CN117273869B - 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 - Google Patents

一种基于用户数据的农产品智能推送方法、系统、装置以及介质 Download PDF

Info

Publication number
CN117273869B
CN117273869B CN202311553820.9A CN202311553820A CN117273869B CN 117273869 B CN117273869 B CN 117273869B CN 202311553820 A CN202311553820 A CN 202311553820A CN 117273869 B CN117273869 B CN 117273869B
Authority
CN
China
Prior art keywords
agricultural product
agricultural
user
agricultural products
information
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.)
Active
Application number
CN202311553820.9A
Other languages
English (en)
Other versions
CN117273869A (zh
Inventor
鲍绍武
辜丽川
范生万
胡贵恒
陈翠红
王佳佳
童乐
曹旭
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.)
Anhui Business Vocational College
Anhui Agricultural University AHAU
Original Assignee
Anhui Business Vocational College
Anhui Agricultural University AHAU
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 Anhui Business Vocational College, Anhui Agricultural University AHAU filed Critical Anhui Business Vocational College
Priority to CN202311553820.9A priority Critical patent/CN117273869B/zh
Publication of CN117273869A publication Critical patent/CN117273869A/zh
Application granted granted Critical
Publication of CN117273869B publication Critical patent/CN117273869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/535—Filtering based on additional data, e.g. user or group profiles
    • 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]
    • G06Q30/0641—Shopping interfaces
    • G06Q30/0643—Graphical representation of items or shoppers

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种基于用户数据的农产品智能推送方法、系统、装置以及介质，该方法包括获取用户数据，用户包括线上用户、线下用户中的至少一种；基于用户数据，确定用户的农产品偏好特征；获取多种农产品的图像数据序列；基于图像数据序列，确定多种农产品的预估时效信息；以及基于多种农产品的预估时效信息与用户的农产品偏好特征，确定农产品推荐内容，以便于交互设备向用户显示农产品推荐内容，农产品推荐内容包括待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的至少一种。

