CN110210920A - 用餐信息的推荐方法和装置 - Google Patents
用餐信息的推荐方法和装置 Download PDFInfo
- Publication number
- CN110210920A CN110210920A CN201810387772.3A CN201810387772A CN110210920A CN 110210920 A CN110210920 A CN 110210920A CN 201810387772 A CN201810387772 A CN 201810387772A CN 110210920 A CN110210920 A CN 110210920A
- Authority
- CN
- China
- Prior art keywords
- video
- food product
- preference
- product classification
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 235000013305 food Nutrition 0.000 claims abstract description 481
- 235000012054 meals Nutrition 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 238000005303 weighing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 241000208340 Araliaceae Species 0.000 claims description 8
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 8
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 8
- 235000008434 ginseng Nutrition 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 188
- 239000000796 flavoring agent Substances 0.000 description 29
- 235000019634 flavors Nutrition 0.000 description 29
- 238000010586 diagram Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 235000013311 vegetables Nutrition 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000010411 cooking Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 241001520299 Phascolarctos cinereus Species 0.000 description 2
- 235000010724 Wisteria floribunda Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000282452 Ailuropoda melanoleuca Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000004718 Panda Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 235000013527 bean curd Nutrition 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000021251 pulses Nutrition 0.000 description 1
- 235000015067 sauces Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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]
- G06Q30/0631—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及用餐信息的推荐方法,所述方法包括:获取目标用户的视频观看记录;基于所述视频观看记录,获取用户偏好参数;所述用户偏好参数用于表征所述目标用户对餐品类别的偏好程度;基于所述用户偏好参数,确定所述目标用户的偏好餐品类别;基于所述偏好餐品类别确定针对所述目标用户的待推荐用餐信息,并推荐所述待推荐用餐信息。本申请提供的方案一方面打破了仅能在点餐平台进行用餐信息推荐的局限,另一方面有效地挖掘了视频观看数据中隐藏的数据价值,避免了数据资源的浪费。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种用餐信息的推荐方法、装置、计算机可读存储介质及计算机设备。
背景技术
随着互联网技术的发展,互联网应用向用户的各类生活需求深入渗透,如用餐信息的推荐。目前的用餐信息推荐方案,通常是基于用户在点餐平台上的历史点餐记录或对餐品的收藏记录。然而,这种方式仅能在点餐平台上进行,存在一定的局限性。
发明内容
基于此,有必要针对传统方案仅能在点餐平台上进行的技术问题,提供一种用餐信息的推荐方法、装置、计算机可读存储介质及计算机设备。
一种用餐信息的推荐方法,包括:
获取目标用户的视频观看记录;
基于所述视频观看记录,获取用户偏好参数;所述用户偏好参数用于表征所述目标用户对餐品类别的偏好程度;
基于所述用户偏好参数,确定所述目标用户的偏好餐品类别;
基于所述偏好餐品类别确定待推荐用餐信息,并推荐所述待推荐用餐信息。
一种用餐信息的推荐装置,包括:
观看记录获取模块,用于获取目标用户的视频观看记录;
偏好参数获取模块,用于基于所述视频观看记录,获取用户偏好参数;所述用户偏好参数用于表征所述目标用户对餐品类别的偏好程度;
偏好餐品类别确定模块,用于基于所述用户偏好参数,确定所述目标用户的偏好餐品类别;
用餐信息推荐模块,用于基于所述偏好餐品类别确定待推荐用餐信息,并推荐所述待推荐用餐信息。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标用户的视频观看记录;
基于所述视频观看记录,获取用户偏好参数;所述用户偏好参数用于表征所述目标用户对餐品类别的偏好程度;
基于所述用户偏好参数,确定所述目标用户的偏好餐品类别;
基于所述偏好餐品类别确定待推荐用餐信息,并推荐所述待推荐用餐信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标用户的视频观看记录;
基于所述视频观看记录,获取用户偏好参数;所述用户偏好参数用于表征所述目标用户对餐品类别的偏好程度;
基于所述用户偏好参数,确定所述目标用户的偏好餐品类别;
基于所述偏好餐品类别确定待推荐用餐信息,并推荐所述待推荐用餐信息。
上述用餐信息的推荐方法、装置、存储介质及计算机设备,根据获取到的目标用户的视频观看记录,确定与各餐品类别对应的用户偏好参数,再根据用户偏好参数确定目标用户的偏好餐品类别,进而根据偏好餐品类别确定待推荐用餐信息,并推荐该待推荐用餐信息。将视频观看数据应用于用餐信息的推荐,一方面打破了仅能在点餐平台进行用餐信息推荐的局限,另一方面有效地挖掘了视频观看数据中隐藏的数据价值,避免了数据资源的浪费。
附图说明
图1为一个实施例中用餐信息的推荐方法的应用环境图;
图2为一个实施例中用餐信息的推荐方法的流程示意图;
图3为一个实施例中第一子偏好参数的确定方法的流程示意图;
图4为一个实施例中第二子偏好参数的确定方法的流程示意图;
图5为一个实施例中第三子偏好参数的确定方法的流程示意图;
图6为一个实施例中第四权重的确定方法的流程示意图;
图7为一个实施例中第四子偏好参数的确定方法的流程示意图;
图8为一个实施例中待推荐用餐信息的推荐方法的流程示意图;
图9为一个实施例中用餐信息的推荐方法的流程示意图;
图10为一个实施例中用餐信息的推荐装置的结构框图;
图11为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种参数,但这些参数不受这些术语限制。这些术语仅用于将第一个参数与另一个参数区分。举例来说,在不脱离本申请的范围的情况下,可以将第一权重值称为第二权重值,且类似地,可将第二权重值称为第一权重值。第一权重值和第二权重值两者都是权重值,但其不是同一权重值。
本申请各实施例提供的用餐信息的推荐方法,可应用于如图1所示的应用环境中。该应用环境可涉及终端110和服务器120。其中,终端110和服务器120 通过网络连接。
具体地,终端110可通过网站或具备视频播放功能的应用程序进行视频播放。对于已播放的视频,终端110可生成与该视频对应的观看信息,并将该观看信息发送至服务器120。其中,观看信息可包括该视频的视频标识信息和观看该视频的用户的用户信息。
相应地,服务器120可获得与终端110发送的观看信息相对应的视频观看记录。并且,在需要进行用餐信息推荐时,服务器120可获取目标用户的视频观看记录,并基于获取到的视频观看记录,确定针对该目标用户的待推荐用餐信息。后续,服务器120还可将该待推荐用餐信息发送至终端110。
进而,终端110还可基于接收到的待推荐用餐信息进行显示,从而使得推荐对象能够根据显示内容,获知被推荐的用餐信息。一个实施例中,可以以弹框的形式在应用程序的界面显示待推荐用餐信息。
其中,终端110可以为台式终端或移动终端,移动终端可以包括手机、平板电脑、笔记本电脑、个人数字助理和穿戴式设备等中的至少一种。服务器120可以用独立的物理服务器,或者多个物理服务器构成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种用餐信息的推荐方法。以该方法应用于上述图1中的服务器120为例进行说明。该方法可以包括如下步骤S202至 S208。
S202,获取目标用户的视频观看记录。
目标用户,是指需要为其确定待推荐餐品类别的用户。例如,需要确定为用户U1进行餐品推荐的待推荐餐品类别,用户U1即可为目标用户。
需要说明的是,目标用户可以指单一用户,或者包括两个以上的子目标用户的用户组。一个实施例中,在目标用户为单一用户时,其可以为一个独立的用户账号,例如视频应用程序的一个用户账号。另一个实施例中,在目标用户为包括两个以上的子目标用户的用户组时,其包括的各子目标用户之间可具备预定共同特征。
