CN112000264A - 菜品信息展示方法、装置、计算机设备及存储介质 - Google Patents

菜品信息展示方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112000264A
CN112000264A CN202010789396.8A CN202010789396A CN112000264A CN 112000264 A CN112000264 A CN 112000264A CN 202010789396 A CN202010789396 A CN 202010789396A CN 112000264 A CN112000264 A CN 112000264A
Authority
CN
China
Prior art keywords
dish
dishes
information
target
historical
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
Application number
CN202010789396.8A
Other languages
English (en)
Other versions
CN112000264B (zh
Inventor
林宝成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202010789396.8A priority Critical patent/CN112000264B/zh
Publication of CN112000264A publication Critical patent/CN112000264A/zh
Application granted granted Critical
Publication of CN112000264B publication Critical patent/CN112000264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9554—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL] by using bar codes
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/12—Hotels or restaurants

Abstract

本申请公开了一种菜品信息展示方法、装置、计算机设备及存储介质，属于大数据技术领域。该方法包括：获取目标商户的多个菜品的菜品销售信息与菜品价格信息，基于多个菜品的菜品销售信息与菜品价格信息，确定多个菜品的目标预测结果，基于多个菜品的目标预测结果，确定多个菜品的菜品信息展示顺序，将多个菜品的菜品信息展示顺序返回至终端进行展示。本申请通过分析目标商户内每个菜品的菜品销售信息与菜品价格信息，预测出用于表示销量对应的资源数量的预测结果，根据目标预测结果可以确定出最优的菜品信息展示顺序，进而基于菜品信息展示顺序来展示菜品信息，使得消费者点餐时，能够在较短时间内找到想要下单的菜品，提高了人机交互效率。

Description

菜品信息展示方法、装置、计算机设备及存储介质
技术领域
本申请涉及大数据技术领域，特别涉及一种菜品信息展示方法、装置、计算机设备及存储介质。
背景技术
随着移动互联网的发展，电子菜单逐渐成为餐饮行业的新型点菜工具。消费者在点餐时，可以利用终端扫描商户的二维码，在扫描二维码后，终端界面上可以展示该商户的菜品信息。对于商户来说，如何设计各个菜品的的菜品信息展示顺序，以吸引到尽可能多的消费者下单十分重要。
目前，菜品信息展示方法通常为：商户可以提前手动设置各个菜品信息的展示顺序，进而基于该展示顺序来展示各个菜品的菜品信息。
上述技术中，商户仅依赖个人主观来确定菜品信息的展示顺序，很容易造成展示顺序无原则、无规律的问题，导致后续消费者基于该展示顺序的电子菜单点餐时，需要花费较长时间才能找到自己想要下单的菜品，降低了人机交互效率。
发明内容
本申请实施例提供了一种菜品信息展示方法、装置、计算机设备及存储介质,使得消费者点餐时，能够在较短时间内找到想要下单的菜品，提高了人机交互效率。该技术方案如下：
一方面，提供了一种菜品信息展示方法，该方法包括：
响应于终端对目标商户的菜品信息获取请求，获取该目标商户的多个菜品的菜品销售信息与菜品价格信息；
基于该多个菜品的菜品销售信息与菜品价格信息，确定该多个菜品的目标预测结果，该目标预测结果用于表示基于菜品的销量所得到的资源数量；
基于该多个菜品的目标预测结果，确定该多个菜品的菜品信息展示顺序；
将该多个菜品的菜品信息展示顺序返回至终端进行展示。
在一种可能的实现方式中，该基于该多个菜品的菜品销售信息与菜品价格信息，确定该多个菜品的目标预测结果包括：
对于该多个菜品中每个菜品，将该菜品的菜品销售信息与菜品价格信息输入目标模型，通过该目标模型对该菜品销售信息与该菜品价格信息进行特征提取，得到菜品销售特征与菜品价格特征；
将该菜品价格特征与该菜品价格特征进行拼接，得到目标菜品特征；
对该目标菜品特征进行预测，得到该目标菜品特征对应的资源数量特征；
基于该资源数量特征，确定该菜品的目标预测结果。
在一种可能的实现方式中，该目标模型的确定过程包括：
获取多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量；
基于该多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该基于该多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量，进行模型训练，得到该目标模型包括：
在一次迭代过程中，将该历史菜品销售信息与该历史菜品价格信息，输入初始模型，得到本次迭代过程的训练结果；
基于该本次迭代过程的训练结果与该样本资源数量，确定损失函数；
基于该损失函数，对该初始模型的模型参数进行调整，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及线性回归算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及深度学习算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及聚类算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括下述任一项：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及在线算法，进行模型训练，得到该目标模型；
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及离线算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该基于该多个菜品的目标预测结果，确定该多个菜品的菜品信息展示顺序包括：
基于该多个菜品的目标预测结果的数值高低，确定该多个菜品的菜品信息展示顺序。
另一方面，提供了一种菜品信息展示装置，该装置包括：
获取模块，用于响应于终端对目标商户的菜品信息获取请求，获取该目标商户的多个菜品的菜品销售信息与菜品价格信息；
预测结果确定模块，用于基于该多个菜品的菜品销售信息与菜品价格信息，确定该多个菜品的目标预测结果，该目标预测结果用于表示基于菜品的销量所得到的资源数量；
展示顺序确定模块，用于基于该多个菜品的目标预测结果，确定该多个菜品的菜品信息展示顺序；
返回模块，用于将该多个菜品的菜品信息展示顺序返回至终端进行展示。
在一种可能的实现方式中，该预测结果确定模块，用于：
对于该多个菜品中每个菜品，将该菜品的菜品销售信息与菜品价格信息输入目标模型，通过该目标模型对该菜品销售信息与该菜品价格信息进行特征提取，得到菜品销售特征与菜品价格特征；
将该菜品价格特征与该菜品价格特征进行拼接，得到目标菜品特征；
对该目标菜品特征进行预测，得到该目标菜品特征对应的资源数量特征；
基于该资源数量特征，确定该菜品的目标预测结果。
在一种可能的实现方式中，该目标模型的确定过程包括：
获取多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量；
基于该多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量，进行模型训练，得到该目标模型。
在一种可能的实现方式中，基于该多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量，进行模型训练，得到该目标模型包括：
在一次迭代过程中，将该历史菜品销售信息与该历史菜品价格信息，输入初始模型，得到本次迭代过程的训练结果；
基于该本次迭代过程的训练结果与该样本资源数量，确定损失函数；
基于该损失函数，对该初始模型的模型参数进行调整，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及线性回归算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及深度学习算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及聚类算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括下述任一项：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及在线算法，进行模型训练，得到该目标模型；
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及离线算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该展示顺序确定模块，用于：
基于该多个菜品的目标预测结果的数值高低，确定该多个菜品的菜品信息展示顺序。
一方面，提供了一种计算机设备，该计算机设备包括一个或多个处理器和一个或多个存储器，该一个或多个存储器中存储有至少一条指令，该指令由该一个或多个处理器加载并执行以实现该菜品信息展示方法所执行的操作。
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，该指令由处理器加载并执行以实现该菜品信息展示方法所执行的操作。
本申请实施例提供的技术方案，通过分析目标商户内每个菜品的菜品销售信息与菜品价格信息，预测出用于表示销量对应的资源数量的预测结果，则根据目标预测结果可以确定出最优的菜品信息展示顺序，进而基于菜品信息展示顺序来展示菜品信息，使得消费者点餐时，能够在较短时间内找到想要下单的菜品，提高了人机交互效率。
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是本申请实施例提供的一种菜品信息展示方法的实施环境示意图；
图2是本申请实施例提供的一种菜品信息展示方法的流程图；
图3是本申请实施例提供的一种菜品信息展示方法的流程图；
图4是本申请实施例提供的一种菜品信息展示方法的示例流程图；
图5是本申请实施例提供的一种菜品信息展示装置的结构示意图；
图6是本申请实施例提供的一种终端的结构示意图；
图7是本申请实施例提供的一种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。
图1是本申请实施例提供的一种菜品信息展示方法的实施环境示意图。参见图1，该实施环境包括：终端101和服务器102。
终端101可以为智能手机、智能手表、台式电脑、手提电脑、虚拟现实终端、增强现实终端、无线终端和膝上型便携计算机等设备中的至少一种。终端101上可以安装有点餐应用程序、外卖应用程序等，当用户想要点餐时，可以登录该点餐应用程序或外卖应用程序，在该点餐应用程序或外卖应用程序中找到想要下单商户对应的标签，点击该商户对应的标签，则终端101界面上可以显示该商户的电子菜单，用户可以点击想要下单的菜品，再进行后续下单支付的操作。终端101可以具备扫描功能，用户想要点餐时，也可以使用终端101扫描该商户门店的点餐二维码，该点餐二维码用于指示获取该商户门店的电子菜单，则终端101界面上可以显示该商户的电子菜单，用户可以点击想要下单的菜品，再进行后续下单支付的操作。终端101具有通信功能，可以接入互联网，终端101可以泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。
服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式文件系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。服务器102与终端101可以通过有线或无线通信方式进行直接或间接的连接，本申请实施例对此不作限定。可选地，上述服务器102的数量可以更多或更少，本申请实施例对此不加以限定。当然，服务器102还可以包括其他功能服务器，以便提供更全面且多样化的服务。
在实现本申请实施例的过程中，用户想要在商户内点餐时，可以使用终端101扫描该商户的点餐二维码，终端101扫描点餐二维码后，触发向服务器102发送菜品信息获取请求的过程，则服务器响应于菜品信息获取请求，利用本申请实施例提供的菜品信息展示方法，确定多个菜品的菜品信息展示顺序，并将该多个菜品的菜品信息展示顺序返回至终端101，则终端101接收到多个菜品的菜品信息展示顺序后，在终端101上基于菜品信息展示顺序来展示该多个菜品。在本申请实施例后续采用目标商户来表示用户想要点餐的商户。
图2是本申请实施例提供的一种菜品信息展示方法的流程图，该实施例以服务器为执行主体进行说明。参见图2，该实施例包括：
201、服务器响应于终端对目标商户的菜品信息获取请求，获取该目标商户的多个菜品的菜品销售信息与菜品价格信息。
202、服务器基于该多个菜品的菜品销售信息与菜品价格信息，确定该多个菜品的目标预测结果，该目标预测结果用于表示基于菜品的销量所得到的资源数量。
203、服务器基于该多个菜品的目标预测结果，确定该多个菜品的菜品信息展示顺序。
204、服务器将该多个菜品的菜品信息展示顺序返回至终端进行展示。
本申请实施例提供的技术方案，通过分析目标商户内每个菜品的菜品销售信息与菜品价格信息，预测出用于表示销量对应的资源数量的预测结果，则根据目标预测结果可以确定出最优的菜品信息展示顺序，进而基于菜品信息展示顺序来展示菜品信息，使得消费者点餐时，能够在较短时间内找到想要下单的菜品，提高了人机交互效率。
图3是本申请实施例提供的一种菜品信息展示方法的流程图。参见图3，该实施例包括：
301、终端向服务器发送对目标商户的菜品信息获取请求。
其中，目标商户可以为各行各业的商户，本申请实施例中目标商户可以为餐饮行业的商户，以达到展示目标商户对应菜单的目的。可选地，目标商户可以为商户门店，也可以为点餐应用程序上已登记注册的网上商户。菜品信息获取请求中可以携带有目标商户的商户标识。
在一种可能的实现方式中，当用户想要点餐时，可以在终端上进行操作，以向服务器发送对目标商户的菜品信息获取请求。例如，当用户想要在目标商户内点餐时，可以使用终端扫描该目标商户的点餐二维码，该点餐二维码用于指示获取该目标商户的电子菜单，终端扫描点餐二维码后，触发向服务器发送菜品信息获取请求的过程。又如，当用户想要在目标商户内点餐时，可以在终端上进行操作，登录点餐应用程序，在点餐应用程序界面中找到目标商户对应标签，点击该目标商户，触发菜品信息获取指令，则终端响应于菜品信息获取指令，向服务器发送菜品信息获取请求。另外，用户还可以通过关注目标商户的公众号或小程序，进而根据公众号或小程序所指示的点餐操作，来触发终端向服务器发送菜品信息获取请求的过程。本申请实施例对如何触发终端发送菜品信息获取请求不作限定。
302、服务器响应于终端对目标商户的菜品信息获取请求，获取该目标商户的多个菜品的菜品销售信息与菜品价格信息。
在本申请实施例中，选用菜品销售信息与菜品价格信息作为预测所需要的相关信息，以进行后续预测的过程。菜品销售信息可以包括目标商户内多个菜品的销量、销售价格、销售时间等信息，菜品价格信息可以包括目标商户内多个菜品在当前时刻的价格。
可选地，服务器还可以获取菜品订单信息、菜品库存信息以及菜品优惠信息等，来进行后续预测的过程，本申请实施例对选用何种菜品相关信息不作限定。后续仅以菜品销售信息与菜品价格信息为例进行说明。
在一种可能的实现方式中，服务器接收终端发送的菜品信息获取请求，获取该菜品信息获取请求携带的目标商户的商户标识，基于该商户标识在商户信息库中查询，得到该商户标识对应的多个菜品的菜品销售信息与菜品价格信息，其中，商户信息库用于存储多个商户以及该多个商户内多个菜品的菜品销量信息和菜品价格信息等菜品相关信息。
可选地，服务器可以基于每个商户的销售情况来实时更新菜品销售信息，相应过程可以为：若服务器接收到终端发送的菜品下单请求，根据该菜品下单请求携带的菜品标识，确定该菜品下单请求对应的菜品，在该菜品的菜品销售信息中增加相应销量，得到更新后的菜品销售信息。同样地，服务器也可以基于每个商户的菜品价格更改情况来实时更新菜品价格信息，相应过程可以为：若服务器接收到终端发送的菜品价格更新请求，获取菜品价格更新请求携带的菜品标识和更新价格，根据该菜品标识确定该菜品价格更新请求对应的菜品，根据该更新价格在该菜品的菜品价格信息中进行更改，得到更新后的菜品价格信息。其中，菜品标识可以由技术人员预先设置，如菜品名称的首字母，或者菜品的编号等。
303、服务器基于该多个菜品的菜品销售信息与菜品价格信息，确定该多个菜品的目标预测结果，该目标预测结果用于表示基于菜品的销量所得到的资源数量。
其中，目标预测结果用于表示基于菜品的销量所得到的资源数量，目标预测结果也可以理解为回报预测结果。目标预测结果可以采用对资源数量进行打分所得到的分数来表示。一种可能实现方式中，目标预测结果可以采用分数越大，销量资源数量越大的表示方式。另一种可能实现方式中，目标预测结果也可以采用分数越小，销量资源数量越大的表示方式。资源数量用于表示销量对应的收益回报。可选地，该资源数量可以为客单价、订单量等，其中，客单价是指每个顾客在目标商户内的平均消费金额。
在一种可能的实现方式中，对于该多个菜品中每个菜品，服务器将该菜品的菜品销售信息与菜品价格信息输入目标模型，通过该目标模型对该菜品销售信息与该菜品价格信息进行特征提取，得到菜品销售特征与菜品价格特征，将该菜品价格特征与该菜品价格特征进行拼接，得到目标菜品特征，对该目标菜品特征进行分析，得到该目标菜品特征对应的资源数量特征，基于该资源数量特征，确定该菜品的目标预测结果。其中，目标模型用于表示能够预测资源数量的网络模型。
可选地，技术人员可以提前选取一个或多个商户的多个菜品对应的历史菜品销售信息、历史菜品价格信息以及该多个菜品的资源数量，根据多个菜品的资源数量对该多个菜品进行分数标注，或者，可以利用终端对多个菜品的资源数量进行归一化处理，进而得到该多个菜品对应的样本资源数量。其中，该样本资源数量用于表示模型训练时所使用的真实资源数量。并且，技术人员可以将该多个菜品对应的历史菜品销售信息、历史菜品价格信息以及该多个菜品的样本资源数量输入服务器，则服务器可以获取到多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量。服务器基于该多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量，进行模型训练，得到该目标模型。其中，模型训练的过程可以为：在一次迭代过程中，将该历史菜品销售信息与该历史菜品价格信息，输入初始模型，得到本次迭代过程的训练结果，基于该本次迭代过程的训练结果与该样本资源数量，确定损失函数，基于该损失函数，对该初始模型的模型参数进行调整，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为该目标模型。具体地：在第一次迭代过程中，将该历史菜品销售信息与该历史菜品价格信息，输入初始模型，得到第一次迭代过程的训练结果。基于第一次迭代过程的训练结果与样本资源数量，确定损失函数，基于损失函数，对初始模型中的模型参数进行调整。将第一次迭代调整后的模型参数作为第二次迭代的模型参数，再进行第二次迭代。重复多次上述迭代过程，在第N次过程中，以第N-1次迭代调整后的模型参数作为新的模型参数，进行模型训练，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为目标模型。可选地，训练满足的目标条件可以为初始模型的训练迭代次数达到目标次数，技术人员可以预先设定训练迭代次数。或者，训练满足的目标条件可以为损失值满足目标阈值条件，如损失值小于0.00001。本申请实施例对此不作限定。其中，N为正整数，且N大于1。
在上述目标模型的训练过程中，服务器可以基于深度学习(Deep Learning)算法来进行模型训练，也即是服务器基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及深度学习算法，进行模型训练，得到该目标模型。
其中，深度学习算法是一种以人工神经网络为架构的机器学习算法。可选地，上述基于深度学习算法进行模型训练的具体过程可以为：根据技术人员输入的训练数据(也即是历史菜品销售信息与该历史菜品价格信息)，可以设置深度学习模型的结构层次，根据结构层次，构建未经训练的深度学习模型，也即是构建初始模型，将该多个菜品的历史菜品销售信息与历史菜品价格信息输入该初始模型，则输出该多个菜品的训练结果，再进行后续迭代训练以及最小化损失函数的过程，从而得到满足目标条件的深度学习模型，作为目标模型。例如，该深度学习模型可以包括输入层、隐含层和输出层，输入层可以只包含一层，输入层用于对输入特征进行去均值、归一化等预处理，使输入特征标准化，隐含层可以包括若干特征提取层组成，用于提取多个菜品对应的菜品销售特征与菜品价格特征，隐含层还用于对菜品销售特征与菜品价格特征进行拼接处理，得到目标菜品特征。输出层可以为全连接层，用于将隐含层提取出的目标菜品特征进行加权平均计算，得到回归特征，进而根据回归特征来对菜品进行分类。例如，基于深度学习算法训练得到的目标模型可以为卷积神经网络(Convolutional Neural Networks,CNN)，该卷积神经网络是一类包含卷积计算且具有深度结构的神经网络。
上述步骤303中以目标模型为基于深度学习算法训练得到的模型为例，在另一种可能的实现方法中，服务器也可以基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及线性回归算法，进行模型训练，得到该目标模型。
其中，线性回归算法用于确定目标(因变量)与一个或多个预测变量(自变量)之间的线性关系，通常通过拟合最佳直线来建立目标与一个或多个预测变量之间的线性关系，该最佳直线可以称作回归线，可以采用线性等式(1)来表示。
Figure BDA0002623208830000111
式中，
Figure BDA0002623208830000112
为目标，x1为第一预测变量，x2为第二预测变量，xn为第n预测变量，
Figure BDA0002623208830000113
第i个第一预测变量，xi2第i个第一预测变量，wi和b为超参数(也即是上述模型参数)，w1为第一预测变量对应的超参数，w2为第二预测变量对应的超参数。在确定出目标与一个或多个预测变量之间的线性关系后，可以根据该一个或多个预测变量来预测目标。在本申请实施例中，目标可以为资源数量，预测变量可以为菜品销售信息与菜品价格信息。应理解地，本申请实施例采用的是多元线性回归算法，在拟合时可以拟合得到多项回归或者曲线回归。可选地，上述基于线性回归算法进行模型训练的具体过程可以为：基于线性等式(1)，构建未经训练的回归模型，也即是构建初始模型，将该多个菜品的历史菜品销售信息与历史菜品价格信息输入该初始模型，则输出该多个菜品的训练结果，再进行后续迭代训练以及最小化损失函数的过程，从而得到满足目标条件的回归模型，作为目标模型。
又一种可能的实现方法中，服务器还可以基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及聚类算法，进行模型训练，得到该目标模型。
其中，聚类算法也可以称为K均值算法，是一种通过距离来衡量不同特征之间的相似性，以把特征分类到不同的特征类别中的算法，同一个特征类别中的特征具有很大的相似性。在本申请实施例中，采用聚类算法对多个菜品对应的菜品销售特征与菜品价格特征进行分类，得到若干个特征类别，使得每个特征类别中的特征相似度较高，而不同特征类别中的特征相似度较弱。可选地，服务器可以选用不同的距离来进行聚类，例如，欧氏距离、汉明距离、曼哈顿距离、卡方距离及切比雪夫距离等，本公开实施例对选用何种距离不作限定。可选地，上述基于聚类算法进行模型训练的具体过程可以为：基于聚类算法，构建目标模型，将该多个菜品的历史菜品销售信息与历史菜品价格信息输入目标模型，在提取得到该多个菜品的目标菜品特征后，对该多个菜品的目标菜品特征进行聚类，确定出该多个菜品的目标菜品特征分别对应的特征类别，进而基于该多个菜品的特征类别可以确定该多个菜品对应的目标预测结果。
需要说明的是，上述提供了三种模型训练的算法，在基于上述任一种算法进行模型训练的过程中，服务器均可以采用下述在线算法或者离线算法中任一项来进行模型训练。
一种可能的实现方法中，服务器可以基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及在线算法，进行模型训练，得到该目标模型。
其中，在线算法可以以序列化的方式一个个处理输入，在初始时刻无需知道所有的输入。例如，插入排序是在线算法的一种，其相应过程可以为：每获取到一个输入的待排序数据，判断该待排序数据与有序序列中多个数据的大小，确定该待排序数据在有序序列中的位置，将该待排序数据放置在其对应的位置，进而可以得到排序后的有序序列。在本申请实施例中，该待排序数据可以为多个菜品对应的目标预测结果，基于目标预测结果数值最大(或最小)排序越靠前的原则，不断的将待排序数据插入到有序序列中，来排列多个菜品，进而可以得到排序后的有序序列，来确定该多个菜品的菜品信息展示顺序。采用在线算法，在每接收到一个输入的菜品对应的菜品销售信息与菜品价格信息时，可以实时确定该菜品对应的展示信息，避免在新增一个菜品时无法确定新增菜品的展示顺序，而造成展示顺序不准确的问题，提高了确定展示顺序的准确性。
另一种可能的实现方法中，服务器也可以基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及离线算法，进行模型训练，得到该目标模型。
其中，离线算法在初始时刻需要知道所有的输入，每处理完一个输入后立即输出结果。例如，选择排序是离线算法的一种，其相应过程可以为：在已知所有待排序的数据后，从待排序的数据中确定最大(或最小)的数据，放置在有序序列的起始位置，通过不断地从该待排序的数据中确定最大(或最小)的数据，依次排列待排序的数据，进而可以得到排序后的有序序列。在本申请实施例中，该待排序的数据可以为多个菜品对应的目标预测结果，基于目标预测结果数值最大(或最小)排序越靠前的原则，来依次排列多个菜品，进而可以得到排序后的有序序列，作为该多个菜品的菜品信息展示顺序。
应理解地，上述在线算法和离线算法可以结合线性回归算法、深度学习算法或聚类算法中任一项一起应用。例如，在基于线性回归算法训练得到的目标模型中采用在线算法，可以直接输出多个菜品的菜品信息展示顺序，通过这种方法，可以由目标模型输出菜品信息展示顺序，无需服务器进行菜品信息展示顺序的确定过程，减少了服务器的处理逻辑，能够方便快捷的获取到菜品信息展示顺序。
304、服务器基于该多个菜品的目标预测结果，确定该多个菜品的菜品信息展示顺序。
其中，菜品信息展示顺序用于表示每个菜品对应菜品信息的展示顺序，菜品信息用于表示在电子菜单中进行展示的菜品信息，如菜品信息可以包括菜品对应的菜品名称、菜品价格、菜品图片、菜品优惠等信息，本申请实施例对菜品信息所包含的内容不作限定。
在一种可能的实现方法中，服务器可以基于该多个菜品的目标预测结果的数值高低，来确定该多个菜品的菜品信息展示顺序。可选地，服务器确定菜品信息展示顺序的具体过程可以为：根据该多个菜品的目标预测结果的数值高低，将目标预测结果数值高的菜品作为排序靠前的菜品，将目标预测结果数值低的菜品作为排序靠后的菜品，进而得到该多个菜品的菜品信息展示顺序。该过程仅以目标预测结果数值越高表示资源数量越多，则展示顺序越靠前为例进行说明，在另一种可能的实现方法中，也可以为目标预测结果数值越低表示资源数量越多，则展示顺序越靠前，也即是根据该多个菜品的目标预测结果的数值高低，将目标预测结果数值低的菜品作为排序靠前的菜品，将目标预测结果数值高的菜品作为排序靠后的菜品，进而得到该多个菜品的菜品信息展示顺序。
可选地，该菜品信息展示顺序可以采用菜品标识与顺序的对应关系来表示，该对应关系可以为表格的形式，如表1所示，服务器确定出该菜品信息展示顺序后，可以得到菜品标识与该菜品标识对应的顺序。在另一种可能的实现方法中，该菜品信息展示顺序可以采用有序序列来表示，该有序序列可以为多个菜品标识的有序序列，例如，该有序序列可以为RDAHYBKLC，可以发现菜品标识A对应的顺序为3，菜品标识B对应的顺序为6，菜品标识C对应的顺序为9。
表1
菜品标识 顺序
A 3
B 6
C 9
305、服务器将该多个菜品的菜品信息展示顺序以及菜品信息返回至终端。
在一种可能的实现方法中，服务器在确定出该多个菜品的菜品信息展示顺序后，基于该多个菜品的菜品信息展示顺序，确定该多个菜品的菜品信息，将该多个菜品的菜品信息展示顺序以及菜品信息返回至终端，以触发终端进行后续展示的过程。
可选地，服务器确定多个菜品的菜品信息的过程可以为：服务器在确定出该多个菜品的菜品信息展示顺序后，获取该菜品信息展示顺序携带的多个菜品标识，根据该多个菜品标识以及菜品标识与菜品信息的对应关系，分别确定该多个菜品标识对应的菜品信息，得到该多个菜品标识对应的多个菜品信息。其中，服务器存储有菜品标识与菜品信息的对应关系。
306、终端接收该多个菜品的菜品信息展示顺序以及菜品信息，基于多个菜品的菜品信息展示顺序，对该多个菜品的菜品信息进行展示。
一种可能的实现方法中，终端在接收该多个菜品的菜品信息展示顺序以及菜品信息后，基于每个菜品信息对应的菜品信息展示顺序，来展示该菜品信息。
可选地，若菜品信息展示顺序采用菜品标识与顺序的对应关系表示，则终端在接收该多个菜品的菜品信息展示顺序以及菜品信息后，终端可以确定每个待展示菜品信息对应的菜品信息展示顺序，进而根据每个待展示菜品信息对应的菜品信息展示顺序，来展示该待展示菜品信息。在另一种可能的实现方法中，若该菜品信息展示顺序采用有序序列表示，则终端在接收该多个菜品的菜品信息展示顺序后，确定顺序由前到后依次对应的菜品信息，依次展示该菜品信息。上述步骤304至步骤306以服务器确定出菜品信息展示顺序后，将该菜品信息展示顺序发送至终端，由终端基于该菜品信息展示顺序来展示多个菜品信息为例进行说明，另一种可能的实现方法中，服务器确定出菜品信息展示顺序后，可以基于该菜品信息展示顺序以及多个菜品信息，生成电子菜单的展示逻辑和样式，得到目标电子菜单，将该目标电子菜单发送至终端，则终端对该目标电子菜单进行展示。又一种可能的实现方法中，服务器确定出菜品信息展示顺序后，将该菜品信息展示顺序发送至终端，由终端基于该菜品信息展示顺序以及多个菜品信息，生成电子菜单的展示逻辑和样式，得到目标电子菜单，并对该目标电子菜单进行展示。本申请实施例对确定电子菜单的执行主体不作限定。
例如，图4是本申请实施例提供的一种菜品信息展示方法的示例流程图，如图4所示，上述菜品信息展示方法可以由以下三个步骤来实现，第一步，终端扫描二维码，触发获取电子菜单的指令，终端基于该指令向服务器发送获取菜品展示顺序规则的请求，服务器接收该请求，基于该请求执行图4中基于商户菜品销量、商户菜品订单及商户菜品价格来确定最优客单价展示顺序的过程，将该最优客单价展示顺序作为菜品展示顺序规则，并向终端输出菜品展示顺序规则，则终端在接收到菜品展示顺序规则后，基于菜品展示顺序规则展示多个菜品信息，达到展示电子菜单的效果。
本申请实施例提供的技术方案，通过分析目标商户内每个菜品的菜品销售信息与菜品价格信息，预测出用于表示销量对应的资源数量的目标预测结果，则根据目标预测结果确定菜品信息展示顺序，可以确定出最优的展示顺序，进而基于展示顺序来展示菜品信息，使得消费者点餐时，能够在较短时间内找到想要下单的菜品，提高了人机交互效率，并且能够吸引到尽可能多的消费者下单，增加了商户的销量，带来了较大的业务收益。本申请实施例利用大数据和机器学习对商户的菜品销售信息与菜品价格信息进行分析，能够预测出最优的能够提升客单价的菜品信息展示顺序，进而根据最优的菜品信息展示顺序生成的电子菜单，更符合消费者的购买倾向，可以提高用户购买的可能性。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
图5是本申请实施例提供的一种菜品信息展示装置的结构示意图。参见图5，该装置包括：
获取模块501，用于响应于终端对目标商户的菜品信息获取请求，获取该目标商户的多个菜品的菜品销售信息与菜品价格信息；
预测结果确定模块502，用于基于该多个菜品的菜品销售信息与菜品价格信息，确定该多个菜品的目标预测结果，该目标预测结果用于表示基于菜品的销量所得到的资源数量；
展示顺序确定模块503，用于基于该多个菜品的目标预测结果，确定该多个菜品的菜品信息展示顺序；
返回模块504，用于将该多个菜品的菜品信息展示顺序返回至终端进行展示。
在一种可能的实现方式中，该预测结果确定模块502，用于：
对于该多个菜品中每个菜品，将该菜品的菜品销售信息与菜品价格信息输入目标模型，通过该目标模型对该菜品销售信息与该菜品价格信息进行特征提取，得到菜品销售特征与菜品价格特征；
将该菜品价格特征与该菜品价格特征进行拼接，得到目标菜品特征；
对该目标菜品特征进行预测，得到该目标菜品特征对应的资源数量特征；
基于该资源数量特征，确定该菜品的目标预测结果。
在一种可能的实现方式中，该目标模型的确定过程包括：
获取多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量；
基于该多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量，进行模型训练，得到该目标模型。
在一种可能的实现方式中，基于该多个菜品的历史菜品销售信息、历史菜品价格信息和该多个菜品的样本资源数量，进行模型训练，得到该目标模型包括：
在一次迭代过程中，将该历史菜品销售信息与该历史菜品价格信息，输入初始模型，得到本次迭代过程的训练结果；
基于该本次迭代过程的训练结果与该样本资源数量，确定损失函数；
基于该损失函数，对该初始模型的模型参数进行调整，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及线性回归算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及深度学习算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及聚类算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该目标模型的训练过程包括下述任一项：
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及在线算法，进行模型训练，得到该目标模型；
基于该多个菜品的历史菜品销售信息与历史菜品价格信息、该多个菜品的样本资源数量以及离线算法，进行模型训练，得到该目标模型。
在一种可能的实现方式中，该展示顺序确定模块503，用于：
基于该多个菜品的目标预测结果的数值高低，确定该多个菜品的菜品信息展示顺序。
本申请实施例提供的技术方案，通过分析目标商户内每个菜品的菜品销售信息与菜品价格信息，预测出用于表示销量对应的资源数量的目标预测结果，则根据目标预测结果确定菜品信息展示顺序，可以确定出最优的展示顺序，进而基于展示顺序来展示菜品信息，使得消费者点餐时，能够在较短时间内找到想要下单的菜品，提高了人机交互效率，并且能够吸引到尽可能多的消费者下单，增加了商户的销量，带来了较大的业务收益。
需要说明的是：上述实施例提供的菜品信息展示装置在展示菜品信息时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的菜品信息展示装置与菜品信息展示方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例中计算机设备可以提供为一种终端，图6示出了本申请一个示例性实施例提供的终端600的结构框图。该终端600可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端600还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端600包括有：处理器601和存储器602。
处理器601可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器601可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器601也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器601可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器601还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器602可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器602还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器602中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器601所执行以实现本申请中方法实施例提供的菜品信息展示方法。
在一些实施例中，终端600还可选包括有：外围设备接口603和至少一个外围设备。处理器601、存储器602和外围设备接口603之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口603相连。具体地，外围设备包括：射频电路604、显示屏605、摄像头组件606、音频电路607、定位组件608和电源609中的至少一种。
外围设备接口603可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器601和存储器602。在一些实施例中，处理器601、存储器602和外围设备接口603被集成在同一芯片或电路板上；在一些其他实施例中，处理器601、存储器602和外围设备接口603中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路604用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路604通过电磁信号与通信网络以及其他通信设备进行通信。射频电路604将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路604包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路604可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路604还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏605用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏605是触摸显示屏时，显示屏605还具有采集在显示屏605的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器601进行处理。此时，显示屏605还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏605可以为一个，设置在终端600的前面板；在另一些实施例中，显示屏605可以为至少两个，分别设置在终端600的不同表面或呈折叠设计；在另一些实施例中，显示屏605可以是柔性显示屏，设置在终端600的弯曲表面上或折叠面上。甚至，显示屏605还可以设置成非矩形的不规则图形，也即异形屏。显示屏605可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件606用于采集图像或视频。可选地，摄像头组件606包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件606还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路607可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器601进行处理，或者输入至射频电路604以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端600的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器601或射频电路604的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路607还可以包括耳机插孔。
定位组件608用于定位终端600的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件608可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源609用于为终端600中的各个组件进行供电。电源609可以是交流电、直流电、一次性电池或可充电电池。当电源609包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端600还包括有一个或多个传感器610。该一个或多个传感器610包括但不限于：加速度传感器611、陀螺仪传感器612、压力传感器613、指纹传感器614、光学传感器615以及接近传感器616。
加速度传感器611可以检测以终端600建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器611可以用于检测重力加速度在三个坐标轴上的分量。处理器601可以根据加速度传感器611采集的重力加速度信号，控制显示屏605以横向视图或纵向视图进行用户界面的显示。加速度传感器611还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器612可以检测终端600的机体方向及转动角度，陀螺仪传感器612可以与加速度传感器611协同采集用户对终端600的3D动作。处理器601根据陀螺仪传感器612采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器613可以设置在终端600的侧边框和/或显示屏605的下层。当压力传感器613设置在终端600的侧边框时，可以检测用户对终端600的握持信号，由处理器601根据压力传感器613采集的握持信号进行左右手识别或快捷操作。当压力传感器613设置在显示屏605的下层时，由处理器601根据用户对显示屏605的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器614用于采集用户的指纹，由处理器601根据指纹传感器614采集到的指纹识别用户的身份，或者，由指纹传感器614根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器601授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器614可以被设置在终端600的正面、背面或侧面。当终端600上设置有物理按键或厂商Logo时，指纹传感器614可以与物理按键或厂商Logo集成在一起。
光学传感器615用于采集环境光强度。在一个实施例中，处理器601可以根据光学传感器615采集的环境光强度，控制显示屏605的显示亮度。具体地，当环境光强度较高时，调高显示屏605的显示亮度；当环境光强度较低时，调低显示屏605的显示亮度。在另一个实施例中，处理器601还可以根据光学传感器615采集的环境光强度，动态调整摄像头组件606的拍摄参数。
接近传感器616，也称距离传感器，通常设置在终端600的前面板。接近传感器616用于采集用户与终端600的正面之间的距离。在一个实施例中，当接近传感器616检测到用户与终端600的正面之间的距离逐渐变小时，由处理器601控制显示屏605从亮屏状态切换为息屏状态；当接近传感器616检测到用户与终端600的正面之间的距离逐渐变大时，由处理器601控制显示屏605从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图6中示出的结构并不构成对终端600的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
本申请实施例中计算机设备可以提供为一种服务器，图7是本申请实施例提供的一种服务器的结构示意图，该服务器700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)701和一个或一个以上的存储器702，其中，所述存储器702中存储有至少一条指令，所述至少一条指令由所述处理器701加载并执行以实现上述各个方法实施例提供菜品信息展示方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成下述实施例中菜品信息展示方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
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较佳实施例，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 (12)

1.一种菜品信息展示方法，其特征在于，所述方法包括：
响应于终端对目标商户的菜品信息获取请求，获取所述目标商户的多个菜品的菜品销售信息与菜品价格信息；
基于所述多个菜品的菜品销售信息与菜品价格信息，确定所述多个菜品的目标预测结果，所述目标预测结果用于表示基于菜品的销量所得到的资源数量；
基于所述多个菜品的目标预测结果，确定所述多个菜品的菜品信息展示顺序；
将所述多个菜品的菜品信息展示顺序返回至终端进行展示。
2.根据权利要求1所述的方法，其特征在于，所述基于所述多个菜品的菜品销售信息与菜品价格信息，确定所述多个菜品的目标预测结果包括：
对于所述多个菜品中每个菜品，将所述菜品的菜品销售信息与菜品价格信息输入目标模型，通过所述目标模型对所述菜品销售信息与所述菜品价格信息进行特征提取，得到菜品销售特征与菜品价格特征；
将所述菜品价格特征与所述菜品价格特征进行拼接，得到目标菜品特征；
对所述目标菜品特征进行预测，得到所述目标菜品特征对应的资源数量特征；
基于所述资源数量特征，确定所述菜品的目标预测结果。
3.根据权利要求2所述的方法，其特征在于，所述目标模型的确定过程包括：
获取多个菜品的历史菜品销售信息、历史菜品价格信息和所述多个菜品的样本资源数量；
基于所述多个菜品的历史菜品销售信息、历史菜品价格信息和所述多个菜品的样本资源数量，进行模型训练，得到所述目标模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述多个菜品的历史菜品销售信息、历史菜品价格信息和所述多个菜品的样本资源数量，进行模型训练，得到所述目标模型包括：
在一次迭代过程中，将所述历史菜品销售信息与所述历史菜品价格信息，输入初始模型，得到本次迭代过程的训练结果；
基于所述本次迭代过程的训练结果与所述样本资源数量，确定损失函数；
基于所述损失函数，对所述初始模型的模型参数进行调整，直到训练满足目标条件，则将满足目标条件的迭代过程所对应的模型获取为所述目标模型。
5.根据权利要求3所述的方法，其特征在于，所述目标模型的训练过程包括：
基于所述多个菜品的历史菜品销售信息与历史菜品价格信息、所述多个菜品的样本资源数量以及线性回归算法，进行模型训练，得到所述目标模型。
6.根据权利要求3所述的方法，其特征在于，所述目标模型的训练过程包括：
基于所述多个菜品的历史菜品销售信息与历史菜品价格信息、所述多个菜品的样本资源数量以及深度学习算法，进行模型训练，得到所述目标模型。
7.根据权利要求3所述的方法，其特征在于，所述目标模型的训练过程包括：
基于所述多个菜品的历史菜品销售信息与历史菜品价格信息、所述多个菜品的样本资源数量以及聚类算法，进行模型训练，得到所述目标模型。
8.根据权利要求3所述的方法，其特征在于，所述目标模型的训练过程包括下述任一项：
基于所述多个菜品的历史菜品销售信息与历史菜品价格信息、所述多个菜品的样本资源数量以及在线算法，进行模型训练，得到所述目标模型；
基于所述多个菜品的历史菜品销售信息与历史菜品价格信息、所述多个菜品的样本资源数量以及离线算法，进行模型训练，得到所述目标模型。
9.根据权利要求1所述的方法，其特征在于，所述基于所述多个菜品的目标预测结果，确定所述多个菜品的菜品信息展示顺序包括：
基于所述多个菜品的目标预测结果的数值高低，确定所述多个菜品的菜品信息展示顺序。
10.一种菜品信息展示装置，其特征在于，所述装置包括：
获取模块，用于响应于终端对目标商户的菜品信息获取请求，获取所述目标商户的多个菜品的菜品销售信息与菜品价格信息；
预测结果确定模块，用于基于所述多个菜品的菜品销售信息与菜品价格信息，确定所述多个菜品的目标预测结果，所述目标预测结果用于表示基于菜品的销量所得到的资源数量；
展示顺序确定模块，用于基于所述多个菜品的目标预测结果，确定所述多个菜品的菜品信息展示顺序；
返回模块，用于将所述多个菜品的菜品信息展示顺序返回至终端进行展示。
11.一种计算机设备，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，所述指令由所述处理器加载并执行以实现如权利要求1至权利要求9任一项所述的菜品信息展示方法所执行的操作。
12.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至权利要求9任一项所述的菜品信息展示方法所执行的操作。
CN202010789396.8A 2020-08-07 2020-08-07 菜品信息展示方法、装置、计算机设备及存储介质 Active CN112000264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010789396.8A CN112000264B (zh) 2020-08-07 2020-08-07 菜品信息展示方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010789396.8A CN112000264B (zh) 2020-08-07 2020-08-07 菜品信息展示方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112000264A true CN112000264A (zh) 2020-11-27
CN112000264B CN112000264B (zh) 2022-06-07

Family

ID=73462917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010789396.8A Active CN112000264B (zh) 2020-08-07 2020-08-07 菜品信息展示方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112000264B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114857677A (zh) * 2022-03-01 2022-08-05 青岛海尔空调器有限总公司 用于控制空调的方法及装置、空调
WO2022211726A1 (en) * 2021-04-01 2022-10-06 Pt Goto Gojek Tokopedia Methods and systems for generating recommendations for menu card data

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070117379A (ko) * 2006-06-08 2007-12-12 홍성우 식당용 자동 주문 시스템 및 방법
CN104794660A (zh) * 2014-01-20 2015-07-22 中国移动通信集团公司 一种电子点餐方法、点餐服务器和电子点餐系统
CN107203950A (zh) * 2016-03-18 2017-09-26 湖南餐启科技有限公司 一种菜品推荐方法与系统
CN107230131A (zh) * 2017-02-06 2017-10-03 北京三快在线科技有限公司 一种菜品推荐方法、装置及系统
CN108288219A (zh) * 2018-03-19 2018-07-17 口口相传(北京)网络技术有限公司 餐品信息的推送方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070117379A (ko) * 2006-06-08 2007-12-12 홍성우 식당용 자동 주문 시스템 및 방법
CN104794660A (zh) * 2014-01-20 2015-07-22 中国移动通信集团公司 一种电子点餐方法、点餐服务器和电子点餐系统
CN107203950A (zh) * 2016-03-18 2017-09-26 湖南餐启科技有限公司 一种菜品推荐方法与系统
CN107230131A (zh) * 2017-02-06 2017-10-03 北京三快在线科技有限公司 一种菜品推荐方法、装置及系统
CN108288219A (zh) * 2018-03-19 2018-07-17 口口相传(北京)网络技术有限公司 餐品信息的推送方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022211726A1 (en) * 2021-04-01 2022-10-06 Pt Goto Gojek Tokopedia Methods and systems for generating recommendations for menu card data
CN114857677A (zh) * 2022-03-01 2022-08-05 青岛海尔空调器有限总公司 用于控制空调的方法及装置、空调

Also Published As

Publication number Publication date
CN112000264B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN111652678B (zh) 物品信息显示方法、装置、终端、服务器及可读存储介质
CN111476306B (zh) 基于人工智能的物体检测方法、装置、设备及存储介质
CN112162671B (zh) 直播数据处理方法、装置、电子设备及存储介质
CN110471858B (zh) 应用程序测试方法、装置及存储介质
CN111506758B (zh) 物品名称确定方法、装置、计算机设备及存储介质
CN111897996B (zh) 话题标签推荐方法、装置、设备及存储介质
CN111737573A (zh) 资源推荐方法、装置、设备及存储介质
CN111339737B (zh) 实体链接方法、装置、设备及存储介质
CN111078521A (zh) 异常事件的分析方法、装置、设备、系统及存储介质
CN112000264B (zh) 菜品信息展示方法、装置、计算机设备及存储介质
CN111291200A (zh) 多媒体资源展示方法、装置、计算机设备及存储介质
CN111126925A (zh) 前置仓的补货量确定方法、装置、计算机设备及存储介质
WO2021218634A1 (zh) 内容推送
CN113891166A (zh) 数据处理方法、装置、计算机设备及介质
CN112766406A (zh) 物品图像的处理方法、装置、计算机设备及存储介质
CN113469779A (zh) 信息显示方法及装置
CN113032587B (zh) 多媒体信息推荐方法、系统、装置、终端和服务器
CN111754272A (zh) 广告推荐方法、推荐广告显示方法、装置及设备
CN113987326B (zh) 资源推荐方法、装置、计算机设备及介质
CN112230822B (zh) 评论信息的显示方法、装置、终端及存储介质
CN114385854A (zh) 资源推荐方法、装置、电子设备及存储介质
CN112948690A (zh) 搜索方法、装置、设备及存储介质
CN111967420A (zh) 详情信息的获取方法、装置、终端及存储介质
CN112116480A (zh) 虚拟资源确定方法、装置、计算机设备及存储介质
CN111143441A (zh) 性别确定方法、装置、设备及存储介质

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