CN105005907A

CN105005907A - 一种餐饮服务动态菜品智能推荐方法

Info

Publication number: CN105005907A
Application number: CN201510097610.2A
Authority: CN
Inventors: 张良均; 刘名军; 云伟标; 樊哲
Original assignee: Individual
Current assignee: Individual
Priority date: 2015-03-05
Filing date: 2015-03-05
Publication date: 2015-10-28

Abstract

本发明公开了一种餐饮服务动态菜品智能推荐方法。根据该方法，首先从餐饮企业采集顾客点餐数据、各类菜品单价成本数据、店家主推菜品数据等用于计算菜品推荐综合评分相关的数据；之后对采集的数据进行清洗、数据变换等预处理得到各菜品热销度评分，以及店家对各菜品的主推修正系数、毛利率修正系数和与已点菜品的关联度修正系数；最后通过公式计算得到各菜品的综合评分，基于综合评分可对各菜品进行推荐排序，排序结果最终以移动服务的方式推送给餐饮点餐顾客，实现菜品动态推荐服务。

Description

一种餐饮服务动态菜品智能推荐方法

技术领域

本发明涉及餐饮企业运营服务领域，是在顾客点菜时，服务员可以基于本专利方法推荐的结果进行点餐引导，最终达到降低餐饮企业运营成本和提高工作效率的目的。

背景技术

智能推荐是基于用户喜爱商品的行为，相关网站通过算法在全网的商品库里匹配然后进行推荐。智能推荐通常是将当前热门的、用户以往收藏或者购买的风格、和用户类似喜好的风格的物品推荐给用户。如果推荐的商品足够精准，那么对于用户来说会非常有意义。

菜品智能推荐的任务是联系顾客和菜品信息，一方面帮助顾客发现自己感兴趣的菜品，而另一方面让餐饮企业期望推荐的菜品能够展现在对它有兴趣的顾客面前，从而实现餐饮消费者和餐饮企业的双赢。菜品智能推荐是帮助顾客发现合适的菜品，克服信息过载的方法。它通过分析顾客的行为，对顾客兴趣建模，从而预测顾客的兴趣和喜好，并给顾客做相关联的菜品推荐。

近年来餐饮行业发展将面临较为复杂的市场环境，与其他行业一样餐饮企业都遇到了原材料成本升高、人力成本升高、房租成本升高等问题，这也使得整个行业的利润率急剧下降。人力成本和房租成本的上升是必然趋势和刚性需求，如何在保持产品质量同时提高企业效率，成为了整个餐饮行业需要面对的问题。餐饮行业已经积累了大量的历史数据，如何有效地利用这些数据，通过这些数据，企业高层能做出怎样的精准决策，从而达到更加精细化的管理，已成为众多餐饮企业日益迫切需要解决的问题。

作为餐饮企业，希望有一种高效，精准，实时的菜品推荐和营销模式，该模式的应用能够帮助餐饮企业从历史数据中洞察商机，提取价值，适时地把恰当的菜品推荐给适合的目标顾客，一方面提高菜品的销量，另外一方面，减少顾客在查找菜品时的时间和频率，降低运营成本，提高顾客体验，给餐饮企业带来尽可能高的商业价值。

发明内容

本发明涉及到的关键技术包括：ETL数据转移、清洗、关联规则算法、新综合评分算法等。

所述的一种餐饮服务动态菜品智能推荐方法，具体步骤如下：

步骤1 菜品数据采集。从餐饮企业采集用于计算菜品综合评分相关的数据，如顾客点餐数据、各类菜品单价成本数据、店家主推菜品数据等。

步骤2 菜品数据预处理。这里的数据预处理主要是对采集的数据进行清洗、数据变换，将原始数据转换成“适当的”格式，以适应后续计算菜品推荐综合评分的需要。通过数据预处理后将得到菜品热销度评分、店家主推度修正系数、菜品毛利率修正系数、菜品关联度修正系数。

步骤3 菜品推荐综合评分。从菜品热销度、店家主推度、菜品毛利率、菜品关联度等维度来计算某项菜品的推荐分值，菜品推荐分值大小一方面反映了顾客对菜品的喜好度，另一方面反映了餐饮企业对菜品主动推送的期望度。

步骤4 动态智能推荐。基于综合评分可对各菜品进行推荐排序，排序结果最终以移动服务的方式推送给餐饮点餐顾客，实现菜品动态推荐服务。

本发明专利提出的基于数据挖掘和新综合评分算法的一种餐饮服务动态菜品智能推荐方法，经验证（见后文算法算例），效果明显优于传统综合评分公式算法。该方法基于用关联规则算法，找出关联性最强的集合，和基于重要指标优势排序算法，提升重要指标的排序优势。因而本发明的算法能有效地进行餐饮服务动态菜品的智能推荐，为客户及时推荐满意的菜品，为店家带来一定的盈利。

附图说明：

图1 动态菜品智能推荐方法流程图

图2左上、右上、左下是分别是读入TID=1、2、3之后构建的FP-tree

图3读入TID=10之后构建的FP树

图4使用FP-tree增长算法发现以e结尾的频繁项集的图解

具体实施方式：

下面结合附图和实例对本发明的技术方案进行详细的说明。

图1 给出了动态菜品智能推荐方法整个流程，具体步骤如下：

所述步骤2所涉及到的菜品数据预处理具体描述为：

这里的数据预处理主要是对采集的数据进行清洗、数据变换，通过数据预处理后将得到菜品热销度评分、店家主推度修正系数、菜品毛利率修正系数、菜品关联度修正系数。

（1）菜品热销度评分是根据餐饮企业最近30天的菜品销售记录，汇总后的排名经归规范化后的计算得分，最高为1分，最低为0分。

式中：

q 为某项菜品的热销度评分，值范围：0~1；

q 为某项菜品的销售份数，值范围：>0；

q 为该餐饮企业最近30天内有销售记录的菜品中的最大销售份数，值范围：>0；

q 为该餐饮企业最近30天内有销售记录的菜品中的最小销售份数，值范围：>0。

（2）店家主推度修正系数是针对新推出的菜品做出排序得分，最高为1，最低为0.1。系数越高表示店家越期望推荐给顾客。该系数由管理员在前台界面维护设置，示例如下：

表1 菜品与其主推系数

序号	菜品名称	主推系数
			1	菜品1	1.0
2	菜品2	0.8
			3	菜品3	0.8
4	菜品4	0.7
			5	菜品5	0.5
……	……	……

对于未设置主推系数的菜品，主推系数默认为0.1。

（3）菜品毛利率修正系数是根据菜品的单价和成本计算得到毛利率再经归一化后得到的结果。

式中：

q 为某项菜品的毛利率修正系数，值范围：0.1~1，当值为负时设为0.1；

q 为某项菜品的单价，值范围：>0；

q 为某项菜品的估计成本，值范围：>0。

（4）菜品关联度修正系数是基于历史点餐数据，采用FP关联规则算法得到菜品的关联度推荐评分值再经归一化后的结果，它反映各菜品与顾客已点菜品的关联程度。

关联规则是形如的蕴含表达式，其中和是不相交的项集，即。关联规则的强度可以用它的支持度（support）和置信度（confidence）来度量。支持度确定规则可以用于给定数据集的频繁程度，而置信度确定在包含的事务中出现的频繁程度。支持度（ s ）和置信度（ c ）这两种度量的形式定义如下：

支持度很低的规则可能只是偶然出现，低支持度的规则大多也是无意义的，故本发明方法通过用支持度来删去那些无意义的规则。

置信度度量通过规则进行推理具有可靠性。对于给定的规则，置信度越高，在包含的事务中出现的可能性就越大。

而在特定的支持度和置信度阀值下，即使数量很少的原数据集也会产生难以计算的关联规则，故本发明采用FP增长算法，根据最小支持度阀值找出频繁项集，再由频繁项集产生强关联规则。

S2.1 构建FP-tree

如下表显示的一个菜品数据集，它包含10个菜品组和和五种菜品。

表2 菜品数据集

TID

菜品组

TID

菜品组

TID

菜品组

TID

菜品组

TID

菜品组

1

｛a,b｝

3

{a,c,d,e}

5

{a,b,c}

7

{a}

9

{a,b,d}

2

{b,c,d}

4

{a,d,e}

6

{a,b,c,d}

8

{a,b,c}

10

{b,c,e}

S2.1.1扫描一次历史点餐数据集，确定每个项的支持度计数。丢弃非频繁项，而将频繁项按照支持度的递减排序。

S2.1.2 算法第二次扫描数据集，构建FP-tree。读入第一个菜品组之后，创建标记为和的结点。然后形成路径，对该组菜品编码。该路径上的所有结点的频度计数为1.

S2.1.3 读入第二组菜品后，为菜品项和创建新的结点集。然后，连接结点形成一条代表该菜品组的路径。该路径上每个结点的频度计数也等于1。尽管前两个菜品组都具有共同一个菜品，但是它们的路径不相交，因为这两个菜品组没有共同的前缀。

S2.1.4 第三个菜品组与第一个菜品组共享一个前缀，所以第三个菜品组的路径与第一个菜品组的路径部分组合。因为它们的部分路径重叠，所以菜品结点的频度计数增加为2，而新创建的结点和的频度计数等于1。

S2.1.5继续该过程，直到每个菜品组都映射到FP-tree的一条路径。

S2.2 FP增长算法产生频繁项集

FP增长（FP-growth）是一种自低向上方式探索树，由FP-tree产生频繁项集的算法。算法首先查找以菜品e结尾的频繁项集，接下来是菜品，最后是菜品。

S2.2.1 先收集包含菜品结点的所有路径。这些初始的路径称为前缀路径（prefix path）。

S2.2.2 由前缀路径，通过把与菜品结点相关联的支持度计算相加得到菜品的支持度计数。假定最小支持度为2，因为｛菜品｝的支持度是3所以它是频繁项集。

S2.2.3 由于｛菜品｝是频繁的，因此算法必须解决发现以菜品和结尾的频繁项集的子问题。在解决这些子问题之前，必须先将前缀路径转化为条件FP-tree。除了用于发现以某特定后缀结尾的频繁项集之外，条件FP-tree的结构与FP-tree类似。条件FP-tree通过以下步骤得到。

S2.2.3.1 首先，必须更新前缀路径上的支持度计数，因为某些计数包含那些不含项菜品e的菜品组。

S2.2.3.2 删除的结点，修剪前缀路径。删除这些结点是因为，沿这些前缀路径的支持度计数已经更新，以反映包含菜品的那些菜品组，并且发现以和结尾的频繁项集的子问题不再需要菜品结点的信息。

S2.2.3.3 更新沿前缀路径上的支持度计数之后，某些项可能不再是频繁的了。例如，菜品结点只出现一次只出现了一次，它的支持度计数等于1，这就意味这只有一个菜品组同时包含菜品和。因为所有以菜品结尾的菜品项集一定是非频繁的，所以在其后的分析中可以安全地忽略菜品。

S2.2.4 FP增长使用菜品的条件FP-tree来解决发现以菜品和结尾的频繁项集的子问题。为了发现以菜品结尾的频繁项集，从菜品的条件FP-tree收集菜品的所有前缀路径。通过将与菜品结点相关联的频度计数求和，得到项集的支持度计数等于2，所以它是频繁项集。接下来，算法采用S2.2.3介绍的方法构建菜品的条件FP-tree。更新了支持度计数并删除了非频繁项集菜品。因为该条件FP-tree只包含了一个支持度等于最小支持度的项菜品a，算法提取出频繁项集并转到下一个子问题，产生以菜品结尾的频繁项集。处理菜品的前缀路径后，只发现项集是频繁的。接下来，算法继续解决下一个子问题并发现项集是唯一剩下的频繁项集。

S2.2.5得到频繁项集后，将它们各自全排序之后再输出。

S2.3产生强关联规则

前面S2.2已经用最小支持度阀值找出所有的频繁项集，接着再使用最小置信度阀值由频繁项集产生强关联规则。

S2.3.1 先验原理：如果一个项集是频繁的，则它的所有子集一定也是频繁的。

由先验原理知如果频繁项集存在，那么其频繁项集必然存在。故对于频繁项集，查找其前面项集，使用频繁项集的支持度除以频繁项集的支持度得到频繁项集的置信度；

S2.3.2计算其置信度：

若菜品置信度

，则将它们输出，并对它们的置信度归一化后作为对应的关联度。

所述步骤3所涉及到的菜品推荐综合评分具体描述为：

某项菜品推荐综合评分计算公式：

其中：；

；

。

式中：

q 为某项菜品推荐综合评分，范围0~40；

q 为某项菜品热销度的评分，0~1；为其权值；

q 为店家对某项菜品的主推修正系数，0.1~1；为其权值；

q 为某项菜品的毛利率修正系数，0.1~1；为其权值；

q 为某项菜品与已选菜品的关联度修正系数，0.1~1；为其权值。

（注：分配的权值不同则的范围也不同，但无论怎么分配，都不会超出0~40的范围。）

公式特点说明：

1、传统综合评分公式仅仅只能对每个指标加权求和得到综合评分，而该新公式在此基础上加入后缀影响因式，可以自行根据指标数值的情况提升重要指标（占权值较大的指标）排序时的优势地位，即权值较大的指标值越大，在总体中排序更具优势。

2、公式中，权值大的指标有优势，但综合评分排序并不会完全按照权值大的指标的数值大小去排序，而是还会考虑其他指标的影响。

算法算例

为了验证新推荐综合评分算法的有效性，说明算法的优良特点，设计下面实验将此算法与一般综合评分算法进行验证和比较研究。

某顾客在某餐馆先点了皮蛋瘦肉粥，从该餐馆收集相关菜品数据如下表3，它包含12个菜品组和20个菜品。

表3菜品数据集

序号	菜品集
		1	皮蛋瘦肉粥、香煎葱油饼、香煎韭菜饺、排骨拼凤爪、肉片炒面、上汤云吞面
2	皮蛋瘦肉粥、陈皮蒸牛丸、特色蛋松、牛腩猪肠粉、香麻煎堆仔
		3	金丝燕麦包、香煎葱油饼、陈皮蒸牛丸
4	皮蛋瘦肉粥、香煎葱油饼、排骨拼凤爪、陈皮蒸牛丸、白灼生菜、香煎罗卜糕
		5	皮蛋瘦肉粥、香煎韭菜饺、排骨拼凤爪、乐膳虾饺皇、鲜虾烧卖皇
6	皮蛋瘦肉粥、香煎葱油饼、陈皮蒸牛丸、特色蛋松、脆皮萝卜鱼松
		7	皮蛋瘦肉粥、排骨拼凤爪、脆皮烧肉、三丝炒河粉、健康麦香包
8	特色蛋松、排骨凤爪饭
		9	皮蛋瘦肉粥、香煎葱油饼、香煎韭菜饺、排骨拼凤爪、特色蛋松、白灼生菜
10	皮蛋瘦肉粥、香煎葱油饼、排骨拼凤爪、特色蛋松、上汤云吞面
		11	皮蛋瘦肉粥、香煎葱油饼、排骨拼凤爪、陈皮蒸牛丸、白灼生菜
12	皮蛋瘦肉粥、香煎葱油饼、香煎韭菜饺、排骨拼凤爪、陈皮蒸牛丸、酥皮鸡蛋挞

扫描表3菜品数据集，统计每个菜品的支持度计数如下表4：

表4 菜品支持度计数

菜品	计数	菜品	计数	菜品	计数	菜品	计数
								皮蛋瘦肉粥	10	特色蛋松	4	肉片炒面	1	脆皮烧肉	1
排骨拼凤爪	8	白灼生菜	3	香煎罗卜糕	1	三丝炒河粉	1
								香煎葱油饼	7	上汤云吞面	2	乐膳虾饺皇	1	健康麦香包	1
陈皮蒸牛丸	5	牛腩猪肠粉	1	鲜虾烧卖皇	1	排骨凤爪饭	1
								香煎葱油饼	4	香麻煎堆仔	1	脆皮萝卜鱼松	1	酥皮鸡蛋挞	1

设最小支持度为2，丢弃非频繁项，得到频繁项按照支持度的递减排序分别为：皮蛋瘦肉粥、排骨拼凤爪、香煎葱油饼、陈皮蒸牛丸、香煎葱油饼、特色蛋松、白灼生菜、上汤云吞面。

接着按照S2.1构建FP-tree，和S2.2 FP增长算法产生以皮蛋瘦肉粥结尾的频繁项集，并将其中归一化后达到最小置信度0.40的具有强关联规则的项集输出：｛排骨拼凤爪，皮蛋瘦肉粥｝、{香煎葱油饼，皮蛋瘦肉粥｝、｛陈皮蒸牛丸、皮蛋瘦肉粥｝、｛香煎葱油饼、皮蛋瘦肉粥｝、｛特色蛋松、皮蛋瘦肉粥｝。它们置信度分别为：0.80、0.70、0.50、0.40、0.40。

整理与皮蛋瘦肉粥具有强关联规则的五个菜品的销售量、单价、成本的数据如下表5：

表5 五个菜品的三种原始数据表

根据公式：，计算出热销度评分，根据计算并将结果归一化，再从店家得到主推度，现将四种数据变量整理如下表：

表6菜品与其四种数据变量

菜品名称	热销度评分	毛利率	主推度	关联度
					排骨拼凤爪	0.60	0.40	0.80	0.80
香煎葱油饼	0.80	0.40	0.50	0.70
					陈皮蒸牛丸	0.75	0.50	0.75	0.50
特色蛋松	0.70	0.62	0.90	0.40
					香煎韭菜饺	0.85	0.60	0.70	0.40

根据经验设定权值

由传统综合评分公式和本专利综合评分公式分别计算得到各菜品的综合分数如下表：

表5评分方法对比

菜品名称	香煎葱油饼	排骨拼凤爪	特色蛋松	陈皮蒸牛丸	香煎韭菜饺
						传统评分	6	7.85	6	5.875	5.775
本专利评分	7.42	7.46	6.236	6.5313	6.2025

对比分析两种方法：

由传统方法计算出的香煎葱油饼和特色蛋松的分数都是6，故当顾客先点了皮蛋瘦肉粥和乐膳虾饺皇，智能推荐这两菜品处于同等推荐位置，但显然是不合理的，因为香煎葱油饼与皮蛋瘦肉粥和乐膳虾饺皇关联度是0.7，远远大于特色蛋松与皮蛋瘦肉粥和乐膳虾饺皇的关联度0.4，香煎葱油饼应比特色蛋松更具有推荐优势位置，且香煎葱油饼和特色蛋松的分数差为1.184也在合理范围内，不会太悬殊。

特色蛋松和香煎韭菜饺的关联度都是0.4，特色蛋松热销度0.70，毛利率0.62，主推度0.90，对应香煎韭菜饺热销度0.85，毛利率0.60，主推度0.70，推测它们的推荐地位应该是比较接近的。而特色蛋松与香煎菜饺的改进式分数只相差0.0235，比它们的一般式分数的差0.225更符合实际。

由算法算例可知，本发明提供的一种基于关联规则综合评分算法的动态菜品智能推荐方法，能有效的为餐饮企业提高菜品销售量，提高餐饮企业的收入，同时能够兼顾顾客对菜品的兴趣爱好。

Claims

1.一种餐饮服务动态菜品智能推荐方法，主要有四个步骤，即先收集菜品数据，再将收集到的菜品数据进行预处理，接着根据菜品数据的特点创建合适的推荐综合公式，最后根据综合分数排序将高分菜品推荐给顾客。

2.根据权利要求1所述的一种餐饮服务动态菜品智能推荐方法，其特征在于，所述的菜品推荐综合公式中的关联度指标，是基于FP关联规则算法，以一种自底向上方式探索树，采用FP-Tree找出频繁项集，然后产生出强关联规则置信度并将其归一化后作为关联度，该算法大大减少了运作的时间和成本，运作结果有效性显著。

3.根据权利要求1所述的一种餐饮服务动态菜品智能推荐方法，其特征在于，所述的菜品推荐综合公式是基于已点菜品的关联度、商家利益最大化、各指标的重要程度等因素创建的，其特征在于比传统评分公式仅仅只能对每个指标加权求和得到综合评分，本专利在此基础上加入后缀影响因式，可以自行根据指标数值的情况提升重要指标（占权值较大的指标）排序时的优势地位，即权值较大的指标值越大，在总体中排序更具优势，其特征在于公式中，权值大的指标有优势，但综合评分排序并不会完全按照权值大的指标的数值大小去排序，而是还会考虑其他指标的影响。

4.根据权利要求1所述的一种餐饮服务动态菜品智能推荐方法，具体步骤如下：步骤1 菜品数据采集，从餐饮企业采集用于计算菜品综合评分相关的数据，如顾客点餐数据、各类菜品单价成本数据、店家主推菜品数据等；步骤2 菜品数据预处理，这里的数据预处理主要是对采集的数据进行清洗、数据变换，将原始数据转换成“适当的”格式，以适应后续计算菜品推荐综合评分的需要，通过数据预处理后将得到菜品热销度评分、店家主推度修正系数、菜品毛利率修正系数、菜品关联度修正系数；步骤3 菜品推荐综合评分，从菜品热销度、店家主推度、菜品毛利率、菜品关联度等维度来计算某项菜品的推荐分值，菜品推荐分值大小一方面反映了顾客对菜品的喜好度，另一方面反映了餐饮企业对菜品主动推送的期望度；步骤4 动态智能推荐，基于综合评分可对各菜品进行推荐排序，排序结果最终以移动服务的方式推送给餐饮点餐顾客，实现菜品动态推荐服务。