CN116805023A - 一种基于大语言模型的外卖推荐方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于大语言模型的外卖推荐方法，包括：根据每种外卖商品所包含的关键词种类得到属性参数；根据每个用户使用外卖平台每天内搜索的关键词种类得到喜好程度；根据喜好程度得到喜好程度序列；对喜好程度序列进行预测得到若干喜好程度的预测值；根据喜好程度得到喜好程度序列内喜好程度的预测误差；根据喜好程度的预测值与喜好程度的预测误差得到预测补正值；根据预测补正值与属性参数得到喜好预测参数相似度，根据喜好预测参数相似度对用户进行多样化外卖推荐。本发明根据用户不同时期的喜好自适应匹配给用户合适的外卖商品，满足用户的多样性需求，进而有效满足用户需求。

Description

一种基于大语言模型的外卖推荐方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于大语言模型的外卖推荐方法。

背景技术

现阶段，在外卖平台上根据关键词推送外卖信息为现代人提供了便捷的餐饮服务，满足了现代人快节奏生活的需求；而传统的外卖平台在推送外卖信息时利用大语言模型，使用大规模训练数据学习并统计规律和语义信息，根据语义信息提取关键词并对关键词进行匹配以及简单的排序规则，为用户推荐一些相关的外卖信息，导致最终为用户推荐的外卖信息不够个性化以及多样化，从而无法有效满足用户需求。

发明内容

本发明提供一种基于大语言模型的外卖推荐方法，以解决现有的问题。

本发明的一种基于大语言模型的外卖推荐方法采用如下技术方案：

本发明一个实施例提供了一种基于大语言模型的外卖推荐方法，该方法包括以下步骤：

获取用户数据与外卖商品数据，所述用户数据包含每个用户使用外卖平台的使用天数、对应每天内搜索的关键词种类以及对应的次数；所述外卖商品数据包含每种外卖商品所包含的关键词种类以及通过对应关键词购买每种外卖商品的次数；

根据每种外卖商品所包含的关键词种类以及通过对应关键词购买每种外卖商品的次数，得到每种外卖商品的每种关键词的属性参数；根据每个用户使用外卖平台的使用天数、对应每天内搜索的关键词种类以及对应的次数，得到每种关键词的喜好程度；

根据喜好程度得到每个用户对每种关键词的喜好程度序列；对喜好程度序列进行预测得到若干喜好程度的预测值；根据喜好程度及喜好程度的预测值得到喜好程度序列内每个喜好程度的预测误差；根据喜好程度的预测值与喜好程度的预测误差得到喜好程度序列内每个喜好程度预测补正值；

根据喜好程度的预测补正值与关键词的属性参数得到用户与外卖商品的喜好预测参数相似度，根据喜好预测参数相似度对用户进行多样化外卖推荐。

优选的，所述根据每种外卖商品所包含的关键词种类以及通过对应关键词购买每种外卖商品的次数，得到每种外卖商品的每种关键词的属性参数，包括的具体方法为：

将任意一种外卖商品包含的任意一种关键词记为参考关键词，式中，表示外卖商品所含参考关键词的属性参数；/>表示通过搜索外卖商品的参考关键词并购买外卖商品的次数；/>表示通过外卖商品的第/>种关键词并购买外卖商品的次数；/>表示外卖商品所包含的关键词种类数量。

优选的，所述根据每个用户使用外卖平台的使用天数、对应每天内搜索的关键词种类以及对应的次数，得到每种关键词的喜好程度，包括的具体方法为：

对于任意一个用户，式中，表示用户使用外卖平台的第/>天时，搜索第/>种关键词的喜好程度；/>表示用户使用外卖平台的第/>天；/>表示用户使用外卖平台的第/>天时，搜索第/>种关键词的次数；/>表示用户使用外卖平台的第/>天时，搜索第/>种关键词的次数；表示用户使用外卖平台的第/>天时，搜索关键词的种类数量。

优选的，所述根据喜好程度得到每个用户对每种关键词的喜好程度序列，包括的具体方法为：

将任意一个用户使用外卖平台的任意一天内搜索的任意一种关键词记为目标关键词，在用户使用外卖平台的所有天数内，对目标关键词的喜好程度按照对应天数的获取时间从早到晚的顺序进行排序，将排序后所构成的序列记为用户对目标关键词的喜好程度序列；

获取每个用户对每种关键词的喜好程度序列。

优选的，所述对喜好程度序列进行预测得到若干喜好程度的预测值，包括的具体方法为：

预设一个窗口长度；将喜好程度序列中前窗口长度个数的喜好程度所构成的数据段记为第一个窗口，根据步长沿序号增大方向进行滑动，每滑动一次进行一次窗口内最后一个喜好程度预测值的计算，并将该窗口记为该窗口内最后一个喜好程度的窗口，滑动完毕后得到若干喜好程度的预测值；

将任意一个用户对任意一种关键词的喜好程度序列中任意一个喜好程度记为目标喜好程度，式中，表示目标喜好程度的预测值；/>表示窗口长度；/>表示目标喜好程度的窗口内第/>个喜好程度的数值。

优选的，所述根据喜好程度及喜好程度的预测值得到喜好程度序列内每个喜好程度的预测误差，包括的具体方法为：

将任意一个用户对任意一种关键词的喜好程度序列中任意一个喜好程度记为目标喜好程度，式中，表示目标喜好程度的预测误差；/>表示窗口长度；/>表示目标喜好程度对应用户的使用天数；/>表示在第/>个喜好程度的窗口内，喜好程度为0的数量；/>表示目标喜好程度的数值；/>表示目标喜好程度的预测值。

优选的，所述根据喜好程度的预测值与喜好程度的预测误差得到喜好程度序列内每个喜好程度预测补正值，包括的具体方法为：

对于任意一个用户对任意一种关键词的喜好程度序列中任意一个喜好程度，将喜好程度的预测值与预测误差相加的和值记为喜好程度的预测补正值。

优选的，所述根据喜好程度的预测补正值与关键词的属性参数得到用户与外卖商品的喜好预测参数相似度，包括的具体方法为：

对于任意一个用户以及任意一种外卖商品，获取用户与外卖商品的共有关键词交集，获取用户与外卖商品的关键词并集；

式中，表示用户与外卖商品的喜好预测参数相似度；/>表示用户与外卖商品的共有关键词交集内包含关键词的种类数量；/>表示用户与外卖商品的关键词并集内包含关键词的种类数量；/>表示在用户与外卖商品的共有关键词交集内，第/>种关键词的属性参数；表示在用户与外卖商品的共有关键词交集内，第/>种关键词的喜好程度的预测补正值。

优选的，所述获取用户与外卖商品的共有关键词交集，获取用户与外卖商品的关键词并集，包括的具体方法为：

对于任意一个用户以及任意一种外卖商品，获取用户搜索的所有关键词种类，将用户搜索的所有关键词种类构成的集合记为用户关键词集合；获取外卖商品包含的所有关键词种类，将外卖商品包含的所有关键词种类构成的集合记为商品关键词集合；将用户关键词集合与商品关键词集合的交集记为用户与外卖商品的共有关键词交集；将用户关键词集合与商品关键词集合的并集记为用户与外卖商品的关键词并集。

优选的，所述根据喜好预测参数相似对用户进行个性化外卖推荐，包括的具体方法为：

将每个用户与每一种外卖商品的喜好预测参数相似度按照从大到小的顺序进行排列，依次将对应的外卖商品推荐给每个用户。

本发明的技术方案的有益效果是：根据所有用户搜索的关键词以及关键词对应外卖商品的频率可以更准确地获取不同外卖商品的外卖商品属性，根据用户搜索关键词的次数和时间分布可以得到更准确的用户期望，利用不同时期用户的用户期望预测当下用户期望并匹配合适的商品可以满足用户的多样性需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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为本发明的一种基于大语言模型的外卖推荐方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大语言模型的外卖推荐方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于大语言模型的外卖推荐方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于大语言模型的外卖推荐方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取用户数据与外卖商品数据。

需要说明的是，传统的外卖平台在推送外卖信息时，往往仅根据关键词匹配以及简单的排序规则，为用户推荐一些相关的外卖信息，导致最终为用户推荐的外卖信息不够个性化以及多样化，从而无法有效满足用户需求；基于此，本实施例提出了一种基于大语言模型的外卖推荐方法，根据用户搜索关键词时对应外卖商品的频次获得外卖商品属性，结合用户搜索不同关键词的时间和频率预测用户当下的喜好；根据用户喜好匹配外卖商品属性为用户推荐合适的外卖商品，从而满足用户的个性化需求，根据用户不同时期的喜好自适应匹配给用户合适的外卖商品，满足用户的多样性需求，进而有效满足用户需求。

具体的，为了实现本实施例提出的一种基于大语言模型的外卖推荐方法，首先需要采集用户数据与外卖商品数据，具体过程为：在外卖平台的数据库中，获取若干用户的用户数据：每个用户使用外卖平台的使用天数、对应每天内搜索的关键词种类以及次数；获取若干外卖商品数据：每种外卖商品所包含的关键词种类、以及通过对应关键词购买每种外卖商品的次数；其中每个用户对应若干用户数据；每种外卖商品对应若干外卖商品数据。

至此，通过上述方法得到若干用户数据与外卖商品数据。

步骤S002：根据外卖商品数据的关键词得到关键词的属性参数；根据用户数据的关键词得到关键词的喜好程度。

需要说明的是，由于现有的外卖推荐仅是根据简单的关键词对外卖信息进行筛选，然后根据销量与价格等相关数据进行排序形成推荐单，从而将推荐单展示给用户以供用户选择，然而用户的喜好并不是一成不变；为此，本实施例根据外卖商品被不同种关键词搜索并购买的次数，确定外卖商品种类，对于任意一种关键词而言，若该关键词被用户搜索且确定购买对应同一外卖商品的次数越多，说明该外卖商品越具有该关键词的特性；若该关键词被用户搜索且确定购买对应同一外卖商品的次数越少，说明该外卖商品越不具有该关键词的特性；然后根据用户搜索关键词的种类与频率集合时间，实时预测用户的喜好；并根据用户实时的喜好与不同外卖商品属性进行对比，得到对应的相似度；对于任意一种外卖商品而言，若该外卖商品的属性与用户实时的喜好相似度越高，说明该外卖商品越满足用户实时的喜好需求。

进一步需要说明的是，对于任意一种外卖商品的任意一种关键词而言，若用户通过搜索该关键词并购买该外卖商品的次数越多，说明该外卖商品越符合该关键词的描述；若用户通过搜索该关键词并购买该外卖商品的次数越小，说明该外卖商品越不符合该关键词的描述；通过对比所有用户搜索该外卖商品关键词并购买该外卖商品的次数，可以得到该外卖商品所含的不同关键词对其描述的准确性，即该外卖商品所含不同关键词的属性参数。

具体的，以任意一种外卖商品为例，获取该外卖商品所包含的关键词种类，获取用户搜索对应不同关键词种类并购买该外卖商品的次数；根据关键词种类与对应购买该外卖商品的次数，得到该外卖商品的不同关键词的属性参数；以该外卖商品所包含的任意一种关键词为例，该关键词的属性参数的获取方法为：

式中，表示该外卖商品所含该种关键词的属性参数；/>表示通过搜索该外卖商品的该种关键词并购买该外卖商品的次数；/>表示通过该外卖商品的第/>种关键词并购买该外卖商品的次数；/>表示该外卖商品所包含的关键词种类数量。获取该外卖商品所有关键词的属性参数，获取所有外卖商品所有关键词的属性参数。

进一步的，以任意一个用户使用外卖平台的第天第/>种关键词为例，根据该用户使用外卖平台的第/>天时，所搜索的关键词种类数量以及对应的次数，得到该用户使用外卖平台的第/>天时，搜索第/>种关键词的喜好程度；其中该用户使用外卖平台的第/>天时，搜索第/>种关键词的喜好程度的计算方法为：

式中，表示该用户使用外卖平台的第/>天时，搜索第/>种关键词的喜好程度；/>表示该用户使用外卖平台的第/>天，/>；/>表示该用户使用外卖平台的第/>天时，搜索第/>种关键词的次数；/>表示该用户使用外卖平台的第/>天时，搜索第/>种关键词的次数；/>表示该用户使用外卖平台的第/>天时，搜索关键词的种类数量；获取该用户使用外卖平台的第天时，搜索所有关键词的喜好程度；通过截止该天该用户搜索该关键词的次数和在所有关键词的次数和的占比，占比越大，对于该关键词的喜好程度就越大；获取该用户使用外卖平台的每一天，搜索所有关键词的喜好程度；获取所有用户使用外卖平台的每一天，搜索所有关键词的喜好程度。

至此，通过上述方法得到所有用户使用外卖平台的每一天，搜索所有关键词的喜好程度。

步骤S003：对喜好程度进行预测得到若干喜好程度的预测值；根据喜好程度得到喜好程度的预测误差；根据预测值与预测误差得到喜好程度的预测补正值。

需要说明的是，由于不同用户的喜好会随着时间推移，发生一定程度的改变，即在不同时段内每个用户搜索关键词的种类和次数是不同的，无法利用移动平均法直接对用户数据进行预测；而对于用户使用外卖平台的任意一天内搜索的任意一种关键词而言，本实施例可以利用移动平均法对该种关键词的喜好程度进行预测。

进一步需要说明的是，在进行喜好程度的预测时，若窗口内存在0值，会对预测值产生较大的误差；为此，本实施例根据窗口内0值的数量占比以及窗口内喜好程度的差异对预测值机械能加权补正，避免0值对预测值产生较大影响。

具体的，以任意一个用户使用外卖平台的任意一天内搜索的任意一种关键词为例，在该用户使用外卖平台的所有天数内，对该种关键词的喜好程度按照对应天数的获取时间从早到晚的顺序进行排序，将排序后所构成的序列记为该用户对该种关键词的喜好程度序列。

进一步的，预设一个窗口长度T1，其中本实施例以T1=7为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定；将喜好程度序列中前T1个喜好程度所构成的数据段记为第一个窗口，步长为1，沿序号增大方向进行滑动，每滑动一次进行一次窗口内最后一个喜好程度预测值的计算，并且将该窗口记为该窗口内最后一个喜好程度的窗口，滑动完毕后得到若干喜好程度的预测值；其中该关键词的喜好程度序列中，前T1-1个喜好程度对应的预测值与对应的喜好程度数值一致；以该用户对该关键词的喜好程度序列中任意一个喜好程度为例，该喜好程度的预测值的计算方法为：

式中，表示该喜好程度的预测值；/>表示窗口长度，是超参数；/>表示该喜好程度的窗口内第/>个喜好程度的数值。获取该关键词的喜好程度序列中所有喜好程度的预测值。

进一步的，以该用户对该关键词的喜好程度序列中任意一个喜好程度为例，对该喜好程度进行预测值补正得到该喜好程度的预测补正值；其中该喜好程度的预测补正值的计算方法为：

式中，表示该喜好程度的预测误差；/>表示窗口长度，是超参数；/>表示该喜好程度对应用户的使用天数；/>表示在第/>个喜好程度的窗口内，喜好程度为0的数量；/>表示该喜好程度的数值；/>表示该喜好程度的预测值；/>用于表示权重；通过消除喜好程度为0的值对于预测值的影响，得到预测补正值，需要说明的是，喜好程度序列中前T1-1个喜好程度由于没有相应的进行预测的窗口，窗口内喜好程度为0的数量设置为0；获取该用户对该关键词的喜好程度序列中所有喜好程度的预测误差。

进一步的，以该用户对该关键词的喜好程度序列中任意一个喜好程度为例，将该喜好程度的预测值与预测误差相加的和值记为该喜好程度的预测补正值；获取该用户对该关键词的喜好程度序列中所有喜好程度的预测补正值；获取每个用户对每种关键词的喜好程度序列，及所有喜好程度序列中每个喜好程度的预测补正值。

至此，通过上述方法得到获取每个用户对每种关键词的喜好程度序列，以及所有喜好程度序列中每个喜好程度的预测补正值。

步骤S004：根据喜好程度的预测补正值与关键词的属性参数得到用户与外卖商品的喜好预测参数相似度，根据喜好预测参数相似度对用户进行多样化外卖推荐。

具体的，以任意一个用户以及任意一种外卖商品为例，获取该用户搜索的所有关键词种类，将该用户搜索的所有关键词种类构成的集合记为用户关键词集合；获取该外卖商品包含的所有关键词种类，将该外卖商品包含的所有关键词种类构成的集合记为商品关键词集合；将用户关键词集合与商品关键词集合的交集记为该用户与该外卖商品的共有关键词交集；将用户关键词集合与商品关键词集合的并集记为该用户与该外卖商品的关键词并集；根据共有关键词交集得到该用户与该外卖商品的喜好预测参数相似度；其中该用户与该外卖商品的喜好预测参数相似度的计算方法为：

式中，表示该用户与该外卖商品的喜好预测参数相似度；/>表示该用户与该外卖商品的共有关键词交集内包含关键词的种类数量；/>表示该用户与该外卖商品的关键词并集内包含关键词的种类数量；/>表示在该用户与该外卖商品的共有关键词交集内，第/>种关键词的属性参数；/>表示在该用户与该外卖商品的共有关键词交集内，第/>种关键词的喜好程度的预测补正值。获取该用户与每一种外卖商品的喜好预测参数相似度；获取所有用户与每一种外卖商品的喜好预测参数相似度。

进一步的，将每个用户与每一种外卖商品的喜好预测参数相似度按照从大到小的顺序进行排列，并依次将对应的外卖商品推荐给每个用户，并且根据每个用户搜索的关键词每天更新推荐的外卖商品。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大语言模型的外卖推荐方法，其特征在于，该方法包括以下步骤：

获取用户数据与外卖商品数据，所述用户数据包含每个用户使用外卖平台的使用天数、对应每天内搜索的关键词种类以及对应的次数；所述外卖商品数据包含每种外卖商品所包含的关键词种类以及通过对应关键词购买每种外卖商品的次数；

根据每种外卖商品所包含的关键词种类以及通过对应关键词购买每种外卖商品的次数，得到每种外卖商品的每种关键词的属性参数；根据每个用户使用外卖平台的使用天数、对应每天内搜索的关键词种类以及对应的次数，得到每种关键词的喜好程度；

根据喜好程度得到每个用户对每种关键词的喜好程度序列；对喜好程度序列进行预测得到若干喜好程度的预测值；根据喜好程度及喜好程度的预测值得到喜好程度序列内每个喜好程度的预测误差；根据喜好程度的预测值与喜好程度的预测误差得到喜好程度序列内每个喜好程度预测补正值；

根据喜好程度的预测补正值与关键词的属性参数得到用户与外卖商品的喜好预测参数相似度，根据喜好预测参数相似度对用户进行多样化外卖推荐。

2.根据权利要求1所述一种基于大语言模型的外卖推荐方法，其特征在于，所述根据每种外卖商品所包含的关键词种类以及通过对应关键词购买每种外卖商品的次数，得到每种外卖商品的每种关键词的属性参数，包括的具体方法为：

将任意一种外卖商品包含的任意一种关键词记为参考关键词，式中，表示外卖商品所含参考关键词的属性参数；/>表示通过搜索外卖商品的参考关键词并购买外卖商品的次数；/>表示通过外卖商品的第/>种关键词并购买外卖商品的次数；/>表示外卖商品所包含的关键词种类数量。

3.根据权利要求1所述一种基于大语言模型的外卖推荐方法，其特征在于，所述根据每个用户使用外卖平台的使用天数、对应每天内搜索的关键词种类以及对应的次数，得到每种关键词的喜好程度，包括的具体方法为：

对于任意一个用户，式中，表示用户使用外卖平台的第/>天时，搜索第/>种关键词的喜好程度；/>表示用户使用外卖平台的第/>天；/>表示用户使用外卖平台的第/>天时，搜索第/>种关键词的次数；/>表示用户使用外卖平台的第/>天时，搜索第/>种关键词的次数；/>表示用户使用外卖平台的第/>天时，搜索关键词的种类数量。

4.根据权利要求1所述一种基于大语言模型的外卖推荐方法，其特征在于，所述根据喜好程度得到每个用户对每种关键词的喜好程度序列，包括的具体方法为：

将任意一个用户使用外卖平台的任意一天内搜索的任意一种关键词记为目标关键词，在用户使用外卖平台的所有天数内，对目标关键词的喜好程度按照对应天数的获取时间从早到晚的顺序进行排序，将排序后所构成的序列记为用户对目标关键词的喜好程度序列；

获取每个用户对每种关键词的喜好程度序列。

5.根据权利要求1所述一种基于大语言模型的外卖推荐方法，其特征在于，所述对喜好程度序列进行预测得到若干喜好程度的预测值，包括的具体方法为：

预设一个窗口长度；将喜好程度序列中前窗口长度个数的喜好程度所构成的数据段记为第一个窗口，根据步长沿序号增大方向进行滑动，每滑动一次进行一次窗口内最后一个喜好程度预测值的计算，并将该窗口记为该窗口内最后一个喜好程度的窗口，滑动完毕后得到若干喜好程度的预测值；

将任意一个用户对任意一种关键词的喜好程度序列中任意一个喜好程度记为目标喜好程度，式中，表示目标喜好程度的预测值；/>表示窗口长度；/>表示目标喜好程度的窗口内第/>个喜好程度的数值。

6.根据权利要求5所述一种基于大语言模型的外卖推荐方法，其特征在于，所述根据喜好程度及喜好程度的预测值得到喜好程度序列内每个喜好程度的预测误差，包括的具体方法为：

将任意一个用户对任意一种关键词的喜好程度序列中任意一个喜好程度记为目标喜好程度，式中，表示目标喜好程度的预测误差；/>表示窗口长度；/>表示目标喜好程度对应用户的使用天数；/>表示在第/>个喜好程度的窗口内，喜好程度为0的数量；/>表示目标喜好程度的数值；/>表示目标喜好程度的预测值。

7.根据权利要求1所述一种基于大语言模型的外卖推荐方法，其特征在于，所述根据喜好程度的预测值与喜好程度的预测误差得到喜好程度序列内每个喜好程度预测补正值，包括的具体方法为：

对于任意一个用户对任意一种关键词的喜好程度序列中任意一个喜好程度，将喜好程度的预测值与预测误差相加的和值记为喜好程度的预测补正值。

8.根据权利要求1所述一种基于大语言模型的外卖推荐方法，其特征在于，所述根据喜好程度的预测补正值与关键词的属性参数得到用户与外卖商品的喜好预测参数相似度，包括的具体方法为：

对于任意一个用户以及任意一种外卖商品，获取用户与外卖商品的共有关键词交集，获取用户与外卖商品的关键词并集；

式中，表示用户与外卖商品的喜好预测参数相似度；/>表示用户与外卖商品的共有关键词交集内包含关键词的种类数量；/>表示用户与外卖商品的关键词并集内包含关键词的种类数量；/>表示在用户与外卖商品的共有关键词交集内，第/>种关键词的属性参数；/>表示在用户与外卖商品的共有关键词交集内，第/>种关键词的喜好程度的预测补正值。

9.根据权利要求8所述一种基于大语言模型的外卖推荐方法，其特征在于，所述获取用户与外卖商品的共有关键词交集，获取用户与外卖商品的关键词并集，包括的具体方法为：

对于任意一个用户以及任意一种外卖商品，获取用户搜索的所有关键词种类，将用户搜索的所有关键词种类构成的集合记为用户关键词集合；获取外卖商品包含的所有关键词种类，将外卖商品包含的所有关键词种类构成的集合记为商品关键词集合；将用户关键词集合与商品关键词集合的交集记为用户与外卖商品的共有关键词交集；将用户关键词集合与商品关键词集合的并集记为用户与外卖商品的关键词并集。

10.根据权利要求1所述一种基于大语言模型的外卖推荐方法，其特征在于，所述根据喜好预测参数相似对用户进行个性化外卖推荐，包括的具体方法为：

将每个用户与每一种外卖商品的喜好预测参数相似度按照从大到小的顺序进行排列，依次将对应的外卖商品推荐给每个用户。