CN109816469A - 基于大数据的菜品推荐方法及服务器 - Google Patents

Abstract

本发明公开了一种基于大数据的菜品推荐方法及服务器，当侦测到用户进入所述点餐页面，且当用户不是新用户时，获取用户的第一点餐历史信息，根据第一点餐历史信息分析用户的点餐喜好，并根据所述点餐喜好确定点餐喜好标签，将点餐喜好标签与预先训练的多个点餐喜好模型的标签进行一一匹配，并计算相应的匹配值，将匹配值最高的点餐喜好模型中的菜品显示于点餐页面。本发明提供的基于大数据的菜品推荐方法、服务器、计算机及存储介质，能够为用户推荐较为精准的菜品，同时提高菜品的点击率以及增加网站流量和用餐用户数量。

Description

基于大数据的菜品推荐方法及服务器

技术领域

本发明涉及大数据领域，尤其涉及一种基于大数据的菜品推荐方法、服务器、计算机设备及存储介质。

背景技术

现有点餐系统(例如：美团)中，当用户进入点餐页面时，系统向用户推荐周围评分高、受欢迎度高的商家，而不同商家的菜品则根据评分的高低或推荐量的高低排列，以供用户参考。然，现有的点餐系统缺乏个性化的推荐，不能根据用户平时的点餐习惯并结合与用户口味相近的其他用户的点餐记录，精准地向其推荐合乎口味的商家以及菜品。

发明内容

有鉴于此，本发明提出一种基于大数据的菜品推荐方法、服务器、计算机设备及存储介质，能够为用户推荐较为精准的菜品，同时能够提高菜品的点击率以及增加网站流量和用餐用户数量。