Description

一种基于用户数据的农产品智能推送方法、系统、装置以及 介质
技术领域
本说明书涉及智能推送技术领域，特别涉及一种基于用户数据的农产品智能推送方法、系统、装置以及介质。
背景技术
日常生活中，为了满足饮食需求，人们对农产品的需求日益增加。在过去几十年，消费者大多只能从菜市场选购农产品，而随着智能电子设备的普及，消费者在线下挑选农产品的同时，也会在线上挑选喜欢的农产品。对于线上场景或是线下场景，往往都需要向用户推送农产品信息，以便于用户了解农产品品质以提高农产品销量。
针对农产品信息推送，CN108848135B提出一种农产品信息推送方法，该申请响应于用户对指定农产品的访问请求，将对应农产品的感官品质信息推送给用户，便于用户了解农产品的品质。但这种推荐方式在用户发出请求后才给出推荐，灵活性较差，且推荐效果比较依赖于用户特征或用户请求信息。此外，基于这种推送方式所推荐的农产品信息也不够丰富。
因此，希望可以提供一种基于用户数据的农产品智能推送方法、系统、装置以及介质，以主动、灵活地为用户提供丰富且精准的农产品推荐内容。
发明内容
本说明书一个或多个实施例提供一种基于用户数据的农产品智能推送方法，所述方法包括：获取用户数据，所述用户包括线上用户、线下用户中的至少一种；基于所述用户数据，确定所述用户的农产品偏好特征；获取多种农产品的图像数据序列；基于所述图像数据序列，确定所述多种农产品的预估时效信息；以及基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定农产品推荐内容，以便于交互设备向所述用户显示所述农产品推荐内容，所述农产品推荐内容包括待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的至少一种。
本说明书一个或多个实施例提供一种基于用户数据的农产品智能推送系统，所述系统包括：用户数据获取模块，被配置为获取用户数据，所述用户包括线上用户、线下用户中的至少一种；偏好特征确定模块，被配置为基于所述用户数据，确定所述用户的农产品偏好特征；图像数据获取模块，被配置为获取多种农产品的图像数据序列；时效信息预估模块，被配置为基于所述图像数据序列，确定所述多种农产品的预估时效信息；以及推荐内容确定模块，被配置为基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定农产品推荐内容，以便于交互设备向所述用户显示所述农产品推荐内容，所述农产品推荐内容包括待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的至少一种。
本说明书一个或多个实施例提供一种基于用户数据的农产品智能推送装置，所述装置包括至少一个存储器和至少一个处理器；所述至少一个存储器被配置为存储计算机指令；所述至少一个处理器被配置为执行所述计算机指令中的部分指令，以实现如前述的农产品智能推送方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如前述的农产品智能推送方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的农产品智能推送系统的示例性模块图；
图2是根据本说明书一些实施例所示的农产品智能推送方法的示例性流程图；
图3是根据本说明书一些实施例所示的确定预估时效信息的示例性示意图；
图4是根据本说明书一些实施例所示的时效模型的示例性示意图；
图5是根据本说明书一些实施例所示的确定农产品推荐内容的示例性示意图；
图6是根据本说明书一些实施例所示的确定农产品匹配度的示例性示意图。
具体实施方式
下面将对实施例描述中所需要使用的附图作简单的介绍。附图并不代表全部的实施方式。
本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
图1是根据本说明书一些实施例所示的农产品智能推送系统的示例性模块图。在一些实施例中，农产品智能推送系统100可以包括用户数据获取模块110、偏好特征确定模块120、图像数据获取模块130、时效信息预估模块140、推荐内容确定模块150。
用户数据获取模块110是指用于获取用户数据的模块。其中，用户数据包括线上用户或线下用户中的至少一种。
偏好特征确定模块120是指用于确定用户的农产品偏好特征的模块。在一些实施例中，偏好特征确定模块120可以用于基于用户数据，确定用户的农产品偏好特征。
图像数据获取模块130是指用于获取多种农产品的图像数据，进而以获取多种农产品的图像数据序列的模块。
时效信息预估模块140是指用于确定多种农产品的预估时效信息的模块。在一些实施例中，时效信息预估模块140可以用于基于图像数据序列，确定多种农产品的预估时效信息。
在一些实施例中，时效信息预估模块140还可以进一步用于：基于图像数据序列、多种农产品的农产品信息以及农产品采摘时间，通过时效模型确定农产品时效曲线；以及基于农产品时效曲线，确定多种农产品的预估时效信息。其中，时效模型为机器学习模型。
推荐内容确定模块150是指用于确定农产品推荐内容的模块。在一些实施例中，推荐内容确定模块150可以用于基于多种农产品的预估时效信息与用户的农产品偏好特征，确定农产品推荐内容。
在一些实施例中，推荐内容确定模块150还可以进一步用于：基于多种农产品的预估时效信息与用户的农产品偏好特征，确定多种农产品中的每一种与用户的农产品匹配度；以及基于农产品匹配度，确定农产品推荐内容。
在一些实施例中，推荐内容确定模块150还可以进一步用于：获取用户的选购进程数据，选购进程数据至少包括用户的已选择农产品数据；以及基于选购进程数据、多种农产品的预估时效信息以及用户的农产品偏好特征，通过匹配模型确定多种农产品中的每一种与用户的农产品匹配度，匹配模型为机器学习模型，农产品匹配度基于选购进程数据的变化进行动态更新。
关于用户数据获取模块110、偏好特征确定模块120、图像数据获取模块130、时效信息预估模块140以及推荐内容确定模块150的更多内容，可以参见后文中图2-图6及其相关描述。
需要注意的是，以上对于农产品智能推送系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。
图2是根据本说明书一些实施例所示的农产品智能推送方法的示例性流程图。在一些实施例中，流程200可以包括步骤210至步骤250。在一些实施例中，流程200可以由农产品智能推送系统执行。
步骤210，获取用户数据。
用户数据是指与用户个人特征相关的数据。例如，用户数据可以包括用户性别、年龄阶段等。其中，用户可以包括线上用户、线下用户中的至少一种。可以理解地，用户可以仅是线下用户，也可以仅是线上用户，又或是线上用户和线上用户。
在一些实施例中，用户数据获取模块可以基于不同的用户类型，通过采用不同的方式来获取用户数据。例如，用户数据获取模块可以包括用户识别装置（如摄像头等），通过用户识别装置来获取线下用户的用户数据。又例如，用户数据获取模块可以通过从数据库中读取用户的注册信息来获取线上用户的用户数据。在一些实施例中，用户数据获取模块还可以通过其他方式获取用户数据。例如，用户数据获取模块可以基于交互设备，通过用户手动输入获取等。
步骤220，基于用户数据，确定用户的农产品偏好特征。
用户的农产品偏好特征是指用户对于农产品的个人偏好情况。例如，用户的农产品偏好特征可以包括用户对农产品的种类偏好情况、口味偏好情况、价格偏好情况、数量偏好情况、品质偏好情况等。
在一些实施例中，基于用户数据，偏好特征确定模块可以通过多种方式获取用户的农产品偏好特征。对于线上用户，偏好特征确定模块可以通过对用户的购买记录进行统计来确定其农产品偏好特征。例如，偏好特征确定模块可以将购买记录统计结果中出现次数最多的农产品的种类、口味、价格区间或数量区间等确定为该线上用户的农产品偏好特征。对于线下用户，偏好特征确定模块可以通过向量匹配的方式来获取其农产品偏好特征。例如，数据库可以包括多个参考向量，多个参考向量中的每个参考向量存在对应的用户的购买记录。其中，参考向量基于历史用户数据构建。偏好特征确定模块基于当前用户数据构建待匹配向量，并分别计算参考向量与待匹配向量之间的距离，将与待匹配向量之间的距离满足预设距离条件的参考向量确定为目标向量，以及将目标向量对应的用户的购买记录确定为待匹配向量对应的用户的购买记录，然后通过对待匹配向量对应的用户的购买记录进行统计来确定线下用户的农产品偏好特征。预设距离条件可以基于实际情况设定。例如，预设距离条件可以是向量距离小于距离阈值等。
步骤230，获取多种农产品的图像数据序列。
图像数据序列是指将农产品的图像数据基于时间顺序排列所形成的序列。在一些实施例中，图像数据序列可以包括农产品采摘时的图像、农产品运输到库时的图像、农产品分拣时的图像以及农产品上架后不同时刻拍摄的图像中的至少一种。可以理解地，多种农产品中的每种农产品的图像数据序列是不同的，即每种农产品存在对应的图像数据序列。
在一些实施例中，图像数据获取模块可以包括图像采集装置（如照相机、摄像机等），通过图像采集装置来获取历史时间点和当前时间点的多种农产品的图像数据，并对多种农产品中的每一种的图像数据按时间顺序进行排列，进而得到多种农产品的图像数据序列。在一些实施例中，图像采集装置可以基于第一预设时间间隔来获取历史时间点和当前时间点的多种农产品的图像数据。第一预设时间间隔可以基于实际情况进行设定。例如，第一预设时间间隔为2小时、6小时等。
可以理解地，基于多种农产品的图像数据序列，通过对多种农产品在多个时间点的图像数据进行分析、判断，可以在一定程度上确定农产品的品质变化情况，如农产品是否损坏、农产品是否脱水等。
步骤240，基于图像数据序列，确定多种农产品的预估时效信息。
预估时效信息可以反映农产品在至少一个未来时间点的品质信息。未来时间点可以是经验值、设定值等。
在一些实施例中，预估时效信息可以包括新鲜度、口感以及最佳食用期中的一种或多种。其中，新鲜度可以基于百分比进行表示，如80%、95%等；口感可以基于分数进行表示，如85、90等。最佳食用期是具体的日期，表示在此日期前，农产品的新鲜度及口感等品质最佳。例如，最佳食用期可以是10月1日、10月19日等。需要说明的是，新鲜度、口感也可以基于其他任意可行的形式进行表示。例如，新鲜度可以基于等级或分数进行表示等。在一些实施例中，为了能够更好地确定多种农产品的预估时效信息，因此可以将农产品采摘时的新鲜度表示为100%，口感表示为100。农产品的最佳食用期可以根据历史经验由人工设定。
在一些实施例中，预估时效信息可以基于向量形式进行表示，如向量（（X1，X2，X3，…，Xn），（Y1，Y2，Y3，…，Yn），（Z1，Z2，Z3，…，Zn））。其中，（X1，X2，X3，…，Xn）表示为农产品A在1-n个时间点的新鲜度；（Y1，Y2，Y3，…，Yn）表示为农产品A在1-n个时间点的口感；（Z1，Z2，Z3，…，Zn）表示为农产品A在1-n个时间点的最佳食用期，而对于同一批农产品A，其最佳食用期可以认为是恒定值，即Z1=Z2=Z3…=Zn。
在一些实施例中，基于图像数据序列，时效信息预估模块可以通过多种方式确定多种农产品的预估时效信息。在一些实施例中，时效信息预估模块可以基于多种农产品的图像数据序列确定多种农产品的时效变化速度，并基于多种农产品的时效变化速度确定多种农产品的预估时效信息。
时效变化速度是指新鲜度、口感随时间变化的速度。在一些实施例中，基于多种农产品的图像数据序列，时效信息预估模块可以通过对多种农产品中的每一种的图像数据序列中的图像数据进行图像识别并与农产品采摘时的图像进行对比，确定相应农产品在对应多个时间点的时效信息，并根据相应农产品在对应多个时间点的时效信息以及第一预设时间间隔，计算或拟合得到多种农产品的时效变化速度。
在一些实施例中，基于多种农产品的时效变化速度，时效信息预估模块可以结合多种农产品的初始时效信息，通过公式计算得到多种农产品的预估时效信息。示例性的计算公式可以包括预估时效信息=初始时效信息-时效变化速度×（未来时间点-当前时间点）。其中，多种农产品的初始时效信息可以基于历史数据确定。
关于基于图像数据序列，确定多种农产品的预估时效信息的其他一些实施例的具体说明，可以参见图3-图4及其相关描述。
步骤250，基于多种农产品的预估时效信息与用户的农产品偏好特征，确定农产品推荐内容。
农产品推荐内容是指需要向用户展示的与待推荐农产品相关的内容。其中，待推荐农产品是指被选择等待推荐给用户的农产品。在一些实施例中，农产品推荐内容可以包括待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的一种或多种。
农产品信息是指与农产品相关的信息。例如，农产品的种类、产地、品质等级、图像、价格等信息。可以理解地，待推荐农产品的农产品信息也就是多种农产品中的待推荐农产品的农产品信息，如待推荐农产品的种类、产地、品质等级、图像、价格等信息。
在一些实施例中，多种农产品的农产品信息可以由工作人员预先输入系统并存储至数据库中，因此推荐内容确定模块可以通过在数据库中进行检索，从多种农产品的农产品信息中获取待推荐农产品的农产品信息。
待推荐农产品的预估时效信息是指多种农产品中的待推荐农产品的预估时效信息。例如，待推荐农产品的预估时效信息可以包括待推荐农产品的新鲜度、口感以及最佳食用期等。
类似地，推荐内容确定模块也可以通过在数据库中进行检索，从多种农产品的预估时效信息中获取待推荐农产品的预估时效信息。
待推荐农产品的食用搭配信息是指与待推荐农产品的食用搭配相关的信息。例如，待推荐农产品的食用搭配组合、待推荐农产品的食用搭配食谱等信息。
在一些实施例中，待推荐农产品的食用搭配信息可以基于第三方（如网页等）获取。在一些实施例中，待推荐农产品的食用搭配信息也可以基于数据库，从多种农产品的食用搭配信息中检索确定。其中，多种农产品的食用搭配信息可以由工作人员提前设定并进行更新。
在一些实施例中，推荐内容确定模块可以基于用户的农产品偏好特征，通过预设规则从多种农产品中筛选候选推荐农产品；基于多种农产品的预估时效信息和候选推荐农产品，确定待推荐农产品；以及基于待推荐农产品，将待推荐农产品的农产品信息、待推荐农产品的预估时效信息作为农产品推荐内容。预设规则是指预先设定的筛选规则。例如，预设规则可以是用户的农产品偏好特征与多种农产品的农产品信息之间的相似度满足相似度阈值等。在一些实施例中，推荐内容确定模块可以通过计算用户的农产品偏好特征与多种农产品中的每一种的农产品信息之间的距离，获取两者之间的相似度。其中，距离与相似度负相关，即距离越大，相似度越小。在一些实施例中，距离可以包括但不限于余弦距离、欧式距离、曼哈顿距离、马氏距离或闵可夫斯基距离等。相似度阈值可以基于实际需求设定。
候选推荐农产品是指多种农产品中满足预设规则的一种或多种农产品。在一些实施例中，基于多种农产品的预估时效信息和候选推荐农产品，确定待推荐农产品可以包括：将候选推荐农产品中预估时效信息排名靠前的一个或多个候选推荐农产品作为待推荐农产品。其中，候选推荐农产品的预估时效信息可以基于新鲜度、口感或最佳食用期中的任意一种或多种进行排名。例如，基于新鲜度的百分比依次排名或基于口感的等级依次排名等。需要说明的是，待推荐农产品的具体数量可以基于实际情况确定。例如，基于交互设备的显示屏能够显示的农产品数量确定等。
在一些实施例中，当确定待推荐农产品后，推荐内容确定模块可以将待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的一种或多种作为农产品推荐内容。例如，可以仅将待推荐农产品的农产品信息作为农产品推荐内容等。
关于基于多种农产品的预估时效信息与用户的农产品偏好特征，确定农产品推荐内容的其他一些实施例的具体说明，可以参见图5-图6及其相关描述。
在一些实施例中，当推荐内容确定模块确定农产品推荐内容后，农产品智能推送系统通过交互设备可以向用户显示该农产品推荐内容。
交互设备是指用于与用户进行交互的设备或装置。对于线上用户，交互设备可以包括手机、平板、智能手环等。对于线下用户，交互设备可以是农产品展区的显示屏、展板等用于向用户显示农产品信息的设备。在一些实施例中，通过交互设备可以实现信息和/或数据的输入与输出。例如，对于线上用户，用户可以通过交互设备输入用户数据。又例如，农产品智能推送系统可以通过交互设备向用户显示农产品推荐内容。
在一些实施例中，当推荐内容确定模块确定农产品推荐内容后，农产品智能推送系统可以通过向交互设备发送控制指令（如内容显示指令），交互设备接收该控制指令并执行相应操作，以显示推荐农产品内容。
