CN109345317B - 用户口味偏好信息的确定方法及装置 - Google Patents

Abstract

本发明公开了一种用户口味偏好信息的确定方法及装置，涉及电子信息领域，该方法包括：获取目标用户的用户行为数据，将与目标用户的用户行为数据相关联的各个商户确定为与目标用户相对应的目标商户；针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据；根据目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定目标用户的用户口味偏好信息。借助商户口味分布数据计算得到的用户口味偏好信息能够充分考虑了各个商户的口味特点，从而提升了计算结果的准确性，且整个方案中不依赖于人工标注方式，节约了人力成本，提升了标注效率。

Description

用户口味偏好信息的确定方法及装置

技术领域

本发明涉及电子信息领域，具体涉及一种用户口味偏好信息的确定方法及装置。

背景技术

随着餐饮行业的快速发展，餐品的种类和数量日益繁多，在带给用户更多满足的同时，也给用户的点餐环节带来了诸多困扰。当用户面对琳琅满目的菜单时，往往无法快速定位自己的偏好菜品，容易陷入点餐困境，致使用户面对数量多、品种杂的菜品而无从入手。

为了给用户的点餐环节提供便利，大多根据用户口味偏好信息进行有针对性地推荐。相应地，用户口味偏好信息的准确性直接关系到推荐结果的可靠性。为了便于获取到用户口味偏好信息，目前业界主流的实现方法是采用人群标签技术，主要基于用户分类模型的方法实现。具体地，预先建立口味标签体系，并对用户群体进行分群采样，采集用户行为数据后，人工标注各个用户的口味偏好标签，以形成训练人群。接下来，对用户行为数据抽取特征，进而根据抽取到的特征训练得到多标签模型，以便根据该多标签模型预测各个用户的口味偏好标签。

但是，发明人在实现本发明的过程中，发现上述方式至少存在如下问题：上述方式必须依赖于人工标注来实现，该方式需要耗费大量的人力成本，标注效率较低，并且，受限于人的主观经验的影响，准确率也不高。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种用户口味偏好信息的确定方法及装置。

根据本发明的一个方面，提供了一种用户口味偏好信息的确定方法，包括：

获取目标用户的用户行为数据，将与所述目标用户的用户行为数据相关联的各个商户确定为与所述目标用户相对应的目标商户；

针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据；

根据所述目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定所述目标用户的用户口味偏好信息。

可选地，所述确定该目标商户的商户属性信息包括：按照预设的属性划分规则，确定该目标商户的商户属性信息；

其中，所述属性划分规则包括以下中的至少一个：类目划分子规则、地域划分子规则、以及品牌划分子规则。

可选地，所述类目划分子规则进一步包括：多个类目级别下的分类子规则，所述多个类目级别至少包括：用于划分中餐和/或西餐的一级类目级别、用于划分川菜、和/或江浙菜的二级类目级别；

和/或，所述地域划分子规则进一步包括：多个地域级别下的分类子规则，所述多个地域级别至少包括：用于划分省级行政区的一级地域级别、用于划分市级行政区的二级地域级别；

并且，当所述属性划分规则包括多个子规则时，所述目标商户的商户属性信息为多维度属性信息；则与目标商户的商户属性信息相对应的商户口味分布数据包括：与目标商户的多维度属性信息中包含的各个维度的组合相对应的商户口味分布数据。

可选地，与目标商户的商户属性信息相对应的商户口味分布数据包括：分别与各种预设口味相对应的口味概率分值；

则所述根据所述目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定所述目标用户的用户口味偏好信息包括：

根据所述目标用户的用户行为数据确定所述目标用户与各个目标商户相对应的交互次数；

根据所述目标用户与各个目标商户相对应的交互次数，以及与各个目标商户的商户属性信息相对应的商户口味分布数据中包含的分别与各种预设口味相对应的口味概率分值，计算所述目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值。

可选地，所述目标用户的用户行为数据包括以下类型中的至少一个：支付类行为数据、浏览类行为数据、和/或点餐类行为数据；

则所述目标用户与各个目标商户相对应的交互次数进一步包括以下中的至少一个：与支付类行为数据相对应的支付类交互次数、与浏览类行为数据相对应的浏览类交互次数、和/或点餐类行为数据相对应的点餐类交互次数；

并且，所述计算所述目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值进一步包括：结合预设的支付类交互次数、浏览类交互次数和/或点餐类交互次数所对应的交互权重值进行计算。

可选地，所述方法执行之前，进一步包括：

获取各个样本用户的用户行为数据，将与各个样本用户的用户行为数据相关联的各个商户确定为与各个样本用户相对应的样本商户；

针对每个样本商户，确定该样本商户的商户属性信息，并按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据，得到预设的与各个商户的商户属性信息相对应的商户口味分布数据。

可选地，所述按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据包括：

将所述与各个样本商户的商户属性信息相对应的商户口味分布数据确定为待测参数，将各个样本用户的用户口味偏好信息确定为隐含变量，将所述各个样本用户的用户行为数据确定为观测数据；

根据所述观测数据，对所述待测参数以及所述隐含变量进行迭代运算，根据迭代运算结果确定所述待测参数的收敛值；

根据所述待测参数的收敛值确定与各个样本商户的商户属性信息相对应的商户口味分布数据。

可选地，所述根据所述观测数据，对所述待测参数以及隐含变量进行迭代运算，根据迭代运算结果确定所述待测参数的收敛值包括：

根据所述观测数据，为所述待测参数赋予初始值；

根据所述待测参数的初始值，通过期望极大值算法，迭代计算所述隐含变量以及所述待测参数在各轮迭代运算中的迭代值；

其中，每一轮迭代运算结束后，根据上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的比较结果确定算法是否收敛，并将算法收敛时所对应的待测参数的迭代值作为所述待测参数的收敛值。

可选地，所述根据所述观测数据，为所述待测参数赋予初始值包括：

根据所述观测数据，确定商户与餐品之间的映射关系；

根据所述商户与餐品之间的映射关系，以及预设餐品库中存储的各个餐品的口味标签，为所述待测参数赋予初始值。

可选地，所述确定所述目标用户的用户口味偏好信息之后，进一步包括：

根据所述目标用户的用户口味偏好信息为所述目标用户设置对应的口味标签，并显示所述口味标签；和/或，

根据目标用户的用户口味偏好信息，为所述目标用户推送与其用户口味偏好信息相匹配的商户和/或餐品。

根据本发明的另一个方面，提供了一种用户口味偏好信息的确定装置，包括：

目标商户确定模块，适于获取目标用户的用户行为数据，将与所述目标用户的用户行为数据相关联的各个商户确定为与所述目标用户相对应的目标商户；

查询模块，适于针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据；

口味偏好确定模块，适于根据所述目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定所述目标用户的用户口味偏好信息。

可选地，所述查询模块具体适于：按照预设的属性划分规则，确定该目标商户的商户属性信息；

其中，所述属性划分规则包括以下中的至少一个：类目划分子规则、地域划分子规则、以及品牌划分子规则。

可选地，所述类目划分子规则进一步包括：多个类目级别下的分类子规则，所述多个类目级别至少包括：用于划分中餐和/或西餐的一级类目级别、用于划分川菜、和/或江浙菜的二级类目级别；

和/或，所述地域划分子规则进一步包括：多个地域级别下的分类子规则，所述多个地域级别至少包括：用于划分省级行政区的一级地域级别、用于划分市级行政区的二级地域级别；

并且，当所述属性划分规则包括多个子规则时，所述目标商户的商户属性信息为多维度属性信息；则与目标商户的商户属性信息相对应的商户口味分布数据包括：与目标商户的多维度属性信息中包含的各个维度的组合相对应的商户口味分布数据。

可选地，与目标商户的商户属性信息相对应的商户口味分布数据包括：分别与各种预设口味相对应的口味概率分值；

则所述口味偏好确定模块具体适于：

根据所述目标用户的用户行为数据确定所述目标用户与各个目标商户相对应的交互次数；

根据所述目标用户与各个目标商户相对应的交互次数，以及与各个目标商户的商户属性信息相对应的商户口味分布数据中包含的分别与各种预设口味相对应的口味概率分值，计算所述目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值。

可选地，所述目标用户的用户行为数据包括以下类型中的至少一个：支付类行为数据、浏览类行为数据、和/或点餐类行为数据；

则所述目标用户与各个目标商户相对应的交互次数进一步包括以下中的至少一个：与支付类行为数据相对应的支付类交互次数、与浏览类行为数据相对应的浏览类交互次数、和/或点餐类行为数据相对应的点餐类交互次数；

并且，所述口味偏好确定模块具体适于进一步适于：结合预设的支付类交互次数、浏览类交互次数和/或点餐类交互次数所对应的交互权重值进行计算。

可选地，所述装置进一步包括：

预设分布数据模块，适于获取各个样本用户的用户行为数据，将与各个样本用户的用户行为数据相关联的各个商户确定为与各个样本用户相对应的样本商户；针对每个样本商户，确定该样本商户的商户属性信息，并按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据，得到预设的与各个商户的商户属性信息相对应的商户口味分布数据。

可选地，所述预设分布数据模块具体适于：

将所述与各个样本商户的商户属性信息相对应的商户口味分布数据确定为待测参数，将各个样本用户的用户口味偏好信息确定为隐含变量，将所述各个样本用户的用户行为数据确定为观测数据；

根据所述观测数据，对所述待测参数以及所述隐含变量进行迭代运算，根据迭代运算结果确定所述待测参数的收敛值；

根据所述待测参数的收敛值确定与各个样本商户的商户属性信息相对应的商户口味分布数据。

可选地，所述预设分布数据模块具体适于：

根据所述观测数据，为所述待测参数赋予初始值；

根据所述待测参数的初始值，通过期望极大值算法，迭代计算所述隐含变量以及所述待测参数在各轮迭代运算中的迭代值；

其中，每一轮迭代运算结束后，根据上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的比较结果确定算法是否收敛，并将算法收敛时所对应的待测参数的迭代值作为所述待测参数的收敛值。

可选地，所述预设分布数据模块具体适于：

根据所述观测数据，确定商户与餐品之间的映射关系；

根据所述商户与餐品之间的映射关系，以及预设餐品库中存储的各个餐品的口味标签，为所述待测参数赋予初始值。

依据本发明的再一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的用户口味偏好信息的确定方法对应的操作。

依据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述的用户口味偏好信息的确定方法对应的操作。

在本发明提供的用户口味偏好信息的确定方法及装置中，首先，将与目标用户的用户行为数据相关联的各个商户确定为与目标用户相对应的目标商户；然后，针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据；最后，根据目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定目标用户的用户口味偏好信息。由此可见，该方式中通过预先设置与各个目标商户的商户属性信息相对应的商户口味分布数据，并根据该商户口味分布数据与用户行为数据确定目标用户的用户口味偏好信息。由于商户的商户属性信息所对应的商户口味分布数据与用户口味偏好信息之间具有直接关联，因此，借助商户口味分布数据计算得到的用户口味偏好信息能够充分考虑了各个商户的口味特点，从而提升了计算结果的准确性，且整个方案中不依赖于人工标注方式，节约了人力成本，提升了标注效率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例一提供的一种用户口味偏好信息的确定方法的流程图；

图2示出了本发明实施例二提供的一种用户口味偏好信息的确定方法的流程图；

图3示出了本发明实施例三提供的一种用户口味偏好信息的确定装置的结构图；

图4示出了本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

图1示出了本发明实施例一提供的一种用户口味偏好信息的确定方法的流程图。如图1所示，该方法包括：

步骤S110：获取目标用户的用户行为数据，将与目标用户的用户行为数据相关联的各个商户确定为与目标用户相对应的目标商户。

其中，目标用户是指：需要确定用户口味偏好信息的用户，该目标用户既可以是一个具体的用户，也可以是一类用户群体，本发明对此不做限定。目标用户的用户行为数据泛指与用户口味相关的各类行为数据，例如，包括但不限于：支付类行为数据、浏览类行为数据、和/或点餐类行为数据。

另外，与目标用户的用户行为数据相关联的各个商户是指：目标用户的用户行为数据所对应的商户，包括但不限于：支付类行为数据所对应的商户、浏览类行为数据所对应的商户、和/或点餐类行为数据所对应的商户。相应地，与目标用户相对应的目标商户实质上是指：与该目标用户发生交互类行为的商户，该交互类行为包括上文提到的支付类行为、浏览类行为、和/或点餐类行为等各类交互行为。

步骤S120：针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据。

其中，商户的商户属性信息用于描述该商户的特征，凡是与确定用户口味偏好信息相关的商户的特征均可作为商户属性信息。通过商户属性信息能够实现商户画像，从而准确刻画出该商户的概貌。例如，商户属性信息可以根据类目划分子规则、地域划分子规则、和/或品牌划分子规则进行确定，相应地，能够从商户的类目、地域、和/或品牌等维度刻画一个商户。具体实施时，可以增加商户属性信息的维度，从而能够唯一地刻画出每一个商户的特征，或者，也可以减少商户属性信息的维度，以便粗略地刻画出一类商户的通用特征，具体地，可根据应用场景中包含的商户数量以及算法的精确度要求设置商户属性信息的维度数量。

其中，预设的与各个目标商户的商户属性信息相对应的商户口味分布数据用于描述各个目标商户的商户属性信息所对应的商户口味情况。其中，该商户口味情况具体可包括多种内涵，例如，可以包括一个商户中每种口味的餐品占该商户中全部餐品的比例(比如一个商户的全部餐品中有80％的餐品的口味为辣，20％的餐品的口味为甜)；又如，可以包括一个商户中每种口味的餐品所对应的口味得分(比如商户A的餐品中口味为辣的餐品比商户B的餐品中口味为辣的餐品更辣，则商户A与辣相对应的口味得分高于商户B与辣相对应的口味得分)。总而言之，本领域技术人员可以灵活设置商户口味分布数据的具体内涵，只要能够反映商户的餐品口味即可。

另外，在预先确定商户的商户属性信息相对应的商户口味分布数据时，可通过多种方式确定，例如，既可以根据预设数量的商户样本进行调研确定，也可以通过各类数学算法确定，本发明不限定商户口味分布数据的具体确定方式。

步骤S130：根据目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定目标用户的用户口味偏好信息。

具体地，可通过多种方式来确定目标用户的用户口味偏好信息，例如，可以根据目标用户的用户行为数据，确定各个目标商户与该目标用户之间的交互次数和/或交互深度，进而根据交互次数和/或交互深度，从各个目标商户中筛选出交互商户，并根据交互商户的商户口味分布数据估算目标用户的用户口味偏好信息。其中，交互次数越多和/或交互深度越深的商户，越容易被选为交互商户。其中，交互深度可以结合各类交互行为所对应的交互权重值进行计算。例如，支付类交互行为的交互权重值大于点餐类交互行为的交互权重值，而点餐类交互行为的交互权重值又大于浏览类交互行为的交互权重值。

由此可见，该方式中通过预先设置与各个目标商户的商户属性信息相对应的商户口味分布数据，并根据该商户口味分布数据与用户行为数据确定目标用户的用户口味偏好信息。由于商户的商户属性信息所对应的商户口味分布数据与用户口味偏好信息之间具有直接关联，因此，借助商户口味分布数据计算得到的用户口味偏好信息能够充分考虑各个商户的口味特点，从而提升了计算结果的准确性，且整个方案中不依赖于人工标注方式，节约了人力成本，提升了标注效率。

图2示出了本发明实施例二提供的一种用户口味偏好信息的确定方法的流程图。其中，发明人在实现本发明的过程中发现，商户口味分布数据与用户口味偏好信息之间存在紧密关联，因此，基于商户口味分布数据计算用户口味偏好信息能够显著提升计算准确度和效率。如图2所示，该方法包括：

步骤S200：获取各个样本用户的用户行为数据，将与各个样本用户的用户行为数据相关联的各个商户确定为与各个样本用户相对应的样本商户。

其中，步骤S200可以预先执行，通过步骤S200能够获取到样本用户的用户行为数据，进而将与各个样本用户的用户行为数据相关联的各个商户确定为与各个样本用户相对应的样本商户。其中，样本用户可通过多种方式确定，例如，可以将预设历史时段内产生了用户行为的用户确定为样本用户；又如，还可以将部分活跃用户确定为样本用户。本发明不限定样本用户的具体来源和范围。该步骤的具体实现细节与步骤S110类似，本领域技术人员可参照步骤S110的实现方式。

步骤S201：针对每个样本商户，按照预设的属性划分规则，确定该样本商户的商户属性信息，并按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据，得到预设的与各个商户的商户属性信息相对应的商户口味分布数据。

