CN115408611A - 菜单推荐方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及人工智能的情绪识别领域，公开了一种菜单推荐方法、装置、计算机设备和存储介质。所述方法包括：获取对象浏览当前菜单页面的面部图像数据，对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度，根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数，当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单。采用本方法准确识别了对象的真实反馈数据，确定了符合对象的习惯偏好的菜单，进而实现菜单的精准推荐。

Description

菜单推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能的情绪识别技术领域，特别是涉及一种菜单推荐方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着移动互联网的快速发展，各大应用程序推送展示的菜单越来越丰富，在浩如烟海的信息中快速精准地寻找到用户感兴趣的菜单进行展示，已经变得越来越重要。

目前，常用的菜单推荐方法是用户在应用程序上手动设置常用菜单，用户发现感兴趣的菜单后可将该菜单加入到自定义的菜单列表中，如果用户未将经常使用的菜单加入常用菜单，系统也可以根据用户的历史使用数据如历史操作数据和历史浏览数据，推荐相关的功能菜单。然而，上述方式更多地依赖于用户的手动操作，即使可根据历史使用数据推送相关的菜单，但是，因历史使用数据只能表征用户整体的兴趣偏向，也无法准确地识别用户的真实使用反馈以及当前真正感兴趣的菜单，进而无法精准地推送符合用户需求的菜单。

由此可见，目前的菜单推荐方案存在推荐准确度不高的问题。

发明菜单

基于此，有必要针对上述技术问题，提供一种准确度更高的菜单推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种菜单推荐方法。所述方法包括：

获取对象浏览当前菜单页面的面部图像数据；

对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度；

根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数；

当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单。

在一个实施例中，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单包括：

根据更新后的偏好标签搜索预设菜单数据库，获取更新后的偏好标签的关联菜单；

根据更新后的偏好标签的偏好指数，确定偏好标签的关联菜单的展示数量；

基于偏好标签的关联菜单的展示数量，从关联菜单中筛选出推荐菜单。

在一个实施例中，根据更新后的偏好标签的偏好指数，确定偏好标签的关联菜单的展示数量包括：

根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定关联菜单的数量占比；

根据关联菜单的数量占比和更新后偏好标签的偏好指数，确定偏好标签的关联菜单的展示数量，偏好指数与关联菜单的展示数量呈正相关。

在一个实施例中，基于更新后的偏好标签的关联菜单的展示数量，从关联菜单中筛选出推荐菜单包括：

获取各偏好标签的关联菜单的访问量；

按照访问量对关联菜单进行排序，得到各偏好标签对应的关联菜单数据集；

针对更新后的每一偏好标签，对应从关联菜单数据集中选取与关联菜单的展示数量相等的关联菜单，得到推荐菜单。

在一个实施例中，对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度包括：

对面部图像数据进行图像预处理；

提取图像预处理后的面部图像数据的表情特征；

调用已训练的情绪识别模型，对表情特征进行情绪识别，识别出对象的情绪类别和情绪强度。

在一个实施例中，情绪类别属于第一情绪类型或第二情绪类型；

根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数包括：

若情绪类别属于第一情绪类型且情绪强度大于当前的偏好标签的偏好指数，则上调当前的偏好标签的偏好指数；

若情绪类别属于第二情绪类型，则根据情绪强度，下调当前的偏好标签的偏好指数。

第二方面，本申请还提供了一种菜单推荐装置。所述装置包括：

数据获取模块，用于获取对象浏览当前菜单页面的面部图像数据；

情绪识别模块，用于对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度；

数据更新模块，用于根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数；

推荐菜单确定模块，用于当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好指数，确定推荐菜单。

在一个实施例中，推荐菜单确定模块还用于根据更新后的偏好标签搜索预设菜单数据库，获取更新后的偏好标签的关联菜单，根据更新后的偏好标签的偏好指数，确定关联菜单的展示数量，基于关联菜单的展示数量，从关联菜单中筛选出推荐菜单。

在一个实施例中，推荐菜单确定模块还用于根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定关联菜单的数量占比，根据关联菜单的数量占比和更新后偏好标签的偏好指数，确定关联菜单的展示数量，偏好指数与关联菜单的展示数量呈正相关。

在一个实施例中，推荐菜单确定模块还用于获取关联菜单的访问量，按照访问量对关联菜单进行排序，得到各偏好标签对应的关联菜单数据集，针对每一偏好标签，从关联菜单数据集中选取与关联菜单的展示数量相等的关联菜单，得到推荐菜单。

在一个实施例中，情绪识别模块还用于对面部图像数据进行图像预处理，提取图像预处理后的面部图像数据的表情特征，调用已训练的情绪识别模型，对表情特征进行情绪识别，识别出对象的情绪类别和情绪强度。

在一个实施例中，情绪类别属于第一情绪类型或第二情绪类型；

数据更新模块还用于若情绪类别属于第一情绪类型且情绪强度大于当前的偏好标签的偏好指数，则上调当前的偏好标签的偏好指数，若情绪类别属于第二情绪类型，则根据情绪强度，下调当前的偏好标签的偏好指数。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取对象浏览当前菜单页面的面部图像数据；

