CN113377846A - 一种基于销量与用户偏好的外卖平台餐厅排序方法 - Google Patents

一种基于销量与用户偏好的外卖平台餐厅排序方法 Download PDF

Info

Publication number
CN113377846A
CN113377846A CN202110646704.6A CN202110646704A CN113377846A CN 113377846 A CN113377846 A CN 113377846A CN 202110646704 A CN202110646704 A CN 202110646704A CN 113377846 A CN113377846 A CN 113377846A
Authority
CN
China
Prior art keywords
user
restaurants
restaurant
cuisine
order
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
CN202110646704.6A
Other languages
English (en)
Inventor
崔鑫
杨东
毕玉冰
王文庆
李哲毓
曾荣汉
胥冠军
崔逸群
刘超飞
董夏昕
朱博迪
介银娟
朱召鹏
王艺杰
刘迪
肖力炀
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.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute 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 Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202110646704.6A priority Critical patent/CN113377846A/zh
Publication of CN113377846A publication Critical patent/CN113377846A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于销量与用户偏好的外卖平台餐厅排序方法，综合考虑外卖平台近期分时段的餐厅订单销量与用户的个人偏好等因素，基于数据统计、奇异值分解等技术实现了对用户附近餐厅的排序推荐。首先对数据库中的餐厅表进行补充维护，标记全部餐厅的菜系分类；然后，对近期的订单进行分析与建模：一、确定分时段的餐厅订单销量；二、使用SVD矩阵分解算法根据历史订单计算所有用户的菜系偏好；最后，综合考虑餐厅的状态、餐厅与用户的距离、用户浏览平台的时间、餐厅的分时段订单销量、用户的菜系偏好等因素，对用户附近的餐厅进行排序并展示。以某外卖平台的相关数据进行测试，验证了该发明有利于点击率、订单转化率以及订单量的提升。

