CN107391531A - 一种菜品推荐方法和装置 - Google Patents

Abstract

本公开提供一种菜品推荐方法和装置，其中的方法用于由菜品集中选择菜品进行推荐；该方法包括：获取所述菜品集中的已点菜品；根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量；将所述相似点菜菜单中的菜品，作为推荐的菜品。本公开能够较为符合顾客的口味习惯，从而使得所点菜品更加合理。

Description

一种菜品推荐方法和装置

技术领域

本公开涉及网络技术，特别涉及一种菜品推荐方法和装置。

背景技术

目前在餐饮中向就餐用户推荐菜品，已经是一种经常发生的行为。比如，当用户在餐厅点餐时，服务员可以向用户推荐菜品，很多情况下，所推荐的菜品可以是根据数据分析统计得到，比如可以是统计的过去一段时间的热销菜，而且经常还要借助专家评分、或者厨师评分等人工评分，作为不同菜品推荐的依据。但是，上述的菜品推荐方法推荐的菜品可能并不符合用户本人的口味。

发明内容

有鉴于此，本公开提供一种菜品推荐方法和装置，以提高菜品推荐的合理性。

具体地，本公开是通过如下技术方案实现的：

第一方面，提供一种菜品推荐方法，所述方法用于由菜品集中选择菜品进行推荐；所述方法包括：

获取所述菜品集中的已点菜品；

根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量；

将所述相似点菜菜单中的菜品，作为推荐的菜品。

第二方面，提供一种菜品推荐装置，所述装置用于由菜品集中选择菜品进行推荐；所述装置包括：

菜品获取模块，用于获取所述菜品集中的已点菜品；

菜单确定模块，用于根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量；

菜品确定模块，用于将所述相似点菜菜单中的菜品，作为推荐的菜品。

本公开的菜品推荐方法和装置，通过根据菜品之间的相似度，找到具有相似点菜习惯的菜单，并根据该相似菜单进行菜品推荐，能够较为符合顾客的口味习惯，从而使得所点菜品更加合理。

附图说明

图1是本公开实施例提供的一种相似度计算的流程图；

图2是本公开实施例提供的一种菜品属性之间的树杈型层次结构图；

图3是本公开实施例提供的一种菜品推荐的流程图；

图4是本公开实施例提供的一种菜品推荐的流程图；

图5是本公开实施例提供的一种点餐场景示意图；

图6是本公开实施例提供的一种菜品推荐装置的结构示意图；

图7是本公开实施例提供的一种菜品推荐装置的结构示意图。

具体实施方式

本公开提供了一种菜品推荐方法，该方法可以应用于顾客点餐时的菜品推荐。例如，假设一个餐馆共有60多道菜品，其中包括凉菜、汤、家常菜、主食等多个品种，该餐馆的所有菜品可以称为一个菜品集。当顾客在该餐馆就餐时，可以向顾客推荐菜品，并且可以利用本公开的方法得到向顾客推荐哪些菜品。

首先，可以建立一个上述餐馆中所有菜品之间的相似度矩阵。

表1菜品相似度矩阵

上述的相似度矩阵用于表示两两菜品之间，在菜品自身属性角度上的相似性。例如，所述的菜品自身属性可以包括：菜品的烹饪方法、菜品的主料、菜品的辅料等。菜品自身属性角度上的相似性可以包括：例如，两道菜品的主类不同，一个是凉菜，一个是主食；又例如，两道菜品的烹饪方法不同，一个是油炸，一个是红烧；再例如，两道菜品的主料不同，一个牛肉，一个是豆腐。

所述的菜品自身属性角度上的相似性，可以用“相似度”数值表示，例如表1中，X13表示饮料1和饮料3这两道菜品之间的相似度，X2n表示饮料2与主食15这两道菜品之间的相似度。相似度数值的大小，可以表示出两道菜品之间的属性差异大小，比如，如果相似度数值比较低，可能这两道菜品的主类就不同，一个凉菜和一个热菜，差异较大；又比如，如果相似度数值比较高，可能这两道菜品都是热菜且烹饪方法都是红烧，具有较高的相似性。因此，菜品相似度相当于一种菜品属性之间差异的度量参数，通过相似度数值大小可以知道两道菜品是差异较大还是比较相似。

计算菜品之间属性的相似度主要是考虑到，顾客都有自己的口味喜好，有时可能会比较偏向喜欢某一口味的菜品，比如同一烹饪方法的，或者同一主类的，或者同一主料的，因此预先计算各个菜品的相似度，有助于后续推荐时选择属性相似的菜品进行推荐，这样可能会更符合顾客的口味。

如下结合图1，说明表1中的“相似度”数值的计算方法，本例子中，菜品相似度可以是根据菜品自身的属性计算得到。

在步骤101中，根据菜品集中的所有菜品组建菜品词林，所述菜品词林包括多种菜品属性类型，每一种菜品属性类型中包括的菜品属性数量为多个，所述多种菜品属性类型之间形成树杈型结构。

