CN110580945A - 菜谱推荐方法、装置及存储介质 - Google Patents

Abstract

本发明实施例提供菜谱推荐方法、装置及存储介质，包括：获取菜谱的历史烹饪记录；根据所述历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率；基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱；推荐所述待推荐菜谱。该菜谱推荐方法针对任一待推荐用户进行菜谱推荐时，与该待推荐用户对应的待推荐菜谱均是基于烹饪概率进行聚类分析后的分组特性而实时确定的，被推荐菜谱的确定考虑了用户对菜谱的喜好相似度，从而推荐结果更加准确和高效。

Description

菜谱推荐方法、装置及存储介质

技术领域

本发明涉及一种大数据技术领域，特别涉及一种菜谱推荐方法、装置及存储介质。

背景技术

随着生活水平的提高，人们对饮食要求也越来越高，希望品尝到新鲜美味且种类不同的菜品，因此，如何实现菜谱的个性化推荐逐渐成为研究热点。

目前的菜谱推荐方法主要包括：第一、将当前最新的菜谱推荐给用户；第二、将当前使用次数最多的菜谱推荐给用户；第三、预先设置不同口味类别或菜系类别的分类规则并对菜谱进行分类，获取用户的个人信息确定用户可能喜爱的口味类别或菜系类别后，将相同口味类别或者菜系类别中的菜谱随机推荐给用户。

然而，上述方式中，最新的或者当前使用次数最多的菜谱可能并不是用户所喜好的；而预先设置不同口味类别或菜系类别的分类规则对菜谱进行分类难以确保准确和及时，可能导致未及时划分到对应类别框架下的菜谱无法及时推荐给用户，且菜谱的分类规则和分类级别难以确保准确而容易导致最后推荐给用户的菜谱也并不是用户所喜好的。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种准确高效的菜谱推荐方法、装置及存储介质。

为达到上述目的，本发明实施例的技术方案是这样实现的：

一种行为数据分析方法，包括：获取菜谱的历史烹饪记录；根据所述历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率；基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱；推荐所述待推荐菜谱。

一种行为数据分析装置，包括：获取模块，用于获取菜谱的历史烹饪记录；概率确定模块，用于根据所述历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率；菜谱确定模块，用于基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱；推荐模块，用于推荐所述待推荐菜谱。

一种菜谱推荐装置，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器，用于在运行所述计算机程序时，实现本发明任一实施例所提供的菜谱推荐方法。

一种存储介质，该存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行本发明任一实施例所提供的菜谱推荐方法。

本发明实施例提供的菜谱推荐方法、装置及存储介质，服务器通过从终端和/或家电设备获取菜谱的历史烹饪记录，根据历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率，基于烹饪概率进行分析，根据各用户分别烹饪菜谱的烹饪概率数据之间的相似性，可以获得用户分别烹饪菜谱的烹饪概率的分组特性，通过烹饪概率的分组特性可以确定出用户对菜谱的喜好相似度，从而可以确定与待推荐用户对应的待推荐菜谱并进行推荐，如此，针对任一待推荐用户而言，与该待推荐用户对应的待推荐菜谱均是基于烹饪概率的分组特性而实时确定的，被推荐菜谱的确定考虑了用户对菜谱的喜好相似度，从而推荐结果更加准确和高效。

附图说明

图1为本发明一可选的实施例中菜谱推荐方法的应用环境图；

图2为本发明另一可选的实施例中菜谱推荐方法的应用环境图；

图3本发明一实施例中菜谱推荐方法的流程图；

图4为本发明另一实施例中菜谱推荐方法的流程图；

图5为本发明又一实施例中菜谱推荐方法的流程图；

图6为一实施例中菜谱推荐装置的硬件结构示意图；

图7为本发明另一实施例中菜谱推荐装置的结构示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。

图1所示为本申请一个实施例中菜谱推荐方法的应用环境图，服务器100通过网络与终端200连接。其中，服务器100中存储有菜谱数据库，该菜谱数据库中包含有菜谱及用户对菜谱烹饪过的记录，即菜谱的历史烹饪记录。服务器100可以根据菜谱的历史烹饪记录向用户对应的终端推荐菜谱，终端200接收服务器推荐的菜谱，用户可以通过终端200查看服务器100推荐的菜谱。用户还可以通过终端200向服务器100发送菜谱查询指令，服务器100接收该菜谱查询指令在菜谱数据库中进行查询，查找到对应的菜谱作为查询结果返回到终端200。服务器100可以为独立的物理服务器或者物理服务器集群。该终端200可以是一个或者多个，具体可以包括智能手机、便携式电脑、个人计算机等。

图2所示为本申请另一个实施例中菜谱推荐方法的应用环境图，服务器100通过网络分别与终端200及家电设备300连接，其中，用户通过家电设备300完成菜谱的烹饪，用户每使用家电设备300完成一次菜谱的烹饪，家电设备300可以将用户烹饪所使用的菜谱的记录发送给服务器100。服务器100接收家电设备300发送的用户烹饪所使用的菜谱的记录，并将菜谱及用户对各菜谱烹饪过的记录对应存储形成菜谱的历史烹饪记录，存储至菜谱数据库中。服务器100可以根据菜谱的历史烹饪记录向用户对应的终端发送推荐的菜谱，终端200接收服务器100推荐的菜谱，则用户可以通过终端200查看服务器100推荐的菜谱。用户还可以通过终端200向服务器100发送菜谱查询指令，以查找想要烹饪的菜谱的具体信息。服务器100接收该菜谱查询指令在菜谱数据库中进行查询，查找到对应的菜谱作为查询结果返回到终端200。服务器100可以为独立的物理服务器或者物理服务器集群。该终端200可以是一个或者多个，具体可以包括智能手机、便携式电脑、个人计算机等。该家电设备300为能够实现烹饪、并与服务器100进行通信交互的智能家电设备。

请参阅图3，为本发明一实施例提供的菜谱推荐方法的流程图，可应用于图1或图2中所示的服务器，包括如下步骤：

步骤101，获取菜谱的历史烹饪记录。

菜谱的历史烹饪记录是指用户对各菜谱烹饪的记录。可选的，菜谱的历史烹饪记录包括用户、菜谱及菜谱烹饪次数的对应关系；或用户、菜谱、菜谱烹饪次数及烹饪时间的对应关系。其中，用户对各菜谱烹饪的记录可以包括：用户通过终端下载菜谱的记录，即服务器接收终端发送的下载请求，并将用户通过终端每下载一次菜谱视为该菜谱被相应的用户烹饪一次；用户通过终端查询菜谱的记录，即服务器接收终端发送的查询请求，并将用户通过终端每查询一次菜谱并采纳相应查询结果视为该菜谱被相应的用户烹饪过一次；用户通过终端浏览菜谱的记录，即服务器接收终端发送的浏览请求，并将用户通过终端每查阅一次菜谱详情视为该菜谱被相应的用户烹饪一次；用户通过终端对菜谱进行评价的记录，即服务器接收终端发送的评价请求，并将用户通过终端对菜谱进行点赞、发表评论、回复评论等一次视为该菜谱被相应的用户烹饪一次。可选的，用户对各菜谱烹饪的记录还可以包括：用户通过家电设备进行烹饪的记录，即服务器接收家电设备发送的烹饪相关数据，并将用户通过家电设备每烹饪一次所采用的菜谱视为该菜谱被相应的用户烹饪一次。

其中，本申请实施例中的菜谱是指广义理解的食物烹饪方法，如通过利用各种烹饪原料、通过各种烹调参数烹饪出的菜肴、面点、蛋糕、米饭、饮料等食物的制作方法。

步骤103，根据所述历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率。

具体的，服务器根据历史烹饪记录中用户、菜谱及菜谱烹饪次数的对应关系分别统计各用户对所有菜谱进行烹饪的总次数，根据对每一菜谱所烹饪过的次数与对所有菜谱进行烹饪的总次数的比值确定烹饪概率。以菜谱数据库中包括n个菜谱为例，n个菜谱分别为菜谱1、菜谱2、菜谱3、……菜谱n；假设用户为m个，所述m个用户分别为第一用户user1、第二用户user2、第三用户user3、…..第m个用户userm；对于user1而言，其采用n个菜谱共烹饪过的次数为10次，具体是，采用菜谱1烹饪过3次、采用菜谱2烹饪过4次、采用菜谱3烹饪过3次，而其它菜谱未烹饪过，则user1对应菜谱1的烹饪概率为0.3(3/10)，user1对应菜谱2的烹饪概率为0.4(4/10)，user1对应菜谱3的烹饪概率为0.3(3/10)，user1对应其它菜谱的烹饪概率均为0，如菜谱n的烹饪概率为0。依此类推，可以分别确定user2、user3、…..userm烹饪所述菜谱的烹饪概率。

步骤105，基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱。

可选的，服务器基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱可以是，服务器对所述烹饪概率进行分析，根据所述烹饪概率的分组特性确定与待推荐用户对应的待推荐菜谱。在一个可选的具体实施例中，服务器通过对所述烹饪概率进行聚类分析，以确定与待推荐用户对应的待推荐菜谱。其中，聚类分析是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。通过聚类分析，可以利用不同数据属性之间的相似性而把数据分类到不同的簇中。服务器基于所述烹饪概率进行聚类分析，从而可以获得用户分别烹饪菜谱的烹饪概率的分组特性，通过烹饪概率的分组特性可以确定出用户对菜谱的喜好相似度，从而可以确定出与待推荐用户对应的待推荐菜谱。

步骤107，推荐所述待推荐菜谱。

服务器推荐所述待推荐菜谱可以是发送待推荐菜谱到所述待推荐用户对应的终端，用户可以通过终端进行查看。可选的，针对具备语音播放功能和/或文本显示功能的智能家电设备，服务器也可以发送待推荐菜谱到所述待推荐用户对应的家电设备，用户可以通过家电设备进行查看。

本发明上述实施例所提供的菜谱推荐方法，服务器通过从终端和/或家电设备获取菜谱的历史烹饪记录，根据历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率，基于烹饪概率进行分析，根据各用户分别烹饪菜谱的烹饪概率数据之间的相似性，从而可以获得用户分别烹饪菜谱的烹饪概率的分组特性，通过烹饪概率的分组特性可以确定出用户对菜谱的喜好相似度，从而可以确定与待推荐用户对应的待推荐菜谱并进行推荐，如此，针对任一待推荐用户而言，与该待推荐用户对应的待推荐菜谱均是基于烹饪概率的分组特性而实时确定的，被推荐菜谱的确定考虑了用户对菜谱的喜好相似度，从而推荐结果更加准确和高效。与现有技术对比而言，本发明上述实施例所提供的菜谱推荐方法，并非简单的考虑菜谱的更新程度或者被所有用户的使用总次数、也无需预先设置不同口味类别或菜系类别的分类规则，避免了采用上述方法所带来的分类不及时与不准确等问题。

作为一个可选的实施例，步骤105，基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱，包括：

基于所述烹饪概率进行聚类分析确定用户之间的用户相似度和/或菜谱之间的菜谱相似度，根据待推荐用户的烹饪记录、及所述用户相似度和/或菜谱相似度确定与待推荐用户对应的待推荐菜谱。

服务器基于各用户分别烹饪所述菜谱的烹饪概率进行聚类分析，由于各用户分别烹饪所述菜谱的烹饪概率的数据包含若干用户分别与若干菜谱的烹饪概率的对应关系，从而通过聚类分析可以分别获得用户的分组特性和菜谱的分组特性，通过用户的分组特性可以确定用户之间的用户相似度，通过菜谱的分组特性可以确定菜谱之间的菜谱相似度。这里，待推荐用户的烹饪记录可以是指待推荐用户的历史烹饪记录或者当前烹饪记录。

服务器根据待推荐用户的烹饪记录、及所述用户相似度和/或菜谱相似度确定与待推荐用户对应的待推荐菜谱具体包括：服务器根据待推荐用户的历史烹饪记录确定待推荐用户烹饪所述菜谱的烹饪概率，根据待推荐用户烹饪所述菜谱的烹饪概率与其它用户烹饪所述菜谱的烹饪概率计算用户之间的用户相似度，根据与该待推荐用户的用户相似度较高的其它用户的历史烹饪记录中包含的菜谱，来确定与该待推荐用户对应的待推荐菜谱；或者，服务器根据待推荐用户的当前烹饪记录确定待推荐用户当前喜好的菜谱作为目标菜谱，根据目标菜谱被各用户烹饪的烹饪概率与其它菜谱被各用户烹饪的烹饪概率计算菜谱之间的菜谱相似度，确定与目标菜谱的菜谱相似度较高的其它菜谱，根据与目标菜谱的菜谱相似度较高的其它菜谱确定与该待推荐用户对应的待推荐菜谱。其中，与该待推荐用户的用户相似度较高的其它用户可以视为与该被推荐用户对所述菜谱具有相同或者相近的喜好相似度的用户，与该目标菜谱的菜谱相似度较高的其它菜谱可以视为相同用户群体对其具有相同或者相近喜好相似度的菜谱。

其中，相似度较高可以是指相似度值高于设置值或者相似度值排序中排序位于前设置数量位的相似度。该设置数量位可以是第一位，即相似度最高的一个；也可以是第N位，即相似度最高的前N个。

其中，用户对各菜谱烹饪的记录可以包括以下记录中至少一种：用户通过终端下载菜谱的记录、用户通过终端查询菜谱的记录、用户通过终端浏览菜谱的记录、用户通过终端对菜谱进行评价的记录、用户通过家电设备进行烹饪的记录。相应的，服务器根据待推荐用户的当前烹饪记录确定待推荐用户当前喜好的菜谱作为目标菜谱，具体可以包括：服务器接收终端发送的待推荐用户对菜谱的下载请求、查询请求、浏览请求或评价请求，根据所述待推荐用户对菜谱的下载请求、查询请求、浏览请求或评价请求中包含的菜谱信息确定为待推荐用户当前喜好的菜谱；或者服务器接收家电设备发送的待推荐用户进行烹饪的烹饪相关数据，根据所述烹饪相关数据中包含的菜谱信息确定为待推荐用户当前喜好的菜谱。

作为另一可选的实施例，步骤105，基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱，包括：

基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率确定与待推荐用户的用户相似度符合设置要求的至少一用户；

根据所述至少一用户的历史烹饪记录确定与所述待推荐用户对应的待推荐菜谱。

服务器基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率与其它用户烹饪所述菜谱的烹饪概率计算用户相似度，从而确定与待推荐用户的用户相似度符合设置要求的至少一用户。对相同菜谱的烹饪概率相同或者相近的用户之间则用户相似度高，表示这些用户对相同菜谱具有相同或者相近的喜好程度，从而可以根据与待推荐用户的用户相似度高的其它用户的历史烹饪记录中包含的菜谱确定推荐给该待推荐用户的待推荐菜谱，准确性高且针对性更强。其中，用户相似度符合设置要求的至少一用户可以是指用户相似度最高的一个用户、用户相似度排序在前N位的N个用户、或者用户相似度的值大于设定值的一个或者多个用户。

可选的，服务器根据所述至少一用户的历史烹饪记录确定与所述待推荐用户对应的待推荐菜谱，具体包括：服务器将所述至少一用户的历史烹饪记录包含的菜谱作为待推荐用户对应的待推荐菜谱；或者服务器将至少一用户的历史烹饪记录包含的菜谱中烹饪概率较高的前预设位的菜谱作为待推荐用户对应的待推荐菜谱；或者服务器将至少一用户烹饪过、且待推荐用户未烹饪过的菜谱作为待推荐用户对应的待推荐菜谱。具体的，所述至少一用户烹饪过、且所述待推荐用户未烹饪过的菜谱可以是所述至少一用户的历史烹饪记录中包含的烹饪概率大于0、且所述待推荐用户的历史烹饪记录中包含的烹饪概率为0的菜谱。

在一个具体的实施例中，基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率确定与待推荐用户的用户相似度符合设置要求的至少一用户，包括：

根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量；

根据待推荐用户的所述用户烹饪概率向量与不同用户的用户烹饪概率向量之间的用户相似度，确定与所述待推荐用户的用户相似度符合设置要求的至少一用户。

服务器根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量，以n个菜谱为例，n个菜谱分别为菜谱1、菜谱2、菜谱3、……菜谱n；假设用户为m个，所述m个用户分别为第一用户user1、第二用户user2、第三用户user3、…..第m个用户userm；对于user1而言，结合以下表格一所示，其采用n个菜谱共烹饪过的次数为10次，具体是采用菜谱1烹饪过3次、采用菜谱2烹饪过4次、采用菜谱3烹饪过3次，而其它菜谱未烹饪过，则user1对应菜谱1的烹饪概率为0.3(3/10)，user1对应菜谱2的烹饪概率为0.4(4/10)，user1对应菜谱3的烹饪概率为0.3(3/10)，user1对应其它菜谱，如菜谱n的烹饪概率为0，则user1对应的用户烹饪概率向量为[0.3，0.4，0.3，0，…0]。依此类推，可以分别确定user2、user3、…userm烹饪所述菜谱的烹饪概率，并分别确定user2对应的用户烹饪概率向量为[0.5，0.2，0.2，0，…0.1]、user3对应的用户烹饪概率向量为[0，0.1，0，0.2，…0.7]、userm对应的用户烹饪概率向量为[0.1，0.1，0，0，…0.8]。

表格一

服务器根据待推荐用户的所述用户烹饪概率向量与不同用户的用户烹饪概率向量之间的用户相似度，具体可以是：服务器采用欧式距离表计算待推荐用户的所述用户烹饪概率向量与不同用户的用户烹饪概率向量之间的用户相似度。仍以上述表格一为例，采用欧式距离表计算user1和user2之间用户相似度的表达式为：

欧式距离值越大，表示用户相似度越小，用户之间对相同菜谱的喜好程度的偏差越大；欧式距离值越小，表示用户相似度越大，用户之间对相同菜谱的喜好程度的偏差越小。

在另一个具体的实施例中，基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率确定与待推荐用户的用户相似度符合设置要求的至少一用户，包括：

根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量，基于所述用户烹饪概率向量进行聚类分析确定用户类别；

根据同一用户类别中各用户分别烹饪所述菜谱的烹饪概率，得到每一用户类别对应的用户烹饪概率向量；

根据待推荐用户的所述用户烹饪概率向量与不同用户类别的用户烹饪概率向量之间的用户相似度，确定与所述待推荐用户的用户相似度符合设置要求的目标用户类别，将所述目标用户类别中包含的用户作为与所述待推荐用户的用户相似度符合设置要求的至少一用户。

本实施例中，服务器根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量，并基于所述用户烹饪概率向量进行聚类分析确定用户类别。其中，同一用户类别中可以包含对相同菜谱具有相同或者相近烹饪概率的多个用户，从而同一用户类别中的用户可以视为对相同菜谱的喜好程度相同或者相近。服务器根据同一用户类别中各用户分别烹饪所述菜谱的烹饪概率，得到每一用户类别对应的用户烹饪概率向量，具体可以是：服务器根据同一类别中各用户的烹饪概率计算得到的平均值、加权平均值、去掉端值后的平均值、中位值中的其中之一作为该用户类别对应的用户烹饪概率。服务器根据待推荐用户的所述用户烹饪概率向量与不同用户类别的用户烹饪概率向量之间的用户相似度，确定与所述待推荐用户的用户相似度符合设置要求的目标用户类别，将所述目标用户类别中包含的用户作为与所述待推荐用户的用户相似度符合设置要求的至少一用户。

其中，仍以上述表格一为例，user1对应的用户烹饪概率向量为[0.3，0.4，0.3，0，…0]，user2对应的用户烹饪概率向量为[0.5，0.2，0.2，0，…0.1]，user3对应的用户烹饪概率向量为[0，0.1，0，0.2，…0.7]，及userm对应的用户烹饪概率向量为[0.1，0.1，0，0，…0.8]。服务器根据欧式距离表计算用户之间的用户相似度后进行聚类分析确定用户类别，其中，user1和user2均属于第一用户类别、user3和userm均属于第二用户类别，服务器根据同一用户类别中各用户分别烹饪所述菜谱的烹饪概率的平均值得到相应用户类别对应的用户烹饪概率向量，其中，第一用户类别对应的用户烹饪概率向量为[0.4，0.3，0.25，0，…，0.05]，第二用户类别对应的用户烹饪概率向量为[0.05，0.1，0，0.1，…，0.75]。服务器根据待推荐用户的用户烹饪概率向量与不同用户类别的用户烹饪概率向量计算用户相似度，确定与所述待推荐用户的用户相似度最高的用户类别或者相似度排序在前N位的用户类别作为目标用户类别，将目标用户类别中包含的用户作为与所述待推荐用户的用户相似度符合设置要求的至少一用户。

其中，服务器通过根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量进行聚类分析确定用户类别，从而在确定待推荐用户相似度较高的其它用户时，可以通过计算待推荐用户与每一用户类别的相似度来确定，可以大大减少确定待推荐用户对应的待推荐菜谱的计算量，提高推荐效率。

作为又一可选的实施例，步骤105，基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱，包括：

基于所述烹饪概率进行聚类分析，根据待推荐用户的目标菜谱确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱；

将所述至少一菜谱作为与所述待推荐用户对应的待推荐菜谱。

具体的，服务器可以根据待推荐用户的烹饪记录确定待推荐用户的目标菜谱。待推荐用户的烹饪记录可以是，待推荐用户的当前烹饪记录和/或待推荐用户的历史烹饪记录，具体可以包括如下记录中的至少一种：待推荐用户通过终端下载菜谱的记录、待推荐用户通过终端查询菜谱的记录、待推荐用户通过终端浏览菜谱的记录、待推荐用户通过终端对菜谱进行评价的记录、待推荐用户通过家电设备进行烹饪的记录。相应的，服务器根据待推荐用户的当前烹饪记录确定待推荐用户的目标菜谱，具体可以包括：服务器接收终端发送的待推荐用户对菜谱的下载请求、查询请求、浏览请求或评价请求，根据所述待推荐用户对菜谱的下载请求、查询请求、浏览请求或评价请求中包含的菜谱信息确定为待推荐用户的目标菜谱；或者服务器接收家电设备发送的待推荐用户进行烹饪的烹饪相关数据，根据所述烹饪相关数据中包含的菜谱信息确定为待推荐用户的目标菜谱。

菜谱相似度符合设置要求的至少一菜谱可以是指，菜谱相似度最高的一个菜谱、菜谱相似度排序在前N位的N个菜谱、或者菜谱相似度的值大于设定值的一个或者多个菜谱。

进一步的，服务器基于所述烹饪概率进行聚类分析，根据待推荐用户的目标菜谱确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱，具体包括：

根据各用户分别烹饪所述菜谱的烹饪概率分别形成与所述菜谱对应的菜谱烹饪概率向量；

获取待推荐用户的当前烹饪记录确定目标菜谱，基于所述菜谱烹饪概率向量进行聚类分析，确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱。

服务器根据各用户分别烹饪所述菜谱的烹饪概率分别形成与所述菜谱对应的菜谱烹饪概率向量。结合前述表格一所示，具体以n个菜谱为例，n个菜谱分别为菜谱1、菜谱2、菜谱3、…菜谱n；假设用户为m个，所述m个用户分别为第一用户user1、第二用户user2、第三用户user3、…第m个用户userm；对于菜谱1而言，菜谱1被m个用户分别烹饪的烹饪概率包括：被user1烹饪的烹饪概率为0.3、被user2烹饪的烹饪概率为0.5、被user3烹饪的烹饪概率为0、…被userm烹饪的烹饪概率为0.1，菜谱1的菜谱烹饪概率向量为[0.3，0.5，0，…0.1]。依此类推，可以分别确定user2、user3、…userm烹饪所述菜谱的烹饪概率，并分别确定菜谱2对应的菜谱烹饪概率向量为[0.4，0.2，0.1，…0.1]、菜谱2对应的菜谱烹饪概率向量为[0.3，0.2，0，...0.2]、菜谱n对应的菜谱烹饪概率向量为[0，0.1，0.7，...0.8]。

服务器获取待推荐用户的当前烹饪记录确定目标菜谱，基于所述菜谱烹饪概率向量进行聚类分析，确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱。其中，服务器根据待推荐用户的目标菜谱的菜谱烹饪概率向量与不同菜谱的菜谱烹饪概率向量之间的菜谱相似度，具体可以是：服务器采用欧式距离计算方式来计算目标菜谱的所述菜谱烹饪概率向量与不同菜谱的菜谱烹饪概率向量之间的菜谱相似度。仍以前述表格一为例，采用欧式距离表计算菜谱1和菜谱2之间菜谱相似度，具体表达式可以为

欧式距离值越大，表示菜谱相似度越小；欧式距离值越小，表示菜谱相似度越大。

为了更好的理解本申请实施例所提供的菜谱推荐方法，请参阅图4，以下以表格一中所示的n个菜谱及m个用户为例，对基于烹饪概率进行聚类分析确定用户相似度进行的菜谱推荐方法的步骤进行说明：

S11，服务器获取终端和/或家电设备发送的菜谱的历史烹饪记录。

服务器接收终端发送的下载请求，并将用户通过终端每下载一次菜谱视为该菜谱被相应的用户烹饪一次；服务器接收终端发送的查询请求，并将用户通过终端每查询一次菜谱并采纳相应查询结果视为该菜谱被相应的用户烹饪过一次；服务器接收终端发送的浏览请求，并将用户通过终端每查阅一次菜谱详情视为该菜谱被相应的用户烹饪一次；服务器接收终端发送的评价请求，并将用户通过终端对菜谱进行点赞、发表评论、回复评论等一次视为该菜谱被相应的用户烹饪一次；服务器接收家电设备发送的烹饪相关数据，并将用户通过家电设备每烹饪一次所采用的菜谱视为该菜谱被相应的用户烹饪一次。菜谱的历史烹饪记录包括用户名、菜谱名及菜谱烹饪次数之间的对应关系。服务器将菜谱的历史烹饪记录存储于菜谱数据库中。

S12，服务器根据菜谱的历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率。

其中，服务器根据各用户对每一所述菜谱的烹饪次数与所述各用户对菜谱的烹饪总次数的比值，确定所述各用户对每一所述菜谱的烹饪概率。

S13，服务器基于各用户分别烹饪所述菜谱的烹饪概率进行聚类分析，确定用户类别，并分别确定所述用户类别对应的用户烹饪概率向量。

服务器将每一用户烹饪所述菜谱的烹饪概率形成对应的用户烹饪概率向量，基于该用户烹饪概率向量计算用户相似度，将用户相似度小于设定值的用户确定为一个相同的用户类别。将同一个用户类别中用户的烹饪概率的平均值作为该用户类别的用户烹饪概率向量。

S14，服务器基于待推荐用户的用户烹饪概率向量与各用户类别的用户烹饪概率向量，确定与待推荐用户的用户相似度最大的目标用户类别。

服务器将待推荐用户烹饪所述菜谱的烹饪概率形成对应的用户烹饪概率向量，根据其用户烹饪概率向量与各个用户类别的用户烹饪概率向量计算用户相似度，确定与待推荐用户的用户相似度最大的目标用户类别。

S15，服务器将目标用户类别中各用户烹饪过、且待推荐用户未烹饪过的菜谱作为与该待推荐用户对应的待推荐菜谱，将所述待推荐菜谱推送至所述待推荐用户对应的终端和/或家电设备。

服务器将目标用户类别中各用户的历史烹饪记录中包含的(烹饪概率大于0)、且待推荐用户的历史烹饪记录中未包含的(烹饪概率等于0)的菜谱确定为所述目标用户类别中各用户烹饪过、且待推荐用户未烹饪过的菜谱。在待推荐用户仅通过终端与服务器进行通信的可选场景中，服务器将待推荐菜谱发送到终端，以供待推荐用户通过终端查看；在待推荐用户仅通过具有通信功能的智能家电设备与服务器进行通信的可选场景中，服务器将待推荐菜谱发送到家电设备，以供待推荐用户通过家电设备查看；可以理解的，在待推荐用户同时通过终端和智能家电设备与服务器进行通信的可选场景中，服务器可以将待推荐菜谱同时发送给终端和家电设备，以供待推荐用户通过终端或者家电设备查看。

为了更好的理解本申请实施例所提供的菜谱推荐方法，请参阅图5，以下以表格一中所示的n个菜谱及m个用户为例，对基于烹饪概率进行聚类分析确定菜谱相似度进行的菜谱推荐方法的步骤进行说明，与图4所示实施例的区别在于，在步骤S12之后，包括：

S16，服务器根据待推荐用户的烹饪记录确定目标菜谱。服务器确定目标菜谱可以是，服务器接收终端发送的待推荐用户对菜谱的下载请求、查询请求、浏览请求或评价请求，将所述待推荐用户对菜谱的下载请求、查询请求、浏览请求或评价请求中包含的菜谱信息确定为待推荐用户的目标菜谱；或者服务器接收家电设备发送的待推荐用户进行烹饪的烹饪相关数据，将所述烹饪相关数据中包含的菜谱信息确定为待推荐用户的目标菜谱。

S17，服务器基于各用户分别烹饪所述菜谱的烹饪概率得到每一所述菜谱的菜谱烹饪概率向量，基于所述菜谱烹饪概率向量进行聚类分析，确定与待推荐用户的目标菜谱的菜谱相似度最大的菜谱。其中，菜谱烹饪概率向量是指不同用户分别烹饪该菜谱的烹饪概率形成的向量。

S18，服务器将与所述目标菜谱的菜谱相似度最大的菜谱推送至所述待推荐用户对应的终端和/或家电设备。其中，服务器将待推荐菜谱推送给待推荐用户的具体实现方式与图4所示实施例可以相同，在此不再赘述。

本发明上述实施例所提供的菜谱推荐方法，服务器通过从终端和/或家电设备获取菜谱的历史烹饪记录，根据历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率，基于烹饪概率进行聚类分析，根据各用户分别烹饪菜谱的烹饪概率数据之间的相似性进行聚类，其中，由于用户分别烹饪菜谱的烹饪概率数据中至少包含用户、菜谱及菜谱烹饪次数之间的对应关系，也每一个烹饪概率的数据属性至少包含用户与菜谱两个维度，因此，通过根据烹饪概率形成不同维度的向量后进行聚类分析，可以分别获得表征不同用户之间对相同菜谱具有相同或者相近喜好相似度的用户相似度、以及表征不同菜谱之间被相同用户以相同或者相近喜好相似度使用的菜谱相似度。也即，通过获得用户分别烹饪菜谱的烹饪概率的分组特性，通过烹饪概率的分组特性可以确定出用户对菜谱的喜好相似度，从而可以确定与待推荐用户对应的待推荐菜谱并进行推荐，针对任一待推荐用户而言，与该待推荐用户对应的待推荐菜谱均是基于烹饪概率的分组特性而实时确定的，被推荐菜谱的确定考虑了用户对菜谱的喜好相似度，从而推荐结果更加准确和高效。

采用本发明实施例所提供的菜谱推荐方法的菜谱推荐装置具体可以为服务器，就菜谱推荐装置的硬件结构而言，请参阅图6，为菜谱推荐装置的一个可选的硬件结构示意图，包括处理器110和用于存储能够在处理器110上运行的计算机程序的存储器113；所述处理器110，用于在运行所述计算机程序时，实现本申请任一实施例所提供的菜谱推荐方法。

在示意性的实施例中，请参阅图7，是本发明一实施例提供的菜谱推荐装置的结构示意图，该菜谱推荐装置包括：获取模块11，用于获取菜谱的历史烹饪记录；概率确定模块13，用于根据所述历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率；菜谱确定模块15，用于基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱；推荐模块17，用于推荐所述待推荐菜谱。

其中，所述菜谱确定模块15，具体用于基于所述烹饪概率进行聚类分析确定用户之间的用户相似度和/或菜谱之间的菜谱相似度，根据待推荐用户的烹饪记录、及所述用户相似度和/或菜谱相似度确定与待推荐用户对应的待推荐菜谱。

其中，所述菜谱确定模块15包括第一聚类单元及第一菜谱确定单元，所述第一聚类单元，用于基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率确定与待推荐用户的用户相似度符合设置要求的至少一用户；所述第一菜谱确定单元，用于根据所述至少一用户的历史烹饪记录确定与所述待推荐用户对应的待推荐菜谱。

其中，所述第一聚类单元，具体用于根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量；根据待推荐用户的所述用户烹饪概率向量与不同用户的用户烹饪概率向量之间的用户相似度，确定与所述待推荐用户的用户相似度符合设置要求的至少一用户。

其中，所述第一聚类单元，具体用于根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量，基于所述用户烹饪概率向量进行聚类分析确定用户类别；根据同一用户类别中各用户分别烹饪所述菜谱的烹饪概率，得到每一用户类别对应的用户烹饪概率向量；根据待推荐用户的所述用户烹饪概率向量与不同用户类别的用户烹饪概率向量之间的用户相似度，确定与所述待推荐用户的用户相似度符合设置要求的目标用户类别，将所述目标用户类别中包含的用户作为与所述待推荐用户的用户相似度符合设置要求的至少一用户。

所述第一菜谱确定单元，具体用于根据所述至少一用户的历史烹饪记录，将所述至少一用户烹饪过、且所述待推荐用户未烹饪过的菜谱作为所述待推荐用户对应的待推荐菜谱；或者，将所述至少一用户的历史烹饪记录包含的菜谱作为所述待推荐用户对应的待推荐菜谱；或者，将所述至少一用户的历史烹饪记录包含的菜谱中烹饪概率较高的前预设位的菜谱作为待推荐用户对应的待推荐菜谱。

其中，所述菜谱确定模块15，包括第二聚类单元及第二菜谱确定单元，所述第二聚类单元，用于基于所述烹饪概率进行聚类分析，根据待推荐用户的目标菜谱确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱；所述第二菜谱确定单元，用于将所述至少一菜谱作为与所述待推荐用户对应的待推荐菜谱。

其中，所述第二聚类单元，具体用于根据各用户分别烹饪所述菜谱的烹饪概率分别形成与所述菜谱对应的菜谱烹饪概率向量；获取待推荐用户的当前烹饪记录确定目标菜谱，基于所述菜谱烹饪概率向量进行聚类分析，确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱。

其中，所述概率确定模块13，具体用于根据各用户对每一所述菜谱的烹饪次数与所述各用户对菜谱的烹饪总次数的比值，确定所述各用户对每一所述菜谱的烹饪概率。

在示例性实施例中，本发明实施例还提供了一种可读存储介质，例如包括可执行程序的存储器，上述可执行程序可由处理器执行，以完成本申请任一实施例所提供的菜谱推荐方法的步骤。可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如计算机设备等。

以上所述仅为本发明具体实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本发明的保护范围应以所述权利要求的保护范围以准。

Claims (12)

1.一种菜谱推荐方法，其特征在于，包括：

获取菜谱的历史烹饪记录；

根据所述历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率；

基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱；

推荐所述待推荐菜谱。

2.如权利要求1所述的菜谱推荐方法，其特征在于，所述基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱，包括：

基于所述烹饪概率进行聚类分析确定用户之间的用户相似度和/或菜谱之间的菜谱相似度，根据待推荐用户的烹饪记录、及所述用户相似度和/或菜谱相似度确定与所述待推荐用户对应的待推荐菜谱。

3.如权利要求1所述的菜谱推荐方法，其特征在于，所述基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱，包括：

基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率确定与待推荐用户的用户相似度符合设置要求的至少一用户；

根据所述至少一用户的历史烹饪记录确定与所述待推荐用户对应的待推荐菜谱。

4.如权利要求3所述的菜谱推荐方法，其特征在于，基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率确定与待推荐用户的用户相似度符合设置要求的至少一用户，包括：

根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量；

根据待推荐用户的所述用户烹饪概率向量与不同用户的用户烹饪概率向量之间的用户相似度，确定与所述待推荐用户的用户相似度符合设置要求的至少一用户。

5.如权利要求3所述的菜谱推荐方法，其特征在于，基于所述烹饪概率进行聚类分析，根据待推荐用户烹饪所述菜谱的烹饪概率确定与待推荐用户的用户相似度符合设置要求的至少一用户，包括：

根据各用户分别烹饪所述菜谱的烹饪概率分别形成所述各用户对应的用户烹饪概率向量，基于所述用户烹饪概率向量进行聚类分析确定用户类别；

根据同一用户类别中各用户分别烹饪所述菜谱的烹饪概率，得到每一用户类别对应的用户烹饪概率向量；

根据待推荐用户的所述用户烹饪概率向量与不同用户类别的用户烹饪概率向量之间的用户相似度，确定与所述待推荐用户的用户相似度符合设置要求的目标用户类别，将所述目标用户类别中包含的用户作为与所述待推荐用户的用户相似度符合设置要求的至少一用户。

6.如权利要求3所述的菜谱推荐方法，其特征在于，所述根据所述至少一用户的历史烹饪记录确定与所述待推荐用户对应的待推荐菜谱，包括：

根据所述至少一用户的历史烹饪记录，将所述至少一用户烹饪过、且所述待推荐用户未烹饪过的菜谱作为所述待推荐用户对应的待推荐菜谱；或者

将所述至少一用户的历史烹饪记录包含的菜谱作为所述待推荐用户对应的待推荐菜谱；或者

将所述至少一用户的历史烹饪记录包含的菜谱中烹饪概率较高的前预设位的菜谱作为待推荐用户对应的待推荐菜谱。

7.如权利要求1所述的菜谱推荐方法，其特征在于，所述基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱，包括：

基于所述烹饪概率进行聚类分析，根据待推荐用户的目标菜谱确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱；

将所述至少一菜谱作为与所述待推荐用户对应的待推荐菜谱。

8.如权利要求7所述的菜谱推荐方法，其特征在于，基于所述烹饪概率进行聚类分析，根据待推荐用户的目标菜谱确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱，包括：

根据各用户分别烹饪所述菜谱的烹饪概率分别形成与所述菜谱对应的菜谱烹饪概率向量；

获取待推荐用户的当前烹饪记录确定目标菜谱，基于所述菜谱烹饪概率向量进行聚类分析，确定与所述目标菜谱的菜谱相似度符合设置要求的至少一菜谱。

9.如权利要求1-8中任一项所述的菜谱推荐方法，其特征在于，所述根据所述历史烹饪记录确定各用户对每一所述菜谱的烹饪概率，包括：

根据各用户对每一所述菜谱的烹饪次数与所述各用户对菜谱的烹饪总次数的比值，确定所述各用户对每一所述菜谱的烹饪概率。

10.一种菜谱推荐装置，其特征在于，包括：

获取模块，用于获取菜谱的历史烹饪记录；

概率确定模块，用于根据所述历史烹饪记录确定各用户分别烹饪所述菜谱的烹饪概率；

菜谱确定模块，用于基于所述烹饪概率确定与待推荐用户对应的待推荐菜谱；

推荐模块，用于推荐所述待推荐菜谱。

11.一种菜谱推荐装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器，用于在运行所述计算机程序时，实现如权利要求1至9中任意一项所述的菜谱推荐方法。

12.一种存储介质，该存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至9中任一项所述的菜谱推荐方法。