基于大数据分析的菜包肉养生配方推荐方法与流程

本技术涉及数据处理，具体涉及基于大数据分析的菜包肉养生配方推荐方法。

背景技术：

1、随着信息技术的飞速发展和互联网的普及，互联网上的信息呈爆炸式的增长，为解决信息过载问题，推荐系统应运而生。现如今随着社会的发展和时代的进步，养生食品逐渐成为人们追求饮食和健康的风向标，其中对于菜包肉的养生配方信息较多，用户进行选择时很难选到合适的菜包肉养生配方。

2、现如今针对信息爆炸式的增长的情况，可以基于大数据分析用户的偏好、口味、需求以及身体状况等信息，同时通过大数据分析不同用户之间的养生配方选择相似特征，基于大数据的分析结果为用户推荐能够满足用户需求的菜包肉养生配方，辅助用户进行健康管理，常见的推荐方法包括基于内容和知识的推荐方法、基于协同过滤的推荐方法、混合推荐方法，其中采用传统的协同滤波算法、top-n推荐算法进行菜包肉养生配方的推荐时，用户偏好的偏移、数据的稀疏性、冷启动等问题都会影响基于大数据分析的菜包肉养生配方推荐的准确性。

技术实现思路

1、本技术提供基于大数据分析的菜包肉养生配方推荐方法，以解决菜包肉养生配方推荐准确性低的问题，所采用的技术方案具体如下：

2、本技术一个实施例提供了基于大数据分析的菜包肉养生配方推荐方法，该方法包括以下步骤：

3、获取用户配方推荐特征集合；

4、根据用户配方推荐特征集合中每名用户的偏好数据集与菜包肉养生配方历史数据集中元素之间的匹配特征计算推荐契合指数，基于推荐契合系数计算匹配推荐契合距离；根据每名用户的偏好数据集和菜包肉养生配方历史数据集之间对应的匹配推荐契合距离计算匹配推荐特征系数；

5、根据用户配方推荐特征集合中每名对应的匹配推荐特征系数和每名用户对应的健康数据特征获取用户倾向特征样本集；根据用户倾向特征样本中不同样本的近邻关系特征构建不同用户之间的养生配方共识推荐系数；

6、基于用户配方特征推荐集合中不同用户之间的养生配方共识推荐系数获取每名用户的菜包肉养生配方的推荐结果。

7、优选的，所述获取用户配方推荐特征集合的方法为：

8、分别获取每名用户的偏好数据集、健康信息数据集、菜包肉养生配方历史数据集，将每名用户的偏好数据集、健康信息数据集、菜包肉养生配方历史数据集组成的集合作为每名用户的养生配方推荐特征数据集，采用utf-8编码技术获取每名用户的养生配方推荐特征数据集的编码结果，将预设数量的用户的养生配方推荐特征数据集的编码结果组成的集合作为用户配方推荐特征集合。

9、优选的，所述根据用户配方推荐特征集合中每名用户的偏好数据集与菜包肉养生配方历史数据集中元素之间的匹配特征计算推荐契合指数，基于推荐契合系数计算匹配推荐契合距离的方法为：

10、

11、

12、式中，s(px,rz,y)表示px与rz,y之间的匹配推荐契合距离，px表示用户的偏好数据集中第x个元素，rz,y表示用户的菜包肉养生配方历史数据集中第z个菜包肉养生配方中第y个元素；sh(iρ,iτ)表示iρ和iτ之间的推荐契合指数，iρ表示用户的偏好数据集中第x个元素的编码结果中第ρ个字符对应的字符串组成的字符向量，iτ表示用户的菜包肉养生配方历史数据集中第z个菜包肉养生配方中第y个元素的编码结果中第τ个字符对应的字符串组成的字符向量，y(iρ,iτ)表示iρ和iτ之间的余弦相似度；和分别表示iρ和iτ中元素的数量；表示用户的偏好数据集中第x个元素对应的字符的数量，ω表示用户的菜包肉养生配方历史数据集中第z个菜包肉养生配方中第y个元素的字符的数量。

13、优选的，所述根据每名用户的偏好数据集和菜包肉养生配方历史数据集之间对应的匹配推荐契合距离计算匹配推荐特征系数的方法为：

14、对于用户配方推荐特征集合中的每名用户，将用户的偏好数据中每个元素与养生配方数据中每个配方数据的所有元素之间的匹配推荐契合距离组成的集合作为养生配方数据中每个配方数据的匹配推荐契合距离集合；根据用户的偏好数据与养生配方数据之间对应的匹配推荐契合距离集合计算匹配推荐特征系数。

15、优选的，所述根据用户的偏好数据与养生配方数据之间对应的匹配推荐契合距离集合计算匹配推荐特征系数的方法为：

16、

17、式中，xz表示每名用户的菜包肉养生配方历史数据集中第z个菜包肉养生配方的匹配推荐特征系数；pv和pk分别表示用户的偏好数据集中第v个和第k个元素对应的字符串，rz,u表示用户的菜包肉养生配方历史数据集中第z个菜包肉养生配方中第u个元素对应的字符串，s(pv,rz,u)表示pv与rz,u之间的匹配推荐契合距离，s(pk,rz,u)表示pk与rz,u之间的匹配推荐契合距离；gv,z和gk,z分别表示每名用户的菜包肉养生配方历史数据集中第z个菜包肉养生配方与偏好数据集中第v个和第k个元素之间的匹配推荐契合距离集合，jac(gv,z,gk,z)表示gv,z和gk,z之间的杰卡德系数；c表示每名用户的偏好数据集中元素的数量，u表示每名用户的菜包肉养生配方历史数据集中第z个菜包肉养生配方中元素的数量。

18、优选的，所述根据用户配方推荐特征集合中每名对应的匹配推荐特征系数和每名用户对应的健康数据特征获取用户倾向特征样本集的方法为：

19、对于用户匹配特征集合中的每名用户，将用户的菜包肉养生配方历史数据集中所有菜包肉养生配方对应的匹配推荐特征系数按照由小到大的顺序组成的序列作为每名用户的匹配推荐特征序列；将用户的养生配方推荐特征数据集中健康信息数据集的所有元素组成的序列作为用户的健康特征序列；根据用户的匹配推荐特征序列和健康特征序列获取用户倾向特征样本集。

20、优选的，所述根据用户的匹配推荐特征序列和健康特征序列获取用户倾向特征样本集的方法为：

21、将每名用户的匹配推荐特征序列中所有元素的均值作为每名用户的匹配推荐特征值；将每名用户的健康特征序列与其他所有用户的健康特征序列的相似性度量结果的均值作为每名用户的匹配健康特征值；将每名用户的匹配推荐特征值作为横坐标，将每名用户的匹配健康特征值作为纵坐标，将所有用户映射到横坐标和纵坐标构成的二维直角坐标系中，将所有用户的映射结果作为用户倾向特征样本集。

22、优选的，所述根据用户倾向特征样本中不同样本的近邻关系特征构建不同用户之间的养生配方共识推荐系数的方法为：

23、采用k近邻算法获取用户倾向特征样本集中每名用户的预设数量的近邻用户，将每名用户的预设数量的近邻用户组成的集合作为每名用户的近邻特征样本集，根据不同用户对应的匹配推荐特征序列和近邻样本集合获取不同用户之间的养生配方共识推荐系数。

24、优选的，所述根据不同用户对应的匹配推荐特征序列和近邻样本集合获取不同用户之间的养生配方共识推荐系数的方法为：

25、对于用户倾向特征样本集中的任意两名用户，将任意两名用户对应的近邻特征样本集的相似性度量结果作为第一推荐系数；将任意两名用户对应的匹配推荐特征序列中相同位置的数据对应的菜包肉养生配方数据的相似性度量结果作为第二推荐系数，将任意两名用户对应的匹配推荐特征序列中相同位置的数据之差的绝对值与预设参数的和作为第三推荐系数，将第二推荐系数与第三推荐系数的比值在任意两名用户对应的匹配推荐特征序列上累加结果的均值作为第四推荐系数，将第一推荐系数与第四推荐系数的乘积作为任意两名用户之间的养生配方共识推荐系数。

26、优选的，所述基于用户配方特征推荐集合中不同用户之间的养生配方共识推荐系数获取每名用户的菜包肉养生配方的推荐结果的方法为：

27、采用聚类算法获取用户倾向特征样本集的聚类结果，根据所述聚类结果中每个聚类簇中用户之间的养生配方共识推荐系数获取每名用户的养生配方共识相似集合，基于养生配方共识推荐系数和每名用户的养生配方共识相似集合利用top-n推荐算法获取每名用户的菜包肉养生配方的推荐结果。

28、本技术的有益效果是：通过分析每名用户获取菜包肉养生配方的过程中对自身偏好特征和健康状况的重视程度获取匹配推荐特征系数，基于匹配推荐特征系数分析不同用户之间对菜包肉养生配方选择的倾向特征；进一步的，根据匹配推荐特征系数获取养生配方共识推荐系数，通过养生配方共识推荐系数衡量不同用户之间选取菜包肉养生配方的过程中对自身偏好、健康情况以及对菜包肉养生配方选择的倾向等方面的关联情况，基于养生配方共识推荐系数利用top-n推荐算法生成用户的菜包肉养生配方推荐列表，其有益效果在于避免传统推荐算法中根据菜包肉养生配方的热度、搜索记录衡量不同用户之间的对于菜包肉养生配方的相似关联程度可靠程度较低的问题，提高基于大数据分析为用户推荐菜包肉养生配方的准确性。