引流餐品的推送方法及装置与流程

本发明涉及电子信息领域，具体涉及一种引流餐品的推送方法及装置。

背景技术：

目前，为了提升销量，吸引顾客，很多商家都会专门推出引流餐品。所谓引流餐品，泛指各类能够吸引顾客、提升客流量的餐品。例如，有些商家会推出一些物美价廉的餐品作为引流餐品。又如，有些商家会推出本店的招牌餐品作为引流餐品。无论引流餐品如何选择，其最终目的都在于提升客流量。

在现有技术中，引流餐品大多是由服务员根据以往的销售经验人为指定的。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：目前的引流餐品大多由服务员根据个人经验人工完成，由于服务员的经验有限、且顾客类型多种多样，因此，这种人工指定引流餐品的方式往往效果并不理想。

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引流餐品的推送方法及装置。

根据本发明的一个方面，提供了一种引流餐品的推送方法，包括：针对已获取的目标店铺中的各个候选餐品，分别将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，根据匹配结果确定所述目标店铺中的各个候选餐品的第一特征信息；

针对所述已获取的目标店铺中的各个候选餐品，分别计算各个候选餐品的食材信息以及定价信息，根据计算结果确定所述目标店铺中的各个候选餐品的第二特征信息；

根据所述目标店铺中的各个候选餐品的第一特征信息以及第二特征信息，从所述目标店铺中的各个候选餐品中选择至少一个候选餐品作为所述目标店铺的引流餐品，将所述目标店铺的引流餐品与该目标店铺关联推送给用户终端。

可选地，所述方法执行之前，进一步包括：

根据所述目标店铺的历史点餐记录确定所述目标店铺中的各个餐品的销量；

根据所述目标店铺中的各个餐品的销量，获取所述目标店铺中的各个候选餐品。

可选地，所述分别将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，根据匹配结果确定所述目标店铺中的各个候选餐品的第一特征信息的步骤具体包括：

针对每个候选餐品，将该候选餐品的餐品信息分别与预设的店铺餐品清单集合中包含的每个店铺餐品清单进行匹配；

将与该候选餐品的餐品信息匹配成功的店铺餐品清单确定为与该候选餐品相对应的匹配清单，和/或，将与该候选餐品的餐品信息匹配不成功的店铺餐品清单确定为与该候选餐品相对应的非匹配清单；

根据所述匹配清单对应的匹配数量和/或所述非匹配清单对应的非匹配数量，确定该候选餐品的第一特征信息。

可选地，所述预设的店铺餐品清单集合中包含的各个店铺餐品清单分别对应于各个预设店铺；

并且，候选餐品的第一特征信息通过第一特征分值表示，且所述第一特征分值与所述匹配清单对应的匹配数量成反比，与所述非匹配清单对应的非匹配数量成正比。

可选地，所述分别计算各个候选餐品的食材信息以及定价信息，根据计算结果确定所述目标店铺中的各个候选餐品的第二特征信息的步骤具体包括：

针对每个候选餐品，确定该候选餐品的食材信息和/或工序信息，根据所述食材信息和/或工序信息确定该候选餐品的成本信息；

计算该候选餐品的成本信息与该候选餐品的定价信息之间的差值，根据所述差值确定该候选餐品的第二特征信息。

可选地，候选餐品的第二特征信息通过第二特征分值表示，且所述第二特征分值与所述差值成正比。

可选地，所述根据所述目标店铺中的各个候选餐品的第一特征信息以及第二特征信息，从所述目标店铺中的各个候选餐品中选择至少一个候选餐品作为所述目标店铺的引流餐品的步骤具体包括：

根据所述目标店铺中的各个候选餐品的第一特征信息以及第二特征信息生成与各个候选餐品相对应的特征向量；

将与各个候选餐品相对应的特征向量输入预设的分类模型，根据所述分类模型输出的分类结果，选择至少一个候选餐品作为所述目标店铺的引流餐品。

可选地，所述将所述目标店铺的引流餐品与该目标店铺关联推送给用户终端的步骤具体包括：

为所述目标店铺的引流餐品设置对应的优惠信息，将所述目标店铺的引流餐品及其对应的优惠信息与该目标店铺关联推送给用户终端。

根据本发明的另一个方面，提供了一种引流餐品的推送装置，包括：

第一特征模块，适于针对已获取的目标店铺中的各个候选餐品，分别将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，根据匹配结果确定所述目标店铺中的各个候选餐品的第一特征信息；