首先，为实现上述目的，本发明提出一种基于大数据的菜品推荐方法，应用于服务器中，所述方法包括步骤：

侦测用户是否进入点餐页面；

当侦测到所述用户进入所述点餐页面时，判断所述用户是否为新用户；

当所述用户不是新用户时，获取所述用户的第一点餐历史信息；

根据所述第一点餐历史信息分析所述用户的点餐喜好，并根据所述点餐喜好确定点餐喜好标签；

将所述点餐喜好标签与预先训练的多个点餐喜好模型的标签进行一一匹配，并计算相应的匹配值；及

将匹配值最高的点餐喜好模型中的菜品显示于所述点餐页面。

进一步地，所述侦测用户是进入点餐页面步骤之前，还包括步骤：

获取其他用户的第二点餐历史信息；

根据所述第二点餐历史信息分析所述其他用户的点餐喜好，并确定对应的点餐喜好标签；及

将所述其他用户的点餐喜好标签按照相似度的高低进行分类，以训练成所述多个点餐喜好模型，并将所述第二点餐历史信息中的菜品保存至对应的喜好模型中。

进一步地，所述判断所述用户是否为新用户的步骤之后还包括：

若所述用户为新用户，则将点餐喜好模型的标识显示于所述点餐页面以向用户推荐所述喜好模型中的菜品；及

当所述用户点餐完成后，记录所述用户的点餐信息。

进一步地，所述点餐喜好至少包括：辣、不辣以及甜。

进一步地，所述方法还包括：

从数据库获取各地方饮食特色信息及与所述各地方饮食特色信息对应的第一标签信息；及

根据所述第一标签信息训练对应的点餐喜好模型

进一步地，从数据库获取各地的就餐环境信息以及与所述就餐环境信息对应的第二标签信息，其中所述就餐环境信息包括：快餐店、小炒店及高档餐厅；及

根据所述第二标签信息训练对应的点餐喜好模型。

进一步地，所述将所述其他用户的点餐喜好按照相似度的高低进行分类，以训练成所述多个喜好模型的步骤还包括：

若所述其他用户中至少一个用户的点餐喜好为辣，则训练出的点餐喜好模型为辣模型；

若所述其他用户中至少一个用户的点餐喜好为不辣，则训练出的点餐喜好模型为不辣模型；及

若所述其他用户中至少一个用户的点餐喜好为甜，则训练出的点餐喜好模型为甜模型。

此外，为实现上述目的，本发明还提供一种服务器，其包括：

侦测模块，适于侦测用户是否进入点餐页面；

判断模块，适于当侦测到所述用户进入所述点餐页面时，判断所述用户是否为新用户；

获取模块，适于当所述用户不是新用户时，获取所述用户的第一点餐历史信息；

分析模块，适于根据所述第一点餐历史信息分析所述用户的点餐喜好，并根据所述点餐喜好确定点餐喜好标签；

计算模块，适于将所述点餐喜好标签与预先训练的多个点餐喜好模型的标签进行一一匹配，并计算相应的匹配值；及

显示模块，适于将匹配值最高的点餐喜好模型中的菜品显示于所述点餐页面。

进一步地，所述获取模块还适于获取其他用户的第二点餐历史信息；所述分析模块还适于根据所述第二点餐历史信息分析所述其他用户的点餐喜好，并确定对应的点餐喜好标签；所述服务器还包括训练模块，所述训练模块适于将所述其他用户的点餐喜好标签按照相似度的高低进行分类，以训练成所述多个点餐喜好模型，并将所述第二点餐历史信息中的菜品保存至对应的喜好模型中。

进一步地，所述显示模块还适于若所述用户为新用户，则将点餐喜好模型的标识显示于所述点餐页面以向用户推荐所述喜好模型中的菜品；所述服务器还包括记录模块，所述记录模块适于当所述用户点餐完成后，记录所述用户的点餐信息。

进一步地，所述点餐喜好至少包括：辣、不辣以及甜。

进一步地，所述获取模块还适于从数据库获取各地方饮食特色信息及与所述各地方饮食特色信息对应的第一标签信息，所述训练模块还适于根据所述第一标签信息训练对应的点餐喜好模型。

进一步地，所述获取模块还适于从数据库获取各地的就餐环境信息以及与所述就餐环境信息对应的第二标签信息，其中所述就餐环境信息包括：快餐店、小炒店及高档餐厅，所述训练模块还适于根据所述第二标签信息训练对应的点餐喜好模型。

进一步地，所述训练模块，还适于若所述其他用户中至少一个用户的点餐喜好为辣，则训练出的点餐喜好模型为辣模型；若所述其他用户中至少一个用户的点餐喜好为不辣，则训练出的点餐喜好模型为不辣模型；若所述其他用户中至少一个用户的点餐喜好为甜，则训练出的点餐喜好模型为甜模型。

为实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在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方法的步骤。

为实现上述目的，本发明还提供计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

相较于现有技术，本发明所提出的基于大数据的菜品推荐方法、服务器、计算机设备及存储介质，通过将人工智能和大数据结合，能够根据用户的历史点餐记录，并结合与用户喜好相同的其他用户的点餐历史记录，为该用户推荐较为精准的菜品，同时能够提高菜品的点击率以及增加网站流量和用餐用户数量。

附图说明

图1是本发明实施例之服务器的硬件架构示意图；

图2是本发明第一实施例之菜品推荐系统的程序模块示意图；

图3是本发明第二实施例之菜品推荐系统的程序模块示意图；

图4是本发明第三、四实施例之菜品推荐系统的程序模块示意图；

图5是本发明第一实施例之菜品推荐方法的流程示意图；

图6是本发明第二实施例之菜品推荐方法的流程示意图；

图7是本发明第三实施例之菜品推荐方法的流程示意图。

附图标记：

服务器	20
		存储器	21
处理器	22
		网络接口	23
菜品推荐系统	24
		侦测模块	201
判断模块	202
		获取模块	203
分析模块	204
		计算模块	205
显示模块	206
		训练模块	207
记录模块	208

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个所述特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参阅图1所示，是本发明服务器20一可选的硬件架构示意图。服务器20包括，但不仅限于，可通过系统总线相互通信连接存储器21、处理22以及网络接口23，图2仅示出了具有组件21-23的服务器20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述服务器20的内部存储单元，例如该服务器20的硬盘或内存。在另一些实施例中，所述存储器也可以是所述服务器20的外部存储设备，例如该服务器20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述服务器20的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述服务器20的操作系统和各类应用软件，例如菜品推荐系统24的程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述服务器20的总体操作。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述菜品推荐系统24等。

所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述服务器20与其他电子设备之间建立通信连接。

至此，己经详细介绍了本发明相关设备的硬件结构和功能。下面，将基于上述介绍提出本发明的各个实施例。

首先，本发明提出一种菜品推荐系统24。

第一实施例

参阅图2所示，是本发明第一实施例之菜品推荐系统的程序模块示意图。

本实施例中，所述菜品推荐系统24包括一系列的存储于存储器21上的计算机程序指令，当所述计算机程序指令被处理器22执行时，可以实现本发明各实施例的菜品推荐操作。在一些实施例中，基于所述计算机程序指令各部分所实现的特定的操作，菜品推荐系统24可以被划分为一个或多个模块。例如，在图2中，所述菜品推荐系统24可以被分割成侦测模块201、判断模块202、获取模块203、分析模块204、计算模块205以及显示模块206。其中：

所述侦测模块201，适于侦测用户是否进入点餐页面。

在一较佳实施例中，用户可通过手机扫描二维码、手机APP等方式进入点餐页面，当用户扫描二维码或点击手机点餐APP时，所述侦测模块201侦测用户进入点餐页面。

判断模块202，适于当侦测到所述用户进入所述点餐页面时，判断所述用户是否为新用户。

具体地，当所述侦测模块201侦测到用户进入点餐页面时，获取该用户的身份信息，并将该身份信息与存储的用户信息列表进行比对，若存储的用户信息列表中不存在该用户的身份信息，则判断模块202判断该用户为新用户，否则不是新用户。

获取模块203，适于当所述用户不是新用户时，获取所述用户的第一点餐历史信息。

在一较佳实施例中，用户每次点完餐后，所述菜品推荐系统24均会记录用户的点餐信息。当用户再次进入点餐页面需要点餐时，所述侦测模块201侦测到用户进入点餐页面，然后，所述获取模块203获取该用户的点餐历史信息。例如：该用户点过的红烧肉、剁椒鱼头、辣椒炒肉。

分析模块204，适于根据所述第一点餐历史信息分析所述用户的点餐喜好，并根据所述点餐喜好确定点餐喜好标签。

在一较佳实施例中，所述分析模块204根据用户的点餐历史信息，分析用户的点餐喜好，其中，所述点餐喜好至少包括：辣、不辣以及甜。例如：若用户的点餐历史中包括红烧肉、剁椒鱼头、辣椒炒肉等，均为辣的菜品，则该用户的点餐喜好为辣，对应的点餐喜好标签为辣；若用户的点餐历史中包括青菜、水蒸蛋、清蒸鱼等，均为不辣的菜品，则该用户的点餐喜好为不辣，对应的点餐喜好标签为不辣；若用户的点餐历史中包括糖醋排骨、糖醋里脊等，均为甜的菜品，则该用户的点餐喜好为甜，对应的点餐喜好标签为甜。

计算模块205，适于将所述点餐喜好标签与预先训练的多个点餐喜好模型的标签进行一一匹配，并计算相应的匹配值。所述多个点餐喜好模型分别包括多个菜品。

具体地，若所述分析模块204分析出用户喜欢辣的菜品，也即该用户的点餐喜好标签为辣，则将辣的点餐喜好标签与菜品推荐系统24中预先训练出来的多个点餐喜好模型进行一一匹配，并计算点餐用户的点餐喜好标签为辣与训练的多个点餐喜好模型的标签的匹配值，其中所述点餐喜好模型至少包括辣模型、不辣模型以及甜模型。例如：分别计算点餐用户的点餐喜好为辣与辣模型、不辣模型以及甜模型的匹配值。

举例说明：若用户的点餐喜好为辣，则该用户的点餐喜好与辣模型的匹配值为90，与不辣模型的匹配值为50，与甜模型的匹配值为40。若用户的点餐喜好为不辣，则该用户的点餐喜好与辣模型的匹配值为50，与不辣模型的匹配值为90，与甜模型的匹配值为70。若用户的点餐喜好为甜，则该用户的点餐喜好与辣模型的匹配值为50，与不辣模型的匹配值为75，与甜模型的匹配值为90。

显示模块206，适于将匹配值最高的点餐喜好模型中的菜品显示于所述点餐页面。

具体地，若所述分析模块204分析出点餐用户喜欢辣的菜品，而在所述菜品推荐系统24训练的点餐喜好模型---辣模型、不辣模型以及甜模型中，与用户喜欢的菜品最为匹配的点餐喜好模型是辣模型，则所述显示模块206将辣模型中的菜品显示于用户的点餐页面以推荐给用户。

通过本实施例，通过将人工智能和大数据结合，能够根据用户的历史点餐记录，并结合与用户喜好相同的其他用户的点餐历史记录，为该用户推荐较为精准的菜品，同时能够提高菜品的点击率以及增加网站流量和用餐用户数量。

第二实施例

请参阅图3，是本发明第二实施例菜品推荐系统的程序模块示意图。

在本实施例中，所述菜品推荐系统24除了包括第一实施例中的侦测模块201、判断模块202、获取模块203、分析模块204、计算模块205以及显示模块206之外，还包括训练模块207。

所述获取模块203，还适于获取其他用户的第二点餐历史信息。

所述分析模块204，还适于根据所述第二点餐历史信息分析所述其他用户的点餐喜好，并确定对应的点餐喜好标签。

所述训练模块207，适于将所述其他用户的点餐喜好标签按照相似度的高低进行分类，以训练成所述多个点餐喜好模型，并将所述第二点餐历史信息中的菜品保存至对应的喜好模型中。

在一较佳实施例中，当用户进入点餐页面之前，所述获取模块203获取其他用户的点餐历史信息，所述分析模块204根据其他用户的点餐历史信息分析其他用户的点餐喜好(例如：辣、不辣以及甜)，并确定其对应的点餐喜好标签(例如：辣、不辣以及甜)。然后，所述训练模块207将其他用户的点餐喜好标签按照相似度的高低进行分类，并将喜好相近的点餐历史信息中的菜品训练成一个点餐喜好模型，例如：喜好辣的辣模型、喜好不辣的不辣模型以及喜好甜的甜模型。其中，每个点餐喜好模型包括对应的点餐历史信息中的多个菜品，例如：辣模型中包括剁椒鱼头、辣椒炒肉，不辣模型中包括蒸南瓜、芋头排骨，甜模型中包括糖醋排骨、糖醋里脊等。

在另一较佳实施例中，所述获取模块204从数据库中获取各地方饮食特色信息，所述训练模块207根据所述个地方饮食特色标签信息训练对应的点餐喜好模型。例如：杭州小笼包以及叫花童子鸡的标签信息为杭州菜，则训练出的点餐喜好模型为杭州菜。

在另一较佳实施例中，所述获取模块204还用于获取各地的就餐环境(例如：快餐店、小炒店或高档餐厅)，所述训练模块207根据就餐环境标签信息训练对应的点餐喜好模型。例如：小炒快餐对应的标签信息为快餐，则训练出的点餐喜好模型为快餐。

第三实施例

请继续参阅图4所示，是本发明第三实施例之菜品推荐系统的程序模块示意图。

在本实施例中，所述菜品推荐系统24除包括第二实施例中侦测模块201、判断模块202、获取模块203、分析模块204、计算模块205、显示模块206以及训练模块207之外，还包括记录模块208。

