美食数据的推荐方法和装置与流程

本发明涉及数据处理的技术领域，尤其是涉及一种美食数据的推荐方法和装置。

背景技术：

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。

技术实现要素：

本发明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。

根据本发明的一个方面，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。

根据本发明的另一个方面，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。

在本发明实施例中，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发明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发明的一些实施方式，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是根据本发明实施例的一种美食数据的推荐方法的流程图；

图2是根据本发明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是根据本发明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是根据本发明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是根据本发明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是根据本发明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发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明的描述中，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发明和简化描述，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发明的限制。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。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例一：

根据本发明实施例，提供了一种美食数据的推荐方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种美食数据的推荐方法的流程图，如图1所示，该方法包括如下步骤：

步骤s102，获取目标网页的投放数据；

在本发明实施例中，目标网页为用于为用户推荐美食数据的美食网页，用户可以在该网页中浏览各种美食，以及每种美食的做法。

上述投放数据可以为在该美食网页中投放的美食数据。例如，“蒜薹炒肘花”的做法和心得分享。

步骤s104，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；

在本发明实施例中，上述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。通过不同时间段的用户行为数据能够更加准确的确定用户的喜好，以为用户推荐更加精确的数据。

例如，在任意时间段，用户喜欢浏览的美食为素食，那么此时，就可以通过该时间段内用户的浏览行为数据为该用户推荐相关素食。

如果在下一个时间段，用户喜欢浏览的美食为肉食。此时如果还继续为用户推荐素食，将影响用户体验，此时就可以通过该时间段的用户行为数据确定该用户所喜欢浏览的食物为肉食，那么此时就可以为该用户推荐肉食，以满足用户不同时刻的不同需求。

需要说明的是，上述用户行为数据可以为用户的点击量，用户所点击的美食的种类，用户点击相同美食的数量，用户点击美食的时间用户所收藏的美食，用户所点赞的美食等等。

步骤s106，向当前用户推荐推荐数据。

在本发明实施例中，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。

在本发明实施例的一个可选实施方式中，如图2所示，在获取目标网页的投放数据之前，该方法还包括如下步骤：

步骤s201，判断是否已建立与当前用户相对应的神经网络模型；

步骤s202，如果判断出已建立与当前用户相对应的神经网络模型，则采集预设时间段内当前用户的用户行为数据，其中，用户行为数据为根据当前用户对已投放数据所执行的操作得到的数据；

步骤s203，采用预设时间段内当前用户的用户行为数据对已建立的神经网络模型进行训练，以使神经网络模型对当前用户所感兴趣的数据进行记忆；

在本发明实施例中，预先为每个注册的用户建立了一个对应的神经网络模型。因此，在为该用户进行美食数据的推荐之前，首先判断是否已建立于当前用户对应的神经网络模型。

如果判断出没有为该用户预先建立神经网络模型，则执行步骤s204，即为该用户建立神经网络模型，并实时采集该用户在目标网页的用户行为数据，以根据实时采集到的用户行为数据对该神经网络模型进行训练，并根据训练之后的神经网络模型对下一批投放数据进行预测，以在下一个投放数据中为该用户选择推荐数据。

如果判断出已为该用户建立神经网络模型，则采集预设时间段内该用户的用户行为数据。例如，采集一天之内该用户的用户行为数据，然后，采用一天之间该用户的用户行为数据对神经网络模型进行训练，以使该神经网络模型对当前时刻用户的浏览喜好(即，用户所感兴趣的数据)进行记忆。在对浏览喜好进行记忆之后，就可以采用训练之后的神经网络模型对当前时刻的投放数据进行预测，以在该投放数据中确定推荐数据。

需要说明的是，如果投放数据为美食数据的话，那么在本发明实施例中，神经网络模型的输入可以是美食数据的内容风格，美食数据的美食食材，美食口味，美食做法，美食图片等。

进一步需要说明的是，在本发明实施例中，可以设置为在用户首次在目标网页进行注册时，通过上述步骤s201，判断一次是否已建立与当前用户相对应的神经网络模型。除此之外，还可以设置为在用户每次登录该目标网页时，均判断一次是否已建立与当前用户相对应的神经网络模型。

通过上述描述可知，在本发明实施例中，神经网络模型的训练是动态的，通过动态调整能够准确知晓当前时刻用户所感兴趣的美食。

因此，在本发明实施例的另一个可选实施方式中，步骤s202采集预设时间段内的当前用户的用户行为数据包括：每隔预设间隔时间采集预设时间段内当前用户的用户行为数据。

在本发明实施例中，为了实现动态的对神经网络模型进行训练，可以设置每隔预设时间段采集预设时间内当前用户的用户行为数据，其中，可以设置为每隔一周采集预设时间内当前用户的用户行为数据。

例如，在2017年5月7日采集2017年5月4日至2017年5月6日内，用户的用户行为数据。然后，在2017年5月14日采集2017年5月12日至2017年5月14日内，用户的用户行为数据。

步骤s203采用预设时间段内的当前用户的用户行为数据对已建立的神经网络模型进行训练包括：每隔预设间隔时间采用预设时间段内当前用户的用户行为数据对已建立的神经网络模型进行训练。

然后，在采集到2017年5月4日至2017年5月6日内，用户的用户行为数据之后，采用该用户行为数据对神经网络模型进行训练，以使神经网络模型根据该用户行为数据对用户所感兴趣的数据进行记忆。以及，在采集到2017年5月12日至2017年5月14日内，用户的用户行为数据之后，还可以采用该用户行为数据对神经网络模型进行训练，以使神经网络模型根据该用户行为数据对用户所感兴趣的数据进行记忆。

在另一个可选实施方式中，如图3所示，投放数据包括多条投放数据，步骤s104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包括如下步骤：

步骤s301，采用预先建立的神经网络对投放数据进行预测，以得到每条投放数据的第一概率，其中，第一概率表示当前用户对当前投放数据的兴趣度；

步骤s302，将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推荐数据。

在本发明实施例中，在获取到投放数据之后，就可以采用训练好的神经网络模型对多条投放数据进行预测。

其中，如果投放数据为美食数据，那么可以将美食数据中包含的美食内容风格，美食食材，美食口味，美食做法和美食图片作为该神经网络的输入，并将喜欢概率和不喜欢的概率作为该神经网络模型的输出。

例如，输入可以为美食数据1的内容风格，食材，口味，做法和图片，输出可以为当前用户对当前美食数据1的兴趣度(即，第一概率，也即，喜欢的概率)，输出该可以为当前用户对当前美食数据1的反感度(即，不喜欢的概率)。

在确定出每条投放数据的喜欢概率和不喜欢的概率之后，就可以根据喜欢概率和不喜欢的概率确定推荐数据。例如，将喜欢概率大于0.6的美食数据作为推荐数据，还可以将喜欢概率大于0.7的美食数据作为推荐数据，具体地，用户可以根据实际需要对该阈值进行调整。

在本发明实施例中，在采用预先建立的神经网络对投放数据进行预测，得到推荐数据之后，就可以向用户推荐该推荐数据。但是，在向当前用户推荐推荐数据之前，如图4所示，该方法还包括：

步骤s401,获取当前用户的用户资料，其中，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；

步骤s402,根据用户资料对推荐数据进行筛选，得到筛选之后的推荐数据；

步骤s403,将筛选之后的推荐数据推送给当前用户。

在通过上述步骤s104得到推荐数据之后，还可以对推荐数据进行进一步地筛选。具体地，可以结合用户的用户资料，例如，用户的籍贯，性别，姓名对推荐数据进行筛选。

例如，用户为婴儿的母亲，那么该用户在注册时，可以输入该信息，即，身份可以设置为婴儿的母亲。那么此时，在预测得到推荐数据之后，就可以结合该身份，在推荐数据中为该用户推荐符合其身份的美食数据。

又例如，用户为健身教练，那么该用户在注册时，可以输入该信息，即，职业可以设置为健身教练。那么此时，在预测得到推荐数据之后，就可以结合该职业，在推荐数据中为该用户推荐符合其职业的美食数据。

需要说明的是，除了将推荐数据推荐给当前用户之外，还可以将筛选之后的推荐数据推送给当前用户，其中，在向用户推荐时，可以通过不同的标识对其进行标记。例如，采用重点关注标记符号对筛选之后的推荐数据进行标记，而采用普通关注的标记符号对筛选之前的推荐数据进行标记。通过该标记方式，能够使得用户准确并快速找到自己心仪的美食数据，而不必在众多的美食数据中查找心仪的数据。

在另一个可选实施方式中，在向当前用户推荐推荐数据之后，如图5所示，该方法还包括如下步骤：

步骤s501,按照预设格式对推荐数据按照推荐时间进行存储，存储在数据库中，其中，数据库用于存储历史推荐数据；

步骤s502,获取用户的查询指令，并根据查询指令在数据库中查询历史推荐数据。

在本发明实施例中，在向当前用户推荐该推荐数据之后，还可以按照预设格式对推荐数据进行存储，例如，可以将每条推荐数据按照推荐时间和投放时间进行存储。在存储时，可以存储该推荐数据的美食内容风格，食材，口味，做法和图片等信息。

用户还可以随时查询之前所感兴趣的美食数据，用户可以向服务器发送查询指令，例如，查询2017年5月1日至2017年5月8日期间所推荐的数据，以及所推荐的数据中被用户浏览的数据。此时，服务器就可以根据该查询指令在数据库中查询对应的推荐数据，并将该推荐数据显示给用户进行查看。

通过该设置方式，能够使得用户更加清晰的知晓自己在不同时间段所感兴趣的食物有哪些，以帮助用户对自己所感兴趣的食物进行记忆。

实施例二：

本发明实施例还提供了一种美食数据的推荐装置，该美食数据的推荐装置主要用于执行本发明实施例上述内容所提供的美食数据的推荐方法，以下对本发明实施例提供的美食数据的推荐装置做具体介绍。

图6是根据本发明实施例的一种美食数据的推荐装置的示意图，如图6所示，该美食数据的推荐装置主要包括：第一获取单元61，预测单元62和推荐单元63，其中：

第一获取单元61，用于获取目标网页的投放数据；

预测单元62，用于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；

推荐单元63，用于向当前用户推荐推荐数据。

在本发明实施例中，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。

可选地，投放数据包括多条投放数据，预测单元包括：预测模块，用于采用预先建立的神经网络对投放数据进行预测，以得到每条投放数据的第一概率，其中，第一概率表示当前用户对当前投放数据的兴趣度；确定模块，用于将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推荐数据。

可选地，该装置还包括：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，采集预设时间段内当前用户的用户行为数据，其中，用户行为数据为根据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，用于采用预设时间段内当前用户的用户行为数据对已建立的神经网络模型进行训练，以使神经网络模型对当前用户所感兴趣的数据进行记忆。

可选地，采集单元包括：采集模块，用于每隔预设间隔时间采集预设时间段内当前用户的用户行为数据；训练单元包括：训练模块，用于每隔预设间隔时间采用预设时间段内当前用户的用户行为数据对已建立的神经网络模型进行训练。

可选地，该装置还包括：第二获取单元，用于在向当前用户推荐推荐数据之前，获取当前用户的用户资料，其中，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；根据用户资料对推荐数据进行筛选，得到筛选之后的推荐数据；推荐单元包括：推荐模块，用于将筛选之后的推荐数据推送给当前用户。

可选地，该装置还包括：存储单元，用于在向当前用户推荐推荐数据之后，按照预设格式对推荐数据按照推荐时间进行存储，存储在数据库中，其中，数据库用于存储历史推荐数据；第三获取单元，用于获取用户的查询指令，并根据查询指令在数据库中查询历史推荐数据。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。