第二特征模块，适于针对所述已获取的目标店铺中的各个候选餐品，分别计算各个候选餐品的食材信息以及定价信息，根据计算结果确定所述目标店铺中的各个候选餐品的第二特征信息；

推送模块，适于根据所述目标店铺中的各个候选餐品的第一特征信息以及第二特征信息，从所述目标店铺中的各个候选餐品中选择至少一个候选餐品作为所述目标店铺的引流餐品，将所述目标店铺的引流餐品与该目标店铺关联推送给用户终端。

可选地，所述装置进一步包括：

获取模块，适于根据所述目标店铺的历史点餐记录确定所述目标店铺中的各个餐品的销量；根据所述目标店铺中的各个餐品的销量，获取所述目标店铺中的各个候选餐品。

可选地，所述第一特征模块具体适于：

针对每个候选餐品，将该候选餐品的餐品信息分别与预设的店铺餐品清单集合中包含的每个店铺餐品清单进行匹配；

将与该候选餐品的餐品信息匹配成功的店铺餐品清单确定为与该候选餐品相对应的匹配清单，和/或，将与该候选餐品的餐品信息匹配不成功的店铺餐品清单确定为与该候选餐品相对应的非匹配清单；

根据所述匹配清单对应的匹配数量和/或所述非匹配清单对应的非匹配数量，确定该候选餐品的第一特征信息。

可选地，所述预设的店铺餐品清单集合中包含的各个店铺餐品清单分别对应于各个预设店铺；

并且，候选餐品的第一特征信息通过第一特征分值表示，且所述第一特征分值与所述匹配清单对应的匹配数量成反比，与所述非匹配清单对应的非匹配数量成正比。

可选地，所述第二特征模块具体适于：

针对每个候选餐品，确定该候选餐品的食材信息和/或工序信息，根据所述食材信息和/或工序信息确定该候选餐品的成本信息；

计算该候选餐品的成本信息与该候选餐品的定价信息之间的差值，根据所述差值确定该候选餐品的第二特征信息。

可选地，候选餐品的第二特征信息通过第二特征分值表示，且所述第二特征分值与所述差值成正比。

可选地，所述推送模块具体适于：

根据所述目标店铺中的各个候选餐品的第一特征信息以及第二特征信息生成与各个候选餐品相对应的特征向量；

将与各个候选餐品相对应的特征向量输入预设的分类模型，根据所述分类模型输出的分类结果，选择至少一个候选餐品作为所述目标店铺的引流餐品。

可选地，所述推送模块具体适于：

为所述目标店铺的引流餐品设置对应的优惠信息，将所述目标店铺的引流餐品及其对应的优惠信息与该目标店铺关联推送给用户终端。

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引流餐品的推送方法对应的操作。

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引流餐品的推送方法对应的操作。

根据本发明提供的引流餐品的推送方法及装置，通过将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，得到各个候选餐品的第一特征信息，该第一特征信息能够用于反映餐品的唯一性；通过计算各个候选餐品的食材信息以及定价信息，得到各个候选餐品的第二特征信息，该第二特征信息能够用于反映餐品的利润率；根据第一特征信息以及第二特征信息，选择候选餐品作为引流餐品，能够兼顾餐品的唯一性以及利润率，从而显著提升引流餐品的引流效果。由此可见，本发明能够挖掘出较为独特且利率可观的餐品作为引流餐品，从而既提升了客流量，又增加了营业额。

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引流餐品的推送方法的流程图；

图2示出了本发明实施例二提供的一种引流餐品的推送方法的流程图；

图3示出了本发明实施例三提供的一种引流餐品的推送装置的结构图；

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引流餐品的推送方法的流程图。如图1所示，该方法包括：

步骤s110：针对已获取的目标店铺中的各个候选餐品，分别将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，根据匹配结果确定目标店铺中的各个候选餐品的第一特征信息。

