CN110942344A - 美食推荐榜单的生成方法、装置、设备及存储介质 - Google Patents

美食推荐榜单的生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110942344A
CN110942344A CN201911159227.XA CN201911159227A CN110942344A CN 110942344 A CN110942344 A CN 110942344A CN 201911159227 A CN201911159227 A CN 201911159227A CN 110942344 A CN110942344 A CN 110942344A
Authority
CN
China
Prior art keywords
target
user
merchant
information
comment
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
CN201911159227.XA
Other languages
English (en)
Inventor
梁思
王迟威
张瑶
陈冬冬
顾梦逸
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.)
Hanhai Information Technology Shanghai Co Ltd
Original Assignee
Hanhai Information Technology Shanghai 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 Hanhai Information Technology Shanghai Co Ltd filed Critical Hanhai Information Technology Shanghai Co Ltd
Priority to CN201911159227.XA priority Critical patent/CN110942344A/zh
Publication of CN110942344A publication Critical patent/CN110942344A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • 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)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种美食推荐榜单的生成方法、装置、设备及存储介质，应用于应用程序领域，该方法包括：获取用户的行为信息；从用户中筛选出行为信息符合第一预设条件的目标用户，并根据目标用户的目标行为信息确定出目标商户；基于目标行为信息对目标商户进行评分，得到n个目标商户分别对应的推荐分值；根据推荐分值从n个目标商户中确定出上榜商户，对应生成美食推荐榜单。该方法通过大数据分析确定出上榜商户，利用资深用户对美食的认可度来确定出美食推荐榜单的上榜商户，使得到的上述上榜商户提供的美食更符合大众口味和意见，提高了筛选出的上榜商户的可信赖度，为用户提供更可靠的美食推荐信息。

Description

美食推荐榜单的生成方法、装置、设备及存储介质
技术领域
本申请涉及应用程序领域，特别涉及一种美食推荐榜单的生成方法、装置、设备及存储介质。
背景技术
在各种餐饮平台上，会发布一些榜单，榜单上整理了各个地区各种类型的美食推荐信息，该榜单指导着消费者的用餐选择。比如，在某一旅游胜地，游客会根据某一餐饮平台上提供的当地美食的人气榜单选择用餐的餐厅。
通常，上述推荐美食的榜单是由具有权威的美食专家对餐厅进行评选确定出的。示意性的，由某一餐饮协会组织对选定的若干个餐厅进行评定，首先，若干个具有权威的美食专家组成美食评审团；其次，由评审团的美食专家在品尝各个餐厅的菜品之后给出评分；最终，综合评审团中每一个美食专家给出的评分确定出上榜的餐厅。
由于上述榜单中的美食推荐信息是由评审团给出的，受个人的主观因素的影响，因此，推荐的美食很难代表大众口味和意见。
发明内容
本申请实施例提供了一种美食推荐榜单的生成方法、装置、设备及存储介质，可以解决由于现有榜单中推荐的美食受到评审团的主观因素影响，导致推荐的美食难以符合大众口味和意见的问题。所述技术方案如下：
根据本申请的一个方面，提供了一种美食推荐榜单的生成方法，该方法包括：
获取用户的行为信息，行为信息是指用户在在线服务程序上进行与餐饮服务相关的操作时生成的信息；
从用户中筛选出行为信息符合第一预设条件的目标用户，并根据目标用户的目标行为信息确定出目标商户；
基于目标行为信息对目标商户进行评分，得到n个目标商户分别对应的推荐分值；
根据推荐分值从n个目标商户中确定出上榜商户，对应生成美食推荐榜单；n为正整数。
在一些实施例中，第一预设条件包括以下至少一项：
用户的试吃活动的评论数量与用户的总评论数量的比例小于第一比例；
评论数量大于数量阈值；
用户的高质量评论的评论数量与总评论数量的比例大于第二比例；
用户的正餐的评论数量与总评论数量的比例大于第三比例；
用户与用户评论过的商户的相关性系数大于系数阈值；
用户的帐号等级的提升速度小于速度阈值；
用户的真实评价数量与总评论数量的比例大于第四比例。
在一些实施例中，目标行为信息包括评论信息；
基于目标行为信息对目标商户进行评分，得到n个目标商户分别对应的推荐分值，包括：
根据评论信息的属性信息确定出评论信息在目标商户下的分值权重；
根据评论信息的评论分值确定目标商户的推荐分值，评论分值是根据评论信息的分值权重和评论信息的用户评分的乘积得到的。
在一些实施例中，根据评论信息的评论分值确定目标商户的推荐分值，包括：
获取目标商户的信用信息；
根据信用信息对评论信息在目标商户下的分值权重进行加权或者降权处理，得到处理后的分值权重；
根据处理后的分值权重和用户评分的乘积，确定目标商户的推荐分值。
在一些实施例中，属性信息包括评论信息的评论质量、评论信息的评论来源、评论信息的情感类型、评论信息的用户质量和评论信息的评论时间中的至少一种。
在一些实施例中，基于目标行为信息对目标商户进行评分，得到n个目标商户的推荐分值，包括：
根据目标行为信息将目标用户划分为m个用户组，m为正整数；
基于用户组，根据目标行为信息对目标商户进行组内评分，得到目标商户在用户组中的推荐分值。
在一些实施例中，根据推荐分值从n个目标商户中确定出上榜商户，包括：
将目标商户按照地区划分为k个排名组；
获取目标商户提供的菜品的菜系；
当目标商户对应的菜系与目标商户所在排名组对应的地区匹配时，对目标商户的推荐分值进行加权处理，得到加权后的推荐分值；
根据加权后的推荐分值从j个排名组中确定出上榜商户。
在一些实施例中，根据加权后的推荐分值从k个排名组中确定出上榜商户，还包括：
提取目标商户在预设时间段内的经营数据；
调用机器学习算法对经营数据进行特征学习，得到目标商户的经营质量；
根据经营质量对目标商户的加权后的推荐分值进行线性加权，得到再次加权后的推荐分值；
根据再次加权后的推荐分值从k个排名组中确定出上榜商户；
其中，经营数据包括目标商户的评论信息、活动信息和信用信息中的至少一种。
在一些实施例中，根据加权后的推荐分值从k个排名组中确定出上榜商户，包括：
根据上榜比例确定出排名组内上榜的目标商户的数量M；
将加权后的推荐分值位于前M的目标商户确定为排名组的上榜商户。
在一些实施例中，根据上榜比例确定出排名组内上榜的目标商户的数量M之前，包括：
获取排名组对应的地区内活跃的商户数量；
根据预设上榜系数和商户数量，预估得到排名组的上榜比例。
在一些实施例中，目标行为信息包括评论信息；
根据目标用户的目标行为信息确定出目标商户，包括：
将评论信息评论过的商户确定为候选商户；
获取候选商户的商家信息；
当商家信息符合第二预设条件时，将对应的候选商户确定为目标商户。
在一些实施例中，第二预设条件包括以下至少一项：
候选商户的所在地区属于上榜地区白名单；
候选商户的商户评分大于预设评分；
候选商户提供的菜品的菜系属于可上榜菜系；
候选商户不属于上榜商户黑名单；
候选商户的浏览人数大于第一预设人数值；
候选商户的回头客数量大于第二预设人数值；
候选商户的菜品价格属于价格范围阈值。
根据本申请的另一方面，提供了一种美食推荐榜单的生成装置，该装置包括：
获取模块，用于获取用户的行为信息，行为信息是指用户在在线服务程序上进行与餐饮服务相关的操作时生成的信息；
确定模块，用于从用户中筛选出行为信息符合第一预设条件的目标用户，并根据目标用户的目标行为信息确定出目标商户；
评分模块，用于基于目标行为信息对目标商户进行评分，得到n个目标商户分别对应的推荐分值；
生成模块，用于根据推荐分值从n个目标商户中确定出上榜商户，对应生成美食推荐榜单；n为正整数。
在一些实施例中，第一预设条件包括以下至少一项：
用户的试吃活动的评论数量与用户的总评论数量的比例小于第一比例；
评论数量大于数量阈值；
用户的高质量评论的评论数量与总评论数量的比例大于第二比例；
用户的正餐的评论数量与总评论数量的比例大于第三比例；
用户与用户评论过的商户的相关性系数大于系数阈值；
用户的帐号等级的提升速度小于速度阈值；
用户的真实评价数量与总评论数量的比例大于第四比例。
在一些实施例中，目标行为信息包括评论信息；评分模块，包括：
第一计算子模块，用于根据评论信息的属性信息确定出评论信息在目标商户下的分值权重；根据评论信息的评论分值确定目标商户的推荐分值，评论分值是根据评论信息的分值权重和评论信息的用户评分的乘积得到的。
在一些实施例中，评分模块，包括：
第一获取子模块，用于获取目标商户的信用信息；
第一计算子模块，用于根据信用信息对评论信息在目标商户下的分值权重进行加权或者降权处理，得到处理后的分值权重；根据处理后的分值权重和用户评分的乘积，确定目标商户的推荐分值。
在一些实施例中，属性信息包括评论信息的评论质量、评论信息的评论来源、评论信息的情感类型、评论信息的用户质量和评论信息的评论时间中的至少一种。
在一些实施例中，评分模块，包括：
第一划分子模块，用于根据目标行为信息将目标用户划分为m个用户组，m为正整数；
第一计算子模块，用于基于用户组，根据目标行为信息对目标商户进行组内评分，得到目标商户在用户组中的推荐分值。
在一些实施例中，生成模块，包括：
第二划分子模块，用于将目标商户按照地区划分为k个排名组；
第二获取子模块，用于获取目标商户提供的菜品的菜系；
第二计算子模块，用于当目标商户对应的菜系与目标商户所在排名组对应的地区匹配时，对目标商户的推荐分值进行加权处理，得到加权后的推荐分值；
确定子模块，用于根据加权后的推荐分值从j个排名组中确定出上榜商户。
在一些实施例中，确定子模块，用于提取目标商户在预设时间段内的经营数据；调用机器学习算法对经营数据进行特征学习，得到目标商户的经营质量；根据经营质量对目标商户的加权后的推荐分值进行线性加权，得到再次加权后的推荐分值；根据再次加权后的推荐分值从k个排名组中确定出上榜商户；
其中，经营数据包括目标商户的评论信息、活动信息和信用信息中的至少一种。
在一些实施例中，确定子模块，用于根据上榜比例确定出排名组内上榜的目标商户的数量M；将加权后的推荐分值位于前M的目标商户确定为排名组的上榜商户。
在一些实施例中，确定子模块，还用于获取排名组对应的地区内活跃的商户数量；根据预设上榜系数和商户数量，预估得到排名组的上榜比例。
在一些实施例中，目标行为信息包括评论信息；
确定模块，用于将评论信息评论过的商户确定为候选商户；获取候选商户的商家信息；当商家信息符合第二预设条件时，将对应的候选商户确定为目标商户。
在一些实施例中，第二预设条件包括以下至少一项：
候选商户的所在地区属于上榜地区白名单；
候选商户的商户评分大于预设评分；
候选商户提供的菜品的菜系属于可上榜菜系；
候选商户不属于上榜商户黑名单；
候选商户的浏览人数大于第一预设人数值；
候选商户的回头客数量大于第二预设人数值；
候选商户的菜品价格属于价格范围阈值。
根据本申请的另一方面，提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上方面所述的美食推荐榜单的生成方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，上述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上方面所述的美食推荐榜单的生成方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过获取并分析用户的行为信息，从用户中确定出资深用户；对资深用户的行为信息进一步分析，利用资深用户对美食的认可度来确定出美食推荐榜单的上榜商户，使得到的上述上榜商户提供的美食更符合大众口味和意见，提高了筛选出的上榜商户的可信赖度，为用户提供更可靠的美食推荐信息，提高美食推荐榜单的参考价值。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1本申请一个示例性实施例提供的美食推荐榜单的生成方法的流程图；
图2本申请另一个示例性实施例提供的美食推荐榜单的生成方法的流程图；
图3本申请另一个示例性实施例提供的美食推荐榜单的生成方法的流程图；
图4本申请一个示例性实施例提供的美食推荐榜单的生成装置的结构示意图；
图5是本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在餐饮平台上，设置有美食推荐榜单；一般情况下，上述美食推荐榜单是由美食专家评选得到的，因此，榜单中的推荐美食具有主观性。为了能够使美食推荐榜单上的推荐美食更加符合大众意见，本申请中餐饮服务平台提供了一种后台服务，通过大数据分析实现美食推荐榜单的生成，以如下实施例对上述美食推荐榜单的生成方法进行说明。
请参考图1，示出了本申请一个示例性实施例提供的美食推荐榜单的生成方法的流程图，该方法应用于服务器中，该方法包括以下步骤：
步骤101，获取用户的行为信息。
上述行为信息是指用户在在线服务程序上进行与餐饮服务相关的操作时生成的信息。比如，上述行为信息可以是用户在在线服务程序上点餐时生成的交易信息；又比如，上述行为信息可以是用户在对商户的菜品进行评价时生成的评价信息以及评论信息的用户评分。
可选地，用户的行为信息包括评论信息、浏览信息和私信信息中的至少一种。其中，评论信息是指正常评论信息，示意性的，正常评论信息是根据用户访问路径、设备标识等实际行为判断得到的，可以有效的剔除外部篡改的评论信息。
需要说明的是，由于美食推荐榜单的业务属性，需要划分纳入计算的周期，比如，美食推荐榜单需要一年更新一次，在更新的时候，选取之前一年的用户的行为信息作为分析数据。
步骤102，从用户中筛选出行为信息符合第一预设条件的目标用户。
上述目标用户是指在线服务程序上的资深用户，上述第一预设条件是指用于从用户中获取资深用户的筛选条件。可选地，服务器中预先存储有第一预设条件；当用户的评论信息、浏览信息和私信信息中的至少一种符合第一预设条件时，服务器将该用户确定为目标用户。可选地，第一预设条件包括以下至少一项：
1)用户的试吃活动的评论数量与用户的总评论数量的比例小于第一比例；
试吃活动是指商户为了促进消费推出的销售活动，用户可以申请免费试吃或者低折扣试吃，并在试吃完成后按照规定给出相应的评论；消费活动是指用户通过正常消费在在线服务程序上购买美食的行为。
在在线服务程序上有许多用户热衷于参与试吃活动，由于试吃活动大多是免费试吃、低折扣试吃，因此，试吃的用户通常会给予试吃美食高评价，导致热衷于试吃活动的用户的行为信息不具有参考性价值。所以，服务器对试吃活动的评价数量占比高的用户进行剔除。
可选地，上述用户的评论信息包括用户的评论数量；第一比例是服务器中预设的试吃活动的评论数量与用户的总评论数量的比例阈值，用于剔除热衷于试吃的用户。其中，上述总评论数量是指试吃活动的评论数量与消费活动的评论数量的总和。
比如，第一比例为0.45，若用户的试吃活动的评论数量与总评论数量的比例为0.4，则将该用户确定为目标用户；若用户的试吃活动的评论数量与总评论数量的比例为0.8，则将该用户进行剔除。
2)评论数量大于数量阈值；
在线服务程序上评论数量少的用户，一种是不热衷于美食评论的用户，一种是基本不在在线服务程序上订餐的用户，一种是新用户，上述三种用户的评论不具有参考性价值。所以，服务器对评论数量小于数量阈值的用户进行剔除。
可选地，数量阈值是服务器中预设的用户评论的数量的阈值，用于剔除评论数量不足的用户。比如，数量阈值为36，若用户的评论数量为50，则将该用户确定为目标用户；若用户的评论数量为22，则将该用户进行剔除。
3)用户的高质量评论的评论数量与用户的总评论数量的比例大于第二比例；
可选地，上述用户的评论信息包括评论内容；服务器中设置的评论内容的字数阈值；上述高质量评论是指评论内容的字数大于字数阈值的评论内容。比如，评论内容的字数大于15的评论内容被确定为高质量评论，而像“很美味！！！”、“性价比很高。”、“还不错～”等这样的评论内容的字数小于15的评论被确定为低质量评论。
由于一些用户习惯于对美食只打分不评论，或者对美食仅进行简单评论，因此，这一类评论对美食的评论并没有实际意义，相应地，低质量评论的评论数量与总评论数量比例高的用户对美食所做出的评论也不具备参考价值。所以，若用户的高质量评论的评论数量与用户的总评论数量的比例大于第二比例，则将该用户确定为目标用户；否则，将该用户进行剔除。
可选地，第二比例是服务器中预设的用户的高质量评论的评论数量与总评论数量的比例阈值，用于剔除评价质量低的用户。其中，总评论数量还可以是指高质量评论的评论数量和低质量评论的评论数量的总和。比如，第二比例为0.7，若用户的高质量评论的评论数量与总评论数量的比例为0.75，则将该用户确定为目标用户；若用户的高质量评论的评论数量与总评论数量的比例为0.6，则将该用户进行剔除。
4)用户的正餐的评论数量与用户的总评论数量的比例大于第三比例；
按照东西方差异的不同，正餐可以包括午餐或者晚餐，在本实施例中，正餐是指午餐或者晚餐中的至少一种；非正餐是指除正餐之外餐饮，比如下午茶。一般情况下，美食推荐榜单上的上榜商户均是以提供正餐为主的商户，因此，选取正餐的评论数量高的用户作为目标用户。
可选地，第三比例是服务器中预先存储的正餐的评论数量与用户的总评论数量的比例阈值，用于剔除非正餐的评论数量高的用户。其中，总评论数量还可以是指正餐的评论数量与非正餐的评论数量的总和。比如，第二比例为0.7，若用户的正餐的评论数量与总评论数量的比例为0.9，则将该用户确定为目标用户；若用户的正餐的评论数量与总评论数量的比例为0.5，则对该用户进行剔除。
5)用户与用户评论过的商户的相关性系数大于系数阈值；
需要说明是，该相关性系数是指分数之间的相关性系数。一个用户会对多个商户进行打分，得到对每一个商户的用户评分；每一个商户对应有整体用户的评分均值；一个用户下多个商户的用户评分作为一列值，对应的多个商户的评分均值作为一列值，通过函数算法计算上述两列值之间的相关性，即为相关性系数。
可选地，服务器中预先存储有系数阈值，该系数阈值用于确定出用户的用户评分与评论过的商户的整体评分之间的相关性高的目标用户。比如，系数阈值为0.90，若上述相关性系数为0.95，则将对应的用户确定为目标用户；若上述相关性系数为0.55，则将对应的用户进行剔除。
6)用户的帐号等级的提升速度小于速度阈值；
由于帐号等级高的用户可以享有部分优惠政策，部分用户会采用等级提升策略快速升级帐号等级，这部分用户可以看作是灌水用户；这部分灌水用户还可能是刷单用户，刷单即与商户进行虚假交易，从而帮助商户提升商户星级的行为。因此，灌水用户的评论通常是虚假的，并不具备参考价值，服务器对上述帐户等级的提升速度高的用户进行剔除。
可选地，服务器中预先存储有帐号等级的提升速度的速度阈值，用于剔除灌水用户。比如，速度阈值为0.55，若帐号等级的提升速度为0.5，则将对应的用户确定为目标用户；若帐号等级的题述速度为0.62，则将对应用户进行剔除。
可选地，基于用户的浏览信息和评论信息，服务器通过长短期记忆(Long-ShortTerm Memory，LSTM)模型对用户的多维度特征进行学习，学习得到用户的帐号等级的提升速度，并对提升速度进行判断，确定该用户是否为灌水用户，进而对灌水用户进行过滤。其中，浏览信息可以包括浏览次数、浏览内容等，评论信息可以包括评论数量、评论内容等。
7)用户的真实评价数量与总评价数量的比例大于第四比例。
在线服务程序上允许用户对评论进行修改和删除；当用户对商户进行恶意评价时，可以通过双方协商由用户对评论进行修改或删除。也存在商户为了提升商户星级、或者不降低商户星级，通过双方协商由用户对评论进行修改或删除。因此，评价修改频繁的用户对商户的评价不具备参考价值，服务器对评价修改频繁的用户进行剔除。
在本实施例中，虚拟评论是指进行过与利益相关的修改的评论，真实评论可以指未进行过与利益相关的修改的评论；可选地，第四比例是指服务器中预设的用户的真实评价数量与总评价数量的比例阈值，用于剔除虚假评论数量多的用户。其中，总评价数量还可以是指真实评论数量与虚假评论数量的总和。比如，第三比例为0.79，若用户的真实评价数量与总评价数量的比例为0.85，则将该用户确定为目标用户；若用户的真实评价数量与总评价数量的比例为0.66，则对该用户进行剔除。
需要说明的是，服务器计算用户的真实评价数量与总评价数量的比例，首先需要对评价的真实与虚假做出判断。可选地，服务器获取用户与商户的私信信息中对话内容；通过文本算法结合预先构建的词库提取对话内容中的关键词，根据上述关键词和评价内容确定评论修改是否与利益相关；当评论修改与利益相关时，将该条评论确定为虚假评论；当评论修改与利益无关时，将该条评论确定为真实评论。
可选地，当服务器确定评论为真实评论或者虚假评论之后，服务器还获取评价信息中的评价修改信息，根据评价修改信息验证评论为真实评论或者虚假评论的真实性。比如，评论为虚假评论，若评价修改信息指示该条评价进行过修改，则验证结果为评论为虚假评论；若评价修改信息指示该条评价未进行过修改，则验证结果为评价为真实评论。
步骤103，根据目标用户的目标行为信息确定出目标商户。
服务器获取目标用户对应的目标行为信息；根据上述目标行为信息从目标用户评价过的商户中确定出目标商户。
可选地，上述目标商户确定的示意性步骤可以包括：
a)将目标行为信息中评论信息评论过的商户确定为候选商户；
可选地，服务器根据评论信息对应获取每一个目标用户评论过的商户，并从不同目标用户下获取得到的相同商户进行合并，得到目标用户评论过的至少两个候选商户。
b)获取候选商户的商家信息；
服务器获取至少两个候选商户中每一个候选商户的商家信息；可选地，候选商户的商家信息包括商户评分、商户所属地区、商户提供的菜品的菜系、商户所属白名单、浏览商户的浏览人数以及商户的回头客人数中的至少一种。
c)当商家信息符合第二预设条件时，将对应的候选商户确定为目标商户。
服务器根据商家信息从候选商户中筛选出目标商户，其中，服务器中预设有第二预设条件，若候选商户的商家信息符合上述第二预设条件，则将该候选商户确定为目标商户。可选地，第二预设条件可以包括以下至少一项：
1>候选商户的所在地区属于上榜地区白名单；
服务器中预设有上榜地区白名单，该上榜地区白名单上包括了具有参与美食推荐榜单的上榜商户评选的权限的地区；也就是说，该上榜地区白名单上包括的地区的候选商户才能够参与美食推荐榜单的上榜商户的评选。比如，该上榜地区白名单中包括城市W，但是不包括城市V；则城市W中的候选商户能够参与美食推荐榜单的上榜商户的评选，被确定为目标商户；而城市V中的候选商户不能够参与美食推荐榜单的上榜商户的评选。需要说明的是，该地区可以按照城市划分，或者按照气候划分，或者按照地貌划分，在本实施例中对于地区的划分依据不做限定。
2>候选商户的商户评分大于预设评分；
一般情况下，候选商户的商户评分低表示该商户提供的菜品和/或服务不能够满足用户的高要求；或者，该候选商户是在线服务程序上的新商户，不具备参与美食推荐榜单的上榜商户的评选资格。因此，服务器中存储有预设评分，服务器将商户评分大于预设评分的候选商户确定为目标商户；否则，对该候选商户进行剔除。其中，该商户评分可以是口味评分、商户星级评分、人气评分、服务评分、以及商户评分中的至少一种。
比如，预设评分为90，若候选商户的商户评分为93，该候选商户被确定为目标商户；若候选商户的商户评分为82，该候选商户被剔除。
需要说明的是，基于大数据集合的情况下，候选商户的商户评分是呈现出正态分布的情形，在本实施例中，可以选取商户评分较高的候选商户作为目标商户。
3>候选商户提供的菜品的菜系属于可上榜菜系；
服务器中存储有可上榜菜系白名单，可上榜菜系白名单中包括具有参与美食推荐榜单的上榜商户评选的权限的菜系；当候选商户提供的菜品的菜系属于白名单中的可上榜菜系时，服务器将该候选商户确定为目标商户。
比如，在生成专属于菜系A的美食推荐榜单时，可上榜菜系白名单中包括菜系A，当候选商户提供的菜品属于菜系A时，服务器将该候选商户确定为目标商户。
4>候选商户不属于上榜商户黑名单；
服务器中预先存储有上榜商户黑名单，该上榜商户黑名单中包括的商户均是不具备参与美食推荐榜单的上榜商户评选的权限的商户，当候选商户不属于该上榜商户黑名单时，该候选商户被确定为目标商户，否则，该候选商户被确定为非目标商户。
比如，候选商户是黑珍珠上榜餐厅，则服务器将该候选商户进行剔除，若候选商户不是黑珍珠上榜餐厅，则服务器将该候选商户确定为目标商家。
5>候选商户的浏览人数大于第一预设人数值；
一种情况下，候选商户的浏览人数少表示该候选商户的菜品不符合大众口味，基本无人购买，该候选商户是不具备参与美食推荐榜单的上榜商户评选的权限的。因此，服务器中预先存储有第一预设人数值，当候选商户的浏览人数大于第一预设人数值时，服务器将该候选商户确定为目标商户；当候选商户的浏览人数小于等于第一预设人数值时，服务器将该候选商户进行剔除。
比如，第一预设人数值为120，当候选商户的浏览人数为150时，服务器将该候选商户确定为目标商户；当候选商户的浏览人数为90时，服务器对该候选商户进行剔除。
6>候选商户的回头客数量大于第二预设人数值；
一种情况下，候选商户的回头客多表示该候选商户的菜品符合大众口味，该候选商户具备参与美食推荐榜单的上榜商户评选的权限。示意性的，服务器中存储有第二预设人数值，当候选商户的回头客数量大于第二预设人数值时，服务器将该候选商户确定为目标商户；当候选商户的回头客数量小于等于第二预设人数值时，服务器将该候选商户进行剔除。
比如，第二预设人数值为56，当候选商户的回头客数量为70时，服务器将该候选商户确定为目标商户；当候选商户的回头客数量为34时，服务器对该候选商户进行剔除。
需要说明的是，针对上述第二预设条件中包括的5>和6>，服务器获取候选商户的浏览人数和回头客数量还可以用于对候选商户的商户信息的核对。
7>候选商户的菜品价格属于价格范围阈值。
候选商户的菜品价格定位的过高或者过低，均不能作为目标用户，因此，服务器中设置有价格范围阈值，当候选商户的菜品价格属于该价格范围阈值时，将该候选商户确定为目标商户；否则，将该候选商户进行剔除。
比如，菜品价格的价格范围阈值为20至100，当候选商户的菜品价格属于20至100这一范围内时，将该候选商户确定为目标商户；否则，将该候选商户进行剔除。可选地，不同菜系对应不同的价格范围阈值。
步骤104，基于目标行为信息对目标商户进行评分，得到n个目标商户分别对应的推荐分值。
目标行为信息包括了评论信息，服务器根据目标商户对应的评论信息对目标商户进行评分，示意性步骤可以如下所示：
1)根据评论信息的属性信息确定出评论信息在目标商户下的分值权重；
可选地，属性信息包括评论信息的评论质量、评论信息的评论来源、评论信息的情感类型、评论信息的用户质量和评论信息的评论时间中的至少一种。
可选地，服务器根据评论信息的属性信息确定出至少两个子分值权重；将至少两个子分值权重的和确定为分值权重。其中，子分值权重的确定方法包括以下至少两种：
根据评论信息的评论质量确定出子分值权重；
根据评论信息的评论来源确定出子分值权重；
根据评论信息的情感类型确定出子分值权重；
根据评论信息的用户质量确定出子分值权重；
根据评论信息的评论时间确定出子分值权重。
其中，评论质量是根据评论内容、评论内容的长度和评论内容的时间等多特征分析得到的；不同的评论质量对应不同的子分值权重，示意性的，评论质量越高，子分值权重越高。
评论来源可以包括精选评价、团购评价、试吃评价、非竞选评价等多类来源；不同的评论来源对应不同的子分值权重，示意性的，精选评价比非精选评价的子分值权重高。
情感类型可以包括正向情感类型和负向情感类型；情感越正向则子分值权重越高；需要说明的是，服务器可以通过神经网络模型判断评论的情感类型，比如LSTM模型；还需要说明的是，当评论的情感类型与评论的用户评分不匹配时，子分值权重可以为负值。
用户质量可以通过诚信度来表示，诚信度越高表示用户质量越高，则子权重越高；需要说明的是，上述诚信度可以是根据用户诚信度与评论诚信度确定得到的。
评论时间是指评论内容和用户评分的发布时间，评论时间越接近当前时刻则子分值权重越高；需要说明的是，评论时间对应的子分值权重可以通过指数衰减的方式计算得到；还需要说明的是，针对新商户，当评论为商户开业初期的评论时，子分值权重可以为负值。
2)根据评论信息的评论分值确定目标商户的推荐分值。
其中，评论分值是根据评论信息的分值权重和评论信息的用户评分的乘积得到的。
一个目标商户对应有i条评论信息，每一条评论信息对应一个评论分值，可选地，服务器将i条评论信息的评论分值的和确定为目标商户的推荐分值；i为大于等于2的正整数。
可选地，服务器计算推荐分值还可以包括以下示意性步骤：
1>获取目标商户的信用信息。其中，信用信息用于表示目标商户的诚信度，目标商户的诚信度越高则分值权重越高。
2>根据信用信息对评论信息在目标商户下的分值权重进行加权或者降权处理，得到处理后的分值权重。
3>根据处理后的分值权重和用户评分的乘积，确定目标商户的推荐分值。
服务器将i条评论信息中每一条评论信息对应的处理后的分值权重和用户评分相乘，得到i个乘积；将i个乘积的和确定为目标商户的推荐分值。
步骤105，根据推荐分值从n个目标商户中确定出上榜商户，对应生成美食推荐榜单。
可选地，服务器中预先设置有上榜分数阈值；服务器将n个目标商户中推荐分值大于上榜分数阈值的目标商户确定为上榜商户，并生成包括上榜商户的美食推荐榜单。
可选地，服务器中预先设置有上榜商户的数量N，服务器根据推荐分值的由高至低或者由低至高对n个目标商户进行排序，从n个目标商户中确定出分值位于前N位或者后N位的N个目标商户，将上述N个目标商户确定为上榜商户，并生成包括上述N个上榜商户的美食推荐榜单；N为正整数。
可选地，服务器将目标商户按照地区划分为k个排名组；根据上榜比例确定出排名组内上榜的目标商户的数量M；将推荐分值或者加权后的推荐分值位于前M的目标商户确定为排名组的上榜商户；根据从k个排名组中确定出的上榜商户生成美食推荐榜单。其中，上榜比例是服务器中按照与地区之间的一一映射关系设置的；M为正整数。比如，如表一所示，地区A的上榜比例为0.1，当地区A对应的目标商户为10个时，上榜商户仅一个；地区C的上榜比例为0.15，当地区C对应的目标商户为40个时，上榜商户为6个。
表一
地区 上榜比例
地区A 0.1
地区C 0.15
综上所述，本实施例提供的美食推荐榜单的生成方法，通过获取并分析用户的行为信息，从用户中确定出资深用户；对资深用户的行为信息进一步分析，利用资深用户对美食的认可度来确定出美食推荐榜单的上榜商户，使得到的上述上榜商户提供的美食更符合大众口味和意见，提高了筛选出的上榜商户的可信赖度，为用户提供更可靠的美食推荐信息，提高美食推荐榜单的参考价值。
需要说明的是，考虑到用户的消费观念的不同，可以将目标用户划分为多个用户组，针对不同的用户组来确定上榜商户，示意性的，如图2，步骤104可以包括步骤1042至步骤1044，如下所示：
步骤1042，根据目标行为信息将目标用户划分为m个用户组。
其中，m为正整数。上述目标行为信息可以包括用户的帐号信息，还可以包括用户在平台上的整体行为数据。
示意性的，以服务器根据帐号信息对目标用户进行分组为例进行说明，可选地，上述帐号信息包括用户的常驻地区、用户的设备定位信息、用户的帐号类型、用户的贵宾(Vip)帐号等级中的至少一种。
可选地，服务器对用户组的划分可以包括以下方式中的至少一种：
1)按照用户的常驻地区或者用户的设备定位信息划分用户组；
2)根据用户的常驻地区和用户的设备定位信息确定目标用户的本异地属性，按照本异地属性划分用户组；
3)根据用户的交易信息中消费明细和消费分布形成用户画像，按照用户画像划分用户组；
4)根据用户帐号类型划分用户组，帐号类型包括普通帐号和Vip帐号；
5)根据Vip帐号等级划分用户组。
步骤1044，基于用户组，根据目标行为信息对目标商户进行组内评分，得到目标商户在用户组中的推荐分值。
目标行为信息包括了评论信息，可选地，服务器根据目标商户对应的评论信息进行组内评分，计算得到目标商户在用户组中的推荐分值。
在m个用户组的每一个用户组中，服务器根据评论信息的属性信息确定出评论信息在目标商户下的分值权重；根据评论信息的评论分值确定目标商户的推荐分值；其中，评论分值是根据评论信息的分值权重和评论信息的用户评分的乘积得到的。
可选地，属性信息包括评论信息的评论质量、评论信息的评论来源、评论信息的情感类型、评论信息的用户质量和评论信息的评论时间中的至少一种。
可选地，服务器还在计算得到分值权重之后，根据相关性系数结合目标商户的信息熵对分值权重进行加权或者降权的更新处理，得到更新后的分值权重；将上述更新后的分值权重与评论信息的用户评分相乘得到评论分值，将至少两个评论分值的和确定为推荐分值。其中，信息熵用于表示目标商户下的用户评分的分布情况。示意性的，当相关性系数较高且用户评分属于集中的分布情况时，对该目标商户的分值权重作出相应的加权处理。
综上所示，本实施例提供的美食推荐榜单的生成方法，通过获取并分析用户的行为信息，从用户中确定出资深用户；对资深用户的行为信息进一步分析，利用资深用户对美食的认可度来确定出美食推荐榜单的上榜商户，使得到的上述上榜商户提供的美食更符合大众口味和意见，提高了筛选出的上榜商户的可信赖度，为用户提供更可靠的美食推荐信息，提高美食推荐榜单的参考价值。
该方法还通过划分用户组，针对各类人群从多维度分析目标商户的表现，更准确、更真实的还原目标商户的服务品质，从而得到更可靠的美食推荐榜单。
基于图2所示实施例，服务器还可以在用户组下继续进行排名组的划分，示意性的，如图3，步骤105可以包括步骤1052至步骤1058，如下所示：
步骤1052，将目标商户按照地区划分为k个排名组。
基于用户组，服务器按照地区将目标商户划分为k个排名组，比如，按照城市划分排名组，将城市D的目标商户划分为一组，将城市E的目标商户划分为一组。需要说明的是，不同用户组下k的取值可以不同或者相同。
步骤1054，获取目标商户提供的菜品的菜系。
基于用户组，服务器获取每一个目标商户提供的菜品的菜系，比如，中国包括川菜、粤菜、鲁菜、湘菜等菜系。
步骤1056，当目标商户对应的菜系与目标商户所在排名组对应的地区匹配时，对目标商户的推荐分值进行加权处理，得到加权后的推荐分值。
在每一个用户组中，若目标商户对应的菜系与目标商户对应的地区匹配，则对目标商户的推荐分值进行加权处理，得到加权后的推荐分值。比如，目标商户对应的菜系川菜，目标商户所在排名组为四川，则将目标商户的推荐分值乘以1.2，对推荐分值进行加权处理，得到加权后的推荐分值。
步骤1058，根据加权后的推荐分值从j个排名组中确定出上榜商户。
可选地，若用户组之间不存在相同的目标商户，服务器根据地区划分对m个用户组进行合并，得到j个排名组；根据加权后的推荐分值以及上榜比例确定出上榜商户。
可选地，若用户组之间存在相同的目标商户，服务器根据地区划分对m个用户组进行合并，得到j个排名组；并计算排名组中目标商户对应的至少两个加权后的推荐分值的加权平均值，将上述加权平均值确定为目标商户的处理后的推荐分值；根据处理后的推荐分值以及上榜比例确定出上榜商户。
需要说明的是，每一个地区对应有上榜比例，该上榜比例可以是预先设定的，与地区具有一一映射关系。或者，该上榜比例是由上榜系数和地区内活跃的商户数量计算得到的，其中，上榜系数是服务器中预先设定的，与地区具有一一映射关系。可选地，若地区以城市划分，该上榜系数可以包括城市的信息点(Point Of Interest，POI)，城市POI包括了城市内地点的名称、类别、经度、以及纬度；示意性的，服务器获取排名组对应的城市内活跃的商户数量；根据城市POI和上述商户数量，预估得到排名组的上榜比例。
之后，服务器根据上榜比例确定出排名组内上榜的目标商户的数量M；将加权后的推荐分值或者处理后的推荐分值位于前M的目标商户确定为排名组的上榜商户。
可选地，确定上榜商户的方法还可以包括以下示意性步骤：
1)提取目标商户在预设时间段内的经营数据；
其中，经营数据包括目标商户的评论信息、活动信息和信用信息中的至少一种。
2)调用机器学习算法对经营数据进行特征学习，得到目标商户的经营质量；
服务器根据评论信息中用户评分确定对目标商户的打分分布、以及打分方差均值；根据活动信息确定目标商户的活动力度；根据信用信息确定目标商户的诚信度；根据上述评论信息的评论内容、打分分布、打分方差均值、活动力度、以及诚信度构建特征集合；通过机器学习算法对特征集合进行特征学习，得到目标商户的经营质量。
3)根据经营质量对目标商户的加权后的推荐分值进行线性加权，得到再次加权后的推荐分值；
目标商户的经营质量越好，则对应的权值越高；比如，经营质量为优，则权值为1.5，经营质量为良，则权值为1。服务器根据经营质量对目标商户的加权后的推荐分值进行线性加权，得到再次加权后的推荐分值。
4)根据再次加权后的推荐分值从k个排名组中确定出上榜商户。
综上所示，本实施例提供的美食推荐榜单的生成方法，通过获取并分析用户的行为信息，从用户中确定出资深用户；对资深用户的行为信息进一步分析，利用资深用户对美食的认可度来确定出美食推荐榜单的上榜商户，使得到的上述上榜商户提供的美食更符合大众口味和意见，提高了筛选出的上榜商户的可信赖度，为用户提供更可靠的美食推荐信息，提高美食推荐榜单的参考价值。
该方法还通过划分用户组，针对各类人群从多维度分析目标商户的表现，更准确、更真实的还原目标商户的服务品质，从而得到更可靠的美食推荐榜单。
由于用户对每一个地区的美食口味接受度的不同，以及每一个地区活跃的商户数量不同，因此，该方法还针对不同的地区设置了不同上榜比例，使得到的上榜商户提供的美食更符合大众口味和意见。
以下为本申请的装置实施例，对于装置实施例中未详细描述的细节，可以结合参考上述方法实施例中相应的记载，本文不再赘述。
请参考图4，示出了本申请的一个示例性实施例提供的美食推荐榜单的生成装置的结构示意图。该装置可以通过软件、硬件或者两者的结合实现成为服务器的全部或一部分，该装置包括：
获取模块201，用于获取用户的行为信息，行为信息是指用户在在线服务程序上进行与餐饮服务相关的操作时生成的信息；
确定模块202，用于从用户中筛选出行为信息符合第一预设条件的目标用户，并根据目标用户的目标行为信息确定出目标商户；
评分模块203，用于基于目标行为信息对目标商户进行评分，得到n个目标商户分别对应的推荐分值；
生成模块204，用于根据推荐分值从n个目标商户中确定出上榜商户，对应生成美食推荐榜单；n为正整数。
在一些实施例中，第一预设条件包括以下至少一项：
用户的试吃活动的评论数量与用户的总评论数量的比例小于第一比例；
评论数量大于数量阈值；
用户的高质量评论的评论数量与用户的总评论数量的比例大于第二比例；
用户的正餐的评论数量与总评论数量的比例大于第三比例；
用户与用户评论过的商户的相关性系数大于系数阈值；
用户的帐号等级的提升速度小于速度阈值；
用户的真实评价数量与总评价数量的比例大于第四比例。
在一些实施例中，目标行为信息包括评论信息；评分模块203，包括：
第一计算子模块2031，用于根据评论信息的属性信息确定出评论信息在目标商户下的分值权重；根据评论信息的评论分值确定目标商户的推荐分值，评论分值是根据评论信息的分值权重和评分信息的用户评分的乘积得到的。
在一些实施例中，评分模块203，包括：
第一获取子模块2032，用于获取目标商户的信用信息；
第一计算子模块2031，用于根据信用信息对评论信息在目标商户下的分值权重进行加权或者降权处理，得到处理后的分值权重；根据处理后的分值权重和用户评分的乘积，确定目标商户的推荐分值。
在一些实施例中，属性信息包括评论信息的评论质量、评论信息的评论来源、评论信息的情感类型、评论信息的用户质量和评论信息的评论时间中的至少一种。
在一些实施例中，评分模块203，包括：
第一划分子模块2033，用于根据目标行为信息将目标用户划分为m个用户组，m为正整数；
第一计算子模块2031，用于基于用户组，根据目标行为信息对目标商户进行组内评分，得到目标商户在用户组中的推荐分值。
在一些实施例中，生成模块204，包括：
第二划分子模块2041，用于将目标商户按照地区划分为k个排名组；
第二获取子模块2042，用于获取目标商户提供的菜品的菜系；
第二计算子模块2043，用于当目标商户对应的菜系与目标商户所在排名组对应的地区匹配时，对目标商户的推荐分值进行加权处理，得到加权后的推荐分值；
确定子模块2044，用于根据加权后的推荐分值从j个排名组中确定出上榜商户。
在一些实施例中，确定子模块2044，用于提取目标商户在预设时间段内的经营数据；调用机器学习算法对经营数据进行特征学习，得到目标商户的经营质量；根据经营质量对目标商户的加权后的推荐分值进行线性加权，得到再次加权后的推荐分值；根据再次加权后的推荐分值从k个排名组中确定出上榜商户；
其中，经营数据包括目标商户的评论信息、活动信息和信用信息中的至少一种。
在一些实施例中，确定子模块2044，用于根据上榜比例确定出排名组内上榜的目标商户的数量M；将加权后的推荐分值位于前M的目标商户确定为排名组的上榜商户。
在一些实施例中，确定子模块2044，还用于获取排名组对应的地区内活跃的商户数量；根据预设上榜系数和商户数量，预估得到排名组的上榜比例。
在一些实施例中，目标行为信息包括评论信息；
确定模块202，用于将评论信息评论过的商户确定为候选商户；获取候选商户的商家信息；当商家信息符合第二预设条件时，将对应的候选商户确定为目标商户。
在一些实施例中，第二预设条件包括以下至少一项：
候选商户的所在地区属于上榜地区白名单；
候选商户的商户评分大于预设评分；
候选商户提供的菜品的菜系属于可上榜菜系；
候选商户不属于上榜商户黑名单；
候选商户的浏览人数大于第一预设人数值；
候选商户的回头客数量大于第二预设人数值；
候选商户的菜品价格属于价格范围阈值。
综上所述，本申请实施例提供的美食推荐榜单的生成装置，通过获取并分析用户的行为信息，从用户中确定出资深用户；对资深用户的行为信息进一步分析，利用资深用户对美食的认可度来确定出美食推荐榜单的上榜商户，使得到的上述上榜商户提供的美食更符合大众口味和意见，提高了筛选出的上榜商户的可信赖度，为用户提供更可靠的美食推荐信息，提高美食推荐榜单的参考价值。
该装置还通过划分用户组，针对各类人群从多维度分析目标商户的表现，更准确、更真实的还原目标商户的服务品质，从而得到更可靠的美食推荐榜单。
请参考图5，示出了本申请一个示例性实施例提供的服务器的结构示意图。该服务器可以用于执行上述可选实施例中的美食推荐榜单的生成方法，具体来讲：
服务器300包括中央处理单元(Central Processing Unit，CPU)301、包括随机存取存储器(Random Access Memory，RAM)302和只读存储器(Read-Only Memory，ROM)303的系统存储器304，以及连接系统存储器304和中央处理单元301的系统总线305。服务器300还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(Input/Output，I/O)系统306，和用于存储操作系统313、应用程序314和其他程序模块315的大容量存储设备307。
基本输入/输出系统306包括有用于显示信息的显示器308和用于用户输入信息的诸如鼠标、键盘之类的输入设备309。其中显示器308和输入设备309都通过连接到系统总线305的输入输出控制器310连接到中央处理单元301。基本输入/输出系统306还可以包括输入输出控制器310以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器310还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备307通过连接到系统总线305的大容量存储控制器(未示出)连接到中央处理单元301。大容量存储设备307及其相关联的计算机可读介质为服务器300提供非易失性存储。也就是说，大容量存储设备307可以包括诸如硬盘或者只读光盘(CompactDisc Read-Only Memory，CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、闪存(Flash Memory)或其他固态存储其技术，CD-ROM、数字通用光盘(DigitalVersatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器304和大容量存储设备307可以统称为存储器。
根据本申请的各种实施例，服务器300还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器300可以通过连接在系统总线305上的网络接口单元311连接到网络312，或者说，也可以使用网络接口单元311来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU 301执行。
本申请还提供一种计算机设备，该计算机设备包括：处理器和存储器，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的美食推荐榜单的生成方法。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的美食推荐榜单的生成方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种美食推荐榜单的生成方法，其特征在于，所述方法包括：
获取用户的行为信息，所述行为信息是指所述用户在在线服务程序上进行与餐饮服务相关的操作时生成的信息；
从所述用户中筛选出所述行为信息符合第一预设条件的目标用户，并根据所述目标用户的目标行为信息确定出目标商户；
基于所述目标行为信息对所述目标商户进行评分，得到n个所述目标商户分别对应的推荐分值；
根据所述推荐分值从n个所述目标商户中确定出上榜商户，对应生成所述美食推荐榜单；n为正整数。
2.根据权利要求1所述的方法，其特征在于，所述第一预设条件包括以下至少一项：
所述用户的试吃活动的评论数量与所述用户的总评论数量的比例小于第一比例；
所述用户的评论数量大于数量阈值；
所述用户的高质量评论的评论数量与所述总评论数量的比例大于第二比例；
所述用户的正餐的评论数量与所述总评论数量的比例大于第三比例；
所述用户与所述用户评论过的商户的相关性系数大于系数阈值；
所述用户的帐号等级的提升速度小于速度阈值；
所述用户的真实评价数量与所述总评论数量的比例大于第四比例。
3.根据权利要求1所述的方法，其特征在于，所述目标行为信息包括评论信息；
所述基于所述目标行为信息对所述目标商户进行评分，得到n个所述目标商户分别对应的推荐分值，包括：
根据所述评论信息的属性信息确定出所述评论信息在所述目标商户下的分值权重；
根据所述评论信息的评论分值确定所述目标商户的所述推荐分值，所述评论分值是根据所述评论信息的所述分值权重和所述评论信息的用户评分的乘积得到的。
4.根据权利要求3所述的方法，其特征在于，所述根据所述评论信息的评论分值确定所述目标商户的所述推荐分值，包括：
获取所述目标商户的信用信息；
根据所述信用信息对所述评论信息在所述目标商户下的所述分值权重进行加权或者降权处理，得到处理后的所述分值权重；
根据处理后的所述分值权重和所述用户评分的乘积，确定所述目标商户的所述推荐分值。
5.根据权利要求3所述的方法，其特征在于，所述属性信息包括所述评论信息的评论质量、所述评论信息的评论来源、所述评论信息的情感类型、所述评论信息的用户质量和所述评论信息的评论时间中的至少一种。
6.根据权利要求1至5任一所述的方法，其特征在于，所述基于所述目标行为信息对所述目标商户进行评分，得到n个所述目标商户的推荐分值，包括：
根据所述目标行为信息将所述目标用户划分为m个用户组，m为正整数；
基于所述用户组，根据所述目标行为信息对所述目标商户进行组内评分，得到所述目标商户在所述用户组中的所述推荐分值。
7.根据权利要求6所述的方法，其特征在于，所述根据所述推荐分值从n个所述目标商户中确定出上榜商户，包括：
将所述目标商户按照地区划分为k个排名组；
获取所述目标商户提供的菜品的菜系；
当所述目标商户对应的所述菜系与所述目标商户所在排名组对应的地区匹配时，对所述目标商户的所述推荐分值进行加权处理，得到加权后的所述推荐分值；
根据加权后的所述推荐分值从j个所述排名组中确定出所述上榜商户。
8.根据权利要求7所述的方法，其特征在于，所述根据加权后的所述推荐分值从k个所述排名组中确定出所述上榜商户，还包括：
提取所述目标商户在预设时间段内的经营数据；
调用机器学习算法对所述经营数据进行特征学习，得到所述目标商户的经营质量；
根据所述经营质量对所述目标商户的加权后的所述推荐分值进行线性加权，得到再次加权后的所述推荐分值；
根据再次加权后的所述推荐分值从k个所述排名组中确定出所述上榜商户；
其中，所述经营数据包括所述目标商户的评论信息、活动信息和信用信息中的至少一种。
9.根据权利要求7所述的方法，其特征在于，所述根据加权后的所述推荐分值从k个所述排名组中确定出所述上榜商户，包括：
根据上榜比例确定出所述排名组内上榜的目标商户的数量M；
将加权后的所述推荐分值位于前M的所述目标商户确定为所述排名组的所述上榜商户。
10.根据权利要求9所述的方法，其特征在于，所述根据上榜比例确定出所述排名组内上榜的目标商户的数量M之前，包括：
获取所述排名组对应的所述地区内活跃的商户数量；
根据预设上榜系数和所述商户数量，预估得到所述排名组的所述上榜比例。
11.根据权利要求1至5任一所述的方法，其特征在于，所述目标行为信息包括评论信息；
所述根据所述目标用户的目标行为信息确定出目标商户，包括：
将所述评论信息评论过的商户确定为候选商户；
获取所述候选商户的商家信息；
当所述商家信息符合第二预设条件时，将对应的所述候选商户确定为所述目标商户。
12.根据权利要求11所述的方法，其特征在于，所述第二预设条件包括以下至少一项：
所述候选商户的所在地区属于上榜地区白名单；
所述候选商户的商户评分大于预设评分；
所述候选商户提供的菜品的菜系属于可上榜菜系；
所述候选商户不属于上榜商户黑名单；
所述候选商户的浏览人数大于第一预设人数值；
所述候选商户的回头客数量大于第二预设人数值；
所述候选商户的菜品价格属于价格范围阈值。
13.一种美食推荐榜单的生成装置，其特征在于，所述装置包括：
获取模块，用于获取用户的行为信息，所述行为信息是指所述用户在在线服务程序上进行与餐饮服务相关的操作时生成的信息；
确定模块，用于从所述用户中筛选出所述行为信息符合第一预设条件的目标用户，并根据所述目标用户的目标行为信息确定出目标商户；
评分模块，用于基于所述目标行为信息对所述目标商户进行评分，得到n个所述目标商户分别对应的推荐分值；
生成模块，用于根据所述推荐分值从n个所述目标商户中确定出上榜商户，对应生成所述美食推荐榜单；n为正整数。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1至12任一项所述的美食推荐榜单的生成方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由处理器加载并执行，以实现如权利要求1至12任一项所述的美食推荐榜单的生成方法。
