，在进行个性推荐时，可以采用协同过滤方法、基于内容的推荐方法和混合推荐方法。其中，协同过滤方法是最经典的方法。近年来，深度学习在图像处理、自然语言理解和语音识别等领域取得了突破性进展，已经成为了人工智能的一个热潮，为个性化推荐的研究带来了新的机遇。基于深度学习的个性化推荐方式中，最常用的神经网络网络是自编码器神经网络，该神经网络在推荐个性化方式中主要被应用于学习用户和项目的隐层特征表示，它通过对用户评分数据进行学习，得到用户隐表示，基于用户隐表示对项目进行预测。
基于深度学习的个性化推荐有较强的深层语义表示学习能力，在推荐领域中表现较好。然而，在对用户进行美食店铺推荐中，除了用户对美食店铺的评分数据外，其他用户特征数据也对用户的美食店铺选择有较大影响，比如用户的口味偏好、菜系偏好、评价文本及特色菜等数据。但是，目前的基于深度学习的个性化推荐方式仅仅考虑了用户的评分数据，难以满足美食店铺推荐的用户多维度用户特征考虑；其次，目前的基于深度学习的个性化推荐方式无法很好地解决冷启动问题，即当用户评分数据几乎没有时，无法对其作出较为精准的美食店铺推荐。
发明内容
有鉴于此，本发明实施例提供了一种推荐美食店铺的方法，该方法能够基于多维度的用户特征数据，进行美食店铺的准确推荐。
本发明实施例还提供一种推荐美食店铺的***，该***能基于多维度的用户特征数据，进行美食店铺的准确推荐。
本发明实施例提供了一种推荐美食店铺的方法，所述方法包括：
基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；
将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；
根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
较佳地，所述用户画像的数据包括用户的注册信息和行为信息，获取方式是通过后台获取的；
所述用户画像的表示向量的实现包括：
将用户的注册信息采用独热编码one-hot进行向量表示，将用户的行为信息采用词袋bag-of-words进行向量表示，将向量表示的用户的注册信息及用户的行为信息进行拼接，得到所述用户画像的表示向量。
较佳地，所述美食店铺的数据包括美食店铺的评论文本、菜系、菜品及口味；
所述美食店铺的表示向量的实现包括：
将美食店铺评论文本用bag-of-words进行向量表示，将美食店铺的菜系、菜品及口味用one-hot进行向量表示，对上述两种向量表示进行拼接，得到所述美食店铺的表示向量。
较佳地，所述计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度采用余弦相似度计算公式进行计算，余弦相似度计算公式为：
Figure BDA0002641595000000021
其中，similarity(user,item)表示用户画像user与美食店铺item之间的余弦相似度函数，n表示向量的维度。
较佳地，所述训练自编码器神经网络模型包括：
将所述计算的相似度及获取的用户历史打分数据进行加权求和，获得求和向量，记为sumui，sumui的计算如下：
sumui＝ω1ui+ω2simi
其中，ω1为用户历史打分数据ui的加权值；ω2为所述计算的相似度simi的加权值；
将sumui作为自编码器神经网络模型的输入，自编码器神经网络模型的各层为：
Figure BDA0002641595000000031
其中，h1、h2为自编码器的两层隐藏层，
Figure BDA0002641595000000032
W1、b1、
Figure BDA0002641595000000033
W2、b2是两层隐藏层涉及到的训练参数，
Figure BDA0002641595000000034
为自编码器的输出层，
Figure BDA0002641595000000035
W3、b3为输出层的训练参数；
所述自编码器神经网络模型采用栈式结构，采用梯度下降方式对所述自编码器神经网络模型进行训练，训练的参数包括所述相似度的加权因子、自编码器神经网络模型的各层参数。
较佳地，所述根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺包括：
设置提取阈值，根据所述美食店铺的评分排序，从中提取所设置的提取阈值数量的美食店铺，作为为所述用户推荐的美食店铺。
一种推荐美食店铺的***，包括：用户画像的获取模块、美食店铺的获取模块、相似度计算模块、模型模块及推荐模块，其中，
用户画像的获取模块，用于获取一用户画像的数据；
美食店铺的获取模块，用于获取多个美食店铺的数据；
相似度计算模块，用于基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；
模型模块，用于将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；
推荐模块，用于根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
较佳地，所述用户画像的获取模块，还用于用户画像的数据包括用户的注册信息和行为信息，获取方式是通过后台直接获取的；
所述相似度计算模块，还用于所述用户画像的表示向量的实现包括：
将用户的注册信息采用one-ho进行向量表示，将用户的行为信息采用bag-of-words进行向量表示，将向量表示的用户的注册信息及用户的行为信息进行拼接，得到所述用户画像的表示向量；
以及，所述美食店铺的获取模块，还用于美食店铺的数据包括美食店铺的评论文本、菜系、菜品及口味；
所述相似度计算模块，还用于所述美食店铺的表示向量的实现包括：将美食店铺评论文本用bag-of-words进行向量表示，将美食店铺的菜系、菜品及口味用one-hot进行向量表示，对上述两种向量表示进行拼接，得到所述美食店铺的表示向量。
较佳地，所述相似度计算模块，还用于所述计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度采用余弦相似度计算公式进行计算。
较佳地，所述模型模块，还用于对自编码器神经网络模型进行训练：
将所述计算的相似度及获取的用户历史打分数据进行加权求和，获得求和向量，记为sumui，sumui的计算如下：
sumui＝ω1ui+ω2simi
其中，ω1为用户历史打分数据ui的加权值；ω2为所述计算的相似度simi的加权值；
将sumui作为自编码器神经网络模型的输入，自编码器神经网络模型的各层为：
Figure BDA0002641595000000041
所述自编码器神经网络模型采用栈式结构，采用梯度下降方式对所述自编码器神经网络模型进行训练，训练的参数包括所述相似度的加权因子、自编码器神经网络模型的各层参数。
如上所见，本发明实施例基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。本发明实施例由于用户画像的数据不仅仅是用户的评论，还包括了多维度的用户特征数据，所以本发明实施例可以基于多维度的用户特征数据，进行美食店铺的准确推荐。
附图说明
图1为本发明实施例提供的一种推荐美食店铺的方法流程图；
图2为本发明实施例提供的自编码器神经网络模型的结构示意图
图3为本发明实施例提供的一种推荐美食店铺的***结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
本发明实施例为了为用户准确推荐美食店铺，提高用户体验度，基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
这样，本发明实施例由于用户画像的数据不仅仅是用户的评论，还包括了多维度的用户特征数据，所以本发明实施例可以基于多维度的用户特征数据，进行美食店铺的准确推荐。
具体的说，本发明实施例在为用户推荐美食店铺时，一方面，考虑到了多维度的用户特征数据，所以可以获得更个性化的美食店铺推荐；另一方面，用户画像的其中一部分数据可以由用户注册时给定，而并不需要通过用户的评论数据获取，因此，本发明实施例可以更好地面对冷启动问题。
本发明实施例通过计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度，可以呈现出更强的个性化推荐；本发明实施例通过将所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度作为模型的输入，弥补了背景技术中，仅仅将用户评分数据作为输入模型的用户特征数据单一的问题。
图1为本发明实施例提供的一种推荐美食店铺的方法流程图，其具体步骤包括：
步骤101、获取一用户画像的数据及获取多个美食店铺的数据；
步骤102、基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；
步骤103、将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；
步骤104、根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
在该方法中，用户画像的数据包括用户的注册信息和行为信息，获取方式是通过后台直接获取的，其中，用户的注册信息包括喜欢的菜系、喜欢的菜品及偏好口味；用户的行为信息包括用户评论文本、用户喜欢的菜品及用户店铺评分等。
在该方法中，所述用户画像的表示向量的实现包括：
将用户的注册信息采用独热编码(one-hot)进行向量表示，将用户的行为信息采用词袋(bag-of-words)进行向量表示，将向量表示的用户的注册信息及用户的行为信息进行拼接，得到所述用户画像的表示向量。
具体地说，将喜欢的菜系、喜欢的菜品及偏好品味用one-hot进行向量表示，将用户评论文本用bag-of-words进行向量表示，将上述两种向量表示进行拼接，形成用户画像向量表示。这样，就可以挖掘多维度的用户特征数据，将用户画像转换为多维度特征表示。
在该方法中，美食店铺的数据包括美食店铺的评论文本、菜系、菜品及口味。
在该方法中，所述美食店铺的表示向量的实现包括：
将美食店铺评论文本用bag-of-words进行向量表示，将美食店铺的菜系、菜品及口味用one-hot进行向量表示，对上述两种向量表示进行拼接，得到所述美食店铺的表示向量。这样，就可以挖掘了和用户画像的数据相应特征维度的美食店铺特征，将美食店铺的数据转换为多维度特征表示。