其中，可以将目标店铺中的全部餐品均作为候选餐品，也可以按照一定的筛选规则筛选出若干餐品作为候选餐品，以降低后续的计算量。预设的店铺餐品清单集合用于存储各个店铺的餐品清单，以便于确定候选餐品的餐品信息与其他店铺的餐品清单中包含的餐品是否匹配，并据此确定候选餐品的第一特征信息。由此可见，第一特征信息用于反映候选餐品与其他店铺的餐品之间的相似度。通常，相似度较低的餐品适宜作为本店的特色餐品，以达到吸引客流的目的。

步骤s120：针对已获取的目标店铺中的各个候选餐品，分别计算各个候选餐品的食材信息以及定价信息，根据计算结果确定目标店铺中的各个候选餐品的第二特征信息。

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，然后，结合餐品的定价信息，确定候选餐品的第二特征信息。由此可见，第二特征信息用于反映餐品的利润信息。通常，利润较高的餐品适宜作为本店的引流餐品，以便在吸引客流的同时，达到提升营业额的效果。

步骤s130：根据目标店铺中的各个候选餐品的第一特征信息以及第二特征信息，从目标店铺中的各个候选餐品中选择至少一个候选餐品作为目标店铺的引流餐品，将目标店铺的引流餐品与该目标店铺关联推送给用户终端。

具体地，根据第一特征信息以及第二特征信息，能够从候选餐品与其他店铺的餐品之间的相似度的角度，以及利润空间的角度来选择引流餐品，进而使引流餐品更加符合店铺的盈利需求。

由此可见，根据本发明提供的引流餐品的推送方法，通过将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，得到各个候选餐品的第一特征信息，该第一特征信息能够用于反映餐品的唯一性；通过计算各个候选餐品的食材信息以及定价信息，得到各个候选餐品的第二特征信息，该第二特征信息能够用于反映餐品的利润率；根据第一特征信息以及第二特征信息，选择候选餐品作为引流餐品，能够兼顾餐品的唯一性以及利润率，从而显著提升引流餐品的引流效果。由此可见，本发明能够挖掘出较为独特且利率可观的餐品作为引流餐品，从而既提升了客流量，又增加了营业额。

图2示出了本发明实施例二提供的一种引流餐品的推送方法的流程图。如图2所示，该方法包括：

步骤s200：根据目标店铺的历史点餐记录确定目标店铺中的各个餐品的销量；根据目标店铺中的各个餐品的销量，获取目标店铺中的各个候选餐品。

其中，目标店铺是指：欲推出引流餐品吸引顾客的店铺。由于引流餐品必然是依托于店铺而存在的，不同店铺的引流餐品通常也不同。因此，在本实施例中，先确定引流餐品所在的店铺，将该店铺确定为目标店铺，并针对该目标店铺选择适宜该家店铺的引流餐品。

具体地，目标店铺的历史点餐记录用于记录以往点餐过程中所点选的餐品，通过对历史点餐记录进行分析，能够计算出目标店铺中的各个餐品的销量。接下来，根据销量对各个餐品进行排序，选择排序结果靠前的若干餐品作为候选餐品。由于销量高的餐品受众广泛，因此，选择销量高的餐品作为候选餐品有助于提升客流量。

本步骤给出了获取候选餐品的一种具体的实现方式。当然，在本发明其他的实施例中，还可以通过其他各种方式获取候选餐品，比如，考虑到多数顾客都青睐于新推出的餐品，因此，根据餐品的推出时间对各个餐品进行排序，提取推出时间较短的餐品作为候选餐品。

步骤s210：针对已获取的目标店铺中的各个候选餐品，分别将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，根据匹配结果确定目标店铺中的各个候选餐品的第一特征信息。

其中，预设的店铺餐品清单集合中包含的各个店铺餐品清单分别对应于各个预设店铺。具体地，当本实施例用于点餐应用中时，可以将该点餐应用所覆盖的全部店铺的店铺餐品清单都加入到店铺餐品清单集合中，本实施例中的方式可用于对店铺餐品清单集合中包含的任一店铺确定引流餐品。

首先，针对每个候选餐品，将该候选餐品的餐品信息分别与预设的店铺餐品清单集合中包含的每个店铺餐品清单进行匹配；将与该候选餐品的餐品信息匹配成功的店铺餐品清单确定为与该候选餐品相对应的匹配清单，和/或，将与该候选餐品的餐品信息匹配不成功的店铺餐品清单确定为与该候选餐品相对应的非匹配清单。其中，每个店铺餐品清单对应于一家店铺。候选餐品的餐品信息可以包括：餐品名称信息、餐品食材信息、餐品工序信息、餐品用量信息、餐品价位信息、适宜人群信息、以及餐品口味信息等多种信息。其中，餐品食材信息包括餐品的主食材以及副食材等食材相关信息，通常，食材相近的餐品之间具有更高的共性。餐品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，制作方法相近的餐品之间具有更高的共性。餐品用量信息用于反映餐品的分量，进而反映该餐品所适合的用餐人数，用量信息相近的餐品之间更具有共性。餐品价位信息指餐品的售价，用以反映该餐品对应的消费群体，价位相近的餐品共性更高。适宜人群信息用于反映该餐品所适宜的人群，包括小孩、老人等。餐品口味信息包括：麻辣、清淡、微甜等各种口味，通常口味相近的餐品更具有共性。总之，餐品信息用于判断两个餐品之间的相似度，为了提升判断的准确性，可以包含多个维度的信息，以全面反映餐品特征；为了提升判断的快捷性，也可以仅包含名称信息，以直接根据名称进行匹配。具体匹配时，可以预设相似度阈值，将相似度得分大于该相似度阈值的餐品确定为匹配餐品；反之，确定为非匹配餐品。

然后，根据匹配清单对应的匹配数量和/或非匹配清单对应的非匹配数量，确定该候选餐品的第一特征信息。其中，由于匹配清单是与该候选餐品的餐品信息匹配成功的店铺餐品清单，因此，匹配清单对应的匹配数量能够反映该餐品与其他店铺的其他餐品之间的重合度。例如，假设共有100家预设店铺，相应地，共有100张店铺餐品清单，若候选餐品“宫保鸡丁”与其中的58家店铺的清单相匹配，即匹配数量为58(非匹配数量为42)，则说明“宫保鸡丁”这一候选餐品与其他店铺的重合度较高，不具有本店特色；若候选餐品“东坡肉”与其中的0家店铺的清单相匹配，即匹配数量为0(非匹配数量为100)，则说明“东坡肉”这一候选餐品与其他店铺的重合度较低，具有鲜明的本店特色，更适宜作为本店的引流餐品。具体实施时，候选餐品的第一特征信息可以通过第一特征分值表示，且第一特征分值与匹配清单对应的匹配数量成反比，与非匹配清单对应的非匹配数量成正比。由此可见，第一特征信息用于反映候选餐品与其他店铺的餐品之间的相似度。通常，相似度较低的餐品适宜作为本店的特色餐品，以达到吸引客流的目的。

另外，在确定候选餐品的第一特征信息时，可以结合tfidf算法确定各个餐品之间的相似度。tfidf的主要思想是：如果某个词或短语在一个候选餐品的餐品信息中出现的频率(tf)高，并且在其他餐品的餐品信息中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。tfidf实际上是：tf*idf，tf词频(termfrequency)，idf逆向文件频率(inversedocumentfrequency)。tf表示词条在餐品的餐品信息中出现的频率。idf的主要思想是：如果包含词条t的餐品信息越少，idf越大，则说明词条t具有很好的类别区分能力。基于上述思想，在本实施例中，可以通过tfidf算法筛选各个候选餐品的餐品信息中包含的区分度较高的词汇作为特征词汇，根据特征词汇确定候选餐品与清单中的餐品的相似度。例如，根据候选词汇在候选餐品的餐品信息中出现的第一频率以及该候选词汇在其他店铺的店铺餐品清单中出现的第二频率来确定特征词汇，将第一频率高于预设第一阈值且第二频率低于预设第二阈值的候选词汇确定为特征词汇。通过特征词汇能够更加准确地确定两个餐品是否相近。

另外，还可以预先训练一个餐品信息学习模型，以便根据该餐品信息学习模型确定各个餐品之间的相似度，从而通过机器学习的方式提升准确性。

步骤s220：针对已获取的目标店铺中的各个候选餐品，分别计算各个候选餐品的食材信息以及定价信息，根据计算结果确定目标店铺中的各个候选餐品的第二特征信息。

具体实施时，首先，针对每个候选餐品，确定该候选餐品的食材信息和/或工序信息，根据食材信息和/或工序信息确定该候选餐品的成本信息。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，计算该候选餐品的成本信息与该候选餐品的定价信息之间的差值，根据差值确定该候选餐品的第二特征信息。其中，该候选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。具体的，候选餐品的第二特征信息可通过第二特征分值表示，且第二特征分值与该差值成正比。

步骤s230：根据目标店铺中的各个候选餐品的第一特征信息以及第二特征信息生成与各个候选餐品相对应的特征向量；将与各个候选餐品相对应的特征向量输入预设的分类模型，根据分类模型输出的分类结果，选择至少一个候选餐品作为目标店铺的引流餐品。

其中，可以直接将各个候选餐品的第一特征信息以及第二特征信息进行组合，以得到各个候选餐品相对应的特征向量。另外，该特征向量中还可以进一步包含其他维度的信息，例如销量信息等，以便于全面反映餐品的特点。

预设的分类模型可以为二分类模型或其他形式的模型。该模型可通过对预先收集的样本餐品对应的样本向量进行训练得到，样本向量的具体维度和确定方式与特征向量类似，此处不再赘述。

步骤s240：为目标店铺的引流餐品设置对应的优惠信息，将目标店铺的引流餐品及其对应的优惠信息与该目标店铺关联推送给用户终端。

为了达到吸引客流的目的，需要为引流餐品设置对应的优惠信息，例如打折信息或特价信息等。具体推送时，将目标店铺的引流餐品及其对应的优惠信息与该目标店铺关联推送给用户终端。例如，可以在点餐应用的应用界面中预留引流版块，在该引流版块中显示各个店铺对应的引流餐品，以便于用户根据各家店铺的引流餐品做出就餐选择。

由此可见，本实施例至少能够从销量、独特性、利润空间这三个维度来选择引流餐品。发明人在实现本发明的过程中发现，有些销量较高的餐品由于过于普通而不利于引流。例如，“番茄炒蛋”作为一款物美价廉的餐品，销量一直很高，但是，由于该餐品缺乏特色，用户在任一餐厅均可品尝该餐品，因此，很少有顾客会因为“番茄炒蛋”这一推荐餐品而专程来此店消费。考虑到上述原因，在本实施例中，通过第一特征信息反映餐品的独立性，优先选择具有本店特色的餐品作为引流餐品。由于该特色餐品在其他店铺无缘品尝，因此，顾客因该餐品而专程来此店消费的概率得以显著提升。

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引流餐品，本实施例中的餐品的特征向量中还可以进一步包含点过该餐品的用户的用户类型信息，以便于确定出各种类型的用户所偏爱的餐品种类。相应地，在本步骤中，将引流餐品推送给用户终端时，选择与用户终端的用户类型相匹配的引流餐品进行推送。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引流餐品。具体地，在本实施例中，可以结合用户的年龄、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。

另外，本领域技术人员还可以对上述实施例进行各种改动和变形：在确定样本餐品的样本向量时，可在样本餐品的样本向量中进一步包含该样本餐品的点餐时序信息(点餐时序信息主要是指各个餐品之间在时间维度的区别与联系)，以便于根据点餐时序信息分析用户的偏好，并结合用户的偏好优先选择偏好值较高的餐品作为引流餐品。比如，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。其中，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。相应地，在根据样本向量得到预设的分类模型时，可通过机器学习模型对样本向量进行训练，以确定各个餐品之间的时序关联关系，并据此得到分类模型。在本实施例中，机器学习模型可以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，以便根据样本向量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模型对样本向量进行训练，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。

