CN116739836A - 一种基于知识图谱的餐饮数据分析方法及系统 - Google Patents
一种基于知识图谱的餐饮数据分析方法及系统 Download PDFInfo
- Publication number
- CN116739836A CN116739836A CN202310982924.5A CN202310982924A CN116739836A CN 116739836 A CN116739836 A CN 116739836A CN 202310982924 A CN202310982924 A CN 202310982924A CN 116739836 A CN116739836 A CN 116739836A
- Authority
- CN
- China
- Prior art keywords
- data
- catering
- user
- dish
- restaurant
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 62
- 238000013145 classification model Methods 0.000 claims description 18
- 235000013361 beverage Nutrition 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 7
- 238000007418 data mining Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的餐饮数据分析方法及系统。通过获取目标餐饮企业的餐饮大数据;基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示,从而实现餐饮企业的精准化营销分析与广告投放。
Description
技术领域
本发明涉及数据分析领域,更具体的,涉及一种基于知识图谱的餐饮数据分析方法及系统。
背景技术
知识图谱是一种知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
受制于传统技术与餐饮企业信息化手段薄弱,对餐饮企业、店铺中的用户餐饮特征分析较为简单,难以做到高效、准确分析,对店铺中的广告营销、招牌菜品等分析缺少针对用户群体的精准分析,导致餐饮企业难以适应现代化、信息化的发展,造成用户的流失。因此,现在亟需一种基于知识图谱的餐饮数据分析方法。
发明内容
本发明克服了现有技术的缺陷,提出了一种基于知识图谱的餐饮数据分析方法及系统。
本发明第一方面提供了一种基于知识图谱的餐饮数据分析方法,包括:
获取目标餐饮企业的餐饮大数据;
基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;
获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;
基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;
基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。
本方案中,所述获取目标餐饮企业的餐饮大数据,具体为:
所述餐饮大数据包括菜品名称、菜品类别、菜品食材、菜品价格、餐饮店铺类别、菜品制作信息;
所述餐饮大数据为通过目标餐饮企业中多个数据库进行数据整合得到。
本方案中,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,之前包括:
从数据库中获取预设数据量的餐饮数据;
将所述餐饮数据进行语义分析,并提取所述餐饮数据中的实体、属性、关系信息,得到实体数据、属性数据、关系数据;
基于所述实体数据、属性数据、关系数据进行实体链接、分配标识符并基于图结构进行数据转换,得到图模型;
所述图模型中,一共有N个实体节点,每个实体节点对应一个实体信息;
抽取图模型中的实体节点信息与实体节点间的关系信息,并得到图模型结构信息;
基于图模型结构信息进行实体节点特征分析,并生成N个特征判断条件;
构建基于决策树的分类模型;
将所述N个特征判断条件作为分类模型的树节点;
以餐饮数据作为训练数据导入分类模型进行数据训练。
本方案中,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,具体为:
将所述餐饮大数据进行数据清洗、去冗余、标准化预处理;
将所述餐饮大数据导入分类模型进行初步分类,并形成基于实体、属性、关系的初始分类大数据;
将初始分类大数据进行进行语义分析并基于实体、属性、关系进行信息提取形成第二实体数据、第二属性数据、第二关系数据;
基于所述第二实体数据、第二属性数据、第二关系数据构建基于图结构的餐饮知识图谱。
本方案中,所述获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据,具体为:
获取历史用户餐饮数据,所述历史用户餐饮数据包括用户下单菜品、用户下单时间、用户订单数据、用户浏览记录、用户个人数据;
根据所述历史用户餐饮数据,基于菜品、价格、下单时间、生成检索标签;
基于所述检索标签,从餐饮知识图谱中进行实体与关系数据检索,得到用户餐饮关联数据;
根据历史用户餐饮数据与用户餐饮关联数据,进行基于菜品与消费维度的特征分析,得到用户菜品选择特征与用户消费特征;
将所述用户菜品选择特征与用户消费特征进行信息整合得到用户特征数据。
本方案中,所述实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据,具体为:
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据提取出关键视频帧;
基于所述关键视频帧进行人脸图像识别,并得到当前顾客人脸数据;
在当前顾客人脸数据进行数据提取,提取出在一个预设餐饮区域内的顾客人脸数据并标记为第一顾客人脸数据;
基于第一顾客人脸数据进行用户识别,判断是否为会员用户,若是则进行标记,得到实时会员名单;
基于所述实时会员名单获取在预设餐饮区域内会员用户的用户特征数据。
本方案中,所述基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据,具体为:
将所述会员用户的用户特征数据进行特征提取,得到N组特征向量与特征值;
基于所述
基于预设聚类算法,将N组特征向量与特征值进行聚类分析,并得到聚类后的K组特征数据;
基于所述K组特征数据生成K个检索标签,根据K个检索标签从餐饮知识图谱进行数据检索并得到K个菜品推荐信息与K个菜品关联信息;
将一个菜品推荐信息与对应一个菜品关联信息进行数据融合并形成菜品营销数据;
分析所有K个菜品推荐信息与K个菜品关联信息并得到K组菜品营销数据;
将所述K组菜品营销数据作为广告营销菜品数据发送至预设餐饮区域的预设终端设备。
本方案中,所述基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示,具体为:
基于多个预设餐饮区域所对应的多个实时用户名单进行用户特征数据分析,并得到多个预设餐饮区域对应的多个广告营销菜品数据;
将广告营销菜品数据发送至对应的预设餐饮区域的预设终端设备进行动态显示。
本发明第二方面还提供了一种基于知识图谱的餐饮数据分析系统,该系统包括:存储器、处理器,所述存储器中包括基于知识图谱的餐饮数据分析程序,所述基于知识图谱的餐饮数据分析程序被所述处理器执行时实现如下步骤:
获取目标餐饮企业的餐饮大数据;
基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;
获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;
基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;
基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。
本发明公开了一种基于知识图谱的餐饮数据分析方法及系统。通过获取目标餐饮企业的餐饮大数据;基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。从而实现餐饮企业的精准化营销分析与广告投放。
附图说明
图1示出了本发明一种基于知识图谱的餐饮数据分析方法的流程图;
图2示出了本发明餐饮大数据获取流程图;
图3示出了本发明餐饮知识图谱构建流程图;
图4示出了本发明一种基于知识图谱的餐饮数据分析系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于知识图谱的餐饮数据分析方法的流程图。
如图1所示,本发明第一方面提供了一种基于知识图谱的餐饮数据分析方法,包括:
S102,获取目标餐饮企业的餐饮大数据;
S104,基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;
S106,获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;
S108,实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;
S110,基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;
S112,基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。
需要说明的是,所述会员用户中,具体的会员用户设定标准有餐饮企业决定,可以为历史消费用户、可以为店铺注册用户等。
图2示出了本发明餐饮大数据获取流程图。
根据本发明实施例,所述获取目标餐饮企业的餐饮大数据,具体为:
S202,所述餐饮大数据包括菜品名称、菜品类别、菜品食材、菜品价格、餐饮店铺类别、菜品制作信息;
S204,所述餐饮大数据为通过目标餐饮企业中多个数据库进行数据整合得到。
需要说明的是,一般目标餐饮企业通过多个数据库存储餐饮大数据,例如菜品数据、食材数据、店铺相关数据进行分开存储。
根据本发明实施例,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,之前包括:
从数据库中获取预设数据量的餐饮数据;
将所述餐饮数据进行语义分析,并提取所述餐饮数据中的实体、属性、关系信息,得到实体数据、属性数据、关系数据;
基于所述实体数据、属性数据、关系数据进行实体链接、分配标识符并基于图结构进行数据转换,得到图模型;
所述图模型中,一共有N个实体节点,每个实体节点对应一个实体信息;
抽取图模型中的实体节点信息与实体节点间的关系信息,并得到图模型结构信息;
基于图模型结构信息进行实体节点特征分析,并生成N个特征判断条件;
构建基于决策树的分类模型;
将所述N个特征判断条件作为分类模型的树节点;
以餐饮数据作为训练数据导入分类模型进行数据训练。
需要说明的是,所述预设数据量为一个较小的数据量,用于构建简单的知识图谱并进一步提取出核心数据用于构建决策树,由于数据量较少,其对应分析过程较快,能够构建简化的图模型,通过改图模型构建决策树,能够在后续对大数据进行精准、快速地预分类数据,从而实现更高效的数据挖掘,有效提高系统效率。所述N的大小由实体数据决定。所述从数据库中获取预设数据量的餐饮数据一般为从多个数据库获取。
图3示出了本发明餐饮知识图谱构建流程图。
根据本发明实施例,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,具体为:
S302,将所述餐饮大数据进行数据清洗、去冗余、标准化预处理;
S304,将所述餐饮大数据导入分类模型进行初步分类,并形成基于实体、属性、关系的初始分类大数据;
S306,将初始分类大数据进行进行语义分析并基于实体、属性、关系进行信息提取形成第二实体数据、第二属性数据、第二关系数据;
S308,基于所述第二实体数据、第二属性数据、第二关系数据构建基于图结构的餐饮知识图谱。
需要说明的是,所述初始分类大数据为包括分类信息的大数据,相较于餐饮大数据,初始分类大数据中的数据拥有一定的分类形态,即包括多种分类数据,且每种分类数据中包含的数据类别倾向于一致。
在本发明中,通过分类模型,将餐饮大数据进行一定程度的分类,其过程相当于一种相似数据聚类的过程,在大数据分类后,实体、属性、关系数据将会实现初步的聚类,得到的初始分类大数据则具有更好的有序性,从而能够大大提高数据挖掘的效率与精准性。
根据本发明实施例,所述获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据,具体为:
获取历史用户餐饮数据,所述历史用户餐饮数据包括用户下单菜品、用户下单时间、用户订单数据、用户浏览记录、用户个人数据;
根据所述历史用户餐饮数据,基于菜品、价格、下单时间、生成检索标签;
基于所述检索标签,从餐饮知识图谱中进行实体与关系数据检索,得到用户餐饮关联数据;
根据历史用户餐饮数据与用户餐饮关联数据,进行基于菜品与消费维度的特征分析,得到用户菜品选择特征与用户消费特征;
将所述用户菜品选择特征与用户消费特征进行信息整合得到用户特征数据。
需要说明的是,所述用户个人数据一般为餐饮注册会员用户才有的数据,包括用户性别、年龄、菜品喜好等数据。所述基于所述检索标签,从餐饮知识图谱中进行实体与关系数据检索,得到用户餐饮关联数据中,具体关联数据为与用户餐饮数据有关联关系的数据,例如,检索标签中包含菜品实体标签,则对应的关联数据为该菜品实体关联的菜品类别、菜品口味、、菜品配料、菜品制作方法等关联数据。
根据本发明实施例,所述实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据,具体为:
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据提取出关键视频帧;
基于所述关键视频帧进行人脸图像识别,并得到当前顾客人脸数据;
在当前顾客人脸数据进行数据提取,提取出在一个预设餐饮区域内的顾客人脸数据并标记为第一顾客人脸数据;
基于第一顾客人脸数据进行用户识别,判断是否为会员用户,若是则进行标记,得到实时会员名单;
基于所述实时会员名单获取在预设餐饮区域内会员用户的用户特征数据。
需要说明的是,所述目标餐饮店铺区域一般包括多个预设餐饮区域。
根据本发明实施例,所述基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据,具体为:
将所述会员用户的用户特征数据进行特征提取,得到N组特征向量与特征值;
基于所述
基于预设聚类算法,将N组特征向量与特征值进行聚类分析,并得到聚类后的K组特征数据;
基于所述K组特征数据生成K个检索标签,根据K个检索标签从餐饮知识图谱进行数据检索并得到K个菜品推荐信息与K个菜品关联信息;
将一个菜品推荐信息与对应一个菜品关联信息进行数据融合并形成菜品营销数据;
分析所有K个菜品推荐信息与K个菜品关联信息并得到K组菜品营销数据;
将所述K组菜品营销数据作为广告营销菜品数据发送至预设餐饮区域的预设终端设备。
需要说明的是,所述预设聚类算法具体包括DBSCAN、OPTICS等无需事先指定聚类数量的聚类算法,所述聚类算法具有动态生成多个聚类组的特点,能够有效应用于本发明中的。另外,在本实施例中,每个预设餐饮区域均有独立的预设终端设备,所述预设终端设备用于在预设餐饮区域内进行定制化内容展示,以满足顾客个性化需求。所述K组菜品营销数据可以在预设餐饮区域的预设终端设备进行轮流数据展示,以达到满足一定区域内顾客的广告营销数据投放的需求。
值得一提的是,通过用户数据的聚类分析,能够从会员名单中进行精简、高效的营销数据提取,进一步提高广告营销数据的精准化分析。
根据本发明实施例,所述基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示,具体为:
基于多个预设餐饮区域所对应的多个实时用户名单进行用户特征数据分析,并得到多个预设餐饮区域对应的多个广告营销菜品数据;
将广告营销菜品数据发送至对应的预设餐饮区域的预设终端设备进行动态显示。
需要说明的是,由于视频数据为实时数据,因此,所述广告营销菜品数据为动态变更的数据,从而实现营销数据的动态展示。
根据本发明实施例,还包括:
实时获取一个预设餐饮区域中顾客订单数据与广告营销数据;
计算分析出顾客订单数据中对应消费菜品与广告营销数据中菜品的重合度与相似度;
基于所述重合度与相似度进行综合计算分析,得到广告营销转化率;
获取全部预设餐饮区域中广告营销转化率;
根据所述全部预设餐饮区域中广告营销转化率,进行基于区域性的餐饮店铺的营销策略评价,得到餐饮营销综合评价数据。
需要说明的是,通过所述餐饮营销综合评价数据,能够精准与科学地掌握餐饮店铺区域中,各个小区域内的广告营销效率,从而能够对餐饮区域进行及时的营销调整与餐饮资源调整,特别对于大型餐饮店铺,其对应的营销分析作用尤为重要。
图4示出了本发明一种基于知识图谱的餐饮数据分析系统的框图。
本发明第二方面还提供了一种基于知识图谱的餐饮数据分析系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于知识图谱的餐饮数据分析程序,所述基于知识图谱的餐饮数据分析程序被所述处理器执行时实现如下步骤:
获取目标餐饮企业的餐饮大数据;
基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;
获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;
基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;
基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。
需要说明的是,所述会员用户中,具体的会员用户设定标准有餐饮企业决定,可以为历史消费用户、可以为店铺注册用户等。
根据本发明实施例,所述获取目标餐饮企业的餐饮大数据,具体为:
所述餐饮大数据包括菜品名称、菜品类别、菜品食材、菜品价格、餐饮店铺类别、菜品制作信息;
所述餐饮大数据为通过目标餐饮企业中多个数据库进行数据整合得到。
需要说明的是,一般目标餐饮企业通过多个数据库存储餐饮大数据,例如菜品数据、食材数据、店铺相关数据进行分开存储。
根据本发明实施例,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,之前包括:
从数据库中获取预设数据量的餐饮数据;
将所述餐饮数据进行语义分析,并提取所述餐饮数据中的实体、属性、关系信息,得到实体数据、属性数据、关系数据;
基于所述实体数据、属性数据、关系数据进行实体链接、分配标识符并基于图结构进行数据转换,得到图模型;
所述图模型中,一共有N个实体节点,每个实体节点对应一个实体信息;
抽取图模型中的实体节点信息与实体节点间的关系信息,并得到图模型结构信息;
基于图模型结构信息进行实体节点特征分析,并生成N个特征判断条件;
构建基于决策树的分类模型;
将所述N个特征判断条件作为分类模型的树节点;
以餐饮数据作为训练数据导入分类模型进行数据训练。
需要说明的是,所述预设数据量为一个较小的数据量,用于构建简单的知识图谱并进一步提取出核心数据用于构建决策树,由于数据量较少,其对应分析过程较快,能够构建简化的图模型,通过改图模型构建决策树,能够在后续对大数据进行精准、快速地预分类数据,从而实现更高效的数据挖掘,有效提高系统效率。所述N的大小由实体数据决定。所述从数据库中获取预设数据量的餐饮数据一般为从多个数据库获取。
根据本发明实施例,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,具体为:
将所述餐饮大数据进行数据清洗、去冗余、标准化预处理;
将所述餐饮大数据导入分类模型进行初步分类,并形成基于实体、属性、关系的初始分类大数据;
将初始分类大数据进行进行语义分析并基于实体、属性、关系进行信息提取形成第二实体数据、第二属性数据、第二关系数据;
基于所述第二实体数据、第二属性数据、第二关系数据构建基于图结构的餐饮知识图谱。
需要说明的是,所述初始分类大数据为包括分类信息的大数据,相较于餐饮大数据,初始分类大数据中的数据拥有一定的分类形态,即包括多种分类数据,且每种分类数据中包含的数据类别倾向于一致。
在本发明中,通过分类模型,将餐饮大数据进行一定程度的分类,其过程相当于一种相似数据聚类的过程,在大数据分类后,实体、属性、关系数据将会实现初步的聚类,得到的初始分类大数据则具有更好的有序性,从而能够大大提高数据挖掘的效率与精准性。
根据本发明实施例,所述获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据,具体为:
获取历史用户餐饮数据,所述历史用户餐饮数据包括用户下单菜品、用户下单时间、用户订单数据、用户浏览记录、用户个人数据;
根据所述历史用户餐饮数据,基于菜品、价格、下单时间、生成检索标签;
基于所述检索标签,从餐饮知识图谱中进行实体与关系数据检索,得到用户餐饮关联数据;
根据历史用户餐饮数据与用户餐饮关联数据,进行基于菜品与消费维度的特征分析,得到用户菜品选择特征与用户消费特征;
将所述用户菜品选择特征与用户消费特征进行信息整合得到用户特征数据。
需要说明的是,所述用户个人数据一般为餐饮注册会员用户才有的数据,包括用户性别、年龄、菜品喜好等数据。所述基于所述检索标签,从餐饮知识图谱中进行实体与关系数据检索,得到用户餐饮关联数据中,具体关联数据为与用户餐饮数据有关联关系的数据,例如,检索标签中包含菜品实体标签,则对应的关联数据为该菜品实体关联的菜品类别、菜品口味、、菜品配料、菜品制作方法等关联数据。
根据本发明实施例,所述实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据,具体为:
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据提取出关键视频帧;
基于所述关键视频帧进行人脸图像识别,并得到当前顾客人脸数据;
在当前顾客人脸数据进行数据提取,提取出在一个预设餐饮区域内的顾客人脸数据并标记为第一顾客人脸数据;
基于第一顾客人脸数据进行用户识别,判断是否为会员用户,若是则进行标记,得到实时会员名单;
基于所述实时会员名单获取在预设餐饮区域内会员用户的用户特征数据。
需要说明的是,所述目标餐饮店铺区域一般包括多个预设餐饮区域。
根据本发明实施例,所述基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据,具体为:
将所述会员用户的用户特征数据进行特征提取,得到N组特征向量与特征值;
基于所述
基于预设聚类算法,将N组特征向量与特征值进行聚类分析,并得到聚类后的K组特征数据;
基于所述K组特征数据生成K个检索标签,根据K个检索标签从餐饮知识图谱进行数据检索并得到K个菜品推荐信息与K个菜品关联信息;
将一个菜品推荐信息与对应一个菜品关联信息进行数据融合并形成菜品营销数据;
分析所有K个菜品推荐信息与K个菜品关联信息并得到K组菜品营销数据;
将所述K组菜品营销数据作为广告营销菜品数据发送至预设餐饮区域的预设终端设备。
需要说明的是,所述预设聚类算法具体包括DBSCAN、OPTICS等无需事先指定聚类数量的聚类算法,所述聚类算法具有动态生成多个聚类组的特点,能够有效应用于本发明中的。另外,在本实施例中,每个预设餐饮区域均有独立的预设终端设备,所述预设终端设备用于在预设餐饮区域内进行定制化内容展示,以满足顾客个性化需求。所述K组菜品营销数据可以在预设餐饮区域的预设终端设备进行轮流数据展示,以达到满足一定区域内顾客的广告营销数据投放的需求。
值得一提的是,通过用户数据的聚类分析,能够从会员名单中进行精简、高效的营销数据提取,进一步提高广告营销数据的精准化分析。
根据本发明实施例,所述基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示,具体为:
基于多个预设餐饮区域所对应的多个实时用户名单进行用户特征数据分析,并得到多个预设餐饮区域对应的多个广告营销菜品数据;
将广告营销菜品数据发送至对应的预设餐饮区域的预设终端设备进行动态显示。
需要说明的是,由于视频数据为实时数据,因此,所述广告营销菜品数据为动态变更的数据,从而实现营销数据的动态展示。
本发明公开了一种基于知识图谱的餐饮数据分析方法及系统。通过获取目标餐饮企业的餐饮大数据;基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。从而实现餐饮企业的精准化营销分析与广告投放。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于知识图谱的餐饮数据分析方法,其特征在于,包括:
获取目标餐饮企业的餐饮大数据;
基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;
获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;
基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;
基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。
2.根据权利要求1所述的一种基于知识图谱的餐饮数据分析方法,其特征在于,所述获取目标餐饮企业的餐饮大数据,具体为:
所述餐饮大数据包括菜品名称、菜品类别、菜品食材、菜品价格、餐饮店铺类别、菜品制作信息;
所述餐饮大数据为通过目标餐饮企业中多个数据库进行数据整合得到。
3.根据权利要求1所述的一种基于知识图谱的餐饮数据分析方法,其特征在于,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,之前包括:
从数据库中获取预设数据量的餐饮数据;
将所述餐饮数据进行语义分析,并提取所述餐饮数据中的实体、属性、关系信息,得到实体数据、属性数据、关系数据;
基于所述实体数据、属性数据、关系数据进行实体链接、分配标识符并基于图结构进行数据转换,得到图模型;
所述图模型中,一共有N个实体节点,每个实体节点对应一个实体信息;
抽取图模型中的实体节点信息与实体节点间的关系信息,并得到图模型结构信息;
基于图模型结构信息进行实体节点特征分析,并生成N个特征判断条件;
构建基于决策树的分类模型;
将所述N个特征判断条件作为分类模型的树节点;
以餐饮数据作为训练数据导入分类模型进行数据训练。
4.根据权利要求3所述的一种基于知识图谱的餐饮数据分析方法,其特征在于,所述基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱,具体为:
将所述餐饮大数据进行数据清洗、去冗余、标准化预处理;
将所述餐饮大数据导入分类模型进行初步分类,并形成基于实体、属性、关系的初始分类大数据;
将初始分类大数据进行进行语义分析并基于实体、属性、关系进行信息提取形成第二实体数据、第二属性数据、第二关系数据;
基于所述第二实体数据、第二属性数据、第二关系数据构建基于图结构的餐饮知识图谱。
5.根据权利要求1所述的一种基于知识图谱的餐饮数据分析方法,其特征在于,所述获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据,具体为:
获取历史用户餐饮数据,所述历史用户餐饮数据包括用户下单菜品、用户下单时间、用户订单数据、用户浏览记录、用户个人数据;
根据所述历史用户餐饮数据,基于菜品、价格、下单时间、生成检索标签;
基于所述检索标签,从餐饮知识图谱中进行实体与关系数据检索,得到用户餐饮关联数据;
根据历史用户餐饮数据与用户餐饮关联数据,进行基于菜品与消费维度的特征分析,得到用户菜品选择特征与用户消费特征;
将所述用户菜品选择特征与用户消费特征进行信息整合得到用户特征数据。
6.根据权利要求5所述的一种基于知识图谱的餐饮数据分析方法,其特征在于,所述实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据,具体为:
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据提取出关键视频帧;
基于所述关键视频帧进行人脸图像识别,并得到当前顾客人脸数据;
在当前顾客人脸数据进行数据提取,提取出在一个预设餐饮区域内的顾客人脸数据并标记为第一顾客人脸数据;
基于第一顾客人脸数据进行用户识别,判断是否为会员用户,若是则进行标记,得到实时会员名单;
基于所述实时会员名单获取在预设餐饮区域内会员用户的用户特征数据。
7.根据权利要求6所述的一种基于知识图谱的餐饮数据分析方法,其特征在于,所述基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据,具体为:
将所述会员用户的用户特征数据进行特征提取,得到N组特征向量与特征值;
基于所述
基于预设聚类算法,将N组特征向量与特征值进行聚类分析,并得到聚类后的K组特征数据;
基于所述K组特征数据生成K个检索标签,根据K个检索标签从餐饮知识图谱进行数据检索并得到K个菜品推荐信息与K个菜品关联信息;
将一个菜品推荐信息与对应一个菜品关联信息进行数据融合并形成菜品营销数据;
分析所有K个菜品推荐信息与K个菜品关联信息并得到K组菜品营销数据;
将所述K组菜品营销数据作为广告营销菜品数据发送至预设餐饮区域的预设终端设备。
8.根据权利要求7所述的一种基于知识图谱的餐饮数据分析方法,其特征在于,所述基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示,具体为:
基于多个预设餐饮区域所对应的多个实时用户名单进行用户特征数据分析,并得到多个预设餐饮区域对应的多个广告营销菜品数据;
将广告营销菜品数据发送至对应的预设餐饮区域的预设终端设备进行动态显示。
9.一种基于知识图谱的餐饮数据分析系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于知识图谱的餐饮数据分析程序,所述基于知识图谱的餐饮数据分析程序被所述处理器执行时实现如下步骤:
获取目标餐饮企业的餐饮大数据;
基于所述餐饮大数据进行语义分析并基于实体、属性、关系进行信息提取,基于所述信息进行数据建模,形成餐饮知识图谱;
获取历史用户餐饮数据,基于餐饮知识图谱与历史用户餐饮数据,分析出用户特征数据;
实时获取目标餐饮店铺区域的视频数据,基于所述视频数据进行用户识别,并判断是否为会员用户,获取在预设餐饮区域内会员用户的用户特征数据;
基于所述会员用户的用户特征数据进行推荐菜品分析,结合餐饮知识图谱得到广告营销菜品数据;
基于所述广告营销菜品数据,在多个预设餐饮区域内进行动态展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310982924.5A CN116739836B (zh) | 2023-08-07 | 2023-08-07 | 一种基于知识图谱的餐饮数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310982924.5A CN116739836B (zh) | 2023-08-07 | 2023-08-07 | 一种基于知识图谱的餐饮数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739836A true CN116739836A (zh) | 2023-09-12 |
CN116739836B CN116739836B (zh) | 2024-02-09 |
Family
ID=87913674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310982924.5A Active CN116739836B (zh) | 2023-08-07 | 2023-08-07 | 一种基于知识图谱的餐饮数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739836B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235249A (zh) * | 2023-09-26 | 2023-12-15 | 中山大学 | 一种基于知识与数据双驱动的智能创作方法与系统 |
CN118154247A (zh) * | 2024-05-09 | 2024-06-07 | 南京数策信息科技有限公司 | 一种会员全自动营销系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837552A (zh) * | 2019-09-30 | 2020-02-25 | 口口相传(北京)网络技术有限公司 | 一种饮食信息推荐方法以及装置 |
JP2020107255A (ja) * | 2018-12-28 | 2020-07-09 | ソフトシアターサービス株式会社 | 飲食店におけるセルフオーダーシステム |
CN114200851A (zh) * | 2021-11-12 | 2022-03-18 | 珠海大横琴科技发展有限公司 | 一种数据处理方法和装置 |
-
2023
- 2023-08-07 CN CN202310982924.5A patent/CN116739836B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020107255A (ja) * | 2018-12-28 | 2020-07-09 | ソフトシアターサービス株式会社 | 飲食店におけるセルフオーダーシステム |
CN110837552A (zh) * | 2019-09-30 | 2020-02-25 | 口口相传(北京)网络技术有限公司 | 一种饮食信息推荐方法以及装置 |
CN114200851A (zh) * | 2021-11-12 | 2022-03-18 | 珠海大横琴科技发展有限公司 | 一种数据处理方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235249A (zh) * | 2023-09-26 | 2023-12-15 | 中山大学 | 一种基于知识与数据双驱动的智能创作方法与系统 |
CN117235249B (zh) * | 2023-09-26 | 2024-04-26 | 中山大学 | 一种基于知识与数据双驱动的智能创作方法与系统 |
CN118154247A (zh) * | 2024-05-09 | 2024-06-07 | 南京数策信息科技有限公司 | 一种会员全自动营销系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116739836B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876526B (zh) | 商品推荐方法、装置和计算机可读存储介质 | |
CN109658206B (zh) | 信息推荐方法和装置 | |
CN109978630A (zh) | 一种基于大数据建立用户画像的精准营销方法和系统 | |
CN109359244A (zh) | 一种个性化信息推荐方法和装置 | |
WO2019056661A1 (zh) | 一种搜索词推送方法、装置及终端 | |
US9760945B2 (en) | Visually generated consumer product presentation | |
US20130249934A1 (en) | Color-based identification, searching and matching enhancement of supply chain and inventory management systems | |
CN101454771A (zh) | 基于使用多媒体调查特征匹配以划分和标记个体的系统和方法 | |
CN111291191B (zh) | 一种广电知识图谱构建方法及装置 | |
CN116739836B (zh) | 一种基于知识图谱的餐饮数据分析方法及系统 | |
CN110750697B (zh) | 商户分类方法、装置、设备及存储介质 | |
KR102458510B1 (ko) | 실시간 보완 가능한 마케팅 시스템 | |
KR102328881B1 (ko) | 빅데이터 기반의 화장품업체 협업시스템 | |
WO2021129342A1 (zh) | 数据处理方法、装置、设备、存储介质及计算机程序 | |
CN111310032A (zh) | 资源推荐方法、装置、计算机设备及可读存储介质 | |
CN117150138B (zh) | 一种基于高维空间映射的科技资源组织方法及系统 | |
CN111352624A (zh) | 界面展示方法、信息处理方法及装置 | |
US20150142782A1 (en) | Method for associating metadata with images | |
KR20210035685A (ko) | 빅데이터 기반 실시간 개인 맞춤 정보 서비스 시스템 | |
CN111177549A (zh) | 一种适用于出口型跨境贸易的客户推荐方法 | |
CN116308562A (zh) | 线下零售用户智能筛选方法 | |
CN113946753B (zh) | 基于位置围栏的服务推荐方法、装置、设备及存储介质 | |
CN114897571A (zh) | 一种基于私域电商平台中商城货品数据处理方法、系统和存储介质 | |
CN114155057A (zh) | 一种用于电子商务平台的商品推荐系统 | |
CN113505295A (zh) | 一种企业获客推送算法实现方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |