CN110148028A - 向用户推荐菜单的方法、装置及计算机可读存储介质 - Google Patents

向用户推荐菜单的方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110148028A
CN110148028A CN201810149033.0A CN201810149033A CN110148028A CN 110148028 A CN110148028 A CN 110148028A CN 201810149033 A CN201810149033 A CN 201810149033A CN 110148028 A CN110148028 A CN 110148028A
Authority
CN
China
Prior art keywords
menu
target
access
user
temperature
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
CN201810149033.0A
Other languages
English (en)
Inventor
熊梅
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 Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information 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 Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810149033.0A priority Critical patent/CN110148028A/zh
Publication of CN110148028A publication Critical patent/CN110148028A/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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0623—Item investigation
    • G06Q30/0625—Directed, with specific intent or strategy
    • G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Abstract

本公开提供了一种向用户推荐菜单的方法、装置及计算机可读存储介质，涉及计算机技术领域。其中的方法包括：采集各个用户对各个菜单的访问量，并计算各个用户对所有菜单的平均访问量；利用各个用户对各个菜单的访问量以及各个用户对所有菜单的平均访问量，计算各个菜单的访问热度；利用访问热度，计算各个菜单对于目标用户的菜单热度，并按照菜单热度由高到低的顺序向目标用户推荐菜单。本公开能够自动化推荐符合用户需求的菜单，提升了菜单系统的用户体验。

Description

向用户推荐菜单的方法、装置及计算机可读存储介质
技术领域
本公开涉及计算机技术领域，特别涉及一种向用户推荐菜单的方法、装置及计算机可读存储介质。
背景技术
互联网给用户带来了大量的网络信息和数据，满足了用户在信息时代对信息的需求。互联网从业人员需要根据这些快速整理和归纳这些数据，以便给用户带来更优质的服务。此时，具有人性化的互联网从业人员的管理系统的质量显得尤为重要。对于电商行业的管理系统，需要管理人员随时进行供应链数据、销售概况数据、流量数据、商品、活动、店铺等数据进行整理，对销售和用户浏览量进行预测，以便提前在大促时期制定相应的备战方案。
目前出现的导航栏主要分为两种，一种普通的菜单导航，这种菜单是在开发阶段就固化在系统中，菜单一旦确定后这个系统的每个用户看到的菜单权限都是一样的；还有一种菜单导航栏可以为该系统分配一个超级管理员(也可以是开发人员)，这个超级管理员可以对所有用户配置部分菜单的权限，使得用户不能越权查看非自己权限的数据。
发明内容
发明人研究发现，前述第一种菜单导航功能比较简单，系统架构也是直线型的校验方式，只需要对用户账号是否合法进行校验后就可以进入系统，但这种架构在后期的业务横向扩展上会出现瓶颈。当菜单越来越多，用户也越来越多，假如有一个采销人员需要查看最近的商品的动销状况，就需要在众多菜单中找到自己需要的菜单，如果菜单存在很多父子层级关系，且该用户对此系统又不熟悉的情况下，这个用户查到到自己需要的菜单的时间是需要很长的，这无疑是一种时间的浪费。前述第二种方案，虽然可以对每个用户的菜单进行个性化管理，但是为每个用户分配权限之后，菜单的顺序也是一成不变的，没法为用户做菜单导航栏的自动化推荐，用户进入系统的目标菜单不是系统为其分配的首页的话，这个就不算菜单导航的最优解。
本公开解决的一个技术问题是，如何自动化推荐符合用户需求的菜单，提升菜单系统的用户体验。
根据本公开实施例的一个方面，提供了一种向用户推荐菜单的方法，包括：采集各个用户对各个菜单的访问量，并计算各个用户对所有菜单的平均访问量；利用各个用户对各个菜单的访问量以及各个用户对所有菜单的平均访问量，计算各个菜单的访问热度；利用访问热度，计算各个菜单对于目标用户的菜单热度，并按照菜单热度由高到低的顺序向目标用户推荐菜单。
在一些实施例中，利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度。
在一些实施例中，利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度。
在一些实施例中，该方法还包括：利用目标用户与其它用户对共同访问菜单的访问量、目标用户对所有菜单的平均访问量、其它用户对所有菜单的平均访问量，计算目标用户与其它用户之间的相似度。
在一些实施例中，利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度。
在一些实施例中，该方法还包括：为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字；计算第一菜单的标签向量与第二菜单的标签向量中相同标签关键字的数量；计算第一菜单的标签向量与第二菜单的标签向量包含的标签关键字的平均数；将相同标签关键字的数量与平均数作比，得到第一菜单与第二菜单的相似度。
