餐品套餐的生成方法及装置与流程

本发明涉及电子信息领域，具体涉及一种餐品套餐的生成方法及装置。

背景技术：

为了提升顾客的点餐效率，很多商家都推出了多款套餐，以供用户挑选。由于套餐中包含了主食、副食、汤饮等各类餐品，因此，能够满足用户全方位地需求，从而避免用户逐一挑选各个餐品所导致的耗时耗力的问题，受到了大量用户的推崇。在现有技术中，商家推送的套餐大多由人工方式生成：由餐饮工作人员根据餐品搭配习惯以及以往的售卖经验，人工搭配若干款套餐。

但是，发明人在实现本发明的过程中，发现现有技术中的上述方式至少存在如下问题：人工搭配套餐的方式导致套餐生成效率低下，并且，受限于餐饮工作人员的经验，导致人为搭配的套餐往往不能很好地迎合广大用户的需求。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种餐品套餐的生成方法及装置。

根据本发明的一个方面，提供了一种餐品套餐的生成方法，包括：获取与样本用户相对应的历史点餐记录；

根据所述历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据；

通过机器学习模型对所述点餐样本数据进行训练，以确定各个已点餐品之间的时序关联关系；

根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息。

可选地，所述根据所述历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据的步骤具体包括：

分别针对每条历史点餐记录，获取该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号；

根据所述该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号确定所述该条历史点餐记录中包含的各个已点餐品的点餐时序信息；

根据所述该条历史点餐记录中包含的各个已点餐品的点餐时序信息，生成一组与该条历史点餐记录相对应的点餐样本数据。

可选地，所述根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息的步骤具体包括：

根据所述各个已点餐品之间的时序关联关系，分析各个已点餐品的偏好得分和/或餐品组合信息；

根据各个已点餐品的偏好得分和/或餐品组合信息，生成餐品套餐信息。

可选地，所述机器学习模型为基于时间序列的机器学习模型，且所述基于时间序列的机器学习模型包括：时间递归神经网络模型。

可选地，所述根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息的步骤具体包括：

结合预设的套餐搭配规则生成餐品套餐信息；其中，所述套餐搭配规则包括以下中的至少一个：用餐人数划分规则、用餐类型划分规则、荤素搭配规则、以及主菜配菜搭配规则。

可选地，所述根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息的步骤之后，进一步包括：

将所述餐品套餐信息推送给用户终端，以供所述用户终端对所述餐品套餐信息进行显示。

可选地，所述根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息的步骤之后，进一步包括：根据各个已点餐品的点餐时序信息确定生成的餐品套餐信息中包含的多个餐品的展现序列信息；

则所述将所述餐品套餐信息推送给用户终端，以供所述用户终端对所述餐品套餐信息进行显示的步骤具体包括：将所述餐品套餐信息以及其中包含的多个餐品的展现序列信息推送给用户终端，以供所述用户终端根据所述多个餐品的展现序列信息对所述餐品套餐信息中包含的多个餐品排序并显示。

可选地，当所述餐品套餐信息为多个时，所述根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息的步骤之后，进一步包括：针对各个餐品套餐信息生成对应的推送文案信息；

则所述将所述餐品套餐信息推送给用户终端，以供所述用户终端对所述餐品套餐信息进行显示的步骤具体包括：将所述餐品套餐信息及其对应的推送文案信息推送给用户终端，以供所述用户终端将所述推送文案信息与所述餐品套餐信息关联显示。

可选地，所述方法执行之前，进一步包括：预先将所述样本用户划分为多种用户类型，则所述点餐样本数据以及所述餐品套餐信息中进一步包含用户类型信息；

则所述将所述餐品套餐信息推送给用户终端的步骤具体包括：选择与所述用户终端的用户类型相匹配的餐品套餐信息进行推送。

根据本发明的另一个方面，提供了一种餐品套餐的生成装置，包括：

获取模块，适于获取与样本用户相对应的历史点餐记录；

样本数据生成模块，适于根据所述历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据；

训练模块，适于通过机器学习模型对所述点餐样本数据进行训练，以确定各个已点餐品之间的时序关联关系；

套餐生成模块，适于根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息。

可选地，所述样本数据生成模块具体适于：

分别针对每条历史点餐记录，获取该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号；

根据所述该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号确定所述该条历史点餐记录中包含的各个已点餐品的点餐时序信息；

根据所述该条历史点餐记录中包含的各个已点餐品的点餐时序信息，生成一组与该条历史点餐记录相对应的点餐样本数据。

可选地，所述套餐生成模块具体适于：

根据所述各个已点餐品之间的时序关联关系，分析各个已点餐品的偏好得分和/或餐品组合信息；

根据各个已点餐品的偏好得分和/或餐品组合信息，生成餐品套餐信息。

可选地，所述机器学习模型为基于时间序列的机器学习模型，且所述基于时间序列的机器学习模型包括：时间递归神经网络模型。

可选地，所述套餐生成模块具体适于：

结合预设的套餐搭配规则生成餐品套餐信息；其中，所述套餐搭配规则包括以下中的至少一个：用餐人数划分规则、用餐类型划分规则、荤素搭配规则、以及主菜配菜搭配规则。

可选地，所述装置进一步包括：

推送模块，适于将所述餐品套餐信息推送给用户终端，以供所述用户终端对所述餐品套餐信息进行显示。

可选地，所述推送模块进一步适于：根据各个已点餐品的点餐时序信息确定生成的餐品套餐信息中包含的多个餐品的展现序列信息；将所述餐品套餐信息以及其中包含的多个餐品的展现序列信息推送给用户终端，以供所述用户终端根据所述多个餐品的展现序列信息对所述餐品套餐信息中包含的多个餐品排序并显示。

可选地，当所述餐品套餐信息为多个时，所述推送模块进一步适于：针对各个餐品套餐信息生成对应的推送文案信息；将所述餐品套餐信息及其对应的推送文案信息推送给用户终端，以供所述用户终端将所述推送文案信息与所述餐品套餐信息关联显示。

可选地，所述推送模块进一步适于：预先将所述样本用户划分为多种用户类型，且所述点餐样本数据以及所述餐品套餐信息中进一步包含用户类型信息；选择与所述用户终端的用户类型相匹配的餐品套餐信息进行推送。

依据本发明的再一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的餐品套餐的生成方法对应的操作。

依据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述的餐品套餐的生成方法对应的操作。

根据本发明提供的餐品套餐的生成方法及装置，能够获取与样本用户相对应的历史点餐记录，并根据历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据；通过机器学习模型对点餐样本数据进行训练，从而确定各个已点餐品之间的时序关联关系，并根据各个已点餐品之间的时序关联关系生成餐品套餐信息。由于历史点餐记录能够反映多数用户的点餐习惯和口味偏好，因此，通过历史点餐记录的挖掘能够制定出更加合理的套餐。并且，由于点餐过程中的点餐时序信息能够进一步反映用户对于餐品的偏好，因此，本发明结合各个已点餐品的点餐时序信息进行训练并生成套餐，能够使生成的套餐更加贴合用户需求。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例一提供的一种餐品套餐的生成方法的流程图；

图2示出了本发明实施例二提供的一种餐品套餐的生成方法的流程图；

图3示出了本发明实施例三提供的一种餐品套餐的生成装置的结构图；

图4示出了本发明实施例五提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

图1示出了本发明实施例一提供的一种餐品套餐的生成方法的流程图。如图1所示，该方法包括：

步骤s110：获取与样本用户相对应的历史点餐记录。

其中，为了提升模型训练的精准度和普适性，可以预先收集大量的点餐用户作为样本用户，并且，为了迎合多类人群的需求，样本用户的用户类型可以涵盖多种类型，以反映各类用户的点餐喜好。具体地，一条历史点餐记录通常是指：一次点餐过程中所产生的点餐记录。例如，假设用户a在6月1日中午进行了一次点餐行为，则该次点餐行为对应于一条历史点餐记录。

步骤s120：根据历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据。

具体地，通常以一条历史点餐记录为最小单位进行分析。针对一条历史点餐记录，获取该条历史点餐记录中包含的各个已点餐品的名称或其他标识信息，以便唯一地区分各个餐品，然后，获取该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号等各类能够反映点餐时序的信息，并据此生成一组与该条历史点餐记录相对应的点餐样本数据。由此可见，在每组点餐样本数据中，各个已点餐品的点餐时序信息作为重要的属性信息加以记录。当然，在点餐样本数据中，还可以记录除点餐时序信息之外的其他维度的属性信息，以便更好地反映各个已点餐品的特点，本发明对点餐样本数据的具体形式不做限定。

步骤s130：通过机器学习模型对点餐样本数据进行训练，以确定各个已点餐品之间的时序关联关系。

其中，该机器学习模型可以采用各类具备机器学习功能的模型实现，本发明对机器学习模型的具体选择及训练方式不做限定。具体地，可以通过基于时间序列的机器学习模型，例如时间递归神经网络模型实现，以便更好地挖掘出各个已点餐品之间的时序关联关系。

步骤s140：根据各个已点餐品之间的时序关联关系生成餐品套餐信息。

其中，各个已点餐品之间的时序关联关系主要是指各个已点餐品之间在时间维度的区别与联系，例如点餐的先后顺序、时间间隔信息等。例如，通过各个已点餐品之间的先后顺序能够反映用户的偏好信息：最先点的餐品通常为重要度较高的、偏好得分较高的餐品；而最后点的餐品则往往是用户意图不明确、随意点选的尝试性餐品。由此可见，通过各个已点餐品之间的先后顺序能够推测各个用户的饮食偏好。又如，通过各个已点餐品之间的时间间隔能够反映用户的餐品搭配习惯信息：若至少两个已点餐品之间的点餐时间间隔小于预设间隔阈值，则说明用户倾向于同时点选该至少两个已点餐品，即该至少两个已点餐品之间的关联度较大，可能更适宜作为套餐搭配；反之，若至少两个已点餐品之间的点餐时间间隔大于预设间隔阈值，则说明该至少两个已点餐品之间的关联度较小，可能不适宜作为套餐搭配。

本领域技术人员还可以通过其他各种方式挖掘各个已点餐品之间的时序关联关系，以生成餐品套餐信息，本发明对具体的实施细节不做限定。

由此可见，根据本发明提供的餐品套餐的生成方法，能够获取与样本用户相对应的历史点餐记录，并根据历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据；通过机器学习模型对点餐样本数据进行训练，从而确定各个已点餐品之间的时序关联关系，并根据各个已点餐品之间的时序关联关系生成餐品套餐信息。由于历史点餐记录能够反映多数用户的点餐习惯和口味偏好，因此，通过历史点餐记录的挖掘能够制定出更加合理的套餐。并且，由于点餐过程中的点餐时序信息能够进一步反映用户对于餐品的偏好，因此，本发明结合各个已点餐品的点餐时序信息进行训练并生成套餐，能够使生成的套餐更加贴合用户需求。

图2示出了本发明实施例二提供的一种餐品套餐的生成方法的流程图。如图2所示，该方法包括：

步骤s200：预先将样本用户划分为多种用户类型。

具体地，在本实施例中，可以结合样本用户的年龄、性别、籍贯、饮食偏好、用户等级等各类信息来划分用户类型。其中，饮食偏好可以根据个人口味划分，包括：麻辣、清淡、甜食等；还可以根据门店类型划分，包括：快餐、西餐、中餐等。用户等级可以根据用户账号的注册时间、点餐频率、和/或历史消费价格区间等因素划分：例如，将点餐频率较高、且历史消费价格区间较高的用户划分为高级用户；将点餐频率较低、且历史消费价格区间较低的用户划分为低级用户。总之，本发明对用户类型的划分方式不做限定，只要能够将点餐喜好相近的用户划分为同一类型即可。

步骤s210：获取与样本用户相对应的历史点餐记录。

其中，为了提升模型训练的精准度和普适性，需要预先收集大量的点餐用户作为样本用户，并且，为了迎合多类人群的需求，样本用户的用户类型需涵盖多种类型，以反映各类用户的点餐喜好。

具体地，一条历史点餐记录通常是指：一次点餐过程中所产生的点餐记录。其中，一次点餐过程包括：一名用户单独就餐或多名用户共同就餐的过程。当点餐过程为一名用户单独就餐的过程时，对应的一条历史点餐记录中需包含该用户的用户标识信息(例如可以是用户账号信息或用户类型信息等)、点餐时段信息、所点的各个已点餐品的餐品标识信息以及点餐时序信息。当点餐过程为多名用户共同就餐的过程时，对应的一条历史点餐记录中除包含该用户的用户标识信息、点餐时段信息、所点的各个已点餐品的餐品标识信息以及点餐时序信息之外，还可以进一步包含就餐人数信息。并且，当点餐过程由多名用户共同完成时，还可以进一步针对每个已点餐品记录该已点餐品所对应的点餐用户的用户标识信息，以便分析每个用户的个人喜好。总之，历史点餐记录中包含的信息量越全面，越有利于后续的分析。

步骤s220：根据历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据。

具体地，分别针对每条历史点餐记录，获取该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号；根据该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号确定该条历史点餐记录中包含的各个已点餐品的点餐时序信息；根据该条历史点餐记录中包含的各个已点餐品的点餐时序信息，生成一组与该条历史点餐记录相对应的点餐样本数据。

例如，假设一条历史点餐记录中包含如下信息：用户“小红”于2018年6月6日在北京某餐厅消费以下餐品：红烧鱼(点餐时间12:08)、手擂茄子(点餐时间12:09)、粉蒸肉(点餐时间12:15)、宫保鸡丁(点餐时间12:23)、蔬菜沙拉(点餐时间12:30)。其中，红烧鱼的点餐序号为1、手擂茄子的点餐序号为2、粉蒸肉的点餐序号为3、宫保鸡丁的点餐序号为4、蔬菜沙拉的点餐序号为5。其中，在根据各个已点餐品所对应的点餐时间和/或点餐序号确定该条历史点餐记录中包含的各个已点餐品的点餐时序信息时，可以直接将已点餐品所对应的点餐时间或者点餐序号又或者二者的组合确定为已点餐品的点餐时序信息。另外，在上述示例中，当点餐场景为多人点餐时，还需要进一步记录各个已点餐品所对应的点餐用户。例如，假设在二人点餐场景中，红烧鱼、手擂茄子和宫保鸡丁为用户“小红”所点，粉蒸肉和蔬菜沙拉为用户“小黄”所点，则在点餐样本数据中，除需要记录各个已点餐品的点餐时序信息之外，还需要记录各个已点餐品的点餐用户信息，由此反映不同用户的喜好。

步骤s230：通过机器学习模型对点餐样本数据进行训练，以确定各个已点餐品之间的时序关联关系。

在本实施例中，机器学习模型为基于时间序列的机器学习模型，具体包括：时间递归神经网络模型。例如，lstm(longshort-termmemory)是一种长短期记忆网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，本实施例可利用lstm模型进行处理，以便根据点餐样本数据中包含的各个已点餐品的点餐时序信息，挖掘各个已点餐品之间的时序关联关系。

具体地，通过lstm模型对点餐样本数据进行训练，能够挖掘出各个已点餐品之间的时序关联关系。例如，根据各个已点餐品的点餐序号，能够反映用户对于各个餐品的偏好程度：点餐序号越靠前，说明偏好得分越高；点餐序号越靠后，说明偏好得分越低。发明人在实现本发明的过程中发现：用户往往会最先点选其意图明确且非常青睐的餐品，因此，通过点餐序号能够反映用户偏好。又如，根据各个已点餐品的点餐时间之间的间隔，能够反映餐品组合信息：点餐时间之间的间隔小于预设间隔阈值的餐品之间更适宜相互组合，点餐时间之间的间隔不小于预设间隔阈值的餐品之间则不适宜相互组合。发明人在实现本发明的过程中发现：点餐时间间隔较小的餐品之间往往更适宜作为套餐进行搭配，因此，通过点餐时间间隔能够反映餐品组合信息。其中，预设间隔阈值可灵活设置，优选设置为用户不假思索地连贯点餐时的间隔阈值，例如，多数用户在不假思索地连贯点餐时，各个餐品之间的间隔一般不超过3秒，若超出3秒，则说明用户在思索下一套餐品组合。相应地，在上例中，红烧鱼(点餐时间12:08)和手擂茄子(点餐时间12:09)可以作为一组餐品组合信息。具体训练时，一方面，要根据各个已点餐品的点餐序号确定各个餐品的偏好程度；另一方面，要根据各个已点餐品的点餐时间间隔确定餐品组合信息。另外，还要结合用户人数、类型来最终确定偏好程度以及餐品组合信息的准确度，只有当同一餐品组合信息被多个人在多次点餐场景中点选时，才能够最终确认该组餐品组合信息是否合适。总之，通过训练过程，能够挖掘出各个已点餐品之间的时序关联关系。该时序关联关系泛指：各类能够根据点餐时序信息挖掘出的餐品关联关系。

步骤s240：根据各个已点餐品之间的时序关联关系生成餐品套餐信息。

具体地，根据各个已点餐品之间的时序关联关系，分析各个已点餐品的偏好得分和/或餐品组合信息；根据各个已点餐品的偏好得分和/或餐品组合信息，生成餐品套餐信息。具体实施时，可以将偏好得分较高的餐品确定为套餐中的主打餐品，以吸引顾客；并根据餐品组合信息确定套餐中与主打餐品相搭配的组合餐品。具体分析过程可以通过步骤s230中的训练过程实现，即：在训练过程中，根据各个已点餐品的点餐序号和/或点餐时间间隔确定各个已点餐品的偏好得分和/或餐品组合信息。或者，也可以在步骤s230中的训练过程结束后再根据训练结果进行二次分析。

另外，在根据各个已点餐品之间的时序关联关系生成餐品套餐信息时，还可以进一步结合预设的套餐搭配规则生成餐品套餐信息。其中，套餐搭配规则包括以下中的至少一个：(1)用餐人数划分规则：具体可包括两人餐、五人餐、十人餐等多种套餐类型。具体制定时，可结合门店的平均客流量以及就餐人群进行划分。(2)用餐类型划分规则：具体可包括家庭聚餐类型、工作聚餐类型、商务会客类型等。其中，家庭聚餐类型侧重于物美价廉，而商务会客类型则侧重于高端大气上档次。(3)荤素搭配规则：具体可包括荤菜与素菜之间的常用搭配规则。比如，羊肉、猪蹄等较为油腻的荤菜常和清淡爽口的凉菜等素菜进行搭配。(4)主菜配菜搭配规则：具体可包括主菜与饮料、汤品之间的搭配规则等。

步骤s250：将餐品套餐信息推送给用户终端，以供用户终端对餐品套餐信息进行显示。

具体地，可通过预设的餐饮app中的预设套餐版块来显示上述已生成的各个餐品套餐信息。另外，发明人在实现本发明的过程中发现：套餐中的各个餐品的展示顺序直接关系到用户是否会选择该套餐。若能够将用户较为青睐的餐品排在套餐中靠前的位置，则有利于促使用户选择该款套餐。相应地，在本实施例中，在根据各个已点餐品之间的时序关联关系生成餐品套餐信息之后，进一步根据各个已点餐品的点餐时序信息确定生成的餐品套餐信息中包含的多个餐品的展现序列信息。该展现序列信息用于反映各个餐品的展现顺序和/或展现位置。相应地，将餐品套餐信息推送给用户终端，以供用户终端对餐品套餐信息进行显示时，将餐品套餐信息以及其中包含的多个餐品的展现序列信息推送给用户终端，以供用户终端根据多个餐品的展现序列信息对餐品套餐信息中包含的多个餐品排序并显示。由此可见，在本实施例中，能够根据餐品的点餐时序信息确定餐品套餐信息中包含的多个餐品的展现序列信息，从而对套餐中的多个餐品进行合理排序。具体实施时，既可以由服务器将展现序列信息提供给用户终端，以供用户终端根据该展现序列信息对各个套餐餐品进行排序；或者，也可以由服务器预先对各个套餐餐品进行排序，并将排好序之后的各个套餐餐品直接推送给用户终端，以供用户终端直接对服务器排好序的餐品进行渲染及展示。

另外，由于商家往往会同时推出多款套餐以吸引不同群体的用户，因此，为了便于各个群体的用户快速高效地筛选出最适宜自身的套餐，在本实施例中，当餐品套餐信息为多个时，在根据各个已点餐品之间的时序关联关系生成餐品套餐信息之后，进一步针对各个餐品套餐信息生成对应的推送文案信息。该推送文案信息用于说明本款套餐的推荐理由，例如，可以为如下形式的推送文案信息：“减脂人群专享”、“主厨推荐新品”、“你最常点的一款套餐”、“本店销量最高的套餐”。相应地，在将餐品套餐信息推送给用户终端，以供用户终端对餐品套餐信息进行显示时，具体将餐品套餐信息及其对应的推送文案信息推送给用户终端，以供用户终端将推送文案信息与餐品套餐信息关联显示，以便于用户做出合适的选择。其中，该推送文案信息的具体内容可根据步骤s230中的训练结果来确定。

另外，为了能够针对不同类型的用户推送适合该用户的个性化套餐，本实施例中的点餐样本数据以及餐品套餐信息中进一步包含用户类型信息，以便于确定出各种类型的用户所偏爱的套餐种类。相应地，在本步骤中，将餐品套餐信息推送给用户终端时，选择与用户终端的用户类型相匹配的餐品套餐信息进行推送。具体地，由于点餐样本数据中包含用户类型信息，因此，通过训练过程能够分别确定各种类型的用户所青睐的餐品，进而使确定出的各款餐品套餐信息中进一步包含对应的用户类型信息。相应地，针对当前用户终端，根据该用户终端的用户标识信息确定该用户终端的用户类型，然后，向其推送与其用户类型相匹配的餐品套餐信息，由此能够针对不同类型的用户推送不同的个性化套餐，以迎合各类用户的需求。当然，在本实施例中，除了根据用户类型进行个性化推送之外，还可以进一步根据用户账号等唯一性标识来实现针对当前用户的量身定制的推送效果，比如，可以根据该用户账号的历史点餐记录为其量身定制地推送适合于该用户的套餐。

综上可知，根据本发明提供的餐品套餐的生成方法，能够获取与样本用户相对应的历史点餐记录，并根据历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据；通过机器学习模型对点餐样本数据进行训练，从而确定各个已点餐品之间的时序关联关系，并根据各个已点餐品之间的时序关联关系生成餐品套餐信息。由于历史点餐记录能够反映多数用户的点餐习惯和口味偏好，因此，通过历史点餐记录的挖掘能够制定出更加合理的套餐。并且，由于点餐过程中的点餐时序信息能够进一步反映用户对于餐品的偏好，因此，本发明结合各个已点餐品的点餐时序信息进行训练并生成套餐，能够使生成的套餐更加贴合用户需求。并且，本发明能够针对不同类型的用户推送不同的套餐，还能够为各款套餐搭配不同的推送文案信息，并对套餐内的多个餐品进行合理排序，从而提升了推送成功率。

另外，在上述实施例中，还可以进一步结合餐品的利润空间进行推荐。具体地，在根据各个已点餐品之间的时序关联关系生成餐品套餐信息时，进一步结合各个已点餐品的盈利信息生成餐品套餐信息。例如，针对每个已点餐品，确定该已点餐品的食材信息和/或工序信息，根据食材信息和/或工序信息确定该已点餐品的成本信息。其中，食材信息包括主食材和/或副食材，通过食材信息能够推算餐品的成本信息。工序信息具体指餐品的制作工序，包括：放油、翻炒、炝锅、清蒸等各种操作，通过餐品工序信息能够反映餐品的制作方法，制作方法的复杂程度也从客观上决定了该餐品的成本。工序越简单的餐品成本越低廉，工序越复杂的餐品成本越高昂。由此可见，食材信息反映了餐品对应的食材本身的采购成本，工序信息反映了餐品对应的厨师的人工成本。具体实施时，可以预先训练一个餐品成本学习模型，以便根据该餐品的食材信息和/或工序信息确定餐品的成本信息，从而通过机器学习的方式提升成本计算的准确性。然后，计算该已点餐品的成本信息与该已点餐品的定价信息之间的差值，根据差值确定该已点餐品的盈利信息，根据盈利信息确定最终的餐品套餐信息。差值越大，说明盈利空间越大，越值得推荐。其中，该已点餐品的定价信息可通过同类餐品在其他店铺的定价区间进行确定。

实施例三

图3示出了本发明实施例三提供的一种餐品套餐的生成装置的结构示意图，该装置包括：

获取模块31，适于获取与样本用户相对应的历史点餐记录；

样本数据生成模块32，适于根据所述历史点餐记录中包含的各个已点餐品的点餐时序信息，生成点餐样本数据；

训练模块33，适于通过机器学习模型对所述点餐样本数据进行训练，以确定各个已点餐品之间的时序关联关系；

套餐生成模块34，适于根据所述各个已点餐品之间的时序关联关系生成餐品套餐信息。

可选地，所述样本数据生成模块32具体适于：

分别针对每条历史点餐记录，获取该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号；

根据所述该条历史点餐记录中包含的各个已点餐品所对应的点餐时间和/或点餐序号确定所述该条历史点餐记录中包含的各个已点餐品的点餐时序信息；

根据所述该条历史点餐记录中包含的各个已点餐品的点餐时序信息，生成一组与该条历史点餐记录相对应的点餐样本数据。

可选地，所述套餐生成模块34具体适于：

根据所述各个已点餐品之间的时序关联关系，分析各个已点餐品的偏好得分和/或餐品组合信息；

根据各个已点餐品的偏好得分和/或餐品组合信息，生成餐品套餐信息。

可选地，所述机器学习模型为基于时间序列的机器学习模型，且所述基于时间序列的机器学习模型包括：时间递归神经网络模型。

可选地，所述套餐生成模块34具体适于：

结合预设的套餐搭配规则生成餐品套餐信息；其中，所述套餐搭配规则包括以下中的至少一个：用餐人数划分规则、用餐类型划分规则、荤素搭配规则、以及主菜配菜搭配规则。

可选地，所述装置进一步包括：

推送模块35，适于将所述餐品套餐信息推送给用户终端，以供所述用户终端对所述餐品套餐信息进行显示。

可选地，所述推送模块35进一步适于：根据各个已点餐品的点餐时序信息确定生成的餐品套餐信息中包含的多个餐品的展现序列信息；将所述餐品套餐信息以及其中包含的多个餐品的展现序列信息推送给用户终端，以供所述用户终端根据所述多个餐品的展现序列信息对所述餐品套餐信息中包含的多个餐品排序并显示。

可选地，当所述餐品套餐信息为多个时，所述推送模块35进一步适于：针对各个餐品套餐信息生成对应的推送文案信息；将所述餐品套餐信息及其对应的推送文案信息推送给用户终端，以供所述用户终端将所述推送文案信息与所述餐品套餐信息关联显示。

可选地，所述推送模块35进一步适于：预先将所述样本用户划分为多种用户类型，且所述点餐样本数据以及所述餐品套餐信息中进一步包含用户类型信息；选择与所述用户终端的用户类型相匹配的餐品套餐信息进行推送。

关于上述各个模块的具体结构和工作原理可参照方法实施例中相应部分的描述，此处不再赘述。

实施例四

本申请实施例四提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的餐品套餐的生成方法。可执行指令具体可以用于使得处理器执行上述方法实施例中对应的各个操作。

实施例五

图4示出了根据本发明实施例五的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。

如图4所示，该电子设备可以包括：处理器(processor)402、通信接口(communicationsinterface)406、存储器(memory)404、以及通信总线408。

其中：

处理器402、通信接口406、以及存储器404通过通信总线408完成相互间的通信。

通信接口406，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器402，用于执行程序410，具体可以执行上述餐品套餐的生成方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。

处理器402可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器404，用于存放程序410。存储器404可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行上述方法实施例中对应的各个操作。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的基于语音输入信息的抽奖系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。