对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度；

根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数；

当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取对象浏览当前菜单页面的面部图像数据；

对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度；

根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数；

当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取对象浏览当前菜单页面的面部图像数据；

对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度；

根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数；

当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单。

上述菜单推荐方法、装置、计算机设备、存储介质和计算机程序产品，对对象浏览当前显示的菜单页面的面部图像数据进行情绪识别，得到对象的情绪类别和情绪强度，能够快速识别对象在浏览当前菜单页面的真实使用反馈数据，根据情绪类别和情绪强度，更新对象的偏好标签和偏好标签的偏好指数，实现根据对象的真实使用反馈数据，及时准确更新偏好标签和偏好指数，当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，即表明对象对显示的菜单的使用感受发生较大变化，此时，根据更新后的偏好标签和偏好指数，确定推荐菜单，能够保证菜单页面更新的必要性和合理性，还能使推荐的菜单更加符合对象的习惯偏好，提高菜单推荐的准确度。上述方案，一方面，通过对对象的面部图像数据进行情绪识别，准确识别了对象的真实反馈数据，另一方面，基于偏好指数的变动之和与预设变动阈值的大小关系，根据更新后的偏好标签和偏好指数，确定符合对象的习惯偏好的菜单，进而实现菜单的精准推荐。

附图说明

图1为一个实施例中菜单推荐方法的应用环境图；

图2为一个实施例中菜单推荐方法的流程示意图；

图3为一个实施例中确定推荐菜单步骤的流程示意图；

图4为另一个实施例中确定推荐菜单步骤的详细流程示意图；

图5为另一个实施例中菜单推荐方法的详细流程示意图；

图6为又一个实施例中菜单推荐方法的详细流程示意图；

图7为一个实施例中菜单推荐装置的结构框图；

图8为另一个实施例中菜单推荐装置的结构框图；

图9为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，本申请技术方案中所涉及的用户信息和数据，均为经用户授权或者经过各方充分授权的信息和数据，对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

本申请实施例提供的菜单推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。具体的，可以是对象登录APP(Application，应用程序)，明示同意和授权终端102采集其个人相关信息，包括面部图像数据和个人基本信息等，终端102将采集到对象的个人信息发送给服务器104。当对象点击访问菜单功能，终端102显示相应的菜单页面，并获取对象此时浏览当前显示的菜单页面的面部图像数据，将面部图像数据发送至服务器104，服务器104获取该面部图像数据，对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度，然后，根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数，当对象浏览多个菜单页面后，多个菜单页面的偏好标签所对应的偏好指数的变动之和大于或等于预设变动阈值时，则根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种菜单推荐方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤100，获取对象浏览当前菜单页面的面部图像数据。

本实施例中，当前菜单页面是指点击菜单列表页面上的某个“菜单按钮”后跳转显示的页面，例如，对象点击菜单按钮“购物”之后，页面经跳转后显示的菜单页面即为用于购物的页面。在实际应用中，可以是对象在终端上登录APP，APP推送弹窗至所在的终端，说明收集对象面部图像数据和基本信息的手段和目的，取得对象个人的明示同意和授权之后，终端便可获取对象信息，并将获取的对象信息传递给服务器。接收对象信息，校验对象信息。若该对象是首次登录APP，则根据预设的配置参数，配置该对象的初始的偏好标签和偏好指数，完成偏好标签和偏好指数的初始化。具体的，偏好标签可以初始化为“生活”、“支付”和“优惠”等，各偏好标签的偏好指数的取值初始化为1。若对象非首次登录，则获取对象的历史偏好信息，再根据对象历史偏好信息，确定待推送的菜单，生成菜单页面，并推送菜单页面至终端，此时，APP首页展示个性化菜单布局。其中，每个菜单页面在生成之后，会添加上一个或多个偏好标签，该偏好标签是以菜单的类别划分的，如支付偏好标签、生活偏好标签等，且一个偏好标签可关联多个菜单，如可关联同属于一个菜单类别的多个菜单，例如，一个偏好标签“支付”，可关联多个支付类菜单。偏好指数是指对象的偏好程度的指数，可表征偏好程度的高低。具体的，可以用如数值1、2、3等来标识偏好指数，偏好指数越高，则表征偏好强度越大。

当对象点击首页上菜单列表的某个“菜单按钮”访问菜单功能时，推送相应的菜单页面至终端，终端显示该菜单页面。此时，可调用APP所在终端的摄像头获取对象浏览当前显示的菜单页面的面部图像数据，并将面部图像数据发送至服务器。考虑对象一般是面对终端显示的菜单页面，故可以调用APP所在终端的前置摄像头采集对象的面部图像数据。可以理解的是，在实际应用中，获取对象的面部图像数据的方式有多种，具体可根据实际情况而定，在此不做限定。

步骤200，对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度。

情绪识别是指人工智能通过获取个体的生理信号或非生理信号对个体的情绪状态进行自动辨别。情绪识别方法主要分成两大类即基于非生理信号的识别和基于生理信号的识别。基于非生理信号的情绪识别方法主要包括对面部表情和语音语调的识别。情绪类别包括喜悦、惊奇、羡慕、愤怒、悲伤、厌恶、失望和烦躁等。情强度即指情绪的强弱程度。情绪的强弱程度包括各种不同的强度，如在高兴到狂喜之间还有兴奋、激动等。在微愠到狂怒之间还有愤怒、大怒和暴怒等。因此，本实施例中，对识别出的情绪强度进行了划分。具体的，可针对每一种类型的情绪，将情绪强度划分为轻度、中度和重度，且分别用数字1、2和3分别标识轻度、中度和重度。本实施例中，以对非生理信号的面部图像数据的情绪识别为例进行说明。当获取面部图像数据后，采用图像识别方法，对面部图像数据进行情绪识别，本实施例中，可以是对面部图像数据进行面部表情识别，包括对面部图像数据中包含的面部肌肉运动特征和表情模式，识别出的对象的情绪类别和情绪强度。具体的，面部表情识别的方式可以是通过训练合格的用于表情识别的神经网络进行识别，或者直接采用相关的分类原则进行表情分类识别。