在一些实施例中，若目标菜单包括目标用户所访问的菜单，则利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度；若目标菜单包括目标用户的相似用户所访问的菜单，则利用各个用户对各个菜单的访问量，计算目标用户与其它用户之间的相似度；利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度；若目标菜单包括目标用户所访问菜单的相似菜单，则为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字，利用标签向量计算菜单之间的相似度；利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度；若目标菜单同时满足以上三种情况中的多种，则分别通过上述对应的多种方式计算目标菜单对于目标用户的菜单热度，并将计算所得菜单热度的最大值作为目标菜单对于目标用户的菜单热度。
在一些实施例中，利用如下公式计算目标用户x访问的菜单m的菜单热度
其中，表示目标用户x对菜单m的平均访问量，表示目标用户x对所有菜单的平均访问量，Δown表示第一热度计算权值；
利用如下公式计算目标用户x的相似用户i访问的菜单m的菜单热度
其中，Sx表示目标用户x的相似用户集合，i表示目标用户x的相似用户，表示相似用户i对菜单m的平均访问量，表示相似用户i对所有菜单的平均访问量，sim(Xi,Xx)表示相似用户i与目标用户x之间的相似度，|Sx|表示相似用户集合中包含的相似用户数，Δsim表示第二热度计算权值；
利用如下公式计算目标用户x访问的菜单m的相似菜单n的菜单热度
其中，Sm表示菜单m的相似菜单集合，n表示菜单m的相似菜单，表示目标用户x对相似菜单n的平均访问量，表示目标用户x对所有菜单的平均访问量，simm(n,m)表示菜单m与相似菜单n之间的相似度，|Sm|表示相似菜单集合中包含的相似菜单数，表示第三热度计算权值；
其中，第一热度计算权值大于第二热度计算权值，第二热度计算权值大于第三热度计算权值。
在一些实施例中，访问量包括：访问次数、访问时长。
根据本公开实施例的另一个方面，提供了一种向用户推荐菜单的装置，包括：访问量获取单元，用于采集各个用户对各个菜单的访问量，并计算各个用户对所有菜单的平均访问量；访问热度计算单元，用于利用各个用户对各个菜单的访问量以及各个用户对所有菜单的平均访问量，计算各个菜单的访问热度；菜单推荐单元，用于利用访问热度，计算各个菜单对于目标用户的菜单热度，并按照菜单热度由高到低的顺序向目标用户推荐菜单。
在一些实施例中，访问热度计算单元用于：利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度。
在一些实施例中，访问热度计算单元用于：利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；菜单推荐单元用于：利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度。
在一些实施例中，该装置还包括用户相似度计算单元，用于利用目标用户与其它用户对共同访问菜单的访问量、目标用户对所有菜单的平均访问量、其它用户对所有菜单的平均访问量，计算目标用户与其它用户之间的相似度。
在一些实施例中，访问热度计算单元用于：利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；菜单推荐单元用于：利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度。
在一些实施例中，该装置还包括菜单相似度计算单元，用于：为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字；计算第一菜单的标签向量与第二菜单的标签向量中相同标签关键字的数量；计算第一菜单的标签向量与第二菜单的标签向量包含的标签关键字的平均数；将相同标签关键字的数量与平均数作比，得到第一菜单与第二菜单的相似度。
在一些实施例中，访问热度计算单元用于:若目标菜单包括目标用户所访问的菜单，则利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度；若目标菜单包括目标用户的相似用户所访问的菜单，则利用各个用户对各个菜单的访问量，计算目标用户与其它用户之间的相似度；利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度；若目标菜单包括目标用户所访问菜单的相似菜单，则为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字，利用标签向量计算菜单之间的相似度；利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度；若目标菜单同时满足以上三种情况中的多种，则分别通过上述对应的多种方式计算目标菜单对于目标用户的菜单热度，并将计算所得菜单热度的最大值作为目标菜单对于目标用户的菜单热度。
在一些实施例中，菜单推荐单元用于：利用如下公式计算目标用户x访问的菜单m的菜单热度
其中，表示目标用户x对菜单m的平均访问量，表示目标用户x对所有菜单的平均访问量，Δown表示第一热度计算权值；
利用如下公式计算目标用户x的相似用户i访问的菜单m的菜单热度
其中，Sx表示目标用户x的相似用户集合，i表示目标用户x的相似用户，表示相似用户i对菜单m的平均访问量，表示相似用户i对所有菜单的平均访问量，sim(Xi,Xx)表示相似用户i与目标用户x之间的相似度，|Sx|表示相似用户集合中包含的相似用户数，Δsim表示第二热度计算权值；
利用如下公式计算目标用户x访问的菜单m的相似菜单n的菜单热度
其中，Sm表示菜单m的相似菜单集合，n表示菜单m的相似菜单，表示目标用户x对相似菜单n的平均访问量，表示目标用户x对所有菜单的平均访问量，simm(n,m)表示菜单m与相似菜单n之间的相似度，|Sm|表示相似菜单集合中包含的相似菜单数，表示第三热度计算权值；
其中，第一热度计算权值大于第二热度计算权值，第二热度计算权值大于第三热度计算权值。
在一些实施例中，访问量包括：访问次数、访问时长。
根据本公开实施例的又一个方面，提供了一种向用户推荐菜单的装置，其中，包括：存储器；以及耦接至存储器的处理器，处理器用于基于存储在存储器中的指令，执行前述的向用户推荐菜单的方法。
根据本公开实施例的再一个方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现前述的向用户推荐菜单的方法。