一个具体示例中,预定共同特征可以包括实际使用人相同,即目标用户包含的各子目标用户均对应同一实际使用人。例如,学生小明拥有同一视频应用程序的两个不同用户账号,服务器120在确定这两个不同用户账号均对应同一实际使用人后,可将包含这两个用户账号的用户组作为目标用户。进而,在一次确定待推荐餐品的工作流程中,获取目标用户的视频观看记录时,可以一并获取这两个用户账号的视频观看记录。
视频观看记录,可用于确定目标用户已观看过的视频。一个实施例中,一个视频观看记录可涉及目标用户已观看过的一个视频。例如,用户U1通过视频应用程序观看过视频V1、V2及V3,服务器120可获取三个用户U1的视频观看记录,这三个视频观看记录分别涉及视频V1、V2及V3。
一个实施例中,视频观看记录可包括视频标识信息。其中,视频标识信息可用于唯一标识其所涉及的视频。例如,视频标识信息可包括视频ID(Identity card) 编码或视频名称。
一个实施例中,服务器120获取的目标用户的视频观看记录,可包括该目标用户的全部视频观看记录。即,自该目标用户创建以来,其全部视频观看记录。
另一个实施例中,服务器120获取的目标用户的视频观看记录,可包括预定筛选时间段内的该目标用户的全部视频观看记录。其中,筛选时间段可基于实际需求进行设定。
此外,一个实施例中,可基于视频观看记录所对应的视频观看时间,确定该视频观看记录是否落于筛选时间段内。其中,视频观看时间为目标用户观看视频观看记录所涉及的视频的时间。
举例说明,预定筛选时间段为2018年3月1日至2018年3月30日,假设获取到的目标用户的视频观看记录共有10个,分别以R1至R10代称。其中, R1至R3对应的视频观看时间均为2018年2月1日,R4至R7对应的视频观看时间均为2018年3月2日,R7至R10对应的视频观看时间均为2018年3月15 日。据此,服务器120获取的目标用户的视频观看记录可仅包括R4至R10,共计7个视频观看记录。
S204,基于视频观看记录,获取用户偏好参数;其中,用户偏好参数用于表征目标用户对餐品类别的偏好程度。
餐品类别,可用于区别不同种类的餐品。一个实施例中,餐品可包括菜品。
获取各餐品类别的方式有多种。一个实施例中,可通过接收人工输入的各餐品类别的方式,来获取各餐品类别,即人工提供各餐品类别给服务器120,在此情况下,餐品类别为预定餐品类别。另一个实施例中,也可以通过聚类处理形成餐品分类库,各餐品分类库可分别对应一个餐品类别,其中,聚类处理可基于任一可能的聚类方法实现。
划分餐品类别的标准可以有多种,可以理解,基于不同标准,划分获得的餐品类别可有所不同。一个实施例中,可以以餐品所属的地理位置为划分标准,例如各餐品类别可分别为中国菜类、日式料理类以及东南亚风味类。另一个实施例中,也可以以指定国家的菜系种类为划分标准,此时餐品类别即为菜系类别,例如指定国家为中国,各餐品类别可分别为鲁菜类、川菜类、粤菜类、苏菜类、闽菜类、浙菜类、湘菜类和徽菜类。其他实施例中,还可以基于个性化需求划分,例如预先确定要在中餐川菜类、日式料理类以及东南亚风味类这三类中,选取待推荐餐品类别,则各餐品类别可分别为中餐川菜类、日式料理类以及东南亚风味类。
用户偏好参数,可用于表征目标用户对对应的餐品类别的偏好程度。亦即是说,对于任一餐品类别,与该餐品类别对应的用户偏好参数,可用于表征目标用户对该餐品类别的偏好程度。
在本实施例中,获取用户偏好参数的步骤,可以指获取与各餐品类别分别对应的各用户偏好参数,即各餐品类别一一对应各用户偏好参数。例如,设定三个餐品类别,分别为中餐川菜类、日式料理类以及东南亚风味类,则获取与“中餐川菜类”这一餐品类别对应的用户偏好参数Rc、与“日式料理类”这一餐品类别对应的用户偏好参数Rr、与“东南亚风味类”这一餐品类别对应的用户偏好参数Rd。其中,Rc、Rr以及Rd可分别用于表征目标用户对“中餐川菜类”、“日式料理类”、及“东南亚风味类”的偏好程度。
S206,基于用户偏好参数,确定目标用户的偏好餐品类别。
在本实施例中,各餐品类别均可以作为候选选项。即,可在各餐品类别中选取满足预定选取条件的餐品类别,作为目标用户的偏好餐品类别。其中,偏好餐品类别,可以指目标用户对其偏好程度高的餐品类别。可以理解,选取条件可基于实际需求进行设定。
一个实施例中,与各餐品类别分别对应的各用户偏好参数,均可与目标用户对对应的餐品类别的偏好程度正相关。即,对于任一餐品类别,其对应的用户偏好参数越大,表明目标用户对该餐品类别的偏好程度越高,据此,将该餐品类别作为偏好餐品类别的合理性越高;反之,其对应的用户偏好参数越小,表明目标用户对该餐品类别的偏好程度越低,据此,将该餐品类别作为偏好餐品类别的合理性越低。
基于此,一个实施例中,针对各餐品类别,选取条件可包括:其对应的用户偏好参数含于最大的第一预定数目个用户偏好参数中。一个具体示例中,第一预定数目可等于一,据此,获取到与各餐品类别对应的各用户偏好参数后,将最大的一个用户偏好参数对应的餐品类别,确定为偏好餐品类别。另一个具体示例中,第一预定数目可多于一个,偏好餐品类别的数目相应多于一个;在此情况下,获取到与各餐品类别对应的各用户偏好参数后,将与最大的第一预定数目个用户偏好参数分别对应的各餐品类别,均确定为偏好餐品类别;例如,第一预定数目等于三,则将与最大的三个用户偏好参数分别对应的三个餐品类别,均确定为偏好餐品类别。
又一个实施例中,针对各餐品类别,选取条件还可以包括:其对应的用户偏好参数超过预定偏好阈值。即,获取到与各餐品类别对应的各用户偏好参数后,将超过预定偏好阈值的用户偏好参数所对应的餐品类别,确定为偏好餐品类别。
S208,基于偏好餐品类别确定针对目标用户的待推荐用餐信息,并推荐待推荐用餐信息。
用餐信息,可用于表征用餐选项。一个实施例中,用餐信息可以包括餐品信息,餐品信息可用于表征用餐的餐品,例如川菜中的毛血旺、麻婆豆腐等。相应地,待推荐用餐信息可以指需要进行推荐的用餐信息。
在本实施例中,确定目标用户的偏好餐品类别后,可将与该偏好餐品类别匹配的用餐信息,确定为针对目标用户的待推荐用餐信息。例如,确定目标用户的偏好餐品类别为中餐川菜类后,可将川菜餐品对应的餐品信息确定为待推荐餐品信息。
进一步地,可将确定出的待推荐用餐信息进行推荐。一个实施例中,可以将该待推荐用餐信息推荐给目标用户。另一个实施例中,也可以将该待推荐用餐信息推荐给与目标用户关联的用户,例如,儿子对应的用户(下文简称儿子用户) 与母亲对应的用户(下文简称母亲用户)关联,确定针对母亲用户的待推荐用餐信息后,也可向儿子用户推荐该待推荐用餐信息。
需要说明的是,对于根据用户在点餐平台上的历史点餐数据进行餐品推荐的方案,通常需要与点餐平台形成协议,并且获得用户授权,才可以获取到原始操作数据,数据获取难度大,且数据获取的链条长,因而造成了一定的局限。
上述用餐信息的推荐方法,根据获取到的目标用户的视频观看记录,确定与各餐品类别对应的用户偏好参数,再根据用户偏好参数确定目标用户的偏好餐品类别,进而根据偏好餐品类别确定待推荐用餐信息,并推荐该待推荐用餐信息。将视频观看数据应用于用餐信息的推荐,一方面打破了仅能在点餐平台进行用餐信息推荐的局限,另一方面有效地挖掘了视频观看数据中隐藏的数据价值,避免了数据资源的浪费。
一个实施例中,用餐信息的推荐方法,还可以包括如下步骤:获取目标用户的用餐属性信息,用餐属性信息包括用餐位置信息、用餐费用信息及用餐时间信息中的至少一项。据此,基于偏好餐品类别确定针对目标用户的待推荐用餐信息,并推荐待推荐用餐信息的步骤,即步骤S208,可以包括如下步骤:基于偏好餐品类别和用餐属性信息确定针对目标用户的待推荐餐厅信息,并推荐待推荐餐厅信息。
用餐位置信息,可以指用餐的地理位置信息。一个实施例中,可以获取目标用户当前所处终端的实际地理位置,该实际地理位置即为目标用户的用餐位置信息。另一个实施例中,可以获取用户输入的地理位置信息,该输入的地理位置信息即为目标用户的用餐位置信息。用餐费用信息,可以指用餐的费用预算,例如用餐费用信息可以为人均100元人民币。用餐时间信息,可以指用餐的时间预算,例如用餐时间信息可以为1小时。
在本实施例中,用餐信息可以包括餐厅信息。其中,餐厅信息可用于表征用餐的餐厅。相应地,待推荐用餐信息可以包括待推荐餐厅信息。此外,确定目标用户的偏好用餐类别后,还可以获取目标用户的用餐属性信息,进而基于偏好餐品类别和用餐属性信息,共同确定针对目标用户的待推荐餐厅信息。
一个实施例中,用餐属性信息可以包括用餐位置信息,在此情况下,可基于偏好餐品类别和用餐位置信息,共同确定针对目标用户的待推荐餐厅信息。例如,目标用户的偏好餐品类别为中餐川菜类,用餐位置信息为位置深圳火车站,则可将位于深圳火车站附近的川菜餐厅所对应的餐厅信息,确定为待推荐餐厅信息。
另一个实施例中,用餐属性信息可以包括用餐位置信息、用餐费用信息及用餐时间信息,在此情况下,可基于偏好餐品类别、用餐位置信息、用餐费用信息及用餐时间信息,共同确定针对目标用户的待推荐餐厅信息。例如,目标用户的偏好餐品类别为中餐川菜类,用餐位置信息为位置深圳火车站,用餐费用信息为人均100元人民币,用餐时间信息为1小时,则可以将位于深圳火车站附近、平均人均消费为100元以内、且平均用餐时间在1小时以内的川菜餐厅所对应的餐厅信息,确定为待推荐餐厅信息。
此外,需要说明的是,用餐属性信息可以包括用餐位置信息、用餐费用信息及用餐时间信息中的至少一项,亦即是说,用餐属性信息可以包括用餐位置信息、用餐费用信息及用餐时间信息的任意一项或任意组合。
一个实施例中,用户偏好参数可以包括第一偏好参数。其中,该第一偏好参数可以基于获取到的目标用户的视频观看记录匹配的地理位置信息确定。
地理位置信息,可用于表征与视频观看记录涉及的影片相关的地理位置。可以理解,地理位置信息与餐品类别之间可具有一定的关联关系。例如,中国四川可关联“中餐川菜类”这一餐品类别、日本各地区(如东京)均可关联“日式料理类”这一餐品类别。
此外,用户观看过与某一地理位置相关的视频,表明用户可能也对该地理位置关联的餐品类别有所偏好。因而,基于目标用户的视频观看记录匹配的地理位置信息,所确定的与各餐品类别分别对应的各第一偏好参数,可分别用于表征目标用户对各餐品类别的偏好程度。
一个实施例中,地理位置信息可为预先设定的地理位置信息,即预定地理位置信息。例如,预先设定“中国四川”、“日本东京”及“泰国曼谷”这三个地理位置信息。
一个实施例中,如图3所示,与各餐品类别分别对应的各第一子偏好参数的确定方式,可以包括如下步骤S302至S306。
S302,确定各视频观看记录匹配的地理位置信息,地理位置信息包括视频取景地信息。S304,获取与各视频取景地信息分别对应的第一记录次数,第一记录次数为:其对应的视频取景地信息匹配的视频观看记录的数目。S306,基于各第一记录次数、及各视频取景地信息分别在各餐品类别下的第二权重值,确定与各餐品类别分别对应的各第一子偏好参数。
地理位置信息,可包括视频取景地信息。其中,视频取景地信息,可用于表征对应的视频的取景地。
对于任一视频取景地信息,其对应的第一记录次数为:获取到的目标用户的各视频观看记录中,与该视频取景地信息匹配的视频观看记录的数目。例如,预先设定“中国四川”、“日本东京”及“泰国曼谷”这三个视频取景地信息,获取到的目标用户的视频观看记录共有10个,其中,4个与“中国四川”匹配,6个与“日本东京”匹配,0个与“泰国曼谷”匹配,在此情况下,“中国四川”对应的第一记录次数为4,“日本东京”对应的第一记录次数为6,“泰国曼谷”对应的第一记录次数为0(下文简称示例E-1)。
各视频取景地信息在任一餐品类别下的第二权重值,可分别用于表征各视频取景地信息与该餐品类别的关联程度。并且,第二权重值通常与该关联程度正相关。
需要说明的是,表1示出了“中国四川”、“日本东京”及“泰国曼谷”这三个视频取景地信息分别在“中餐川菜类”、“日式料理类”、以及“东南亚风味类”这三个餐品类别下的第二权重值。以表1所示为例,“中国四川”、“日本东京”及“泰国曼谷”这三个视频取景地信息,在“日式料理类”这一餐品类别下的第二权重值分别为1、10和1。由此可知,在上述三个视频取景地信息中,“日本东京”这一视频取景地信息与“日式料理类”这一餐品类别的关联程度最高。
此外,在本实施例中,对于任一餐品类别,可基于与各视频取景地信息分别对应的各第一记录次数、以及各视频取景地信息分别在该餐品类别下的各第二权重值,确定该餐品类别对应的第一子偏好参数。
例如,对于示例E-1及表1所示,可基于“中国四川”对应的第一记录次数 4、“日本东京”对应的第一记录次数6、“泰国曼谷”对应的第一记录次数0、以及“中国四川”、“日本东京”及“泰国曼谷”分别在“日式料理类”下的第二权重值1、10及1,进行预定运算规则的运算,从而确定“日式料理类”对应的第一子偏好参数。
表1
一个实施例中,基于各第一记录次数、以及各视频取景地信息分别在各餐品类别下的第二权重值,确定各餐品类别分别对应的各第一子偏好参数的步骤,即步骤S306,可以包括如下步骤:分别确定各视频取景地信息在各餐品类别下的第一权重分量值,第一权重分量值为:视频取景地信息对应的第一记录次数与该视频取景地信息在该餐品类别下的第二权重值的乘积;确定各餐品类别的第一类别分量值,第一类别分量值为:各视频取景地信息在该餐品类别下的各第一权重分量值之和;将各餐品类别的第一类别分量值与第二记录总值的比值,确定为该餐品类别对应的第一子偏好参数,第二记录总值为各视频取景地信息对应的第一记录次数之和。
在本实施例中,可基于各第一记录次数、以及各视频取景地信息分别在各餐品类别下的第二权重值,进行加权平均运算,从而确定与各餐品类别分别对应的各第一子偏好参数。
一个实施例中,可通过如下公式确定与各餐品类别分别对应的各第一子偏好参数。需要说明的是,对于如下公式,不同的i值代表不同的餐品类别,不同的a值代表不同的视频取景地信息。
其中,R1i为i代表的餐品类别所对应的第一子偏好参数;P2ia为a代表的视频取景地信息在i代表的餐品类别下的第二权重值;ta为a代表的视频取景地信息所对应的第一记录次数;P2ia×ta为a代表的视频取景地信息在i代表的餐品类别下的第一权重分量值;为i代表的餐品类别的第一类别分量值, N1为第二记录总值。
针对表1所示内容,设定i为1代表“中餐川菜类”、i为2代表“日式料理类”及i为3代表“东南亚风味类”,a为1代表“中国四川类”、a为2代表“日本东京”、以及a为3代表“泰国曼谷”。以下结合示例E-1及表1所示,说明通过上述公式确定的各餐品类别对应的第一子偏好参数。
“中餐川菜类”、“日式料理类”、“东南亚风味类”各自对应的第一子偏好参数分别为R11、R12及R13。其中, 由此可知,若用户偏好参数仅包括第一子偏好参数,目标用户对“日式料理类”的偏好程度最高、“中餐川菜类”次之,“东南亚风味类”最低。
一个实施例中,确定各视频观看记录匹配的视频取景地信息的步骤,即步骤S302,可以包括如下步骤:获取与各视频观看记录涉及的视频所关联的视频属性信息;基于各视频属性信息,确定各视频观看记录匹配的视频取景地信息。
通常,视频及其视频属性信息会关联存储。因而,能够获取到与视频观看记录涉及的视频相关联的视频属性信息。并且,视频属性信息中通常包含与该视频相关的位置信息,因而可基于视频属性信息确定与视频观看记录匹配的视频取景地信息。
一个实施例中,视频属性信息中可包含其关联的视频的出产地信息。据此,对于任一视频观看记录,可获取与该视频观看记录涉及的视频相关联的视频属性信息,再获取该视频属性信息中包含的出产地信息,进而基于该出产地信息确定该视频观看记录匹配的视频取景地信息。
另一个实施例中,视频属性信息中可包含其关联的视频的拍摄地信息。因而,对于任一视频观看记录,可获取与该视频观看记录涉及的视频相关联的视频属性信息,再获取该视频属性信息中包含的拍摄地信息,进而基于该拍摄地信息确定该视频观看记录匹配的视频取景地信息。
需要说明的是,直接获取既有的视频属性信息,能够方便且快捷地确定与视频观看记录匹配的视频取景地信息,从而提高工作效率。此外,相较于出产地信息,拍摄地信息通常能够更加精准地反映视频取景地信息。因而,基于拍摄地信息,可更加精准地确定视频取景地信息,从而提高用餐信息推荐的准确度。
一个实施例中,确定各视频观看记录匹配的视频取景地信息的步骤,即步骤S302,可以包括如下步骤:获取各视频观看记录涉及的视频的第一视频图像;对第一视频图像分别进行图像分析,确定对应的图像场景信息;基于各第一视频图像对应的图像场景信息,对应确定各视频观看记录匹配的视频取景地信息。
本实施例中,首先,可对各视频观看记录涉及的视频进行画面帧提取处理,获取各视频观看记录涉及的视频的第一视频图像,各视频观看记录一一对应各第一视频图像。其中,第一视频图像可包括一帧以上的第一画面帧。
其中,对于画面帧提取处理的具体实现方式,一个实施例中,可以通过设定固定的截取时间间隔的方式对视频进行画面帧提取处理,例如视频V1的总时长为60分钟,且设定截取时间间隔为1分钟的情况下,可提取到60帧第一画面帧。因而,涉及该视频V1的视频观看记录,其对应的第一视频图像即包括这60 帧第一画面帧。另一个实施例中,也可基于视频的高潮片段分频率地进行画面帧提取处理,即对于一个视频,其低潮片段可以基于较低频率进行提取,其高潮片段可以基于较高频率进行提取,以获得更多的对应于高潮片段的第一画面帧。
其次,对于各第一视频图像,可对该第一视频图像包括的各第一画面帧分别进行图像分析,从而确定各第一画面帧分别对应的图像场景信息。其中,图像场景信息可用于表征对应的第一画面帧中出现的特征场景。特征场景可包括地区地标建筑和/或标志物。具体地,地区地标建筑可如长城、乐山大佛、富士山等,标志物可如大熊猫、考拉等。此外,图像分析可基于任何可能的图像分析方法实现,本申请不作具体限定。
此外,可基于各第一视频图像对应的图像场景信息,确定各视频观看记录所匹配的视频取景地信息。需要说明的是,图像场景信息可用于表征对应的第一画面帧中出现的特征场景,特征场景通常具有一个与之关联的特定地理位置。例如,对于地区地标建筑,长城可关联中国北京、乐山大佛可关联中国四川、富士山可关联日本东京等。对于标志物,大熊猫可关联到中国四川、考拉可关联到澳大利亚等。因而,可基于第一视频图像对应的图像场景信息,确定视频观看记录匹配的视频取景地信息。
一个实施例中,任一第一视频图像对应两个以上的图像场景信息时,基于该第一视频图像对应的图像场景信息,确定其对应的视频观看记录匹配的视频取景地信息,可以包括如下步骤:确定该第一视频图像对应的各图像场景信息的出场频率,出场频率为该图像场景信息在该第一视频图像中的出现频率;基于出现频率最高的图像场景信息,确定该视频观看记录匹配的视频取景地信息。
本实施例中,对任一第一视频图像,确定该第一视频图像的各画面帧所对应的图像场景信息后,可基于出现频率最高的图像场景信息,确定该第一视频图像对应的视频观看记录所匹配的视频取景地信息。
例如,对于视频观看记录R1,其涉及的视频为V1,获取的视频V1的第一视频图像为G1,第一视频图像G1包括60帧第一画面帧,与这60帧第一画面帧对应的各图像场景信息中,出现频率最高的图像场景信息对应乐山大佛。即乐山大佛是该视频V1中出现最频繁的特征场景。据此,可确定该视频观看记录匹配的视频取景地信息为“中国四川”。
一个实施例中,用户偏好参数可以包括第二偏好参数。其中,该第二子偏好参数基于各视频观看记录涉及的预定参考视频确定。
预定参考视频,是指其与各餐品类别的关联关系已知的视频。一个实施例中,可以选取近期其热度值超过预定热度阈值的视频,预先确定其与各餐品类别的关联关系,进而形成预定参考视频。
可以理解,根据预定参考视频与各餐品类别的关联关系,可确定观看过该预定参考视频的用户对各餐品类别的偏好。例如,《少年派的奇幻漂流》为一个预定参考视频,已知其与“东南亚风味类”这一餐品类别的关联程度高,则可以认为观看《少年派的奇幻漂流》的用户有可能对“东南亚风味类”这一餐品类别有所偏好。
可以理解,目标用户的视频观看记录涉及预定参考视频,表明目标用户观看过该预定参考视频。由于预定参考视频与各餐品类别的关联关系已知,可根据各视频观看记录涉及的预定参考视频,确定与各餐品类别分别对应的各第二偏好参数。
一个实施例中,与各餐品类别分别对应的各第二子偏好参数的确定方式,可以包括如下步骤S402和S404。S402,基于各视频观看记录确定第二记录次数,第二记录次数为:各视频观看记录中涉及预定参考视频的视频观看记录的数目。 S404,基于第二记录次数、以及各预定参考视频分别在各餐品类别下的第三权重值,确定各餐品类别对应的第二子偏好参数。
本实施例中,已知预定参考视频分别在各餐品类别下的第三权重值。一个实施例中,预定参考视频分别在各餐品类别下的第三权重值,可由人工预先进行设定,即可由人工建立及维护。
可以理解,对于任一餐品类别,各预定参考视频在该餐品类别下的第三权重值,可分别用于表征各预定参考视频与该餐品类别的关联程度。并且,第三权重值通常与该关联程度正相关。
需要说明的是,表2示出了“预定参考视频Vs1”和“预定参考视频Vs2”这两个预定参考视频分别在“中餐川菜类”、“日式料理类”、以及“东南亚风味类”这三个餐品类别下的第二权重值。以表2所示为例,“预定参考视频Vs1”和“预定参考视频Vs2”在“日式料理类”这一餐品类别下的第三权重值,分别为10和0。由此可知,“预定参考视频Vs1”与“日式料理类”的关联程度高于“预定参考视频Vs1”与“日式料理类”的关联程度。