其中，所述显示模块206，还适于若所述用户为新用户，则将点餐喜好模型的标识显示于所述点餐页面以向用户推荐所述喜好模型中的菜品。

所述记录模块208，适于当所述用户点餐完成后，记录所述用户的点餐信息。

在另一较佳实施例中，当所述侦测模块201侦测到用户为新用户时，所述显示模块206将点餐喜好模型标识显示于点餐页面以向用户推荐菜品。例如：用户A从未在该菜品推荐系统24用过餐，则该菜品推荐系统24存储的用户信息列表中不存在该用户的身份信息，所述显示模块206将辣模型、不辣模型以及甜模型的标识显示于点餐页面以供用户选择对应模型下的菜品。当用户点餐完毕后，所述记录模块208自动记录该用户的点餐信息以供所述菜品推荐系统24在该用户下次点餐时，为该用户推荐合乎该用户口味的菜品。

第四实施例

请继续参阅图4，是本发明第四实施例之菜品推荐系统的程序模块示意图。

在本实施例中，所述训练模块207除执行第三实施例中的操作之外，还执行：

所述训练模块207，还具体适于当所述其他用户中至少一个用户的点餐喜好为辣时，训练出的点餐喜好模型为辣模型；当所述其他用户中至少一个用户的点餐喜好为不辣时，训练出的点餐喜好模型为不辣模型；当所述其他用户中至少一个用户的点餐喜好为甜时，训练出的点餐喜好模型为甜模型。

此外，本发明还提出一种菜品推荐方法。

参阅图5所示，是本发明菜品推荐方法之第一实施例的流程示意图。所述菜品推荐方法应用于服务器20中。在本实施例中，根据不同的需求，图5所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。

步骤S500，侦测用户是否进入点餐页面。若进入点餐页面，则执行步骤S501，否则继续执行步骤S500。

在一较佳实施例中，用户可通过手机扫描二维码、手机APP等方式进入点餐页面，当用户扫描二维码或点击手机点餐APP时，所述服务器20侦测用户进入点餐页面。

步骤S501，判断所述用户是否为新用户。若为新用户，则执行步骤S502，否则执行步骤S504。

具体地，当所述服务器20侦测到用户进入点餐页面时，获取该用户的身份信息，并将该身份信息与存储的用户信息列表进行比对，若存储的用户信息列表中不存在该用户的身份信息，则判断该用户为新用户，否则不是新用户。

步骤S502，将点餐喜好模型的标识显示于所述点餐页面以向用户推荐所述喜好模型中的菜品。

步骤S503，当所述用户点餐完成后，记录所述用户的点餐信息。

在一较佳实施例中，当所述服务器20侦测到用户为新用户时，将点餐喜好模型标识显示于点餐页面以向用户推荐菜品。例如：用户A从未在通过该点餐页面用过餐，则存储的用户信息列表中不存在该用户的身份信息，所述服务器20将辣模型、不辣模型以及甜模型的标识显示于点餐页面以供用户选择对应模型下的菜品。当用户点餐完毕后，所述服务器20自动记录该用户的点餐信息以供在该用户下次点餐时，为该用户推荐合乎该用户口味的菜品。

步骤S504，获取所述用户的第一点餐历史信息。

在一较佳实施例中，用户每次点完餐后，所述服务器20均会记录用户的点餐信息。当用户再次进入点餐页面需要点餐时，所述服务器20侦测到用户进入点餐页面，并获取该用户的点餐历史信息。例如：该用户点过的红烧肉、剁椒鱼头、辣椒炒肉。

步骤S505，根据所述第一点餐历史信息分析所述用户的点餐喜好，并根据所述点餐喜好确定点餐喜好标签，其中，所述点餐喜好至少包括：辣、不辣以及甜。

在一较佳实施例中，所述服务器20根据用户的点餐历史信息，分析用户的点餐喜好，其中，所述点餐喜好至少包括：辣、不辣以及甜。例如：若用户的点餐历史中包括红烧肉、剁椒鱼头、辣椒炒肉等，均为辣的菜品，则该用户的点餐喜好为辣，对应的点餐喜好标签为辣；若用户的点餐历史中包括青菜、水蒸蛋、清蒸鱼等，均为不辣的菜品，则该用户的点餐喜好为不辣，对应的点餐喜好标签为不辣；若用户的点餐历史中包括糖醋排骨、糖醋里脊等，均为甜的菜品，则该用户的点餐喜好为甜，对应的点餐喜好标签为甜。