本公开能够自动化推荐符合用户需求的菜单，提升了菜单系统的用户体验。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本公开一个实施例的向用户推荐菜单的方法的流程示意图。
图2示出了实现用户推荐菜单的方法的软件系统架构。
图3示出了实现用户推荐菜单的方法的软件数据库设计。
图4示出了相似算法的流程示意图。
图5示出了计算菜单热度的总体架构示意图。
图6示出了本公开一个实施例的向用户推荐菜单的装置的结构示意图。
图7示出了本公开另一个实施例的向用户推荐菜单的装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
发明人研究发现，对于互联网公司，不同岗位的人员关注的角度和执行的权限是不一样的。基于这种人工管理的背景下，需要提出一种管理系统的导航栏的优化方案，通过对管理人员的行为习惯和菜单的热度，为管理人员提供一套进行个性化的推荐菜单栏，让管理人员能快速找到自己关注的数据。
下面结合图1介绍本公开一个实施例的向用户推荐菜单的方法。
图1示出了本公开一个实施例的向用户推荐菜单的方法的流程示意图。如图1所示，本实施例中的向用户推荐菜单的方法包括步骤S102～步骤S106。
在步骤S102中，采集各个用户对各个菜单的访问量，并计算各个用户对所有菜单的平均访问量。
例如，访问量可以包括：访问次数、访问时长。
在步骤S104中，利用各个用户对各个菜单的访问量以及各个用户对所有菜单的平均访问量，计算各个菜单的访问热度，菜单的访问热度能够反映用户对该菜单的偏好。
若目标菜单为目标用户所访问的菜单，则利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度。
目标用户可能存在相似用户。所谓相似用户，是指对某部分菜单具有相同或相似的访问行为的用户。若目标菜单为目标用户的相似用户所访问的菜单，则首先利用目标用户与其它用户对共同访问菜单的访问量、目标用户对所有菜单的平均访问量、其它用户对所有菜单的平均访问量，计算目标用户与其它用户之间的相似度。然后，利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度。
可选的，可以利用公式(1)计算用户Xi与用户Xj之间的相似度sim(Xi,Xj)
其中，表示用户Xi和用户Xj共同访问的菜单集合，u表示用户Xi和用户Xj共同访问的菜单，分别表示用户Xi和用户Xj对菜单u的访问量，和分别表示用户Xi和用户Xj对所有菜单的平均访问量。
目标菜单可能存在相似菜单。所谓相似菜单，是指提供相似类型数据或相似功能的菜单。若目标菜单为目标用户所访问菜单的相似菜单，则首先为每个菜单配置一个或多个标签关键字，利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字，并利用标签向量计算菜单之间的相似度。然后，利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度。
可选的，可以计算第一菜单的标签向量与第二菜单的标签向量中相同标签关键字的数量，然后计算第一菜单的标签向量与第二菜单的标签向量包含的标签关键字的平均数，最后将所述相同标签关键字的数量与所述平均数作比，得到第一菜单与第二菜单的相似度。
在步骤S106中，利用访问热度，计算各个菜单对于目标用户的菜单热度，并按照菜单热度由高到低的顺序向目标用户推荐菜单。所谓菜单热度，是指菜单对于目标用户的价值，热度越高表明目标用户对这个菜单的兴趣越大，目标用户越可能访问该菜单。
若目标菜单为目标用户所访问的菜单，则可以将计算目标菜单对于目标用户的访问热度作为目标菜单对于目标用户的菜单热度。
若目标菜单为目标用户的相似用户所访问的菜单，则可以利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度。
若目标菜单为目标用户所访问菜单的相似菜单，则可以利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度。
可选的，若目标菜单同时满足以上三种情况中的多种，则可以分别通过上述对应的多种方式计算目标菜单对于目标用户的菜单热度，并将计算所得菜单热度的最大值作为目标菜单对于目标用户的菜单热度。
可选的，利用公式(2)计算目标用户x访问的菜单m的菜单热度
其中，表示目标用户x对菜单m的平均访问量，表示目标用户x对所有菜单的平均访问量，Δown表示第一热度计算权值。
可选的，利用公式(3)计算目标用户x的相似用户i访问的菜单m的菜单热度
其中，Sx表示目标用户x的相似用户集合，i表示目标用户x的相似用户，表示相似用户i对菜单m的平均访问量，表示相似用户i对所有菜单的平均访问量，sim(Xi,Xx)表示相似用户i与目标用户x之间的相似度，|Sx|表示相似用户集合中包含的相似用户数，Δsim表示第二热度计算权值。
可选的，利用公式(4)计算目标用户x访问的菜单m的相似菜单n的菜单热度
其中，Sm表示菜单m的相似菜单集合，n表示菜单m的相似菜单，表示目标用户x对相似菜单n的平均访问量，表示目标用户x对所有菜单的平均访问量，simm(n,m)表示菜单m与相似菜单n之间的相似度，|Sm|表示相似菜单集合中包含的相似菜单数，表示第三热度计算权值。
本领域技术人员应理解，可以设置第一热度计算权值大于第二热度计算权值，第二热度计算权值大于第三热度计算权值。
上述实施例中，针对多用户多菜单系统提出了一种向用户推荐菜单的方法，能够自动化推荐符合用户需求的菜单，提升了菜单系统的用户体验，使用户能够从大量信息中获得对自己具有效用的数据，快速发现高质量的信息，提高对信息的使用效率。
下面介绍本公开向用户推荐菜单的方法的一个应用例。
本公开向用户推荐菜单的方法具体可以通过软件来实现。为了对不同用户进行菜单的推荐和菜单的排序，可以在系统中嵌入个性化菜单设计模块，这个模块可以放置在后端设计模块的拦截器中，放在统一公共模块对网络端的登录请求统一做处理，进行菜单列表和顺序的返回。渲染菜单完成以后的请求，后端不在获取菜单列表，但会对菜单的点击次数和停留时间，推荐方案等进行记录，并作为基础数据对后续的用户的个性化菜单进行推荐。
图2示出了实现用户推荐菜单的方法的软件系统架构。软件设置在用户登录之后，菜单页面展示之前。用户登录成功后，会获取到用户的账号。这个账号通过用户模块以及相似算法获得该用户的相似群体。而通过这些相似群体的访问记录，提取出相似菜单集，相似菜单集根据相似用户群体的访问特征和用户自己访问特征，通过菜单推荐模块得到该用户的菜单热度表。热度越高，表示该用户对该菜单越感兴趣，应该排在用户菜单栏的前面。