本说明书一些实施例，通过主动获取用户数据，并基于用户数据确定用户的农产品偏好特征，以及通过结合用户的农产品偏好特征与多种农产品的预估时效信息来确定农产品推荐内容，在主动向用户推荐农产品时不仅考虑了用户的农产品偏好特征，还综合考虑了农产品本身的时效性（例如，对于偏向于购买平价实惠的农产品的用户，结合农产品本身的时效性，也可以向其推荐时效性相对较差（如最佳食用期接近）但品质更高的农产品），而不仅仅局限于根据农产品的种类进行推荐，从而使得农产品推荐内容更具有针对性、更具品质且更加丰富，以满足不同用户的对于农产品的不同需求，进而提升用户体验与用户满意度。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的确定预估时效信息的示例性示意图。
在一些实施例中，如图3所示，时效信息预估模块可以基于图像数据序列310-1、多种农产品的农产品信息310-2以及农产品采摘时间310-3，通过时效模型320确定农产品时效曲线330；以及基于农产品时效曲线330，确定多种农产品的预估时效信息340。其中，时效模型320为机器学习模型。
农产品采摘时间310-3是指采摘农产品的时间。在一些实施例中，农产品采摘时间310-3可以基于图像数据获取模块确定。例如，当图像数据获取模块通过图像采集装置拍摄农产品采摘时的图像时，可以同步获取农产品采摘时间310-3。在一些实施例中，农产品采摘时间310-3也可以基于工作人员通过交互设备输入获取。
关于图像数据序列310-1与多种农产品的农产品信息310-2的具体内容，可以参见图2及其相关描述。
农产品时效曲线330是指多种农产品的预估时效信息中的新鲜度、口感随时间变化的曲线。
在一些实施例中，时效模块320可以通过对图像数据序列310-1、多种农产品的农产品信息310-2以及农产品采摘时间310-3进行处理，确定农产品时效曲线330。
时效模型320是指用于确定农产品时效曲线的模型。在一些实施例中，时效模型320可以是机器学习模型。例如，时效模型320可以包括卷积神经网络（ConvolutionalNeural Networks，CNN）模型、深度神经网络（Deep Neural Networks，DNN）模型等其中一种或多种的组合。
在一些实施例中，时效模型320的输入可以包括图像数据序列310-1、多种农产品的农产品信息310-2以及农产品采摘时间310-3，时效模型320的输出可以包括农产品时效曲线330。
在一些实施例中，时效模型320可以基于大量带有第一标签的第一训练样本训练获得到。在一些实施例中，时效信息预估模块可以将第一训练样本输入初始时效模型，通过训练迭代更新初始时效模型的参数，直到训练的模型满足预设训练条件，获取训练好的时效模型320。其中，预设训练条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。在一些实施例中，迭代更新模型的参数的方法可以包括随机梯度下降等常规的模型训练方法。
在一些实施例中，第一训练样本可以至少包括从历史数据中获取的第一历史时间点的样本图像数据序列、样本多种农产品的农产品信息以及样本农产品采摘时间。时效信息预估模块可以计算第一训练样本在第一历史时间点到第二历史时间点的时间段内的多种农产品的实际时效变化数据绘制的曲线（实际农产品时效曲线）作为第一标签。其中，第一历史时间点在第二历史时间点之前。第一历史时间点到第二历史时间点的时间段可以通过时效信息预估模块预设。例如，时间段可以和第一预设时间间隔相同。由于随着时间的变化，多种农产品的时效信息会相应发生变化（如新鲜度下降、口感变差等），因此可以基于历史数据，将多种农产品的实际时效变化数据绘制的曲线（实际农产品时效曲线）作为第一标签。时效变化数据是指多种农产品的时效信息（如新鲜度、口感）随时间变化的数据。在一些实施例中，由于商家通常会根据农产品的时效信息进行调价，因此时效变化数据可以根据对农产品调价时的质量检查记录得到。
在一些实施例中，由于图像数据获取模块会在销售过程中动态获取多种农产品的图像数据，因此可以将动态获取到的图像数据补充到图像数据序列310-1中，以实时更新图像数据序列310-1，从而使得农产品时效曲线330更加准确。
关于基于图像数据序列310-1、多种农产品的农产品信息310-2以及农产品采摘时间310-3，通过时效模型320确定农产品时效曲线330的其他一些实施例的具体说明，可以参见图4及其相关描述。
在一些实施例中，时效信息预估模块可以将多种农产品中的每一种的农产品时效曲线330上多个时间点对应的时效信息（如新鲜度、口感）组成的序列，作为相应农产品的预估时效信息。其中，多个时间点可以是未来时间点，如最佳食用期内饭点左右的时间点（如18：00等）。在一些实际场景中，由于农产品是流动的（即不断售卖不断补货），同种农产品通常会包含有多个批次的同种农产品，因此对于包含有多个批次的同种农产品的最佳食用期是变化的。时效信息预估模块可以将农产品时效曲线330上时效阈值对应的时间点确定为相应农产品的最佳食用期。时效阈值可以基于经验预先设定。例如，时效阈值可以是新鲜度为75%或当前新鲜度为初始新鲜度的70%等。
可以理解地，时效信息预估模块若是直接预测多种农产品的预估时效信息340（包括最佳食用期），则需要预先确定未来时间点以及需要对最佳食用期进行预判，但由于农产品的存放时长会根据实际情况的不同而发生变化，其实际最佳食用期会发生改变，从而使得未来时间点不太好确定。因此，通过先确定农产品时效曲线330，进而确定多种农产品的预估时效信息340，可以有效保证预测效率以及预测结果的准确性。
本说明书一些实施例，通过训练好的时效模型确定农产品时效曲线，可以有效保证农产品时效曲线的准确性，进而保证多种农产品的预估时效信息的准确性，从而可以为确定更为优选且更具针对性的农产品推荐内容奠定基础。
图4是根据本说明书一些实施例所示的时效模型的示例性示意图。
在一些实施例中，如图4所示，时效模型320可以包括状态分析层320-1和时效预测层320-2。其中，状态分析层320-1被配置为基于图像数据序列310-1与农产品采摘时间310-3，确定状态变化特征350；时效预测层320-2被配置为基于状态变化特征350与多种农产品的农产品信息310-2，确定农产品时效曲线330。
状态变化特征350可以反映多种农产品随时间的变化，其状态（如色泽、饱满程度等）所发生的变化。
状态分析层320-1是指用于确定状态变化特征350的模型。在一些实施例中，状态分析层320-1可以是机器学习模型。例如，状态分析层320-1可以包括但不限于CNN模型等。
时效预测层320-2是指用于确定农产品时效曲线330的模型。在一些实施例中，时效预测层320-2可以是机器学习模型。例如，时效预测层320-2可以包括但不限于DNN模型等。
在一些实施例中，状态分析层320-1的输入可以包括图像数据序列310-1和农产品采摘时间310-3，状态分析层320-1的输出可以包括状态变化特征350。
在一些实施例中，状态分析层320-1的输入还包括农产品流转信息310-4和农产品展区客流量310-5。
农产品流转信息310-4是指与农产品上架前的运输情况或运输条件相关的信息。例如，农产品流转信息310-4可以包括农产品运输线路、农产品运输时长、农产品运输时的存储条件（如温度、湿度等）等。可以理解地，农产品流转信息310-4能够对农产品的品质造成一定程度的影响。例如，农产品运输线路越长或农产品运输时长越长，农产品的品质下降越快。在一些实施例中，农产品流转信息310-4可以由工作人员提前设定并及时更新。
农产品展区客流量310-5是指单位时间内进入农产品展区的线下用户人数。可以理解地，由于农产品展区客流量310-5越大，农产品展区内的农产品被挑选、翻捡的次数可能会越多，因而对农产品展区内的农产品的品质造成的影响也会越大。也就是说，农产品展区客流量310-5越大，农产品的品质下降越快。
在一些实施例中，农产品展区客流量310-5可以通过图像数据获取模块获取。仅作为示例，图像采集装置可以在单位时间内以第二预设时间间隔拍摄农产品展区图像，基于农产品展区图像，图像数据获取模块可以通过图像识别、算法模型等方法确定单位时间内进入农产品展区的线下用户人数，从而确定农产品展区客流量310-5。其中，单位时间可以是8小时、12小时等。第二预设时间间隔可以基于实际情况确定。例如，第二预设时间间隔可以是1分钟、5分钟等。
可以理解地，由于农产品展区客流量310-5仅会对农产品展区内的农产品的品质造成影响，因此对于线上用户，状态分析层320-1的输入可以不包括农产品展区客流量310-5。
本说明书一些实施例，通过将农产品流转信息和农产品展区客流量作为状态分析层的输入，进一步考虑了农产品流转信息和农产品展区客流量对农产品时效曲线的影响，从而可以使时效模型的预测结果更加准确。
在一些实施例中，时效预测层320-2的输入可以包括状态变化特征350和多种农产品的农产品信息310-2，时效预测层320-2的输出可以包括农产品时效曲线330。
在一些实施例中，时效模型320可以通过对状态分析层320-1和时效预测层320-2进行联合训练获取。
在一些实施例中，时效信息预估模块可以基于大量带有第二标签的第二训练样本训练初始状态分析层和初始时效预测层。其中，第二训练样本可以至少包括从历史数据中获取的第一历史时间点的样本图像数据序列、样本多种农产品的农产品信息、样本农产品采摘时间、样本农产品流转信息以及样本农产品展区客流量。时效信息预估模块可以计算第二训练样本在第一历史时间点到第二历史时间点的时间段内的多种农产品的实际时效变化数据绘制的曲线（实际农产品时效曲线）作为第二标签。其中，第一历史时间点在第二历史时间点之前。第一历史时间点到第二历史时间点的时间段可以通过时效信息预估模块预设。例如，时间段可以和第一预设时间间隔相同。关于时效变化数据的具体说明，可以参见图3及其相关描述。
示例性的训练过程包括：将样本图像数据序列、样本农产品采摘信息、样本农产品流转信息以及样本农产品展区客流量输入初始状态分析层，得到初始状态分析层输出的状态变化特征；将初始状态分析层输出的状态变化特征和样本多种农产品的农产品信息输入初始时效预测层，得到初始时效预测层输出的农产品时效曲线；基于第一标签和初始时效预测层输出的农产品时效曲线构建损失函数，同步更新初始状态分析层和初始时效预测层的参数。通过参数更新，得到训练好的状态分析层和时效预测层。
本说明书一些实施例，时效模型包括状态分析层和时效预测层，通过训练好的状态分析层和时效预测层确定农产品时效曲线，可以有效保证农产品时效曲线的准确性，从而可以为快速且准确地确定多种农产品的预估时效信息奠定基础。此外，采用联合训练的方式对时效模型进行训练，不仅可以减少训练所需的样本数量，有效提高训练效率；而且还有利于解决单独训练分析层时难以获得标签的问题。
图5是根据本说明书一些实施例所示的确定农产品推荐内容的示例性示意图。
在一些实施例中，如图5所示，推荐内容确定模块可以基于多种农产品的预估时效信息340与用户的农产品偏好特征510，确定多种农产品中的每一种与用户的农产品匹配度（即多种农产品的农产品匹配度520）；以及基于农产品匹配度520，确定农产品推荐内容530。
关于多种农产品的预估时效信息与户的农产品偏好特征的具体说明，可以参见图2-图3及其相关描述。
农产品匹配度520可以表征农产品与用户之间的匹配程度。例如，农产品匹配度520越高，则表明该农产品（如农产品A）与用户之间的匹配程度越高。
在一些实施例中，推荐内容确定模块可以基于用户的农产品偏好特征510，确定多种农产品中的每一种与用户的偏好符合度；以及基于多种农产品中的每一种与用户的偏好符合度和多种农产品的预估时效信息340，通过加权求和得到多种农产品中的每一种与用户的农产品匹配度520。
偏好符合度是指农产品与用户的农产品偏好特征510的符合程度。在一些实施例中，偏好符合度可以基于用户的农产品偏好特征510和多种农产品的农产品信息310-2进行确定。仅作为示例，推荐内容确定模块可以通过计算多种农产品中的每一种的农产品信息与用户的农产品偏好特征510之间的相似度，并将相应的相似度作为多种农产品中的每一种与用户的偏好符合度。关于相似度的具体说明，可以参见图2及其相关描述。
在一些实施例中，由于预估时效信息可以反映农产品在至少一个未来时间点的品质信息，因此对于具有多个未来时间点的预估时效信息，推荐内容确定模块可以基于多种农产品中的每一种与用户的偏好符合度和多种农产品的预估时效信息340，计算得到多种农产品中的每一种在每一个未来时间点的农产品匹配度，并将多种农产品中的每一种在每一个未来时间点的农产品匹配度的均值作为多种农产品中的每一种与用户的农产品匹配度520。
需要说明的是，加权求和时，权重可以基于先验经验和用户的农产品偏好情况针对性设定。例如，对于追求高品质农产品的用户，多种农产品的预估时效信息340的权重可以相对较高。又例如，对于对农产品的种类要求较为严格的用户，用户的农产品偏好特征510的权重可以相对较高。
关于基于多种农产品的预估时效信息340与用户的农产品偏好特征510，确定多种农产品中的每一种与用户的农产品匹配度520的其他一些实施例的具体说明，可以参见图6及其相关描述。
在一些实施例中，基于农产品匹配度520，推荐内容确定模块可以通过将农产品匹配度520最高的农产品确定为待推荐农产品，然后将待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的任意一种作为农产品推荐内容530。例如，推荐内容确定模块可以仅将待推荐农产品的农产品信息作为农产品推荐内容530等。
在一些实施例中，推荐内容确定模块可以基于多种农产品的农产品匹配度520，确定待推荐农产品；以及基于待推荐农产品的农产品匹配度、用户的已选择农产品数据以及待推荐农产品的预估时效信息，确定待推荐农产品的排序以及农产品推荐内容530。
关于待推荐农产品的更多内容，可以参见图2及其相关描述。
在一些实施例中，基于多种农产品的农产品匹配度520，推荐内容确定模块可以根据预设筛选规则，选择预设数量的农产品作为待推荐农产品。预设筛选规则是指用于筛选待推荐农产品的规则。例如，预设筛选规则可以包括农产品匹配度由高至低进行选择等。在一些实施例中，预设数量可以基于交互设备能够显示的农产品数量确定。
待推荐农产品的农产品匹配度可以表征待推荐农产品与用户之间的匹配程度。在一些实施例中，待推荐农产品的农产品匹配度可以基于数据库，从多种农产品的农产品匹配度520中检索确定。
用户的已选择农产品数据是指与用户已选择的一种或多种农产品相关的数据。例如，已选择农产品的种类或数量、价格等。在一些实施例中，用户的已选择农产品数据可以通过用户数据获取模块进行获取。对于线上用户，用户数据获取模块可以通过交互设备来获取用户的已选择农产品数据。例如，通过交互设备获取系统用户端（如APP等）的购物车数据，进而获取用户的已选择农产品数据。对于线下用户，用户数据获取模块可以从图像数据获取模块调取农产品展区图像，并通过图像识别、算法模型等方法确定用户的已选择农产品数据。
在一些实施例中，推荐内容确定模块可以基于待推荐农产品的农产品匹配度，由高至低依次进行排序，以确定待推荐农产品的排序。匹配度越高的农产品，排序越靠前。可以理解地，农产品推荐内容可以基于待推荐农产品的排序在交互设备的显示屏上进行依次显示。
在一些实施例中，农产品推荐内容530可以基于用户的已选择农产品数据和待推荐农产品的预估时效信息确定。在一些实施例中，推荐内容确定模块可以将待推荐农产品的农产品信息作为基础推荐内容。在一些实施例中，对于预估时效信息中最佳食用期低于阈值的待推荐农产品，推荐内容确定模块可以将其预估时效信息作为第一附加推荐内容，并与基础推荐内容相结合，以确定最终的农产品推荐内容。在一些实施例中，对于可以与用户的已选择农产品相搭配的待推荐农产品，推荐内容确定模块可以将其食用搭配信息作为第二附加推荐内容，并与基础推荐内容结合，以确定最终的农产品推荐内容。关于待推荐农产品的预估时效信息的更多内容，可以参见图2及其相关描述。
本说明书一些实施例，基于待推荐农产品的农产品匹配度、用户的已选择农产品数据以及待推荐农产品的预估时效信息，确定待推荐农产品的排序以及农产品推荐内容，可以使农产品推荐内容更加精确、更个性化且更符合用户需求，从而有效提升用户体验。而且，农产品推荐内容中还包括待推荐农产品的食用搭配信息，还有利于提高搭配农产品的销量，以增加盈利。
在本说明书的一些实施例中，基于用户的农产品偏好特征和多种农产品的预估时效信息，利用加权求和的方法确定农产品匹配度，方法简单、处理快速且能够在一定程度上保证农产品匹配度的准确性，进而也可以保证基于农产品匹配度所确定的农产品推荐内容的准确性。
图6是根据本说明书一些实施例所示的确定农产品匹配度的示例性示意图。
