CN110555750A - 用餐人数预测方法、装置、电子设备及可读存储介质 - Google Patents
用餐人数预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110555750A CN110555750A CN201910689813.9A CN201910689813A CN110555750A CN 110555750 A CN110555750 A CN 110555750A CN 201910689813 A CN201910689813 A CN 201910689813A CN 110555750 A CN110555750 A CN 110555750A
- Authority
- CN
- China
- Prior art keywords
- combination
- dish combination
- dish
- people
- sample dish
- 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 66
- 235000012054 meals Nutrition 0.000 claims abstract description 100
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 72
- 238000003062 neural network model Methods 0.000 claims description 34
- 238000012417 linear regression Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 14
- 235000013305 food Nutrition 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 55
- 235000021186 dishes Nutrition 0.000 description 49
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 241000209094 Oryza Species 0.000 description 7
- 235000007164 Oryza sativa Nutrition 0.000 description 7
- 235000013601 eggs Nutrition 0.000 description 7
- 235000009566 rice Nutrition 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种用餐人数预测方法、装置、电子设备及可读存储介质,涉及数据处理技术领域。所述方法包括:对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征;将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,确定所述待识别菜品组合的用餐人数;采用本申请实施例提供的用餐人数预测方法,能够为用户准确预测所选菜品组合的对应的用餐人数,避免用户在点餐时出现多点餐而造成的食物浪费或者少点餐而造成食物不够吃的情况。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种用餐人数预测方法、装置、电子设备及可读存储介质。
背景技术
随着各种点餐应用的广泛普及,越来越多的用户通过终端设备在网络上点餐。用户在点餐时通常会考虑两点,一是所选择的菜品组合包括的各个菜品是否符合自己口味,二是所选择的菜品组合包括的各个菜品的总数是否足够,即根据食用人数选择合适数量的菜品。
对于菜品组合包括的各个菜品是否符合自己口味,点餐者可以根据自己的喜好进行点餐,以获得符合自己口味的菜品组合,这点很容易判断;但是对于自己选择的菜品组合包括的各个菜品的总数是否足够,则比较难以判断,通常不同的商家提供的菜品份量不同,用户在点餐时容易多点餐造成食物浪费或者少点餐造成不够吃,很难根据经验判断自己选择的菜品组合对应的用餐人数。
发明内容
本申请实施例提供一种用餐人数预测方法、装置、电子设备及可读存储介质,以预测菜品组合对应的用餐人数,解决用户在点餐时出现多点餐或者少点餐的问题。
本申请实施例第一方面提供了一种用餐人数预测方法,所述方法包括:
对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征;
将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,确定所述待识别菜品组合的用餐人数;
其中,所述用餐人数预测模型包括前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,所述前向全连接神经网络模型以多个样本菜品组合的统计特征为输入,所述长短记忆网络模型以多个样本菜品组合各自的序列特征为输入,所述线性回归模型以多个样本菜品组合各自对应的拼接向量为输入;
其中,每个样本菜品组合携带用餐人数标签,每个样本菜品组合对应的拼接向量是对该样本菜品组合的统计特征和序列特征各自对应的向量拼接而成的。
可选地,所述方法还包括:
对每个样本菜品组合中每个菜品进行全局维度的特征提取,得到该样本菜品组合的统计特征;
对每个样本菜品组合中每个菜品进行局部维度的特征提取,得到该样本菜品组合的序列特征;
以该样本菜品组合的统计特征和序列特征为训练样本,对前向全连接神经网络模型、长短记忆网络模型以及线性回归模型组成的整体模型进行训练,得到所述用餐人数预测模型;
其中,该样本菜品组合对应的第一子向量是通过所述前向全连接神经网络模型对该样本菜品组合的统计特征进行处理得到的;
该样本菜品组合对应的第二子向量是通过所述长短记忆网络模型,对该样本菜品组合中当前菜品的序列特征以及上一菜品的序列特征对应的向量进行处理得到的;
该样本菜品组合对应的第一子向量与第二子向量拼接后的向量为该样本菜品组合的拼接向量
可选地,每个样本菜品组合的统计特征包括该样本菜品组合的至少一种以下统计信息:包括菜品的数量、总价格、类目标签上的菜品数量、类目标签上的价格、人均价格、人均菜品数量、人均类目标签上的菜品数量、人均类目标签上的价格。
可选地,对每个样本菜品组合中每个菜品进行局部维度的特征提取,得到该样本菜品组合的序列特征,包括:
针对每个样本菜品组合,对该样本菜品组合中的每个菜品的名称、价格、份数、类目标签进行特征提取,得到该样本菜品组合的序列特征。
可选地,所述方法还包括:
获得针对目标菜品组合的订单的总数量,所述针对目标菜品组合的订单携带用户预先标记的餐具数量;
在所述总数量大于第一预设阈值的情况下,从各个针对目标菜品组合的订单中,确定餐具数量出现次数最多的目标餐具数量;
在所述目标餐具数量对应的订单的总数与所述总数量的比值大于第二预设阈值的情况下,确定所述目标菜品组合为所述样本菜品组合,并以所述目标餐具数量为该样本菜品组合携带的用餐人数标签。
可选地,在确定所述待识别菜品组合的用餐人数之后,所述方法还包括:
将所述待识别菜品组合的用餐人数推送给用户终端,以供用户确认该用餐人数。
可选地,在对待识别菜品组合进行特征提取之前,所述方法还包括:
确定用户在用户终端上当前已选中的多个菜品;
将所述多个菜品的组合确定为所述待识别菜品组合。
本申请实施例第二方面提供一种用餐人数预测装置,所述装置包括:
第一提取模块,用于对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征;
第一确定模块,用于将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,确定所述待识别菜品组合的用餐人数;
其中,所述用餐人数预测模型包括前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,所述前向全连接神经网络模型以多个样本菜品组合的统计特征为输入,所述长短记忆网络模型以多个样本菜品组合各自的序列特征为输入,所述线性回归模型以多个样本菜品组合各自对应的拼接向量为输入。
其中,每个样本菜品组合携带用餐人数标签,每个样本菜品组合对应的拼接向量是对该样本菜品组合的统计特征和序列特征各自对应的向量拼接而成的。
可选地,所述装置还包括:
第二统计特征提取模块,用于对每个样本菜品组合中每个菜品进行全局维度的特征提取,得到该样本菜品组合的统计特征;
第二序列特征提取模块,用于对每个样本菜品组合中每个菜品进行局部维度的特征提取,得到该样本菜品组合的序列特征;
训练模块,用于以该样本菜品组合的统计特征和序列特征为训练样本,对前向全连接神经网络模型、长短记忆网络模型以及线性回归模型组成的整体模型进行训练,得到所述用餐人数预测模型;
其中,该样本菜品组合对应的第一子向量是通过所述前向全连接神经网络模型对该样本菜品组合的统计特征进行处理得到的;
该样本菜品组合对应的第二子向量是通过所述长短记忆网络模型,对该样本菜品组合中当前菜品的序列特征以及上一菜品的序列特征对应的向量进行处理得到的;
该样本菜品组合对应的第一子向量与第二子向量拼接后的向量为该样本菜品组合的拼接向量。
可选地,每个样本菜品组合的统计特征包括该样本菜品组合的至少一种以下统计信息:包括菜品的数量、总价格、类目标签上的菜品数量、类目标签上的价格、人均价格、人均菜品数量、人均类目标签上的菜品数量、人均类目标签上的价格。
可选地,所述第二序列特征提取模块包括:
第二序列特征提取子模块,用于针对每个样本菜品组合,对该样本菜品组合中的每个菜品的名称、价格、份数、类目标签进行特征提取,得到该样本菜品组合的序列特征。
可选地,所述装置还包括:
获得模块,用于获得针对目标菜品组合的订单的总数量,所述针对目标菜品组合的订单携带用户预先标记的餐具数量;
第二确定模块,用于在所述总数量大于第一预设阈值的情况下,从各个针对目标菜品组合的订单中,确定餐具数量出现次数最多的目标餐具数量;
第三确定模块,用于在所述目标餐具数量对应的订单的总数与所述总数量的比值大于第二预设阈值的情况下,确定所述目标菜品组合为所述样本菜品组合,并以所述目标餐具数量为该样本菜品组合携带的用餐人数标签。
可选地,所述装置还包括:
推送模块,用于将所述待识别菜品组合的用餐人数推送给用户终端,以供用户确认该用餐人数。
可选地,所述装置还包括:
第四确定模块,用于确定用户在用户终端上当前已选中的多个菜品;
第五确定模块,用于将所述多个菜品的组合确定为所述待识别菜品组合。
本申请实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请第一方面所述的方法的步骤。
在本申请实施例中,通过对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征,将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,便能够确定所述待识别菜品组合的用餐人数,采用本申请实施例提供的用餐人数预测方法,能够为用户准确预测所选菜品组合的对应的用餐人数,为用户点餐提供帮助,避免用户在点餐时出现多点餐而造成的食物浪费或者少点餐而造成食物不够吃的情况。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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申请的一些实施例,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是本申请一实施例中用餐人数预测模型的模型结构示意图;
图2是本申请一实施例提出的菜品组合序列特征示意图;
图3是本申请一实施例中用餐人数预测模型的训练过程示意图;
图4是本申请一实施例提出的携带用餐人数的样本菜品组合确定方法流程图;
图5是本申请一实施例提出的用餐人数预测方法的流程图;
图6是本申请一实施例提出的用餐人数预测装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
在现有的点餐应用中,用户通常有两种点餐方式,一种是直接选择商家提供的菜品组合进行点餐,另一种是用户依次选择自己喜爱的菜品自由组合进行下单。在一些点餐应用中,商家提供的菜品组合可能会携带用餐人数标记,一方面,商家携带的用餐人数标记是商家根据经验进行确定用餐人数并标记的,不准确,另一方面,由于商家提供的菜品组合有限,不能覆盖用户可能选择的各种菜品组合的情况。因此,当用户选择的菜品组合不是商家提供的菜品组合,或者商家提供的菜品组合也未携带用餐人数标记时,不能准确为用户提供菜品组合的用餐人数,导致用户容易出现多点餐或者少点餐的问题。
为了预测菜品组合的用餐人数,申请人提出:针对一个待识别的菜品组合,执行用餐人数预测。为了表征该待识别菜品组合,本申请提取该待识别菜品组合的特征,根据该待识别菜品组合的特征,确定待识别菜品组合的用餐人数。申请人提出的技术方案可以在用户点餐时提供给用户选择的菜品组合对应的用餐人数,用户参考提供的用餐人数进行点餐,避免用户在点餐时出现多点或者少点的情况。
为了能更智能地实施申请人提出的上述方法,使得该方法的应用范围更广,申请人首先构建了待训练模型,并基于样本菜品组合对该待训练模型进行训练,得到用餐人数预测模型,申请人利用该用餐人数预测模型执行上述方法中的部分或全部步骤。
参考图1,图1是本申请一实施例中用餐人数预测模型的模型结构示意图。图1中,用餐人数预测模型包括:前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,将样本菜品组合的统计特征输入前向全连接神经网络模型,处理得到该样本菜品组合对应的第一子向量,将样本菜品组合的序列特征输入长短记忆网络模型,处理得到该样本菜品组合对应的第二子向量,将第一子向量和第二子向量进行拼接,得到该样本菜品组合对应的拼接向量,将该拼接向量输入线性回归模型,对前向全连接神经网络模型、长短记忆网络模型以及线性回归模型三者进行联合训练。
在另一种实施方式中,为了简化模型以及训练过程,用餐人数预测模型可以只包括前向全连接神经网络模型和线性回归模型,因此,可以选择只将统计特征输入前向全连接神经网络模型,对前向全连接神经网络模型和线性回归模型组成的整体模型进行训练,得到用餐人数预测模型。
在另一种实施方式中,为了简化模型以及训练过程,用餐人数预测模型可以只包括长短记忆网络模型和线性回归模型,因此,可以选择只将序列特征输入长短记忆网络模型,对长短记忆网络模型和线性回归模型组成的整体模型进行训练,得到用餐人数预测模型。
在另一种实施方式中,长短记忆网络模型可以换为其它能够处理序列特征的网络模型,例如CNN(Convolutional Neural Networks,卷积神经网络);线性回归模型可以换为其它能够用来做预测的回归模型,例如树模型,此处不作具体限定。
本实施例中,统计特征代表的是一个具体的数值,例如,统计特征可以包括菜品的数量、总价格、148个类目标签上对应的数量、价格,以及所售卖商家的人均价、人均菜品数量,人均类目标签上的价格和数量等,总共596维。
本实施例中,将每个菜品组合视为序列,用于提取菜品的序列特征,序列可以视为由于m个元素构成的列表,每个菜品构成一个序列元素,因此m等于不同菜品的数量,序列特征是对每个序列元素提取的相同的特征,例如,可以包括每个菜品的名称、价格、份数、类目标签。本实施例中,菜品组合即通常构成用户一个订单的一系列菜品。
如图2所示,图2是本申请一实施例中菜品组合序列图。图2中,菜品组合为米饭1份,西红柿炒鸡蛋1份,可乐1份,序列元素包括米饭、西红柿炒鸡蛋和可乐,对米饭、西红柿炒鸡蛋和可乐这3个序列元素提取相同的特征,即提取每个菜品的菜品名称、价格、份数和类目标签这4个特征,得到包括菜品名称、价格、份数和类目标签的序列特征。
参考图3,图3是本申请一实施例中用餐人数预测模型的训练过程示意图。应当理解的,申请人预先构建的待训练模型的模型结构与图1所示的用餐人数预测模型的模型结构相同,待训练模型也包括前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,而经过训练后,待训练模型的模型参数被更新调整,最终得到用餐人数预测模型。
在本申请中,对待训练模型进行训练,以得到用餐人数预测模型之前,需要先确定用于训练的多个样本菜品组合。样本菜品组合指的是携带了用餐人数标签的菜品组合。
参考图4,图4是本申请一实施例中携带用餐人数的样本菜品组合确定方法流程图。图4中,携带用餐人数的样本菜品组合通过以下步骤进行确定:
S101,获得针对目标菜品组合的订单的总数量,所述针对目标菜品组合的订单携带用户预先标记的餐具数量。