在该方法中，所述计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度采用余弦相似度计算公式进行计算，余弦相似度计算公式如下所示：
Figure BDA0002641595000000061
其中，similarity(user,item)表示用户画像(user)与美食店铺(item)之间的余弦相似度函数。n表示向量的维度。
在该方法中，用户历史打分数据是通过后台获取的，是用户对对应的美食店铺的历史打分数据。
在该方法中，自编码器神经网络模型在使用之前，需要先进行训练，所述训练自编码器神经网络模型的过程包括：
将所述计算的相似度及获取的用户历史打分数据作为输入，将二者加权求和，获得求和向量，记为sumui，sumui的计算如下：
sumui＝ω1ui+ω2simi
其中，ω1为用户历史打分数据ui的加权值；ω2为所述计算的相似度simi的加权值，将sumui作为自编码器神经网络模型的输入，自编码器神经网络模型的各层为：
Figure BDA0002641595000000062
其中，h1、h2为自编码器的两层隐藏层，
Figure BDA0002641595000000063
W1、b1、
Figure BDA0002641595000000064
W2、b2是两层隐藏层涉及到的训练参数，
Figure BDA0002641595000000065
为自编码器的输出层，
Figure BDA0002641595000000066
W3、b3为输出层的训练参数。
所述自编码器神经网络模型采用栈式结构，采用梯度下降方式对所述自编码器神经网络模型进行训练，训练的参数包括所述相似度的加权因子、自编码器神经网络模型的各层参数。
图2为本发明实施例提供的自编码器神经网络模型的结构示意图。
在该方法中，所述根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺包括：
设置提取阈值，根据所述美食店铺的评分排序，从中提取所设置的提取阈值数量的美食店铺，作为为所述用户推荐的美食店铺。
图3为本发明实施例提供的一种推荐美食店铺的***结构示意图，包括：用户画像的获取模块、美食店铺的获取模块、相似度计算模块、模型模块及推荐模块，其中，
用户画像的获取模块，用于获取一用户画像的数据；
美食店铺的获取模块，用于获取多个美食店铺的数据；
相似度计算模块，用于基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；
模型模块，用于将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；
推荐模块，用于根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
在该***中，用户画像的获取模块，还用于用户画像的数据包括用户的注册信息和行为信息，获取方式是通过后台直接获取的；
相似度计算模块，还用于所述用户画像的表示向量的实现包括：
将用户的注册信息采用one-ho进行向量表示，将用户的行为信息采用bag-of-words进行向量表示，将向量表示的用户的注册信息及用户的行为信息进行拼接，得到所述用户画像的表示向量。
在该***中，美食店铺的获取模块，还用于美食店铺的数据包括美食店铺的评论文本、菜系、菜品及口味；
相似度计算模块，还用于所述美食店铺的表示向量的实现包括：将美食店铺评论文本用bag-of-words进行向量表示，将美食店铺的菜系、菜品及口味用one-hot进行向量表示，对上述两种向量表示进行拼接，得到所述美食店铺的表示向量。
在该***中，所述相似度计算模块，还用于所述计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度采用余弦相似度计算公式进行计算。
所述模型模块，还用于对自编码器神经网络模型进行训练：
将所述计算的相似度及获取的用户历史打分数据作为输入，将二者加权求和，获得求和向量，记为sumui，sumui的计算如下：
sumui＝ω1ui+ω2simi
其中，ω1为用户历史打分数据ui的加权值；ω2为所述计算的相似度simi的加权值，将sumui作为自编码器神经网络模型的输入，自编码器神经网络模型的各层为：
Figure BDA0002641595000000081
所述自编码器神经网络模型采用栈式结构，采用梯度下降方式对所述自编码器神经网络模型进行训练，训练的参数包括所述相似度的加权因子、自编码器神经网络模型的各层参数。
在该***中，模型模块，还用于设置提取阈值，根据所述美食店铺的评分排序，从中提取所设置的提取阈值数量的美食店铺，作为为所述用户推荐的美食店铺。
可以看出，本发明实施例实现了对美食店铺的推荐，且较好地解决了冷启动问题，除用户历史打分数据外，考虑到了用户喜欢口味、菜系及评论等特征，实现了个性化更强的美食店铺推荐。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种推荐美食店铺的方法，其特征在于，所述方法包括：
基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；
将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；
根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
2.如权利要求1所述的方法，其特征在于，所述用户画像的数据包括用户的注册信息和行为信息，获取方式是通过后台获取的；
所述用户画像的表示向量的实现包括：
将用户的注册信息采用独热编码one-hot进行向量表示，将用户的行为信息采用词袋bag-of-words进行向量表示，将向量表示的用户的注册信息及用户的行为信息进行拼接，得到所述用户画像的表示向量。
3.如权利要求1所述的方法，其特征在于，所述美食店铺的数据包括美食店铺的评论文本、菜系、菜品及口味；
所述美食店铺的表示向量的实现包括：
将美食店铺评论文本用bag-of-words进行向量表示，将美食店铺的菜系、菜品及口味用one-hot进行向量表示，对上述两种向量表示进行拼接，得到所述美食店铺的表示向量。
4.如权利要求1所述的方法，其特征在于，所述计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度采用余弦相似度计算公式进行计算，余弦相似度计算公式为：
Figure FDA0002641594990000011
其中，similarity(user,item)表示用户画像user与美食店铺item之间的余弦相似度函数，n表示向量的维度。
5.如权利要求1所述的方法，其特征在于，所述训练自编码器神经网络模型包括：
将所述计算的相似度及获取的用户历史打分数据进行加权求和，获得求和向量，记为sumui，sumui的计算如下：
sumui＝ω1ui+ω2simi
其中，ω1为用户历史打分数据ui的加权值；ω2为所述计算的相似度simi的加权值；
将sumui作为自编码器神经网络模型的输入，自编码器神经网络模型的各层为：
Figure FDA0002641594990000021
其中，h1、h2为自编码器的两层隐藏层，
Figure FDA0002641594990000023
W1、b1、
Figure FDA0002641594990000024
W2、b2是两层隐藏层涉及到的训练参数，
Figure FDA0002641594990000022
为自编码器的输出层，
Figure FDA0002641594990000025
W3、b3为输出层的训练参数；
所述自编码器神经网络模型采用栈式结构，采用梯度下降方式对所述自编码器神经网络模型进行训练，训练的参数包括所述相似度的加权因子、自编码器神经网络模型的各层参数。
6.如权利要求1所述的方法，其特征在于，所述根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺包括：
设置提取阈值，根据所述美食店铺的评分排序，从中提取所设置的提取阈值数量的美食店铺，作为为所述用户推荐的美食店铺。
7.一种推荐美食店铺的***，其特征在于，包括：用户画像的获取模块、美食店铺的获取模块、相似度计算模块、模型模块及推荐模块，其中，
用户画像的获取模块，用于获取一用户画像的数据；
美食店铺的获取模块，用于获取多个美食店铺的数据；
相似度计算模块，用于基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；
模型模块，用于将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；
推荐模块，用于根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
8.如权利要求7所述的***，其特征在于，所述用户画像的获取模块，还用于用户画像的数据包括用户的注册信息和行为信息，获取方式是通过后台直接获取的；
所述相似度计算模块，还用于所述用户画像的表示向量的实现包括：
将用户的注册信息采用one-ho进行向量表示，将用户的行为信息采用bag-of-words进行向量表示，将向量表示的用户的注册信息及用户的行为信息进行拼接，得到所述用户画像的表示向量；
以及，所述美食店铺的获取模块，还用于美食店铺的数据包括美食店铺的评论文本、菜系、菜品及口味；
所述相似度计算模块，还用于所述美食店铺的表示向量的实现包括：将美食店铺评论文本用bag-of-words进行向量表示，将美食店铺的菜系、菜品及口味用one-hot进行向量表示，对上述两种向量表示进行拼接，得到所述美食店铺的表示向量。
9.如权利要求7所述的***，其特征在于，所述相似度计算模块，还用于所述计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度采用余弦相似度计算公式进行计算。
10.如权利要求7所述的***，其特征在于，所述模型模块，还用于对自编码器神经网络模型进行训练：
将所述计算的相似度及获取的用户历史打分数据进行加权求和，获得求和向量，记为sumui，sumui的计算如下：
sumui＝ω1ui+ω2simi
其中，ω1为用户历史打分数据ui的加权值；ω2为所述计算的相似度simi的加权值；
将sumui作为自编码器神经网络模型的输入，自编码器神经网络模型的各层为：
Figure FDA0002641594990000031
所述自编码器神经网络模型采用栈式结构，采用梯度下降方式对所述自编码器神经网络模型进行训练，训练的参数包括所述相似度的加权因子、自编码器神经网络模型的各层参数。
CN202010841508.XA 2020-08-20 2020-08-20 一种推荐美食店铺的方法及*** Pending CN112052388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010841508.XA CN112052388A (zh) 2020-08-20 2020-08-20 一种推荐美食店铺的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010841508.XA CN112052388A (zh) 2020-08-20 2020-08-20 一种推荐美食店铺的方法及***

Publications (1)

Publication Number Publication Date
CN112052388A true CN112052388A (zh) 2020-12-08

Family

ID=73599738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010841508.XA Pending CN112052388A (zh) 2020-08-20 2020-08-20 一种推荐美食店铺的方法及***

Country Status (1)

Country Link
CN (1) CN112052388A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667714A (zh) * 2021-03-17 2021-04-16 腾讯科技（深圳）有限公司 基于深度学习的用户画像优化方法、装置及存储介质
CN113570432A (zh) * 2021-07-28 2021-10-29 北京达佳互联信息技术有限公司 资源推荐确定方法、装置、设备及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012073966A (ja) * 2010-09-29 2012-04-12 Dainippon Printing Co Ltd データ生成装置、データの生成方法及びデータ生成プログラム
CN103345699A (zh) * 2013-07-10 2013-10-09 湖南大学 一种基于商品森林体系的个性化美食推荐方法
CN104732422A (zh) * 2015-02-27 2015-06-24 湖南大学 基于移动用户标签的个性化美食推荐方法
KR101707753B1 (ko) * 2015-12-21 2017-02-16 비씨카드(주) 가맹점 개인화 추천 방법 및 가맹점 추천 서버
CN106934498A (zh) * 2017-03-14 2017-07-07 携程旅游网络技术（上海）有限公司 Ota网站中酒店房型的推荐方法及***
CN107220852A (zh) * 2017-05-26 2017-09-29 北京小度信息科技有限公司 用于确定目标推荐用户的方法、装置和服务器
CN107256494A (zh) * 2017-05-18 2017-10-17 深圳大学 一种物品推荐方法及装置
WO2018032790A1 (zh) * 2016-08-16 2018-02-22 武汉斗鱼网络科技有限公司 基于加权k近邻评分的直播间推荐方法及***
CN109064278A (zh) * 2018-07-26 2018-12-21 北京三快在线科技有限公司 目标对象推荐方法及装置、电子设备、存储介质
CN109284413A (zh) * 2018-09-07 2019-01-29 平安科技（深圳）有限公司 基于人脸识别的商品推荐方法、装置、设备及存储介质
KR20190031001A (ko) * 2017-09-15 2019-03-25 조선대학교산학협력단 사용자 선호 음식점 추천 방법 및 컴퓨터 프로그램
CN109766491A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 商品搜索方法、装置、计算机设备和存储介质
CN110020186A (zh) * 2018-05-08 2019-07-16 美味不用等（上海）信息科技股份有限公司 一种餐厅推荐方法及***
WO2019242144A1 (zh) * 2018-06-19 2019-12-26 平安科技（深圳）有限公司 电子装置、偏好倾向预测方法和计算机可读存储介质
CN110619076A (zh) * 2018-12-25 2019-12-27 北京时光荏苒科技有限公司 一种搜索词推荐方法、装置、计算机及存储介质
CN111008336A (zh) * 2019-12-23 2020-04-14 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、设备及可读存储介质
CN111429204A (zh) * 2020-03-10 2020-07-17 携程计算机技术（上海）有限公司 酒店推荐方法、***、电子设备和存储介质
CN111444428A (zh) * 2020-03-27 2020-07-24 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012073966A (ja) * 2010-09-29 2012-04-12 Dainippon Printing Co Ltd データ生成装置、データの生成方法及びデータ生成プログラム
CN103345699A (zh) * 2013-07-10 2013-10-09 湖南大学 一种基于商品森林体系的个性化美食推荐方法
CN104732422A (zh) * 2015-02-27 2015-06-24 湖南大学 基于移动用户标签的个性化美食推荐方法
KR101707753B1 (ko) * 2015-12-21 2017-02-16 비씨카드(주) 가맹점 개인화 추천 방법 및 가맹점 추천 서버
WO2018032790A1 (zh) * 2016-08-16 2018-02-22 武汉斗鱼网络科技有限公司 基于加权k近邻评分的直播间推荐方法及***
CN106934498A (zh) * 2017-03-14 2017-07-07 携程旅游网络技术（上海）有限公司 Ota网站中酒店房型的推荐方法及***
CN107256494A (zh) * 2017-05-18 2017-10-17 深圳大学 一种物品推荐方法及装置
CN107220852A (zh) * 2017-05-26 2017-09-29 北京小度信息科技有限公司 用于确定目标推荐用户的方法、装置和服务器
KR20190031001A (ko) * 2017-09-15 2019-03-25 조선대학교산학협력단 사용자 선호 음식점 추천 방법 및 컴퓨터 프로그램
CN110020186A (zh) * 2018-05-08 2019-07-16 美味不用等（上海）信息科技股份有限公司 一种餐厅推荐方法及***
WO2019242144A1 (zh) * 2018-06-19 2019-12-26 平安科技（深圳）有限公司 电子装置、偏好倾向预测方法和计算机可读存储介质
CN109064278A (zh) * 2018-07-26 2018-12-21 北京三快在线科技有限公司 目标对象推荐方法及装置、电子设备、存储介质
CN109284413A (zh) * 2018-09-07 2019-01-29 平安科技（深圳）有限公司 基于人脸识别的商品推荐方法、装置、设备及存储介质
CN109766491A (zh) * 2018-12-18 2019-05-17 深圳壹账通智能科技有限公司 商品搜索方法、装置、计算机设备和存储介质
CN110619076A (zh) * 2018-12-25 2019-12-27 北京时光荏苒科技有限公司 一种搜索词推荐方法、装置、计算机及存储介质
CN111008336A (zh) * 2019-12-23 2020-04-14 腾讯科技（深圳）有限公司 一种内容推荐方法、装置、设备及可读存储介质
CN111429204A (zh) * 2020-03-10 2020-07-17 携程计算机技术（上海）有限公司 酒店推荐方法、***、电子设备和存储介质
CN111444428A (zh) * 2020-03-27 2020-07-24 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备及存储介质

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
LEI ZHOU 等: "Personalized Recommendation Algorithm Based on User Preference and User Profile", pages 1202, Retrieved from the Internet <URL:https://link.springer.com/chapter/10.1007/978-3-030-44038-1_110> *
ZHICHAO CHANG 等: "Hotel Recommendation Based on Surrounding Environments", 2013 SECOND IIAI INTERNATIONAL CONFERENCE ON ADVANCED APPLIED INFORMATICS, 15 October 2013 (2013-10-15), pages 330 - 336 *
何溢曼 等: "基于Android的美食推荐***设计与实现", 数码世界, no. 9, pages 24 *
宋丹丹;: "基于微信小程序的美食点餐推荐***的设计与实现", 信息通信, no. 12, 15 December 2017 (2017-12-15), pages 89 - 90 *
山间一棵松: "基于大数据的餐饮推荐***总结", pages 1, Retrieved from the Internet <URL:https://www.cnblogs.com/share23/articles/9589239.html> *
岳子静 等: "用户饮食偏好挖掘及应用研究", 图书情报知识, no. 03, 10 May 2019 (2019-05-10), pages 81 - 90 *
岳子静 等: "用户饮食偏好挖掘及应用研究", 图书情报知识, no. 03, pages 81 - 90 *
杨晓蕾 等: "基于张量分解的多维信息融合兴趣点推荐算法", 小型微型计算机***, no. 05, 15 May 2020 (2020-05-15), pages 902 - 907 *
范顺忠: "基于用户兴趣感知的个性化美食推荐算法研究与应用", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 7, 15 July 2018 (2018-07-15), pages 138 - 1977 *
郑尔财: "基于情感分析的个性化推荐算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 1, 15 January 2019 (2019-01-15), pages 138 - 5295 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112667714A (zh) * 2021-03-17 2021-04-16 腾讯科技（深圳）有限公司 基于深度学习的用户画像优化方法、装置及存储介质
CN113570432A (zh) * 2021-07-28 2021-10-29 北京达佳互联信息技术有限公司 资源推荐确定方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108829822B (zh) 媒体内容的推荐方法和装置、存储介质、电子装置
CN112214685B (zh) 一种基于知识图谱的个性化推荐方法
CN111061946A (zh) 场景化内容推荐方法、装置、电子设备及存储介质
CN110598130B (zh) 一种融合异构信息网络和深度学习的电影推荐方法
CN106599226A (zh) 一种内容推荐方法及内容推荐***
US20220171760A1 (en) Data processing method and apparatus, computer-readable storage medium, and electronic device
CN112307351A (zh) 用户行为的模型训练、推荐方法、装置和设备
CN111061962A (zh) 一种基于用户评分分析的推荐方法
CN110795571A (zh) 基于深度学习和知识图谱的文化旅游资源推荐方法
CN112052326A (zh) 一种基于长短文本匹配的智能问答方法及***
CN110413888B (zh) 一种书籍推荐方法及装置
CN112966091B (zh) 一种融合实体信息与热度的知识图谱推荐***
Liu et al. Using collaborative filtering algorithms combined with Doc2Vec for movie recommendation
CN112052388A (zh) 一种推荐美食店铺的方法及***
CN113239159B (zh) 基于关系推理网络的视频和文本的跨模态检索方法
CN115964560B (zh) 基于多模态预训练模型的资讯推荐方法及设备
CN113806630A (zh) 基于注意力的多视角特征融合跨域推荐方法及装置
CN110688565A (zh) 基于多维霍克斯过程和注意力机制的下一个物品推荐方法
CN115131698A (zh) 视频属性确定方法、装置、设备及存储介质
CN110110218A (zh) 一种身份关联方法及终端
CN116910375B (zh) 一种基于用户偏好多样性的跨域推荐方法及***
CN116956183A (zh) 多媒体资源推荐方法、模型训练方法、装置及存储介质
CN112989177A (zh) 信息处理方法、装置、电子设备及计算机存储介质
CN112231547A (zh) 一种基于知识图谱的内容推荐方法和***
CN116957128A (zh) 业务指标预测方法、装置、设备和存储介质

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