CN105608650A - 一种菜品搭配推荐方法及其系统 - Google Patents
一种菜品搭配推荐方法及其系统 Download PDFInfo
- Publication number
- CN105608650A CN105608650A CN201610169364.1A CN201610169364A CN105608650A CN 105608650 A CN105608650 A CN 105608650A CN 201610169364 A CN201610169364 A CN 201610169364A CN 105608650 A CN105608650 A CN 105608650A
- Authority
- CN
- China
- Prior art keywords
- vegetable
- user
- list
- module
- order
- 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 43
- 235000013311 vegetables Nutrition 0.000 claims description 274
- 235000013305 food Nutrition 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 13
- 235000006008 Brassica napus var napus Nutrition 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 3
- 238000012956 testing procedure Methods 0.000 claims description 3
- 240000000385 Brassica napus var. napus Species 0.000 claims 2
- 235000019640 taste Nutrition 0.000 abstract description 12
- 235000012631 food intake Nutrition 0.000 abstract 3
- 240000002791 Brassica napus Species 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 241000219198 Brassica Species 0.000 description 1
- 235000003351 Brassica cretica Nutrition 0.000 description 1
- 235000003343 Brassica rupestris Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- QKSKPIVNLNLAAV-UHFFFAOYSA-N bis(2-chloroethyl) sulfide Chemical compound ClCCSCCCl QKSKPIVNLNLAAV-UHFFFAOYSA-N 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000010460 mustard Nutrition 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 235000019614 sour taste Nutrition 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 235000019605 sweet taste sensations 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
- 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
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种菜品搭配推荐方法,包括:所需菜品数量确定步骤,用于根据用户的餐饮消费数据及预定的权重设定规则,获取用户点餐所需的菜品数量;菜品种类选取步骤,用于根据所需菜品数量及餐饮消费数据,选取菜品种类;菜品搭配方案推荐步骤,用于根据菜品种类、餐饮消费数据及预定的菜品口味制定标准,获取多个菜品搭配方案;菜品排序步骤用于根据餐饮消费数据对菜品搭配方案根据优先级进行菜品搭配方案的排序。本发明还公开了一种菜品搭配推荐系统。
Description
技术领域
本发明菜品搭配推荐领域,特别涉及一种菜品搭配推荐方法及其系统。
背景技术
传统的菜品推荐方式总是在菜单中给用户提供固定搭配的菜品搭配组合,这种不灵活的,强制性的菜品搭配推荐方法,让它备受用户的抗拒,这也使得该种强制性的菜品搭配推荐方法的发展遭遇瓶颈。比起强制性的菜品搭配推荐方式,采用更加人性化、智能化的菜品推荐方法,更加容易被客户接受,能达到润物无声的良好效果,大大降低了用户抵抗性的同时,也提升了用户满意度。但是由于人性化、智能化的菜品推荐方式本身的复杂性,所以菜品数据的采集和挖掘工作尤为复杂和困难。
目前现有技术中的菜品搭配推荐技术的主要存在以下几方面问题:
1.首先现有技术无法智能预测当用户在点餐时所需要点菜的数量;
2.其次,现有技术无法完成用户对于菜品的口味搭配的分析;
3.生成菜品推荐搭配方案困难:分离出菜品数据后,现有技术缺乏技术手段生成智能化的可供客户选择的菜品搭配方案。
基于现有技术中存在的种种问题,亟待发现一种全新的菜品搭配推荐方法及其系统。
发明内容
本发明所要解决的技术问题在于提供一种菜品搭配推荐方法及其系统,以克服现有技术中存在的无法确定菜品数量,无法完成菜品口味搭配方案,缺乏智能化的可供客户选择的菜品搭配推荐方法等问题。
为达上述目的,本发明提供了一种菜品搭配推荐方法,包括:
所需菜品数量确定步骤:用于根据用户的餐饮消费数据及预定的权重设定规则,获取用户点餐所需的菜品数量;
菜品种类选取步骤:用于根据所述所需菜品数量及所述餐饮消费数据,选取菜品种类;
菜品搭配方案推荐步骤:用于根据所述菜品种类、所述餐饮消费数据及预定的菜品口味制定标准,获取多个菜品搭配方案;
菜品排序步骤:用于根据所述餐饮消费数据对所述菜品搭配方案根据优先级进行所述菜品搭配方案的排序。
上述菜品搭配推荐方法,所述所需菜品数量确定步骤,包括:
数据获取步骤:用于获取系统中用户消费的订单的相关数据,所述订单相关数据包括点菜数量、就餐人数及订单消费金额;
人均点菜数量计算步骤:用于根据所述订单的相关数据计算所述订单中人均点菜数量;
所需菜品数量计算步骤:用于根据所述订单中人均点菜数量、所述订单消费金额及所述订单的消费总金额,计算用户所需菜品数量。
上述菜品搭配推荐方法,所述菜品种类选取步骤,包括:
菜品种类列表获取步骤:用于获取所述用户在当前店铺中菜品种类列表;
交集计算步骤:用于根据所述用户在所有店铺中菜品种类列表,计算各个种类的数量,对所有店铺中菜品种类列表排序后,获取菜品综合种类列表,计算所述当前店铺中菜品种类列表与所述菜品综合种类列表的交集;
菜种类候选集合选取步骤:计算所述交集与所述用户点餐所需的菜品数量之间的差值,如果差值大于等于0,则选择所述交集中的所述用户点餐所需的菜品数量作为所需菜品种类的候选集合,否则,选取所述交集作为所述所需菜品种类的候选集合。
上述菜品搭配推荐方法,所述菜品搭配方案推荐步骤,包括:
菜品标识获取步骤:根据所述菜品种类,获取所述菜品种类中所有菜品的标识;
用户列表获取步骤:获取当前店铺中除了当前用户以外的所有用户,组成用户列表;
用户评分步骤:对所述用户列表中的每一个用户,获取其在所述店铺下所点菜品的所述标识以及相对应的点菜数量,并根据这些对该用户给定评分;
相似度计算步骤:计算所述用户列表中的每一个用户之间的相似度,将所计算得到的所述相似度结果保存在相似度矩阵中;
训练测试步骤:根据所述相似度矩阵,对所述用户列表中的用户数据进行训练,并对训练得到的模型进行测试;
调整精确度步骤:调整所述训练模型的集合的比例,直到达到预设的精确度;
菜品组合获取步骤:将所述用户中的用户数据输入到所述训练模型中,获取所推荐的菜品组合。
上述菜品搭配推荐方法,所述菜品排序步骤,还包括:
菜品选择步骤:保存推荐的所述菜品组合,所述用户进行菜品组合搭配方案选择。
本发明还提供一种菜品搭配推荐系统,包括:
所需菜品数量确定模块:根据用户的餐饮消费数据及预定的权重设定规则,获取用户点餐所需的菜品数量;
菜品种类选取模块:根据所述所需菜品数量及所述餐饮消费数据,选取菜品种类;
菜品搭配方案推荐模块:用于根据所述菜品种类、所述餐饮消费数据及预定的菜品口味制定标准,获取多个菜品搭配方案;
菜品排序模块:用于根据所述餐饮消费数据对所述菜品搭配方案根据优先级进行所述菜品搭配方案的排序。
上述菜品搭配推荐系统,所述所需菜品数量确定模块,包括:
数据获取模块:用于获取系统中用户消费的订单的相关数据,所述订单相关数据包括点菜数量、就餐人数及订单消费金额;
人均点菜数量计算模块:用于根据所述订单的相关数据计算所述订单中人均点菜数量;
所需菜品数量计算模块:用于根据所述订单中人均点菜数量、所述订单消费金额及所述订单的消费总金额,计算用户所需菜品数量。
上述菜品搭配推荐系统,所述菜品种类选取模块,包括:
菜品种类列表获取模块:用于获取所述用户在当前店铺中菜品种类列表;
交集计算模块:用于获取所述用户的所有店铺中菜品种类列表,计算各个种类的数量,对所有店铺中菜品种类列表排序后,获取菜品综合种类列表,计算所述当前店铺中菜品种类列表与所述菜品综合种类列表的交集;
菜种类候选集合选取模块:计算所述交集与所述用户点餐所需的菜品数量之间的差值,如果差值大于等于0,则选择所述交集中的前所述用户点餐所需的菜品数量作为所需菜品种类的候选集合,否则,选取所述交集作为所述所需菜品种类的候选集合。
