CN106815745A - 菜品推荐方法及系统 - Google Patents

菜品推荐方法及系统 Download PDF

Info

Publication number
CN106815745A
CN106815745A CN201611265909.5A CN201611265909A CN106815745A CN 106815745 A CN106815745 A CN 106815745A CN 201611265909 A CN201611265909 A CN 201611265909A CN 106815745 A CN106815745 A CN 106815745A
Authority
CN
China
Prior art keywords
vegetable
item ingredients
user
preference
storehouse
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
CN201611265909.5A
Other languages
English (en)
Inventor
王瀚森
曾轲
李露
王露珠
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201611265909.5A priority Critical patent/CN106815745A/zh
Publication of CN106815745A publication Critical patent/CN106815745A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种菜品推荐方法及系统，该方法包括：获取用户的正向评论信息；根据所述正向评论信息构建所述用户的菜品成分偏好库；根据所述菜品成分偏好库确定为所述用户推荐的菜品。该菜品推荐方法基于用户评论信息映射到完整的菜品名称，并对菜品名称进行解析获取菜品成分，根据菜品成分推荐菜品给用户，能够提高菜品推荐的针对性。

Description

菜品推荐方法及系统
技术领域
本公开涉及数据处理技术领域，具体而言，涉及一种菜品推荐方法及系统。
背景技术
相关技术中，为用户推荐菜品通常按以下两个步骤执行：以用户收藏、购买、点击的菜品作为用户感兴趣的菜品；以“菜品”为单位，进行相关操作预测用户可能感兴趣的菜品推荐给用户。
这种菜品推荐的方式一方面没有考虑到用户的评论信息，进而忽略了评论信息中关于菜品描述的有价值的信息。另一方面，这种方式没有进一步挖掘菜品的结构信息，导致推荐的菜品的准确度不高。
因此，需要一种新的菜品推荐方法及系统。
发明内容
本公开提供一种菜品推荐方法及系统、电子设备和计算机可读存储介质，能够至少部分地或者全部地解决上述现有技术中存在的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种菜品推荐方法，包括：
获取用户的正向评论信息；
根据所述正向评论信息构建所述用户的菜品成分偏好库；
根据所述菜品成分偏好库确定为所述用户推荐的菜品。
在本公开的一种示例性实施例中，所述获取用户的正向评论信息包括：
获取用户的评论信息；
判断所述评论信息的情感极性；
当所述评论信息的情感极性为正向时，将其判定为所述正向评论信息。
在本公开的一种示例性实施例中，根据所述正向评论信息构建所述用户的菜品成分偏好库包括：
根据所述正向评论信息构建所述用户的菜品偏好库；
根据所述菜品偏好库构建所述用户的菜品成分偏好库。
在本公开的一种示例性实施例中，所述根据所述正向评论信息构建所述用户的菜品偏好库包括：
根据菜品词库获取所述正向评论信息中的菜名，并根据所述正向评论信息中的菜名生成第一菜名集合；
获取所述评论信息相应的第一菜品名称集合；
当所述第一菜名集合中的任意一元素与所述第一菜品名称集合中的任意一元素匹配成功时，将所述第一菜品名称集合中对应的菜品名称加入至所述菜品偏好库。
在本公开的一种示例性实施例中，所述菜品词库采用以下方式生成：
根据餐饮类别商户的菜品名称生成所述菜品词库。
在本公开的一种示例性实施例中，所述根据所述菜品偏好库构建所述用户的菜品成分偏好库包括：
根据餐饮类商户的菜品名称形成菜品成分的路径模板库；
将所述菜品偏好库中的菜品名称与所述路径模板库中的路径模板进行匹配，获得所述菜品偏好库中的菜品名称的菜品成分并加入至所述菜品成分偏好库。
在本公开的一种示例性实施例中，还包括：
通过所述菜品成分偏好库中的菜品成分预测所述用户对其他菜品成分的偏好，将预测的其他菜品成分加入至所述菜品成分偏好库。
在本公开的一种示例性实施例中，所述根据所述菜品成分偏好库确定为所述用户推荐的菜品包括：
将所述菜品成分偏好库中的菜品成分与餐饮类商户提供的菜品名称进行匹配；
匹配成功时，选择未出现在所述菜品偏好库中的菜品推荐给所述用户。
根据本公开的一个方面，提供一种菜品推荐系统，包括：
正向评论获取模块，用于获取用户的正向评论信息；
菜品成分偏好库构建模块，用于根据所述正向评论信息构建所述用户的菜品成分偏好库；
菜品推荐模块，用于根据所述菜品成分偏好库确定为所述用户推荐的菜品。
在本公开的一种示例性实施例中，所述菜品成分偏好库构建模块包括：
菜品偏好库构建子模块，用于根据所述正向评论信息构建所述用户的菜品偏好库；
菜品成分偏好库构建子模块，用于根据所述菜品偏好库构建所述用户的菜品成分偏好库。
在本公开的一种示例性实施例中，所述菜品偏好库构建子模块包括：
集合生成单元，用于根据菜品词库获取所述正向评论信息中的菜名，并根据所述正向评论信息中的菜名生成第一菜名集合；
集合获取单元，用于获取所述评论信息相应的第一菜品名称集合；
第一匹配单元，用于当所述第一菜名集合中的任意一元素与所述第一菜品名称集合中的任意一元素匹配成功时，将所述第一菜品名称集合中对应的菜品名称加入至所述菜品偏好库。
在本公开的一种示例性实施例中，所述菜品成分偏好库构建子模块包括：
路径模板库生成单元，用于根据餐饮类商户的菜品名称形成菜品成分的路径模板库；
第二匹配单元，用于将所述菜品偏好库中的菜品名称与所述路径模板库中的路径模板进行匹配，获得所述菜品偏好库中的菜品名称的菜品成分并加入至所述菜品成分偏好库。
在本公开的一种示例性实施例中，还包括：
预测模块，用于通过所述菜品成分偏好库中的菜品成分预测所述用户对其他菜品成分的偏好，将预测的其他菜品成分加入至所述菜品成分偏好库。
根据本公开的一个方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的菜品推荐方法。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的菜品推荐方法。
根据本公开的菜品推荐方法及系统、电子设备和计算机可读存储介质，通过对菜品结构的细维度划分，可以获得更多有价值的菜品信息，根据菜品成分预测用户可能感兴趣的菜品，实现了菜品推荐的个性化、提高了菜品推荐的准确度，能够进一步提高用户体验。
另外，在一些实施例中，根据本公开的菜品推荐方法及系统、电子设备和计算机可读存储介质，通过用户的评论信息，还原用户真正关注的菜品名称，从用户评论中的非正规菜品名称映射到商户提供的完整菜品名称。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施方式示出的一种菜品推荐方法的流程图。
图2是根据一示例性实施方式示出的一种菜品推荐方法的流程图。
图3是根据一示例性实施方式示出的一种菜品推荐系统的框图。
图4是根据一示例性实施方式示出的一种用于菜品推荐的装置的框图。
图5是根据一示例性实施方式示出的一种用于菜品推荐的装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
图1是根据一示例性实施方式示出的一种菜品推荐方法的流程图。
如图1所示，菜品推荐方法包括如下步骤。
在步骤S102中，获取用户的正向评论信息。
在示例性实施例中，所述获取用户的正向评论信息包括：获取用户的评论信息；判断所述评论信息的情感极性；当所述评论信息的情感极性为正向时，将其判定为所述正向评论信息。
在一实施例中，可以通过情感极性判别模型过滤用户的原始评论信息，保留正向情感极性的评论信息作为所述用户的正向评论信息。
在一实施例中，所述“情感极性判别模型”可以由机器学习的相关方法获得，例如LSTM(Long-Short Term Memory，长短期记忆递归神经网络)。在一实施例中，将用户的原始评论信息和对该原始评论信息的人工标注作为机器学习模型的输入，通过训练，获得的模型即为所述“情感极性判别模型”。在另一实施例中，该情感极性判别模型可以将所述评论信息进行二分类或多分类，例如“正向、负向”、“正向、中性、负向”等。在另一实施例中，所述情感极性判别模型还可以针对餐饮类进行优化，建立餐饮类情感极性分别为正向、负向、中性等的情感词库。例如，“美味”、“可口”、“好吃”等记入正向情感词库，“难吃”、“垃圾”、“太咸”等记入负向情感词库。
需要说明的是，上述建立情感极性判别模型的方法可以采用任意一种可以实现的方法，只要能够有效判断词语的情感极性即可，并不限定于所例举的LSTM。
例如，用户评论“鸡肉真难吃啊！”，经过情感极性判断为“负向”，则将该条评论过滤掉。
又例如，用户评论“西红柿真美味！”经过情感极性判断为“正向”，则将该条评论提取出来作为正向评论。
在步骤S104中，根据所述正向评论信息构建所述用户的菜品成分偏好库。
在示例性实施例中，所述根据所述正向评论信息构建所述用户的菜品成分偏好库可以进一步包括：根据所述正向评论信息构建所述用户的菜品偏好库；根据所述菜品偏好库构建所述用户的菜品成分偏好库。
在一实施例中，根据所述正向评论信息和菜品词库，结合词向量模型解析出所述正向评论信息中的菜名，提取该正向评论信息中的菜名匹配商户提供的完整的菜品名称，将匹配成功的完整的菜品名称加入该用户的菜品偏好库中。
在示例性实施例中，所述根据所述正向评论信息构建所述用户的菜品偏好库包括：根据菜品词库获取所述正向评论信息中的菜名，并根据所述正向评论信息中的菜名生成第一菜名集合；获取所述评论信息相应的第一菜品名称集合；当所述第一菜名集合中的任意一元素与所述第一菜品名称集合中的任意一元素匹配成功时，将所述第一菜品名称集合中对应的菜品名称加入至所述菜品偏好库。
用户在对菜品进行评论时，通常没有留下完整的菜品名称，为获取到用户关注的完整的菜品名称，需将用户在评论语句中提及的菜名映射成为商户提供的完整菜品名称。
例如将用户评论语句：“青椒太好吃了！”映射到该评论语句对应的商户提供的完整菜品名称“柿子椒炒肉”，可以通过以下步骤实现：
A)菜名的标记：将所述正向评论信息进行分词处理，分词后若某一词语出现在所述菜品词库中，则将该词语标记为菜名。
例如，评论语句“青椒太好吃了！”，分词后通过菜品词库的查询，标记“青椒”为菜名。
B)菜名的泛化：由于用户提到的菜名不一定是商户提供的完整菜品名称中的词语，故需要使用词向量泛化所述正向评论信息中的菜名。
在示例性实施例中，输入相似度x，使用词向量模型生成所述正向评论信息中的菜名的第一菜名集合W＝{w1，w2…wm}，其中所述第一菜名集合中包括所述正向评论信息中的菜名的近似词语。例如“青椒”的近似词语集合包括{“青椒”，“菜椒”，“柿子椒”，…}。
在一实施例中，可以人工输入相似度x，0<x<1，即相似度是位于0到1之间的值，x设置的越大，则通过该词语生成的词语集合与该词语越相似。由于词向量的训练过程的差异化，可以人工调整该相似度x的值，选择合适的值。
在一实施例中，上述词向量的训练和使用例如可借助google的开源工具Word2Vec，分为以下两个步骤：
第一步，训练：将N行已经分好词的评论语句输入上述工具中，例如N为2x109，生成一个模型文件。
第二步，生成近似词语：输入某词语M和相似度x，例如M为“青椒”，x为0.9，通过上述工具，生成与“青椒”满足相似度为0.9的近似词语集合：{“青椒”，“菜椒”，“柿子椒”，…}。
C)匹配完整菜品名称：获得该条评论所在商户的第一菜品名称集合S＝{s1，s2，…，sn}，这里的si(1≤i≤n)为该条正向评论信息所在商户的一完整菜品名称，该第一菜名名称集合可以包括该商户的全部或者部分的完整菜品名称。
若S中某一完整菜品名称si包含了W中某一菜名wk(1≤k≤m)，例如“柿子椒炒肉”包含了“柿子椒”，则匹配成功，且将该完整菜品名称si加入至该用户的菜品偏好库。
上述将用户正向评论信息中的菜名映射到该评论语句所在商户的完整菜品名称的方法可以针对“团购”、“闪惠买单”等业务。在这些业务中是无法直接获得用户的评论语句具体对应了哪一道菜。
例如，用户甲在平台上团购了一份若干人餐的券，该券包含了多个菜品，而用户甲对该次用餐体验的评论语句只能对应到该团购券上。
例如，闪惠买单，该业务是指用户直接进店用餐完毕后，使用应用(APP)进行付账，用户的评论语句只能对应到该次买单行为，该次买单一般不止一个菜品，此时也无法获知该评论语句对应的具体是哪个菜品。
上述“团购”、“闪惠买单”等业务，该评论语句对应的商户提供的完整菜品名称可以只包括该团购券或该次买单行为对应的完整菜品名称，或者也可以是该商户能够提供的全部的完整菜品名称。
再例如，针对“外卖”业务的应用场景，用户对具体哪个菜品的评论信息对应的完整菜品名称是可以直接获得的，即假如用户甲在商家乙下单了“柿子椒炒肉”，吃完后在该柿子椒炒肉下评论“青椒太好吃了！”那系统获得该评论信息后，判断该评论信息的情感极性，如果情感极性是正向的，直接将该“柿子椒炒肉”划分到该用户甲的“菜品偏好库”即可。
在示例性实施例中，所述菜品词库采用以下方式生成：根据餐饮类别商户的菜品名称生成所述菜品词库。
在一实施例中，菜品词库的构建方法如下：
第一步，获取多个餐饮类别商户的完整菜品名称。
第二步，对于获取到的多个餐饮类别商户的完整菜品名称进行过滤清理，例如删除字符长度过短或过长的菜品名称、删除重复的菜品名称、修正菜品名称中的错别字等。
第三步，将数据清理完成后的菜品名称进行分词和词性标注。
例如将菜品名称“番茄炒鸡蛋”分解为(番茄：名词)、(炒：动词)、(鸡蛋：名词)。
第四步，将上述词性为名词的词语加入到菜品词库中，形成菜品词库。
在另一实施例中，上述菜品词库的构建方法还可以包括：对上述词性为名词的词语进行词频统计；按照词频从大到小排列；设置阈值j，将词频大于j的词语加入到菜品词库中，形成菜品词库。这里的阈值k可以根据应用需求进行自主设置。
在一实施例中，将用户的菜品偏好库中的完整菜品名称解析出菜品成分，过滤出高频菜品成分构建用户菜品成分偏好库。
在示例性实施例中，所述根据所述菜品偏好库构建所述用户的菜品成分偏好库包括：根据餐饮类商户的菜品名称形成菜品成分的路径模板库；将所述菜品偏好库中的菜品名称与所述路径模板库中的路径模板进行匹配，获得所述菜品偏好库中的菜品名称的菜品成分并加入至所述菜品成分偏好库。
其中将用户的所述菜品偏好库中的完整菜品名称解析出各个菜品成分，如“食材”、“做法”、“口味”、“配料”等。这里的食材、做法、口味、配料仅是示意性说明，本公开并不限定于此。
例如菜品偏好库中的完整菜品名称“酸辣土豆丝”经过分词后，得到口味是“酸辣”，食材是“土豆丝”；“清蒸鲈鱼”经过分词后，得到做法是“清蒸”，食材是“鲈鱼”。
在一实施例中，实现方法可以包括如下步骤：
A)将多个餐饮类商户提供的完整菜品名称进行分词等预处理，筛选分别属于“食材”、“做法”、“口味”、“配料”等菜品成分的词语，作为初始词库。
在一实施例中，还可以包括：统计分词后各词语的词频，判断各词语的词频是否大于预设阈值z，将大于预设阈值z的属于“食材”、“做法”、“口味”、“配料”等菜品成分的若干高频词，作为初始词库。
B)从初始词库中选取“食材”菜品成分中的词语与其他三菜品成分中的(做法、口味、配料)词语组成两两配对的搭配单元。
C)筛选出高频依存句法路径作为路径模板，形成路径模板库。
例如，“番茄炒蛋”，分词后，“番茄”是食材，词性为名词；“炒”是做法，词性为动词；“番茄”和“炒”的依存关系为“主谓关系”，则形如“名词—>主谓关系—>动词”这种路径为“依存句法路径”。
在一实施例中，可以通过工具获得两个词语的依存句法路径，例如LTP工具等。
在一实施例中，将上述所有的搭配单元都进行“依存句法路径”统计，按照依存句法路径的频率由大到小排序，选取排名前p个依存句法路径即为高频依存句法路径。在另一实施例中，这里的p可以人工选取，例如k＝50，但本公开对比不作限定。
D)通过所述路径模板识别出未在所述初始词库中出现的词汇，扩充词库。
E)通过扩充后的词库迭代进行B到D各步骤，形成最终的“食材-做法”、“食材-口味”、“食材-配料”的路径模板库M1、M2、M3、M4。
F)输入用户的所述菜品偏好库中的待解析的菜品名称，通过匹配所述路径模板，完成“食材”、“做法”、“口味”、“配料”等各菜品成分的解析。
在一实施例中，可以通过以下方法实现：待解析的菜品名称经过分词和词性标注后，两两词语搭配组合，例如“西红柿炒鸡蛋”，两两组合为(西红柿炒)、(西红柿鸡蛋)、(炒鸡蛋)，形成搭配集合V＝{(t1,r1),(t2,r2)…(tn,rn)}；每个两两组合中的词语经过依存句法分析后，形成依存句法路径，例如(t1,r1)的依存句法路径为：p1＝名词→主谓关系→动词；将各个依存句法路径从前向后匹配以上e)步骤中的路径模板库M1、M2、M3、M4，若p1匹配上了“食材-做法”路径模板库M1中的某一路径模板，则t1为食材，r1为做法。待解析的菜品名称匹配其他的路径模板基于相同的原理，在此不再详述。
依存语法通过分析语言单位内成分之间的依存关系揭示其句法结构，主张句子中核心动词是支配其它成分的中心成分，而它本身却不受其它任何成分的支配，所有受支配成分都以某种依存关系从属于支配者。句子成分间相互支配与被支配、依存与被依存的现象普遍存在于汉语的词汇(合成语)、短语、单句、复合直到句群的各级能够独立运用的语言单位之中，这一特点为依存关系的普遍性，依存句法分析可以反映出句子各成分之间的语义修饰关系，它可以获得长距离的搭配信息，并与句子成分的物理位置无关。
在一实施例中，选取上述从菜品偏好库的完整菜品名称解析出的各菜品成分中的高频菜品成分加入至菜品成分偏好库。
其中高频菜品成分的选取方法可以包括如下步骤：
对从菜品偏好库的完整菜品名称解析出的各菜品成分词语进行词频统计，构成词频集合Q＝{(d1q1),(d2q2)…(dnqn)}，n为取决于各菜品成分词语的数量的正整数，其中di(1≤i≤n)为菜品成分词语，比如“青椒”；qi为该相应词语的频率。在一实施例中，q1>＝q2>＝…>＝qn，即将菜品成分词语按词频高低进行降序排列。在其他实施例中也可以将菜品成分词语进行升序排列。对于Q中所有元素，若qi大于预设阈值，则保留该菜品成分词语di；反之，若qi小于等于预设阈值，则删除该菜品成分词语di。然后，将保留下的该菜品成分词语di加入菜品成分偏好库。
在一实施例中，其中q的下角标m的设定按照如下步骤进行：
第一步：
y＝argmin f(x)
f(x)≥0
其中argmin表示使得f(x)值最小的x取值，n为Q中元素个数，λ可以手动设置，如0.9，本公开对此不作限定。
第二步，令m＝qy得到m，其中y为上一步求得的结果，m作为Q中q的下角标序号。
在上述步骤中，已经获取到了用户所评论的菜品的所有菜品成分。例如用户小王的评论中提到了“青椒”，上述步骤实现了从用户菜名“青椒”到“菜椒炒肉”的完整菜品名称映射，进一步完成了“菜椒炒肉”这个词语的结构解析，将“菜椒”归为了食材；小王的另一个评论中又提到了“菜椒”，那么关于小王的菜品成分词语中“菜椒”的频率为2。
在示例性实施例中，还包括：通过所述菜品成分偏好库中的菜品成分预测所述用户对其他菜品成分的偏好，将预测的其他菜品成分加入至所述菜品成分偏好库。
在一实施例中，对所述菜品成分偏好库中的数据进行频繁模式的挖据，预测用户对其他菜品成分的偏好，加入至所述菜品成分偏好库。
需要说明的是，挖掘用户甲对其他菜品成分偏好有多种方法，频繁模式挖掘是其中一种，本公开中还可以采用其他方式根据所述菜品成分偏好库挖掘用户对其他菜品成分的偏好。下面以频繁模式为例进行说明。
对于用户甲的菜品成分偏好库集合Pi＝{p1,p2…pn}，通过频繁模式挖据方法，如FP-growth或者Apriori算法，挖据出用户甲对其他菜品成分的偏好Mi＝{m1,m2…mk}，将Mi中元素加入Pi中，更新“菜品成分偏好库”：Pi＝{p1,p2…pn，pn+1…pn+k}。
FP-Growth算法是一种关联分析算法，它采取如下分治策略：将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree)，但仍保留项集关联信息。在算法中使用了一种称为频繁模式树(Frequent Pattern Tree)的数据结构。FP-tree是一种特殊的前缀树，由频繁项头表和项前缀树构成。FP-Growth算法基于以上的结构加快整个挖掘过程。
频繁模式是频繁地出现在数据集中的模式。例如，现在要给用户甲推荐菜品，用户甲买了的菜品成分包括a、b、d，用户乙买了的菜品成分包括a、b、c，用户丙买了的菜品成分包括a、b、c，用户丁买了的菜品成分包括a、m、n，那么可以计算用户同时买包括菜品成分a和b的菜品的概率为3/4，用户同时买包括菜品成分a、b、c菜品的概率为1/2。可以计算用户甲在买了的菜品成分包括a和b的前提下，还可能买包括菜品成分c的菜品的概率为：(1/2)/(3/4)＝2/3，假设阈值为0.5，那么2/3大于0.5，则将菜品成分c预测为用户甲的其他菜品成分偏好，将c加入到用户甲的菜品成分偏好库中。这里仅仅是一个简单的举例说明，具体的频繁模式挖掘可以参考现有的相关文献。
需要说明的是，本发明实施例中所述根据所述正向评论信息构建所述用户的菜品成分偏好库的方式并不限定于上述实施例中例举的方法，例如还可以直接根据用户的所述正向评论信息构建所述用户的菜品成分偏好库。
在步骤S106中，根据所述菜品成分偏好库确定为所述用户推荐的菜品。
在示例性实施例中，所述根据所述菜品成分偏好库确定为所述用户推荐的菜品包括：将所述菜品成分偏好库中的菜品成分与餐饮类商户提供的菜品名称进行匹配；匹配成功时，选择未出现在所述菜品偏好库中的菜品推荐给所述用户。
使用菜品成分偏好库中的各菜品成分与一个或者多个餐饮类商户提供的完整菜品名称进行匹配，筛选出未出现在该用户的菜品偏好库中的菜品，作为推荐菜品。
其中菜品成分偏好库中可以包含各菜品成分集合，例如“食材”词库集合Ws、“做法”词库集合Wz、“口味”词库集合Wk、“配料”词库集合Wp；商户提供的菜品名称集合C可以是多个商户提供的完整菜品名称，C＝{c1,c2…cn}，从C中选择同时包含或部分包含词库Ws、Wz、Wk、Wp中词语的菜品，构成集合T＝{t1,t2…tn}，其中T的所有元素属于C。
例如，“食材”词库Ws集合中存在元素“青椒”，“做法”词库Wz集合中存在元素“炒”，C集合中存在元素“青椒炒肉”，则将元素“青椒炒肉”元素加入到集合T中。
假设定义菜品偏好库集合为V＝{v1,v2…vn}，推荐菜品集合Y，Y＝T-(T∩V)，Y等于T中元素除掉T和V的交集的元素，随机选取Y集合中的菜品推荐给用户。
需要说明的是，所述根据所述菜品成分偏好库确定为所述用户推荐的菜品的方法并不局限于上述实施例例举的方法，例如，还可以对所述菜品成分偏好库中的各菜品成分进行组合，形成新的用户未吃过的菜品推荐给该用户；再例如，除了参考用户的正向评论信息，还可以结合考虑同一用户的负向评论信息，根据该用户的负向评论信息构建该用户的菜品排除库，当所述菜品成分偏好库中的菜品成分与餐饮类商户提供的菜品名称匹配成功时，将该匹配成功的菜品名称与该用户的菜品排除库进行匹配，当匹配不成功时，才将该菜品推荐给该用户，即如果之前该用户有过对当前菜品的负面评论信息，则不将该菜品推荐给该用户。
在示例性实施例中，还可以将用户的评论信息与用户收藏、购买、点击的菜品等结合起来，形成一个完整的推荐系统，为用户进行菜品推荐。
上述实施例中均以商户提供的菜品名称为例进行菜品成分的解析，但在其他实施例中，也可以参考其他相关信息进行菜品成分的解析，例如各菜品对应的食谱。
本实施方式提供的菜品推荐方法，一方面通过对菜品名称进行菜品结构的解析，分析用户对菜品成分(如食材、口味、做法、配料等)的偏好，构建用户对菜品成分的偏好库，根据菜品成分偏好库为用户进行菜品推荐。另一方面，获取用户的评论信息，通过菜品词库识别评论中的菜名，然后通过词向量泛化菜名，再通过完整菜品名称集合将用户评论中的非正规菜名映射到完整菜品名称，还原用户真正关注的菜品名称。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施方式。
图2是根据一示例性实施方式示出的一种菜品推荐方法的流程图。
如图2所示，菜品推荐方法包括以下步骤。
在步骤S202中，获取用户的评论信息。
在步骤S204中，通过情感极性判断从所述评论信息中提取正向评论信息。
在步骤S206中，根据菜品词库获取所述正向评论信息中的菜名。
在步骤S208中，使用词向量模型生成该菜品的近似词语集合。
在步骤S210中，当该菜名或其近似词语集合中的菜名与该评论信息所在商户的菜品名称集合中的任一菜品名称匹配成功时，将该菜品名称加入至菜品偏好库。
在步骤S212中，根据餐饮类商户的菜品名称形成菜品成分的路径模板库。
在步骤S214中，将所述菜品偏好库中的菜品名称与所述路径模板库中的路径模板进行匹配，获得所述菜品偏好库中的菜品名称的菜品成分并加入至所述菜品成分偏好库。
在步骤S216中，通过频繁模式挖据该用户对其他菜品成分的偏好，将其他菜品成分加入至所述菜品成分偏好库。
在步骤S218中，将所述菜品成分偏好库中的菜品成分与餐饮类商户提供的菜品名称进行匹配。
在步骤S220中，匹配成功时，选择未出现在所述菜品偏好库中的菜品推荐给该用户。
在示例性实施例中，该方法还可以包括：通过情感极性判断提取用户的评论信息中的负向评论信息；根据所述负向评论信息建立一菜品成分禁忌库；根据所述菜品成分禁忌库中菜品成分与餐饮类商户的菜品名称进行匹配；当匹配成功时，排除该相应的菜品不向该用户推荐。其中菜品成分禁忌库的建立可以参照菜品成分偏好库的构建方法。例如，用户甲在一评论语句中写到“对龙虾过敏！”，则可以将“龙虾”加入至所述菜品成分禁忌库，推荐菜品之前判断该菜品中是否包括龙虾的菜品成分，如果包括，则不向该用户推荐该菜品。
本实施方式中未公开的内容可参见上述实施例中的内容，在此不再赘述。
本实施方式提供的菜品推荐方法，可以根据菜品成分禁忌库来排除用户过敏、禁忌等的菜品成分，防止向用户推荐其不能吃、厌恶吃的菜品，可以进一步提高用户体验，提高推荐准确度和效率。
需要注意的是，上述用于示出方法实施方式的附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图3是根据一示例性实施方式示出的一种菜品推荐系统的框图。
如图3所示，菜品推荐系统100包括：正向评论获取模块102、菜品成分偏好库构建模块104以及菜品推荐模块106。
其中正向评论获取模块102用于获取用户的正向评论信息。
菜品成分偏好库构建模块104用于根据所述正向评论信息构建所述用户的菜品成分偏好库。
菜品推荐模块106用于根据所述菜品成分偏好库确定为所述用户推荐的菜品。
在示例性实施例中，菜品成分偏好库构建模块104可以进一步包括菜品偏好库构建子模块以及菜品成分偏好库构建子模块。
其中菜品偏好库构建子模块可以用于根据所述正向评论信息构建所述用户的菜品偏好库。
菜品成分偏好库构建子模块可以用于根据所述菜品偏好库构建所述用户的菜品成分偏好库。
在示例性实施例中，所述菜品偏好库构建子模块可以包括：集合生成单元，用于根据菜品词库获取所述正向评论信息中的菜名，并根据所述正向评论信息中的菜名生成第一菜名集合；集合获取单元，用于获取所述评论信息相应的第一菜品名称集合；第一匹配单元，用于当所述第一菜名集合中的任意一元素与所述第一菜品名称集合中的任意一元素匹配成功时，将所述第一菜品名称集合中对应的菜品名称加入至所述菜品偏好库。
在示例性实施例中，所述菜品成分偏好库构建子模块可以包括：路径模板库生成单元，用于根据餐饮类商户的菜品名称形成菜品成分的路径模板库；第二匹配单元，用于将所述菜品偏好库中的菜品名称与所述路径模板库中的路径模板进行匹配，获得所述菜品偏好库中的菜品名称的菜品成分并加入至所述菜品成分偏好库。
在示例性实施例中，菜品推荐系统100还包括：预测模块，用于通过所述菜品成分偏好库中的菜品成分预测所述用户对其他菜品成分的偏好，将预测的其他菜品成分加入至所述菜品成分偏好库。
根据本公开的另一示例性实施方式，还提供了一种终端设备，包括：推荐菜品获取装置，当用户登录所述终端设备的一应用时，所述推荐菜品获取装置用于接收推荐的菜品，其中所述推荐的菜品基于所述用户的一菜品成分偏好库获取。
进一步的，本发明实施方式中还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的菜品推荐方法。
本发明实施方式中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的菜品推荐方法。
图4是根据一示例性实施方式示出的一种用于菜品推荐的装置200的框图。例如，装置200可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图4，装置200可以包括以下一个或多个组件：处理组件202，存储器204，电力组件206，多媒体组件208，音频组件210，输入/输出(I/O)的接口212，传感器组件214，以及通信组件216。
处理组件202通常控制装置200的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件202可以包括一个或多个处理器220来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件202可以包括一个或多个模块，便于处理组件202和其他组件之间的交互。例如，处理组件202可以包括多媒体模块，以方便多媒体组件208和处理组件202之间的交互。
存储器204被配置为存储各种类型的数据以支持在设备200的操作。这些数据的示例包括用于在装置200上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器204可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件206为装置200的各种组件提供电力。电力组件206可以包括电源管理系统，一个或多个电源，及其他与为装置200生成、管理和分配电力相关联的组件。
多媒体组件208包括在所述装置200和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件208包括一个前置摄像头和/或后置摄像头。当设备200处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件210被配置为输出和/或输入音频信号。例如，音频组件210包括一个麦克风(MIC)，当装置200处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器204或经由通信组件216发送。在一些实施例中，音频组件210还包括一个扬声器，用于输出音频信号。
I/O接口212为处理组件202和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件214包括一个或多个传感器，用于为装置200提供各个方面的状态评估。例如，传感器组件214可以检测到设备200的打开/关闭状态，组件的相对定位，例如所述组件为装置200的显示器和小键盘，传感器组件214还可以检测装置200或装置200一个组件的位置改变，用户与装置200接触的存在或不存在，装置200方位或加速/减速和装置200的温度变化。传感器组件214可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件214还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件214还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件216被配置为便于装置200和其他设备之间有线或无线方式的通信。装置200可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件216经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件216还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置200可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器204，上述指令可由装置200的处理器220执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图5是根据一示例性实施方式示出的一种用于菜品推荐的装置300的框图。例如，装置300可以被提供为一服务器。参照图5，装置300包括处理组件322，其进一步包括一个或多个处理器，以及由存储器332所代表的存储器资源，用于存储可由处理组件322的执行的指令，例如应用程序。存储器332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件322被配置为执行指令，以执行上述方法。
装置300还可以包括一个电源组件326被配置为执行装置300的电源管理，一个有线或无线网络接口350被配置为将装置300连接到网络，和一个输入输出(I/O)接口358。装置300可以操作基于存储在存储器332的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeB SDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (15)

1.一种菜品推荐方法，其特征在于，包括：
获取用户的正向评论信息；
根据所述正向评论信息构建所述用户的菜品成分偏好库；
根据所述菜品成分偏好库确定为所述用户推荐的菜品。
2.根据权利要求1所述的方法，其特征在于，所述获取用户的正向评论信息包括：
获取用户的评论信息；
判断所述评论信息的情感极性；
当所述评论信息的情感极性为正向时，将其判定为所述正向评论信息。
3.根据权利要求1所述的方法，其特征在于，所述根据所述正向评论信息构建所述用户的菜品成分偏好库包括：
根据所述正向评论信息构建所述用户的菜品偏好库；
根据所述菜品偏好库构建所述用户的菜品成分偏好库。
4.根据权利要求3所述的方法，其特征在于，所述根据所述正向评论信息构建所述用户的菜品偏好库包括：
根据菜品词库获取所述正向评论信息中的菜名，并根据所述正向评论信息中的菜名生成第一菜名集合；
获取所述评论信息相应的第一菜品名称集合；
当所述第一菜名集合中的任意一元素与所述第一菜品名称集合中的任意一元素匹配成功时，将所述第一菜品名称集合中对应的菜品名称加入至所述菜品偏好库。
5.根据权利要求4所述的方法，其特征在于，所述菜品词库采用以下方式生成：
根据餐饮类别商户的菜品名称生成所述菜品词库。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述菜品偏好库构建所述用户的菜品成分偏好库包括：
根据餐饮类商户的菜品名称形成菜品成分的路径模板库；
将所述菜品偏好库中的菜品名称与所述路径模板库中的路径模板进行匹配，获得所述菜品偏好库中的菜品名称的菜品成分并加入至所述菜品成分偏好库。
7.根据权利要求6所述的方法，其特征在于，还包括：
通过所述菜品成分偏好库中的菜品成分预测所述用户对其他菜品成分的偏好，将预测的其他菜品成分加入至所述菜品成分偏好库。
8.根据权利要求1所述的方法，其特征在于，所述根据所述菜品成分偏好库确定为所述用户推荐的菜品包括：
将所述菜品成分偏好库中的菜品成分与餐饮类商户提供的菜品名称进行匹配；
匹配成功时，选择未出现在所述菜品偏好库中的菜品推荐给所述用户。
9.一种菜品推荐系统，其特征在于，包括：
正向评论获取模块，用于获取用户的正向评论信息；
菜品成分偏好库构建模块，用于根据所述正向评论信息构建所述用户的菜品成分偏好库；
菜品推荐模块，用于根据所述菜品成分偏好库确定为所述用户推荐的菜品。
10.根据权利要求9所述的系统，其特征在于，所述菜品成分偏好库构建模块包括：
菜品偏好库构建子模块，用于根据所述正向评论信息构建所述用户的菜品偏好库；
菜品成分偏好库构建子模块，用于根据所述菜品偏好库构建所述用户的菜品成分偏好库。
11.根据权利要求10所述的系统，其特征在于，所述菜品偏好库构建子模块包括：
集合生成单元，用于根据菜品词库获取所述正向评论信息中的菜名，并根据所述正向评论信息中的菜名生成第一菜名集合；
集合获取单元，用于获取所述评论信息相应的第一菜品名称集合；
第一匹配单元，用于当所述第一菜名集合中的任意一元素与所述第一菜品名称集合中的任意一元素匹配成功时，将所述第一菜品名称集合中对应的菜品名称加入至所述菜品偏好库。
12.根据权利要求10所述的系统，其特征在于，所述菜品成分偏好库构建子模块包括：
路径模板库生成单元，用于根据餐饮类商户的菜品名称形成菜品成分的路径模板库；
第二匹配单元，用于将所述菜品偏好库中的菜品名称与所述路径模板库中的路径模板进行匹配，获得所述菜品偏好库中的菜品名称的菜品成分并加入至所述菜品成分偏好库。
13.根据权利要求12所述的系统，其特征在于，还包括：
预测模块，用于通过所述菜品成分偏好库中的菜品成分预测所述用户对其他菜品成分的偏好，将预测的其他菜品成分加入至所述菜品成分偏好库。
14.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任意一项所述的菜品推荐方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8任意一项所述的菜品推荐方法。
CN201611265909.5A 2016-12-30 2016-12-30 菜品推荐方法及系统 Pending CN106815745A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611265909.5A CN106815745A (zh) 2016-12-30 2016-12-30 菜品推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611265909.5A CN106815745A (zh) 2016-12-30 2016-12-30 菜品推荐方法及系统

Publications (1)

Publication Number Publication Date
CN106815745A true CN106815745A (zh) 2017-06-09

Family

ID=59109811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611265909.5A Pending CN106815745A (zh) 2016-12-30 2016-12-30 菜品推荐方法及系统

Country Status (1)

Country Link
CN (1) CN106815745A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009288A (zh) * 2017-12-25 2018-05-08 维沃移动通信有限公司 食谱推送方法及装置
CN108009897A (zh) * 2017-12-25 2018-05-08 北京中关村科金技术有限公司 一种商品的实时推荐方法、系统及可读存储介质
CN108596789A (zh) * 2018-03-29 2018-09-28 客如云科技（成都）有限责任公司 一种菜品标准化的方法
CN109118243A (zh) * 2017-06-26 2019-01-01 阿里巴巴集团控股有限公司 一种产品分享、有用评价识别、推送方法和服务器
CN109389144A (zh) * 2018-08-14 2019-02-26 上海常仁信息科技有限公司 一种基于菜品识别的菜品组成分析系统和方法
CN109446206A (zh) * 2017-08-29 2019-03-08 合肥美的智能科技有限公司 用户饮食数据更新方法及更新系统
CN110298718A (zh) * 2018-03-23 2019-10-01 北京三快在线科技有限公司 产品推荐方法、装置、设备及存储介质
CN110415061A (zh) * 2018-04-28 2019-11-05 珠海街邻科技有限公司 一种菜品信息推荐方法及其设备
CN110706064A (zh) * 2019-09-20 2020-01-17 汉海信息技术(上海)有限公司 菜品推荐信息的生成方法、装置、设备及存储介质
CN110895781A (zh) * 2019-10-29 2020-03-20 北京三快在线科技有限公司 菜品类别推荐方法、装置、电子设备及存储介质
CN111210267A (zh) * 2019-12-27 2020-05-29 北京三快在线科技有限公司 研发菜品推荐方法、装置、电子设备
CN111522848A (zh) * 2020-04-21 2020-08-11 珠海格力电器股份有限公司 处理菜品数据的方法、装置、计算机设备和存储介质
CN112861008A (zh) * 2021-03-01 2021-05-28 山东大学 一种基于多用户信息融合和熵的餐厅点餐推荐方法和系统
CN117541359A (zh) * 2024-01-04 2024-02-09 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) 一种基于偏好分析的用餐推荐方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412936A (zh) * 2013-08-21 2013-11-27 五八同城信息技术有限公司 一种基于数据挖掘和云计算服务的菜品推荐系统
CN103577671A (zh) * 2012-07-26 2014-02-12 刘晓东 生成个性化膳食计划方案的方法及系统
CN103838726A (zh) * 2012-11-20 2014-06-04 百度在线网络技术（北京）有限公司 基于地图的菜谱推荐方法、系统及gis服务器
CN104331451A (zh) * 2014-10-30 2015-02-04 南京大学 一种基于主题的网络用户评论的推荐度评分方法
CN105005907A (zh) * 2015-03-05 2015-10-28 张良均 一种餐饮服务动态菜品智能推荐方法
CN105653636A (zh) * 2015-12-25 2016-06-08 北京搜狗科技发展有限公司 一种信息处理方法和装置、一种用于信息处理的装置
CN105701253A (zh) * 2016-03-04 2016-06-22 南京大学 中文自然语言问句语义化的知识库自动问答方法
CN106096991A (zh) * 2016-05-19 2016-11-09 北京三快在线科技有限公司 一种套餐的自动生成方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577671A (zh) * 2012-07-26 2014-02-12 刘晓东 生成个性化膳食计划方案的方法及系统
CN103838726A (zh) * 2012-11-20 2014-06-04 百度在线网络技术（北京）有限公司 基于地图的菜谱推荐方法、系统及gis服务器
CN103412936A (zh) * 2013-08-21 2013-11-27 五八同城信息技术有限公司 一种基于数据挖掘和云计算服务的菜品推荐系统
CN104331451A (zh) * 2014-10-30 2015-02-04 南京大学 一种基于主题的网络用户评论的推荐度评分方法
CN105005907A (zh) * 2015-03-05 2015-10-28 张良均 一种餐饮服务动态菜品智能推荐方法
CN105653636A (zh) * 2015-12-25 2016-06-08 北京搜狗科技发展有限公司 一种信息处理方法和装置、一种用于信息处理的装置
CN105701253A (zh) * 2016-03-04 2016-06-22 南京大学 中文自然语言问句语义化的知识库自动问答方法
CN106096991A (zh) * 2016-05-19 2016-11-09 北京三快在线科技有限公司 一种套餐的自动生成方法和装置