步骤S506，将所述点餐喜好标签与预先训练的多个点餐喜好模型的标签进行一一匹配，并计算相应的匹配值。所述多个点餐喜好模型至少包括辣模型、不辣模型以及甜模型，所述多个点餐喜好模型中分别包括多个菜品。

具体地，若所述服务器20分析出用户喜欢辣的菜品，也即该用户的点餐喜好标签为辣，则将辣的点餐喜好标签与预先训练出来的多个点餐喜好模型进行一一匹配，并计算点餐用户的点餐喜好标签为辣与训练的多个点餐喜好模型的标签的匹配值，其中所述点餐喜好模型至少包括辣模型、不辣模型以及甜模型。例如：分别计算点餐用户的点餐喜好为辣与辣模型、不辣模型以及甜模型的匹配值。

步骤S507，将匹配值最高的点餐喜好模型中的菜品显示于所述点餐页面。

具体地，若所述服务器20分析出点餐用户喜欢辣的菜品，而在训练的点餐喜好模型---辣模型、不辣模型以及甜模型中，与用户喜欢的菜品最为匹配的点餐喜好模型是辣模型，则将辣模型中的菜品显示于用户的点餐页面以推荐给用户。

参阅图6所示，是本发明菜品推荐方法之第二实施例的流程示意图。所述菜品推荐方法应用于服务器20中。在本实施例中，所述菜品推荐方法的步骤除了包括第一实施例的步骤S500～S507之外，所述服务器20在侦测用户是否进入点餐页面步骤之前，还包括：

步骤S600，获取其他用户的第二点餐历史信息。

步骤S602，根据所述第二点餐历史信息分析所述其他用户的点餐喜好，并确定对应的点餐喜好标签。

步骤S604，将所述其他用户的点餐喜好标签按照相似度的高低进行分类，以训练成所述多个点餐喜好模型，并将所述第二点餐历史信息中的菜品保存至对应的喜好模型中。

在一较佳实施例中，当用户进入点餐页面之前，所述服务器20获取其他用户的点餐历史信息，并根据其他用户的点餐历史信息分析其他用户的点餐喜好(例如：辣、不辣以及甜)，并确定其对应的点餐喜好标签(例如：辣、不辣以及甜)。然后，将其他用户的点餐喜好标签按照相似度的高低进行分类，并将喜好相近的点餐历史信息中的菜品训练成一个点餐喜好模型，例如：喜好辣的辣模型、喜好不辣的不辣模型以及喜好甜的甜模型。其中，每个点餐喜好模型包括对应的点餐历史信息中的多个菜品，例如：辣模型中包括剁椒鱼头、辣椒炒肉，不辣模型中包括蒸南瓜、芋头排骨，甜模型中包括糖醋排骨、糖醋里脊等。

在另一较佳实施例中，所述服务器20从数据库中获取各地方饮食特色信息，并根据所述个地方饮食特色标签信息训练对应的点餐喜好模型。例如：杭州小笼包以及叫花童子鸡的标签信息为杭州菜，则训练出的点餐喜好模型为杭州菜。

在另一较佳实施例中，所述服务器20还用于获取各地的就餐环境(例如：快餐店、小炒店或高档餐厅)，并根据就餐环境标签信息训练对应的点餐喜好模型。例如：小炒快餐对应的标签信息为快餐，则训练出的点餐喜好模型为快餐。

参阅图7所示，是本发明菜品推荐方法之第三实施例的流程示意图。所述菜品推荐方法应用于服务器20中。在本实施例中，所述菜品推荐方法的步骤除了包括第二实施例的步骤S500～S507以及S600～S604之外，所述将所述其他用户的点餐喜好按照相似度的高低进行分类，以训练成所述多个喜好模型的步骤，还包括：

步骤S700，若所述其他用户中至少一个用户的点餐喜好为辣，则训练出的点餐喜好模型为辣模型。

步骤S702，若所述其他用户中至少一个用户的点餐喜好为不辣，则训练出的点餐喜好模型为不辣模型。

步骤S704，若所述其他用户中至少一个用户的点餐喜好为甜，则训练出的点餐喜好模型为甜模型。

通过本实施例，通过将人工智能和大数据结合，能够根据用户的历史点餐记录，并结合与用户喜好相同的其他用户的点餐历史记录，为该用户推荐较为精准的菜品，同时能够提高菜品的点击率以及增加网站流量和用餐用户数量。

本发明还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器、处理器等。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储菜品推荐系统24，被处理器执行时实现本发明的菜品推荐方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种菜品推荐方法，应用于服务器中，其特征在于，所述方法包括步骤：

侦测用户是否进入点餐页面；

当侦测到所述用户进入所述点餐页面时，判断所述用户是否为新用户；

当所述用户不是新用户时，获取所述用户的第一点餐历史信息；

根据所述第一点餐历史信息分析所述用户的点餐喜好，并根据所述点餐喜好确定点餐喜好标签；

将所述点餐喜好标签与预先训练的多个点餐喜好模型的标签进行一一匹配，并计算相应的匹配值；及

将匹配值最高的点餐喜好模型中的菜品显示于所述点餐页面。

2.如权利要求1所述的菜品推荐方法，其特征在于，所述侦测用户是否进入点餐页面步骤之前，还包括步骤：

获取其他用户的第二点餐历史信息；

根据所述第二点餐历史信息分析所述其他用户的点餐喜好，并确定对应的点餐喜好标签；及

将所述其他用户的点餐喜好标签按照相似度的高低进行分类，以训练成所述多个点餐喜好模型，并将所述第二点餐历史信息中的菜品保存至对应的喜好模型中。

3.如权利要求1所述的菜品推荐方法，其特征在于，所述判断所述用户是否为新用户的步骤之后还包括：

若所述用户为新用户，则将点餐喜好模型的标识显示于所述点餐页面以向用户推荐所述喜好模型中的菜品；及

当所述用户点餐完成后，记录所述用户的点餐信息。

4.如权利要求1所述的菜品推荐方法，其特征在于，所述点餐喜好至少包括：辣、不辣以及甜。

5.如权利要求1所述的菜品推荐方法，其特征在于，所述方法还包括：

从数据库获取各地方饮食特色信息及与所述各地方饮食特色信息对应的第一标签信息；及

根据所述第一标签信息训练对应的点餐喜好模型。

6.如权利要求1所述的菜品推荐方法，其特征在于，所述方法还包括：

从数据库获取各地的就餐环境信息以及与所述就餐环境信息对应的第二标签信息，其中所述就餐环境信息包括：快餐店、小炒店及高档餐厅；及

根据所述第二标签信息训练对应的点餐喜好模型。

7.如权利要求1或4所述的菜品推荐方法，其特征在于，所述将所述其他用户的点餐喜好按照相似度的高低进行分类，以训练成所述多个喜好模型的步骤还包括：

若所述其他用户中至少一个用户的点餐喜好为辣，则训练出的点餐喜好模型为辣模型；

若所述其他用户中至少一个用户的点餐喜好为不辣，则训练出的点餐喜好模型为不辣模型；及

若所述其他用户中至少一个用户的点餐喜好为甜，则训练出的点餐喜好模型为甜模型。

8.一种服务器，其特征在于，包括：

侦测模块，适于侦测用户是否进入点餐页面；

判断模块，适于当侦测到所述用户进入所述点餐页面时，判断所述用户是否为新用户；

获取模块，适于当所述用户不是新用户时，获取所述用户的第一点餐历史信息；

分析模块，适于根据所述第一点餐历史信息分析所述用户的点餐喜好；

计算模块，适于将所述点餐喜好与训练的多个点餐喜好模型进行一一匹配，并计算相应的匹配值；及

显示模块，适于将匹配值最高的点餐喜好模型中的菜品显示于所述点餐页面。

9.一种计算机设备，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，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7任一项所述的菜品推荐方法的步骤。

10.一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：所述计算机程序被处理器执行时实现权利要求1至7任一项所述的菜品推荐方法的步骤。