CN201911159227.XA 2019-11-22 2019-11-22 美食推荐榜单的生成方法、装置、设备及存储介质 Pending CN110942344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911159227.XA CN110942344A (zh) 2019-11-22 2019-11-22 美食推荐榜单的生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911159227.XA CN110942344A (zh) 2019-11-22 2019-11-22 美食推荐榜单的生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN110942344A true CN110942344A (zh) 2020-03-31

Family

ID=69908083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911159227.XA Pending CN110942344A (zh) 2019-11-22 2019-11-22 美食推荐榜单的生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110942344A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861139A (zh) * 2020-06-28 2020-10-30 深圳壹账通智能科技有限公司 商户推荐方法、装置及计算机设备
CN111931065A (zh) * 2020-09-03 2020-11-13 猪八戒股份有限公司 基于lstm模型的商机推荐方法、系统、电子设备及介质
CN112035569A (zh) * 2020-08-14 2020-12-04 联动数科(北京)科技有限公司 一种商户评分方法及系统
CN113360790A (zh) * 2021-06-08 2021-09-07 口碑(上海)信息技术有限公司 信息推荐方法、装置及电子设备
CN113468394A (zh) * 2021-07-06 2021-10-01 北京有竹居网络技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN115936514A (zh) * 2022-12-14 2023-04-07 湖南工业大学 基于大数据联动管理的乡村美食创意系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861139A (zh) * 2020-06-28 2020-10-30 深圳壹账通智能科技有限公司 商户推荐方法、装置及计算机设备
CN112035569A (zh) * 2020-08-14 2020-12-04 联动数科(北京)科技有限公司 一种商户评分方法及系统
CN111931065A (zh) * 2020-09-03 2020-11-13 猪八戒股份有限公司 基于lstm模型的商机推荐方法、系统、电子设备及介质
CN113360790A (zh) * 2021-06-08 2021-09-07 口碑(上海)信息技术有限公司 信息推荐方法、装置及电子设备
CN113468394A (zh) * 2021-07-06 2021-10-01 北京有竹居网络技术有限公司 一种数据处理方法、装置、电子设备及存储介质
CN115936514A (zh) * 2022-12-14 2023-04-07 湖南工业大学 基于大数据联动管理的乡村美食创意系统
CN115936514B (zh) * 2022-12-14 2023-08-08 湖南工业大学 基于大数据联动管理的乡村美食创意系统

Similar Documents

Publication Publication Date Title
CN110942344A (zh) 美食推荐榜单的生成方法、装置、设备及存储介质
CN110313009B (zh) 用于为请求实体调整第二实体的信任得分的方法和系统
CN109690608B (zh) 外推信任得分中的趋势
CN107851097B (zh) 数据分析系统、数据分析方法、数据分析程序及存储介质
CN108694647B (zh) 一种商户推荐理由的挖掘方法及装置，电子设备
CN111523923B (zh) 商家评论管理系统、方法、服务器及存储介质
CN107862530A (zh) 建立用户人际关系信息的方法及装置
CN109564669A (zh) 基于信任得分和地理范围搜索实体
US20170024783A1 (en) Methods and systems for ranking merchants
CN106469392A (zh) 选择及推荐展示对象的方法及装置
Edrisi et al. The interaction between e-shopping and shopping trip, Tehran
KR101618013B1 (ko) 노출 순위를 기반으로 하는 바이럴 마케팅 서비스 제공 시스템
JP6748769B1 (ja) 顧客推定装置及び顧客推定方法
Meng et al. The influence of platform inspection disclosure on sharing economy: Evidence from unstructured data
Zavira et al. Korean restaurants’ consumer needs based on marketing mix through the Kano model
US20220358527A1 (en) Method for predicting sales order
CN106033586B (zh) 基于社交平台的分组方法和装置
KR20190004424A (ko) 시간 판매를 기반으로 한 사회적 네트워크 서비스 제공 시스템
Hejazi et al. Passengers' satisfaction of the service quality at saudi international airports
Erman et al. Impact cultural-quality factors on successes and failures software system
Akegbejo-Samsons The role of e-service quality and food quality in customers’ satisfaction towards online food Delivery service in Estonia
Castonguay et al. Success factors of a technological entrepreneurship project: a systematic review
Zhang Ensuring trust online through the wisdom of crowd
Ramandita et al. Food trend based on social media for big data analysis using K-mean clustering and SAW: A case study on yogyakarta culinary industry
Al-Owaidi et al. Body Language of Sellers and Its Impact on Customer Loyalty

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