上述菜品搭配推荐系统,所述菜品搭配方案推荐模块,包括:
菜品标识获取模块:根据所述菜品种类,获取所述菜品种类中所有菜品的标识;
用户列表获取模块:获取当前店铺中除了当前用户以外的所有用户,组成用户列表;
用户评分模块:对所述用户列表中的每一个用户,获取其在所述店铺下所点菜品的所述标识以及相对应的点菜数量,并根据这些对该用户给定评分;
相似度计算模块:计算所述用户列表中的每一个用户之间的相似度,将所计算得到的所述相似度结果保存在相似度矩阵中;
训练测试模块:根据所述相似度矩阵,对所述用户列表中的用户数据进行训练,并对训练得到的模型进行测试;
调整精确度模块:调整所述训练模型的集合的比例,直到达到预设的精确度;
菜品组合获取模块:将所述用户中的用户数据输入到所述训练模型中,获取所推荐的菜品组合。
上述菜品搭配推荐系统,所述菜品排序模块,还包括:
菜品选择模块:保存推荐的所述菜品组合,所述用户进行菜品组合搭配方案选择。
与现有技术相比,本发明的有益效果在于:
1)在本发明方法中,可以准确预测用户所需菜品数量;
2)其次,本发明方法在确定推荐给用户菜品数量之后,还可以确定菜的口味的搭配,增加推荐的效果;
3)本发明方法中采用了基于内容和协同过滤组合的推荐方式,达到了良好的技术效果;
3)本发明解决了现有技术中生成菜品推荐搭配方案困难的问题,可以在分离出菜品数据后,生成智能化的可供客户选择的菜品搭配方案。
附图说明
图1为本发明菜品搭配推荐方法流程示意图;
图2~图5为本发明菜品搭配推荐方法详细示意图;
图6为本发明菜品搭配推荐系统结构示意图;
图7~图10为本发明菜品搭配推荐系统详细结构示意图。
具体实施方式
下面给出本发明的具体实施方式,结合图示对本发明做出了详细描述。
本发明是针对菜品数据挖掘而提出的一种菜品搭配推荐方法,深入挖掘菜品数据,通过对采集的菜品数据进行数据加工,利用加工得到的菜品数据进一步数据分析计算,以进行菜品推荐方案的智能化选择。
图1为本发明方法流程示意图,如图1所示,本发明提供的一种菜品搭配推荐方法,包括:
所需菜品数量确定步骤S1:用于根据用户的餐饮消费数据及预定的权重设定规则,获取用户点餐所需的菜品数量;
菜品种类选取步骤S2:用于根据所需菜品数量及餐饮消费数据,选取菜品种类;
菜品搭配方案推荐步骤S3:用于根据菜品种类、餐饮消费数据及预定的菜品口味制定标准,获取多个菜品搭配方案;
菜品排序步骤S4:用于根据餐饮消费数据对菜品搭配方案根据优先级进行菜品搭配方案的排序。
其中,如图2所示,所需菜品数量确定步骤S1,包括:
数据获取步骤S11:用于获取系统中用户消费的订单的相关数据,订单相关数据包括点菜数量、就餐人数及订单消费金额;
人均点菜数量计算步骤S12:用于根据订单的相关数据计算订单中人均点菜数量;
所需菜品数量计算步骤S13:用于根据订单中人均点菜数量、订单消费金额及订单的消费总金额,计算用户所需菜品数量。
其中,如图3所示,菜品种类选取步骤S2,包括:
菜品种类列表获取步骤S21:用于获取用户在当前店铺中菜品种类列表;
交集计算步骤S22:用于根据用户在所有店铺中菜品种类列表,计算各个种类的数量,对所有店铺中菜品种类列表排序后,获取菜品综合种类列表,计算当前店铺中菜品种类列表与菜品综合种类列表的交集;
菜种类候选集合选取步骤S23:计算交集与用户点餐所需的菜品数量之间的差值,如果差值大于等于0,则选择交集中的用户点餐所需的菜品数量作为所需菜品种类的候选集合,否则,选取交集作为所需菜品种类的候选集合。
其中,如图4所示,菜品搭配方案推荐步骤S3,包括:
菜品标识获取步骤S31:根据菜品种类,获取菜品种类中所有菜品的标识;
用户列表获取步骤S32:获取当前店铺中除了当前用户以外的所有用户,组成用户列表;
用户评分步骤S33:对用户列表中的每一个用户,获取其在店铺下所点菜品的标识以及相对应的点菜数量,并根据这些对该用户给定评分;
相似度计算步骤S34:计算用户列表中的每一个用户之间的相似度,将所计算得到的相似度结果保存在相似度矩阵中;
训练测试步骤S35:根据相似度矩阵,对用户列表中的用户数据进行训练,并对训练得到的模型进行测试;
调整精确度步骤S36:调整训练模型的集合的比例,直到达到预设的精确度;
菜品组合获取步骤S37:将用户中的用户数据输入到训练模型中,获取所推荐的菜品组合。
其中,如图5所示,菜品排序步骤S4,还包括:
菜品选择步骤S41:保存推荐的菜品组合,用户进行菜品组合搭配方案选择。
以下通过具体实施例,详细说明本发明提供的一种进行菜品搭配推荐的有效方法,解决了现有的菜品搭配推荐问题。
一种进行菜品搭配推荐的有效方法,主要是按照以下的步骤执行(针对当前用户useri):
步骤1、根据用户在系统中的餐饮消费数据,按照系统中权重设定规则,确定用户在点餐的时候所需要的菜的数量numi
在本发明具体实施例中,权重规则为:用户useri针对订单orderij中的订单的消费金额υrderMij与总消费金额orderMi之间的比值作为订单orderij的权重,但本发明并不限于此。
1)、获取系统中用户useri所消费国的所有订单υrderi
2)、获取用户useri针对订单orderij中的所点菜的数量fnumij、就餐人数数据订单的消费金额orderMij。
3)、根据所获取到的fnumij以及pnumij计算用户useri在订单orderij中的人均所点菜的数量averFNumij。
averFNumij=fnumij/pnumij(1)
4)、获取用户在系统中的所有订单中所消费的总金额orderTotalMij
5)、计算用户useri在店铺中所需要的菜的数量numi
n表示的是user历史所消费的订单的数量
步骤2、根据步骤1中所确定的数量numi以及用户在系统中餐饮消费数据,确定numi种大致的菜品种类(该种类由本发明所制定)
1)、获取用户useri当前所进入的店铺shopj中的所有菜品的种类列表list1。
2)、获取用户useri在系统中所消费的订单中菜的所有种类,并计算各个种类的数量,对其进行排序操作,获取菜的种类列表list2。取list1与list2之间的交集,计算交集的大小setSize=list1∩list2。
3)、计算setSize与numi之间的差值,
如果abvalue>=0,取setSize中的前numi个作为所需要菜种类的候选集合;
否则,返回setSize中的前setSize个作为所需要菜种类的候选集合。
步骤3、根据步骤2中所确定的菜品种类、本发明中所制定的口味标准、用户在系统中的餐饮消费数据,综合推荐若干组菜品搭配方案。
在本具体实施例中,口味标准包括:辣、酸、苦、清淡、麻、蒸、咸鲜、煮、油腻、酱香、葱香、烧烤味、咖喱味、糖醋味、芥末味,但本发明并不限于此。
1)、根据步骤2中所获得的种类列表,依次获取各个种类下面的所有的菜的id。
2)、获取shopj下面除useri之外所有的用户,将其表示为用户列表allUserList。
3)、对allUserList中的每一个用户,获取其在该店铺shopj下所点菜的id以及相对应的点菜数量,并根据这些对该用户给定评分。
4)、计算allUserList中的每一个用户之间的相似度,在相似度选择中,是按照公式(2)进行计算,根据公式(2)可以计算出用户X与用户Y之间的相似度。将所计算得到的相似度结果保存在simiMatrix矩阵中。
5)、根据4)中所得到的simiMatrix,对allUserList中的用户数据进行训练。
6)、对训练得到的模型进行测试。
7)、调整6)中所得到的训练集合的比例,直到达到所要求的精确度(mae<0.8)。
8)、将用户useri中的数据输入到上面所获取到的模型中,获取所推荐的菜品组合。
步骤4、系统根据用户的消费数据来对搭配方案进行优先级设定,在系统中为用户展现最可能的一种方案,用户可以更换其他备选方案
1)、根据步骤3中所获得的菜品组合,对这些菜品组合进行排序操作,按照预测评价高低进行排序。
2)、将1)中所得的菜品搭配组合保存在数组列表中,记录当前系统所展现的方案游标,在用户点击更换方案之后,游标向右增加一格,系统为当前用户展现下一个菜品组合搭配方案,直到没有更多的菜品组合搭配方案为止。
本发明还提供一种菜品搭配推荐系统,采用如上所述菜品搭配推荐方法,如图6所示,系统包括:
所需菜品数量确定模块1:根据用户的餐饮消费数据及预定的权重设定规则,获取用户点餐所需的菜品数量;
菜品种类选取模块2:根据所需菜品数量及所述餐饮消费数据,选取菜品种类;
菜品搭配方案推荐模块3:用于根据菜品种类、餐饮消费数据及预定的菜品口味制定标准,获取多个菜品搭配方案;
菜品排序模块4:用于根据所述餐饮消费数据对菜品搭配方案根据优先级进行菜品搭配方案的排序。
其中,如图7所示,所需菜品数量确定模块1,包括:
数据获取模块11:用于获取系统中用户消费的订单的相关数据,订单相关数据包括点菜数量、就餐人数及订单消费金额;
人均点菜数量计算模块12:用于根据订单的相关数据计算订单中人均点菜数量;
所需菜品数量计算模块13:用于根据订单中人均点菜数量、订单消费金额及订单的消费总金额,计算用户所需菜品数量。
其中,如图8所示,菜品种类选取模块2,包括:
菜品种类列表获取模块21:用于获取用户在当前店铺中菜品种类列表;
交集计算模块22:用于获取用户的所有店铺中菜品种类列表,计算各个种类的数量,对所有店铺中菜品种类列表排序后,获取菜品综合种类列表,计算当前店铺中菜品种类列表与菜品综合种类列表的交集;
菜种类候选集合选取模块23:计算交集与用户点餐所需的菜品数量之间的差值,如果差值大于等于0,则选择交集中的用户点餐所需的菜品数量作为所需菜品种类的候选集合,否则,选取交集作为所需菜品种类的候选集合。
其中,如图9所示,菜品搭配方案推荐模块3,包括:
菜品标识获取模块31:根据菜品种类,获取菜品种类中所有菜品的标识;
用户列表获取模块32:获取当前店铺中除了当前用户以外的所有用户,组成用户列表;
用户评分模块33:对用户列表中的每一个用户,获取其在店铺下所点菜品的标识以及相对应的点菜数量,并根据这些对该用户给定评分;
相似度计算模块34:计算用户列表中的每一个用户之间的相似度,将所计算得到的相似度结果保存在相似度矩阵中;
训练测试模块35:根据相似度矩阵,对用户列表中的用户数据进行训练,并对训练得到的模型进行测试;
调整精确度模块36:调整训练模型的集合的比例,直到达到预设的精确度;
菜品组合获取模块37:将用户中的用户数据输入到训练模型中,获取所推荐的菜品组合。
其中,如图10所示,菜品排序模块4,还包括:
菜品选择模块41:保存推荐的菜品组合,用户进行菜品组合搭配方案选择。
综上所述,本发明方法及其系统利用自动采集菜品数据技术,创新的菜品数据分析计算技术,制定科学合理的菜品搭配推荐流程。将菜品数据采集、解析、挖掘、数据查询和推荐完美的集合在一起,目前还未发现有更好的整体替代方案。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种菜品搭配推荐方法,其特征在于,包括:
所需菜品数量确定步骤:用于根据用户的餐饮消费数据及预定的权重设定规则,获取用户点餐所需的菜品数量;
菜品种类选取步骤:用于根据所述所需菜品数量及所述餐饮消费数据,选取菜品种类;
菜品搭配方案推荐步骤:用于根据所述菜品种类、所述餐饮消费数据及预定的菜品口味制定标准,获取多个菜品搭配方案;
菜品排序步骤:用于根据所述餐饮消费数据对所述菜品搭配方案根据优先级进行所述菜品搭配方案的排序。
2.根据权利要求1所述菜品搭配推荐方法,其特征在于,所述所需菜品数量确定步骤,包括:
数据获取步骤:用于获取系统中用户消费的订单的相关数据,所述订单相关数据包括点菜数量、就餐人数及订单消费金额;
人均点菜数量计算步骤:用于根据所述订单的相关数据计算所述订单中人均点菜数量;
所需菜品数量计算步骤:用于根据所述订单中人均点菜数量、所述订单消费金额及所述订单的消费总金额,计算用户所需菜品数量。
3.根据权利要求1所述菜品搭配推荐方法,其特征在于,所述菜品种类选取步骤,包括:
菜品种类列表获取步骤:用于获取所述用户在当前店铺中菜品种类列表;
交集计算步骤:用于根据所述用户在所有店铺中菜品种类列表,计算各个种类的数量,对所有店铺中菜品种类列表排序后,获取菜品综合种类列表,计算所述当前店铺中菜品种类列表与所述菜品综合种类列表的交集;
菜种类候选集合选取步骤:计算所述交集与所述用户点餐所需的菜品数量之间的差值,如果差值大于等于0,则选择所述交集中的所述用户点餐所需的菜品数量作为所需菜品种类的候选集合,否则,选取所述交集作为所述所需菜品种类的候选集合。
4.根据权利要求1所述菜品搭配推荐方法,其特征在于,所述菜品搭配方案推荐步骤,包括:
菜品标识获取步骤:根据所述菜品种类,获取所述菜品种类中所有菜品的标识;
用户列表获取步骤:获取当前店铺中除了当前用户以外的所有用户,组成用户列表;
用户评分步骤:对所述用户列表中的每一个用户,获取其在所述店铺下所点菜品的所述标识以及相对应的点菜数量,并根据这些对该用户给定评分;
相似度计算步骤:计算所述用户列表中的每一个用户之间的相似度,将所计算得到的所述相似度结果保存在相似度矩阵中;
训练测试步骤:根据所述相似度矩阵,对所述用户列表中的用户数据进行训练,并对训练得到的模型进行测试;
调整精确度步骤:调整所述训练模型的集合的比例,直到达到预设的精确度;
菜品组合获取步骤:将所述用户中的用户数据输入到所述训练模型中,获取所推荐的菜品组合。
5.根据权利要求1所述菜品搭配推荐方法,其特征在于,所述菜品排序步骤,还包括:
菜品选择步骤:保存推荐的所述菜品组合,所述用户进行菜品组合搭配方案选择。
6.一种菜品搭配推荐系统,其特征在于,包括:
所需菜品数量确定模块:根据用户的餐饮消费数据及预定的权重设定规则,获取用户点餐所需的菜品数量;
菜品种类选取模块:根据所述所需菜品数量及所述餐饮消费数据,选取菜品种类;
菜品搭配方案推荐模块:用于根据所述菜品种类、所述餐饮消费数据及预定的菜品口味制定标准,获取多个菜品搭配方案;
菜品排序模块:用于根据所述餐饮消费数据对所述菜品搭配方案根据优先级进行所述菜品搭配方案的排序。
7.根据权利要求6所述菜品搭配推荐系统,其特征在于,所述所需菜品数量确定模块,包括:
数据获取模块:用于获取系统中用户消费的订单的相关数据,所述订单相关数据包括点菜数量、就餐人数及订单消费金额;
人均点菜数量计算模块:用于根据所述订单的相关数据计算所述订单中人均点菜数量;
所需菜品数量计算模块:用于根据所述订单中人均点菜数量、所述订单消费金额及所述订单的消费总金额,计算用户所需菜品数量。
8.根据权利要求6所述菜品搭配推荐系统,其特征在于,所述菜品种类选取模块,包括:
菜品种类列表获取模块:用于获取所述用户在当前店铺中菜品种类列表;
交集计算模块:用于获取所述用户的所有店铺中菜品种类列表,计算各个种类的数量,对所有店铺中菜品种类列表排序后,获取菜品综合种类列表,计算所述当前店铺中菜品种类列表与所述菜品综合种类列表的交集;
菜种类候选集合选取模块:计算所述交集与所述用户点餐所需的菜品数量之间的差值,如果差值大于等于0,则选择所述交集中的前所述用户点餐所需的菜品数量作为所需菜品种类的候选集合,否则,选取所述交集作为所述所需菜品种类的候选集合。
9.根据权利要求6所述菜品搭配推荐系统,其特征在于,所述菜品搭配方案推荐模块,包括:
菜品标识获取模块:根据所述菜品种类,获取所述菜品种类中所有菜品的标识;
用户列表获取模块:获取当前店铺中除了当前用户以外的所有用户,组成用户列表;
用户评分模块:对所述用户列表中的每一个用户,获取其在所述店铺下所点菜品的所述标识以及相对应的点菜数量,并根据这些对该用户给定评分;
相似度计算模块:计算所述用户列表中的每一个用户之间的相似度,将所计算得到的所述相似度结果保存在相似度矩阵中;
训练测试模块:根据所述相似度矩阵,对所述用户列表中的用户数据进行训练,并对训练得到的模型进行测试;
调整精确度模块:调整所述训练模型的集合的比例,直到达到预设的精确度;
菜品组合获取模块:将所述用户中的用户数据输入到所述训练模型中,获取所推荐的菜品组合。
10.根据权利要求6所述菜品搭配推荐系统,其特征在于,所述菜品排序模块,还包括:
菜品选择模块:保存推荐的所述菜品组合,所述用户进行菜品组合搭配方案选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169364.1A CN105608650A (zh) | 2016-03-22 | 2016-03-22 | 一种菜品搭配推荐方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610169364.1A CN105608650A (zh) | 2016-03-22 | 2016-03-22 | 一种菜品搭配推荐方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105608650A true CN105608650A (zh) | 2016-05-25 |
Family
ID=55988567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610169364.1A Pending CN105608650A (zh) | 2016-03-22 | 2016-03-22 | 一种菜品搭配推荐方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608650A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092647A (zh) * | 2017-03-10 | 2017-08-25 | 北京小度信息科技有限公司 | 一种提供资源组合的方法及装置 |
CN107230131A (zh) * | 2017-02-06 | 2017-10-03 | 北京三快在线科技有限公司 | 一种菜品推荐方法、装置及系统 |
CN107391531A (zh) * | 2017-04-11 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 一种菜品推荐方法和装置 |
WO2018018261A1 (zh) * | 2016-07-24 | 2018-02-01 | 金蕾 | 一种菜品推荐时的信息推送方法和点餐系统 |
WO2018018260A1 (zh) * | 2016-07-24 | 2018-02-01 | 金蕾 | 一种菜品推荐技术的使用数据采集方法和点餐系统 |
CN108006736A (zh) * | 2017-06-07 | 2018-05-08 | 宁波方太厨具有限公司 | 一种智能吸油烟机及其控制方法 |
CN108229758A (zh) * | 2018-02-02 | 2018-06-29 | 北京小度信息科技有限公司 | 服务提供方法、装置、电子设备及计算机可读存储介质 |
CN108304448A (zh) * | 2017-12-08 | 2018-07-20 | 无锡雅座在线科技股份有限公司 | 菜品推荐方法及装置、存储介质、处理器 |
CN108897768A (zh) * | 2018-05-25 | 2018-11-27 | 北京三快在线科技有限公司 | 一种点餐方法及装置,电子设备 |
CN108920673A (zh) * | 2018-07-09 | 2018-11-30 | 北京兴农丰华科技有限公司 | 一种针对玉米和小麦品种的推荐分析方法 |
CN109191252A (zh) * | 2018-08-31 | 2019-01-11 | 浙江口碑网络技术有限公司 | 基于增强现实技术的菜品推荐方法及装置 |
CN109472660A (zh) * | 2018-09-11 | 2019-03-15 | 北京居然之家云地汇新零售连锁有限公司 | 生成物品最佳搭配的方法及装置、计算机可读存储介质 |
CN109978205A (zh) * | 2017-12-27 | 2019-07-05 | 奥动新能源汽车科技有限公司 | 用于电动汽车的换电消费套餐推荐方法及系统 |
CN110782308A (zh) * | 2019-09-20 | 2020-02-11 | 北京三快在线科技有限公司 | 推荐套餐的推送方法、装置、电子设备及可读存储介质 |
CN110889043A (zh) * | 2019-12-11 | 2020-03-17 | 姚欣 | 基于大数据的饮食推荐系统与推荐方法 |
CN112507001A (zh) * | 2020-12-31 | 2021-03-16 | 神思电子技术股份有限公司 | 一种融合多维元素的智能排菜方法 |
CN113744011A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 物品搭配方法和物品搭配装置 |
CN109978205B (zh) * | 2017-12-27 | 2024-05-31 | 奥动新能源汽车科技有限公司 | 用于电动汽车的换电消费套餐推荐方法及系统 |
-
2016
- 2016-03-22 CN CN201610169364.1A patent/CN105608650A/zh active Pending
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018018261A1 (zh) * | 2016-07-24 | 2018-02-01 | 金蕾 | 一种菜品推荐时的信息推送方法和点餐系统 |
WO2018018260A1 (zh) * | 2016-07-24 | 2018-02-01 | 金蕾 | 一种菜品推荐技术的使用数据采集方法和点餐系统 |
CN107230131A (zh) * | 2017-02-06 | 2017-10-03 | 北京三快在线科技有限公司 | 一种菜品推荐方法、装置及系统 |
CN107092647A (zh) * | 2017-03-10 | 2017-08-25 | 北京小度信息科技有限公司 | 一种提供资源组合的方法及装置 |
CN107092647B (zh) * | 2017-03-10 | 2020-09-22 | 北京星选科技有限公司 | 一种提供资源组合的方法及装置 |
CN107391531A (zh) * | 2017-04-11 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 一种菜品推荐方法和装置 |
CN107391531B (zh) * | 2017-04-11 | 2020-09-22 | 阿里巴巴集团控股有限公司 | 一种菜品推荐方法和装置 |
CN108006736A (zh) * | 2017-06-07 | 2018-05-08 | 宁波方太厨具有限公司 | 一种智能吸油烟机及其控制方法 |
CN108006736B (zh) * | 2017-06-07 | 2023-10-20 | 宁波方太厨具有限公司 | 一种智能吸油烟机及其控制方法 |
CN108304448A (zh) * | 2017-12-08 | 2018-07-20 | 无锡雅座在线科技股份有限公司 | 菜品推荐方法及装置、存储介质、处理器 |
CN108304448B (zh) * | 2017-12-08 | 2021-12-17 | 无锡雅座在线科技股份有限公司 | 菜品推荐方法及装置、存储介质、处理器 |
CN109978205B (zh) * | 2017-12-27 | 2024-05-31 | 奥动新能源汽车科技有限公司 | 用于电动汽车的换电消费套餐推荐方法及系统 |
CN109978205A (zh) * | 2017-12-27 | 2019-07-05 | 奥动新能源汽车科技有限公司 | 用于电动汽车的换电消费套餐推荐方法及系统 |
CN108229758A (zh) * | 2018-02-02 | 2018-06-29 | 北京小度信息科技有限公司 | 服务提供方法、装置、电子设备及计算机可读存储介质 |
WO2019223297A1 (zh) * | 2018-05-25 | 2019-11-28 | 北京三快在线科技有限公司 | 一种点餐方法及装置,电子设备 |
CN108897768A (zh) * | 2018-05-25 | 2018-11-27 | 北京三快在线科技有限公司 | 一种点餐方法及装置,电子设备 |
CN108920673A (zh) * | 2018-07-09 | 2018-11-30 | 北京兴农丰华科技有限公司 | 一种针对玉米和小麦品种的推荐分析方法 |
CN108920673B (zh) * | 2018-07-09 | 2023-11-17 | 北京兴农丰华科技有限公司 | 一种针对玉米和小麦品种的推荐分析方法 |
CN109191252A (zh) * | 2018-08-31 | 2019-01-11 | 浙江口碑网络技术有限公司 | 基于增强现实技术的菜品推荐方法及装置 |
CN109472660A (zh) * | 2018-09-11 | 2019-03-15 | 北京居然之家云地汇新零售连锁有限公司 | 生成物品最佳搭配的方法及装置、计算机可读存储介质 |
CN110782308A (zh) * | 2019-09-20 | 2020-02-11 | 北京三快在线科技有限公司 | 推荐套餐的推送方法、装置、电子设备及可读存储介质 |
CN110889043A (zh) * | 2019-12-11 | 2020-03-17 | 姚欣 | 基于大数据的饮食推荐系统与推荐方法 |
CN113744011A (zh) * | 2020-06-17 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 物品搭配方法和物品搭配装置 |
CN112507001A (zh) * | 2020-12-31 | 2021-03-16 | 神思电子技术股份有限公司 | 一种融合多维元素的智能排菜方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608650A (zh) | 一种菜品搭配推荐方法及其系统 | |
Lera-López et al. | Sports participation versus consumer expenditure on sport: different determinants and strategies in sports management | |
CN107391531B (zh) | 一种菜品推荐方法和装置 | |
CN107688606A (zh) | 一种推荐信息的获取方法及装置,电子设备 | |
US20080195607A1 (en) | Information recommendation apparatus and information recommendation system | |
CN110532351B (zh) | 推荐词展示方法、装置、设备及计算机可读存储介质 | |
CN106355449A (zh) | 用户选取方法和装置 | |
CN106447388A (zh) | 一种菜品推荐方法及系统 | |
JP2008158823A (ja) | 情報提供システム | |
CN105844357A (zh) | 一种基于所需热量的菜品搭配推荐方法及其系统 | |
CN106326413A (zh) | 一种个性化视频推荐系统及方法 | |
CN107092616B (zh) | 一种对象排序方法及装置 | |
CN107203950A (zh) | 一种菜品推荐方法与系统 | |
CN106649761A (zh) | 基于深度问答的搜索结果展现方法和装置 | |
CN108694647A (zh) | 一种商户推荐理由的挖掘方法及装置,电子设备 | |
JP2002041670A (ja) | 情報推薦装置、及び情報推薦システム | |
CN109871479A (zh) | 一种基于用户项目类及评分可靠性的协同过滤方法 | |
CN106776930A (zh) | 一种融入时间和地理位置信息的地点推荐方法 | |
CN107230131A (zh) | 一种菜品推荐方法、装置及系统 | |
Loader et al. | Participatory rural appraisal: extending the research methods base | |
CN109165847A (zh) | 一种基于推荐系统的项目推荐方法、装置及设备 | |
Moatsos | Global extreme poverty: Present and past since 1820 | |
CN106295171A (zh) | 幼儿配餐系统 | |
Benkovskis et al. | The effect of VAT rate on inflation in Latvia: evidence from CPI microdata | |
CN107203558A (zh) | 对象推荐方法和装置、推荐信息处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160525 |
|
WD01 | Invention patent application deemed withdrawn after publication |