CN117541359B - 一种基于偏好分析的用餐推荐方法及*** - Google Patents
一种基于偏好分析的用餐推荐方法及*** Download PDFInfo
- Publication number
- CN117541359B CN117541359B CN202410010847.1A CN202410010847A CN117541359B CN 117541359 B CN117541359 B CN 117541359B CN 202410010847 A CN202410010847 A CN 202410010847A CN 117541359 B CN117541359 B CN 117541359B
- Authority
- CN
- China
- Prior art keywords
- preference
- feature
- dish
- attribute
- time sequence
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 235000012054 meals Nutrition 0.000 claims abstract description 27
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000007774 longterm Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012300 Sequence Analysis Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 235000019640 taste Nutrition 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000019633 pungent taste Nutrition 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000272517 Anseriformes Species 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于偏好分析的用餐推荐方法及***。一种基于偏好分析的用餐推荐方法,通过分析用户历史的菜品消费数据,确定每种菜品属性的第一偏好特征和第二偏好特征;基于时序分析模型中,确定每个第一偏好特征的第一时序特征和每个第二偏好特征的第二时序特征;通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合,得到用户的用餐偏好信息;计算每个待推荐菜品的推荐值,对多个待推荐菜品进行排序并向用户进行用餐推荐。本发明可以有效分析出用户的用餐偏好信息并向用户进行精准的用餐推荐,提升用户的用餐体验。
Description
技术领域
本发明涉及数据处理技术领域,特别地涉及一种基于偏好分析的用餐推荐方法及***。
背景技术
随着互联网技术的发展,对于餐饮行业,传统的基于服务员推荐的点餐方式逐渐被新的方式取代,现在越来越多的人开始习惯于通过手机等智能设备线上点餐。
随着越来越多的商家入驻点餐平台,用户在线上点餐的过程中,面对这大量的菜品信息,选择出自己喜欢的菜品越来越困难。对于这种情况,一些推荐***在用户点餐的过程中,多是根据用户最近的点餐信息进行菜品的推荐,处于推荐前列的菜品多为用户历史消费过的菜品,这种推荐方式并不理想,这种情况下优化用餐推荐方式显得尤为重要。
发明内容
本发明提供一种基于偏好分析的用餐推荐方法及***,目的在于解决上述背景技术中存在的问题。
根据本发明实施例的第一个方面,提供一种基于偏好分析的用餐推荐方法,包括:
获取用户历史的菜品消费数据,从菜品消费数据中提取出多组菜品属性数据;
通过偏好分析模型分别对多组菜品属性数据进行处理,确定每种菜品属性的第一偏好特征和第二偏好特征;
从菜品消费数据中提取出每种菜品属性的第一偏好特征的第一时序信息,以及每种菜品属性第二偏好特征的第二时序信息;
将每种菜品属性的第一偏好特征以及对应的第一时序信息输入到时序分析模型中,确定每个第一偏好特征的第一时序特征,将每种菜品属性的第二偏好特征以及对应的第二时序信息输入到时序分析模型中,确定每个第二偏好特征的第二时序特征;
通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合,生成每种菜品属性的目标偏好特征,得到用户的用餐偏好信息;
根据用户的用餐偏好信息和每个待推荐菜品的属性信息,计算每个待推荐菜品的推荐值,对多个待推荐菜品进行排序并向用户进行用餐推荐。
优选地,偏好分析模型分别对多组菜品属性数据进行处理,具体包括:
为每种菜品属性数据构建第一属性集合,基于预设时间范围分别对多个第一属性集合进行数据分割,得到每个第一属性集合对应的第二属性集合;
对于多个第一属性集合和第二属性集合,分析模型采用如下步骤输出任一属性集合的特征集合:
S21、统计属性集合中每个元素的出现频率,根据出现频率对多个元素进行排序;
