美食数据的推荐方法和装置制造方法及图纸

本发明专利技术提供了一种美食数据的推荐方法和装置，涉及数据处理的技术领域，该方法包括：获取目标网页的投放数据；采用预先建立的神经网络对投放数据进行预测，以在投放数据中确定推荐数据，其中，推荐数据为投放数据中兴趣度满足预设兴趣度的数据，兴趣度为当前用户对投放数据的兴趣度，预先建立的神经网络为预先采用不同时间段当前用户的用户行为数据进行训练得到的神经网络；向当前用户推荐推荐数据，缓解了现有的数据推荐方案推荐精度较差的技术问题。

Method and apparatus for recommending gourmet data

The present invention provides a method and apparatus for recommending delicacy data, relates to the technical field of data processing, the method includes: acquiring the target web delivery data; using neural network to predict the pre established delivery data, to determine the recommended data in the delivery of data, the recommended data preset data for interest interest put the data of interest for the current user satisfaction degree of data put the interest, the pre established neural network for user behavior data in advance by different time of the current user neural network by training; to recommend the current user data, alleviate the technical problems existing data recommendation accuracy of recommendation.

【技术实现步骤摘要】
美食数据的推荐方法和装置
本专利技术涉及数据处理的
，尤其是涉及一种美食数据的推荐方法和装置。
技术介绍
随着互联网的快速发展，互联网给大家提供了更加便捷的数据获取方式，以及沟通方式。例如，用户可以在某个网页中浏览观看视频，其中，该网页还可以基于用于已浏览观看的视频为该用户推荐该用于可能喜欢的视频，以提高用户体验。传统的推荐方案是通过收集用户行为对用户标记喜好内容标签，再通过标签给用户推荐内容。这种推荐方式的缺点是内容标签对用户喜好的标注过于粗放，随收集用户行为增多并不能提高给用户推荐内容的精度。
技术实现思路
本专利技术的目的在于提供一种美食数据的推荐方法和装置，以缓解现有的数据推荐方案推荐精度较差的技术问题。根据本专利技术的一个方面，提供了一种美食数据的推荐方法，包括：获取目标网页的投放数据；采用预先建立的神经网络对所述投放数据进行预测，以在所述投放数据中确定推荐数据，其中，所述推荐数据为所述投放数据中兴趣度满足预设兴趣度的数据，所述兴趣度为当前用户对所述投放数据的兴趣度，所述预先建立的神经网络为预先采用不同时间段所述当前用户的用户行为数据进行训练得到的神经网络；向所述当前用户推荐所述推荐数据。进一步地，所述投放数据包括多条投放数据，采用预先建立的神经网络对所述投放数据进行预测，以在所述投放数据中确定推荐数据包括：采用所述预先建立的神经网络对所述投放数据进行预测，以得到每条所述投放数据的第一概率，其中，所述第一概率表示所述当前用户对当前投放数据的兴趣度；将所述投放数据中兴趣度大于或者等于预设兴趣度的投放数据作为所述推荐数据。进一步地，在获取目标网页的投放数据之前，所述方法还包括：判断是否已建立与所述当前用户相对应的神经网络模型；如果判断出已建立与所述当前用户相对应的神经网络模型，则采集预设时间段内所述当前用户的用户行为数据，其中，所述用户行为数据为根据所述当前用户对已投放数据所执行的操作得到的数据；采用所述预设时间段内的所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练，以使所述神经网络模型对所述当前用户所感兴趣的数据进行记忆。进一步地，采集预设时间段内所述当前用户的用户行为数据包括：每隔预设间隔时间采集所述预设时间段内所述当前用户的用户行为数据；采用所述预设时间段内所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练包括：每隔所述预设间隔时间采用所述预设时间段内所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练。进一步地，在向所述当前用户推荐所述推荐数据之前，所述方法还包括：获取所述当前用户的用户资料，其中，所述用户资料包括当前用户的籍贯，当前用户的性别，当前用户的姓名；根据所述用户资料对所述推荐数据进行筛选，得到筛选之后的所述推荐数据；向所述当前用户推荐所述推荐数据包括：将筛选之后的所述推荐数据推送给所述当前用户。进一步地，在向所述当前用户推荐所述推荐数据之后，所述方法还包括：按照预设格式对所述推荐数据按照推荐时间进行存储，存储在数据库中，其中，所述数据库用于存储历史推荐数据；获取用户的查询指令，并根据所述查询指令在所述数据库中查询历史推荐数据。根据本专利技术的另一个方面，还提供了一种美食数据的推荐装置，包括：第一获取单元，用于获取目标网页的投放数据；预测单元，用于采用预先建立的神经网络对所述投放数据进行预测，以在所述投放数据中确定推荐数据，其中，所述推荐数据为所述投放数据中兴趣度满足预设兴趣度的数据，所述兴趣度为当前用户对所述投放数据的兴趣度，所述预先建立的神经网络为预先采用不同时间段所述当前用户的用户行为数据进行训练得到的神经网络；推荐单元，用于向所述当前用户推荐所述推荐数据。进一步地，所述投放数据包括多条投放数据，所述预测单元包括：预测模块，用于采用所述预先建立的神经网络对所述投放数据进行预测，以得到每条所述投放数据的第一概率，其中，所述第一概率表示所述当前用户对当前投放数据的兴趣度；确定模块，用于将所述投放数据中兴趣度大于或者等于预设兴趣度的投放数据作为所述推荐数据。进一步地，所述装置还包括：判断单元，用于在获取目标网页的投放数据之前，判断是否已建立与所述当前用户相对应的神经网络模型；采集单元，用于在判断出已建立与所述当前用户相对应的神经网络模型的情况下，采集预设时间段内所述当前用户的用户行为数据，其中，所述用户行为数据为根据所述当前用户对已投放数据所执行的操作得到的数据；训练单元，用于采用所述预设时间段内所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练，以使所述神经网络模型对所述当前用户所感兴趣的数据进行记忆。进一步地，所述采集单元包括：采集模块，用于每隔预设间隔时间采集所述预设时间段内所述当前用户的用户行为数据；所述训练单元包括：训练模块，用于每隔所述预设间隔时间采用所述预设时间段内所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练。在本专利技术实施例中，首先获取目标网页的投放数据；然后，采用预先建立的神经网络模型对投放数据进行预测，以根据预测结果在投放数据中确定推荐数据；最后，将推荐数据推荐给用户，其中，推荐数据为投放数据中兴趣度满足预设兴趣度的数据，兴趣度为当前用户对投放数据的兴趣度，预先建立的神经网络为预先采用不同时间段当前用户的用户行为数据进行训练得到的神经网络。上述神经网络模型为一个动态模型，该模型可以对不同时间段的用户行为数据进行训练，通过越来越多行为数据训练，能够保证该模型会越来越准确，那么推荐的数据也就越来越精确，进而缓解了现有的数据推荐方案推荐精度较差的技术问题，从而实现了准确为用户推荐数据的技术效果。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本专利技术的一些实施方式，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是根据本专利技术实施例的一种美食数据的推荐方法的流程图；图2是根据本专利技术实施例的第一种可选地美食数据的推荐方法的流程图；图3是根据本专利技术实施例的第二种可选地美食数据的推荐方法的流程图；图4是根据本专利技术实施例的第三种可选地美食数据的推荐方法的流程图；图5是根据本专利技术实施例的第四种可选地美食数据的推荐方法的流程图；图6是根据本专利技术实施例的一种美食数据的推荐装置的示意图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“本文档来自技高网...

【技术保护点】
一种美食数据的推荐方法，其特征在于，包括：获取目标网页的投放数据；采用预先建立的神经网络对所述投放数据进行预测，以在所述投放数据中确定推荐数据，其中，所述推荐数据为所述投放数据中兴趣度满足预设兴趣度的数据，所述兴趣度为当前用户对所述投放数据的兴趣度，所述预先建立的神经网络为预先采用不同时间段所述当前用户的用户行为数据进行训练得到的神经网络；向所述当前用户推荐所述推荐数据。

【技术特征摘要】
1.一种美食数据的推荐方法，其特征在于，包括：获取目标网页的投放数据；采用预先建立的神经网络对所述投放数据进行预测，以在所述投放数据中确定推荐数据，其中，所述推荐数据为所述投放数据中兴趣度满足预设兴趣度的数据，所述兴趣度为当前用户对所述投放数据的兴趣度，所述预先建立的神经网络为预先采用不同时间段所述当前用户的用户行为数据进行训练得到的神经网络；向所述当前用户推荐所述推荐数据。2.根据权利要求1所述的推荐方法，其特征在于，所述投放数据包括多条投放数据，采用预先建立的神经网络对所述投放数据进行预测，以在所述投放数据中确定推荐数据包括：采用所述预先建立的神经网络对所述投放数据进行预测，以得到每条所述投放数据的第一概率，其中，所述第一概率表示所述当前用户对当前投放数据的兴趣度；将所述投放数据中兴趣度大于或者等于预设兴趣度的投放数据作为所述推荐数据。3.根据权利要求1所述的推荐方法，其特征在于，在获取目标网页的投放数据之前，所述方法还包括：判断是否已建立与所述当前用户相对应的神经网络模型；如果判断出已建立与所述当前用户相对应的神经网络模型，则采集预设时间段内所述当前用户的用户行为数据，其中，所述用户行为数据为根据所述当前用户对已投放数据所执行的操作得到的数据；采用所述预设时间段内所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练，以使所述神经网络模型对所述当前用户所感兴趣的数据进行记忆。4.根据权利要求3所述的推荐方法，其特征在于，采集预设时间段内所述当前用户的用户行为数据包括：每隔预设间隔时间采集所述预设时间段内所述当前用户的用户行为数据；采用所述预设时间段内的所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练包括：每隔所述预设间隔时间采用所述预设时间段内所述当前用户的用户行为数据对已建立的所述神经网络模型进行训练。5.根据权利要求3所述的推荐方法，其特征在于，在向所述当前用户推荐所述推荐数据之前，所述方法还包括：获取所述当前用户的用户资料，其中，所述用户资料包括当前用户的籍贯，当前用户的性别，当前用户的姓名；根据所述用户资料对所述推荐数据进行筛选，得到筛选之后的所述推荐数据；向所述当前用户推荐所述推荐数据包括：...

【专利技术属性】
技术研发人员：黄跃，张宇峰，王先鹏，
申请(专利权)人：北京好豆网络科技有限公司，
类型：发明
国别省市：北京,11