步骤300，根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数。

当识别得到对象的情绪类别和情绪强度后，可根据情绪类别和情绪强度更新当前的菜单页面的偏好标签以及偏好标签的偏好指数。具体的，可以根据当前菜单页面的标识信息如页面编号，对应获取菜单页面所属的偏好标签，根据面部图像信息对应获取对象的基本信息，进而获取针对该菜单页面所属的偏好标签的偏好指数，然后，根据具体的情绪类别和情绪强度更新偏好标签和偏好指数，例如，情绪类别为高兴，情绪强度为重度，强度标识为2，则可以继续保留该偏好标签，并上调该偏好标签的偏好指数。若情绪类别为厌恶，且情绪强度为重度，则下调该偏好标签的偏好指数，并且还可从对象的基本信息中删除该偏好标签，重新添加新的偏好标签，新的偏好标签的偏好指数仍为初始值1。

步骤400，当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单。

偏好指数的变动之和是指偏好指数的变化值的绝对值之和。推荐菜单的数量为多个。在实际应用中，对象登录APP，可能会访问浏览多个菜单页面，每浏览一个菜单页面后，均会按照当前菜单页面的面部图像数据，识别出情绪类别和情绪强度，再按照上述实施例中的方式，更新当前菜单页面的偏好标签和偏好指数。若对象浏览多个菜单页面后，其所浏览过的菜单页面对应的偏好指数的变动之和大于或等于预设变动阈值，则表明该对象针对推送的菜单的真实使用感受发生了一定的变动，此时，可根据更新后的偏好标签和偏好标签的偏好指数，重新确定推荐菜单。举例说明，对象以用户为例，若预设变动阈值设置为5，用户初始的偏好标签为“美食”、“支付”、“生活”、“福利”和“购物”，上述偏好标签的初始偏好指数全部为1，用户浏览了几个菜单功能后，根据由用户的面部图像数据识别出的情绪类别和情绪强度对偏好标签和偏好指数进行更新后，用户的偏好标签更新为偏好标签“美食”的偏好指数为3，偏好标签“支付”的偏好指数为1，偏好标签“生活”的偏好指数为1，偏好标签“福利”的偏好指数为2，偏好标签“购物”因为用户不感兴趣，更新为“积分”偏好标签，且偏好指数为3。上述情况，偏好指数的变化值分别为“美食”的偏好指数增加2，“福利”的偏好指数增加1，“购物”的偏好指数减少1，“积分”的偏好指数增加3，因此，偏好标签的偏好指数的变动之和为2+1+1+3＝6，由于6大于预设变动阈值5，则根据更新后的偏好标签和偏好指数，重新生成贴合用户偏好和需求的推荐菜单。具体的，可以根据偏好标签对应查找到相应的菜单，将其标记为推荐菜单，然后可根据偏好指数的高低，确定推荐菜单的数量。

上述菜单推荐方法中，对对象浏览当前显示的菜单页面的面部图像数据进行情绪识别，得到对象的情绪类别和情绪强度，能够快速识别对象在浏览当前菜单页面的真实使用反馈数据，根据情绪类别和情绪强度，更新对象的偏好标签和偏好标签的偏好指数，实现根据对象的真实使用反馈数据，及时准确更新偏好标签和偏好指数，当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，即表明对象对显示的菜单的使用感受发生较大变化，此时，根据更新后的偏好标签和偏好指数，确定推荐菜单，能够保证菜单页面更新的必要性和合理性，还能使得推荐的菜单更加符合对象的习惯偏好，提高菜单推荐的准确度。上述方案，一方面，通过对对象的面部图像数据进行情绪识别，准确识别了对象的真实反馈数据，另一方面，基于偏好指数的变动之和与预设变动阈值的大小关系，根据更新后的偏好标签和偏好指数，确定符合对象的习惯偏好的菜单，进而实现菜单的精准推荐。

如图3所示，在一个实施例中，根据更新后的偏好标签和偏好标签的偏好指数，确定推荐菜单包括：

步骤420，根据更新后的偏好标签搜索预设菜单数据库，获取更新后的偏好标签的关联菜单。

步骤440，根据更新后的偏好标签的偏好指数，确定偏好标签的关联菜单的展示数量。

步骤460，基于关联菜单的展示数量，从关联菜单中筛选出推荐菜单。

预设菜单数据库中包含多个菜单和多个偏好标签，其中，一个偏好标签可关联多个菜单。本实施例中，可以是根据更新后的偏好标签，在预设菜单数据库进行搜索，获取与更新后的偏好标签相关联的关联菜单，例如，若对象的偏好标签为“支付”，根据“支付”搜索预设菜单数据库，得到与“支付”相关的同属于支付类关联菜单，如“第一支付方式”菜单，“第二支付方式”菜单。然后，根据更新后的偏好标签的偏好指数，确定查询到的关联菜单的展示数量，如偏好指数越大，关联菜单的展示数量越多。然后，基于关联菜单的展示数量，从各个与偏好标签相关的关联菜单筛选出与展示数量相等的菜单作为推荐菜单。本实施例中，根据偏好标签的偏好指数，确定关联菜单的展示数量，再从与偏好标签相关的关联菜单中筛选推荐菜单，且使得推荐菜单更为准确，贴近客户需求，有利于提升客户体验。

如图4所示，在一个实施例中，步骤440包括：步骤442，根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定关联菜单的数量占比，根据关联菜单的数量占比和更新后偏好标签的偏好指数，确定偏好标签的关联菜单的展示数量，偏好指数与关联菜单的展示数量呈正相关。

具体实施时，确定与更新后的各偏好标签的关联菜单的展示数量可以是：取预设的菜单展示总数与所有的偏好标签的偏好指数之和的比值为关联菜单的数量占比，然后，针对每一更新后偏好标签，取对应的偏好指数与关联菜单的数量占比的乘积为各偏好标签的关联菜单的展示数量。例如，偏好标签“美食”的偏好指数为3，偏好标签“支付”的偏好指数为1，偏好标签“生活”的偏好指数为1，偏好标签“福利”的偏好指数为2，偏好标签“积分”的偏好指数为3，若预设的菜单展示总数为20，则偏好标签“美食”的关联菜单的展示数量为：20/(3+1+1+2+3)*3＝6，偏好标签“支付”的关联菜单的展示数量为20/(3+1+1+2+3)*1＝2，同理可得，偏好标签“生活”的关联菜单的展示数量为2，偏好标签“福利”的关联菜单的展示数量为4，以及偏好标签“积分”的关联菜单的展示数量为6。本实施例中，根据偏好指数，确定关联菜单的数量占比，进而确定各关联菜单的展示数量，不仅做到更加便捷地确定关联菜单的展示数量，还能使得到的展示数量也更为准确合理。

如图4所示，在一个实施例中，步骤460包括：步骤462，获取各偏好标签的关联菜单的访问量，按照访问量对关联菜单进行排序，得到各偏好标签对应的关联菜单数据集，针对更新后的每一偏好标签，从关联菜单数据集中依次选取与关联菜单的展示数量相等的关联菜单，得到推荐菜单。

本实施例中，推荐菜单的筛选依据可以是根据各偏好标签的关联菜单的访问量，对各偏好标签的关联菜单进行倒序排序或正序排序，得到各偏好标签对应的关联菜单数据集如关联菜单列表，然后，针对更新后的每一偏好标签，依次从关联菜单列表中选取与关联菜单的展示数量相等的关联菜单，然后，归集筛选出的每一更新后的偏好标签对应的关联菜单，得到推荐菜单。例如，偏好标签“美食”的关联菜单的展示数量为6，偏好标签“支付”的关联菜单的展示数量2，偏好标签“生活”的关联菜单的展示数量为2，偏好标签“福利”的关联菜单的展示数量为4，以及偏好标签“积分”的关联菜单的展示数量为6，则对应从每一偏好标签的关联菜单列表中依次挑选出数量为6、2、2、4以及6的关联菜单，得到20个待推送的推荐菜单。可以理解的是，若是倒序排序，则在关联菜单列表中，从前往后依次选取与关联菜单的展示数量相等的关联菜单，若是正序排序，则在关联菜单列表中，从后往前依次选取与关联菜单的展示数量相等的关联菜单。其他实施例中，还可以是按照各关联菜单最近一个月、两个月内或其他时间周期内的访问量进行排序，也可以是按照各关联菜单的热度值进行排序，还可以是按照其他维度的参数进行排序，在此可根据实际情况而定，在此不做限定。本实施例中，根据访问量对关联菜单进行排序，能够使得推荐的菜单更加符合对象的日常习惯偏好，实现精准推送。

如图5所示，在一个实施例中，步骤200包括：步骤220，对面部图像数据进行图像预处理，提取图像预处理后的面部图像数据的表情特征，调用已训练的情绪识别模型，对表情特征进行情绪识别，识别出对象的情绪类别和情绪强度。

本实施例中，在获取面部图像数据后，可以是对面图像数据进行图像预处理，具体的，图像预处理可以包括人脸检测、人眼定位、将图像数据转为灰度图像、归一化处理以及图像校正处理等。具体的，可以采用SVM(Support Vector Machine，支持向量机)对面部图像数据进行人脸检测，提取图像预处理后的面部图像数据的表情特征，具体包括眉毛特征、眼部特征、鼻子特征和嘴部特征等，然后，调用已训练的情绪识别模型，对表情特征进行情绪识别，识别出对象的情绪类别和情绪强度。其中，已训练的情绪识别模型可以是根据携带有情绪类别标签的面部图像数据的训练数据，对卷积神经网络的深度学习模型进行训练得到。具体的，可以是卷积神经网络模型包括卷积层、BN层和全连接层，的每一个基层都包含若干个节点，基层与基层之间的节点处于全连接的状态，且节点之间的连接通常具有一个权重参数。在对卷积神经网络模型进行训练之前，节点之间的权重参数可随机设置。在对卷积神经网络模型进行训练时，可以将携带有情绪类型的面部图像样本集输入卷积神经网络模型中对原始的面部图像数据进行分类，然后，计算卷积神经网络模型的损失，判断其损失是否大于预设值，若是，则调整所述卷积神经网络模型中各节点之间连接的权重参数，对模型重新训练，然后计算其损失，直至损失小于或等于预设值，获得卷积神经网络模型中各节点之间连接的最佳权重参数，从而得到训练合格的表情识别模型。情绪类别的识别可以是将表情特征与训练集中各类型的情绪对应的表情特征进行相似度计算，若表情特征与某一情绪类别的表情特征训练数据的相似度大于或等预设的相似度阈值，则判定该表情特征属于该类情绪类别。在其他实施例中，还可以是表情特征进行微表情分析识别，识别得到对象的微表情。

其中，同一情绪的不同强度可以是根据眉毛特征、眼部特征、鼻子特征和嘴部特征的幅度来区分，比如以划分喜悦的强度中的微喜、喜悦、大喜为例，若嘴角向人脑后部拉并微微抬高，脸颊被抬起，眼睑下面有皱纹，鱼尾纹从眼角向外扩张，眉毛稍微下弯，则判定为微喜；若嘴角向人脑后部拉并大幅抬高，嘴巴张开，牙齿露出，脸颊被抬起，眼睑下面有皱纹，眼睛鼓起但不紧张，鱼尾纹从眼角向外扩张，眉毛弯成月牙，则判定为大喜。基于此，可将眉毛特征、眼部特征、鼻子特征和嘴部特征进行组合，各自设定情绪强度与幅度的对应关系，例如，以组合嘴部特征和眉毛特征为例，设定嘴角上扬的角度为a～b，眉毛弯曲弧度为A～B，则强度为大喜，嘴角上扬的角度为c～d，眉毛弯曲弧度为C～D，则强度为喜悦，嘴角上扬的角度为e～f，眉毛弯曲弧度为E～F，则强度为微喜。可以理解的是，其他情绪强度的判定可同样按照依据历史经验数据总结得出的各情绪强度对应的表情特征幅度特征进行判定，在此不一一进行举例。本实施例中，调用已训练的表情识别模型进行情绪识别，能够高效准确地识别出情绪类别和情绪强度，进一步提高识别对象真实使用反馈数据的准确性，保障菜单的精准推送。

如图5所示，在一个实施例中，情绪类别属于第一情绪类型或第二情绪类型；

步骤300包括：步骤320，若情绪类别属于第一情绪类型且情绪强度大于当前的偏好标签的偏好指数，则上调当前的偏好标签的偏好指数，步骤340，若情绪类别属于第二情绪类型，则根据情绪强度，下调当前的偏好标签的偏好指数。

在实际应用中，每一种情绪类别从宏观角度划分的话，可归属为积极情绪或消极情绪，也可称正面情绪或负面情绪。例如，喜悦、惊奇、羡慕等情绪类别可归属为正面情绪或积极情绪，愤怒、悲伤或厌恶等情绪类别可归属为负面情绪或消极情绪。具体实施时，可以是若识别出的情绪类别属于积极情绪，并且情绪强度大于当前的菜单页面的偏好标签对应的偏好指数，则根据情绪强度，则上调偏好标签的偏好指数。比如，情绪类别“高兴”的情绪强度是中度，标识为2，当前的菜单页面的偏好标签对应的偏好指数是1，则上调偏好标签的偏好指数到2，若识别出的情绪类别为消极情绪，则根据情绪强度下调菜单页面的偏好标签的偏好指数。比如，情绪类别“失望”的情绪强度为轻度，标识为1，则对应将偏好指数的下调幅度确定为1，若情绪强度为中度，标识为2，则对应将偏好指数的下调幅度确定为2，若情绪强度为重度，标识为3，则对应将偏好指数的下调幅度确定为3，以此，更新当前菜单页面的偏好标签的偏好指数。若更新后的偏好指数下降为零时，则删除当前菜单页面对应的偏好标签，并根据对象的历史偏好信息，增加与该标签相对的新偏好标签，新的偏好指数设置为初始值1。可以理解的是，在其他实施例中，偏好指数的上调幅度和下调幅度可以是固定值，或者依据其他方式确定的值。本实施例中，根据情绪类型和情绪强度更新偏好指数和偏好标签，能够保证数据更新的合理性和准确性。

如图5所示，在一个实施例中，步骤400之后，还包括：步骤500，根据推荐菜单生成菜单列表页面、并推送。

承接上述实施例，在确定推荐菜单的展示数量和布局后，可根据预设好的菜单页面的配置信息，生成相应的菜单列表页面，例如，偏好指数高的偏好标签对应的菜单展示数量多，且靠前展示。生成菜单列表页面后，推送菜单列表页面至APP所在终端，以更新APP首页的菜单列表页面，使得菜单列表页面所显示的菜单更加贴合对象的习惯偏好。进一步的，在完成本次的菜单列表的更新后，可以重复迭代上述菜单推荐方法中的过程，以此不断更新偏好标签和偏好指数，进而推送出更加贴合对象的实际需求的菜单服务。

为了对本申请提供的菜单推荐方法做出更为清楚的说明，下面结合一个具体实施例和图6进行说明，如图6所示，该实施例包括以下步骤：

步骤100，获取对象浏览当前菜单页面的面部图像数据；

步骤220，对面部图像数据进行图像预处理，提取图像预处理后的面部图像数据的表情特征，调用已训练的情绪识别模型，对表情特征进行情绪识别，识别出对象的情绪类别和情绪强度；

步骤320，若情绪类别属于第一情绪类型且情绪强度大于当前的偏好标签的偏好指数，则上调当前的偏好标签的偏好指数；

步骤340，若情绪类别属于第二情绪类型，则根据情绪强度，下调当前的偏好标签的偏好指数；

步骤420，根据更新后的偏好标签搜索预设菜单数据库，获取更新后的偏好标签的关联菜单；

步骤440，根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定关联菜单的数量占比，根据关联菜单的数量占比和更新后偏好标签的偏好指数，确定偏好标签的关联菜单的展示数量，偏好指数与关联菜单的展示数量呈正相关；

步骤462，获取各偏好标签的关联菜单的访问量，按照访问量对关联菜单进行排序，得到各偏好标签对应的关联菜单数据集，针对更新后的每一偏好标签，从关联菜单数据集中依次选取与关联菜单的展示数量相等的关联菜单，得到推荐菜单；

步骤500，根据推荐菜单生成菜单列表页面、并推送。

在实际应用中，可以是对象在终端上登录APP，APP推送弹窗至所在的终端，说明收集对象面部图像数据和基本信息的手段和目的，取得对象个人的明示同意和授权之后，终端便可获取对象信息，并将获取的对象信息传递给服务器。接收对象信息，校验对象信息。若该对象是首次登录APP，则根据预设的配置参数，配置该对象的初始的偏好标签和偏好指数，完成偏好标签和偏好指数的初始化。具体的，偏好标签可以初始化为“生活”、“支付”和“优惠”等，各偏好标签的偏好指数的取值初始化为1。若对象非首次登录，则获取对象的历史偏好信息，再根据对象历史偏好信息，确定待推送的菜单，生成菜单页面，并推送菜单页面至终端。

当对象点击首页上菜单列表的某个“菜单按钮”访问菜单功能时，推送相应的菜单页面至终端，终端显示该菜单页面。此时，可调用APP所在终端的前置摄像头获取对象浏览当前显示的菜单页面的面部图像数据，并将面部图像数据发送至服务器。获取面部图像数据后，可以是对面图像数据进行图像预处理，具体的，图像预处理可以包括将图像数据转为灰度图像、归一化处理以及图像校正处理等。然后，可以采用支持向量机SVM对预处理后的图像数据进行人脸检测，提取图像预处理后的面部图像数据的表情特征，具体包括眉毛特征、眼部特征、鼻子特征和嘴部特征等，然后，调用已训练的情绪识别模型，对表情特征进行情绪识别，识别出对象的情绪类别和情绪强度。

若识别出的情绪类别属于积极情绪，并且情绪强度大于当前的菜单页面的偏好标签对应的偏好指数，则根据情绪强度，则上调偏好标签的偏好指数。比如，情绪类别“高兴”的情绪强度是中度，标识为2，当前的菜单页面的偏好标签对应的偏好指数是1，则上调偏好标签的偏好指数到2，若识别出的情绪类别为消极情绪，则根据情绪强度下调菜单页面的偏好标签的偏好指数。比如，情绪类别“失望”的情绪强度为轻度，标识为1，则对应将偏好指数的下调幅度确定为1，若情绪强度为中度，标识为2，则对应将偏好指数的下调幅度确定为2，若情绪强度为重度，标识为3，则对应将偏好指数的下调幅度确定为3，以此，更新当前菜单页面的偏好标签的偏好指数。若更新后的偏好指数下降为零时，则删除当前菜单页面对应的偏好标签，并根据对象的历史偏好信息，增加与该标签相对的新偏好标签，新的偏好指数设置为初始值1。

然后，当对象浏览多个菜单页面，偏好标签的偏好指数的变动之和大于或等于预设变动阈值时，则根据更新后的偏好标签，在预设菜单数据库进行搜索，获取与更新后的偏好标签相关联的关联菜单，例如，若对象的偏好标签为“支付”，根据“支付”搜索预设菜单数据库，得到与“支付”相关的同属于支付类关联菜单，如“第一支付方式”菜单，“第二支付方式”菜单。然后，根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定关联菜单的数量占比，根据关联菜单的数量占比和更新后偏好标签的偏好指数，确定偏好标签的关联菜单的展示数量。例如，偏好标签“美食”的偏好指数为3，偏好标签“支付”的偏好指数为1，偏好标签“生活”的偏好指数为1，偏好标签“福利”的偏好指数为2，偏好标签“积分”的偏好指数为3，若预设的菜单展示总数为20，则偏好标签“美食”的关联菜单的展示数量为：20/(3+1+1+2+3)*3＝6，偏好标签“支付”的关联菜单的展示数量为20/(3+1+1+2+3)*1＝2，同理可得，偏好标签“生活”的关联菜单的展示数量为2，偏好标签“福利”的关联菜单的展示数量为4，以及偏好标签“积分”的关联菜单的展示数量为6。

接着，获取各偏好标签的关联菜单的访问量，按照访问量对各偏好标签的关联菜单进行排序，得到各偏好标签对应的关联菜单数据集，针对更新后的每一偏好标签，从关联菜单数据集中依次选取与关联菜单的展示数量相等的关联菜单，得到推荐菜单。具体的，根据各偏好标签的关联菜单的访问量，对各偏好标签的关联菜单进行倒序排序或正序排序，得到各偏好标签对应的关联菜单数据集如关联菜单列表，然后，针对更新后的每一偏好标签，依次从关联菜单列表中选取与关联菜单的展示数量相等的关联菜单，然后，归集筛选出的每一更新后的偏好标签对应的关联菜单，得到推荐菜单。例如，偏好标签“美食”的关联菜单的展示数量为6，偏好标签“支付”的关联菜单的展示数量2，偏好标签“生活”的关联菜单的展示数量为2，偏好标签“福利”的关联菜单的展示数量为4，以及偏好标签“积分”的关联菜单的展示数量为6，则对应从每一偏好标签的关联菜单列表中依次挑选出数量为6、2、2、4以及6的关联菜单，得到20个待推送的推荐菜单，进一步，根据偏好指数的大小，确定各推荐菜单的布局。

最后，在确定了20个推荐菜单的展示数量和布局后，可根据预设好的菜单页面的配置信息，生成相应的菜单列表页面，例如，偏好指数高的偏好标签对应的菜单展示数量多，且靠前展示。生成菜单列表页面后，即推送菜单列表页面至APP所在终端，以更新APP首页的菜单列表页面。

进一步的，在完成本次的菜单列表的更新后，可以重复迭代上述菜单推荐方法中的过程，以此不断更新偏好标签和偏好指数，进而推送出更加贴合对象的实际需求的菜单服务。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的菜单推荐方法的菜单推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个菜单推荐装置实施例中的具体限定可以参见上文中对于菜单推荐方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种菜单推荐装置，包括：数据获取模块610、情绪识别模块620、数据更新模块630、推荐菜单确定模块640和菜单推荐模块650，其中：

数据获取模块610，用于获取对象浏览当前菜单页面的面部图像数据。

情绪识别模块620，用于对面部图像数据进行情绪识别，识别出对象的情绪类别和情绪强度。

数据更新模块630，用于根据情绪类别和情绪强度，更新当前菜单页面的偏好标签以及偏好标签的偏好指数。

推荐菜单确定模块640，用于当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的偏好标签和偏好指数，确定推荐菜单。

上述菜单推荐装置中，对对象浏览当前显示的菜单页面的面部图像数据进行情绪识别，得到对象的情绪类别和情绪强度，能够快速识别对象在浏览当前菜单页面的真实使用反馈数据，根据情绪类别和情绪强度，更新对象的偏好标签和偏好标签的偏好指数，实现根据对象的真实使用反馈数据，及时准确更新偏好标签和偏好指数，当对象浏览多个菜单页面后，偏好指数的变动之和大于或等于预设变动阈值时，即表明对象对显示的菜单的使用感受发生较大变化，此时，根据更新后的偏好标签和偏好指数，确定推荐菜单，能够保证菜单页面更新的必要性和合理性，还能使推荐的菜单更加符合对象的习惯偏好，提高菜单推荐的准确度。上述方案，一方面，通过对对象的面部图像数据进行情绪识别，准确识别了对象的真实反馈数据，另一方面，基于偏好指数的变动之和与预设变动阈值的大小关系，根据更新后的偏好标签和偏好指数，确定符合对象的习惯偏好的菜单，进而实现菜单的精准推荐。

在一个实施例中，推荐菜单确定模块640还用于根据更新后的偏好标签搜索预设菜单数据库，获取更新后的偏好标签的关联菜单，根据更新后的偏好标签的偏好指数，确定关联菜单的展示数量，基于关联菜单的展示数量，从关联菜单中筛选出推荐菜单。

在一个实施例中，推荐菜单确定模块640还用于根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定关联菜单的数量占比，根据关联菜单的数量占比和更新后偏好标签的偏好指数，确定关联菜单的展示数量，偏好指数与关联菜单的展示数量呈正相关。

在一个实施例中，推荐菜单确定模块640还用于获取关联菜单的访问量，按照访问量对关联菜单进行排序，得到各偏好标签对应的关联菜单数据集，针对每一偏好标签，从关联菜单数据集中依次选取与关联菜单的展示数量相等的关联菜单，得到推荐菜单。

在一个实施例中，情绪识别模块620还用于对面部图像数据进行图像预处理，提取图像预处理后的面部图像数据的表情特征，调用已训练的情绪识别模型，对表情特征进行情绪识别，识别出对象的情绪类别和情绪强度。

在一个实施例中，情绪类别属于第一情绪类型或第二情绪类型；数据更新模块630还用于若情绪类别属于第一情绪类型且情绪强度大于当前的偏好标签的偏好指数，则上调当前的偏好标签的偏好指数，若情绪类别属于第二情绪类型，则根据情绪强度，下调当前的偏好标签的偏好指数。

如图8所示，装置还包括菜单推荐模块650，用于根据推荐菜单生成菜单列表页面、并推送。

上述菜单推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储菜单、偏好标签、偏好指数以及面部图像数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种菜单推荐方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述菜单推荐方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述菜单推荐方法中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述菜单推荐方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (15)

1.一种菜单推荐方法，其特征在于，所述方法包括：

获取对象浏览当前菜单页面的面部图像数据；

对所述面部图像数据进行情绪识别，识别出所述对象的情绪类别和情绪强度；

根据所述情绪类别和所述情绪强度，更新所述当前菜单页面的偏好标签以及所述偏好标签的偏好指数；

当所述对象浏览多个菜单页面后，所述偏好指数的变动之和大于或等于预设变动阈值时，根据更新后的所述偏好标签和所述偏好标签的偏好指数，确定推荐菜单。

2.根据权利要求1所述的菜单推荐方法，其特征在于，根据更新后的所述偏好标签和所述偏好标签的偏好指数，确定推荐菜单包括：

根据更新后的偏好标签搜索预设菜单数据库，获取所述更新后的偏好标签的关联菜单；

根据更新后的偏好标签的偏好指数，确定所述关联菜单的展示数量；

基于所述关联菜单的展示数量，从所述关联菜单中筛选出推荐菜单。

3.根据权利要求2所述的菜单推荐方法，其特征在于，所述根据更新后的偏好标签的偏好指数，确定所述关联菜单的展示数量包括：

根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定关联菜单的数量占比；

根据所述关联菜单的数量占比和更新后的偏好标签的偏好指数，确定所述关联菜单的展示数量，所述偏好指数与所述关联菜单的展示数量呈正相关。

4.根据权利要求2所述的菜单推荐方法，其特征在于，所述基于所述关联菜单的展示数量，从所述关联菜单中筛选出推荐菜单包括：

获取所述关联菜单的访问量；

按照所述访问量对所述关联菜单进行排序，得到各偏好标签对应的关联菜单数据集；

针对每一更新后的偏好标签，对应从所述关联菜单数据集中选取与所述关联菜单的展示数量相等的关联菜单，得到推荐菜单。

5.根据权利要求1至4任意一项所述的菜单推荐方法，其特征在于，所述对所述面部图像数据进行情绪识别，识别出所述对象的情绪类别和情绪强度包括：

对所述面部图像数据进行图像预处理；

提取图像预处理后的面部图像数据的表情特征；

调用已训练的情绪识别模型，对所述表情特征进行情绪识别，识别出所述对象的情绪类别和情绪强度。

6.根据权利要求1至4任意一项所述的菜单推荐方法，其特征在于，所述情绪类别属于第一情绪类型或第二情绪类型；

所述根据所述情绪类别和所述情绪强度，更新所述当前菜单页面的偏好标签以及所述偏好标签的偏好指数包括：

若所述情绪类别属于第一情绪类型且所述情绪强度大于当前的偏好标签的偏好指数，则上调当前的偏好标签的偏好指数；

若所述情绪类别属于第二情绪类型，则根据所述情绪强度，下调当前的偏好标签的偏好指数。

7.一种菜单推荐装置，其特征在于，所述装置包括：

数据获取模块，用于获取对象浏览当前菜单页面的面部图像数据；

情绪识别模块，用于对所述面部图像数据进行情绪识别，识别出所述对象的情绪类别和情绪强度；

数据更新模块，用于根据所述情绪类别和所述情绪强度，更新所述当前菜单页面的偏好标签以及所述偏好标签的偏好指数；

推荐菜单确定模块，用于当所述对象浏览多个菜单页面后，所述偏好指数的变动之和大于或等于预设变动阈值时，根据所述偏好标签和所述偏好指数，确定推荐菜单。

8.根据权利要求7所述的菜单推荐装置，其特征在于，所述推荐菜单确定模块还用于根据更新后的偏好标签搜索预设菜单数据库，获取更新后的偏好标签的关联菜单，根据更新后的偏好标签的偏好指数，确定所述关联菜单的展示数量，基于所述关联菜单的展示数量，从所述关联菜单中筛选出推荐菜单。

9.根据权利要求8所述的菜单推荐装置，其特征在于，所述推荐菜单确定模块还用于根据更新后的偏好标签的偏好指数和预设的菜单展示总数，确定所述关联菜单的数量占比，根据所述关联菜单的数量占比和更新后偏好标签的偏好指数，确定所述关联菜单的展示数量，所述偏好指数与所述关联菜单的展示数量呈正相关。

10.根据权利要求8所述的菜单推荐装置，其特征在于，所述推荐菜单确定模块还用于获取所述关联菜单的访问量，按照所述访问量对所述关联菜单进行排序，得到各偏好标签对应的关联菜单数据集，针对每一更新后的偏好标签，对应从所述关联菜单数据集中选取与所述关联菜单的展示数量相等的关联菜单，得到推荐菜单。

11.根据权利要求7所述的菜单推荐装置，其特征在于，所述情绪识别模块还用于对所述面部图像数据进行图像预处理，提取图像预处理后的面部图像数据的表情特征，调用已训练的情绪识别模型，对所述表情特征进行情绪识别，识别出所述对象的情绪类别和情绪强度。

12.根据权利要求7所述的菜单推荐装置，其特征在于，所述情绪类别属于第一情绪类型或第二情绪类型；

所述数据更新模块还用于若所述情绪类别属于第一情绪类型且所述情绪强度大于当前的偏好标签的偏好指数，则上调当前的偏好标签的偏好指数，若所述情绪类别属于第二情绪类型，则根据所述情绪强度，下调当前的偏好标签的偏好指数。

13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

14.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

15.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images