在一些实施例中，如图6所示，推荐内容确定模块可以获取用户的选购进程数据610-1，以及基于选购进程数据610-1、待推荐农产品的农产品信息610-2、多种农产品的预估时效信息340以及用户的农产品偏好特征510，通过匹配模型620确定多种农产品中的每一种与用户的农产品匹配度（即，多种农产品的农产品匹配度520）。
关于待推荐农产品的农产品信息610-2、多种农产品的预估时效信息340以及用户的农产品偏好特征510的更多内容，可以参见本说明书其他部分的相关说明（如图2及其相关描述）。
选购进程数据610-1是指用户选购农产品的进度信息。在一些实施例中，选购进程数据610-1可以包括但不限于用户的已选择农产品数据。关于用户的已选择农产品数据的更多内容，可以参见图5及其相关描述。
在一些实施例中，选购进程数据610-1还可以包括已选择农产品的选购顺序与选购时间间隔。
已选择农产品的选购顺序是指用户选购不同种类的农产品的顺序。已选择农产品的选购时间间隔是指用户在前后两次选购农产品之间的时间间隔。在一些实施例中，已选择农产品的选购顺序与选购时间间隔可以采用与获取用户的已选择农产品数据的类似方法进行获取。仅作为示例，对于线上用户，用户数据获取模块可以通过交互设备来获取已选择农产品的选购顺序。例如，通过交互设备获取系统用户端（如APP等）的购物车数据（如农产品在购物车中的排序，排序越往下则选购顺序越靠前），以获取已选择农产品的选购顺序。对于线下用户，用户数据获取模块可以从图像数据获取模块调取农产品展区图像，并通过图像识别、算法模型等方法确定已选择农产品的选购顺序。
本说明书一些实施例，选购进程数据还包括已选择农产品的选购顺序与选购时间间隔，使匹配模型在对多种农产品的农产品匹配度进行预测时，进一步考虑已选择农产品的选购顺序与选购时间间隔对农产品匹配度的影响（例如，用户选购了一种农产品后很快又选购了另一种农产品，则表明用户对该农产品的食用搭配已有所安排，因而其他可以与该农产品搭配食用的农产品的农产品匹配度会相应降低），从而可以进一步提升预测结果的准确性。
在一些实施例中，对于线下用户，选购进程数据610-1可以基于计量装置的统计数据得到。
计量装置是指能够用于对农产品进行称重并计算价格的装置。在一些实施例中，计量装置可以与用户数据获取模块通信连接，以实现数据和/或信息传输。示例性的通信连接方式可以包括有线通信（如通信线等）和无线通信（如WiFi、蓝牙、5G等）。
计量装置的统计数据是指对计量装置每次称重后得到的数据进行汇总后所得到的数据。例如，统计数据可以包括多个用户的已选择农产品数据（如农产品的种类、数量、价格等）等。可以理解地，计量装置的统计数据可以表征选购进程数据610-1，如用户的已选择农产品数据。
本说明书一些实施例，对于线下用户，通过计量装置的统计数据确定选购进程数据，相当于基于多个用户的已选择农产品数据确定用户的已选择农产品数据，不仅可以在一定程度上保证数据的准确性，而且也有利于减少系统的运算量，提高系统的处理速度。
匹配模型620是指用于确定多种农产品的农产品匹配度的模型。在一些实施例中，匹配模型620可以是机器学习模型。例如，匹配模型可以包括但不限于CNN模型等。
在一些实施例中，匹配模型620的输入可以包括多种农产品的预估时效信息340、待推荐农产品的农产品信息610-2、用户的农产品偏好特征510以及选购进程数据610-1，匹配模型620的输出可以包括多种农产品的农产品匹配度520。
在一些实施例中，匹配模型420的输入还可以包括已选择农产品的时效曲线的分布信息610-3。
已选择农产品的时效曲线可以反映用户已选择的多种农产品在新鲜度、口感等品质上的变化速度。已选择农产品的时效曲线的分布信息610-3是指多个已选择农产品在新鲜度、口感等品质上的变化速度以及最佳食用期的时间分布信息。可以理解地，已选择农产品的最佳食用期是固定的。在一些实施例中，已选择农产品的时效曲线的分布信息可以体现为多种已选择农产品的时效曲线在多个时间点上对应的斜率和/或最佳食用期在时间维度上的分布情况。例如，多种已选择农产品的新鲜度和/或口感的变化速度（即，新鲜度和/或口感的时效曲线在多个时间点上对应的斜率）在时间维度上的分布情况。又例如，多种已选择农产品的最佳食用期在时间维度上的分布情况。
在一些实施例中，已选择农产品的时效曲线的分布信息610-3可以基于已选择农产品的时效曲线在多个时间点上对应的斜率和最佳食用期确定。例如，已选择农产品A的时效曲线的分布信息为（（M1，M2，…，Mn），N），其中，（M1，M2，…，Mn）为已选择农产品A的时效曲线在n个时间点上对应的斜率，N为已选择农产品A的最佳食用期。
可以理解地，基于已选择农产品的时效曲线的分布信息610-3，可以确定用户已选择的多种农产品的新鲜度和/或口感的变化速度在时间维度上的分布情况，和/或最佳食用期在时间维度上的分布情况，因此为了提高用户体验以避免用户购买到在同一时间段新鲜度和/或口感的变化速度相近的农产品，和/或最佳食用期相近的农产品，对于新鲜度和/或口感的变化速度相近且分布时间点相近的农产品，和/或最佳食用期相近的农产品，其农产品匹配度应适当降低。
本说明书一些实施例，通过将已选择农产品的时效曲线的分布信息作为匹配模型的输入，在预测多种农产品的农产品匹配度时，进一步考虑多种已选择农产品的时效变化，可以避免向用户推荐预估时效信息类似的农产品（如最佳食用期较为接近等），以提高农产品推荐内容的合理性。
在一些实施例中，匹配模型620可以基于大量带有第三标签的第三训练样本训练得到。其中，第三训练样本可以包括样本多种农产品的预估时效信息、样本待推荐农产品的农产品信息、样本用户的农产品偏好特征以及样本选购进程数据，第三标签可以包括与第三训练样本对应的实际农产品匹配度。第三训练样本可以基于历史数据确定，第三标签可以根据用户对历史推荐农产品的实际选择情况确定。例如，历史数据中在某样本选购进程数据、样本多种农产品的预估时效信息、样本待推荐农产品的农产品信息以及样本用户的农产品偏好特征下，系统通过交互设备向用户推荐了多种农产品，用户从推荐农产品中越快选择的农产品、选择数量越多的农产品、选择次数越多的农产品、越先选择的农产品，相应的农产品匹配度越高。其中，选择越快表示用户从浏览到购买农产品所花费的时间越少。对于线上用户，上述农产品匹配度可以基于用户添加农产品至购物车的时长、数量、历史添加次数、顺序等数据确定。对于线下用户，上述农产品匹配度可以通过显示屏、展板等交互设备显示推荐农产品内容后，不同推荐农产品的销售速度确定。
需要说明的是，匹配模型620的训练方法与图3中所示的时效模型320的训练方法类似，此处不再赘述。
在一些实施例中，多种农产品的农产品匹配度520可以基于选购进程数据610-1的变化进行动态更新。例如，用户在选择农产品A之前，农产品A、农产品B、农产品C以及农产品D具有相同的农产品匹配度，而当用户选择农产品A之后，则农产品B、农产品C的农产品匹配度应适当降低，与农产品A可搭配食用的农产品D的农产品匹配度也应适当增加。可以理解地，农产品匹配度的调整量可以与该农产品的购买人数（或销量）呈正相关。例如，农产品A的购买人数越多（或销量越高），则与农产品A可搭配食用的农产品D的农产品匹配度的增加幅度也越大，而农产品B、农产品C的农产品匹配度的降低幅度也越大。需要说明的是，多种农产品的农产品匹配度520的具体调整幅度可以根据实际情况确定。
在一些实施例中，推荐内容确定模块可以以预设间隔时间来周期性地基于选购进程数据610-1的变化，对多种农产品的农产品匹配度520进行动态更新。预设时间间隔可以由人工设定。
本说明书一些实施例，基于选购进程数据、待推荐农产品的农产品信息、多种农产品的预估时效信息以及用户的农产品偏好特征，通过训练好的匹配模型确定多种农产品的农产品匹配度，可以有效保证农产品匹配度的预测精度。此外，结合选购进程数据对农产品匹配度进行动态更新，使农产品匹配度可以基于用户选择而进行实时调整，从而可以进一步提高农产品匹配度的准确性与合理性，以进一步保障农产品推荐内容的可靠性。
本说明书一个或多个实施例提供一种基于用户数据的农产品智能推送装置，包括至少一个存储器和至少一个处理器；所述至少一个存储器被配置为存储计算机指令；所述至少一个处理器被配置为执行所述计算机指令中的部分指令，以实现前述的农产品智能推送方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述的农产品智能推送方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (8)