S22、记排序好的元素为E=E1,E2,…,En,其中n为元素的总数,记任一元素为Ei,令i=1,将元素Ei放入特征集合;
S23、根据出现频率计算元素Ei与元素E(i+1)的差异值,若差异值小于预设差异阈值,将元素E(i+1)放入特征集合并转到步骤S24,否则转到步骤S25;
S24、判断i+1<n是否成立,若成立,令i=i+1并转到步骤S23,否则转到步骤S25;
S25、输出特征集合;
将第一属性集合的特征集合中的元素作为第一属性集合的第一偏好特征,将第二属性集合的特征集合中的元素作为第二属性集合的第二偏好特征;
遍历所有第一属性集合和第二属性集合,确定每个第一属性集合的第一偏好特征,以及每个第二属性集合的第二偏好特征。
优选地,对于时序分析模型,还包括:
第一时序信息记载有多个菜品中每个第一偏好特征的存在信息,对于任一菜品,若第一偏好特征存在则记为1,否则记为0;
对于任一第一偏好特征,从第一偏好特征对应的第一时序信息中提取出长期时序向量与短期时序向量;
统计长期时序向量中存在信息为1的维度与长期时序向量维度的比值,统计短期时序向量中存在信息为1的维度与短期时序向量维度的比值,将两个比值之和作为第一偏好特征的第一时序特征。
优选地,通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合具体包括:
基于偏好特征的类别对所有第一偏好特征和第二偏好特征进行融合,得到多个融合特征,确定每个融合特征的参考值,得到多个目标偏好特征;
其中,对于由单个第一偏好特征和单个第二偏好特征共同构成的融合特征,第一时序特征和第二时序特征之和作为融合特征的参考值。
优选地,待推荐菜品的推荐值的计算包括:
对于待推荐菜品的多个菜品属性,基于用户的用餐偏好信息确定待推荐菜品的每个菜品属性的评分,将待推荐菜品的多个评分之和作为待推荐菜品的推荐值。
根据本发明实施例的第二个方面,提供一种基于偏好分析的用餐推荐***,基于上述的一种基于偏好分析的用餐推荐方法,包括:
数据处理模块,用于获取用户历史的菜品消费数据,从菜品消费数据中提取出多组菜品属性数据;
偏好特征分析模块,用于对多组菜品属性数据进行处理,确定每种菜品属性的第一偏好特征和第二偏好特征;
时序特征分析模块,用于从菜品消费数据中提取出每种菜品属性的第一偏好特征的第一时序信息,以及每种菜品属性第二偏好特征的第二时序信息,确定每个第一偏好特征的第一时序特征,以及每个第二偏好特征的第二时序特征;
特征融合模块,用于通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合,生成每种菜品属性的目标偏好特征,得到用户的用餐偏好信息;
用餐推荐模块,根据用户的用餐偏好信息和每个待推荐菜品的属性信息,计算每个待推荐菜品的推荐值,根据推荐值对多个待推荐菜品进行排序,基于排序好的待推荐菜品向用户进行用餐推荐。
优选地,还包括:
偏好特征分析模块通过偏好分析模型确定每种菜品属性的第一偏好特征和第二偏好特征;
时序特征分析模块通过时序分析模型确定每个第一偏好特征的第一时序特征,以及每个第二偏好特征的第二时序特征。
本发明的有益效果为:
1、本发明通过对历史数据进行全局分析与局部分析,确定用户的全局偏好特征与局部偏好特征,并融合得到目标偏好特征向用户进行用餐推荐,提升了推荐的精准度,可以提升用户的用餐体验。
2、本发明考虑了不同菜品属性对应的目标偏好特征之间的差异性,分析得到每个目标偏好特征的参考值,为不同的待推荐菜品进行评分,进一步提高了用餐推荐的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例中提供的一种基于偏好分析的用餐推荐方法的流程图。
图2为本发明实施例中提供的一种基于偏好分析的用餐推荐***的结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请部分实施例进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。然而,本领域的普通技术人员可以理解,在本申请的各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。
参见图1,为本发明实施例中提供的一种基于偏好分析的用餐推荐方法的流程图,作为本发明实施例的一个方面,提供的一种基于偏好分析的用餐推荐方法,具体包括:
S10、获取用户历史的菜品消费数据,从菜品消费数据中提取出多组菜品属性数据,其中,菜品消费数据可以基于大数据技术获取,具体可以为从用户历史上的点餐行为中提取得到,所获取的菜品消费数据中包含大量的信息,本实施例中通过从中提取出菜品属性数据,用于分析用户的偏好信息。
示例性的,菜品属性可以是例如食材属性、口味属性、类型属性等,每种菜品属性包括多个特征内容,例如食材属性包括猪、牛、羊、鸡、鸭、鱼、蔬菜等;类别属性包括热菜、凉菜、小吃、汤等;口味属性包括酸、甜、辣、五香、酱香等;本实施例中提取得到的多组菜品属性数据,具体为每组菜品属性数据对应一种菜品属性,一组菜品属性数据包括有其中一种菜品属性对应的多个特征内容中,每个特征内容的消费数据,其中,每个特征内容的消费数据可以基于时间顺序排列。
S20、通过偏好分析模型分别对多组菜品属性数据进行处理,确定每种菜品属性的第一偏好特征和第二偏好特征;
值得说明的是,第一偏好特征具体为对菜品消费数据整体分析得到的,具体为一种菜品属性包括多个特征内容中的至少一个特征内容,提取到的是全局特征信息,以口味属性为例,通过分析用户的菜品消费数据,得知在所有的消费菜品中,辣味的菜品所占的数量较多,则口味属性的第一偏好特征为辣。第二特征具体为对菜品消费数据局部分析得到的,在本实施例中具体为近期的消费,提取得到局部的特征信息。
示例性的,若用户历史的菜品消费数据为近1年内的数据,则每种菜品属性的第一偏好特征为对这1年内的数据综合分析得到的,每种菜品属性的第二偏好特征为对这1年内的数据中预设时间范围内的数据分析得到的,本实施例中预设时间范围以近2个月为例。
S30、从菜品消费数据中提取出每种菜品属性的第一偏好特征的第一时序信息,以及每种菜品属性第二偏好特征的第二时序信息;
值得说明的是,时序信息具体为偏好特征在不同时间下的出现信息,以口味属性中的辣为例,所对应的时序信息具体为菜品消费数据中,所包括的多个菜品内每个菜品的口味属性中辣的存在信息,具体的,在本实施中,对于菜品消费数据中的一系列菜品,若某个菜品的口味属性为辣,则辣所对应的时序信息中该菜品记为1,否则记为0。
可以理解的是,为了便于区分,将第一偏好特征和第二特征对应的时序信息分别记为第一时序信息和第二时序信息。
S40、通过时序分析模型确定每个第一偏好特征的第一时序特征,以及确定每个第二偏好特征的第二时序特征;
值得说明的是,将每种菜品属性的第一偏好特征以及对应的第一时序信息输入到时序分析模型中,确定每个第一偏好特征的第一时序特征,将每种菜品属性的第二偏好特征以及对应的第二时序信息输入到时序分析模型中,确定每个第二偏好特征的第二时序特征;
在一种示例性的实施过程中,时序分析模型通过如下方式确定多个第一时序特征和第二时序特征:
对于任一第一偏好特征,从第一偏好特征对应的第一时序信息中提取出长期时序向量与短期时序向量;
值得说明的是,时序向量具体为由0和1组成的集合向量,时序向量的维度为菜品的总数,时序向量中的每个元素对应一个菜品,所有的菜品以时间顺序排布,示例性的,以其中一个为辣的第一偏好特征为例,对于以时间顺序排布的菜品,若第i个菜品的口味属性为辣,则时序向量中该菜品所对应的元素的值为1,否则为零,长期时序向量具体为用户历史的菜品消费数据中整体时间范围内的时序向量,短期时序向量为历史的菜品消费数据中预设时间范围内的菜品消费数据所对应的时序向量。
在确定第一偏好特征的长期时序向量与短期时序向量,统计长期时序向量中存在信息为1的维度与长期时序向量维度的比值,统计短期时序向量中存在信息为1的维度与短期时序向量维度的比值,将两个比值之和作为第一偏好特征的第一时序特征。
通过上述方式可确定每个第一偏好特征的第一时序特征,同理,对于第二偏好特征,可以采取与上述相同的方式得到每个第二偏好特征的第二时序特征。
S50、通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合,生成每种菜品属性的目标偏好特征,得到用户的用餐偏好信息;
S60、根据用户的用餐偏好信息和每个待推荐菜品的属性信息,计算每个待推荐菜品的推荐值,对多个待推荐菜品进行排序并向用户进行用餐推荐。
在一种示例性的实施过程中,对于步骤S20,通过偏好分析模型分别对多组菜品属性数据进行处理,具体包括:
为每种菜品属性数据构建第一属性集合,基于预设时间范围分别对多个第一属性集合进行数据分割,得到每个第一属性集合对应的第二属性集合;
可以理解的是,第一属性集合和第二属性集合本质的内容并无差异,均是菜品属性数据,区别在于数量的不同,对于多个第一属性集合和第二属性集合,分析模型采用如下步骤输出任一属性集合的特征集合:
S21、统计属性集合中每个元素的出现频率,根据出现频率对多个元素进行排序;
S22、记排序好的元素为E=E1,E2,…,En,其中n为元素的总数,记任一元素为Ei,令i=1,将元素Ei放入特征集合;
S23、根据出现频率计算元素Ei与元素E(i+1)的差异值,若差异值小于预设差异阈值,将元素E(i+1)放入特征集合并转到步骤S24,否则转到步骤S25;
具体的,差异值的计算方式为:
D=2(Fi-F(i+1))/(Fi+F(i+1))
式中,D为差异值,Fi为元素Ei的出现频率,F(i+1)为元素E(i+1)的出现频率。
S24、判断i+1<n是否成立,若成立,令i=i+1并转到步骤S23,否则转到步骤S25;
S25、输出特征集合,其中,特征集合至少包括一个元素。
对于任意一个第一属性集合或第二属性集合,通过步骤S21-S25可以确定其对应的特征集合,在得到每个第一属性集合和第二属性集合的特征集合后,将第一属性集合的特征集合中的元素作为第一属性集合的第一偏好特征,将第二属性集合的特征集合中的元素作为第二属性集合的第二偏好特征;
遍历所有第一属性集合和第二属性集合,确定每个第一属性集合的第一偏好特征和每个第二属性集合的第二偏好特征。
可以理解的是,对于任意一种菜品属性,在统计出菜品属性的多个特征内容的出现频率,即属性集合中每个元素的出现频率后,对于出现频率最高的特征内容毫无疑问的是可以作为用户的偏好特征,而实际情况中,对于一些菜品属性而言,并不是每个用户均有特定的倾向,即出现频率排序为第二、第三的特征内容与出现频率最高的特征内容差异不大,因此通过出现频率对多个特征内容进行排序,通过逐步分析相邻两个特征内容的差异程度,并通过预设差异阈值进行量化筛选,可以确定用户对各个菜品属性的至少一个偏好特征。
在一种示例性的实施过程中,对于步骤S50,通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合具体包括:
基于偏好特征的类别对所有第一偏好特征和第二偏好特征进行融合,得到多个融合特征;
具体的,对于属于同一个类别的第一偏好特征和第二偏好特征即属于同一个菜品的第一偏好特征和第二偏好特征,因为各自分别为全局特征和局部特征,因此对于多个第一偏好特征和第二偏好特征,部分相同的特征可以进行融合,将相同的特征进行融合和得到多个融合特征,每个融合特征具有唯一性。
确定每个融合特征的参考值,得到多个目标偏好特征。
具体的,对于由单个第一偏好特征和单个第二偏好特征共同构成的融合特征,取第一时序特征和第二时序特征之和作为融合特征的参考值,对于由单个第一偏好特征或单个第二偏好特征构成的融合特征,取对应的时序特征作为融合特征的参考值。
在一种示例性的实施过程中,对于步骤S60,待推荐菜品的推荐值的计算包括:
对于待推荐菜品的多个菜品属性,基于用户的用餐偏好信息确定待推荐菜品的每个菜品属性的评分,将待推荐菜品的多个评分之和作为待推荐菜品的推荐值。
值得说明的是,用户的用餐偏好信息中包括了每个菜品属性的至少一个目标偏好特征,对于待推荐菜品的多个菜品属性,若待推荐菜品其中一个菜品属性对应的特征内容属于目标偏好特征,则将该菜品属性对应的目标偏好特征的参考值作为该菜品属性的评分,可以想到的是,对于特征内容不属于目标偏好特征的任一菜品属性,评分记为0。通过上述方式可以确定每个待推荐菜品的推荐值,根据推荐值确定多个待推荐菜品的推荐顺序。
本发明计算待推荐菜品的推荐值的好处在于,在确定每个菜品属性的目标偏好特征后,虽然可以直接根据每个目标特征的存在与否,直接为每个菜品属性设定标准的评分,例如对于某个待推荐菜品,若其中一个菜品属性对应的特征内容属于目标偏好特征,则直接将该菜品属性记为一个标准分数,例如1分,否则将该菜品属性记为0分,但是实际上不同菜品属性对应的各个特征内容之间是存在差异的,而一些用户在用餐的过程中,对于一些尤为喜好的目标偏好特征,优先级要更高,例如对于非常喜欢吃辣的用户而言,对于没有辣的菜品,可能需要在更多菜品属性上符合用户的喜好信息,该用户才会选择不辣的菜品。
本发明实施例提供的一种基于偏好分析的用餐推荐方法及***,还充分考虑了全局的特征信息和局部的特征信息,将全局的特征信息和局部的特征信息进行融合,向用户进行菜品推荐的过程中,考虑了用户整体的喜好与近期的喜好,提升了用餐推荐的准确性。
参见图2,为本发明实施例中提供的一种基于偏好分析的用餐推荐***的结构图,在上述的一种基于偏好分析的用餐推荐方法的基础上,本发明实施例还提供了一种基于偏好分析的用餐推荐***,作为本发明实施例的另一个方面,提供的一种基于偏好分析的用餐推荐***,具体包括:
数据处理模块,用于获取用户历史的菜品消费数据,从菜品消费数据中提取出多组菜品属性数据;
偏好特征分析模块,用于对多组菜品属性数据进行处理,确定每种菜品属性的第一偏好特征和第二偏好特征;
具体的,偏好特征分析模块通过偏好分析模型确定每种菜品属性的第一偏好特征和第二偏好特征;
时序特征分析模块,用于从菜品消费数据中提取出每种菜品属性的第一偏好特征的第一时序信息,以及每种菜品属性第二偏好特征的第二时序信息,确定每个第一偏好特征的第一时序特征,以及每个第二偏好特征的第二时序特征;
具体的,时序特征分析模块通过时序分析模型确定每个第一偏好特征的第一时序特征,以及每个第二偏好特征的第二时序特征;
特征融合模块,用于通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合,生成每种菜品属性的目标偏好特征,得到用户的用餐偏好信息;
用餐推荐模块,根据用户的用餐偏好信息和每个待推荐菜品的属性信息,计算每个待推荐菜品的推荐值,根据推荐值对多个待推荐菜品进行排序,基于排序好的待推荐菜品向用户进行用餐推荐。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (2)
1.一种基于偏好分析的用餐推荐方法,其特征在于,包括:
获取用户历史的菜品消费数据,从菜品消费数据中提取出多组菜品属性数据;
通过偏好分析模型分别对多组菜品属性数据进行处理,确定每种菜品属性的第一偏好特征和第二偏好特征;
从菜品消费数据中提取出每种菜品属性的第一偏好特征的第一时序信息,以及每种菜品属性第二偏好特征的第二时序信息;
将每种菜品属性的第一偏好特征以及对应的第一时序信息输入到时序分析模型中,确定每个第一偏好特征的第一时序特征,将每种菜品属性的第二偏好特征以及对应的第二时序信息输入到时序分析模型中,确定每个第二偏好特征的第二时序特征;
通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合,生成每种菜品属性的目标偏好特征,得到用户的用餐偏好信息;
根据用户的用餐偏好信息和每个待推荐菜品的属性信息,计算每个待推荐菜品的推荐值,对多个待推荐菜品进行排序并向用户进行用餐推荐;
对于时序分析模型,还包括:
第一时序信息记载有多个菜品中每个第一偏好特征的存在信息,对于任一菜品,若第一偏好特征存在则记为1,否则记为0;
对于任一第一偏好特征,从第一偏好特征对应的第一时序信息中提取出长期时序向量与短期时序向量;
统计长期时序向量中存在信息为1的维度与长期时序向量维度的比值,时序向量的维度为菜品的总数,统计短期时序向量中存在信息为1的维度与短期时序向量维度的比值,将两个比值之和作为第一偏好特征的第一时序特征;
偏好分析模型分别对多组菜品属性数据进行处理,具体包括:
为每种菜品属性数据构建第一属性集合,基于预设时间范围分别对多个第一属性集合进行数据分割,得到每个第一属性集合对应的第二属性集合;
对于多个第一属性集合和第二属性集合,分析模型采用如下步骤输出任一属性集合的特征集合:
S21、统计属性集合中每个元素的出现频率,根据出现频率对多个元素进行排序;
S22、记排序好的元素为E=E1,E2,…,En,其中n为元素的总数,记任一元素为Ei,令i=1,将元素Ei放入特征集合;
S23、根据出现频率计算元素Ei与元素E(i+1)的差异值,若差异值小于预设差异阈值,将元素E(i+1)放入特征集合并转到步骤S24,否则转到步骤S25;
差异值的计算方式为:
D=2(Fi-F(i+1))/(Fi+F(i+1))
式中,D为差异值,Fi为元素Ei的出现频率,F(i+1)为元素E(i+1)的出现频率;
S24、判断i+1<n是否成立,若成立,令i=i+1并转到步骤S23,否则转到步骤S25;
S25、输出特征集合;
将第一属性集合的特征集合中的元素作为第一属性集合的第一偏好特征,将第二属性集合的特征集合中的元素作为第二属性集合的第二偏好特征;
遍历所有第一属性集合和第二属性集合,确定每个第一属性集合的第一偏好特征,以及每个第二属性集合的第二偏好特征;
通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合具体包括:
基于偏好特征的类别对所有第一偏好特征和第二偏好特征进行融合,得到多个融合特征,确定每个融合特征的参考值,得到多个目标偏好特征;
其中,对于由单个第一偏好特征和单个第二偏好特征共同构成的融合特征,第一时序特征和第二时序特征之和作为融合特征的参考值;
待推荐菜品的推荐值的计算包括:
对于待推荐菜品的多个菜品属性,基于用户的用餐偏好信息确定待推荐菜品的每个菜品属性的评分,将待推荐菜品的多个评分之和作为待推荐菜品的推荐值。
2.一种基于偏好分析的用餐推荐***,其特征在于,用于实现如权利要求1所述的一种基于偏好分析的用餐推荐方法,包括:
数据处理模块,用于获取用户历史的菜品消费数据,从菜品消费数据中提取出多组菜品属性数据;
偏好特征分析模块,用于对多组菜品属性数据进行处理,确定每种菜品属性的第一偏好特征和第二偏好特征;
时序特征分析模块,用于从菜品消费数据中提取出每种菜品属性的第一偏好特征的第一时序信息,以及每种菜品属性第二偏好特征的第二时序信息,确定每个第一偏好特征的第一时序特征,以及每个第二偏好特征的第二时序特征;
特征融合模块,用于通过特征融合模型对第一偏好特征和第二偏好特征进行特征融合,生成每种菜品属性的目标偏好特征,得到用户的用餐偏好信息;
用餐推荐模块,根据用户的用餐偏好信息和每个待推荐菜品的属性信息,计算每个待推荐菜品的推荐值,根据推荐值对多个待推荐菜品进行排序,基于排序好的待推荐菜品向用户进行用餐推荐;
还包括:
偏好特征分析模块通过偏好分析模型确定每种菜品属性的第一偏好特征和第二偏好特征;
时序特征分析模块通过时序分析模型确定每个第一偏好特征的第一时序特征,以及每个第二偏好特征的第二时序特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410010847.1A CN117541359B (zh) | 2024-01-04 | 2024-01-04 | 一种基于偏好分析的用餐推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410010847.1A CN117541359B (zh) | 2024-01-04 | 2024-01-04 | 一种基于偏好分析的用餐推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541359A CN117541359A (zh) | 2024-02-09 |
CN117541359B true CN117541359B (zh) | 2024-03-29 |
Family
ID=89784573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410010847.1A Active CN117541359B (zh) | 2024-01-04 | 2024-01-04 | 一种基于偏好分析的用餐推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541359B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268232A (ja) * | 2008-07-25 | 2008-11-06 | Dainippon Screen Mfg Co Ltd | クラスタ生成装置、欠陥分類装置、クラスタ生成方法およびプログラム |
JP2012220653A (ja) * | 2011-04-07 | 2012-11-12 | Panasonic Corp | 変化対応型嗜好推定装置 |
JP2017033309A (ja) * | 2015-07-31 | 2017-02-09 | 富士通株式会社 | グループ分け処理方法、グループ分け処理プログラムおよび情報処理装置 |
CN106815745A (zh) * | 2016-12-30 | 2017-06-09 | 北京三快在线科技有限公司 | 菜品推荐方法及*** |
CN107767230A (zh) * | 2017-11-06 | 2018-03-06 | 北京戴纳实验科技有限公司 | 一种智能电子菜单的显示处理方法 |
CN107862542A (zh) * | 2017-09-28 | 2018-03-30 | 北京三快在线科技有限公司 | 一种菜品推荐方法和装置 |
CN109544285A (zh) * | 2018-11-13 | 2019-03-29 | 口碑(上海)信息技术有限公司 | 点餐过程的菜品推荐方法及装置 |
CN109583999A (zh) * | 2018-11-13 | 2019-04-05 | 平安科技(深圳)有限公司 | 订餐信息推荐方法、装置、电子设备及存储介质 |
CN110084671A (zh) * | 2019-04-17 | 2019-08-02 | 上海拉扎斯信息科技有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
CN111754118A (zh) * | 2020-06-24 | 2020-10-09 | 重庆电子工程职业学院 | 基于自适应学习的智能菜谱优化*** |
CN112950292A (zh) * | 2021-04-01 | 2021-06-11 | 武汉市章瀚电子商务有限公司 | 基于移动互联网和大数据的线下顾客消费行为习惯获取分析方法 |
CN113888364A (zh) * | 2021-10-12 | 2022-01-04 | 广东优碧胜科技有限公司 | 订单生成方法、装置、电子设备以及点餐*** |
CN114707074A (zh) * | 2022-06-06 | 2022-07-05 | 深圳尚米网络技术有限公司 | 一种内容推荐方法、设备和*** |
WO2022160148A1 (zh) * | 2021-01-28 | 2022-08-04 | 曹庆恒 | 一种饮食智能推荐的方法、*** |
CN115510313A (zh) * | 2021-06-23 | 2022-12-23 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN115587829A (zh) * | 2021-06-22 | 2023-01-10 | 京东方科技集团股份有限公司 | 一种菜品推荐方法及*** |
WO2023026104A1 (en) * | 2021-08-23 | 2023-03-02 | Pikky Technologies Incorporated | System and method for generating personalised dietary recommendation |
CN116029280A (zh) * | 2021-10-25 | 2023-04-28 | 中移(苏州)软件技术有限公司 | 一种文档关键信息抽取方法、装置、计算设备和存储介质 |
CN116127199A (zh) * | 2023-04-17 | 2023-05-16 | 昆明理工大学 | 一种针对服装序列推荐的用户偏好建模方法 |
CN116484092A (zh) * | 2023-03-21 | 2023-07-25 | 中银金融科技有限公司 | 基于用户长短期偏好的分层注意力网络序列推荐方法 |
CN116489216A (zh) * | 2023-03-16 | 2023-07-25 | 中国建设银行股份有限公司 | 信息推送方法、装置、电子设备、存储介质及程序产品 |
CN116703503A (zh) * | 2023-05-23 | 2023-09-05 | 广州铁路职业技术学院 | 一种校园食堂菜品智能推荐方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040254957A1 (en) * | 2003-06-13 | 2004-12-16 | Nokia Corporation | Method and a system for modeling user preferences |
JP4655200B2 (ja) * | 2005-02-01 | 2011-03-23 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
-
2024
- 2024-01-04 CN CN202410010847.1A patent/CN117541359B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268232A (ja) * | 2008-07-25 | 2008-11-06 | Dainippon Screen Mfg Co Ltd | クラスタ生成装置、欠陥分類装置、クラスタ生成方法およびプログラム |
JP2012220653A (ja) * | 2011-04-07 | 2012-11-12 | Panasonic Corp | 変化対応型嗜好推定装置 |
JP2017033309A (ja) * | 2015-07-31 | 2017-02-09 | 富士通株式会社 | グループ分け処理方法、グループ分け処理プログラムおよび情報処理装置 |
CN106815745A (zh) * | 2016-12-30 | 2017-06-09 | 北京三快在线科技有限公司 | 菜品推荐方法及*** |
CN107862542A (zh) * | 2017-09-28 | 2018-03-30 | 北京三快在线科技有限公司 | 一种菜品推荐方法和装置 |
CN107767230A (zh) * | 2017-11-06 | 2018-03-06 | 北京戴纳实验科技有限公司 | 一种智能电子菜单的显示处理方法 |
CN109544285A (zh) * | 2018-11-13 | 2019-03-29 | 口碑(上海)信息技术有限公司 | 点餐过程的菜品推荐方法及装置 |
CN109583999A (zh) * | 2018-11-13 | 2019-04-05 | 平安科技(深圳)有限公司 | 订餐信息推荐方法、装置、电子设备及存储介质 |
CN110097946A (zh) * | 2019-03-01 | 2019-08-06 | 西安电子科技大学 | 一种基于营养成分分析的饮食推荐方法 |
CN110084671A (zh) * | 2019-04-17 | 2019-08-02 | 上海拉扎斯信息科技有限公司 | 信息处理方法、信息处理装置、存储介质和电子设备 |
CN111754118A (zh) * | 2020-06-24 | 2020-10-09 | 重庆电子工程职业学院 | 基于自适应学习的智能菜谱优化*** |
WO2022160148A1 (zh) * | 2021-01-28 | 2022-08-04 | 曹庆恒 | 一种饮食智能推荐的方法、*** |
CN112950292A (zh) * | 2021-04-01 | 2021-06-11 | 武汉市章瀚电子商务有限公司 | 基于移动互联网和大数据的线下顾客消费行为习惯获取分析方法 |
CN115587829A (zh) * | 2021-06-22 | 2023-01-10 | 京东方科技集团股份有限公司 | 一种菜品推荐方法及*** |
CN115510313A (zh) * | 2021-06-23 | 2022-12-23 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
WO2023026104A1 (en) * | 2021-08-23 | 2023-03-02 | Pikky Technologies Incorporated | System and method for generating personalised dietary recommendation |
CN113888364A (zh) * | 2021-10-12 | 2022-01-04 | 广东优碧胜科技有限公司 | 订单生成方法、装置、电子设备以及点餐*** |
CN116029280A (zh) * | 2021-10-25 | 2023-04-28 | 中移(苏州)软件技术有限公司 | 一种文档关键信息抽取方法、装置、计算设备和存储介质 |
CN114707074A (zh) * | 2022-06-06 | 2022-07-05 | 深圳尚米网络技术有限公司 | 一种内容推荐方法、设备和*** |
CN116489216A (zh) * | 2023-03-16 | 2023-07-25 | 中国建设银行股份有限公司 | 信息推送方法、装置、电子设备、存储介质及程序产品 |
CN116484092A (zh) * | 2023-03-21 | 2023-07-25 | 中银金融科技有限公司 | 基于用户长短期偏好的分层注意力网络序列推荐方法 |
CN116127199A (zh) * | 2023-04-17 | 2023-05-16 | 昆明理工大学 | 一种针对服装序列推荐的用户偏好建模方法 |
CN116703503A (zh) * | 2023-05-23 | 2023-09-05 | 广州铁路职业技术学院 | 一种校园食堂菜品智能推荐方法及*** |
Non-Patent Citations (1)
Title |
---|
基于Hasse图的体验品群推荐研究――以餐饮业为例;左妹华;卢美华;梁周扬;;江西师范大学学报(自然科学版);20200331(第02期);第209-214页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117541359A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Osadchiy et al. | Recommender system based on pairwise association rules | |
CN107992583B (zh) | 信息推送方法及信息推送装置、设备和存储介质 | |
US20190290172A1 (en) | Systems and methods for food analysis, personalized recommendations, and health management | |
CN108897768B (zh) | 一种点餐方法及装置,电子设备 | |
CN108648058B (zh) | 产品排序方法及装置,电子设备、存储介质 | |
Xie et al. | A hybrid semantic item model for recipe search by example | |
CN110851571B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN108280124A (zh) | 产品分类方法及装置,排行榜生成方法及装置,电子设备 | |
CN109741125A (zh) | 推荐菜品的方法及装置、存储介质、电子装置 | |
Ruede et al. | Multi-task learning for calorie prediction on a novel large-scale recipe dataset enriched with nutritional information | |
CN115660292A (zh) | 基于餐饮消费数据处理的碳排放监测方法及设备 | |
CN117541359B (zh) | 一种基于偏好分析的用餐推荐方法及*** | |
CN110766512A (zh) | 订单处理方法、装置、电子设备及存储介质 | |
Kadowaki et al. | Situation-based food recommendation for yielding good results | |
KR20230116355A (ko) | 개인맞춤형 레시피 추천 방법 및 이를 위한 연산장치 | |
Qiao et al. | Intelligent recommendation method of sous-vide cooking dishes correlation analysis based on association rules mining | |
JPH09218875A (ja) | 対話型料理検索装置 | |
US20200394727A1 (en) | Food ordering system based on predefined variables | |
Qiao et al. | Privacy‐preserving dish‐recommendation for food nutrition through edging computing | |
Pugsee et al. | Suggestion analysis for food recipe improvement | |
Azhar et al. | Improvement accuracy of oil meal packaging with method ANP | |
CN117112912B (zh) | 基于用户特征的餐饮内容个性化展示方法及*** | |
Oncini et al. | Ascent of the herbivores, decline of the carnivores: The social stratification of eating profiles in Italy, 1997–2016 | |
Chaowanapunja | Factors that influence consumers to choose a restaurant in Bangkok metropolitan area. | |
Lemken et al. | The price penalty on meat substitutes—Consumers prefer reduced meat portions over novel meat alternatives and authentic vegetarian dishes—Final stage of a registered report |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |