CN117493913B - 一种基于用户反馈的复合调味料控制方法及系统 - Google Patents
一种基于用户反馈的复合调味料控制方法及系统 Download PDFInfo
- Publication number
- CN117493913B CN117493913B CN202311583590.0A CN202311583590A CN117493913B CN 117493913 B CN117493913 B CN 117493913B CN 202311583590 A CN202311583590 A CN 202311583590A CN 117493913 B CN117493913 B CN 117493913B
- Authority
- CN
- China
- Prior art keywords
- seasoning
- user
- seasonings
- index
- obtaining
- 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
Links
- 235000011194 food seasoning agent Nutrition 0.000 title claims abstract description 330
- 239000002131 composite material Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000004278 EU approved seasoning Substances 0.000 claims abstract description 105
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 239000000796 flavoring agent Substances 0.000 claims description 39
- 235000019634 flavors Nutrition 0.000 claims description 38
- 150000001875 compounds Chemical class 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 235000012054 meals Nutrition 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003442 weekly effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 235000013409 condiments Nutrition 0.000 description 44
- 238000007792 addition Methods 0.000 description 30
- 238000010411 cooking Methods 0.000 description 9
- 235000002566 Capsicum Nutrition 0.000 description 4
- 244000223760 Cinnamomum zeylanicum Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 235000017803 cinnamon Nutrition 0.000 description 4
- 235000007650 Aralia spinosa Nutrition 0.000 description 2
- 240000008574 Capsicum frutescens Species 0.000 description 2
- 240000006927 Foeniculum vulgare Species 0.000 description 2
- 235000004204 Foeniculum vulgare Nutrition 0.000 description 2
- 240000007232 Illicium verum Species 0.000 description 2
- 235000008227 Illicium verum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 244000203593 Piper nigrum Species 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 241000949456 Zanthoxylum Species 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 239000001390 capsicum minimum Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000014347 soups Nutrition 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000013355 food flavoring agent Nutrition 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Seasonings (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于用户反馈的复合调味料控制方法及系统,采集用户想要添加、拒绝添加的调味料及对应评分数据,根据各用户对各调味料的添加意愿及评分数据得到各调味料的综合意愿指数;根据各调味料之间的关联程度构建各调味料的用户喜好指数;结合调味料产品销售量构建各调味料的特征信息向量,对其进行DBSCAN聚类算法,根据聚类结果对复合调味料产品进行控制。从而实现基于用户反馈的复合调味料的控制,提高了DBSCAN聚类算法对调味料的聚类结果的可靠性,具有较高的受欢迎调味料选择准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于用户反馈的复合调味料控制方法及系统。
背景技术
复合调味料是以两种或两种以上的调味料为原料,经过相应工艺加工制成的产品,随着人民生活水平的提高和食品工业的迅速发展,复合调味料不仅发挥了调味料本身增味、增香作用,而且进一步降低了烹饪的难度、减少加工时间,复合调味料市场始终保持着较高的增长速度,产品种类日趋丰富,呈现空前的繁荣和兴旺。但是现在各大厂商之间竞争激烈,此时产商需要不断控制、改进产品以保持市场竞争力,谁更懂用户需求,谁能够做出用户想要的产品,谁就能基于用户反馈对产品进行调控,使产品更符合用户、市场的需求,提高产品的销售和市场占有率。
复合调味料具有多种调味料,而用户偏好并不相同,传统的聚类算法可以将用户喜好的调味料聚合在一起,但是算法往往存在较大的缺陷,如K-means聚类简单易实现,但是需要设定确定聚类的簇数,而DBSCAN聚类算法无需提前设定距离簇的数量,但是对于高维数据效率较差。
综上所述,本发明提出一种基于用户反馈的复合调味料控制方法及系统,采集用户想要添加、拒绝添加的调味料及对应评分数据,根据各用户对各调味料的添加意愿及评分数据得到各调味料的综合意愿指数、用户喜好指数及综合销售量,构建各调味料的特征信息向量,根据各调味料的特征信息向量进行聚类得到最受欢迎的各调味料。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于用户反馈的复合调味料控制方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了一种基于用户反馈的复合调味料控制方法,该方法包括以下步骤:
采集用户想要添加、拒绝添加的调味料及对应评分数据;
获取各用户每周做饭次数;根据各用户的每周做饭次数得到各用户的评分可靠权重;对于各调味料,将想要添加调味料的用户数量作为调味料的使用次数;根据各调味料的使用次数得到各调味料的相对添加频繁系数;根据各用户的评分、评分可靠权重及各调味料的相对添加频繁系数得到各调味料的添加意愿指数;获取各调味料的拒绝意愿指数;根据各调味料的添加意愿指数及拒绝意愿指数得到各调味料的综合意愿指数;
将任意两种调味料组成的集合作为各调味料组合;获取各用户对各调味料组合的第一有效权值;根据各调味料的使用次数及各调味料组合的第一有效权值得到各调味料组合的添加关联系数;获取各调味料组合的拒绝关联系数;根据各调味料组合的添加关联系数及拒绝关联系数得到各调味料组合的综合关联系数;根据各调味料组合的综合关联系数得到各调味料的用户喜好指数;
将含各调味料产品的年销售量之和作为各调味料的综合销售量;将各调味料的综合意愿指数、用户喜好指数及综合销售量作为各调味料的特征信息向量;结合DBSCAN聚类算法对各调味料的特征信息向量进行聚类获取最受欢迎调味料。
优选的,所述根据各用户的每周做饭次数得到各用户的评分可靠权重,具体为:
通过大津法获取第一阈值,将每周做饭次数大于第一阈值的用户作为可靠用户;通过映射函数计算各可靠用户的每周做饭次数与大津阈值的差值的映射值;将所述映射值作为各可靠用户的评分可靠权重;预设不可靠用户的评分可靠权重。
优选的,所述根据各调味料的使用次数得到各调味料的相对添加频繁系数,具体包括:
计算第i种调味料与其它各调味料的使用次数的差值,计算所有所述差值的和值;获取以自然常数为底数、以第i种调味料的使用次数的负数为指数的指数函数的计算结果;计算1与所述计算结果的差值;将所述差值与所述和值的乘积作为第i种调味料的相对添加频繁系数。
优选的,所述根据各用户的评分、评分可靠权重及各调味料的相对添加频繁系数得到各调味料的添加意愿指数,具体包括:
计算各用户评分可靠权重与对第i种调味料想要添加的评分的乘积;计算所有所述乘积的均值;获取以自然常数为底数、以第i种调味料的相对添加频繁系数为指数的指数函数的计算结果;将所述均值与所述计算结果的乘积作为第i种调味料的添加意愿指数。
优选的,所述根据各调味料的添加意愿指数及拒绝意愿指数得到各调味料的综合意愿指数,具体包括:
计算各调味料的添加意愿指数与拒绝意愿指数的差值,获取以自然常数为底数、以所述差值为指数的指数函数的计算结果;将所述计算结果作为各调味料的综合意愿指数。
优选的,所述获取各用户对各调味料组合的第一有效权值,具体为:
对于各调味料组合,当调味料组合中两种调味料均为第k个用户的想要添加的调味料时,将第k个用户对调味料组合的第一有效权值预设为Q1;当两种调味料不全为第k个用户的想要添加的调味料时,将第k个用户对调味料组合的第一有效权值预设为Q2,其中Q1、Q2为预设权值,Q1>Q2。
优选的,所述根据各调味料的使用次数及各调味料组合的第一有效权值得到各调味料组合的添加关联系数,具体包括:
对于各调味料组合,统计调味料组合中两种调味料均想要添加的用户个数;获取所述两种调味料的使用次数中最大值;将所述用户个数与所述最大值的比值作为调味料组合的同时添加频率;计算各用户的第一有效权值与评分可靠权重的乘积;计算所有所述乘积的均值;获取以自然常数为底数、以调味料组合的同时添加频率为指数的指数函数的计算结果;将所述均值与所述计算结果的乘积作为调味料组合的添加关联系数。
优选的,所述根据各调味料组合的添加关联系数及拒绝关联系数得到各调味料组合的综合关联系数,具体包括:
计算各调味料组合的添加关联系数与拒绝关联系数的差值;获取以自然常数为底数、以所述差值为指数的指数函数的计算结果;将所述计算结果作为各调味料组合之间的综合关联系数。
优选的,所述根据各调味料组合的综合关联系数得到各调味料的用户喜好指数,具体包括:
获取与第z种调味料之间的综合关联系数最大的前L种调味料,其中L为预设调味料种类数;计算前L种调味料的综合意愿指数的均值;将第z种调味料的综合意愿指数与所述均值的和值作为第z种调味料的用户喜好指数。
第二方面,本发明实施例还提供了一种基于用户反馈的复合调味料控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明实施例至少具有如下有益效果:
本发明通过采集用户对各种调味料的愿意添加或不愿意添加程度构建各调味料的综合意愿指数、用户喜好指数,结合销售量构建特征向量,对各调味料的特征向量进行DBSCAN聚类,避免了DBSCAN聚类算法对于高维数据聚类效率较差的问题,提高了DBSCAN聚类算法对调味料的聚类结果的可靠性,具有较高的受欢迎调味料选择准确性;
本发明对用户反馈的复合调味料信息进行分析,基于采集得到的调味料的种类、用户对调味料的评分构建各种调味料的用户综合意愿强烈指数,反应用户添加该调味料的意愿强烈程度,其值越大,说明用户对该调味越想要添加;再根据任意两种调味料出现的次数特征,结合用户的周做饭次数,得到任意两种调味料的综合关联度,基于此得到该调味料的用户喜好指数,反应用户对该调味料的欢迎程度,最后再基于含调味料的复合调味料销售额,共同组成代表多维调味料数据的特征信息向量,有效的避免DBSCAN聚类算法对于高维数据聚类效率较差的问题,完成对各种调味料的聚类,根据聚类结果对复合调味料产品进行控制,有利于复合调味料的生产控制。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例提供的一种基于用户反馈的复合调味料控制方法的步骤流程图
图2为复合调味料控制方法步骤示意图。
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用户反馈的复合调味料控制方法及系统,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,一个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用户反馈的复合调味料控制方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于用户反馈的复合调味料控制方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集用户想要添加、拒绝添加的调味料及对应评分数据。
通过网络平台发布调味料的问题答卷,设置相关题目辅助用户进行产品反馈,以此采集用户想要添加及不想要添加的调味料种类及对应评分数据。问卷相关题目包括:1.复合调味料中用户想要添加的调味料种类及其想要添加调味料的评分(评分越高,用户越想添加),记为第一评分;2.复合调味料中用户不想要添加的调味料种类及其各自评分(评分越高,用户越不想添加),记为第二评分;3.用户每周做饭次数。其中,用户对调味料的评分从1到10,共有10个数值,其需要说明的是,问卷相关题目实施者可根据具体情况自行设置,本实施例不做具体限制。从中随机抽取N个用户,获取其问卷中的数据,同时通过公司年度销售报表获取不同复合调味料的组成成分和年度销售数量。需要说明的是,N的取值实施者可自行设定,本实施例将N的值设定为50。
将上述采集的数据作为用户反馈的调味料数据,由于该调味料数据在存储、传输过程中可能存在缺失等异常情况,影响后续分析、处理,而且各样本数据之间相关性较弱,本发明使用均值填充法对缺失值进行填充。
步骤S002,根据各用户对各调味料的添加意愿及评分数据得到各调味料的综合意愿指数、用户喜好指数及综合销售量,构建各调味料的特征信息向量。
由于上述得到的用户反馈的调味料数据的数据量较大,而且该调味料数据的维度也较高,直接对其进行DBSCAN聚类存在聚类时间长、效率低的问题。因此本发明对采集到的用户反馈的调味料数据进行分析,构建可以反应其特征的特征信息向量,基于此对各个调味料进行聚类,将用户综合意愿强烈、含该调味料的复合调味料产品销售量较多、受用户喜好程度较高的调味料聚成一类,从而复合调味料厂商根据聚类结果,选取具有较高市场价值的调味料,进而实现相应复合调味料产品的控制。
在用户相关反馈信息中,复合调味料厂商应当根据用户的实际意愿,对复合调味料产品进行控制,添加或去除一些调味料,以满足大众的需求,提高销售额。其中,想要在复合调味料中添加相同种类调味料的用户越多,同时该种调味料的用户评分越高,则说明大众用户喜欢、想要添加这种调味料的意愿越强烈。同时用户每周做饭次数也对用户数据具有一定的影响作用,如某用户每周做饭次数较多,具有较大概率是家庭中经常做饭的人员,该人员由于经常做饭,对调味料的种类、味道较为敏感,因此对该用户采集到的反馈数据较为可信,做出的调味料的评价较为可靠、准确。
对上述得到的用户反馈的调味料数据中,对所有用户想要添加的所有调味料种类及在反馈的数据中每种调味料的想要添加的用户数量进行统计,并将统计到的调味料种类数记为A,即共有A种调味料,将统计到的每种调味料的想要添加的用户的数量作为每种调味料的使用次数,分别记为a1、a2、a3…aA,其中ai为第i种调味料的使用次数。同时通过大津法对用户每周做饭次数数据进行计算得到的阈值记为第一阈值T,若用户的每周做饭次数大于阈值T,则说明该用户对调味料的了解较多,该用户的调味料评分较为可靠、准确,而对于每周做饭次数小于阈值T的用户,由于每周做饭次数较低,对调味料的使用经验较少,对调味料的了解较少,该用户调味料评分的可靠性、准确度较低。根据每个用户的周做饭次数,将大于阈值T的用户作为可靠用户,将剩余用户作为不可靠用户。将所有可靠用户组成的集合作为可靠用户集合Z。
基于上述分析,以第i种调味料为例,计算各种调味料的添加意愿指数,表达式为:
式中,PGi为第i种调味料的添加意愿指数,N为本实施例选取的用户个数,gk,i为第k个用户对第i种调味料的第一评分,PGBk为第k个用户的评分可靠权重,PGNi为第i种调味料的相对添加频繁系数,e()为以e为底的指数函数,A为所有用户想要添加的所有调味料种类数,ai为第i种调味料的使用次数,aj为第j种调味料的使用次数,map()为映射函数,将值域映射到[0,2],作用是为了防止PGBk值过大,Ck为第k个用户的每周做饭次数,T为第一阈值,即用户每周做饭次数的分割阈值,Z为可靠用户集合,k∈Z表示第k个用户属于可靠用户集合,表示第k个用户不属于可靠用户集合,即为不可靠用户。
ai越大,说明想要添加第i种调味料的用户数量越多,同时ai-aj大于0时,差值越大,说明第i种调味料与其它调味料相比,用户使用次数相对越多,则相对用户想要添加的其它调味料,第i种调味料出现的越频繁,即相对添加频繁系数PGNi越大;当第k个用户属于可靠用户时,说明该用户每周做饭次数较多,相对较为可靠,该用户的数据越可靠,评分越准确,即PGBk越大;gk,i越大,表示第k个用户对第i种调味料的添加评价越高,则说明第k个用户对第i种调味料越喜爱、越想要添加到复合调味料中;同时PGNi越大,说明想要添加第i种调味料的用户数量相对越多,即大多数用户更希望第i种调味料添加到复合调味料中,第i种调味料的用户添加意愿越强烈,PGi越大。
通过上述方法根据用户不想要添加的调味料种类及评分数据计算各种调味料的拒绝意愿指数,具体为:首先将用户不想添加(拒绝添加)的调味料种类数记为B,即共有B种用户拒绝添加的调味料,对于各种拒绝添加的调味料,将调味料的拒绝添加的用户数量作为该调味料的拒绝次数,分别记为b1、b2、b3…bB,其中bi′为第i′种调味料的拒绝次数。
然后计算各种调味料的拒绝意愿指数,表达式为:
式中,PBi′为第i′种调味料的拒绝意愿指数,N为本实施例选取的用户个数,bk,i′为第k个用户对第i′种调味料的第二评分,PGBk为第k个用户的评分可靠权重,PBNi′为第i′种调味料的相对拒绝频繁系数,e()为以e为底的指数函数,B为所有用户拒绝添加的所有调味料种类数,bi′为第i′种调味料的拒绝次数,bj′为第j′种调味料的拒绝次数。不希望第i′种调味料添加到复合调味料中的用户数量越多,第i′种调味料的用户拒绝意愿越强烈,拒绝意愿指数PB越大。
在调味料市场,由于用户地区、年龄等条件的差异,用户的口味也不尽相同,存在着较大的差异,如有的用户喜欢味道较辣的调味料,想要将其添加到复合调味料中,对其添加评分较高;但是存在其他用户不喜欢较辣的调味料,此时该用户可能会不想要添加到复合调味料中,对其不想添加的评分也较高。在所有用户反馈数据中,统计所有调味料(包括用户想要添加和拒绝添加的调味料)的种类,将所有调味料组成的集合作为完整调味料集合,将统计到的调味料的种类数量记为Z,以第z种调味料为例,根据完整调味料集合中各种调味料的添加意愿指数及拒绝意愿指数构建各种调味料的综合意愿指数Pz:
式中,Pz为第z种调味料的综合意愿指数,PGz为第z种调味料的添加意愿指数,PBz为第z种调味料的拒绝意愿指数,e()为以e为底的指数函数。其中当某种调味料的添加意愿指数或拒绝意愿指数不存在时,将该种调味料的添加意愿指数或拒绝意愿指数设置为σ,需要说明的是,σ的值实施者可自行设定,本实施例将σ的值设定为0。
PGz-PBz越大,说明对于第z种调味料,所有用户的整体添加意愿比整体拒绝意愿更强烈,则用户综合意愿指数Pz越大。该值越大,说明用户总体更喜欢第z种调味料,更希望将第z种调味料添加到复合调味料中。
用户想要在复合调味料中添加的调味料种类之间往往是具有一定关联度的,比如某用户可能更希望复合调味料是炖汤的,那么该用户想要添加的调味料应该都是炖汤时常用的调味料,比如说肉桂、八角常常被用做炖汤,则若用户想添加的调味料中有肉桂,往往具有较大概率也会存在八角。某个调味料与其它调味料之间的关联度越高,该调味料可能具有更多的通用性和适用性,可以用于更广泛的菜肴,同时该调味料及其关联度较高调味料的综合意愿指数越大,该调味料受用户的喜爱程度越高,用户越愿意将其添加到复合调味料中。
将完整调味料集合中任意两种调味料组成的组合作为各调味料组合,将第k个用户想要添加的调味料组成集合记为第一集合Uk,则以α调味料和β调味料组成的调味料组合为例,计算各调味料组合的添加关联系数,表达式为:
式中,RGα,β为α、β调味料组合的添加关联系数,N为本实施例选取的用户个数,RCP(LUα,β,Uk)为第k个用户对α、β调味料组合的第一有效权值,LUα,β为α、β调味料组合(如当α=“八角”,β=“花椒”,则LUα,β={八角,花椒}),Uk为第k个用户的第一集合,PGBk为第k个用户的评分可靠权重,RLα,β为α、β调味料同时添加频率,D′α,β为α、β调味料均想要添加的用户个数,aα、aβ分别为α、β调味料的使用次数,max()函数为最大值函数。
当说明Uk集合同时包含或等于α、β调味料,此时匹配成功,RCP(LUα,β,Uk)第一有效权值为1,当出现其他情况时,则说明Uk不包含或不等于LUα,β,此时匹配失败,RCP(LUα,β,Uk)第一有效权值为0;D′α,β越大,说明用户想要同时添加α、β调味料的数量越多,该两种调味料在用户添加数据中同时出现的频率越高,添加频率RLα,β越大;RCP(LUα,β,Uk)为1,同时PGBk越大,说明该第k个用户数据越可靠,匹配结果越准确,则α、β调味料的添加关联度越大,添加关联系数RGα,β越大,而RLα,β越大,说明这两种调味料在用户添加数据中同时出现的频率越高,则α、β调味料的添加关联度越大,添加关联系数RGα,β越大。
α、β调味料的添加关联系数RGα,β越大,说明用户更想同时添加这两种调味料,但是仍然存在有的用户不想同时添加这两种调味料的情况,因此,将第k个用户拒绝添加的调味料组成的集合记为第二集合Vk,则以α调味料和β调味料组成的调味料组合为例,计算各调味料组合的拒绝关联系数,表达式为:
式中,RBα,β为α、β调味料组合的拒绝关联系数,N为本实施例选取的用户个数,RBP(LUα,β,Vk)为第k个用户对α、β调味料组合的第二有效权值,LUα,β为α、β调味料组合,Vk为第k个用户的第二集合,PGBk为第k个用户的评分可靠权重,RPα,β为α、β调味料同时拒绝频率,D″α,β为α、β调味料均拒绝的用户个数,bα、bβ分别为α、β调味料的拒绝次数,max()函数为最大值函数。
基于上述分析计算α、β调味料之间的综合关联系数:
式中,Rα,β为α、β调味料之间的综合关联系数,RGα,β为α、β调味料的添加关联系数,RBα,β为α、β调味料的拒绝关联系数。RGi-RBi越大,说明所有用户整体的添加关联度比拒绝关联度更高,则综合关联系数Rα,β越高,即多数用户更希望同时添加α、β调味料。
至此,可得所有不同种类调味料之间的综合关联系数,对于第z种调味料,获取与第z种调味料之间的综合关联系数最大的前L种调味料,将其组成的集合作为第z种调味料的关联调味料集合,即关联调味料集合中元素个数为L,需要说明的是,L的值实施者可自行设定,本实施例将L的值设定为5。根据第z种调味料及其关联调味料的综合意愿指数计算第z种调味料的用户喜好指数:
式中,Wz为第z种调味料的用户喜好指数,Pz为第z种调味料的综合意愿指数,Pz,l为关联调味料集合中第l个调味料的综合意愿指数,L为关联调味料集合中元素个数。
Pz越大,说明该调味料的用户综合意愿强烈指数越高,即用户越希望将其添加到复合调味料中,对其较为喜欢,同时Pz,l越大,说明与其综合关联程度较大的其他调味料用户综合意愿强烈指数也越高,用户也越希望将其添加到复合调味料中,因此用户对第z种调味料的喜好程度越大,即用户喜好指数Wz越大。
在复合调味料市场中,产品销售量也是一种用户反馈信息的体现,由该调味料组成的复合调味料产品销售量越多,说明该调味料越受市场用户的青睐,因此统计所有调味料的综合销售量,如对于第z种调味料,统计所有含第z种调味料的复合调味料产品的年销售量,将其之和作为第z种调味料的综合销售量,记为Oz。
基于上述分析,结合所得第z种调味料的综合意愿指数Pz、用户喜好指数Wz和综合销售量Oz的特征信息向量,可具体表示为Yz:
Yz=[Pz,Wz,Oz]
式中,Pz越大,说明用户越想在复合调味料中添加第z种调味料,Wz越大,说明第z种调味料受到用户的喜爱、欢迎程度越高,Oz越大,说明含第z种调味料的复合调味料销售量越多,越受市场用户的青睐,则厂商越应该考虑第z种调味料是否应当加入到复合调味料中,进行复合调味料的控制、研发,调味料特征信息向量的模越大。
步骤S003,根据各调味料的特征信息向量进行聚类得到最受欢迎的各调味料。
通过上述方式得到各种调味料的特征信息向量Y,该向量长度为3,本发明目的是将用户对复合调味料较高维度的反馈信息转换成较低维度的调味料特征信息向量,由于上述步骤所得的组成向量可能存在量纲的不同,导致进行DBSCAN聚类算法结果精度较低的问题,因此本发明先对调味料特征信息向量进行Z-score归一化处理,将每个调味料对应的特征信息向量输入到DBSCAN聚类算法中,邻域半径(ε)设为经验值3,最小邻域点数(MinPts)设为5,度量距离采用欧式距离,最终完成对各调味料的聚类,将其聚类成K个簇。
基于上述步骤完成对各个种类调味料的聚类,由各个簇的聚类中心,计算其与坐标原点的欧式距离,由于本发明的DBSCAN聚类算法中的度量距离是由调味料的特征信息向量计算的,该欧式距离越远,说明用户越想在复合调味料中添加第z种调味料、第z种调味料受到用户的喜爱、欢迎程度越高、含第z种调味料的复合调味料销售量越多,越受市场用户的青睐。则如某一复合调味料中同时含有肉桂、花椒、茴香、小米椒等调味料,此时若根据上述聚类结果,肉桂、花椒等调味料所在的簇欧式距离较高,此时这些调味料都是用户较为喜欢、其市场价值都相对较高,而茴香、小米椒等调味料所在的簇欧式距离越小,用户可能对其并不喜欢、市场价值都相对较低,此时厂商可以基于此对复合调味料产品进行控制、研发等处理,对于复合调味料,应当根据实际情况,添加市场价值较大的调味料,去除市场价值较少的调味料,提高厂商复合调味料产品的市场销售额,实现复合调味料的控制。上述方法步骤如图2所示。
基于与上述方法相同的发明构思,本发明实施例还提供了一种基于用户反馈的复合调味料控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于用户反馈的复合调味料控制方法中任意一项所述方法的步骤。
综上所述,本发明实施例通过采集用户对各种调味料的愿意添加或不愿意添加程度构建各调味料的综合意愿指数、用户喜好指数,结合销售量构建特征向量,对各调味料的特征向量进行聚类,避免了DBSCAN聚类算法对于高维数据聚类效率较差的问题,提高了DBSCAN聚类算法对调味料的聚类结果的可靠性,具有较高的受欢迎调味料选择准确性;
本实施例对用户反馈的复合调味料信息进行分析,基于采集得到的调味料的种类、用户对调味料的评分构建各种调味料的用户综合意愿强烈指数,反应用户添加该调味料的意愿强烈程度,其值越大,说明用户对该调味越想要添加;再根据任意两种调味料出现的次数特征,结合用户的周做饭次数,得到任意两种调味料的综合关联度,基于此得到该调味料的用户喜好指数,反应用户对该调味料的欢迎程度,最后再基于含调味料的复合调味料销售额,共同组成代表多维调味料数据的特征信息向量,有效的避免DBSCAN聚类算法对于高维数据聚类效率较差的问题,完成对各种调味料的聚类,根据聚类结果对复合调味料产品进行控制,有利于复合调味料的生产控制。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (9)
1.一种基于用户反馈的复合调味料控制方法,其特征在于:
采集用户想要添加、拒绝添加的调味料及对应评分数据;
获取各用户每周做饭次数;根据各用户的每周做饭次数得到各用户的评分可靠权重;对于各调味料,将想要添加调味料的用户数量作为调味料的使用次数;根据各调味料的使用次数得到各调味料的相对添加频繁系数;根据各用户的评分、评分可靠权重及各调味料的相对添加频繁系数得到各调味料的添加意愿指数;获取各调味料的拒绝意愿指数;根据各调味料的添加意愿指数及拒绝意愿指数得到各调味料的综合意愿指数;
将任意两种调味料组成的集合作为各调味料组合;获取各用户对各调味料组合的第一有效权值;根据各调味料的使用次数及各调味料组合的第一有效权值得到各调味料组合的添加关联系数;获取各调味料组合的拒绝关联系数;根据各调味料组合的添加关联系数及拒绝关联系数得到各调味料组合的综合关联系数;根据各调味料组合的综合关联系数得到各调味料的用户喜好指数;
将含各调味料产品的年销售量之和作为各调味料的综合销售量;将各调味料的综合意愿指数、用户喜好指数及综合销售量作为各调味料的特征信息向量;结合DBSCAN聚类算法对各调味料的特征信息向量进行聚类获取最受欢迎调味料;
所述根据各调味料的使用次数得到各调味料的相对添加频繁系数,具体包括:
计算第i种调味料与其它各调味料的使用次数的差值,计算所有所述差值的和值;获取以自然常数为底数、以第i种调味料的使用次数的负数为指数的指数函数的计算结果;计算1与所述计算结果的差值;将所述差值与所述和值的乘积作为第i种调味料的相对添加频繁系数。
2.如权利要求1所述的一种基于用户反馈的复合调味料控制方法,其特征在于,所述根据各用户的每周做饭次数得到各用户的评分可靠权重,具体为:
通过大津法获取第一阈值,将每周做饭次数大于第一阈值的用户作为可靠用户;通过映射函数计算各可靠用户的每周做饭次数与大津阈值的差值的映射值;将所述映射值作为各可靠用户的评分可靠权重;预设不可靠用户的评分可靠权重。
3.如权利要求1所述的一种基于用户反馈的复合调味料控制方法,其特征在于,所述根据各用户的评分、评分可靠权重及各调味料的相对添加频繁系数得到各调味料的添加意愿指数,具体包括:
计算各用户评分可靠权重与对第i种调味料想要添加的评分的乘积;计算所有所述乘积的均值;获取以自然常数为底数、以第i种调味料的相对添加频繁系数为指数的指数函数的计算结果;将所述均值与所述计算结果的乘积作为第i种调味料的添加意愿指数。
4.如权利要求1所述的一种基于用户反馈的复合调味料控制方法,其特征在于,所述根据各调味料的添加意愿指数及拒绝意愿指数得到各调味料的综合意愿指数,具体包括:
计算各调味料的添加意愿指数与拒绝意愿指数的差值,获取以自然常数为底数、以所述差值为指数的指数函数的计算结果;将所述计算结果作为各调味料的综合意愿指数。
5.如权利要求1所述的一种基于用户反馈的复合调味料控制方法,其特征在于,所述获取各用户对各调味料组合的第一有效权值,具体为:
对于各调味料组合,当调味料组合中两种调味料均为第k个用户的想要添加的调味料时,将第k个用户对调味料组合的第一有效权值预设为Q1;当两种调味料不全为第k个用户的想要添加的调味料时,将第k个用户对调味料组合的第一有效权值预设为Q2,其中Q1、Q2为预设权值,Q1>Q2。
6.如权利要求1所述的一种基于用户反馈的复合调味料控制方法,其特征在于,所述根据各调味料的使用次数及各调味料组合的第一有效权值得到各调味料组合的添加关联系数,具体包括:
对于各调味料组合,统计调味料组合中两种调味料均想要添加的用户个数;获取所述两种调味料的使用次数中最大值;将所述用户个数与所述最大值的比值作为调味料组合的同时添加频率;计算各用户的第一有效权值与评分可靠权重的乘积;计算所有所述乘积的均值;获取以自然常数为底数、以调味料组合的同时添加频率为指数的指数函数的计算结果;将所述均值与所述计算结果的乘积作为调味料组合的添加关联系数。
7.如权利要求1所述的一种基于用户反馈的复合调味料控制方法,其特征在于,所述根据各调味料组合的添加关联系数及拒绝关联系数得到各调味料组合的综合关联系数,具体包括:
计算各调味料组合的添加关联系数与拒绝关联系数的差值;获取以自然常数为底数、以所述差值为指数的指数函数的计算结果;将所述计算结果作为各调味料组合之间的综合关联系数。
8.如权利要求1所述的一种基于用户反馈的复合调味料控制方法,其特征在于,所述根据各调味料组合的综合关联系数得到各调味料的用户喜好指数,具体包括:
获取与第z种调味料之间的综合关联系数最大的前L种调味料,其中L为预设调味料种类数;计算前L种调味料的综合意愿指数的均值;将第z种调味料的综合意愿指数与所述均值的和值作为第z种调味料的用户喜好指数。
9.一种基于用户反馈的复合调味料控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任意一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583590.0A CN117493913B (zh) | 2023-11-24 | 2023-11-24 | 一种基于用户反馈的复合调味料控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583590.0A CN117493913B (zh) | 2023-11-24 | 2023-11-24 | 一种基于用户反馈的复合调味料控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117493913A CN117493913A (zh) | 2024-02-02 |
CN117493913B true CN117493913B (zh) | 2024-05-14 |
Family
ID=89684829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311583590.0A Active CN117493913B (zh) | 2023-11-24 | 2023-11-24 | 一种基于用户反馈的复合调味料控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493913B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090234712A1 (en) * | 1999-06-28 | 2009-09-17 | Musicip Corporation | Method and apparatus for automated selection, organization, and recommendation of items based on user preference topography |
US20170199930A1 (en) * | 2009-08-18 | 2017-07-13 | Jinni Media Ltd. | Systems Methods Devices Circuits and Associated Computer Executable Code for Taste Profiling of Internet Users |
-
2023
- 2023-11-24 CN CN202311583590.0A patent/CN117493913B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
结合用户聚类和评分偏好的推荐算法;高茂庭;段元波;;计算机应用研究;20170721(08);第26-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117493913A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8504385B2 (en) | Personalized nutrition advisor | |
CN106288634B (zh) | 菜谱推荐方法、装置及智能冰箱 | |
CN106447388A (zh) | 一种菜品推荐方法及系统 | |
CN101373486B (zh) | 一种基于用户兴趣模型的个性化摘要系统 | |
TWI353555B (en) | Personalized meal planning method and system there | |
CN106548006A (zh) | 一种基于用户典型口味的膳食推荐方法 | |
CN109872798A (zh) | 一种大数据背景下的营养供餐方法及系统 | |
Shiu et al. | Segmenting the convenience and health trends in the British food market | |
CN116434915A (zh) | 保障儿童饮食营养均衡的管理方法及系统 | |
CN116130058A (zh) | 一种基于智慧饮食的食谱推荐方法 | |
CN117493913B (zh) | 一种基于用户反馈的复合调味料控制方法及系统 | |
CN109345315B (zh) | 客户就餐体验评估模型的创建方法和评估方法 | |
CN109300527A (zh) | 饮食信息的推荐方法 | |
Abukari et al. | Perceived quality characteristics influencing households’ preference for local and imported rice and their effect on price in the northern region, Ghana | |
CN114822770B (zh) | 一种智能饮食管理系统 | |
CN112102922B (zh) | 一种信息推荐方法和装置 | |
KR100912728B1 (ko) | 퍼지 추론을 이용한 복분자주의 품질등급 평가방법 | |
CN115221390A (zh) | 融合用户偏好和信任关系的混合群组餐厅推荐 | |
DE102019213104A1 (de) | Bestimmen einer Empfehlung für eine Speise | |
CN115147247B (zh) | 一种基于智慧食堂的食谱推荐系统及方法 | |
Maharajh et al. | Are Cocoa Farmers in Trinidad Happy? Exploring Factors Affecting their Happiness. | |
Mir et al. | Consumption Pattern of Fast Food among university students in Kashmir | |
Jemai et al. | Consumers Decision and Preference of Dry Sliced Arecas in Border Area (A Case Study in North Central Timor Regency) | |
Lasitya et al. | THE IMPACT OF HOUSEHOLD CHARACTERISTICS ON THE DEMAND FOR ANIMAL PROTEIN FOOD AWAY FROM HOME IN JAKARTA | |
WO2024149246A1 (en) | System, method, and computer-readable medium for providing dietary recommendations using knowledge graphs |
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 |