图3示出了实现用户推荐菜单的方法的软件数据库设计。该软件数据库设计了7张表，有3张表示原始数据表，4张表是通过计算加工的表，其中相似用户表和相似菜单表需要相似算法进行数据的加工。最后用户的菜单热度表需要基于用户行为表，相似用户表，相似菜单表三张表的数据，利用菜单热度算法进行最后的数据加工，输出用户的菜单热度。热度越高的菜单，表示用户越感兴趣。
该软件需要初始化两个模块。菜单模块的初始化，需要开发人员进行手动录入，配置菜单，并为菜单配置相关的标签关键字。这个菜单标签可以根据后期的业务扩展和产品迭代进行标签的更新。菜单标签具体可以例如表1所示。
表1
每个菜单维护一个标签，类似于一篇文章的关键词，根据关键词的相似度进行推荐，这个标签关联表是一对多的形式，一个菜单可以拥有多个菜单关键词，如东家菜流量统计中提炼的关键词为东家菜，流量两个关键词。本领域技术人员应理解，这样的标签具有一定容错功能。用户模块的初始化过程类似常见的用户注册过程，需要在数据库中维护用户信息，用唯一标识去表示用户，建立用户与用户行为表和菜单表的关联关系。装置进行初始化后，还需要对用户的菜单访问操作进行记录，例如记录好用户访问菜单的时间，每个菜单页面停留的时间，为后面的菜单推荐提供数据基础。
下面介绍相似菜单的算法。如前所述，对每个菜单进行了人工贴标签，这个标签的母的就是为了计算菜单的相似度。标签是每个菜单页开发完成后就应该进行初始化，并且一直跟随到产品迭代为止，这个菜单的标签不应该被修改。这里的计算菜单i对于菜单j的相似度，计算公式如下：
这里的Mi指菜单i的标签向量，Mj指菜单j的标签向量，||Mi&Mj||指两个菜单共同拥有的菜单标签向量的长度，是两个菜单本身标签向量的均值。这个相似度的值范围[0,1]，且值越大，两个菜单的就越相似。举例，菜单标号36和菜单编号37两个菜单的标签都是‘活动’，则两个菜单共同拥有的菜单标签长度为1，也就是||Mi&Mj||的值为1，菜单36的标签只有一个，则||Mi||为1，同理||Mj||的值为1，这样的值为1，最终的相似值为1。菜单相似度的计算结果具体可以例如表2所示。
表2
下面介绍相似用户算法。根据用户的浏览行为进行相似用户群体的归纳。相似用户的参数包括用户浏览行为。这里不直接只采用用户标签，是因为存在某些用户虽然背负了某个标签，但由于各种原因如职位更换、业务场景等，最近都没有对某些标签相关的菜单进行访问，这一类的标签不仅没有对用户产生积极作用，相反会对这个相似群体的计算产生干扰，进一步影响了最终菜单热度的计算。
这里首先进行了特征提取，提取用户的行为特征，如浏览菜单的访问次数、浏览时长。如果用户对某个页面的数据感兴趣，那么会对此页面进行多次访问并停留较长时间。因此用户的行为特征包括浏览次数、点击次数、总停留时长，访问时间。但是这种访问数据具有时间上的限制性，时间周期越长，用户行为上变化可能更大，因此可以采集用户最近7天的访问数据，并计算平均值放置在用户行为表中。采集的用户行为数据具体可以例如表3所示。
表3
接下来通过余弦相似算法计算出用户的相似度，并取相似度最高的五个用户作为该用户的相似用户群体。通过计算两个用户的访问菜单的相似度进行计算两个用户的相似度。这里采用的是余弦相似算法，通过用户行为记录的n维向量(n>0)间的夹角的余弦测算两个用户的相似度。余弦相似度的绝对值的取值范围为[0,1]，夹角的大小与余弦相似度的值成反比，两个向量间的夹角越小，余弦相似值越大。以计算用户行为相似度为例，若求得的余弦值为1，则两个用户的行为极为相似，若求得的值为0，则两个用户的行为非常不相似。余弦相似度如公式(6)所示：
其中Xi和Xj为两个用户行为的向量。图7示出了不同用户的菜单访问情况。假设现有用户编号20和用户编号34两个用户，用户编号20的用户行为向量为用户34的用户行为向量计算得到这两个用户的相似度为：0.85。
用户行为的相似度的粗略计算结果具体可以例如表4所示。
表4
但是，在实际的用户相似度中，每个用户有不同的浏览习惯，比如，存在某个用户a在整个全量菜单访问中，每个都访问了7次，但另外一个用户b只访问了两个菜单，分别是4次和2次，得到这两个用户的行为向量为(4,2)，(7,7)，最后得到a，b两个用户的相似度的值接近0.95，意思是这两个用户是非常相似的。但思考后发现，其实这两个用户根本没有关系，对于每个菜单都有7次访问的用户a来说，他只是习惯性的点击所有菜单，所有菜单对他来说的权重都是一致的，但是另外一个用户b却不是这样，他访问的这两个菜单才是他关心的数据，如果按照这个用户相似度算法，得到的a跟b极其相似，所以将b的访问中权重较高的菜单推荐给用户a，会发现a得到所有的菜单，这显然是不对的。这时候会想，怎么将这种个体差异的影响降低到最小，想到了均值。假设这种场景，高于某个用户的平均访问次数的菜单，这些菜单应该是用户比较感兴趣的，这种菜单在相似用户群体中进行推荐的时候才更有意义，低于某个用户的平均访问次数的菜单，用户显然没有那么关心，当然就不需要推荐给用户了。这样用户a的访问均值为7，用户b的访问次数均值为3，通过菜单与均值的距离作为向量来进行用户相似度的计算，这样得到用户a的行为向量为(0,0)，用户b的行为向量为(1，-1)，得到的修正后的余弦相似度为0，这个结果是更加符合预期的。这样两个用户，因为存在自身的某些原因，与其他用户存在一些差异，这样衍生出另外一种余弦相似度算法，即公式(1)。例如，为用户编号20的平均访问次数，也就是(4+3+2+4+2)/5＝3，为用户编号34的平均访问次数，为(2+4+6+3+5+6+7+7)/8＝5，这样根据公式计算出用户编号20和用户编号34修正后的用户相似度约为0.77。用户行为的相似度的精细计算结果具体可以例如表5所示。图4示出了相似算法的流程示意图。
表5
用户1标识 用户2标识 用户相似度
1 3 0.99
3 4 0.98
4 5 0.98
6 5 0.96
2 1 0.87
5 7 0.45
7 8 0.44
8 10 0.33
…… …… ……
11 17 －0.89
下面介绍菜单热度的计算方法。
通过用户的相似度取与目标用户最相似的前5名用户，提取这五名用户访问的菜单和对应的访问次数，进行菜单热度的计算。对于全量的菜单，包括如下三种情况：
(a)该用户自己最近进行高频次的访问，这种菜单的热度在整体菜单的热度排行榜中靠前，因为这个更接近用户自己真实的意向，这种菜单的热度可以通过公式(2)来计算，由于用户自己高频次访问的菜单是用户比较关注的，第一热度计算权值可以设置为1；