其中，样本商户的商户属性信息可参照步骤S120中相关部分的描述。在本实施例中，属性划分规则包括以下中的至少一个：类目划分子规则、地域划分子规则、以及品牌划分子规则。其中，类目划分子规则进一步包括：多个类目级别下的分类子规则，多个类目级别至少包括：用于划分中餐和/或西餐的一级类目级别、用于划分川菜、和/或江浙菜的二级类目级别。由此可见，本实施例通过设置多级类目分类体系能够针对商户的类型进行细致划分，由于商户类目与其餐品口味存在密切关联，因此，通过类目划分有利于准确刻画商户的口味特征。另外，地域划分子规则进一步包括：多个地域级别下的分类子规则，多个地域级别至少包括：用于划分省级行政区的一级地域级别(例如：上海、四川)、用于划分市级行政区的二级地域级别。由此可见，通过多个地域级别能够准确确定商户所处的地域，由于地域差异与菜品口味存在密切关联，因此，通过地域能够准确刻画商户的口味特征。

具体地，发明人在实现本发明的过程中发现：用户的口味偏好信息与该用户所点菜品的菜品口味相关，并且，还与该用户发生过交互行为(包括支付类交互、浏览类交互或点餐类交互)的商户的商户属性信息所对应的商户口味分布数据相关。其中，菜品口味是菜品本身的一个固有属性，不随时间、地域等外在信息而变化，因此这部分的信息可以借由预设餐品库获取，属于常量类信息。而商户属性信息所对应的商户口味分布数据则可以通过用户行为迭代而产生。即：如果已知商户属性信息所对应的商户口味分布数据，则可以结合用户行为数据计算得到用户口味偏好信息；相应地，得到用户口味偏好信息之后，又可以基于这些用户的用户行为数据，计算新一轮的商户属性信息所对应的商户口味分布数据。由此可见，商户属性信息所对应的商户口味分布数据与用户口味偏好信息之间存在循环依赖关系，二者可以借由用户行为数据进行相互推导。基于二者之间的循环依赖关系，在按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据时，可通过以下方式实现：首先，将与各个样本商户的商户属性信息相对应的商户口味分布数据确定为待测参数，将各个样本用户的用户口味偏好信息确定为隐含变量，将各个样本用户的用户行为数据确定为观测数据；然后，根据观测数据，对待测参数以及隐含变量进行迭代运算，根据迭代运算结果确定待测参数的收敛值；最后，根据待测参数的收敛值确定与各个样本商户的商户属性信息相对应的商户口味分布数据。由此可见，观测数据是可以观测到的确定性内容，而隐含变量则是无法观察到的不确定性内容，而待测参数与隐含变量之间存在相互依赖关系，因此，通过迭代运算能够最终确定待测参数的收敛值。具体可通过多种迭代运算进行求解，本发明对具体的数学算法不做限定。

在本实施例的一种具体实现方式中，通过期望极大值算法进行循环迭代运算。具体地，在根据观测数据，对待测参数以及隐含变量进行迭代运算，根据迭代运算结果确定待测参数的收敛值时，通过以下方式实现：

首先，根据观测数据，为待测参数赋予初始值。通过该操作，能够实现待测参数的初始化。具体地，根据观测数据，确定商户与餐品之间的映射关系；根据商户与餐品之间的映射关系，以及预设餐品库中存储的各个餐品的口味标签，为待测参数赋予初始值。例如，通过各个样本用户的用户行为数据能够确定各个用户点餐时所点的餐品、餐品所在的商户以及商户的商户属性信息等具体内容，从而通过用户的点餐行为确定各个商户具体包含哪些餐品，进而建立商户与餐品之间的映射关系。接下来，由于预设餐品库中预先存储了各个餐品的口味标签，因此，可以基于商户包含的各个餐品的口味标签初始化该商户所对应的商户口味分布数据，从而得到待测参数的初始值。

然后，根据待测参数的初始值，通过期望极大值算法，迭代计算隐含变量以及待测参数在各轮迭代运算中的迭代值；其中，每一轮迭代运算结束后，根据上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的比较结果确定算法是否收敛，并将算法收敛时所对应的待测参数的迭代值作为待测参数的收敛值。具体地，期望极大值算法(expectationmaximizition algorithm，EM)是一种迭代算法，用于含有隐含变量(hidden variable)的概率模型参数的极大似然估计。EM算法完成参数的初始化之后进一步分为如下两步：第一步，求期望(简称E步)；第二步，求极大值(简称M步)，通过循环执行E步以及M步，即可确定待测参数的数值。

其中，E步用于求取隐含变量Z的期望，可通过如下公式实现：

其中，Y表示观测数据(即用户行为数据)，Z表示隐含变量(即用户口味偏好信息)，θ⁽ⁱ⁾表示第i次迭代过程中待测参数(即商户口味分布数据)的估计值。首先根据待测参数的初始值进行迭代(根据初始值进行首轮迭代时i取值为0)。其中，P(Z|Y,θ⁽ⁱ⁾)是在给定观测数据Y和当前的参数估计值θ⁽ⁱ⁾下隐含变量Z的条件概率分布。在这一步中，通过初始化的商户口味分布数据，结合用户行为数据，计算新一轮的用户口味分布。

M步用于求取能够使隐含变量Z的期望值达到最大的参数取值。可通过以下公式得到：Q⁽ⁱ⁾＝argmaxQ(θ,θ⁽ⁱ⁾)。通过该公式，能够根据隐含变量的最新迭代值，估算出新一轮的参数θ⁽ⁱ⁾。循环迭代整个过程，直至整个算法收敛为止。之后即可获取到收敛后的参数θ，并以此计算得到隐变量Z，即用户口味偏好分布。其中，当每一轮迭代运算结束后，根据上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的比较结果确定算法是否收敛时，可根据预设的运算误差判断，例如，当上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的差值小于预设的运算误差时，则表示算法收敛。

举例而言，在E步过程中，假设用户小红的用户行为数据中包含10次支付行为，其中，9次支付行为发生在位于四川的川菜馆，1次支付行为发生在位于上海的甜品店，再假设位于四川的川菜馆的商户属性信息所对应的商户口味分布数据的初始值为：口味“辣”所对应的口味概率分值为0.9，口味“甜”所对应的口味概率分值为0.01；位于上海的甜品店的商户属性信息所对应的商户口味分布数据的初始值为：口味“辣”所对应的口味概率分值为0.1，口味“甜”所对应的口味概率分值为0.8。相应地，根据上述用户行为数据以及商户口味分布数据的初始值计算用户小红的用户口味偏好信息中包含的与口味“辣”相对应的口味期望分值为：[9(次)*0.9+1(次)*0.1]/10＝0.82。同理，用户小红的用户口味偏好信息中包含的与口味“甜”相对应的口味期望分值为：[9(次)*0.01+1(次)*0.8]/10＝0.089。由此可见，在E步过程中，通过用户行为数据以及商户口味分布数据的当前迭代值能够计算出用户的口味期望分值，从而得到用户口味偏好信息。相应地，在M步过程中，通过用户行为数据以及用户口味偏好信息的当前迭代值能够计算出商户口味分布数据，从而完成待测参数的修正。例如，以上文提到的位于四川的川菜馆为例，假设其商户属性信息所对应的商户口味分布数据的当前迭代值为0.6。再假设根据用户行为数据以及用户口味偏好信息可知，样本用户一的用户口味偏好信息中包含的与口味“辣”相对应的口味期望分值的当前迭代值为0.8，且样本用户一的10次支付行为中有9次发生在川菜馆；样本用户二的用户口味偏好信息中包含的与口味“辣”相对应的口味期望分值的当前迭代值为0.7，且样本用户二的10次支付行为中有8次发生在川菜馆；样本用户三的用户口味偏好信息中包含的与口味“辣”相对应的口味期望分值的当前迭代值为0.9，且样本用户三的10次支付行为中有10次发生在川菜馆。相应地，根据上述数据计算川菜馆的商户口味分布数据中口味“辣”所对应的最新迭代值为：[9(次)*0.8+8(次)*0.7+10(次)*0.9]/30＝0.727。由于川菜馆的商户口味分布数据中口味“辣”所对应的最新迭代值0.727大于上一轮迭代过程中的当前迭代值0.6，因此，需要上调川菜馆的商户口味分布数据中口味“辣”所对应的的数值，以使期望最大化。

由此可见，通过E步能够根据用户行为数据以及商户口味分布数据的当前迭代值计算用户口味偏好信息的最新迭代值，相应地，通过M步能够根据用户行为数据以及用户口味偏好信息的最新迭代值修正商户口味分布数据的迭代值，从而通过多轮循环迭代过程使商户口味分布数据的迭代值达到最优解。另外，为了避免短期内的偶然性用户行为数据对修正结果造成干扰，可以预先规定每轮迭代过程中针对商户口味分布数据的迭代值进行修正的修正量不超过预设梯度阈值。例如，在上例中，假设预设梯度阈值为0.05，则在根据川菜馆的商户口味分布数据中口味“辣”所对应的最新迭代值0.727对上一轮迭代过程中的当前迭代值0.6进行修正时，不能一次性将0.6直接修正为0.727，而是在本轮迭代过程中将0.6修正为0.65，从而通过多轮迭代逐步将待测参数修正为最优解。

步骤S210：获取目标用户的用户行为数据，将与目标用户的用户行为数据相关联的各个商户确定为与目标用户相对应的目标商户。

其中，目标用户是指：需要确定用户口味偏好信息的用户，该目标用户既可以是一个具体的用户，也可以是一类用户群体，本发明对此不做限定。目标用户的用户行为数据泛指与用户口味相关的各类行为数据，例如，包括但不限于：支付类行为数据、浏览类行为数据、和/或点餐类行为数据。

另外，与目标用户的用户行为数据相关联的各个商户是指：目标用户的用户行为数据所对应的商户，包括但不限于：支付类行为数据所对应的商户、浏览类行为数据所对应的商户、和/或点餐类行为数据所对应的商户。相应地，与目标用户相对应的目标商户实质上是指：与该目标用户发生交互类行为的商户，该交互类行为包括上文提到的支付类行为、浏览类行为、和/或点餐类行为等各类交互行为。

步骤S220：针对每个目标商户，按照预设的属性划分规则，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据。

其中，当属性划分规则包括多个子规则时，目标商户的商户属性信息为多维度属性信息；则与目标商户的商户属性信息相对应的商户口味分布数据包括：与目标商户的多维度属性信息中包含的各个维度的组合相对应的商户口味分布数据。例如，假设目标商户为位于四川的川菜馆，则需要查询与地域属性“四川”以及类目属性“川菜馆”这一组合相对应的商户属性信息，从而通过多个维度的组合来综合描述一个商户的特征。

另外，预设的与各个目标商户的商户属性信息相对应的商户口味分布数据可以包括：分别与各种预设口味相对应的口味概率分值。该口味概率分值用于表示该商户中的餐品的口味为相应口味的概率。其中，预设口味可以包括多种，例如，辣、甜、咸、清淡等等，在上文的举例中仅以辣和甜两种口味进行举例，实际上，商户口味分布数据可以包括多种预设口味所对应的数据。

步骤S230：根据目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定目标用户的用户口味偏好信息。

其中，用户口味偏好信息可以包含分别与各种预设口味相对应的口味期望分值，从而通过口味期望分值体现该用户针对特定口味的偏好程度。具体地，根据目标用户的用户行为数据确定目标用户与各个目标商户相对应的交互次数；根据目标用户与各个目标商户相对应的交互次数，以及与各个目标商户的商户属性信息相对应的商户口味分布数据中包含的分别与各种预设口味相对应的口味概率分值，计算目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值。

其中，目标用户的用户行为数据包括以下类型中的至少一个：支付类行为数据、浏览类行为数据、和/或点餐类行为数据；则目标用户与各个目标商户相对应的交互次数进一步包括以下中的至少一个：与支付类行为数据相对应的支付类交互次数、与浏览类行为数据相对应的浏览类交互次数、和/或点餐类行为数据相对应的点餐类交互次数。相应地，考虑到不同类型的交互行为的重要程度不同，例如，浏览类交互行为的重要程度较低，而支付类交互行为的重要程度较高，可以预先分别针对各种类型的交互行为设置对应的交互权重值，则计算目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值进一步包括：结合预设的支付类交互次数、浏览类交互次数和/或点餐类交互次数所对应的交互权重值进行加权计算，从而使计算结果更能反映用户的真实偏好。

步骤S240：根据目标用户的用户口味偏好信息为目标用户设置对应的口味标签，并显示口味标签；和/或，根据目标用户的用户口味偏好信息，为目标用户推送与其用户口味偏好信息相匹配的商户和/或餐品。

通过该步骤能够将目标用户的用户口味偏好信息所对应的口味标签显示在用户终端，以便于用户间的相互了解，还可以由用户对显示的标签进行更正，从而利用接收到的更正结果进一步对算法进行修正，以提升后续计算的准确率。另外，还可以根据目标用户的用户口味偏好信息，为目标用户推送与其用户口味偏好信息相匹配的商户和/或餐品，从而实现个性化推送。

上述步骤S200以及步骤S201可以为预先离线执行的步骤，从而预先得到与各个商户的商户属性信息相对应的商户口味分布数据，以便于在后续的步骤S220至步骤S240中在线计算目标用户的用户口味偏好信息。当然，步骤S200以及步骤S201也可以在在线环节中不断更新，以便充分体现线上环境的变化。

综上可知，现有技术中基于用户分类模型实现的多标签模型仅仅关注与训练人群类似的人群的口味偏好，难以泛化到更大规模的人群，对于没有出现在训练人群的新人，其口味标签的准确率难以保证。并且，现有的用户分类模型依赖于大量的人工标注，用户的行为数据差异度相当大，不存在统一的标注规范，容易造成训练集标准不一。本发明中的方式能够很好地克服上述不足，通过EM算法基于用户的行为数据迭代更新用户的口味偏好标签。在迭代过程中，本发明引入了商户的类目分类体系与所在地域(即商户属性信息)，计算其口味分布，进而将这些分布与用户行为结合后形成用户的最终口味标签。整个过程不依赖于任何的人工标注，大大节省了人力成本。同时，在商户属性信息所对应的商户口味分布数据已确定的前提下，由商户口味分布数据所扩展得到的用户口味偏好，可以在保证准确率的同时，覆盖更为广泛的用户群体。既保证了整个算法的准确性，又极大提升了召回率，同时整个算法在迭代过程中，没有人为干预，算法可以自行完成所有的迭代计算，大大降低了用户的隐私保护问题的风险。由此可见，本发明把计算用户口味偏好问题转化为与商户口味分布数据相关的迭代问题，以部分活跃用户的点餐行为数据作为种子，对商户口味分布数据进行初始化后，利用EM算法的思想，通过不断迭代更新商户口味分布数据，进而同步更新用户的口味偏好分布，直至算法收敛。

实施例三

图3示出了本发明实施例三提供的一种用户口味偏好信息的确定装置的结构示意图，该装置包括：

目标商户确定模块31，适于获取目标用户的用户行为数据，将与所述目标用户的用户行为数据相关联的各个商户确定为与所述目标用户相对应的目标商户；

查询模块32，适于针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据；

口味偏好确定模块33，适于根据所述目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定所述目标用户的用户口味偏好信息。

可选地，所述查询模块32具体适于：按照预设的属性划分规则，确定该目标商户的商户属性信息；

其中，所述属性划分规则包括以下中的至少一个：类目划分子规则、地域划分子规则、以及品牌划分子规则。

可选地，所述类目划分子规则进一步包括：多个类目级别下的分类子规则，所述多个类目级别至少包括：用于划分中餐和/或西餐的一级类目级别、用于划分川菜、和/或江浙菜的二级类目级别；

和/或，所述地域划分子规则进一步包括：多个地域级别下的分类子规则，所述多个地域级别至少包括：用于划分省级行政区的一级地域级别、用于划分市级行政区的二级地域级别；

并且，当所述属性划分规则包括多个子规则时，所述目标商户的商户属性信息为多维度属性信息；则与目标商户的商户属性信息相对应的商户口味分布数据包括：与目标商户的多维度属性信息中包含的各个维度的组合相对应的商户口味分布数据。

可选地，与目标商户的商户属性信息相对应的商户口味分布数据包括：分别与各种预设口味相对应的口味概率分值；

则所述口味偏好确定模块33具体适于：

根据所述目标用户的用户行为数据确定所述目标用户与各个目标商户相对应的交互次数；

根据所述目标用户与各个目标商户相对应的交互次数，以及与各个目标商户的商户属性信息相对应的商户口味分布数据中包含的分别与各种预设口味相对应的口味概率分值，计算所述目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值。

可选地，所述目标用户的用户行为数据包括以下类型中的至少一个：支付类行为数据、浏览类行为数据、和/或点餐类行为数据；

则所述目标用户与各个目标商户相对应的交互次数进一步包括以下中的至少一个：与支付类行为数据相对应的支付类交互次数、与浏览类行为数据相对应的浏览类交互次数、和/或点餐类行为数据相对应的点餐类交互次数；

并且，所述口味偏好确定模块具体适于进一步适于：结合预设的支付类交互次数、浏览类交互次数和/或点餐类交互次数所对应的交互权重值进行计算。

可选地，所述装置进一步包括：

预设分布数据模块34，适于获取各个样本用户的用户行为数据，将与各个样本用户的用户行为数据相关联的各个商户确定为与各个样本用户相对应的样本商户；针对每个样本商户，确定该样本商户的商户属性信息，并按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据，得到预设的与各个商户的商户属性信息相对应的商户口味分布数据。

可选地，所述预设分布数据模块34具体适于：

将所述与各个样本商户的商户属性信息相对应的商户口味分布数据确定为待测参数，将各个样本用户的用户口味偏好信息确定为隐含变量，将所述各个样本用户的用户行为数据确定为观测数据；

根据所述观测数据，对所述待测参数以及所述隐含变量进行迭代运算，根据迭代运算结果确定所述待测参数的收敛值；

根据所述待测参数的收敛值确定与各个样本商户的商户属性信息相对应的商户口味分布数据。

可选地，所述预设分布数据模块34具体适于：

根据所述观测数据，为所述待测参数赋予初始值；

根据所述待测参数的初始值，通过期望极大值算法，迭代计算所述隐含变量以及所述待测参数在各轮迭代运算中的迭代值；

其中，每一轮迭代运算结束后，根据上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的比较结果确定算法是否收敛，并将算法收敛时所对应的待测参数的迭代值作为所述待测参数的收敛值。

可选地，所述预设分布数据模块34具体适于：

根据所述观测数据，确定商户与餐品之间的映射关系；

根据所述商户与餐品之间的映射关系，以及预设餐品库中存储的各个餐品的口味标签，为所述待测参数赋予初始值。

关于上述各个模块的具体结构和工作原理可参照方法实施例中相应部分的描述，此处不再赘述。

实施例四

本申请实施例四提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的用户口味偏好信息的确定方法。可执行指令具体可以用于使得处理器执行上述方法实施例中对应的各个操作。

实施例五

图4示出了根据本发明实施例五的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。

如图4所示，该电子设备可以包括：处理器(processor)402、通信接口(Communications Interface)406、存储器(memory)404、以及通信总线408。

其中：

处理器402、通信接口406、以及存储器404通过通信总线408完成相互间的通信。

通信接口406，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器402，用于执行程序410，具体可以执行上述用户口味偏好信息的确定方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。

处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器404，用于存放程序410。存储器404可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行上述方法实施例中对应的各个操作。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的基于语音输入信息的抽奖系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (19)

1.一种用户口味偏好信息的确定方法，包括：

获取目标用户的用户行为数据，将与所述目标用户的用户行为数据相关联的各个商户确定为与所述目标用户相对应的目标商户；

针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据；

根据所述目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定所述目标用户的用户口味偏好信息；

其中，与目标商户的商户属性信息相对应的商户口味分布数据包括：分别与各种预设口味相对应的口味概率分值；则所述根据所述目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定所述目标用户的用户口味偏好信息包括：根据所述目标用户的用户行为数据确定所述目标用户与各个目标商户相对应的交互次数；根据所述目标用户与各个目标商户相对应的交互次数，以及与各个目标商户的商户属性信息相对应的商户口味分布数据中包含的分别与各种预设口味相对应的口味概率分值，计算所述目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值。

2.根据权利要求1所述的方法，其中，所述确定该目标商户的商户属性信息包括：按照预设的属性划分规则，确定该目标商户的商户属性信息；

其中，所述属性划分规则包括以下中的至少一个：类目划分子规则、地域划分子规则、以及品牌划分子规则。

3.根据权利要求2所述的方法，其中，所述类目划分子规则进一步包括：多个类目级别下的分类子规则，所述多个类目级别至少包括：用于划分中餐和/或西餐的一级类目级别、用于划分川菜、和/或江浙菜的二级类目级别；

和/或，所述地域划分子规则进一步包括：多个地域级别下的分类子规则，所述多个地域级别至少包括：用于划分省级行政区的一级地域级别、用于划分市级行政区的二级地域级别；

并且，当所述属性划分规则包括多个子规则时，所述目标商户的商户属性信息为多维度属性信息；则与目标商户的商户属性信息相对应的商户口味分布数据包括：与目标商户的多维度属性信息中包含的各个维度的组合相对应的商户口味分布数据。

4.根据权利要求1所述的方法，其中，所述目标用户的用户行为数据包括以下类型中的至少一个：支付类行为数据、浏览类行为数据、和/或点餐类行为数据；

则所述目标用户与各个目标商户相对应的交互次数进一步包括以下中的至少一个：与支付类行为数据相对应的支付类交互次数、与浏览类行为数据相对应的浏览类交互次数、和/或点餐类行为数据相对应的点餐类交互次数；

并且，所述计算所述目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值进一步包括：结合预设的支付类交互次数、浏览类交互次数和/或点餐类交互次数所对应的交互权重值进行计算。

5.根据权利要求1-3任一所述的方法，其中，所述方法执行之前，进一步包括：

获取各个样本用户的用户行为数据，将与各个样本用户的用户行为数据相关联的各个商户确定为与各个样本用户相对应的样本商户；

针对每个样本商户，确定该样本商户的商户属性信息，并按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据，得到预设的与各个商户的商户属性信息相对应的商户口味分布数据。

6.根据权利要求5所述的方法，其中，所述按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据包括：

将所述与各个样本商户的商户属性信息相对应的商户口味分布数据确定为待测参数，将各个样本用户的用户口味偏好信息确定为隐含变量，将所述各个样本用户的用户行为数据确定为观测数据；

根据所述观测数据，对所述待测参数以及所述隐含变量进行迭代运算，根据迭代运算结果确定所述待测参数的收敛值；

根据所述待测参数的收敛值确定与各个样本商户的商户属性信息相对应的商户口味分布数据。

7.根据权利要求6所述的方法，其中，所述根据所述观测数据，对所述待测参数以及隐含变量进行迭代运算，根据迭代运算结果确定所述待测参数的收敛值包括：

根据所述观测数据，为所述待测参数赋予初始值；

根据所述待测参数的初始值，通过期望极大值算法，迭代计算所述隐含变量以及所述待测参数在各轮迭代运算中的迭代值；

其中，每一轮迭代运算结束后，根据上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的比较结果确定算法是否收敛，并将算法收敛时所对应的待测参数的迭代值作为所述待测参数的收敛值。

8.根据权利要求7所述的方法，其中，所述根据所述观测数据，为所述待测参数赋予初始值包括：

根据所述观测数据，确定商户与餐品之间的映射关系；

根据所述商户与餐品之间的映射关系，以及预设餐品库中存储的各个餐品的口味标签，为所述待测参数赋予初始值。

9.根据权利要求1-3任一所述的方法，其中，所述确定所述目标用户的用户口味偏好信息之后，进一步包括：

根据所述目标用户的用户口味偏好信息为所述目标用户设置对应的口味标签，并显示所述口味标签；和/或，

根据目标用户的用户口味偏好信息，为所述目标用户推送与其用户口味偏好信息相匹配的商户和/或餐品。

10.一种用户口味偏好信息的确定装置，包括：

目标商户确定模块，适于获取目标用户的用户行为数据，将与所述目标用户的用户行为数据相关联的各个商户确定为与所述目标用户相对应的目标商户；

查询模块，适于针对每个目标商户，确定该目标商户的商户属性信息，查询预设的与该目标商户的商户属性信息相对应的商户口味分布数据；

口味偏好确定模块，适于根据所述目标用户的用户行为数据，以及查询到的与各个目标商户的商户属性信息相对应的商户口味分布数据，确定所述目标用户的用户口味偏好信息；

其中，与目标商户的商户属性信息相对应的商户口味分布数据包括：分别与各种预设口味相对应的口味概率分值；所述口味偏好确定模块具体适于：

根据所述目标用户的用户行为数据确定所述目标用户与各个目标商户相对应的交互次数；

根据所述目标用户与各个目标商户相对应的交互次数，以及与各个目标商户的商户属性信息相对应的商户口味分布数据中包含的分别与各种预设口味相对应的口味概率分值，计算所述目标用户的用户口味偏好信息中包含的分别与各种预设口味相对应的口味期望分值。

11.根据权利要求10所述的装置，其中，所述查询模块具体适于：按照预设的属性划分规则，确定该目标商户的商户属性信息；

其中，所述属性划分规则包括以下中的至少一个：类目划分子规则、地域划分子规则、以及品牌划分子规则。

12.根据权利要求11所述的装置，其中，所述类目划分子规则进一步包括：多个类目级别下的分类子规则，所述多个类目级别至少包括：用于划分中餐和/或西餐的一级类目级别、用于划分川菜、和/或江浙菜的二级类目级别；

和/或，所述地域划分子规则进一步包括：多个地域级别下的分类子规则，所述多个地域级别至少包括：用于划分省级行政区的一级地域级别、用于划分市级行政区的二级地域级别；

并且，当所述属性划分规则包括多个子规则时，所述目标商户的商户属性信息为多维度属性信息；则与目标商户的商户属性信息相对应的商户口味分布数据包括：与目标商户的多维度属性信息中包含的各个维度的组合相对应的商户口味分布数据。

13.根据权利要求10所述的装置，其中，所述目标用户的用户行为数据包括以下类型中的至少一个：支付类行为数据、浏览类行为数据、和/或点餐类行为数据；

则所述目标用户与各个目标商户相对应的交互次数进一步包括以下中的至少一个：与支付类行为数据相对应的支付类交互次数、与浏览类行为数据相对应的浏览类交互次数、和/或点餐类行为数据相对应的点餐类交互次数；

并且，所述口味偏好确定模块具体适于进一步适于：结合预设的支付类交互次数、浏览类交互次数和/或点餐类交互次数所对应的交互权重值进行计算。

14.根据权利要求10-12任一所述的装置，其中，所述装置进一步包括：

预设分布数据模块，适于获取各个样本用户的用户行为数据，将与各个样本用户的用户行为数据相关联的各个商户确定为与各个样本用户相对应的样本商户；针对每个样本商户，确定该样本商户的商户属性信息，并按照预设运算规则计算与各个样本商户的商户属性信息相对应的商户口味分布数据，得到预设的与各个商户的商户属性信息相对应的商户口味分布数据。

15.根据权利要求14所述的装置，其中，所述预设分布数据模块具体适于：

将所述与各个样本商户的商户属性信息相对应的商户口味分布数据确定为待测参数，将各个样本用户的用户口味偏好信息确定为隐含变量，将所述各个样本用户的用户行为数据确定为观测数据；

根据所述观测数据，对所述待测参数以及所述隐含变量进行迭代运算，根据迭代运算结果确定所述待测参数的收敛值；

根据所述待测参数的收敛值确定与各个样本商户的商户属性信息相对应的商户口味分布数据。

16.根据权利要求15所述的装置，其中，所述预设分布数据模块具体适于：

根据所述观测数据，为所述待测参数赋予初始值；

根据所述待测参数的初始值，通过期望极大值算法，迭代计算所述隐含变量以及所述待测参数在各轮迭代运算中的迭代值；

其中，每一轮迭代运算结束后，根据上一轮迭代运算中的迭代值与本轮迭代运算中的迭代值之间的比较结果确定算法是否收敛，并将算法收敛时所对应的待测参数的迭代值作为所述待测参数的收敛值。

17.根据权利要求16所述的装置，其中，所述预设分布数据模块具体适于：

根据所述观测数据，确定商户与餐品之间的映射关系；

根据所述商户与餐品之间的映射关系，以及预设餐品库中存储的各个餐品的口味标签，为所述待测参数赋予初始值。

18.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-9中任一项所述的用户口味偏好信息的确定方法对应的操作。

19.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-9中任一项所述的用户口味偏好信息的确定方法对应的操作。

Images