本例子中，所述的菜品集可以是餐馆中的所有菜品，可以根据该所有菜品划分菜品属性类型和菜品属性，并形成图2所示例的菜品词林结构。

例如，该菜品词林可以包括五层，每一层是一种菜品属性类型，比如，第一层的菜品属性类型是“菜品主类”，第二层的菜品属性类型是“烹饪方法”，第三层是“菜品主料”，第四层是“菜品辅料”，第五层是“菜品调料”。

每一种菜品属性类型中包括的菜品属性的数量为多个。例如，在第一层的“菜品主类”中，可以包括“饮料”、“凉菜”、“热菜”、“主食”等多个菜品属性；在第二层的“烹饪方法”中，可以包括“凉拌”、“油炸”、“红烧”、“清蒸”等；在第三层的“菜品主料”，可以包括“牛肉”、“羊肉”、“素菜”、“豆腐”等；在第四层的“菜品辅料”，可以包括“西蓝花”、“土豆”、“胡萝卜”等；在第五层的“菜品调料”，可以包括“香油”、“酱肉”、“醋”等。

并且，如图2所示，多种菜品属性类型之间形成树杈型结构，在每一层中，不同的菜品属性作为该层中并列的多个不同节点，如果该层的多个菜品属性从属于同一个上层菜品属性，则在图2中这些节点源自相同的根节点。例如，图2的第三层中的各个节点，可以是上述的“牛肉”、“羊肉”、“素菜”、“豆腐”等不同的菜品属性，这些节点可以是源自同一个第二层节点“凉拌”，也可以是源自同一个第二层节点“红烧”，即，使用“凉拌”烹饪方法的菜品可以是用豆腐做主料，使用“红烧”烹饪方法的菜品也可以是用豆腐做主料。

需要说明的是，图2所示例的菜品词林只是一个示例，后续的描述也将以该词林为例；但是具体实施中并不限于该词林结构，例如，词林中的每一层是何种菜品属性类型，可以自主设定，示例性的，第一层也可以是咸、淡、甜等口味属性；且每一层包括的菜品属性也可以根据实际菜品的情况进行设置。

在步骤102中，对菜品集中的每一道菜品进行编码，所述编码用于表示所述菜品具有的菜品属性。

在根据菜品属性计算菜品之间的相似度之前，可以将菜品自身的属性进行量化，本例子中可以对各道菜品进行编码。如下的表2是一种菜品编码规则的例子，由表2可以看到，该编码规则可以结合菜品词林的设计，编码中的符号性质即代表词林中的菜品属性类型，编码中的级别对应词林中的各个层。

表2菜品编码规则表

本例子可以用七位的编码来表示一道菜品，编码中包括分别对应各个菜品属性类型的编码位，其中，该编码的第一编码位用于表示菜品属性类型“菜品主类”，第二编码位表示菜品属性类型“烹饪方法”，第三编码位和第四编码位表示“菜品主料”，第五编码位表示“菜品辅料”，第六编码位和第七编码位表示“菜品调料”。

其中，上述各个编码位的具体取值用于表示所述菜品具有的对应所述菜品属性类型的菜品属性，编码位取值的设计可以自主设定。例如：

“菜品主类”可以用A、B、C等连续的编码来表示。

“烹饪方法”可以用a、b、c等连续的编码来表示，z表示没有烹饪方法。

“菜品主料”可以用两位数字来表示，同样可以采用连续的编码。

“菜品辅料”也可以用A、B、C等连续的编码来表示，例如，A表示西红柿，B表示西蓝花，Z表示没有辅料。尽管该编码位和“菜品主类”编码位同样都使用A、B、C等字母，但是由于这些字母位于不同的编码位，所以含义不同。

“菜品调料”也以两位数字表示，可以涵盖单一一种调料的编码，也可以包括组合调料的编码；示例性的，可以用“02”表示醋，可以用“32”表示花椒和醋。

例如，燕京啤酒可以用编码“Az01Z01”表示，红烧排骨可以用编码“Ca01D01”表示，红烧带鱼可以用编码“Ca20E01”表示。由这三个例子来说，红烧排骨和红烧带鱼这两个菜品的烹饪方法相同，都是“红烧”，因此这两个菜品编码的第二个编码位相同，都是“a”，a则表示烹饪方法为红烧，并且其主料不同，一个是排骨，一个是带鱼，所以第三位和第四位编码位不同，一个是“01”表示排骨，一个是“20”表示带鱼。再以燕京啤酒为例，其本身没有烹饪方法，不需要烹饪，所以编码的第二位编码位是“z”，表示没有烹饪方法。

同样，表2的菜品编码规则也仅是一种示例，实际实施中不局限于此。

在步骤103中，对两道菜品的编码进行比较，计算得到菜品之间的相似度。

本步骤中，通过对菜品编码比较，可以获得两道菜品之间的首次差异属性对应的分叉菜品属性类型，这里的首次差异属性是指首次不同的属性，比如，红烧排骨的编码“Ca01D01”与红烧带鱼的编码“Ca20E01”，前两个编码位都相同，在第三和第四编码位才不同，而这两个编码位对应的菜品属性类型是菜品主料，所以首次差异属性对应的分叉菜品属性类型即为“菜品主料”，相当于在这个菜品属性类型的编码位的位置产生了属性差异。结合菜品词林的结构，可以获知所述分叉菜品属性类型包括的属性数量、以及两道菜品在分叉菜品属性类型中的相隔属性数量，从而得到菜品之间的菜品相似度。

如下列举几种菜品相似度计算的例子：

情况一：若两个菜品不在同一叉树上，则表示两道菜品的菜品主类不同：

Sim(A,B)＝f，f＝0.1。其中，Sim表示相似度，Sim(A,B)表示菜品A和菜品B之间的相似度，当A和B不在同一叉树时，相似度数值可以是预设的0.1。

情况二：若两个菜品在同一叉树上，则表示菜品主类相同，此时又分为几种不同的分支情况：

分支一：若在第2层分支，则表示菜品主类相同，但是烹饪方法不同，主要需要计算烹饪方法上的区别。

Sim(菜品1,菜品2)＝a*cos(N₂*pi/180)*[(N₂-k₂+1)/N₂

其中，a＝0.65，N(i)表示第i层的节点数量，这里的N₂表示对应两道菜品的主类一共有多少种烹饪方法，即这两道菜品的主类相同，在该主类下的烹饪方法的总数量。k₂表示菜品1和菜品2在第二层之间的节点差别，即烹饪方法上的区别；比如，菜品1在烹饪方法编码位的编码是a，菜品2在烹饪方法编码位的编码是b，那么两者的节点相差k₂是1；又比如，菜品1在烹饪方法编码位的编码是a，菜品2在烹饪方法编码位的编码是d，那么两者的节点相差k₂是3。

分支二：若在第3层分支，则表示两道菜的菜品主类和烹饪方法相同，而主料种类不同，主要需要计算主料种类上的区别。

Sim(菜品1,菜品2)＝b*cos(N₃*pi/180)*[(N₃-k₃+1)/N₃]

其中，b＝0.8，N₃表示对应两道菜品的菜品主类和烹饪方法，一共有多少种主料种类，即两道菜品的菜品主类和烹饪方法所在的分支上在第三层一共有多少个节点；k₃表示两道菜品在第三层相差的节点数。

分支三：若在第4层分支，则表示两道菜的菜品主类、烹饪方法和主料种类都相同，而辅料种类不同。

Sim(菜品1,菜品2)＝c*cos(N₄*pi/180)*[(N₄-k₄+1)/N₄]

其中，c＝0.9，N₄表示对应两道菜品的菜品主类、烹饪方法和主料种类，一共有多少种辅料种类，该分支在第四层一共有多少个节点；k₄表示两道菜品在第四层相差的节点数。

分支四：若在第5层分支，则表示两道菜的菜品主类、烹饪方法、主料种类和辅料种类都相同，只是调料有少许的差别，比如，一个放辣椒，一个不放辣椒，例如，鱼香肉丝，鱼香肉丝(不辣)。

Sim(菜品1,菜品2)＝d*cos(N₅*pi/180)*[(N₅-k₅+1)/N₅]

其中，d＝0.96，N₅表示对应两道菜品的菜品主类、烹饪方法、主料种类和辅料种类，在第五层的一个分支上有多少个节点；k₅表示两道菜品在第五层该分支上相差的节点数。

由上述可以看到，菜品之间的相似度计算，与菜品词林的组成结构相关，在组建包括各个菜品属性的树杈型结构的菜品词林后，每一个菜品相当于对应该词林中的一条树杈分支，这条分支包括位于各个层的一个节点，每一层的所述节点即为该菜品具有的一个菜品属性。本例子中采用编辑距离的方法计算这两条分支之间的距离，获取这两条分支从哪一层分开且在该层之间的相隔距离，即相当于两道菜品的分叉菜品属性类型以及两道菜品在所述分叉菜品属性类型中的相隔属性数量，并结合所述分叉菜品属性类型包括的属性数量就可以得到两道菜品的菜品相似度。而经过对菜品编码，可以根据该编码的比较获知两道菜品在第几层产生分叉，也能获知菜品之间的节点差异。

比如，仍以红烧排骨“Ca01D01”和红烧带鱼“Ca20E01”为例，通过对两个编码逐位比较，可知在第三位和第四位产生差异，前两个编码位是相同的，因此可知这两道菜品的菜品主类和烹饪方法相同，到主料种类产生差异，并且还可以知道主料种类的数字表示“01”和“20”之间相差的节点数量。

将上面计算得到的所有的两两菜品之间的相似度，填入表1中，得到菜品之间的相似度表，其中，菜品自己转化为自己的相似度数值为1。图1所述的计算过程可以一种编辑距离的处理过程，具体实施中还可以利用余弦距离、欧式距离等方法计算两条分支之间的距离，不再详述。

在上述获取到菜品集中的两两菜品之间的相似度的基础上，图3示例了一种菜品推荐方法，该方法可以利用上述得到的菜品相似度矩阵进行菜品推荐。该方法主要是根据顾客的已点菜品(比如，顾客已经点了两道菜或者四道菜等)，找到存储的历史点菜菜单(即以前的点菜单)中有没有相似的点菜习惯的菜单，比如，以前的某一次菜单上的所点菜品与本次顾客所点的菜品相似度较高，那么可以根据该菜单进行推荐，将菜单上的下一道菜品推荐给当前顾客。如图3所示，该方法可以包括：