(b)该用户的相似用户群体中菜单的热度，这种菜单的热度由目标用户与相似用户的相似度以及相似用户对该菜单的访问次数共同决定，这种菜单的热度可以通过公式(3)来计算，这类菜单的第二热度计算权值可以比第一热度计算权值小，例如取值为0.8；
(c)该用户访问的高频次菜单的相似菜单集，这种菜单的热度比前两种场景的菜单的热度低，这类菜单的第二热度计算权值例如取值为0.6。
进一步的，如果一个菜单用户自己访问了，而且被相似用户群体的访问的热点排名靠前的时候，可以选择三种热度计算得出菜单热度的最大值。目标用户的菜单热度排行榜具体可以例如表6所示。图5示出了计算菜单热度的总体架构示意图。
表6
用户标识 用户2标识 用户相似度
20 1 8.7
20 3 7.6
20 4 7.5
20 6 6.7
20 2 6.7
20 5 6.5
20 7 6.4
20 8 6.3
20 …… ……
20 11 －73
下面介绍如何对上述方法的效果进行验证。
例如，可以通过上述方法推荐给用户的菜单列表和用户实际点击的顺序进行欧几里德距离dis tan ce(L1,L2)的计算。我们定义了命中率算法如公式(7)所示：
score(L1,L2)＝1/1+dis tan ce(L1,L2) (7)
score(L1,L2)的数值范围是[0,1]，越接近1命中率越高。欧几里德距离的计算公式具体如公式(8)所示：
例如，X＝(1，2，3，4)表示计算所得菜单热度由高到低分别为1、2、3、4号菜单；Y＝(2，3，1，4)表示计算所得菜单热度由高到低分别为2、3、1、4号菜单。通过公式(7)计算出的各个用户的命中率如表7所示。
表7
其中，有35％的用户的命中率达到了90％以上，有81％的用户的命中率达到了80％以上，命中效果还是很明显的，显然这种基于用户行为和菜单标签的菜单推荐装置有助于提高用户的满意度。
对于菜单比较多的管理系统，用户登录后的意向菜单往往不容易找到。而通过上述实施例中向用户推荐菜单的方法，用户能快速找到自己的意向菜单，为用户节约大量时间。具有该推荐菜单的方法系统能够大幅提高了用户满意度，使得菜单系统的访问次数得到了显著增长。
下面结合图6介绍本公开一个实施例的向用户推荐菜单的装置。
图6示出了本公开一个实施例的向用户推荐菜单的装置的结构示意图。如图6所示，本实施例的向用户推荐菜单的装置60包括访问量获取单元602、访问热度计算单元605以及菜单推荐单元606。
访问量获取单元602，用于采集各个用户对各个菜单的访问量，并计算各个用户对所有菜单的平均访问量；
访问热度计算单元605，用于利用各个用户对各个菜单的访问量以及各个用户对所有菜单的平均访问量，计算各个菜单的访问热度；
菜单推荐单元606，用于利用访问热度，计算各个菜单对于目标用户的菜单热度，并按照菜单热度由高到低的顺序向目标用户推荐菜单。
在一些实施例中，访问热度计算单元602用于：利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度。
在一些实施例中，访问热度计算单元602用于：利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；菜单推荐单元用于：利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度。
在一些实施例中，装置60还包括用户相似度计算单元603，用于利用目标用户与其它用户对共同访问菜单的访问量、目标用户对所有菜单的平均访问量、其它用户对所有菜单的平均访问量，计算目标用户与其它用户之间的相似度。
在一些实施例中，访问热度计算单元605用于：利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；菜单推荐单元用于：利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度。
在一些实施例中，装置60还包括菜单相似度计算单元604，用于：为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字；计算第一菜单的标签向量与第二菜单的标签向量中相同标签关键字的数量；计算第一菜单的标签向量与第二菜单的标签向量包含的标签关键字的平均数；将相同标签关键字的数量与平均数作比，得到第一菜单与第二菜单的相似度。
在一些实施例中，访问热度计算单元605用于:若目标菜单包括目标用户所访问的菜单，则利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度；若目标菜单包括目标用户的相似用户所访问的菜单，则利用各个用户对各个菜单的访问量，计算目标用户与其它用户之间的相似度；利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度；
若目标菜单包括目标用户所访问菜单的相似菜单，则为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字，利用标签向量计算菜单之间的相似度；利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度；若目标菜单同时满足以上三种情况中的多种，则分别通过上述对应的多种方式计算目标菜单对于目标用户的菜单热度，并将计算所得菜单热度的最大值作为目标菜单对于目标用户的菜单热度。
在一些实施例中，菜单推荐单元606用于：
利用如下公式计算目标用户x访问的菜单m的菜单热度
其中，表示目标用户x对菜单m的平均访问量，表示目标用户x对所有菜单的平均访问量，Δown表示第一热度计算权值；
利用如下公式计算目标用户x的相似用户i访问的菜单m的菜单热度
其中，Sx表示目标用户x的相似用户集合，i表示目标用户x的相似用户，表示相似用户i对菜单m的平均访问量，表示相似用户i对所有菜单的平均访问量，sim(Xi,Xx)表示相似用户i与目标用户x之间的相似度，|Sx|表示相似用户集合中包含的相似用户数，Δsim表示第二热度计算权值；
利用如下公式计算目标用户x访问的菜单m的相似菜单n的菜单热度
其中，Sm表示菜单m的相似菜单集合，n表示菜单m的相似菜单，表示目标用户x对相似菜单n的平均访问量，表示目标用户x对所有菜单的平均访问量，simm(n,m)表示菜单m与相似菜单n之间的相似度，|Sm|表示相似菜单集合中包含的相似菜单数，表示第三热度计算权值；
其中，第一热度计算权值大于第二热度计算权值，第二热度计算权值大于第三热度计算权值。
在一些实施例中，访问量包括：访问次数、访问时长。
图7示出了本公开另一个实施例的向用户推荐菜单的装置的结构示意图。如图7所示，该实施例的向用户推荐菜单的装置70包括：存储器710以及耦接至该存储器710的处理器720，处理器720被配置为基于存储在存储器710中的指令，执行前述任意一个实施例中的向用户推荐菜单的方法。
其中，存储器710例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
向用户推荐菜单的装置70还可以包括输入输出接口730、网络接口740、存储接口770等。这些接口730，740，750以及存储器710和处理器720之间例如可以通过总线760连接。其中，输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口。存储接口740为SD卡、U盘等外置存储设备提供连接接口。
本公开还包括一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现前述任意一个实施例中的向用户推荐菜单的方法。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (20)

1.一种向用户推荐菜单的方法，包括：
采集各个用户对各个菜单的访问量，并计算各个用户对所有菜单的平均访问量；
利用各个用户对各个菜单的访问量以及各个用户对所有菜单的平均访问量，计算各个菜单的访问热度；
利用所述访问热度，计算各个菜单对于目标用户的菜单热度，并按照菜单热度由高到低的顺序向目标用户推荐菜单。
2.如权利要求1所述的方法，其中，利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度。
3.如权利要求1所述的方法，其中，利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度。
4.如权利要求3所述的方法，其中，所述方法还包括：
利用目标用户与其它用户对共同访问菜单的访问量、目标用户对所有菜单的平均访问量、其它用户对所有菜单的平均访问量，计算目标用户与其它用户之间的相似度。
5.如权利要求1所述的方法，其中，利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度。
6.如权利要求5所述的方法，所述方法还包括：
为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字；
计算第一菜单的标签向量与第二菜单的标签向量中相同标签关键字的数量；
计算第一菜单的标签向量与第二菜单的标签向量包含的标签关键字的平均数；
将所述相同标签关键字的数量与所述平均数作比，得到第一菜单与第二菜单的相似度。
7.如权利要求1所述的方法，其中，
若目标菜单包括目标用户所访问的菜单，则利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度；
若目标菜单包括目标用户的相似用户所访问的菜单，则利用各个用户对各个菜单的访问量，计算目标用户与其它用户之间的相似度；利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度；
若目标菜单包括目标用户所访问菜单的相似菜单，则为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字，利用所述标签向量计算菜单之间的相似度；利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度；
若目标菜单同时满足以上三种情况中的多种，则分别通过上述对应的多种方式计算目标菜单对于目标用户的菜单热度，并将计算所得菜单热度的最大值作为目标菜单对于目标用户的菜单热度。
8.如权利要求7所述的方法，其中，
利用如下公式计算目标用户x访问的菜单m的菜单热度
其中，表示目标用户x对菜单m的平均访问量，表示目标用户x对所有菜单的平均访问量，Δown表示第一热度计算权值；
利用如下公式计算目标用户x的相似用户i访问的菜单m的菜单热度
其中，Sx表示目标用户x的相似用户集合，i表示目标用户x的相似用户，表示相似用户i对菜单m的平均访问量，表示相似用户i对所有菜单的平均访问量，sim(Xi,Xx)表示相似用户i与目标用户x之间的相似度，|Sx|表示相似用户集合中包含的相似用户数，Δsim表示第二热度计算权值；
利用如下公式计算目标用户x访问的菜单m的相似菜单n的菜单热度
其中，Sm表示菜单m的相似菜单集合，n表示菜单m的相似菜单，表示目标用户x对相似菜单n的平均访问量，表示目标用户x对所有菜单的平均访问量，simm(n,m)表示菜单m与相似菜单n之间的相似度，|Sm|表示相似菜单集合中包含的相似菜单数，表示第三热度计算权值；
其中，第一热度计算权值大于第二热度计算权值，第二热度计算权值大于第三热度计算权值。
9.如权利要求1所述的方法，其中，所述访问量包括：访问次数、访问时长。
10.一种向用户推荐菜单的装置，包括：
访问量获取单元，用于采集各个用户对各个菜单的访问量，并计算各个用户对所有菜单的平均访问量；
访问热度计算单元，用于利用各个用户对各个菜单的访问量以及各个用户对所有菜单的平均访问量，计算各个菜单的访问热度；
菜单推荐单元，用于利用所述访问热度，计算各个菜单对于目标用户的菜单热度，并按照菜单热度由高到低的顺序向目标用户推荐菜单。
11.如权利要求10所述的装置，其中，所述访问热度计算单元用于：利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度。
12.如权利要求10所述的装置，其中，所述访问热度计算单元用于：利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；所述菜单推荐单元用于：利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度。
13.如权利要求12所述的装置，所述装置还包括用户相似度计算单元，用于利用目标用户与其它用户对共同访问菜单的访问量、目标用户对所有菜单的平均访问量、其它用户对所有菜单的平均访问量，计算目标用户与其它用户之间的相似度。
14.如权利要求10所述的装置，其中，所述访问热度计算单元用于：利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；所述菜单推荐单元用于：利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度。
15.如权利要求14所述的装置，所述装置还包括菜单相似度计算单元，用于：
为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字；
计算第一菜单的标签向量与第二菜单的标签向量中相同标签关键字的数量；
计算第一菜单的标签向量与第二菜单的标签向量包含的标签关键字的平均数；
将所述相同标签关键字的数量与所述平均数作比，得到第一菜单与第二菜单的相似度。
16.如权利要求10所述的装置，其中，所述访问热度计算单元用于:
若目标菜单包括目标用户所访问的菜单，则利用目标用户对目标菜单的访问量以及目标用户对所有菜单的平均访问量，计算目标菜单对于目标用户的访问热度；
若目标菜单包括目标用户的相似用户所访问的菜单，则利用各个用户对各个菜单的访问量，计算目标用户与其它用户之间的相似度；利用目标用户的相似用户对目标菜单的访问量、目标用户的相似用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户的相似用户对目标菜单的访问热度、目标用户与其它用户之间的相似度，计算目标菜单对于目标用户的菜单热度；
若目标菜单包括目标用户所访问菜单的相似菜单，则为每个菜单配置一个或多个标签关键字，并利用标签关键字为每个菜单生成标签向量，各个菜单的标签向量在各个维度上的坐标为各个菜单的标签关键字，利用所述标签向量计算菜单之间的相似度；利用目标用户对目标菜单的相似菜单的访问量、目标用户对所有菜单的平均访问量，计算目标用户的相似用户对目标菜单的访问热度；利用目标用户对目标菜单的相似菜单的访问热度、目标菜单与其它菜单之间的相似度，计算目标菜单对于目标用户的菜单热度；
若目标菜单同时满足以上三种情况中的多种，则分别通过上述对应的多种方式计算目标菜单对于目标用户的菜单热度，并将计算所得菜单热度的最大值作为目标菜单对于目标用户的菜单热度。
17.如权利要求16所述的装置，其中，所述菜单推荐单元用于：
利用如下公式计算目标用户x访问的菜单m的菜单热度
其中，表示目标用户x对菜单m的平均访问量，表示目标用户x对所有菜单的平均访问量，Δown表示第一热度计算权值；
利用如下公式计算目标用户x的相似用户i访问的菜单m的菜单热度
其中，Sx表示目标用户x的相似用户集合，i表示目标用户x的相似用户，表示相似用户i对菜单m的平均访问量，表示相似用户i对所有菜单的平均访问量，sim(Xi,Xx)表示相似用户i与目标用户x之间的相似度，|Sx|表示相似用户集合中包含的相似用户数，Δsim表示第二热度计算权值；
利用如下公式计算目标用户x访问的菜单m的相似菜单n的菜单热度
其中，Sm表示菜单m的相似菜单集合，n表示菜单m的相似菜单，表示目标用户x对相似菜单n的平均访问量，表示目标用户x对所有菜单的平均访问量，simm(n,m)表示菜单m与相似菜单n之间的相似度，|Sm|表示相似菜单集合中包含的相似菜单数，表示第三热度计算权值；
其中，第一热度计算权值大于第二热度计算权值，第二热度计算权值大于第三热度计算权值。
18.如权利要求10所述的装置，其中，所述访问量包括：访问次数、访问时长。
19.一种向用户推荐菜单的装置，其中，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器用于基于存储在所述存储器中的指令，执行如权利要求1至9中任一项所述的向用户推荐菜单的方法。
20.一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1至9中任一项所述的向用户推荐菜单的方法。
CN201810149033.0A 2018-02-13 2018-02-13 向用户推荐菜单的方法、装置及计算机可读存储介质 Pending CN110148028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810149033.0A CN110148028A (zh) 2018-02-13 2018-02-13 向用户推荐菜单的方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810149033.0A CN110148028A (zh) 2018-02-13 2018-02-13 向用户推荐菜单的方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN110148028A true CN110148028A (zh) 2019-08-20

Family

ID=67588800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810149033.0A Pending CN110148028A (zh) 2018-02-13 2018-02-13 向用户推荐菜单的方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110148028A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768274A (zh) * 2020-06-24 2020-10-13 中国地质大学（武汉） 一种基于人工智能数据分类存储系统
CN111966703A (zh) * 2020-06-30 2020-11-20 广州迈安信息科技有限公司 工程造价数据查询方法、装置、服务器和存储介质
CN112860985A (zh) * 2019-11-27 2021-05-28 云闪信(珠海市横琴)信息科技有限公司 应用导航方法、装置、电子设备及计算机可读存储介质
CN113448675A (zh) * 2021-09-01 2021-09-28 苏州浪潮智能科技有限公司 一种运维平台的首页界面推荐方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102761627A (zh) * 2012-06-27 2012-10-31 北京奇虎科技有限公司 基于终端访问统计的云网址推荐方法及系统及相关设备
CN102929959A (zh) * 2012-10-10 2013-02-13 杭州东信北邮信息技术有限公司 一种基于用户行为的图书推荐方法
US20130191377A1 (en) * 2012-01-19 2013-07-25 Oracle International Corporation Set based item recommendation system
