一种基于Apriori算法的酒店畅销菜品推荐方法技术

本发明专利技术公开了一种基于Apriori算法的酒店畅销菜品推荐方法，主要为各类酒店提供畅销热门菜品的推荐，并根据不同时间段、不同季节段、不同地域的顾客点菜偏好，对酒店的热销菜品进行分析，实现酒店对于不同顾客的菜品需求的分析，利用Apriori算法，通过对就餐时间、就餐季节以及顾客所属地域的相关分析及研究，得到不同就餐时间与菜品选择之间、不同就餐季节与菜品选择之间以及来着不同地域顾客与选择菜品之间存在的关系，以此为客人提供最佳的菜品推荐。

【技术实现步骤摘要】
一种基于Apriori算法的酒店畅销菜品推荐方法
本专利技术涉及一种基于Apriori算法的酒店畅销菜品推荐方法，属于信息推荐

技术介绍
计算机信息技术的迅猛发展，对人类社会的演变与进步产生了十分重大的影响。它使我们的社会的信息化进程变得更加的迅速，同时随着现代人类生活节奏的加快以及科学技术的发展，人们获取到信息数据的方式更加的多样化，获取到海量的数据也变得更加的容易，从而使得信息的储存量也急剧增加。面对如此海量且繁杂的数据，我们更加关注的并非数据本身，而是隐藏在数据背后的一些重要信息。对于这一挑战，数据挖掘应运而生。数据挖掘有许多研究方向，而关联规则挖掘就是其中之一，它反映了大量数据之间存在的相关联系。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于Apriori算法的酒店畅销菜品推荐方法。本专利技术是在针对典型的关联规则挖掘算法Apriori算法基础上，将其关联规则挖掘的技术应用到酒店行业数据的分析之中。通过对酒店不同季节、时间段以及顾客来源地的相关数据和对应畅销菜品的分析及研究，得到不同就餐时间与菜品选择之间、不同就餐季节与菜品选择之间以及来着不同地域顾客与选择菜品之间存在的关系，以此为顾客推荐最佳的热门菜品，为酒店备菜提供依据。本专利技术采用的技术方案是：一种基于Apriori算法的酒店畅销菜品推荐方法，包括如下步骤：Step1：收集各个地区酒店的地址，客人的就餐时间、就餐季节以及常点菜品数据，生成事物数据库；Step2：扫描事物数据库，从中找出满足最小支持计数的频繁集M1；Step3：根据M1产生候选集N2，并再次扫描事物数据库，从中找出满足最小支持计数的频繁集M2；Step4：根据M2产生候选集N3，并删除子集不属于M2的候选集；重复进行该操作，并产生M1，...，Mx；Step5：当扫描事物数据库并发现Mi为空集时结束，并将最后得到的频集输出；Step6：将Step5得到的频集作为推荐主数据库；Step7：根据联合分析为顾客推荐最佳的热门菜品，为酒店备菜提供依据。进一步地，所述步骤Step1中，事物数据库包含4个事务，即|D|＝4，最小支持数mincount＝2，即最小支持度minsup＝2/4＝50％。进一步地，所述步骤Step2中，频繁集数据挖掘的具体实现过程如下所述：S1：数据过滤首先对事务数据库D进行扫描并且进行计数，得到N1，取出计数大于最小支持数的项集(其中项集{D}的支持数为1小于最小支持数2，删除{D}项集)，产生M1＝{{A}，{B}，{C}，{F}}。第一次对数据库进行扫描产生的关联规则会产生冗余数据，继续对数据库进行第二次扫描。S2：分级子数据库的生成由Apriori_gen(M1)(产生相应的候选项集)生成N2，扫描数据库D，对N2中的每个项集进行计数(其中{A，B}，{A，F}支持数为1，小于最小支持数2，删除{A，B}，{A，F}两个项集)，计算N2中每个候选集得到M2，所得到M2的中的频繁项集{A，C}，{B，C}，{B，F}，{C，F}作为事物数据库的分级子数据库。进一步地，所述步骤Step6中，主数据库生成的方式为：事物数据库的分级子数据库M2，由Apriori_gen(L2)生成N3，扫描事务数据库D，对N3中的每个项目进行计数，取出N3中大于最小支持数的项集(其中{A，B，C}，{A，B，F}，{A，C，F}三个项集的支持数为1，小于最小支持数2，删除该三项，留下计数大于最小支持数的项集)，最终得到N3，其中{A，B，C}是最后得到的主数据库。进一步地，所述步骤Step7中，的联合分析方法为：利用得到的分级子数据库及主数据库进行共同分析。本专利技术的有益效果是：本专利技术提出一种基于Apriori算法的酒店畅销菜品推荐方法，通过对各个地域酒店行业的数据资源整合，利用Apriori算法，通过对酒店不同季节、时间段以及顾客来源地的相关数据和对应畅销菜品的分析及研究，得到不同就餐时间与菜品选择之间、不同就餐季节与菜品选择之间以及来着不同地域顾客与选择菜品之间存在的关系，以此为顾客推荐最佳的热门菜品，为酒店备菜提供依据。附图说明图1为本专利技术的Apriori算法流程图；图2为本专利技术的Apriori算法生成分级子数据库示意图；图3为本专利技术的Apriori算法生成主数据库示意图。具体实施方式下面结合附图和具体实施方式，对本专利技术作进一步的说明。实施例1：如图1-3所示，一种基于Apriori算法的酒店畅销菜品推荐方法，包括如下步骤：Step1：收集各个地区酒店的地址，客人的就餐时间、就餐季节以及常点菜品数据，生成事物数据库；Step2：扫描事物数据库，从中找出满足最小支持计数的频繁集M1；Step3：根据M1产生候选集N2，并再次扫描事物数据库，从中找出满足最小支持计数的频繁集M2；Step4：根据M2产生候选集N3，并删除子集不属于M2的候选集；重复进行该操作，并产生M1，...，Mx；Step5：当扫描事物数据库并发现Mi为空集时结束，并将最后得到的频集输出；Step6：将Step5得到的频集作为推荐主数据库；Step7：根据联合分析为顾客推荐最佳的热门菜品，为酒店备菜提供依据。进一步地，所述步骤Step1中，事物数据库包含4个事务，即|D|＝4，最小支持数mincount＝2，即最小支持度minsup＝2/4＝50％。进一步地，所述步骤Step2中，频繁集数据挖掘的具体实现过程如下所述：S1：数据过滤首先对事务数据库D进行扫描并且进行计数，得到N1，取出计数大于最小支持数的项集(其中项集{D}的支持数为1小于最小支持数2，删除{D}项集)，产生M1＝{{A}，{B}，{C}，{F}}。第一次对数据库进行扫描产生的关联规则会产生冗余数据，继续对数据库进行第二次扫描。S2：分级子数据库的生成由Apriori_gen(M1)(产生相应的候选项集)生成N2，扫描数据库D，对N2中的每个项集进行计数(其中{A，B}，{A，F}支持数为1，小于最小支持数2，删除{A，B}，{A，F}两个项集)，计算N2中每个候选集得到M2，所得到M2的中的频繁项集{A，C}，{B，C}，{B，F}，{C，F}作为事物数据库的分级子数据库，生成过程如图2所示。进一步地，所述步骤Step6中，主数据库生成的方式为：事物数据库的分级子数据库M2，由Apriori_gen(L2)生成N3，扫描事务数据库D，对N3中的每个项目进行计数，取出N3中大于最小支持数的项集(其中{A，B，C}，{A，B，F}，{A，C，F}三个项集的支持数为1，小于最小支持数2，删除该三项，留下计数大于最小支持数的项集)，最终得到N3，其中{A，B，C}是最后得到的主数据库，生成过程如图3所示。进一步地，所述步骤Step7中，的联合分析方法为：利用得到的分级子数据库及主数据库进行共同分析。以上结合附图对本专利技术的具体实施方式作了详细说明，但是本专利技术并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本专利技术宗旨的前提下作出各种变化。本文档来自技高网...

【技术保护点】
1.一种基于Apriori算法的酒店畅销菜品推荐方法，其特征在于：包括如下步骤：Step1：收集各个地区酒店的地址，客人的就餐时间、就餐季节以及常点菜品数据，生成事物数据库；Step2：扫描事物数据库，从中找出满足最小支持计数的频繁集M1；Step3：根据M1产生候选集N2，并再次扫描事物数据库，从中找出满足最小支持计数的频繁集M2；Step4：根据M2产生候选集N3，并删除子集不属于M2的候选集；重复进行该操作，并产生M1，...，Mx；Step5：当扫描事物数据库并发现Mi为空集时结束，并将最后得到的频集输出；Step6：将Step5得到的频集作为推荐主数据库；Step7：根据联合分析为顾客推荐最佳的热门菜品，为酒店备菜提供依据。

【技术特征摘要】
1.一种基于Apriori算法的酒店畅销菜品推荐方法，其特征在于：包括如下步骤：Step1：收集各个地区酒店的地址，客人的就餐时间、就餐季节以及常点菜品数据，生成事物数据库；Step2：扫描事物数据库，从中找出满足最小支持计数的频繁集M1；Step3：根据M1产生候选集N2，并再次扫描事物数据库，从中找出满足最小支持计数的频繁集M2；Step4：根据M2产生候选集N3，并删除子集不属于M2的候选集；重复进行该操作，并产生M1，...，Mx；Step5：当扫描事物数据库并发现Mi为空集时结束，并将最后得到的频集输出；Step6：将Step5得到的频集作为推荐主数据库；Step7：根据联合分析为顾客推荐最佳的热门菜品，为酒店备菜提供依据。2.根据权利要求1所述的一种基于Apriori算法的酒店畅销菜品推荐方法，其特征在于：所述步骤Step1中，事物数据库包含4个事务，即|D|＝4，最小支持数mincount＝2，即最小支持度minsup＝2/4＝50％。3.根据权利要求1所述的一种基于Apriori算法的酒店畅销菜品推荐方法，其特征在于：所述步骤Step2中，频繁集数据挖掘的具体实现过程如下所述：S1：数据过滤首先对事务数据库D进行扫描并且进行计数，得到N1，取出计数大于最小支持数的项集，其中项集{D}的支持数为1小于最小...

【专利技术属性】
技术研发人员：龙华，杨威，杜庆治，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53