1.一种基于用户数据的农产品智能推送方法，其特征在于，所述方法包括：
获取用户数据，所述用户包括线上用户、线下用户中的至少一种；
基于所述用户数据，确定所述用户的农产品偏好特征；
获取多种农产品的图像数据序列；
基于所述图像数据序列，确定所述多种农产品的预估时效信息；以及
基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定农产品推荐内容，以便于交互设备向所述用户显示所述农产品推荐内容，所述农产品推荐内容包括待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的至少一种；
其中，所述基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定农产品推荐内容包括：
基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定所述多种农产品中的每一种与所述用户的农产品匹配度，包括：
基于所述用户的农产品偏好特征，确定所述多种农产品中的每一种与所述用户的偏好符合度；
基于所述多种农产品中的每一种与所述用户的偏好符合度和所述多种农产品的预估时效信息，通过加权求和得到所述多种农产品中的每一种在每一个未来时间点的农产品匹配度；
将所述多种农产品中的每一种在每一个未来时间点的所述农产品匹配度的均值作为所述多种农产品中的每一种与所述用户的农产品匹配度；
基于所述农产品匹配度，确定所述农产品推荐内容。
2.如权利要求1所述的农产品智能推送方法，其特征在于，所述基于所述图像数据序列，确定所述多种农产品的预估时效信息包括：
基于所述图像数据序列、所述多种农产品的农产品信息以及农产品采摘时间，通过时效模型确定农产品时效曲线，所述时效模型为机器学习模型；以及
基于所述农产品时效曲线，确定所述多种农产品的预估时效信息。
3.如权利要求1所述的农产品智能推送方法，其特征在于，所述基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定所述多种农产品中的每一种与所述用户的农产品匹配度还包括：
获取所述用户的选购进程数据，所述选购进程数据至少包括所述用户的已选择农产品数据；以及
基于所述选购进程数据、所述待推荐农产品的农产品信息、所述多种农产品的预估时效信息、所述用户的农产品偏好特征以及已选择农产品的时效曲线的分布信息，通过匹配模型确定所述多种农产品中的每一种与所述用户的农产品匹配度，所述匹配模型为机器学习模型，所述农产品匹配度基于所述选购进程数据的变化进行动态更新；
所述已选择农产品的所述时效曲线的分布信息指多个所述已选择农产品在新鲜度、口感上的变化速度以及最佳食用期的时间分布信息；其中，对于所述新鲜度和/或所述口感的变化速度越接近且分布时间点越接近的农产品，和/或所述最佳食用期越接近的农产品，所述农产品与所述用户的所述农产品匹配度越低。
4.一种基于用户数据的农产品智能推送系统，其特征在于，所述系统包括：
用户数据获取模块，被配置为获取用户数据，所述用户包括线上用户、线下用户中的至少一种；
偏好特征确定模块，被配置为基于所述用户数据，确定所述用户的农产品偏好特征；
图像数据获取模块，被配置为获取多种农产品的图像数据序列；
时效信息预估模块，被配置为基于所述图像数据序列，确定所述多种农产品的预估时效信息；以及
推荐内容确定模块，被配置为基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定农产品推荐内容，以便于交互设备向所述用户显示所述农产品推荐内容，所述农产品推荐内容包括待推荐农产品的农产品信息、待推荐农产品的预估时效信息以及待推荐农产品的食用搭配信息中的至少一种；
其中，所述基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定农产品推荐内容包括：
基于所述多种农产品的预估时效信息与所述用户的农产品偏好特征，确定所述多种农产品中的每一种与所述用户的农产品匹配度，包括：
基于所述用户的农产品偏好特征，确定所述多种农产品中的每一种与所述用户的偏好符合度；
基于所述多种农产品中的每一种与所述用户的偏好符合度和所述多种农产品的预估时效信息，通过加权求和得到所述多种农产品中的每一种在每一个未来时间点的农产品匹配度；
将所述多种农产品中的每一种在每一个未来时间点的所述农产品匹配度的均值作为所述多种农产品中的每一种与所述用户的农产品匹配度；
基于所述农产品匹配度，确定所述农产品推荐内容。
5.如权利要求4所述的农产品智能推送系统，其特征在于，所述时效信息预估模块进一步被配置为：
基于所述图像数据序列、所述多种农产品的农产品信息以及农产品采摘时间，通过时效模型确定农产品时效曲线，所述时效模型为机器学习模型；以及
基于所述农产品时效曲线，确定所述多种农产品的预估时效信息。
6.如权利要求4所述的农产品智能推送系统，其特征在于，所述推荐内容确定模块进一步被配置为：
获取所述用户的选购进程数据，所述选购进程数据至少包括所述用户的已选择农产品数据；以及
基于所述选购进程数据、所述待推荐农产品的农产品信息、所述多种农产品的预估时效信息、所述用户的农产品偏好特征以及已选择农产品的时效曲线的分布信息，通过匹配模型确定所述多种农产品中的每一种与所述用户的农产品匹配度，所述匹配模型为机器学习模型，所述农产品匹配度基于所述选购进程数据的变化进行动态更新；
所述已选择农产品的所述时效曲线的分布信息指多个所述已选择农产品在新鲜度、口感上的变化速度以及最佳食用期的时间分布信息；其中，对于所述新鲜度和/或所述口感的变化速度越接近且分布时间点越接近的农产品，和/或所述最佳食用期越接近的农产品，所述农产品与所述用户的所述农产品匹配度越低。
7.一种基于用户数据的农产品智能推送装置，其特征在于，包括至少一个存储器和至少一个处理器；所述至少一个存储器被配置为存储计算机指令；所述至少一个处理器被配置为执行所述计算机指令中的部分指令，以实现如权利要求1~3任一项所述的农产品智能推送方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1~3任一项所述的农产品智能推送方法。
CN202311553820.9A 2023-11-21 2023-11-21 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 Active CN117273869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311553820.9A CN117273869B (zh) 2023-11-21 2023-11-21 一种基于用户数据的农产品智能推送方法、系统、装置以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311553820.9A CN117273869B (zh) 2023-11-21 2023-11-21 一种基于用户数据的农产品智能推送方法、系统、装置以及介质