在步骤301中，获取菜品集中的已点菜品。

例如，顾客可以坐好，由餐馆的服务员来记录顾客所点的菜品即已点菜品。

在步骤302中，根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量。

所述的历史点菜菜单是已经存储的以前的菜单，比如，距离当前时间一个月以前的某一天的点菜菜单，或者距离当前时间10天前的一个点菜菜单。本步骤中的菜品相似度即是上面的表1中的相似度数值。

本步骤中，可以根据已点菜品，查看历史的菜单中哪些菜单所点的菜品与该已点菜品类似，那么也许本次顾客的点菜习惯和口味与该菜单较为符合。相似点菜菜单的计算，不仅可以依据上述的菜品相似度，还可以包括其他参数，综合确定，例如，可以依据菜品相似度和历史点菜菜单上的菜品总数。

在步骤303中，将所述相似点菜菜单中的菜品，作为推荐的菜品。

例如，假设当前的已点菜品是第一道菜，并且在步骤302中已经确定了相似点菜菜单，那么本步骤可以推荐该菜单上的第二道菜品作为推荐菜品。

本例子的菜品推荐方法，通过根据菜品之间的相似度，找到具有相似点菜习惯的菜单，并根据该相似菜单进行菜品推荐，能够较为符合顾客的口味习惯，从而使得所点菜品更加合理。

在另一个例子中，在菜品推荐时，为了使得推荐更加准确合理，还可以考虑其他影响菜品推荐的因素，比如，菜品的销量，或者就餐人数等。本例子将根据更多的因素进行菜品推荐，如图4所示，该方法可以包括：

在步骤401中，获取点餐历史信息。

图5示例了一种点餐场景，例如，服务员51可以使用一个点餐设备52来为顾客53点餐，比如，当顾客53点了一道菜时，服务员可以在点餐设备52上进行记录。点餐设备52可以通过网络将顾客点菜的点菜传输至后台服务器54，由服务器54对点菜菜单上的信息进行存储，这些存储的信息可以称为点餐历史信息。当然，图5仅是一种示例，用户还可以使用自己手机上的APP点餐，或者通过其他的点餐机点餐，这些都可以传输至服务器54存储。

首先，在存储内容上，可以将餐馆所有的菜品进行标号，以方便存储时的记录。如，拌黄瓜设置为1号，糖拌西红柿设置为2号等。点餐数据中还可以包括菜单上的就餐日期、就餐时间、点餐单号、消费金额等数据，例如，2013-03-21/12:01/20(460元)，第一部分代表就餐日期(如，2013-03-21)，第二部分代表开始点餐的时间即就餐时间(如，12:01)，第三部分代表点餐单号(第20单)，而460元即消费金额。

其次，在存储方式上，考虑到在实际的点餐过程中，服务员在向顾客推荐菜品时，顾客的就餐人数也会对菜品推荐产生影响，例如，2人就餐和7人就餐时所推荐的菜品可能不同，因此，本例子在存储点餐数据时，可以建立对应不同就餐人数的分类数据库，示例性的，如图5所示，可以包括[1-2人]数据库、[3-4人]数据库、[5-7人]数据库、[8-10人]数据库以及[10人以上]数据库。在后续的菜品推荐时，将引入就餐人数的影响，以使得菜品推荐更为合理。在存储点餐数据时，可以按照就餐人数存储至对应的分类数据库中。例如，如果一个点餐的菜单是3人就餐，就将该菜单中的点餐数据存储至[3-4人]数据库中。

经过上述的存储，相当于是将餐馆的每一个点餐的菜单都存储至数据库中，而且存储的数据包括该菜单上的就餐日期、就餐时间、点餐单号、消费金额、以及所点的菜品等数据，存储时是按照就餐人数分类存储。

进一步的，考虑到菜品在不同时段内的销量也会对菜品推荐造成影响，比如，即使两道菜品相似度较高，但是一般更倾向于推荐销量上更高的菜品，又比如，一道菜品在最近一个月内的销量与其在一个月之前的销量，对菜品推荐的影响是不同的，可以更倾向于推荐在最近一个月内销量较高的菜品，本例子的历史点菜菜单可以包括近期菜单和历史菜单。其中，近期菜单可以是距离当前时间较近的一段近期时长内的菜单，例如，距离当前一个月以内的菜单，而历史菜单可以是距离当前时间较远的一段历史时长内的菜单，例如，距离当前一个月以前的菜单。如图5所示，每个分类数据库中都可以包括近期菜单和历史菜单，图5中仅示意了[5-7人]数据库的不同时段菜单的划分。

为引入菜品销量对菜品推荐的影响，本例子在推荐菜品的计算中可以使用对应销量的“销量权值”，并且，可以进一步考虑销量权值对应的时间段，基于上述，本例子可以设定“历史销量权值”和“近期销量权值”。例如，所述的历史销量权值可以是依据菜品在一个月以前的销量计算的权值，近期销量权值可以是依据菜品在最近一个月以内的销量计算的权值。

例如，以一道菜品的历史销量权值的计算为例：

假设一个月以前的历史时间段总共只有一个月，在该一个月以内所有菜品的销量为3000笔，且一个月有30天。

计算所有菜品历史销量的平均值：3000笔/30天＝100笔。

计算所有菜品历史销量的标准差：SD(标准差)＝SQRT(开平方){SUM[(Xi-平均值)*(Xi-平均值)]/N}，其中，N是历史天数，Xi是所有菜品的每天销量。举例：开根号{【(1号销量-100)的平方+(2号销量-100)的平方+….+(30号销量-100)的平方】/30天}。假设结果是10【没有单位】。

对于某道菜来说，假设这道菜历史时段内总共卖出了200笔，则该菜品的历史销量权值为【200-100(平均值)】/【10标准差】＝10。

一道菜品的近期销量权值的计算方法同上，只是将历史时段内的销量替换为菜品在最近一个月内的销量即可，不再详述。此外，近期销量权值和历史销量权值都要在相同的分类数据库中应用，比如，两个都在1-2人数据库中使用，不能跨越不同的数据库，即可以根据同一个分类数据库中的点餐数据计算近期销量权值和历史销量权值。

并且，可以将一个月中所有的点餐数据进行收集，并独立存储，在每个月的最后一天时，按照用餐人数，进行用餐人数分类数据库的更新，相应的权值也进行更新。例如，可以一个月迭代一次，因为历史销量数据一个月之后会增加一个月的数据，而近期销量数据则会将上上一个月的数据改变成上一个月的数据，比如，我们当前日期是2016年3月份的一天，那么当前的历史销量为从最原始的一天到2016年1月31日，同时，当前的近期销量则为2016年2月1日到2016年2月29日整个2月的销售量，如果进入了4月份即4月1日时，历史销量则为从最原始的一天到2016年2月29号，而近期销量则变更为3月1日到3月31日之间的销售量。

在平时的点餐数据存储时，可以将一个月中的所有点餐数据收集和独立存储，在每个月的最后一天时，再将该月的数据根据就餐人数更新对应的各个分类数据库，例如，本月内的其中一个菜单加入至[1-2人]数据库，另一个菜单加入至[5-7人]数据库。

在另一个例子中，如图5所示，还可以将各个分类数据库中的菜单数据，按照消费金额进行消费档次的划分。例如，可以按照消费金额由高到低排序，将排序的前三分之一设置为高消费，中间三分之一为中档消费，后三分之一为低档消费；或者也可以采用其他划分方式，比如设置一定的消费金额范围，某一金额范围划为高档消费，某一金额范围划为中档消费范围。消费档次的划分，有助于后续菜品推荐时更加灵活和全面，可以向顾客推荐各个档次的人群可能适用的菜品。图5示意了某历史菜单集合中的消费档次划分，近期菜单集合和历史菜单集合都可以划分消费档次。

在完成上述的点餐数据收集、以及销量权值的计算后，如下步骤将利用这些参数来进行菜品推荐的计算。

在步骤402中，接收所述菜品集中选择的已点菜品，并获取就餐人数。

当顾客坐好，准备点菜的时候，服务人员可以进行就餐人数的录入，例如，5个人用餐，那么后续将选择5-7人的分类数据库进行菜品推荐的计算。在5-7人的分类数据库中，前面提到的历史点餐菜单上的点餐数据，可以分为历史菜单数据和近期菜单数据。

例如，此时在5-7人的分类数据库中，可以进行近期一个整月的所有凉菜品种的销量计算，因为我们默认的点菜顺序第一步是凉菜的选择，将凉菜销量按照由高到低进行排序，在给顾客进行推荐的时候，选出销量前10的菜品，展示给服务人员，供服务人员进行选择。

在步骤403中，在所述就餐人数对应的分类数据库中，根据已点菜品与各个菜单上的相应点菜顺序位的菜品之间的菜品相似度、以及所述菜单的菜品总数，得到未加权菜单相似度。

本步骤中，所述的点菜顺序位是菜单上的第几道菜，比如，以一个菜单为例，该菜单点的第一道菜是酸辣蕨根粉，第二道菜是干锅土豆片，那么酸辣蕨根粉的点菜顺序位是1，干锅土豆片的点菜顺序位是2。

具体的，每一个菜单中都可以包括顾客选择的菜品、以及菜品的顺序。本例子中，当顾客点了第一道菜之后，可以将5-7人分类数据库中的各个菜单的第一道菜与所述已点菜品比较，看哪个菜单的第一道菜与已点菜品类似。需要注意的是，由于后续涉及到销量权值的参与计算，因此本例子在计算时将历史数据与近期数据分开计算。

例如，未加权近期菜单相似度＝当前点餐菜品1和近期点餐菜单j上的菜品1的相似度数值/近期点餐菜单j上的菜品总数。

Similarity_unweighted_R_j＝substitution(X₁,R[n]_j1)/total_number R[n]_j

其中，n为相应的用餐人数分类数据库，如[1-2人]，或者[3-4人]，[5-7人]，[8-10人]，[10人以上]。

本例子中的一些符号的定义：X是当前菜单，i是菜单的第i道菜，例如，X1是当前点餐的第一道菜，X2是当前点餐的第二道菜。R[n]k是n人分类数据库中的第k个菜单，R[n]ki是n人分类数据库中近期的第k个菜单上的第i道菜，例如，R[1－2]21为1-2人分类数据库中，近期所有菜单第二单的第1道菜。同理，H[n]ki是n人分类数据库中历史的第k个菜单上的第i道菜，例如，H[1－2]21为1-2人分类数据库中，历史所有菜单第二单的第1道菜。

例如，如下计算未加权的已点的第一道菜与5-7人分类数据库中近期菜单中第10单的相似性，是第一道菜和数据库中近期菜单中第10单的第一道菜在菜品相似度矩阵中的相似度数值，然后将这个值除以对应的菜单长度即菜品总数。

Similarity_unweighted_R_10＝substitution(X₁,R[5-7]_10,1)/total_number R[5-7]₁₀

历史菜单的相似度的计算同理，

例如，未加权历史菜单相似度＝当前点餐菜品1和历史点餐菜单k上菜品1的相似度数值/历史点餐菜单k上的菜品总数。

Similarity_unweighted_H_k＝substitution(X₁,H[n]_k1)/total_number H[n]_k

其中，n为相应的用餐人数分类数据库，如[1-2人]，或者[3-4人]，[5-7人]，[8-10人]，[10人以上]。例如，如下计算未加权的已点的第一道点菜和5-7人分类数据库中，历史菜单中第10单的相似度。

Similarity_unweighted_H_10＝substitution(X₁,H[5-7]_10,1)/total_number H[5-7]₁₀

在步骤404中，根据所述未加权菜单相似度、所述分类数据库中的所述已点菜品的销量、以及销量权值，确定加权菜单相似度。

本步骤将考虑菜品的销量和销量权值，同样分为历史的和近期的。

例如，加权近期菜单相似度＝β＊当前近期菜单中的第一道菜品近期总量＊未加权近期菜单相似度。

Similarity_Weighted_R_j＝β*(total_number(X₁)in R[n])*Similarity_unweighted_R_j

如下计算已点的第一道菜品和5-7人分类数据库近期第10单的加权相似度：

Similarity_Weighted_R_10＝0.65*(total_number(X₁)in R[5-7])*Similarity_unweighted_R_10

例如，加权历史菜单相似度＝α＊当前历史菜单中的第一道菜品历史总量＊未加权历史菜单相似度。

Similarity_Weighted_H_k＝α*(total_number(X₁)in H[n])*Similarity_unweighted_H_k

如下计算已点的第一道菜品和5-7人分类数据库历史第10单的加权相似度：

Similarity_Weighted_H_10＝0.35*(total_number(X₁)in H[5-7])*Similarity_unweighted_H_10

在上述的公式中，β是近期销量权值，α是历史销量权值，例如，α的取值可以是0.35，β的取值可以是0.65。

在步骤405中，根据菜单的消费金额，确定不同消费档次的菜单集合，并在不同档次的菜单集合中，按照加权菜单相似度由高到低排序，选择前几位的菜单作为相似点菜菜单。

本步骤可以根据步骤404中得到的加权菜单相似度，选择所述加权菜单相似度在预定条件的历史点菜菜单，作为相似点菜菜单。例如，本例子的预定条件可以是加权菜单相似度排序较高的菜单。

例如，以近期菜单的计算为例，可以计算所有加权近期菜单相似度，并按照消费金额平均分成高，中，低三类。

例如，{Similarity_Weighted_R}[high]是近期加权菜单相似度中的高档消费集合；{Similarity_Weighted_R}[medium]是近期加权菜单相似度中的中档消费集合；{Similarity_Weighted_R}[low]是近期加权菜单相似度中的低档消费集合。

例如，以历史菜单为例，可以计算所有加权历史菜单相似度，并按照消费金额平均分成高，中，低三类。

例如，{Similarity_Weighted_H}[high]是历史加权菜单相似度中的高档消费集合；{Similarity_Weighted_R}[medium]历史加权菜单相似度中的中档消费集合；{Similarity_Weighted_H}[low]历史加权菜单相似度中的低档消费集合。

并且可以选出近期菜单相似度中，高，中，低档消费的每一档集合中的前5个相似度高的菜单作为推荐，并选出历史菜单相似度中，高，中，低档消费的每一档集合中的前5个相似度高的菜单作为推荐。

在步骤406中，将相似点菜菜单中的相应点菜顺序位的下一道菜品，作为推荐的菜品。

本例子中，可以将步骤405中所有三十个菜单进行显示，同时服务人员利用这三十个菜单当中的第二道菜进行菜品推荐。

接着，顾客点了第二道菜，有可能跟推荐重合，也有可能不重合，而此时进入了点第三道菜的阶段。那么对于该第三道菜的推荐，我们需要重复图4所示的流程，以此类推，直到点餐完毕，其中，每一道菜的推荐所根据的相似菜单可以不同，以第二道菜和第三道菜的推荐为例，推荐的第三道菜的所在菜单可以与第二道菜的菜单不同，不过这两个菜单在前两道菜的属性上很可能会比较类似。