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118243A (zh) * 2017-06-26 2019-01-01 阿里巴巴集团控股有限公司 一种产品分享、有用评价识别、推送方法和服务器
CN109118243B (zh) * 2017-06-26 2022-09-30 阿里巴巴集团控股有限公司 一种产品分享、有用评价识别、推送方法和服务器
CN109446206A (zh) * 2017-08-29 2019-03-08 合肥美的智能科技有限公司 用户饮食数据更新方法及更新系统
CN108009897A (zh) * 2017-12-25 2018-05-08 北京中关村科金技术有限公司 一种商品的实时推荐方法、系统及可读存储介质
CN108009288A (zh) * 2017-12-25 2018-05-08 维沃移动通信有限公司 食谱推送方法及装置
CN108009288B (zh) * 2017-12-25 2020-01-14 维沃移动通信有限公司 食谱推送方法及装置
CN110298718A (zh) * 2018-03-23 2019-10-01 北京三快在线科技有限公司 产品推荐方法、装置、设备及存储介质
CN108596789B (zh) * 2018-03-29 2022-08-30 时时同云科技(成都)有限责任公司 一种菜品标准化的方法
CN108596789A (zh) * 2018-03-29 2018-09-28 客如云科技（成都）有限责任公司 一种菜品标准化的方法
CN110415061A (zh) * 2018-04-28 2019-11-05 珠海街邻科技有限公司 一种菜品信息推荐方法及其设备
CN109389144A (zh) * 2018-08-14 2019-02-26 上海常仁信息科技有限公司 一种基于菜品识别的菜品组成分析系统和方法
CN110706064A (zh) * 2019-09-20 2020-01-17 汉海信息技术(上海)有限公司 菜品推荐信息的生成方法、装置、设备及存储介质
CN110895781A (zh) * 2019-10-29 2020-03-20 北京三快在线科技有限公司 菜品类别推荐方法、装置、电子设备及存储介质
CN111210267A (zh) * 2019-12-27 2020-05-29 北京三快在线科技有限公司 研发菜品推荐方法、装置、电子设备
CN111522848A (zh) * 2020-04-21 2020-08-11 珠海格力电器股份有限公司 处理菜品数据的方法、装置、计算机设备和存储介质
CN112861008A (zh) * 2021-03-01 2021-05-28 山东大学 一种基于多用户信息融合和熵的餐厅点餐推荐方法和系统
CN112861008B (zh) * 2021-03-01 2022-08-09 山东大学 一种基于多用户信息融合和熵的餐厅点餐推荐方法和系统
CN117541359A (zh) * 2024-01-04 2024-02-09 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) 一种基于偏好分析的用餐推荐方法及系统
CN117541359B (zh) * 2024-01-04 2024-03-29 江西工业贸易职业技术学院(江西省粮食干部学校、江西省粮食职工中等专业学校) 一种基于偏好分析的用餐推荐方法及系统

Similar Documents

Publication Publication Date Title
CN106815745A (zh) 菜品推荐方法及系统
CN107609101B (zh) 智能交互方法、设备及存储介质
CN108432190A (zh) 应答消息推荐方法及其设备
CN105229575B (zh) 基于多个语言模型的文本预测
CN106708282B (zh) 一种推荐方法和装置、一种用于推荐的装置
CN101452473B (zh) 信息处理终端和信息处理方法
CN109522419B (zh) 会话信息补全方法及装置
CN107580704A (zh) 上下文人物推荐
CN107992604A (zh) 一种任务条目的分发方法及相关装置
CN108351870A (zh) 根据活动模式的计算机语音识别和语义理解
CN105488151A (zh) 参考文档的推荐方法及装置
CN102567475A (zh) 用于交互式查询重构的用户接口
US20120102145A1 (en) Server, user terminal apparatus and method of controlling the same, and method of providing service
WO2008012537A1 (en) Searching methods
CN109783656B (zh) 音视频数据的推荐方法、系统及服务器和存储介质
CN107346182A (zh) 一种构建用户词库的方法、及用于构建用户词库的装置
CN107977928A (zh) 表情生成方法、装置、终端及存储介质
CN109074481A (zh) 基于传感器数据来标识实体
CN108345610A (zh) 一种获取数据资源的方法和装置、用于获取数据资源的装置
CN112508612B (zh) 训练广告创意生成模型、生成广告创意的方法及相关装置
CN107729946A (zh) 图片分类方法、装置、终端及存储介质
CN109101505A (zh) 一种推荐方法、推荐装置和用于推荐的装置
CN111752647A (zh) 卡片信息展示方法、装置、计算机设备及存储介质
CN110209777A (zh) 问答的方法及电子设备
CN108460651A (zh) 车辆推荐方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170609