面向移动订餐系统的内容推荐和协同过滤推荐的混合方法技术方案

一种面向移动订餐系统的内容推荐和协同过滤推荐的混合方法，包括：依据客户已往所购产品数据和产品收藏情况，得出客户特征向量和客户对产品特征的偏好；根据客户特征向量和客户特征喜好深度，采用余弦相似度计算客户之间的相似度，根据相似值的大小对客户进行排序；根据相似客户购买的产品种类，基于产品评分，按照分值大小从高到低排序，将产品列进候选推荐集合中；计算各种产品集合，得到最终推荐集合。本发明专利技术结合餐饮产品的特点实现商家对用户的个性化推荐，降低了用户评分和数据量少的局限性，加强了移动订餐的管理能力，从而保证了向用户推荐符合其实际需要的产品和服务。

【技术实现步骤摘要】
面向移动订餐系统的内容推荐和协同过滤推荐的混合方法
本专利技术涉及移动端设备领域，且特别涉及一种移动互联网环境下手机订餐的餐饮推荐方法。技术背景随着社会经济和科学技术的发展，饿了么、美团外卖等手机订餐APP变得越来越流行，人们不用出行就可以选定自己想要的餐饮，这极大方便了人们的生活。在餐饮行业中存在这样一种现象，许多餐饮管理系统较为落后，不能满足店铺管理人员和客户的实际需要，阻碍了餐饮行业的发展。为了有效解决这个问题，可以在餐饮业管理中引入推荐系统。通过对消费者已往数据的搜集和剖析，探寻出用户对产品及服务的偏好，给予用户更满意的服务，方便用户对餐饮的购买，也有助于管理人员更好的管理餐饮系统。在传统的推荐方法中，最常用的就是基于内容的推荐和协同过滤推荐算法。基于内容的推荐是根据用户之前的购买历史数据，向用户推荐与原来所购产品内容类似的产品。协同过滤推荐算法是根据用户已往的产品偏好记录，找到与此用户兴趣相似的别的用户，把这些别的用户感兴趣的产品内容向此用户进行推荐。这两种推荐算法都各有一定的局限性，基于内容的推荐算法不能具体得到其他用户的偏好情况，协同过滤推荐算法中所用的数据少，可能推荐不准确。由于传统推荐算法对用户的评分依赖性很强，而实际评分的用户很少，导致了没有办法进行准确的推荐。通过混合这两种推荐算法，可以提高推荐的准确性，推荐给用户实际需要的产品和服务。
技术实现思路
本专利技术为了克服传统推荐方法的不足，提供一种面向移动订餐系统的内容推荐和协同过滤推荐的混合方法，包括：步骤1.依据客户已往所购产品数据和产品收藏情况，得出客户特征向量和客户对产品特征的偏好，方法包括：a.将产品特征值用fi表示，将客户对fi的评分用ei表示，将客户所购产品中fi出现的次数用ti表示，n为产品总数，经过对客户已往所购产品数据和产品收藏情况的分析，ei是由fi的所购产品个数与产品总数之比，用公式表示为：若客户虽然没有购买某产品，却将产品放入收藏列表中了，从侧面反映出了客户对该产品还是有一定兴趣的，这也会给产品的特征值加分；b.客户所购产品具有价格特征和产品分类特征，两特征值都是离散型随机变量且记为Y1和Y2，假设这两个特征的标准差分别为σ1和σ2，均值分别为E(Y1)和E(Y2)，则两特征的变异系数分别为：c.客户对这两个特征的喜爱程度分别为：这里Q1加Q2等于1；d.客户特征向量是多维的，用向量可表示为W＝(e1,e2,e3,e4,e5,……,ei)，这个向量说明客户的偏好；步骤2.根据客户特征向量和客户特征喜好程度，采用余弦相似度计算客户之间的相似值，然后根据相似值的大小对客户进行排序，采用余弦相似度计算客户之间的相似性的方法包括：给定两个客户的特征向量，依次表示为X1和X2，则两个客户的相似值用公式表示为：这里的||X||和||Y||分别表示两个客户特征向量的长度，给出的相似性范围从0到1，其中0表示两个客户是独立的关系，1表示两个客户之间无差异；步骤3.根据相似客户购买的产品种类，基于产品评分，按照分值大小从高到低排序，将产品列进候选推荐集合中，基于产品评分的方法为：在计算得到相似用户后，给予相似客户所购产品分值，打分采用的公式为：S＝c(X1,X2)×(Q1×ea+Q2×eb)(7)这里S表示客户给予相似客户所购产品的分值，c(X1,X2)表示X1与X2之间的相似度，ea和eb是目前用户对产品两个特征取值的评分；步骤4.计算各种产品集合，得到最终推荐集合，计算的方法为：P(U)＝P(L)－P(L∩N)(8)P(W)＝P(N)(9)P(V)＝P(E)－P(L∪N)(10)这里的P指的是某种产品集合，P(E)指的是所有产品全集，P(L)指的是推荐产品候选集合，P(N)为客户购买过的产品的集合；P(U),P(V),P(W)为设立的三个优先级别从高到低依次排列的集合，其中P(U)为推荐产品候选集合中没有购买过的产品集合，P(W)为已购买过的产品集合，P(V)表示既不是推荐候选产品也不是购买过的产品的集合；综上所述本专利技术提供的一种面向移动订餐系统的内容推荐和协同过滤推荐混合的方法，并结合餐饮产品的特点实现商家对用户的个性化推荐，降低了用户评分和数据量少的局限性，加强了移动订餐的管理能力，从而保证了向用户推荐符合其实际需要的产品和服务，对于解决移动互联网环境下手机订餐管理系统较为落后的问题具有较好的改进效果。附图说明图1.所示为面向移动订餐系统的内容推荐和协同过滤推荐的混合方法流程图。图2.所示为面向移动订餐系统的内容推荐和协同过滤推荐的混合方法的用户评分矩阵图。具体实施方式下面结合附图说明和具体实施方式对本专利技术做进一步详细说明；本专利技术所述的面向移动订餐系统的内容推荐和协同过滤推荐混合的方法，以图1中的架构进行设计，包括如下步骤：步骤1.依据客户已往所购产品数据和产品收藏情况，得出客户特征向量和客户对产品特征的偏好，方法包括：a.将产品特征值用fi表示，将客户对fi的评分用ei表示，将客户所购产品中fi出现的次数用ti表示，n为产品总数，经过对客户已往所购产品数据和产品收藏情况的分析，ei是由fi的所购产品个数与产品总数之比，用公式表示为：若客户虽然没有购买某产品，却将产品放入收藏列表中了，从侧面反映出了客户对该产品还是有一定兴趣的，这也会给产品的特征值加分；b.客户所购产品具有价格特征和产品分类特征，两特征值都是离散型随机变量且记为Y1和Y2，假设这两个特征的标准差分别为σ1和σ2，均值分别为E(Y1)和E(Y2)，则两特征的变异系数分别为：c.客户对这两个特征的喜爱程度分别为：这里Q1加Q2等于1；d.客户特征向量是多维的，用向量可表示为W＝(e1,e2,e3,e4,e5,……,ei)，这个向量说明客户的偏好；步骤2.根据客户特征向量和客户特征喜好程度，采用余弦相似度计算客户之间的相似值，然后根据相似值的大小对客户进行排序，采用余弦相似度计算客户之间的相似性的方法包括：给定两个客户的特征向量，依次表示为X1和X2，则两个客户的相似值用公式表示为：这里的||X||和||Y||分别表示两个客户特征向量的长度，给出的相似性范围从0到1，其中0表示两个客户是独立的关系，1表示两个客户之间无差异；步骤3.根据相似客户购买的产品种类，基于产品评分，按照分值大小从高到低排序，将产品列进候选推荐集合中，基于产品评分的方法为：在计算得到相似用户后，给予相似客户所购产品分值，打分采用的公式为：S＝c(X1,X2)×(Q1×ea+Q2×eb)(7)这里S表示客户给予相似客户所购产品的分值，c(X1,X2)表示X1与X2之间的相似度，ea和eb是目前用户对产品两个特征取值的评分；步骤4.计算各种产品集合，得到最终推荐集合，计算的方法为：P(U)＝P(L)－P(L∩N)(8)P(W)＝P(N)(9)P(V)＝P(E)－P(L∪N)(10)这里的P指的是某种产品集合，P(E)指的是所有产品全集，P(L)指的是推荐产品候选集合，P(N)为客户购买过的产品的集合；P(U),P(V),P(W)为设立的三个优先级别从高到低依次排列的集合，其中P(U)为推荐产品候选集合中没有购买过的产品集合，P(W)为已购买过的产品集合，P(V)表示既不是推荐候选本文档来自技高网...

【技术保护点】
1.面向移动订餐系统的内容推荐和协同过滤推荐的混合方法，包括如下步骤：步骤1.依据客户已往所购产品数据和产品收藏情况，得出客户特征向量和客户对产品特征的偏好，方法包括：a.将产品特征值用fi表示，将客户对fi的评分用ei表示，将客户所购产品中fi出现的次数用ti表示，n为产品总数，经过对客户已往所购产品数据和产品收藏情况的分析，ei是由fi的所购产品个数与产品总数之比，用公式表示为：

【技术特征摘要】
1.面向移动订餐系统的内容推荐和协同过滤推荐的混合方法，包括如下步骤：步骤1.依据客户已往所购产品数据和产品收藏情况，得出客户特征向量和客户对产品特征的偏好，方法包括：a.将产品特征值用fi表示，将客户对fi的评分用ei表示，将客户所购产品中fi出现的次数用ti表示，n为产品总数，经过对客户已往所购产品数据和产品收藏情况的分析，ei是由fi的所购产品个数与产品总数之比，用公式表示为：若客户虽然没有购买某产品，却将产品放入收藏列表中了，从侧面反映出了客户对该产品还是有一定兴趣的，这也会给产品的特征值加分；b.客户所购产品具有价格特征和产品分类特征，两特征值都是离散型随机变量且记为Y1和Y2，假设这两个特征的标准差分别为σ1和σ2，均值分别为E(Y1)和E(Y2)，则两特征的变异系数分别为：c.客户对这两个特征的喜爱程度分别为：这里Q1加Q2等于1；d.客户特征向量是多维的，用向量可表示为W＝(e1,e2,e3,e4,e5,……,ei)，这个向量说明客户的偏好；步骤2.根据客户特征向量和客户特征喜好程度，采用余弦相似度计算客户之间的相似值，然后根据相似值的大小对客户进行排序，采用余弦相似度计算客户之间的相似性的方法包括：给定两个客户的特征向量，依次表...

【专利技术属性】
技术研发人员：陈庭贵，许翀寰，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江,33