本例子的菜品推荐方法，通过根据菜品之间的相似度，找到具有相似点菜习惯的菜单，并根据该相似菜单进行菜品推荐，能够较为符合顾客的口味习惯，并且，由于考虑了菜品销量、就餐人数等更多因素，可以使得菜品的推荐更加合理。

为了实现上述菜品推荐方法，本公开提供了一种菜品推荐装置，如图6所示，该装置可以包括：菜品获取模块61、菜单确定模块62和菜品确定模块63。

菜品获取模块61，用于获取所述菜品集中的已点菜品；

菜单确定模块62，用于根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量；

菜品确定模块63，用于将所述相似点菜菜单中的菜品，作为推荐的菜品。

在一个例子中，所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，具体为：所述已点菜品与历史点菜菜单上相应点菜顺序位的菜品之间的菜品相似度。菜品确定模块63，具体用于将相似点菜菜单中的相应点菜顺序位的下一道菜品，作为推荐的菜品。

在一个例子中，如图7所示，该装置还可以包括：相似度计算模块64，用于按照如下方法计算得到所述菜品相似度：根据所述菜品集中的所有菜品组建菜品词林，所述菜品词林包括多种菜品属性类型，每一种菜品属性类型中包括的菜品属性数量为多个，所述多种菜品属性类型之间形成树杈型结构；根据两道菜品在所述菜品词林中对应的两条树杈分支，确定所述两道菜品之间的菜品相似度。

在一个例子中，相似度计算模块64，在用于确定所述两道菜品之间的菜品相似度时，包括：对所述菜品集中的每一道菜品进行编码，所述编码中包括分别对应各个菜品属性类型的编码位，所述编码位的数值用于表示所述菜品具有的对应所述菜品属性类型的菜品属性；对所述两道菜品的编码进行比较，获得两道菜品之间的首次差异属性对应的分叉菜品属性类型，并根据所述分叉菜品属性类型包括的属性数量、以及两道菜品在分叉菜品属性类型中的相隔属性数量，得到菜品之间的菜品相似度。

在一个例子中，菜单确定模块62，具体用于：由就餐人数对应的分类数据库，获取多个历史点菜菜单；计算所述已点菜品与每一个历史点菜菜单的加权菜单相似度：根据所述已点菜品的点菜顺序位，获取所述已点菜品与所述历史点菜菜单上的相应点菜顺序位的菜品之间的菜品相似度；并根据所述菜品相似度以及所述历史点菜菜单的菜品总数，得到对应所述历史点菜菜单的未加权菜单相似度；根据所述未加权菜单相似度、所述分类数据库中的所述已点菜品的销量以及对应的销量权值，确定对应所述历史点菜菜单的加权菜单相似度；选择所述加权菜单相似度在预定条件的历史点菜菜单，作为相似点菜菜单。

在一个例子中，所述历史点菜菜单，是所述分类数据库中距离当前时间一段时长内的存储菜单，所述已点菜品的销量是对应所述时长内的历史销量，所述销量权值是对应所述时长内的销量权值；所述时长包括：距离当前时间较近的一段近期时长以及距离当前时间较远的一段历史时长。

本公开提供的菜品推荐方法的处理，例如，可以是在图5所示的点餐场景中的后台服务器54执行，但是本公开并不限于该方法执行所在的处理设备，比如在其他的例子中，还可以是点餐设备52执行，或者是某个独立的点餐终端等。如果将本公开的菜品推荐方法的执行设备称为菜品推荐处理设备，该设备可以包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。所述处理器执行所述程序时实现以下步骤：

获取所述菜品集中的已点菜品；

根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量；

将所述相似点菜菜单中的菜品，作为推荐的菜品。

所述的计算机程序可以包括用于实现本公开的菜品推荐方法的功能逻辑，可以包括本公开的菜品推荐装置中的各个功能模块。

本公开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，可以实现本公开的菜品推荐方法。

上述实施例阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (13)

1.一种菜品推荐方法，其特征在于，所述方法用于由菜品集中选择菜品进行推荐；所述方法包括：

获取所述菜品集中的已点菜品；

根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量；

将所述相似点菜菜单中的菜品，作为推荐的菜品。

2.根据权利要求1所述的方法，其特征在于，所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，具体为：所述已点菜品与历史点菜菜单上相应点菜顺序位的菜品之间的菜品相似度；

所述将所述相似点菜菜单中的菜品作为推荐的菜品，具体为：将相似点菜菜单中的相应点菜顺序位的下一道菜品，作为推荐的菜品。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：按照如下方法计算得到所述菜品相似度：

根据所述菜品集中的所有菜品组建菜品词林，所述菜品词林包括多种菜品属性类型，每一种菜品属性类型中包括的菜品属性数量为多个，所述多种菜品属性类型之间形成树杈型结构；

根据两道菜品在所述菜品词林中对应的两条树杈分支，确定所述两道菜品之间的菜品相似度。

4.根据权利要求3所述的方法，其特征在于，所述根据两道菜品在所述菜品词林中对应的两条树杈分支，确定所述两道菜品之间的菜品相似度，包括：

对所述菜品集中的每一道菜品进行编码，所述编码中包括分别对应各个菜品属性类型的编码位，所述编码位的数值用于表示所述菜品具有的对应所述菜品属性类型的菜品属性；

对所述两道菜品的编码进行比较，获得两道菜品之间的首次差异属性对应的分叉菜品属性类型，并根据所述分叉菜品属性类型包括的属性数量、以及两道菜品在分叉菜品属性类型中的相隔属性数量，得到菜品之间的菜品相似度。

5.根据权利要求1～4任一所述的方法，其特征在于，所述根据已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，包括：

由就餐人数对应的分类数据库，获取多个历史点菜菜单；

计算所述已点菜品与每一个历史点菜菜单的加权菜单相似度：根据所述已点菜品的点菜顺序位，获取所述已点菜品与所述历史点菜菜单上的相应点菜顺序位的菜品之间的菜品相似度；并根据所述菜品相似度以及所述历史点菜菜单的菜品总数，得到对应所述历史点菜菜单的未加权菜单相似度；根据所述未加权菜单相似度、所述分类数据库中的所述已点菜品的销量以及对应的销量权值，确定对应所述历史点菜菜单的加权菜单相似度；

选择所述加权菜单相似度在预定条件的历史点菜菜单，作为相似点菜菜单。

6.根据权利要求5所述的方法，其特征在于，

所述历史点菜菜单，是所述分类数据库中距离当前时间一段时长内的存储菜单，所述已点菜品的销量是对应所述时长内的历史销量，所述销量权值是对应所述时长内的销量权值；所述时长包括：距离当前时间较近的一段近期时长以及距离当前时间较远的一段历史时长。

7.根据权利要求5所述的方法，其特征在于，所述选择所述加权菜单相似度在预定条件的历史点菜菜单，作为相似点菜菜单，包括：

根据所述历史点菜菜单的消费金额，确定不同消费档次的菜单集合；

在不同档次的菜单集合中，按照所述加权菜单相似度由高到低排序，选择在预定排位的菜单作为所述相似点菜菜单。

8.一种菜品推荐装置，其特征在于，所述装置用于由菜品集中选择菜品进行推荐；所述装置包括：

菜品获取模块，用于获取所述菜品集中的已点菜品；

菜单确定模块，用于根据所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，确定相似点菜菜单，所述菜品相似度是根据菜品自身属性计算得到的菜品属性差异度量；

菜品确定模块，用于将所述相似点菜菜单中的菜品，作为推荐的菜品。

9.根据权利要求8所述的装置，其特征在于，所述已点菜品与历史点菜菜单上的菜品之间的菜品相似度，具体为：所述已点菜品与历史点菜菜单上相应点菜顺序位的菜品之间的菜品相似度；

所述菜品确定模块，具体用于将相似点菜菜单中的相应点菜顺序位的下一道菜品，作为推荐的菜品。

10.根据权利要求8所述的装置，其特征在于，所述装置还包括：

相似度计算模块，用于按照如下方法计算得到所述菜品相似度：根据所述菜品集中的所有菜品组建菜品词林，所述菜品词林包括多种菜品属性类型，每一种菜品属性类型中包括的菜品属性数量为多个，所述多种菜品属性类型之间形成树杈型结构；根据两道菜品在所述菜品词林中对应的两条树杈分支，确定所述两道菜品之间的菜品相似度。

11.根据权利要求10所述的装置，其特征在于，

所述相似度计算模块，在用于确定所述两道菜品之间的菜品相似度时，包括：对所述菜品集中的每一道菜品进行编码，所述编码中包括分别对应各个菜品属性类型的编码位，所述编码位的数值用于表示所述菜品具有的对应所述菜品属性类型的菜品属性；对所述两道菜品的编码进行比较，获得两道菜品之间的首次差异属性对应的分叉菜品属性类型，并根据所述分叉菜品属性类型包括的属性数量、以及两道菜品在分叉菜品属性类型中的相隔属性数量，得到菜品之间的菜品相似度。

12.根据权利要求8～11任一所述的装置，其特征在于，

所述菜单确定模块，具体用于：由就餐人数对应的分类数据库，获取多个历史点菜菜单；计算所述已点菜品与每一个历史点菜菜单的加权菜单相似度：根据所述已点菜品的点菜顺序位，获取所述已点菜品与所述历史点菜菜单上的相应点菜顺序位的菜品之间的菜品相似度；并根据所述菜品相似度以及所述历史点菜菜单的菜品总数，得到对应所述历史点菜菜单的未加权菜单相似度；根据所述未加权菜单相似度、所述分类数据库中的所述已点菜品的销量以及对应的销量权值，确定对应所述历史点菜菜单的加权菜单相似度；选择所述加权菜单相似度在预定条件的历史点菜菜单，作为相似点菜菜单。

13.根据权利要求12所述的装置，其特征在于，

所述历史点菜菜单，是所述分类数据库中距离当前时间一段时长内的存储菜单，所述已点菜品的销量是对应所述时长内的历史销量，所述销量权值是对应所述时长内的销量权值；所述时长包括：距离当前时间较近的一段近期时长以及距离当前时间较远的一段历史时长。