[发明专利]一种基于多用户信息融合和熵的餐厅点餐推荐方法和系统

说明书

本发明提供了基于多用户信息融合和熵的餐厅点餐推荐方法和系统。其中，该方法包括获取历史点菜数据和权值信息，生成加权频繁模式树，确定出菜品和菜品、菜品数量和用餐人数之间的关联规则；接收同一桌号下的每个用户的菜品喜好信息，基于加权频繁模式树、熵和相似度的推荐矩阵，计算出向同一桌号下的每个用户推荐菜品的候选子集；接收同一桌号下的每个用户的属性信息并构建用户不相容度矩阵，将同一桌号下所有候选子集取并，重合菜品增益值相加，按照增益值由大到小排序菜品，再根据用户不相容度矩阵剔除不相容度超出预设阈值的菜品，筛选出增益值最高的且与当前用户数量相匹配的菜品数量作为最终推荐菜品集合，并向同一桌号下所有用户同步推荐。

技术领域

本发明属于机器学习及信息处理技术领域，尤其涉及一种基于多用户信息融合和熵的餐厅点餐推荐方法和系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着信息技术的发展和推荐算法的不断改进，丰富的个性化推荐方案已经渗透到人们生产生活的各个领域。目前用在餐厅中的菜品推荐算法，都是基于单人用餐的推荐，但在实际就餐场景中，同桌用餐的人数大部分至少两人，基于单人用餐的推荐方案显然不具有实际意义。

传统的推荐算法主要有基于内容的推荐算法、基于协同过滤的推荐算法、混合推荐等，在餐饮行业常用的有诸如兴趣感知选择算法、通过建立用户兴趣模型与餐厅位置的协同过滤算法。在后来提出的基于关联度的菜品推荐算法中，首次引入FP-Tree(FrequentPattern tree频繁模式树)，在此基础上又出现混合推荐算法，通过历史就餐数据推理出菜品的关联度和相似度等，通过前两部分的结果整合出最终的菜品推荐规则进行推荐，但是这种推荐模型在构建时，很大程度上基于菜品相似度，这就会导致相似度越高的物品越容易得到推荐。然而通常情况下人们在点餐时，对同一桌菜品不只涉及一类菜品，而是考虑菜品的多样性。另外发明人发现，仅仅基于现有历史数据的推荐模型的构建，推荐准确性会随着时间推移和数据量的增大而逐渐下降，因此对菜品的推荐模型仍要考虑实时更新的问题。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于多用户信息融合和熵的餐厅点餐推荐方法及系统，其能够通过推荐模型为用户输出适量的个性化菜单，不仅能够弥补现有推荐算法的不足，而且还能够在很大程度上避免出现严重的粮食浪费问题，填补混合推荐算法在多人用餐场景中应用的空白。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于多用户信息融合和熵的餐厅点餐推荐方法。

一种基于多用户信息融合和熵的餐厅点餐推荐方法，包括：

获取历史点菜数据和权值信息，生成加权频繁模式树，确定出菜品和菜品、菜品数量和用餐人数之间的关联规则，所述权值信息为携带用餐人数的权重值；

接收同一桌号下的每个用户的菜品喜好信息，基于加权频繁模式树、熵和相似度的推荐矩阵，计算出向同一桌号下的每个用户推荐菜品的候选子集。其中，每个推荐菜品都携带有增益值信息；

接收同一桌号下的每个用户的属性信息并构建用户不相容度矩阵，将同一桌号下所有候选子集取并，重合菜品增益值相加，按照增益值由大到小排序菜品，再根据用户不相容度矩阵剔除不相容度超出预设阈值的菜品，筛选出增益值最高的且与当前用户数量相匹配的菜品数量作为最终推荐菜品集合，并向同一桌号下所有用户同步推荐。

进一步地，所述基于多用户信息融合和熵的餐厅点餐推荐方法，还包括：

接收参与点餐的用户对点过的菜品的反馈信息和基于反馈信息更新加权频繁模式树。

进一步地，通过两次扫描历史点菜数据和权值信息来构建加权频繁模式树。