Publications (2)

Publication Number Publication Date
CN117273869A CN117273869A (zh) 2023-12-22
CN117273869B true CN117273869B (zh) 2024-02-13

Family

ID=89212792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311553820.9A Active CN117273869B (zh) 2023-11-21 2023-11-21 一种基于用户数据的农产品智能推送方法、系统、装置以及介质

Country Status (1)

Country Link
CN (1) CN117273869B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915409A (zh) * 2020-08-11 2020-11-10 深圳墨世科技有限公司 基于物品的物品推荐方法、装置、设备及存储介质
CN112464762A (zh) * 2020-11-16 2021-03-09 中国科学院合肥物质科学研究院 基于图像处理的农产品筛选系统及其方法
CN114092198A (zh) * 2021-12-01 2022-02-25 中国建设银行股份有限公司 一种物品推荐方法、装置、存储介质及处理器
CN114219558A (zh) * 2021-12-03 2022-03-22 江苏业派生物科技有限公司 基于数据挖掘的农产品智能推荐系统
CN114359546A (zh) * 2021-12-30 2022-04-15 太原科技大学 一种基于卷积神经网络的黄花菜成熟度识别方法
KR20220079244A (ko) * 2020-12-04 2022-06-13 곽운 농산물 직거래 서비스 장치
CN115631488A (zh) * 2022-10-18 2023-01-20 浙江科技学院 基于Jetson Nano的水果成熟度无损检测方法及系统
CN115860870A (zh) * 2022-12-16 2023-03-28 深圳市云积分科技有限公司 一种商品推荐方法、系统、装置及可读介质
CN116308704A (zh) * 2023-03-06 2023-06-23 中国工商银行股份有限公司 产品推荐方法、装置、电子设备、介质和计算机程序产品
CN116976675A (zh) * 2023-08-09 2023-10-31 南京龟兔赛跑软件研究院有限公司 一种基于物联网数据监控的冷链运输风险预警方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915409A (zh) * 2020-08-11 2020-11-10 深圳墨世科技有限公司 基于物品的物品推荐方法、装置、设备及存储介质
CN112464762A (zh) * 2020-11-16 2021-03-09 中国科学院合肥物质科学研究院 基于图像处理的农产品筛选系统及其方法
KR20220079244A (ko) * 2020-12-04 2022-06-13 곽운 농산물 직거래 서비스 장치
CN114092198A (zh) * 2021-12-01 2022-02-25 中国建设银行股份有限公司 一种物品推荐方法、装置、存储介质及处理器
CN114219558A (zh) * 2021-12-03 2022-03-22 江苏业派生物科技有限公司 基于数据挖掘的农产品智能推荐系统
CN114359546A (zh) * 2021-12-30 2022-04-15 太原科技大学 一种基于卷积神经网络的黄花菜成熟度识别方法
CN115631488A (zh) * 2022-10-18 2023-01-20 浙江科技学院 基于Jetson Nano的水果成熟度无损检测方法及系统
CN115860870A (zh) * 2022-12-16 2023-03-28 深圳市云积分科技有限公司 一种商品推荐方法、系统、装置及可读介质
CN116308704A (zh) * 2023-03-06 2023-06-23 中国工商银行股份有限公司 产品推荐方法、装置、电子设备、介质和计算机程序产品
CN116976675A (zh) * 2023-08-09 2023-10-31 南京龟兔赛跑软件研究院有限公司 一种基于物联网数据监控的冷链运输风险预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Caffe的猪肉新鲜度分级的设计与实现;邱洪涛;孙裴;侯金波;辜丽川;乔焰;焦俊;;江苏农业学报(02);全文 *

Also Published As

Publication number Publication date
CN117273869A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN105184975B (zh) 自动售货机管理系统和管理方法
CN103678518B (zh) 一种推荐列表调整方法和装置
CN109189904A (zh) 个性化搜索方法及系统
CN110874751B (zh) 一种超市补货的方法和系统
CN112837106A (zh) 商品推荐方法、装置、计算机设备
CN110008397B (zh) 一种推荐模型训练方法及装置
US11587028B2 (en) Computer system for optimizing garment inventory of retailer based on shapes of users
US20140255883A1 (en) System and method for automated monitoring of food and beverage intake, determining associated nutritional information and comparing with a predetermined dietary plan
CN110675185A (zh) 智能调节推送屏幕的方法、装置、计算机设备及存储介质
CN113536105A (zh) 推荐模型训练方法和装置
CN110851651A (zh) 一种个性化视频推荐方法及系统
CN109313773A (zh) 食用时期计算方法、食用时期计算系统、食用时期计算程序以及记录介质
CN117273869B (zh) 一种基于用户数据的农产品智能推送方法、系统、装置以及介质
CN115830764A (zh) 通过智能货架系统对货物进行控制的装置及其方法
US20230351326A1 (en) Optimization of item availability prompts in the context of non-deterministic inventory data
KR102431226B1 (ko) 인공지능 기반의 개인 맞춤형 영양 관리 서비스 제공 방법 및 장치
CN113158086B (zh) 一种基于深度强化学习的个性化客户推荐系统和方法
CN116401420A (zh) 基于多模态特征融合的搜索方法、装置、介质及设备
CN114780865A (zh) 信息推荐方法、装置、计算机设备及存储介质
US9672546B2 (en) Accurate and instantaneous commodity pricing information system
US20240144173A1 (en) Suggesting a recipe to a customer of an online concierge system based on items likely to be available
KR102674504B1 (ko) 과일의 숙성도 판별 정보를 기반으로 한 물류 처리 방법
US20220138926A1 (en) Information processing apparatus and information processing method
US20240104622A1 (en) Boosting scores for ranking items matching a search query
CN117112912B (zh) 基于用户特征的餐饮内容个性化展示方法及系统

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