在本实施例中,目标菜品组合可以从外卖点餐平台获取,目标菜品组合指的是从外卖点餐平台获取的用户输入了餐具数量的某一个菜品组合。在外卖点餐平台,部分用户在下单的时候会主动输入所需餐具数量,由于餐具数量和用餐人数具有很强烈的相关性,所以可以以用户主动输入的餐具数量来进一步确定目标菜品组合的用餐人数。
本实施例中,从最近3个月的历史订单中找到用户输入有餐具数量的订单,其中,一个订单对应一个菜品组合。以图2为例,假设以包括米饭1份,西红柿炒鸡蛋1份,可乐1份的菜品组合为目标菜品组合,记录下所有订单内容为米饭1份,西红柿炒鸡蛋1份,可乐1份,且用户输入了餐具数量的菜品组合的订单总数量n。
S102,在所述总数量大于第一预设阈值的情况下,从各个针对目标菜品组合的订单中,确定餐具数量出现次数最多的目标餐具数量。
由于同一个菜品组合会有多个人购买,考虑到如果目标菜品组合的总数量n太少的话,会使得目标菜品组合不具备代表性,不能作为样本菜品组合。在本实施例中,需要舍弃掉目标菜品组合的总数量小于第一预设阈值N的目标菜品组合。
另外,考虑到用户具体情况复杂多样,用户在输入餐具数量时,有部分用户会多输入或者少输入,直接将餐具数量用来作为目标菜品组合携带的用餐人数会出现目标菜品组合携带多种用餐人数标签的情况,不准确,需要确定餐具数量出现次数最多的目标餐具数量。
例如,对于米饭1份,西红柿炒鸡蛋1份,可乐1份的目标菜品组合,标记1份餐具的订单为580个,标记2份餐具的订单为10个,标记3份餐具的订单为10个,则目标菜品组合的目标餐具数量为1份,目标餐具数量对应的订单总数为a记为580次。
S103,在所述目标餐具数量对应的订单的总数与所述总数量的比值大于第二预设阈值的情况下,确定所述目标菜品组合为所述样本菜品组合,并以所述目标餐具数量为该样本菜品组合携带的用餐人数标签。
本实施例中,为了提高样本菜品组合的可靠性,需要判断目标餐具数量对应的订单总数a与目标菜品组合的订单总数量n的比值k,当目标餐具数量对应的订单总数为a与目标菜品组合的订单总数量n的比值k大于第二预设阈值t时,认为目标菜品组合作为样本菜品组合是可靠的,将目标菜品组合确定为样本菜品组合,并以目标餐具数量作为该样本菜品组合携带的用餐人数标签。在本实施例中,需要舍弃掉目标餐具数量对应的订单总数为a与目标菜品组合的订单总数量n的比值k小于第二预设阈值t的目标菜品组合。
需要说明的是,携带用餐人数的样本菜品组合也可以通过其他方式获得,而不通过从历史订单中获得,例如还可以通过人工对菜品组合标记用餐人数的方式获得,此处不做限定。
在确定了携带用餐人数标签的样本菜品组合之后,以样本菜品组合为训练样本,对待训练模型进行训练,以得到用餐人数预测模型。参考图3,对待训练模型进行训练,具体包括以下步骤:
S110A,对每个样本菜品组合中每个菜品进行全局维度的特征提取,得到该样本菜品组合的统计特征。
S110B,对每个样本菜品组合中每个菜品进行局部维度的特征提取,得到该样本菜品组合的序列特征。
在执行完步骤S101、S102和S103得到携带用餐人数的样本菜品组合之后,便可以对样本菜品组合进行特征提取,分别提取得到样本菜品组合的统计特征和序列特征。
需要说明的是,步骤S110A和步骤S110B的顺序不作限定,即可以先执行步骤S110A,也可以先执行步骤S110B,或者步骤S110A和步骤S110B同时执行。
S120,以该样本菜品组合的统计特征和序列特征为训练样本,对前向全连接神经网络模型、长短记忆网络模型以及线性回归模型组成的整体模型进行训练,得到所述用餐人数预测模型;
其中,该样本菜品组合对应的第一子向量是通过所述前向全连接神经网络模型对该样本菜品组合的统计特征进行处理得到的;该样本菜品组合对应的第二子向量是通过所述长短记忆网络模型,对该样本菜品组合中当前菜品的序列特征以及上一菜品的序列特征对应的向量进行处理得到的;该样本菜品组合对应的第一子向量与第二子向量拼接后的向量为该样本菜品组合的拼接向量。
在执行步骤S110A和S110B,得到样本菜品组合的统计特征和序列特征之后,以样本菜品组合的统计特征、序列特征以及样本菜品组合携带的用餐人数构成一组训练数据,通过多组的训练数据进行训练,直到训练后的整体模型具有预测待识别菜品组合的用餐人数的功能,得到用餐人数预测模型。
在本实施例中,前向全连接神经网络模型对输入的样本菜品组合的统计特征进行处理,得到待识别菜品组合对应的第一子向量,长短记忆网络模型对输入的样本菜品组合的序列特征进行处理,得到样本菜品组合对应的第二子向量,线性回归模型对样本菜品组合对应的第一子向量和样本菜品组合对应的第二子向量拼接后的拼接向量进行处理。
本实施例中,将每个样本菜品组合的统计特征分别输入前向全连接神经网络模型进行处理,前向全连接神经网络模型针对样本菜品组合的统计特征,输出第一子向量。例如将米饭1份,西红柿炒鸡蛋1份,可乐1份的样本菜品组合对应的菜品的数量、总价格、148个类目标签上对应的数量、价格,以及所售卖商家的人均价、人均菜品数量,人均类目标签上的价格和数量,总共596维特征分别输入前向全连接神经网络模型,经过前向全连接神经网络模型处理后得到第一子向量。
本实施例中,在经过前向全连接神经网络模型得到第一子向量和长短记忆网络模型得到第二子向量后,将第一子向量和第二子向量后进行拼接得到该样本菜品组合的拼接向量。将拼接向量输入线性回归模型,获得用餐人数预测值,利用用餐人数预测值与样本菜品组合的实际用餐人数之间的偏差,修正用餐人数预测模型中的各个权重值,直至获得的样本菜品组合的用餐人数预测值与对应的实际用餐人数之间的偏差小于设定阈值。
本实施例中,用餐人数预测值表示训练完成之前的预设模型对统计特征和序列特征处理得到的预测值,其与实际用餐人数存在差异。
一般,在初次预测样本菜品组合的用餐人数预测值时,前向全连接神经网络、长短记忆网络模型和线性回归模型中的各个权重值设置为任意值,然后,将样本菜品组合预测得到的用餐人数预测值与样本菜品组合携带的用餐人数进行对比,确定两者之间的偏差,根据偏差的大小修正用餐人数预测模型中的各个权重值,也就是修正前向全连接神经网络、长短记忆网络模型和线性回归模型中的各个权重值,经过不断的修正,使得获得的样本菜品组合的用餐人数预测值更加准确,直至获得的样本菜品组合的用餐人数预测值与对应的实际用餐人数之间的偏差小于设定阈值,训练完成,得到用餐人数预测模型。
通过执行步骤S110A、S110B以及S120获得了用餐人数预测模型,该用餐人数预测模型在应用期间,可以执行以下各步骤中的部分步骤或全部步骤:从待识别菜品组合提取统计特征和序列特征,根据该待识别菜品组合提取统计特征和序列特征,确定该待识别菜品组合对应的用餐人数。
本申请的上述各实施例主要提出了基于携带用餐人数标签的样本菜品组合,对待训练模型的训练过程,并最终得到用餐人数预测模型。以下,本申请将着重介绍用餐人数预测方法,并示意性地介绍如何将用餐人数预测模型应用于用餐人数预测方法中。
参考图5,图5是本申请一实施例提出的用餐人数预测方法的流程图。如图5所示,该方法包括以下步骤:
步骤S210:对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征。
本实施例中,待识别菜品组合是指未标记用餐人数的菜品组合,例如可以是上述提到的商家提供的未携带用餐人数标记的菜品组合,也可以是用户点餐时,根据自己喜好自由组合的菜品组合。在对待识别菜品组合进行特征提取之前要先确定待识别菜品组合。
本实施例中,可以通过以下步骤确定待识别菜品组合:
确定用户在用户终端上当前已选中的多个菜品;将所述多个菜品的组合确定为所述待识别菜品组合。
示例地,针对用户在用户终端上当前选中的多个菜品可以是针对用户点餐时选中的商家提供的未携带用餐人数标记的菜品组合,商家提供的菜品组合中包含有多个菜品,也可以是针对用户点餐时自由选中的多个菜品组成的菜品组合,也可以是商家提供的未携带用餐人数标记的菜品组合和用户自由选中的多个菜品共同组成的菜品组合。在确定菜品组合之后,便可以将该菜品组合确定为待识别菜品组合,用于用餐人数预测模型预测用餐人数。
在本实施例中,确定好待识别菜品组合之后,便可以对待识别菜品组合进行特征提取,包括提取待识别菜品组合的全局统计特征和提取待识别菜品组合的局部序列特征。
本实施例中,提取待识别菜品组合的全局统计特征包括:提取整个菜品组合中菜品的数量和总价格、148个类目标签上对应的数量和价格,以及所售卖商家的人均价和人均菜品数量,人均类目标签上的价格和数量,总共596维。
提取待识别菜品组合的局部序列特征包括:提取菜品组合中的每个菜品相同的特征,例如菜品的名称、价格、份数和类目标签等。
步骤S220:将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,确定所述待识别菜品组合的用餐人数。
其中,所述用餐人数预测模型包括前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,所述前向全连接神经网络模型以多个样本菜品组合的统计特征为输入,所述长短记忆网络模型以多个样本菜品组合各自的序列特征为输入,所述线性回归模型以多个样本菜品组合各自对应的拼接向量为输入;其中,每个样本菜品组合携带用餐人数标签,每个样本菜品组合对应的拼接向量是对该样本菜品组合的统计特征和序列特征各自对应的向量拼接而成的。
在执行步骤S210,得到待识别菜品组合的统计特征和序列特征之后,为了能根据待识别菜品组合的统计特征和序列特征,确定待识别菜品组合对应的用餐人数,可以利用上述经过训练所获得的用餐人数预测模型。具体地,将待识别菜品组合的统计特征和序列特征分别输入预先训练好的用餐人数预测模型,用餐人数预测模型输出待识别菜品组合对应的用餐人数。
本发明实施例中,结合序列特征和统计特征,从两个方向综合对待识别菜品组合进行预测,可使得利用用餐人数预测模型预测的用餐人数更准确。
在本实施例中,在确定所述待识别菜品组合的用餐人数之后,便可以将待识别菜品组合对应的用餐人数推送给用户终端,用户通过用户终端便能实时查看并确认自己所选择菜品组合对应的用餐人数,方便及时更改自己的菜品选择情况。
当然,在确定待识别菜品的用餐人数之后,除了应用到用户点餐,还可以应用到其他场景,本发明实施例不作限制。
在本实施例中,通过对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征,将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,便能够确定所述待识别菜品组合的用餐人数,采用本申请实施例提供的用餐人数预测方法,能够为用户准确预测所选菜品组合的对应的用餐人数,为用户点餐提供帮助,避免用户在点餐时出现多点餐而造成的食物浪费或者少点餐而造成食物不够吃的情况。
基于同一发明构思,本申请一实施例提供一种用餐人数预测装置。参考图6,图6是本申请一实施例提供的用餐人数预测装置的示意图。如图5所示,该装置包括:
第一提取模块601,用于对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征;
第一确定模块602,用于将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,确定所述待识别菜品组合的用餐人数;