Description

一种基于销量与用户偏好的外卖平台餐厅排序方法
技术领域
本发明涉及网络信息技术领域，具体涉及一种基于销量与用户偏好的外卖平台餐厅排序方法。
背景技术
外卖平台上的餐厅排序效果会直接影响用户体验以及餐厅订单销量，构建一个简单、操作性强且响应快速的排序算法是平台的需求所在。在排序过程中，近期餐厅的销量与用户的偏好是重要的因素，如何充分利用这两组数据，构建一个简单合理的排序方法是平台需要重点考虑的。
发明内容
为了解决上述问题，本发明使用数据统计、奇异值分解(SVD)等技术，提出了一种基于销量与用户偏好的外卖平台餐厅排序方法。该方法首先由运营人员对数据库中餐厅表的菜系类别进行维护补充，然后对近期的订单进行分析与建模，最后根据用户位置、浏览平台时间、餐厅销量、用户偏好等因素对餐厅进行排序。
为了达到上述目的，本发明采用如下技术方案：
一种基于销量与用户偏好的外卖平台餐厅排序方法，包括如下步骤：
步骤1，餐厅数据处理
菜系类别是餐厅的重要的特征，也是为用户做餐厅排序推荐时需要考虑的一个重要因素，所以需要提前标记好餐厅的所属菜系类别；一家餐厅根据其主要销售的菜品，有多个菜系标签；
步骤2订单数据分析
读取平台的历史订单数据，数据中需要包括以下字段：订单ID、下单时间、用户ID、餐厅ID和餐厅菜系；
2.1分时段销量统计
对读取的历史订单数据以小时为单位，分时段统计各餐厅的订单销量；
2.2计算用户菜系偏好
使用矩阵分解算法，通过对每一个用户和菜系类别生成一个隐向量，将用户和菜系定位到隐向量表示的空间上，与用户距离相近的菜系表明用户更感兴趣，因此给该类别菜系的餐厅分配更高的曝光率；本发明使用SVD算法提前计算出用户对于各菜系的偏好，选择每个用户最偏好的三个菜系类别，供后续排序使用；
步骤3餐厅排序
当用户使用排序功能时，执行以下操作：
3.1餐厅筛选
餐厅筛选分为两步，首先获取用户的实时或者输入的位置信息，根据位置信息只保留用户所在城市的餐厅；然后，过滤掉停业、下架状态的餐厅，只保留当日营业的餐厅；
3.2运费计算与基于运费区间的排序
根据用户的位置，对3.1中筛选出的餐厅根据平台的运费规则，计算餐厅与用户产生的运费；
从低到高设置若干运费区间，然后对餐厅按照其所处的运费区间进行标记；
使用弱序关系对餐厅按照标记好的运费区间，由低到高进行排序；
3.3销量排序
近似用户浏览平台的整点时间，使用弱序关系再次对3.2的各运费区间内的餐厅，按照2.1中对应的整点销量数据按照销量由高到低进行排序，得到的结果记做销量排序；销量排序看作是对于每个运费区间内餐厅的一种重排，但是整体上保持较低运费区间的餐厅完全排在较高运费区间的餐厅之前；
3.4基于品类的位次调整
读取2.2中提前计算好的用户偏好菜系类别，然后对3.3销量排序的结果以每连续的20个餐厅作为一个排序块进行划分；对一个排序块中的20家餐厅，将餐厅的菜系类别与用户的偏好类别一致的餐厅，在这20家餐厅中置顶优先展示，置顶时保持被置顶餐厅的先后次序不变；以此类推，对所有的排序块执行相同的操作；位次调整使得用户偏好菜系的餐厅能够被展示在更靠前的位置，有利于提高点击率与订单转化率；
3.5排序输出
将最终调整后的排序结果输出并展示；
步骤4数据更新
考虑到时效性与季节性因素对于订单的影响，需要对于2.1、2.2中的排序每周更新一次。
与现有技术相比较，本发明具备如下优点：
1)本发明综合考虑餐厅分时段订单销量与用户的个人偏好等因素对外卖平台的餐厅进行排序；
2)本发明只需提前处理好订单销量数据与用户偏好数据，排序时使用的数据较少，用户端的加载相应速度较快；
3)使用机器学习中的SVD算法计算用户对所有菜系(而非所有餐厅)的偏好，很好的解决了传统推荐算法中存在的矩阵稀疏问题；
4)展示的餐厅排序列表会每小时更新，不同用户因其偏好不同看到的排序结果也有明显的差别，避免了餐厅展示的千篇一律；
5)当用户使用排序功能时，从用户周边当前时段销量最高的餐厅中优先选择其喜欢菜系的餐厅进行展示，有助于提高订单转化率；而后，展示其他菜系的高销量餐厅，提供多样化选择的同时避免过拟合的情况。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合和具体实施方式对本发明作进一步详细说明。
如图1所示，本发明一种基于销量与用户偏好的外卖平台餐厅排序方法，包括如下步骤：
步骤1，餐厅数据处理
菜系类别是餐厅的一个很重要的特征，也是为用户做餐厅排序推荐时需要考虑的一个重要因素，所以需要提前标记好餐厅的所属菜系类别。通常来看，主要可以分为以下类别：甜品奶茶，粤港澳沪，川香麻辣，日韩料理，早点小吃，汉堡快餐，西式正餐等。菜系类别过多会导致后续矩阵计算中存在稀疏的问题，建议10个左右。一家餐厅可以根据其主要销售的菜品，有多个标签。
步骤2订单数据分析
考虑到季节和时效的因素，只读取过去两周的平台订单数据。数据中需要包括以下字段：订单ID、下单时间、用户ID、餐厅ID和餐厅菜系。
2.1分时段销量统计
对读取的历史订单数据以小时为单位，统计过去两周以每个小时前30分钟与后30分钟的时间段内，所有各餐厅的订单销量。例如，中午12点的订单销量计算过去两周每天11:31至12:30时间段内的所有餐厅各自的累计销量。该数据需要提前计算好，供排序时使用。
2.2计算用户菜系偏好
矩阵分解算法是一种非常经典的排序推荐算法，通过对每一个用户和菜系类别生成一个隐向量，将用户和菜系定位到隐向量表示的空间上，与用户距离相近的菜系表明用户更感兴趣，进而在排序过程中，可以将这些菜系的餐厅给予一个更高的曝光量。奇异值分解SVD(Singular Value Decomposition)是矩阵分解中的一种常用方法。本发明使用SVD算法提前计算出用户对于菜系的偏好。
对已读取到的订单数据进行处理，生成用户ID与餐厅菜系的共现矩阵M，共现矩阵M的行代表用户，共现矩阵M的列代表菜系，统计过去两周历史订单中用户i在菜系标签为j的餐厅中的下单次数作为元素Mij的取值。假设矩阵M是一个m×n的矩阵，则可以将其分解为M＝U∑VT，其中U是m×m的正交矩阵，y是n×n的正交矩阵，∑是m×n的对角阵。取对角阵∑中较大的k个元素作为隐含特征，删除∑的其他维度以及U和V中对应的维度，矩阵M被分解为M≈M′＝Um×k∑k×kVk×n T，至此完成了隐性量维度为k的矩阵分解。
从矩阵M′中，选择每个用户偏好值最大的三个菜系作为该用户的偏好菜系。该数据需要提前计算好，供排序时使用。
步骤3餐厅排序
当用户使用排序功能时，执行以下操作：
3.1餐厅筛选
餐厅筛选分为两步，首先获取用户的实时或者输入的位置信息，根据位置信息只保留用户所在城市的餐厅。然后，过滤掉停业、下架等状态的餐厅，只保留当日营业的餐厅。
3.2运费计算与基于运费区间的排序
根据用户的位置，对3.1中筛选出的餐厅根据平台的运费规则，计算餐厅与用户产生的运费。
从低到高设置若干运费区间，如区间A＝[a，b)，区间B＝[b，c)，区间C＝[c，d)等。然后对餐厅按照其所处的运费区间进行标记。
弱序关系(weak ordering relation)是一种二元关系，在排序领域有广泛应用。一个二元关系被称作弱序关系如果满足以下两个条件，
不对称：
Figure BDA0003109368340000071
负传递：
Figure BDA0003109368340000072
使用弱序关系(weak ordering relation)对餐厅按照标记好的运费区间，由低到高进行排序。
3.3销量排序
近似用户浏览平台的整点时间，如11：31至12：30使用整点12。使用弱序关系(weakordering relation)再次对3.2的各运费区间内的餐厅，按照2.1中对应的整点销量数据按照销量由高到低进行排序，得到的结果记做销量排序。销量排序可以看作是对于每个运费区间内餐厅的一种重排，但是整体上保持较低运费区间的餐厅完全排在较高运费区间的餐厅之前。
3.4基于品类的位次调整
读取2.2中提前计算好的用户偏好菜系类别。然后对3.3中产生的排序结果以每连续的20个餐厅作为一个排序块进行划分。对一个排序块中的20家餐厅，将餐厅的菜系类别与用户的偏好类别一致的餐厅，在这20家餐厅中置顶优先展示，置顶时保持被置顶餐厅的先后次序不变。以此类推，对所有的排序块执行相同的操作。位次调整使得用户偏好菜系的餐厅可以被展示在更靠前的位置，有利于提高点击率与订单转化率。
3.5排序输出
将最终调整后的排序结果输出展示。
步骤4数据更新
考虑到时效性与季节性等因素对于订单的影响，需要对于2.1、2.2中的排序每周更新一次。

Claims (1)

1.一种基于销量与用户偏好的外卖平台餐厅排序方法，其特征在于：包括如下步骤：
步骤1，餐厅数据处理
菜系类别是餐厅的重要的特征，也是为用户做餐厅排序推荐时需要考虑的一个重要因素，所以需要提前标记好餐厅的所属菜系类别；一家餐厅根据其主要销售的菜品，有多个菜系标签；
步骤2订单数据分析
读取平台的历史订单数据，数据中需要包括以下字段：订单ID、下单时间、用户ID、餐厅ID和餐厅菜系；
2.1分时段销量统计
对读取的历史订单数据以小时为单位，分时段统计各餐厅的订单销量；
2.2计算用户菜系偏好
使用矩阵分解算法，通过对每一个用户和菜系类别生成一个隐向量，将用户和菜系定位到隐向量表示的空间上，与用户距离相近的菜系表明用户更感兴趣，因此给该类别菜系的餐厅分配更高的曝光率；使用SVD算法提前计算出用户对于各菜系的偏好，选择每个用户最偏好的三个菜系类别，供后续排序使用；
步骤3餐厅排序
当用户使用排序功能时，执行以下操作：
3.1餐厅筛选
餐厅筛选分为两步，首先获取用户的实时或者输入的位置信息，根据位置信息只保留用户所在城市的餐厅；然后，过滤掉停业、下架状态的餐厅，只保留当日营业的餐厅；
3.2运费计算与基于运费区间的排序
根据用户的位置，对3.1中筛选出的餐厅根据平台的运费规则，计算餐厅与用户产生的运费；
从低到高设置若干运费区间，然后对餐厅按照其所处的运费区间进行标记；
使用弱序关系对餐厅按照标记好的运费区间，由低到高进行排序；
3.3销量排序
近似用户浏览平台的整点时间，使用弱序关系再次对3.2的各运费区间内的餐厅，按照2.1中对应的整点销量数据按照销量由高到低进行排序，得到的结果记做销量排序；销量排序看作是对于每个运费区间内餐厅的一种重排，但是整体上保持较低运费区间的餐厅完全排在较高运费区间的餐厅之前；
3.4基于品类的位次调整
读取2.2中提前计算好的用户偏好菜系类别，然后对3.3销量排序的结果以每连续的20个餐厅作为一个排序块进行划分；对一个排序块中的20家餐厅，将餐厅的菜系类别与用户的偏好类别一致的餐厅，在这20家餐厅中置顶优先展示，置顶时保持被置顶餐厅的先后次序不变；以此类推，对所有的排序块执行相同的操作；位次调整使得用户偏好菜系的餐厅能够被展示在更靠前的位置，有利于提高点击率与订单转化率；
3.5排序输出
将最终调整后的排序结果输出并展示；
步骤4数据更新
考虑到时效性与季节性因素对于订单的影响，需要对于2.1、2.2中的排序每周更新一次。
CN202110646704.6A 2021-06-10 2021-06-10 一种基于销量与用户偏好的外卖平台餐厅排序方法 Pending CN113377846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110646704.6A CN113377846A (zh) 2021-06-10 2021-06-10 一种基于销量与用户偏好的外卖平台餐厅排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110646704.6A CN113377846A (zh) 2021-06-10 2021-06-10 一种基于销量与用户偏好的外卖平台餐厅排序方法

Publications (1)

Publication Number Publication Date
CN113377846A true CN113377846A (zh) 2021-09-10

Family

ID=77573415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110646704.6A Pending CN113377846A (zh) 2021-06-10 2021-06-10 一种基于销量与用户偏好的外卖平台餐厅排序方法

Country Status (1)

Country Link
CN (1) CN113377846A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130325641A1 (en) * 2012-05-30 2013-12-05 ToGoOrder.com LLC Method and system for managing multiple entity food vendor recommendation and ordering services
CN108648058A (zh) * 2018-05-15 2018-10-12 北京三快在线科技有限公司 产品排序方法及装置，电子设备、存储介质
CN111784434A (zh) * 2020-05-12 2020-10-16 北京三快在线科技有限公司 菜品信息推送方法、装置、电子设备
CN111859188A (zh) * 2020-07-03 2020-10-30 美味不用等（上海）信息科技股份有限公司 基于大规模矩阵的层次分析的餐厅推荐的方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130325641A1 (en) * 2012-05-30 2013-12-05 ToGoOrder.com LLC Method and system for managing multiple entity food vendor recommendation and ordering services
CN108648058A (zh) * 2018-05-15 2018-10-12 北京三快在线科技有限公司 产品排序方法及装置，电子设备、存储介质
CN111784434A (zh) * 2020-05-12 2020-10-16 北京三快在线科技有限公司 菜品信息推送方法、装置、电子设备
CN111859188A (zh) * 2020-07-03 2020-10-30 美味不用等（上海）信息科技股份有限公司 基于大规模矩阵的层次分析的餐厅推荐的方法和系统

Similar Documents

Publication Publication Date Title
JP7120649B2 (ja) 情報処理システム、情報処理装置、予測モデル抽出方法および予測モデル抽出プログラム
CN107766929B (zh) 模型分析方法及装置
US20140067476A1 (en) Marketing device, marketing method, program and recording medium
CN107092616B (zh) 一种对象排序方法及装置
CN109377260A (zh) 面向服装行业的用户行为分析系统
CN108694647A (zh) 一种商户推荐理由的挖掘方法及装置，电子设备
CN107958270B (zh) 类别识别方法、装置、电子设备及计算机可读存储介质
CN106548006A (zh) 一种基于用户典型口味的膳食推荐方法
CN111639978A (zh) 基于Prophet-随机森林的电商事件驱动型需求量预测方法
CN107679103A (zh) 用于实体的属性分析方法及系统
CN107895299A (zh) 一种商品的曝光排序方法和装置
CN110880127A (zh) 消费水平的预测方法、装置、电子设备及存储介质
CN116431931A (zh) 实时增量数据统计分析方法
CN107239495A (zh) 基于关系链权重的商品以及搜索排序展示方法
CN110874785A (zh) 餐品套餐信息的确定方法、装置及设备
JP2002297958A (ja) 日配品発注最適化支援システム、その方法、及びプログラム
CN113377846A (zh) 一种基于销量与用户偏好的外卖平台餐厅排序方法
CN113129078A (zh) 基于特征识别和数据可视化分析的社交软件广告信息投放方法
CN116805023A (zh) 一种基于大语言模型的外卖推荐方法
CN113869950A (zh) 基于销量、用户偏好与优惠折扣的外卖平台餐厅排序方法
CN113377847A (zh) 一种外卖平台的餐厅混合排序方法
CN109146602A (zh) 一种基于用户行为的售药机药品供应方法和自动售药机
CN114971805A (zh) 一种基于深度学习的电子商务平台商品智能分析推荐系统
TW202232388A (zh) 學習系統、學習方法及程式產品
CN113590692A (zh) 一种三阶段人群挖掘条件优化方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210910

RJ01 Rejection of invention patent application after publication