综上可知，根据本发明提供的引流餐品的推送方法，通过将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，得到各个候选餐品的第一特征信息，该第一特征信息能够用于反映餐品的唯一性；通过计算各个候选餐品的食材信息以及定价信息，得到各个候选餐品的第二特征信息，该第二特征信息能够用于反映餐品的利润率；根据第一特征信息以及第二特征信息，选择候选餐品作为引流餐品，能够兼顾餐品的唯一性以及利润率，从而显著提升引流餐品的引流效果。由此可见，本发明能够挖掘出较为独特且利率可观的餐品作为引流餐品，从而既提升了客流量，又增加了营业额。

实施例三

图3示出了本发明实施例三提供的一种引流餐品的推送装置的结构示意图，该装置包括：

第一特征模块31，适于针对已获取的目标店铺中的各个候选餐品，分别将各个候选餐品的餐品信息与预设的店铺餐品清单集合中包含的各个店铺餐品清单进行匹配，根据匹配结果确定所述目标店铺中的各个候选餐品的第一特征信息；

第二特征模块32，适于针对所述已获取的目标店铺中的各个候选餐品，分别计算各个候选餐品的食材信息以及定价信息，根据计算结果确定所述目标店铺中的各个候选餐品的第二特征信息；

推送模块33，适于根据所述目标店铺中的各个候选餐品的第一特征信息以及第二特征信息，从所述目标店铺中的各个候选餐品中选择至少一个候选餐品作为所述目标店铺的引流餐品，将所述目标店铺的引流餐品与该目标店铺关联推送给用户终端。

可选地，所述装置进一步包括：

获取模块34，适于根据所述目标店铺的历史点餐记录确定所述目标店铺中的各个餐品的销量；根据所述目标店铺中的各个餐品的销量，获取所述目标店铺中的各个候选餐品。

可选地，所述第一特征模块31具体适于：

针对每个候选餐品，将该候选餐品的餐品信息分别与预设的店铺餐品清单集合中包含的每个店铺餐品清单进行匹配；

将与该候选餐品的餐品信息匹配成功的店铺餐品清单确定为与该候选餐品相对应的匹配清单，和/或，将与该候选餐品的餐品信息匹配不成功的店铺餐品清单确定为与该候选餐品相对应的非匹配清单；

根据所述匹配清单对应的匹配数量和/或所述非匹配清单对应的非匹配数量，确定该候选餐品的第一特征信息。

可选地，所述预设的店铺餐品清单集合中包含的各个店铺餐品清单分别对应于各个预设店铺；

并且，候选餐品的第一特征信息通过第一特征分值表示，且所述第一特征分值与所述匹配清单对应的匹配数量成反比，与所述非匹配清单对应的非匹配数量成正比。

可选地，所述第二特征模块32具体适于：

针对每个候选餐品，确定该候选餐品的食材信息和/或工序信息，根据所述食材信息和/或工序信息确定该候选餐品的成本信息；

计算该候选餐品的成本信息与该候选餐品的定价信息之间的差值，根据所述差值确定该候选餐品的第二特征信息。

可选地，候选餐品的第二特征信息通过第二特征分值表示，且所述第二特征分值与所述差值成正比。

可选地，所述推送模块33具体适于：

根据所述目标店铺中的各个候选餐品的第一特征信息以及第二特征信息生成与各个候选餐品相对应的特征向量；

将与各个候选餐品相对应的特征向量输入预设的分类模型，根据所述分类模型输出的分类结果，选择至少一个候选餐品作为所述目标店铺的引流餐品。

可选地，所述推送模块33具体适于：

为所述目标店铺的引流餐品设置对应的优惠信息，将所述目标店铺的引流餐品及其对应的优惠信息与该目标店铺关联推送给用户终端。

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引流餐品的推送方法。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，具体可以执行上述引流餐品的推送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。