其中,所述用餐人数预测模型包括前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,所述前向全连接神经网络模型以多个样本菜品组合的统计特征为输入,所述长短记忆网络模型以多个样本菜品组合各自的序列特征为输入,所述线性回归模型以多个样本菜品组合各自对应的拼接向量为输入;
其中,每个样本菜品组合携带用餐人数标签,每个样本菜品组合对应的拼接向量是对该样本菜品组合的统计特征和序列特征各自对应的向量拼接而成的。
可选地,所述装置还包括:
第二统计特征提取模块,用于对每个样本菜品组合中每个菜品进行全局维度的特征提取,得到该样本菜品组合的统计特征;
第二序列特征提取模块,用于对每个样本菜品组合中每个菜品进行局部维度的特征提取,得到该样本菜品组合的序列特征;
训练模块,用于以该样本菜品组合的统计特征和序列特征为训练样本,对前向全连接神经网络模型、长短记忆网络模型以及线性回归模型组成的整体模型进行训练,得到所述用餐人数预测模型;
其中,该样本菜品组合对应的第一子向量是通过所述前向全连接神经网络模型对该样本菜品组合的统计特征进行处理得到的;
该样本菜品组合对应的第二子向量是通过所述长短记忆网络模型,对该样本菜品组合中当前菜品的序列特征以及上一菜品的序列特征对应的向量进行处理得到的;
该样本菜品组合对应的第一子向量与第二子向量拼接后的向量为该样本菜品组合的拼接向量。
可选地,每个样本菜品组合的统计特征包括该样本菜品组合的至少一种以下统计信息:包括菜品的数量、总价格、类目标签上的菜品数量、类目标签上的价格、人均价格、人均菜品数量、人均类目标签上的菜品数量、人均类目标签上的价格。
可选地,所述第二序列特征提取模块包括:
第二序列特征提取子模块,用于针对每个样本菜品组合,对该样本菜品组合中的每个菜品的名称、价格、份数、类目标签进行特征提取,得到该样本菜品组合的序列特征。
可选地,所述装置还包括:
获得模块,用于获得针对目标菜品组合的订单的总数量,所述针对目标菜品组合的订单携带用户预先标记的餐具数量;
第二确定模块,用于在所述总数量大于第一预设阈值的情况下,从各个针对目标菜品组合的订单中,确定餐具数量出现次数最多的目标餐具数量;
第三确定模块,用于在所述目标餐具数量对应的订单的总数与所述总数量的比值大于第二预设阈值的情况下,确定所述目标菜品组合为所述样本菜品组合,并以所述目标餐具数量为该样本菜品组合携带的用餐人数标签。
可选地,所述装置还包括:
推送模块,用于将所述待识别菜品组合的用餐人数推送给用户终端,以供用户确认该用餐人数。
可选地,所述装置还包括:
第四确定模块,用于确定用户在用户终端上当前已选中的多个菜品;
第五确定模块,用于将所述多个菜品的组合确定为所述待识别菜品组合。
基于同一发明构思,本申请另一实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例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,本申请实施例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。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种用餐人数预测方法、装置、存储介质和电子设备,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种用餐人数预测方法,其特征在于,所述方法包括:
对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征;
将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,确定所述待识别菜品组合的用餐人数;
其中,所述用餐人数预测模型包括前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,所述前向全连接神经网络模型以多个样本菜品组合的统计特征为输入,所述长短记忆网络模型以多个样本菜品组合各自的序列特征为输入,所述线性回归模型以多个样本菜品组合各自对应的拼接向量为输入;
其中,每个样本菜品组合携带用餐人数标签,每个样本菜品组合对应的拼接向量是对该样本菜品组合的统计特征和序列特征各自对应的向量拼接而成的。
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:
对每个样本菜品组合中每个菜品进行全局维度的特征提取,得到该样本菜品组合的统计特征;
对每个样本菜品组合中每个菜品进行局部维度的特征提取,得到该样本菜品组合的序列特征;
以该样本菜品组合的统计特征和序列特征为训练样本,对前向全连接神经网络模型、长短记忆网络模型以及线性回归模型组成的整体模型进行训练,得到所述用餐人数预测模型;
其中,该样本菜品组合对应的第一子向量是通过所述前向全连接神经网络模型对该样本菜品组合的统计特征进行处理得到的;
该样本菜品组合对应的第二子向量是通过所述长短记忆网络模型,对该样本菜品组合中当前菜品的序列特征以及上一菜品的序列特征对应的向量进行处理得到的;
该样本菜品组合对应的第一子向量与第二子向量拼接后的向量为该样本菜品组合的拼接向量。
3.根据权利要求2所述的方法,其特征在于,每个样本菜品组合的统计特征包括该样本菜品组合的至少一种以下统计信息:包括菜品的数量、总价格、类目标签上的菜品数量、类目标签上的价格、人均价格、人均菜品数量、人均类目标签上的菜品数量、人均类目标签上的价格。
4.根据权利要求2所述的方法,其特征在于,对每个样本菜品组合中每个菜品进行局部维度的特征提取,得到该样本菜品组合的序列特征,包括:
针对每个样本菜品组合,对该样本菜品组合中的每个菜品的名称、价格、份数、类目标签进行特征提取,得到该样本菜品组合的序列特征。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
获得针对目标菜品组合的订单的总数量,所述针对目标菜品组合的订单携带用户预先标记的餐具数量;
在所述总数量大于第一预设阈值的情况下,从各个针对目标菜品组合的订单中,确定餐具数量出现次数最多的目标餐具数量;
在所述目标餐具数量对应的订单的总数与所述总数量的比值大于第二预设阈值的情况下,确定所述目标菜品组合为所述样本菜品组合,并以所述目标餐具数量为该样本菜品组合携带的用餐人数标签。
6.根据权利要求1-4任一项所述的方法,其特征在于,在确定所述待识别菜品组合的用餐人数之后,所述方法还包括:
将所述待识别菜品组合的用餐人数推送给用户终端,以供用户确认该用餐人数。
7.根据权利要求1-4任一项所述的方法,其特征在于,在对待识别菜品组合进行特征提取之前,所述方法还包括:
确定用户在用户终端上当前已选中的多个菜品;
将所述多个菜品的组合确定为所述待识别菜品组合。
8.一种用餐人数预测装置,其特征在于,所述装置包括:
第一提取模块,用于对待识别菜品组合进行特征提取,得到所述待识别菜品组合的统计特征和序列特征;
第一确定模块,用于将所述待识别菜品组合的统计特征和序列特征输入预先训练的用餐人数预测模型,确定所述待识别菜品组合的用餐人数;
其中,所述用餐人数预测模型包括前向全连接神经网络模型、长短记忆网络模型以及线性回归模型,所述前向全连接神经网络模型以多个样本菜品组合的统计特征为输入,所述长短记忆网络模型以多个样本菜品组合各自的序列特征为输入,所述线性回归模型以多个样本菜品组合各自对应的拼接向量为输入;
其中,每个样本菜品组合携带用餐人数标签,每个样本菜品组合对应的拼接向量是对该样本菜品组合的统计特征和序列特征各自对应的向量拼接而成的。
9.一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,该程序被处理器执行时实现如权利要求1-7任一所述的方法中的步骤。
10.一种电子设备,包括存储器、处理器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,所述处理器执行时实现如权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689813.9A CN110555750B (zh) | 2019-07-29 | 2019-07-29 | 用餐人数预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689813.9A CN110555750B (zh) | 2019-07-29 | 2019-07-29 | 用餐人数预测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110555750A true CN110555750A (zh) | 2019-12-10 |
CN110555750B CN110555750B (zh) | 2022-06-07 |
Family
ID=68736596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910689813.9A Active CN110555750B (zh) | 2019-07-29 | 2019-07-29 | 用餐人数预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555750B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381506A (zh) * | 2020-11-10 | 2021-02-19 | 广东电力信息科技有限公司 | 基于物联网及智能预测推荐的智慧食堂管理系统 |
CN112905650A (zh) * | 2021-02-09 | 2021-06-04 | 广东电网有限责任公司 | 基于大数据统计及健康报告分析的智能推荐算法研究 |
WO2021164222A1 (zh) * | 2020-02-20 | 2021-08-26 | 北京三快在线科技有限公司 | 确定物品分析数据 |
CN115994785A (zh) * | 2023-01-09 | 2023-04-21 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844553A (zh) * | 2016-03-26 | 2016-08-10 | 深圳市金立通信设备有限公司 | 一种点餐处理方法及服务器 |
US20180150919A1 (en) * | 2016-11-29 | 2018-05-31 | Benjamin Robert Drolet | Method and apparatus for Meal Planning and Optimization |
CN109214956A (zh) * | 2018-08-17 | 2019-01-15 | 口口相传(北京)网络技术有限公司 | 餐品推送方法及装置 |
CN109214955A (zh) * | 2018-08-17 | 2019-01-15 | 口口相传(北京)网络技术有限公司 | 餐品套餐的生成方法及装置 |
-
2019
- 2019-07-29 CN CN201910689813.9A patent/CN110555750B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105844553A (zh) * | 2016-03-26 | 2016-08-10 | 深圳市金立通信设备有限公司 | 一种点餐处理方法及服务器 |
US20180150919A1 (en) * | 2016-11-29 | 2018-05-31 | Benjamin Robert Drolet | Method and apparatus for Meal Planning and Optimization |
CN109214956A (zh) * | 2018-08-17 | 2019-01-15 | 口口相传(北京)网络技术有限公司 | 餐品推送方法及装置 |
CN109214955A (zh) * | 2018-08-17 | 2019-01-15 | 口口相传(北京)网络技术有限公司 | 餐品套餐的生成方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164222A1 (zh) * | 2020-02-20 | 2021-08-26 | 北京三快在线科技有限公司 | 确定物品分析数据 |
CN112381506A (zh) * | 2020-11-10 | 2021-02-19 | 广东电力信息科技有限公司 | 基于物联网及智能预测推荐的智慧食堂管理系统 |
CN112905650A (zh) * | 2021-02-09 | 2021-06-04 | 广东电网有限责任公司 | 基于大数据统计及健康报告分析的智能推荐算法研究 |
CN115994785A (zh) * | 2023-01-09 | 2023-04-21 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
CN115994785B (zh) * | 2023-01-09 | 2023-09-29 | 淮阴工学院 | 一种餐饮人流量备料智能预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110555750B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555750B (zh) | 用餐人数预测方法、装置、电子设备及可读存储介质 | |
KR101726520B1 (ko) | 개인화 추천 방법, 시스템 및 기록 매체 | |
CN110688482B (zh) | 多标签识别方法、训练方法及装置 | |
CN111061945B (zh) | 推荐方法、装置、电子设备,存储介质 | |
CN109300059B (zh) | 菜品推荐方法及装置 | |
JP6884116B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20150199624A1 (en) | Generating novel work products using computational creativity | |
CN108230009B (zh) | 一种用户偏好的预测方法及装置,电子设备 | |
US10991029B2 (en) | Background content suggestion for combination with identified items | |
US11144811B2 (en) | Aspect pre-selection using machine learning | |
CN106708868B (zh) | 一种互联网数据分析方法及系统 | |
CN109902852A (zh) | 商品组合方法、装置、电子设备及可读存储介质 | |
JP2018084853A (ja) | レコメンドシステム | |
Elahi et al. | Interactive Food Recommendation for Groups. | |
CN111046188A (zh) | 用户偏好度确定方法、装置、电子设备及可读存储介质 | |
CN110782308A (zh) | 推荐套餐的推送方法、装置、电子设备及可读存储介质 | |
CN116228360A (zh) | 外卖场景下商家菜品推荐方法及存储介质 | |
CN110503498A (zh) | 一种订单推荐方法及装置 | |
CN110825974B (zh) | 推荐系统内容排序方法及装置 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
US20220198529A1 (en) | Automatic rule generation for next-action recommendation engine | |
CN111782936A (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN112785390B (zh) | 推荐处理方法、装置、终端设备以及存储介质 | |
US10579752B2 (en) | Generating a model based on input | |
US20190325501A1 (en) | Meal-Kit Recommendation Engine |
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 |