CN103874039A (zh) * 2012-12-18 2014-06-18 中兴通讯股份有限公司 Ussd业务排行推送方法和装置
CN106383904A (zh) * 2016-09-29 2017-02-08 中国联合网络通信集团有限公司 视频推荐方法及装置
US20170262948A1 (en) * 2016-03-08 2017-09-14 International Business Machines Corporation Determination of targeted food recommendation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130191377A1 (en) * 2012-01-19 2013-07-25 Oracle International Corporation Set based item recommendation system
CN102761627A (zh) * 2012-06-27 2012-10-31 北京奇虎科技有限公司 基于终端访问统计的云网址推荐方法及系统及相关设备
CN102929959A (zh) * 2012-10-10 2013-02-13 杭州东信北邮信息技术有限公司 一种基于用户行为的图书推荐方法
CN103874039A (zh) * 2012-12-18 2014-06-18 中兴通讯股份有限公司 Ussd业务排行推送方法和装置
US20170262948A1 (en) * 2016-03-08 2017-09-14 International Business Machines Corporation Determination of targeted food recommendation
CN106383904A (zh) * 2016-09-29 2017-02-08 中国联合网络通信集团有限公司 视频推荐方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112860985A (zh) * 2019-11-27 2021-05-28 云闪信(珠海市横琴)信息科技有限公司 应用导航方法、装置、电子设备及计算机可读存储介质
CN111768274A (zh) * 2020-06-24 2020-10-13 中国地质大学（武汉） 一种基于人工智能数据分类存储系统
CN111966703A (zh) * 2020-06-30 2020-11-20 广州迈安信息科技有限公司 工程造价数据查询方法、装置、服务器和存储介质
CN111966703B (zh) * 2020-06-30 2023-11-03 广州迈安信息科技有限公司 工程造价数据查询方法、装置、服务器和存储介质
CN113448675A (zh) * 2021-09-01 2021-09-28 苏州浪潮智能科技有限公司 一种运维平台的首页界面推荐方法、装置及设备
CN113448675B (zh) * 2021-09-01 2021-12-03 苏州浪潮智能科技有限公司 一种运维平台的首页界面推荐方法、装置及设备

Similar Documents

Publication Publication Date Title
CN110148028A (zh) 向用户推荐菜单的方法、装置及计算机可读存储介质
CN104424230B (zh) 一种网络商品推荐方法及装置
CN110580649B (zh) 一种商品潜力值的确定方法和装置
CN107864192B (zh) 信息推送方法、装置、服务器以及可读存储介质
EP3842950A1 (en) Data collection server, data utilization server, equipment, data circulation system, data collection method and program
JP6045750B1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN104750771B (zh) 利用域信息进行上下文数据分析的方法和系统
US20200294067A1 (en) Time series clustering analysis for forecasting demand
CN106168980A (zh) 多媒体资源推荐排序方法及装置
CN109978580A (zh) 对象推荐方法、装置以及计算机可读存储介质
CN104112084B (zh) 用于基于执行的许可发现和优化的方法和系统
CN110348946A (zh) 一种商品推荐方法、装置、存储介质及设备
WO2020190840A1 (en) Systems and methods for electronically optimizing merchandise planning
CN109165975A (zh) 标签推荐方法、装置、计算机设备及存储介质
CN105975486A (zh) 信息推荐方法及装置
CN105824872A (zh) 基于搜索的数据的检测、链接和获取的方法和系统
CN110457288A (zh) 数据模型构建方法、装置、设备及计算机可读存储介质
CN109242656A (zh) 一种基于云计算销售数据与用户评价的商品推送系统
US10521809B2 (en) System and method for grouping time series data for forecasting purposes
CN110309410A (zh) 一种资讯推荐方法、平台及计算机可读存储介质
CN111476595A (zh) 产品推送方法、装置、计算机设备和存储介质
KR20160117678A (ko) 큐레이션 커머스에서 상품 등록 및 추천 방법
CN109978306B (zh) 数据处理方法及装置
CN113077321A (zh) 物品推荐方法、装置、电子设备和存储介质
Chen et al. Establishing an order allocation decision support system via learning curve model for apparel logistics

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