第二记录次数,是指获取的目标用户的各视频观看记录中,涉及预定参考视频的视频观看记录的数目,即其涉及的视频是预定参考视频的视频观看记录的数目。例如,获取到的目标用户的视频观看记录共有10个,其中,有且仅有2 个视频观看记录涉及的视频是预定参考视频(以下简称示例E-2)。在此情况下,第二记录次数为2。
在本实施例中,对于任一餐品类别,可基于第二记录次数、以及各预定参考视频分别在该餐品类别下的各第三权重值,确定该餐品类别对应的第二子偏好参数。
以示例E-2和表2所示为例,可基于第二记录次数、“预定参考视频Vs1”和“预定参考视频Vs2”在“日式料理类”下的第三权重值,确定“日式料理类”对应的第二子偏好参数。
表2
中餐川菜类 | 日式料理类 | 东南亚风味类 | |
预定参考视频Vs1 | 5 | 10 | 0 |
预定参考视频Vs2 | 10 | 0 | 0 |
一个实施例中,基于第二记录次数、以及各预定参考视频分别在各餐品类别下的第三权重值,确定各餐品类别对应的第二子偏好参数的步骤,即步骤S404,可以包括如下步骤:确定各餐品类别对应的第二类别分量值,餐品类别对应的第二类别分量值为:各视频观看记录涉及的各预定参考视频,在该餐品类别下的各第三权重值之和;将各餐品类别对应的第二类别分量值与第二记录次数的比值,确定为与该餐品类别分别对应的各第二子偏好参数。
在本实施例中,可基于第二记录次数、以及各预定参考视频分别在各餐品类别下的第三权重值,进行加权平均运算,从而确定各餐品类别分别对应的各第二子偏好参数。
一个实施例中,可通过如下公式确定各餐品类别分别对应的各第二子偏好参。需要说明的是,对于如下公式,不同的i值代表不同的餐品类别,不同的b 值代表不同的预定参考视频。
其中,R2i为i代表的餐品类别所对应的第二子偏好参数;P3ib为b代表的预定参考视频在i代表的餐品类别下的第三权重值;为i代表的餐品类别的第二类别分量值,N2为第二记录次数。
针对表2所示内容,设定i为1代表“中餐川菜类”、i为2代表“日式料理类”、i为3代表“东南亚风味类”、b为1代表“预定参考视频Vstad1”、b为2 代表“预定参考视频Vstad2”。以下结合示例E-2及表2所示,说明通过上述公式确定的各餐品类别对应的第二子偏好参数。
针对表2所示内容,设定i为1代表“中餐川菜类”、i为2代表“日式料理类”、i为3代表“东南亚风味类”、b为1代表“预定参考视频Vstad1”、b为2 代表“预定参考视频Vstad2”。以下结合示例E-2及表2所示,说明通过上述公式确定的各餐品类别对应的第二子偏好参数。
“中餐川菜类”、“日式料理类”、“东南亚风味类”各自对应的第二子偏好参数分别为R21、R22及R23。其中,由此可知,若用户偏好参数仅包括第二子偏好参数,目标用户对“中餐川菜类”的偏好程度最高、“日式料理类”次之,“东南亚风味类”最低。
在一个实施例中,用户偏好参数可以包括第三偏好参数。其中,该第三子偏好参数基于各视频观看记录涉及的视频所包含的餐品图像确定。
餐品图像,是指其图像内容对应餐品的图像。对于餐品图像,可确定与其匹配的餐品类别,例如,一餐品图像的图像内容对应寿司,该餐品图像匹配的餐品类别可为“日式料理类”。再例如,一餐品图像的图像内容对应九宫格辣火锅,该餐品图像匹配的餐品类别可为“中餐川菜类”。
可以理解,若目标用户观看过的视频中包含的餐品图像,与某一餐品类别匹配,表明目标用户可能对该餐品类别有所偏好。例如,目标用户观看过的视频中包含对应寿司的餐品图像,由于寿司匹配“日式料理类”这一餐品类别,表明用户可能对“日式料理类”这一餐品类别有所偏好。因而,可基于各视频观看记录涉及的视频所包含的餐品图像,确定与各餐品类别分别对应的各第三偏好参数。
在一个实施例中,与各餐品类别分别对应的各第三子偏好参数的确定方式,可以包括如下步骤S502和S504。S502,分别获取各视频观看记录涉及的视频在各餐品类别下的第四权重值。S504,基于各第四权重值,以及第一记录总值,确定与各餐品类别分别对应的各第三子偏好参数,第一记录总值为视频观看记录的数目。
本实施例中,对于任一视频观看记录涉及的视频,可基于其包含的餐品图像确定该视频在各餐品类别下的第四权重值。其中,对于任一餐品类别,各视频观看记录涉及的视频在该餐品类别下的第四权重值,可分别用于表征各视频观看记录涉及的视频与该餐品类别的关联程度。并且,第四权重值通常与该关联程度正相关。
第一记录总值,是指获取的目标用户的视频观看记录的数目。例如,获取的目标用户的视频观看记录共有10个,第一记录总值则为10。又例如,获取到的目标用户的视频观看记录共有2个,第一记录总值则为2。
本实施例中,对于任一餐品类别,可基于第一记录总值、以及各视频观看记录涉及的视频分别在该餐品类别下的第四权重值,确定该餐品类别对应的第三子偏好参数。
在一个实施例中,获取各视频观看记录涉及的视频在各餐品类别下的第四权重值的方式,可以包括如下步骤S602至S606。
S602,获取各视频观看记录涉及的视频的第二视频图像。S604,识别第二视频图像中的餐品图像,并确定与识别出的餐品图像匹配的餐品类别。S606,基于各第二视频图像的餐品图像及其匹配的餐品类别,对应确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。
本实施例中,首先,可对各视频观看记录涉及的视频进行画面帧提取处理,获取各视频观看记录涉及的视频的第二视频图像,各视频观看记录一一对应各第二视频图像。其中,第二视频图像可包括一帧以上的第二画面帧。需要说明的是,本实施例中对画面帧提取处理的具体限定,可与前文中获取第一视频图像处对画面帧提取处理的限定相同。
其次,对于各第二视频图像,可分别识别该第二视频图像包括的各第二画面帧,再确定与识别出的餐品图像匹配的餐品类别。其中,对于任一餐品图像,可确定与之匹配的餐品类别。例如,设定三个餐品类别,分别为“中餐川菜类”、“日式料理类”、以及“东南亚风味类”,在此情况下,一餐品图像的图像内容对应寿司,该餐品图像匹配的餐品类别可为“日式料理类”。再例如,一餐品图像的图像内容对应九宫格辣火锅,该餐品图像匹配的餐品类别可为“中餐川菜类”。
继而,可基于各第二视频图像的餐品图像及其匹配的餐品类别,对应确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。
在一个实施例中,基于各第二视频图像中的餐品图像及其匹配的餐品类别,对应确定各视频观看记录涉及的视频在各餐品类别下的第四权重值,即步骤 S606,可以包括如下步骤:基于各第二视频图像中的餐品图像及其匹配的餐品类别,确定各第二视频图像在各餐品类别下的命中图像数目,命中图像数目为:该第二视频图像包含的与该餐品类别匹配的餐品图像的数目;基于各第二视频图像在各餐品类别下的命中图像数目,确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。
在本实施例中,任一第二视频图像在任一餐品类别下的命中图像数目,该第二视频图像包含的与该餐品类别匹配的餐品图像的数目。
举例说明,获取到的目标用户的视频观看记录仅有1个,为视频换看记录 Rh1。该视频观看记录Rh1涉及视频Vh1,获取到的视频Vh1的第二视频图像为 P1,该第二视频图像P1包括100帧第二画面帧。假设餐品图像的识别结果为:在该100帧第二画面帧中,10帧第二画面帧包含的餐品图像均匹配“中餐川菜类”、30帧第二画面帧包含的餐品图像均匹配“日式料理类”、40帧第二画面帧包含的餐品图像均匹配“东南亚风味类”、还有20帧第二画面帧为无效图像帧 (示例E-3)。其中,无效图像帧,是指未包含餐品图像,或者其包含的餐品图像与各餐品类别均不匹配的第二画面帧。
在此情况下,“中餐川菜类”的命中图像数目为10、“日式料理类”的命中图像数目为30、“东南亚风味类”的命中图像数目为40。
进而,可基于各餐品类别对应的命中图像数目,确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。
一个实施例中,基于各餐品类别对应的命中图像数目,确定各视频观看记录涉及的视频在各餐品类别下的第四权重值的步骤,即步骤S6064,可以包括如下步骤:基于各第二视频图像在各餐品类别下的命中图像数目,以及各第二视频图像对应的图像帧总数,对应确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。其中,该第二视频图像包含的图像帧的数目,或者从该第二视频图像中过滤无效图像帧后的剩余图像帧的数目。
一个实施例中,可通过如下公式确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。需要说明的是,对于如下公式,不同的i值代表不同的餐品类别,不同的d值代表不同的已看视频(即不同的视频观看记录涉及的视频)。
其中,P4id为d代表的已看视频在i代表的餐品类别下的第四权重值;Mid为d代表的已看视频在i代表的餐品类别下的命中图像数目;N3为第二视频图像包含的图像帧的数目。
设定i为1代表“中餐川菜类”、i为2代表“日式料理类”及i为3代表“东南亚风味类”,以下结合示例E-3,说明通过上述公式确定目标用户的视频观看记录涉及的视频(视频Vh1)在各餐品类别下的第四权重值。
视频Vh1在“中餐川菜类”、“日式料理类”、“东南亚风味类”下的第四权重值分别为:P412、P421和P431。其中,及
在一个实施例中,用户偏好参数可以包括第四偏好参数。其中,该第四子偏好参数基于近似用户的用户偏好参数确定,近似用户为与目标用户之间的观看相似度满足预定筛选条件的用户。
近似用户,是指与目标用户之间的观看相似度满足预定筛选条件的用户。其中,两个用户之间的观看相似度可基于这两个用户的观看视频记录确定。
可以理解,目标用户与近似用户的观看视频记录相似,表明目标用户与近似用户对各餐品类别的偏好程度有可能相似,然而近似用户的用户偏好参数能够表征该近似用户对各餐品类别的偏好程度,因而可以基于近似用户的用户偏好参数,确定目标用户的第四子偏好参数。
在一个实施例中,与各餐品类别分别对应的各第四子偏好参数的确定方式,可以包括如下步骤S702至S706。
S702,基于视频观看记录,确定与目标用户之间的观看相似度满足预定筛选条件的各近似用户。S704,基于各近似用户与目标用户之间的观看相似度,分别确定各近似用户对目标用户的影响权重值。S706,基于各近似用户的影响权重值,以及各近似用户分别在各餐品类别下的用户偏好参数,确定各餐品类别分别对应的各第四子偏好参数。
其中,预定筛选条件,可用于筛选出与目标用户之间的观看似度高的用户。
一个实施例中,与目标用户之间的观看相似度满足预定筛选条件的各近似用户,可以包括:与目标用户之间的观看相似度最大的第二预定数目的用户。例如,第二预定数目为10,且共有100个候选用户,则可将这100个候选用户中与目标用户U1之间的观看相似度最高的10个候选用户,确定为目标用户的近似用户。在此情况下,目标用户的近似用户的个数为10。
另一个实施例中,与目标用户之间的观看相似度满足预定筛选条件的各近似用户,可以包括:与目标用户之间的观看相似度超过预定相似度阈值的各用户。例如,预定相似度阈值为0.9、共有100个候选用户,且这100个候选用户中,与目标用户之间的观看相似度超过0.1的候选用户的数目为5,则将这5个候选用户确定为目标用户的近似用户。在此情况下,目标用户的近似用户的个数为5。
其中,可通过如下公式确定任意两个用户之间的观看相似度:其中,W为获取的其中一个用户的观看视频记录的数目,Z为获取的另一个用户的观看视频记录的数目,K为两个用户的观看视频记录中共同涉及的视频的数目。
例如,获取的目标用户U1的观看视频记录共有10个,这10个观看视频记录分别涉及视频V1、V2、V3、V4、V5、V6、V7、V8、V9以及V10。获取的用户U2的观看视频记录共有4个,这4个观看视频记录分别涉及视频V1、V2、 V11以及V12。在此情况下,W为10、Z为4、且Q为2(共同涉及视频V1和视频V2),则用户U1和用户U2之间的观看相似度为S0,
此外,可基于各近似用户与目标用户之间的观看相似度确定各近似用户对目标用户的影响权重值。一个实施例中,可通过如下公式计算各近似用户对目标用户的影响权重值。需要说明的是,对于如下公式,不同的x值代表不同的近似用户。
其中,P5x为x代表的近似用户对目标用户的影响权重值。Sx为x代表的近似用户与目标用户之间的观看相似度,Stotal为目标用户的各近似用户与目标用户之间的观看近似度之和。
假设目标用户Uaim有4个近似用户,分别为用户Ua1、用户Ua2、用户Ua3 和用户Ua4。并且,这四个近似用户与目标用户Uaim之间的观看相似度如表4 所示,并且设定x为1至4分别代表用户Ua1、用户Ua2、用户Ua3和用户Ua4。以下结合表4所示,说明通过上述公式确定的各近似用户对目标用户Uaim的影响权重值。
用户Ua1、用户Ua2、用户Ua3和用户Ua4对目标用户Uaim的影响权重值分别为P51、P52、P53及P54。其中, 以及(示例E-4)。
表4
本实施例中,对于任一餐品类别,可基于各近似用户的影响权重值、以及各近似用户分别在该餐品类别下的用户偏好参数,确定该餐品类别对应的第四子偏好参数。一个实施例中,可通过如下公式计算各餐品类别对应的第四子偏好参数。需要说明的是,对于如下公式,不同的i值代表不同的餐品类别,不同的x 值代表不同的近似用户。
其中,R4i为i代表的餐品类别所对应的第四子偏好参数;P5x为x代表的近似用户对目标用户的影响权重值;Rhxi为x代表的近似用户在i代表的餐品类别下的历史用户偏好参数。
需要说明的是,表5示出了用户Ua1、用户Ua2、用户Ua3和用户Ua4分别在“中餐川菜类”、“日式料理类”、以及“东南亚风味类”这三个餐品类别下的历史用户偏好参数。针对表5所示内容,设定i为1代表“中餐川菜类”、i为 2代表“日式料理类”及i为3代表“东南亚风味类”并且设定x为1至4分别代表用户Ua1、用户Ua2、用户Ua3和用户Ua4。以下结合示例E-4及表1所示,说明通过上述公式确定的各餐品类别对应的第四子偏好参数。
“中餐川菜类”、“日式料理类”、“东南亚风味类”各自对应的第一子偏好参数分别
为R41、R42及R43。其中,
表5
中餐川菜类 | 日式料理类 | 东南亚风味类 | |
Ua1 | 3 | 5 | 8 |
Ua2 | 3 | 6 | 9 |
Ua3 | 9 | 4 | 3 |
Ua4 | 3 | 2 | 7 |
在一个实施例中,用户偏好参数可以包括:第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少一个。其中,第一子偏好参数基于各视频观看记录匹配的地理位置信息确定;第二子偏好参数基于各视频观看记录涉及的预定参考视频确定;第三子偏好参数基于各视频观看记录涉及的视频所包含的餐品图像确定;第四子偏好参数基于近似用户的用户偏好参数确定,近似用户为与目标用户之间的观看相似度满足预定筛选条件的用户。
需要说明的是,用户偏好参数可包括子偏好参数,且包括的子偏好参数的数目可以仅为一个,也可以为两个以上。
一个实施例中,对于与任一餐品类别对应的用户偏好参数,该用户偏好参数可仅包括一个子偏好参数。可以理解,在此情况下,该子偏好参数可唯一表征目标用户对该餐品类别的偏好程度,亦即是说,该子偏好参数即为该用户偏好参数。
另一个实施例中,对于与任一餐品类别对应的用户偏好参数,该用户偏好参数可包括两个以上的子偏好参数。在此情况下,可由用户偏好参数包括的各子偏好参数共同表征目标用户对该餐品类别的偏好程度。
此外,需要说明的是,本实施例中对第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数的具体限定,可与前文各实施例中对第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数的限定相同,此处不加赘述。
在一个实施例中,如图8所示,用户偏好参数包括第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少两个时,基于各用户偏好参数,确定目标用户的偏好餐品类别,即步骤S206,可以包括如下步骤S802 和S804。
S802,基于各餐品类别对应的各子偏好参数,确定与各餐品类别分别对应的决策偏好参数,任一餐品类别对应的各子偏好参数包括:该餐品类别对应的第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少两个。S804,基于各决策偏好参数,确定目标用户的偏好餐品类别。
本实施例中,对于任一餐品类别对应的用户偏好参数,该用户偏好参数包括两个以上的子偏好参数。在此情况下,可基于该用户偏好参数包括各子偏好参数,与该餐品类别对应的一个决策偏好参数。可以理解,可由该决策偏好参数唯一表征目标用户对该餐品类别的偏好程度。
举例说明,“日式料理类”这一餐品类别对应的用户偏好参数包括第一子偏好参数和第二子偏好参数,在此情况下,可基于该第一子偏好参数和该第二子偏好参数,获得与“日式料理类”对应的决策偏好参数。可以理解,可由该决策偏好参数唯一表征目标用户对“日式料理类”的偏好程度。
相应地,可获得与各餐品类别分别对应的各决策偏好参数,再基于各决策偏好参数,确定目标用户的偏好餐品类别。具体地,可在各餐品类别中选取满足预定选取条件的餐品类别,作为目标用户的偏好餐品类别。可以理解,选取条件可基于实际需求进行设定。
针对各餐品类别,选取条件可包括:其对应的决策偏好参数含于最大的第二预定数目个决策偏好参数中。一个具体示例中,第二预定数目可等于一,据此,获取到与各餐品类别对应的各决策偏好参数后,将最大的一个决策偏好参数对应的餐品类别,确定为偏好餐品类别。另一个具体示例中,第二预定数目可多于一个,偏好餐品类别的数目相应多于一个;在此情况下,获取到与各餐品类别对应的各决策偏好参数后,将与最大的第二预定数目个决策偏好参数分别对应的各餐品类别,均确定为偏好餐品类别;例如,第二预定数目等于三,则将与最大的三个决策偏好参数分别对应的三个餐品类别,均确定为偏好餐品类别。
又一个实施例中,针对各餐品类别,选取条件还可以包括:其对应的用户偏好参数超过预定偏好阈值。即,获取到与各餐品类别对应的各用户偏好参数后,将超过预定偏好阈值的用户偏好参数所对应的餐品类别,确定为偏好餐品类别。
在一个实施例中,基于各餐品类别对应的各子偏好参数,确定与各餐品类别分别对应的决策偏好参数的步骤,即步骤S802,可以包括如下步骤:基于各餐品类别对应的各子偏好参数、以及各子偏好参数的第一权重值,确定与各餐品类别分别对应的第一决策偏好参数。
在本实施例中,对于任一餐品类别,可基于该餐品类别对应的各子偏好参数、以及该各子偏好参数的第一权重值,确定该餐品类别的第一决策偏好参数。
在一个实施例中,可通过如下公式确定与各餐品类别分别对应的第一决策偏好参数。需要说明的是,对于如下公式,不同的i值代表不同的餐品类别,不同的c值代表不同的子偏好参数。
其中,为i代表的餐品类别所对应的第一决策偏好参数;为c代表的子偏好参数的第一权重值;Ric为i代表的餐品类别所对应的c代表的子偏好参数。
假设设定i为1代表“中餐川菜类”、i为2代表“日式料理类”、i为3代表“东南亚风味类”、c为1代表第一子偏好参数、c为2代表第二子偏好参数、c 为3代表第三子偏好参数、c为4代表第四子偏好参数。据此,对Ric进行举例说明,i=c=1,R11为“中餐川菜类”对应的第一子偏好参数;i=c=2,R22为“日式料理类”对应的第二子偏好参数;i=3且c=2,R23为“东南亚风味类”对应的第二子偏好参数。
在一个实施例中,基于各餐品类别对应的各子偏好参数,确定与各餐品类别分别对应的决策偏好参数的步骤,可以包括如下步骤:将各餐品类别对应的各子偏好参数中,优先级最高的子偏好参数,确定为与各餐品类别分别对应的第二决策偏好参数。
本实施例中,对于任一餐品类别对应的用户偏好参数,该用户偏好参数包括两个以上的子偏好参数。在此情况下,可以确定该用户偏好参数包含的子偏好参数的优先级,并将优先级最高的子偏好参数,确定为与该餐品类别对应的第二决策偏好参数。可以理解,可由该第二决策偏好参数唯一表征目标用户对该餐品类别的偏好程度。
其中,用户偏好参数包括的各子偏好参数的优先级可基于实际需求进行确定。一个实施例中,可由人工预先进行设定。
举例说明,与“中餐川菜类”、“日式料理类”、及“东南亚风味类”分别对应的各用户偏好参数均包括第一子偏好参数、第二子偏好参数、第三子偏好参数和第四子偏好参数,并且第一子偏好参数的优先级最高。在此情况下,与“中餐川菜类”对应的第一子偏好参数即可为“中餐川菜类”对应的第二决策偏好参数、与“日式料理类”对应的第一子偏好参数即可为“日式料理类”对应的第二决策偏好参数、与“中餐川菜类”对应的第一子偏好参数即可为“中餐川菜类”对应的第二决策偏好参数。
在一个实施例中,如图9所示,提供了一种用餐信息的推荐方法。该方法可以包括如下步骤:S901,获取目标用户的视频观看记录。S9021,确定各视频观看记录匹配的地理位置信息,地理位置信息包括视频取景地信息。S9022,获取与各视频取景地信息分别对应的第一记录次数,第一记录次数为:其对应的视频取景地信息匹配的视频观看记录的数目。S9023,基于各第一记录次数、及各视频取景地信息分别在各餐品类别下的第二权重值,确定与各餐品类别分别对应的各第一子偏好参数。S9031,基于各视频观看记录确定第二记录次数,第二记录次数为:各视频观看记录中涉及预定参考视频的视频观看记录的数目。S9032,基于第二记录次数、以及各预定参考视频分别在各餐品类别下的第三权重值,确定各餐品类别对应的第二子偏好参数。S9041,分别获取各视频观看记录涉及的视频在各餐品类别下的第四权重值;S9042,基于各第四权重值,以及第一记录总值,确定与各餐品类别分别对应的各第三子偏好参数,第一记录总值为视频观看记录的数目。S9051,基于视频观看记录,确定与目标用户之间的观看相似度满足预定筛选条件的各近似用户。S9052,基于各近似用户与目标用户之间的观看相似度,分别确定各近似用户对目标用户的影响权重值。S9053,基于各近似用户的影响权重值,以及各近似用户分别在各餐品类别下的用户偏好参数,确定各餐品类别分别对应的各第四子偏好参数。S9061,基于各餐品类别对应用户偏好参数中的各子偏好参数、以及各子偏好参数的第一权重值,确定与各餐品类别分别对应的决策偏好参数;用户偏好参数包括第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数。S9062,基于各用户偏好参数,确定目标用户的偏好餐品类别。S9063,基于偏好餐品类别确定针对目标用户的待推荐用餐信息,并推荐待推荐用餐信息。
其中,步骤S901为视频记录获取步骤;第一子偏好参数确定步骤S902可包括上述步骤S9021至S9023;第二子偏好参数确定步骤S903可包括如下步骤 S9031至S9032;第三子偏好参数确定步骤S904可包括如下步骤S9041至S9042;第四子偏好参数确定步骤S905可包括如下步骤S9051至S9053;待推荐用餐信息的确定步骤S906可包括如下步骤S9061至S9063。
此外,本实施例中的各步骤的技术特征可与前文的各实施例中的对应步骤的技术特征相同,此处不加赘述。
应该理解的是,虽然前文各实施例涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种用餐信息的推荐装置1000。该装置1000可以包括如下模块1002至1008。观看记录获取模块1002,用于获取目标用户的视频观看记录。偏好参数获取模块1004,用于基于视频观看记录,获取用户偏好参数;用户偏好参数用于表征目标用户对餐品类别的偏好程度。偏好餐品类别确定模块1006,用于基于用户偏好参数,确定目标用户的偏好餐品类别。用餐信息推荐模块1008,用于基于偏好餐品类别确定待推荐用餐信息,并推荐待推荐用餐信息。
上述用餐信息的推荐装置,根据获取到的目标用户的视频观看记录,确定与各餐品类别对应的用户偏好参数,再根据用户偏好参数确定目标用户的偏好餐品类别,进而根据偏好餐品类别确定待推荐用餐信息,并推荐该待推荐用餐信息。将视频观看数据应用于用餐信息的推荐,一方面打破了仅能在点餐平台进行用餐信息推荐的局限,另一方面有效地挖掘了视频观看数据中隐藏的数据价值,避免了数据资源的浪费。
一个实施例中,用餐信息的推荐装置1000还可以包括用餐属性信息获取模块,其用于获取目标用户的用餐属性信息,用餐属性信息包括用餐位置信息、用餐费用信息及用餐时间信息中的至少一项。据此,用餐信息推荐模块1008可用于基于偏好餐品类别和用餐属性信息确定针对目标用户的待推荐餐厅信息,并推荐待推荐餐厅信息。
一个实施例中,各所述用户偏好参数与各所述餐品类别分别对应,用户偏好参数包括:第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少一个;其中,第一子偏好参数基于各视频观看记录匹配的地理位置信息确定;第二子偏好参数基于各视频观看记录涉及的预定参考视频确定;第三子偏好参数基于各视频观看记录涉及的视频所包含的餐品图像确定;第四子偏好参数基于近似用户的用户偏好参数确定,近似用户为与目标用户之间的观看相似度满足预定筛选条件的用户。
一个实施例中,用户偏好参数包括:第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少两个时,偏好餐品类别确定模块 1006可包括如下单元:决策参数确定单元,用于基于各餐品类别对应的各子偏好参数,确定与各餐品类别分别对应的决策偏好参数,任一餐品类别对应的各子偏好参数包括:该餐品类别对应的第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少两个。待推类别确定单元,基于各决策偏好参数,确定为目标用户进行餐品推荐的待推荐餐品类别。
一个实施例中,决策参数确定单元可以包括如下子单元:第一决策确定子单元,用于基于各餐品类别对应的各子偏好参数、以及各子偏好参数的第一权重值,确定与各餐品类别分别对应的第一决策偏好参数。
一个实施例中,决策参数确定单元可以包括如下子单元:第二决策确定子单元,用于将各餐品类别对应的各子偏好参数中,优先级最高的子偏好参数,确定为与各餐品类别分别对应的第二决策偏好参数。
一个实施例中,用餐信息的推荐装置1000还可以包括如下模块:地理信息确定模块,用于确定各视频观看记录匹配的地理位置信息,地理位置信息包括视频取景地信息。第一次数获取模块,用于获取与各视频取景地信息分别对应的第一记录次数,第一记录次数为:其对应的视频取景地信息匹配的视频观看记录的数目。第一子参数确定模块,用于基于各第一记录次数、及各视频取景地信息分别在各餐品类别下的第二权重值,确定与各餐品类别分别对应的各第一子偏好参数。
一个实施例中,地理信息确定模块可以包括如下单元:属性信息获取单元,用于获取与各视频观看记录涉及的视频所关联的视频属性信息。第一取景地确定单元,用于基于各视频属性信息,确定各视频观看记录匹配的视频取景地信息。
一个实施例中,地理信息确定模块可以包括如下单元:第一图像获取单元,用于获取各视频观看记录涉及的视频的第一视频图像。图像场景确定单元,用于对第一视频图像分别进行图像分析,确定对应的图像场景信息。第二取景地确定单元,用于基于各第一视频图像对应的图像场景信息,对应确定各视频观看记录匹配的视频取景地信息。
一个实施例中,任一第一视频图像对应两个以上的图像场景信息时,第二取景地确定单元可以包括如下子单元:出场频率确定子单元,用于确定该第一视频图像对应的各图像场景信息的出场频率,出场频率为该图像场景信息在该第一视频图像中的出现频率。取景地确定子单元,用于基于出现频率最高的图像场景信息,确定该视频观看记录匹配的视频取景地信息。
一个实施例中,第一子参数确定模块可以包括如下单元:第一权分量确定单元,用于分别确定各视频取景地信息在各餐品类别下的第一权重分量值,第一权重分量值为:视频取景地信息对应的第一记录次数与该视频取景地信息在该餐品类别下的第二权重值的乘积。第一类分量确定单元,用于确定各餐品类别的第一类别分量值,第一类别分量值为:各视频取景地信息在该餐品类别下的各第一权重分量值之和。第一子参数确定单元,用于将各餐品类别的第一类别分量值与第二记录总值的比值,确定为该餐品类别对应的第一子偏好参数,第二记录总值为各视频取景地信息对应的第一记录次数之和。
一个实施例中,用餐信息的推荐装置1000还可以包括如下模块:第二记录次数确定模块,用于基于各视频观看记录确定第二记录次数,第二记录次数为:各视频观看记录中涉及预定参考视频的视频观看记录的数目。第二子参数确定模块,用于基于第二记录次数、以及各预定参考视频分别在各餐品类别下的第三权重值,确定各餐品类别对应的第二子偏好参数。
一个实施例中,第二子参数确定模块可以包括如下单元:第二类分量确定单元,用于确定各餐品类别对应的第二类别分量值,餐品类别对应的第二类别分量值为:各视频观看记录涉及的各预定参考视频,在该餐品类别下的各第三权重值之和。第二子参数确定单元,用于将各餐品类别对应的第二类别分量值与第二记录次数的比值,确定为与该餐品类别分别对应的各第二子偏好参数。
一个实施例中,用餐信息的推荐装置1000还可以包括如下模块:第四权重获取模块,用于分别获取各视频观看记录涉及的视频在各餐品类别下的第四权重值。第三子参数确定模块,用于基于各第四权重值,以及第一记录总值,确定与各餐品类别分别对应的各第三子偏好参数,第一记录总值为视频观看记录的数目。
一个实施例中,第四权重获取模块可以包括如下单元:第二图像获取单元,用于获取各视频观看记录涉及的视频的第二视频图像。餐品类别视频单元,用于识别第二视频图像中的餐品图像,并确定与识别出的餐品图像匹配的餐品类别;第四权值确定单元,用于基于各第二视频图像的餐品图像及其匹配的餐品类别,对应确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。
一个实施例中,第四权值确定单元可以包括如下子单元:命中数目确定子单元,用于基于各第二视频图像中的餐品图像及其匹配的餐品类别,确定各第二视频图像在各餐品类别下的命中图像数目,命中图像数目为:该第二视频图像包含的与该餐品类别匹配的餐品图像的数目。第四权值确定子单元,用于基于各第二视频图像在各餐品类别下的命中图像数目,确定各视频观看记录涉及的视频在各餐品类别下的第四权重值。
一个实施例中,第四权值确定子单元可用于基于各第二视频图像在各餐品类别下的命中图像数目,以及各第二视频图像对应的图像帧总数,对应确定各视频观看记录涉及的视频在各餐品类别下的第四权重值;其中,各第二视频图像对应的图像帧总数为:该第二视频图像包含的图像帧的数目,或者从该第二视频图像中过滤无效图像帧后的剩余图像帧的数目。
一个实施例中,用餐信息的推荐装置1000还可以包括如下模块:近似用户确定模块,用于基于视频观看记录,确定与目标用户之间的观看相似度满足预定筛选条件的各近似用户。影响权值确定模块,用于基于各近似用户与目标用户之间的观看相似度,分别确定各近似用户对目标用户的影响权重值;第四子参数确定模块,用于基于各近似用户的影响权重值,以及各近似用户分别在各餐品类别下的用户偏好参数,确定各餐品类别分别对应的各第四子偏好参数。
需要说明的是,关于用餐信息的推荐装置1000的具体限定可以参见前文中对于用餐信息的推荐方法的限定,在此不再赘述。上述用餐信息的推荐装置 1000中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现本申请任一实施例提供用餐信息的推荐方法的步骤。
该计算机设备可以是图1中示出的服务器120,其内部结构图可以如图11 所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质和内存储器,该非易失性存储介质存储有操作系统和计算机程序,该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境,该数据库用于存储用户偏好参数,该计算机程序被处理器执行时以实现本申请任一实施例提供的用餐信息的推荐方法的步骤。该网络接口用于与外部的终端通过网络连接通信。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的用餐信息的推荐装置可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该用餐信息的推荐装置的各个程序模块,比如,图10所示的观看记录获取模块1002、偏好参数获取模块1004和待推类别确定模块1006。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的用餐信息的推荐方法中的步骤。例如,图11所示的计算机设备可以通过如图10所示的用餐信息的推荐装置1000中的观看记录获取模块1002执行步骤S202、偏好参数获取模块1004执行步骤S204、偏好餐品类别确定模块1006执行步骤S206、用餐信息推荐模块1008执行步骤S208等等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路 (Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM) 等。
据此,一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请任一实施例提供的用餐信息的推荐方法的步骤。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种用餐信息的推荐方法,其特征在于,包括:
获取目标用户的视频观看记录;
基于所述视频观看记录,获取用户偏好参数;所述用户偏好参数用于表征所述目标用户对餐品类别的偏好程度;
基于所述用户偏好参数,确定所述目标用户的偏好餐品类别;
基于所述偏好餐品类别确定针对所述目标用户的待推荐用餐信息,并推荐所述待推荐用餐信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取所述目标用户的用餐属性信息,所述用餐属性信息包括用餐位置信息、用餐费用信息及用餐时间信息中的至少一项;
所述基于所述偏好餐品类别确定针对所述目标用户的待推荐用餐信息,并推荐所述待推荐用餐信息,包括:
基于所述偏好餐品类别和所述用餐属性信息确定针对所述目标用户的待推荐餐厅信息,并推荐所述待推荐餐厅信息。
3.根据权利要求1所述的方法,其特征在于,各所述用户偏好参数与各所述餐品类别分别对应,所述用户偏好参数包括第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少一个;
第一子偏好参数基于各所述视频观看记录匹配的地理位置信息确定;
第二子偏好参数基于各所述视频观看记录涉及的预定参考视频确定;
第三子偏好参数基于各视频观看记录涉及的视频所包含的餐品图像确定;
第四子偏好参数基于近似用户的用户偏好参数确定,所述近似用户为与所述目标用户之间的观看相似度满足预定筛选条件的用户。
4.根据权利要求3所述的方法,其特征在于,所述用户偏好参数包括第一子偏好参数、第二子偏好参数、第三子偏好参数以及第四子偏好参数中的至少两个;
所述基于所述用户偏好参数,确定所述目标用户的偏好餐品类别,包括:
基于各所述餐品类别对应的各子偏好参数,确定与各所述餐品类别分别对应的决策偏好参数,任一所述餐品类别对应的各子偏好参数包括:该餐品类别对应的所述第一子偏好参数、所述第二子偏好参数、所述第三子偏好参数以及所述第四子偏好参数中的至少两个;
基于各所述决策偏好参数,确定所述目标用户的偏好餐品类别。
5.根据权利要求4所述的方法,其特征在于,所述基于各所述餐品类别对应的各子偏好参数,确定与各所述餐品类别分别对应的决策偏好参数,包括下述两项中的至少一项:
基于各所述餐品类别对应的各子偏好参数、以及各所述子偏好参数的第一权重值,确定与各所述餐品类别分别对应的所述决策偏好参数;
将各所述餐品类别对应的各子偏好参数中,优先级最高的所述子偏好参数,确定为与各所述餐品类别分别对应的所述决策偏好参数。
6.根据权利要求3至5中任意一项所述的方法,其特征在于,与各所述餐品类别分别对应的各所述第一子偏好参数的确定方式,包括:
确定各所述视频观看记录匹配的地理位置信息,所述地理位置信息包括视频取景地信息;
获取与各所述视频取景地信息分别对应的第一记录次数,所述第一记录次数为:其对应的视频取景地信息匹配的所述视频观看记录的数目;
基于各所述第一记录次数、及各所述视频取景地信息分别在各所述餐品类别下的第二权重值,确定与各所述餐品类别分别对应的各所述第一子偏好参数。
7.根据权利要求6所述的方法,其特征在于,确定各所述视频观看记录匹配的视频取景地信息,包括下述两项中的至少一项:
获取与各所述视频观看记录涉及的视频所关联的视频属性信息,基于各所述视频属性信息,确定各所述视频观看记录匹配的视频取景地信息;
获取各所述视频观看记录涉及的视频的第一视频图像,对所述第一视频图像分别进行图像分析确定对应的图像场景信息,并基于各所述第一视频图像对应的图像场景信息,对应确定各所述视频观看记录匹配的视频取景地信息。
8.根据权利要求3至5中任意一项所述的方法,其特征在于,与各所述餐品类别分别对应的各所述第二子偏好参数的确定方式,包括:
基于各所述视频观看记录确定第二记录次数,所述第二记录次数为:各所述视频观看记录中涉及预定参考视频的视频观看记录的数目;
基于所述第二记录次数、以及各所述预定参考视频分别在各所述餐品类别下的第三权重值,确定各所述餐品类别对应的第二子偏好参数。
9.根据权利要求3至5中任意一项所述的方法,其特征在于,与各所述餐品类别分别对应的各所述第三子偏好参数的确定方式,包括:
获取各所述视频观看记录涉及的视频分别在各所述餐品类别下的第四权重值;
基于各所述第四权重值,以及第一记录总值,确定与各所述餐品类别分别对应的各所述第三子偏好参数,所述第一记录总值为所述视频观看记录的数目。
10.根据权利要求9所述的方法,其特征在于,获取各所述视频观看记录涉及的视频在各所述餐品类别下的第四权重值的方式,包括:
获取各所述视频观看记录涉及的视频的第二视频图像;
识别所述第二视频图像中的餐品图像,并确定与识别出的餐品图像匹配的所述餐品类别;
基于各所述第二视频图像的餐品图像及其匹配的所述餐品类别,对应确定各所述视频观看记录涉及的视频在各所述餐品类别下的第四权重值。
11.根据权利要求10所述的方法,其特征在于,所述基于各所述第二视频图像中的餐品图像及其匹配的所述餐品类别,对应确定各所述视频观看记录涉及的视频在各所述餐品类别下的第四权重值,包括:
基于各所述第二视频图像中的餐品图像及其匹配的餐品类别,确定各所述第二视频图像在各所述餐品类别下的命中图像数目,所述命中图像数目为:该第二视频图像包含的与该餐品类别匹配的餐品图像的数目;
基于各所述第二视频图像在各所述餐品类别下的命中图像数目,确定各所述视频观看记录涉及的视频在各所述餐品类别下的所述第四权重值。
12.根据权利要求3至5中任意一项所述的方法,其特征在于,与各所述餐品类别分别对应的所述第四子偏好参数的确定方式,包括:
基于所述视频观看记录,确定与所述目标用户之间的观看相似度满足预定筛选条件的各近似用户;
基于各所述近似用户与所述目标用户之间的观看相似度,分别确定各所述近似用户对所述目标用户的影响权重值;
基于各所述近似用户的影响权重值,以及各所述近似用户分别在各所述餐品类别下的用户偏好参数,确定各所述餐品类别分别对应的各所述第四子偏好参数。
13.一种用餐信息的推荐装置,其特征在于,包括:
观看记录获取模块,用于获取目标用户的视频观看记录;
偏好参数获取模块,用于基于所述视频观看记录,获取用户偏好参数;所述用户偏好参数用于表征所述目标用户对餐品类别的偏好程度;
偏好餐品类别确定模块,用于基于所述用户偏好参数,确定所述目标用户的偏好餐品类别;
用餐信息推荐模块,用于基于所述偏好餐品类别确定待推荐用餐信息,并推荐所述待推荐用餐信息。
14.一种计算机可读存储介质,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12中任一项所述的方法的步骤。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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12中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810387772.3A CN110210920B (zh) | 2018-04-26 | 2018-04-26 | 用餐信息的推荐方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810387772.3A CN110210920B (zh) | 2018-04-26 | 2018-04-26 | 用餐信息的推荐方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110210920A true CN110210920A (zh) | 2019-09-06 |
CN110210920B CN110210920B (zh) | 2023-06-02 |
Family
ID=67778748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810387772.3A Active CN110210920B (zh) | 2018-04-26 | 2018-04-26 | 用餐信息的推荐方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210920B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115147A (zh) * | 2022-08-30 | 2022-09-27 | 深圳鸿博智成科技有限公司 | 一种基于人工智能的营养餐运输管理系统及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110208617A1 (en) * | 2010-02-19 | 2011-08-25 | Chris Weiland | System and method for locality and user preference based food recommendations |
CN102722900A (zh) * | 2012-06-05 | 2012-10-10 | 深圳市中兴移动通信有限公司 | 一种为拍摄的照片/视频自动添加说明信息的方法及装置 |
CN103634687A (zh) * | 2013-12-23 | 2014-03-12 | 乐视致新电子科技(天津)有限公司 | 智能电视中提供视频搜索结果的方法及系统 |
US20150256858A1 (en) * | 2014-03-10 | 2015-09-10 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for providing information |
US20160071185A1 (en) * | 2014-09-04 | 2016-03-10 | Alibaba Group Holding Limited | Method and system for providing dining recommendations |
US20160085816A1 (en) * | 2014-09-19 | 2016-03-24 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing system, information processing method, and recording medium |
CN105898583A (zh) * | 2015-01-26 | 2016-08-24 | 北京搜狗科技发展有限公司 | 一种图像推荐方法及电子设备 |
CN106067992A (zh) * | 2016-08-18 | 2016-11-02 | 北京奇虎科技有限公司 | 一种基于用户行为的信息推荐方法及装置 |
CN106791961A (zh) * | 2016-11-24 | 2017-05-31 | 武汉斗鱼网络科技有限公司 | 视频偏好信息处理方法、装置及系统 |
CN106886921A (zh) * | 2017-02-17 | 2017-06-23 | 正源信用(北京)科技有限公司 | 基于用户兴趣的个性化推荐方法 |
CN107025613A (zh) * | 2017-04-18 | 2017-08-08 | 腾讯科技(上海)有限公司 | 一种自动点餐方法及终端 |
CN107194746A (zh) * | 2017-06-20 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种用餐推荐方法及装置 |
US20170293297A1 (en) * | 2016-04-07 | 2017-10-12 | Samsung Electronics Co., Ltd. | Electronic apparatus and operating method thereof |
CN107943932A (zh) * | 2017-11-22 | 2018-04-20 | 广州虎牙信息科技有限公司 | 品类推荐方法、存储设备和终端 |
-
2018
- 2018-04-26 CN CN201810387772.3A patent/CN110210920B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110208617A1 (en) * | 2010-02-19 | 2011-08-25 | Chris Weiland | System and method for locality and user preference based food recommendations |
CN102722900A (zh) * | 2012-06-05 | 2012-10-10 | 深圳市中兴移动通信有限公司 | 一种为拍摄的照片/视频自动添加说明信息的方法及装置 |
CN103634687A (zh) * | 2013-12-23 | 2014-03-12 | 乐视致新电子科技(天津)有限公司 | 智能电视中提供视频搜索结果的方法及系统 |
US20150256858A1 (en) * | 2014-03-10 | 2015-09-10 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for providing information |
US20160071185A1 (en) * | 2014-09-04 | 2016-03-10 | Alibaba Group Holding Limited | Method and system for providing dining recommendations |
US20160085816A1 (en) * | 2014-09-19 | 2016-03-24 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing system, information processing method, and recording medium |
CN105898583A (zh) * | 2015-01-26 | 2016-08-24 | 北京搜狗科技发展有限公司 | 一种图像推荐方法及电子设备 |
US20170293297A1 (en) * | 2016-04-07 | 2017-10-12 | Samsung Electronics Co., Ltd. | Electronic apparatus and operating method thereof |
CN106067992A (zh) * | 2016-08-18 | 2016-11-02 | 北京奇虎科技有限公司 | 一种基于用户行为的信息推荐方法及装置 |
CN106791961A (zh) * | 2016-11-24 | 2017-05-31 | 武汉斗鱼网络科技有限公司 | 视频偏好信息处理方法、装置及系统 |
CN106886921A (zh) * | 2017-02-17 | 2017-06-23 | 正源信用(北京)科技有限公司 | 基于用户兴趣的个性化推荐方法 |
CN107025613A (zh) * | 2017-04-18 | 2017-08-08 | 腾讯科技(上海)有限公司 | 一种自动点餐方法及终端 |
CN107194746A (zh) * | 2017-06-20 | 2017-09-22 | 京东方科技集团股份有限公司 | 一种用餐推荐方法及装置 |
CN107943932A (zh) * | 2017-11-22 | 2018-04-20 | 广州虎牙信息科技有限公司 | 品类推荐方法、存储设备和终端 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115147A (zh) * | 2022-08-30 | 2022-09-27 | 深圳鸿博智成科技有限公司 | 一种基于人工智能的营养餐运输管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110210920B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9558397B2 (en) | Method and apparatus for automated analysis and identification of a person in image and video content | |
CN105160008B (zh) | 一种定位推荐用户的方法及装置 | |
CN107465886B (zh) | 中介方法、中介装置及系统、以及记录媒体 | |
KR102027670B1 (ko) | 관람자 관계형 동영상 제작 장치 및 제작 방법 | |
CN110222233B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN102843511A (zh) | 图像处理支持系统、信息处理设备和图像处理支持方法 | |
Giridhar et al. | On localizing urban events with instagram | |
JP7155074B2 (ja) | 情報提案システム、情報提案方法、プログラムおよび記録媒体 | |
CN105303449B (zh) | 基于相机指纹特征的社交网络用户的识别方法和系统 | |
CN108134950A (zh) | 一种智能视频推荐方法及系统 | |
JP6255599B1 (ja) | 情報処理システム、情報処理方法、及びプログラム | |
CN106599165A (zh) | 一种基于播放行为的内容推荐方法及服务器 | |
JP2011014035A (ja) | 検索システム及び検索方法 | |
CN106658161A (zh) | 基于连接关系的机顶盒信息推送方法和机顶盒 | |
CN110210920A (zh) | 用餐信息的推荐方法和装置 | |
US11622231B2 (en) | System and method for identifying associated subjects from location histories | |
CN105956061B (zh) | 一种用户间相似度确定方法及装置 | |
CN110110206B (zh) | 物品间关系挖掘及推荐方法、装置、计算设备、存储介质 | |
CN111275493B (zh) | 榜单数据的处理方法、装置、服务器和非易失性存储介质 | |
CN112182365A (zh) | 推荐信息生成方法、装置、电子设备及存储介质 | |
KR101517436B1 (ko) | 증강현실제공방법 및 증강현실제공시스템 | |
CN110472151A (zh) | 媒体数据推送方法、装置和计算机可读存储介质 | |
CN110956075A (zh) | 图像处理装置、图像处理方法及记录介质 | |
CN116366923A (zh) | 一种视频推荐方法、装置及电子设备 | |
CN108322782B (zh) | 多媒体信息的推送方法、装置和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |