本發(fā)明涉及數(shù)據(jù)處理的技術領域，尤其是涉及一種美食數(shù)據(jù)的推薦方法和裝置。

背景技術：

隨著互聯(lián)網(wǎng)的快速發(fā)展，互聯(lián)網(wǎng)給大家提供了更加便捷的數(shù)據(jù)獲取方式，以及溝通方式。例如，用戶可以在某個網(wǎng)頁中瀏覽觀看視頻，其中，該網(wǎng)頁還可以基于用于已瀏覽觀看的視頻為該用戶推薦該用于可能喜歡的視頻，以提高用戶體驗。傳統(tǒng)的推薦方案是通過收集用戶行為對用戶標記喜好內(nèi)容標簽，再通過標簽給用戶推薦內(nèi)容。這種推薦方式的缺點是內(nèi)容標簽對用戶喜好的標注過于粗放，隨收集用戶行為增多并不能提高給用戶推薦內(nèi)容的精度。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種美食數(shù)據(jù)的推薦方法和裝置，以緩解現(xiàn)有的數(shù)據(jù)推薦方案推薦精度較差的技術問題。

根據(jù)本發(fā)明的一個方面，提供了一種美食數(shù)據(jù)的推薦方法，包括：獲取目標網(wǎng)頁的投放數(shù)據(jù)；采用預先建立的神經(jīng)網(wǎng)絡對所述投放數(shù)據(jù)進行預測，以在所述投放數(shù)據(jù)中確定推薦數(shù)據(jù)，其中，所述推薦數(shù)據(jù)為所述投放數(shù)據(jù)中興趣度滿足預設興趣度的數(shù)據(jù)，所述興趣度為當前用戶對所述投放數(shù)據(jù)的興趣度，所述預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段所述當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡；向所述當前用戶推薦所述推薦數(shù)據(jù)。

進一步地，所述投放數(shù)據(jù)包括多條投放數(shù)據(jù)，采用預先建立的神經(jīng)網(wǎng)絡對所述投放數(shù)據(jù)進行預測，以在所述投放數(shù)據(jù)中確定推薦數(shù)據(jù)包括：采用所述預先建立的神經(jīng)網(wǎng)絡對所述投放數(shù)據(jù)進行預測，以得到每條所述投放數(shù)據(jù)的第一概率，其中，所述第一概率表示所述當前用戶對當前投放數(shù)據(jù)的興趣度；將所述投放數(shù)據(jù)中興趣度大于或者等于預設興趣度的投放數(shù)據(jù)作為所述推薦數(shù)據(jù)。

進一步地，在獲取目標網(wǎng)頁的投放數(shù)據(jù)之前，所述方法還包括：判斷是否已建立與所述當前用戶相對應的神經(jīng)網(wǎng)絡模型；如果判斷出已建立與所述當前用戶相對應的神經(jīng)網(wǎng)絡模型，則采集預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)，其中，所述用戶行為數(shù)據(jù)為根據(jù)所述當前用戶對已投放數(shù)據(jù)所執(zhí)行的操作得到的數(shù)據(jù)；采用所述預設時間段內(nèi)的所述當前用戶的用戶行為數(shù)據(jù)對已建立的所述神經(jīng)網(wǎng)絡模型進行訓練，以使所述神經(jīng)網(wǎng)絡模型對所述當前用戶所感興趣的數(shù)據(jù)進行記憶。

進一步地，采集預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)包括：每隔預設間隔時間采集所述預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)；采用所述預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)對已建立的所述神經(jīng)網(wǎng)絡模型進行訓練包括：每隔所述預設間隔時間采用所述預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)對已建立的所述神經(jīng)網(wǎng)絡模型進行訓練。

進一步地，在向所述當前用戶推薦所述推薦數(shù)據(jù)之前，所述方法還包括：獲取所述當前用戶的用戶資料，其中，所述用戶資料包括當前用戶的籍貫，當前用戶的性別，當前用戶的姓名；根據(jù)所述用戶資料對所述推薦數(shù)據(jù)進行篩選，得到篩選之后的所述推薦數(shù)據(jù)；向所述當前用戶推薦所述推薦數(shù)據(jù)包括：將篩選之后的所述推薦數(shù)據(jù)推送給所述當前用戶。

進一步地，在向所述當前用戶推薦所述推薦數(shù)據(jù)之后，所述方法還包括：按照預設格式對所述推薦數(shù)據(jù)按照推薦時間進行存儲，存儲在數(shù)據(jù)庫中，其中，所述數(shù)據(jù)庫用于存儲歷史推薦數(shù)據(jù)；獲取用戶的查詢指令，并根據(jù)所述查詢指令在所述數(shù)據(jù)庫中查詢歷史推薦數(shù)據(jù)。

根據(jù)本發(fā)明的另一個方面，還提供了一種美食數(shù)據(jù)的推薦裝置，包括：第一獲取單元，用于獲取目標網(wǎng)頁的投放數(shù)據(jù)；預測單元，用于采用預先建立的神經(jīng)網(wǎng)絡對所述投放數(shù)據(jù)進行預測，以在所述投放數(shù)據(jù)中確定推薦數(shù)據(jù)，其中，所述推薦數(shù)據(jù)為所述投放數(shù)據(jù)中興趣度滿足預設興趣度的數(shù)據(jù)，所述興趣度為當前用戶對所述投放數(shù)據(jù)的興趣度，所述預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段所述當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡；推薦單元，用于向所述當前用戶推薦所述推薦數(shù)據(jù)。

進一步地，所述投放數(shù)據(jù)包括多條投放數(shù)據(jù)，所述預測單元包括：預測模塊，用于采用所述預先建立的神經(jīng)網(wǎng)絡對所述投放數(shù)據(jù)進行預測，以得到每條所述投放數(shù)據(jù)的第一概率，其中，所述第一概率表示所述當前用戶對當前投放數(shù)據(jù)的興趣度；確定模塊，用于將所述投放數(shù)據(jù)中興趣度大于或者等于預設興趣度的投放數(shù)據(jù)作為所述推薦數(shù)據(jù)。

進一步地，所述裝置還包括：判斷單元，用于在獲取目標網(wǎng)頁的投放數(shù)據(jù)之前，判斷是否已建立與所述當前用戶相對應的神經(jīng)網(wǎng)絡模型；采集單元，用于在判斷出已建立與所述當前用戶相對應的神經(jīng)網(wǎng)絡模型的情況下，采集預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)，其中，所述用戶行為數(shù)據(jù)為根據(jù)所述當前用戶對已投放數(shù)據(jù)所執(zhí)行的操作得到的數(shù)據(jù)；訓練單元，用于采用所述預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)對已建立的所述神經(jīng)網(wǎng)絡模型進行訓練，以使所述神經(jīng)網(wǎng)絡模型對所述當前用戶所感興趣的數(shù)據(jù)進行記憶。

進一步地，所述采集單元包括：采集模塊，用于每隔預設間隔時間采集所述預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)；所述訓練單元包括：訓練模塊，用于每隔所述預設間隔時間采用所述預設時間段內(nèi)所述當前用戶的用戶行為數(shù)據(jù)對已建立的所述神經(jīng)網(wǎng)絡模型進行訓練。

在本發(fā)明實施例中，首先獲取目標網(wǎng)頁的投放數(shù)據(jù)；然后，采用預先建立的神經(jīng)網(wǎng)絡模型對投放數(shù)據(jù)進行預測，以根據(jù)預測結果在投放數(shù)據(jù)中確定推薦數(shù)據(jù)；最后，將推薦數(shù)據(jù)推薦給用戶，其中，推薦數(shù)據(jù)為投放數(shù)據(jù)中興趣度滿足預設興趣度的數(shù)據(jù)，興趣度為當前用戶對投放數(shù)據(jù)的興趣度，預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡。上述神經(jīng)網(wǎng)絡模型為一個動態(tài)模型，該模型可以對不同時間段的用戶行為數(shù)據(jù)進行訓練，通過越來越多行為數(shù)據(jù)訓練，能夠保證該模型會越來越準確，那么推薦的數(shù)據(jù)也就越來越精確，進而緩解了現(xiàn)有的數(shù)據(jù)推薦方案推薦精度較差的技術問題，從而實現(xiàn)了準確為用戶推薦數(shù)據(jù)的技術效果。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術中的技術方案，下面將對具體實施方式或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是根據(jù)本發(fā)明實施例的一種美食數(shù)據(jù)的推薦方法的流程圖；

圖2是根據(jù)本發(fā)明實施例的第一種可選地美食數(shù)據(jù)的推薦方法的流程圖；

圖3是根據(jù)本發(fā)明實施例的第二種可選地美食數(shù)據(jù)的推薦方法的流程圖；

圖4是根據(jù)本發(fā)明實施例的第三種可選地美食數(shù)據(jù)的推薦方法的流程圖；

圖5是根據(jù)本發(fā)明實施例的第四種可選地美食數(shù)據(jù)的推薦方法的流程圖；

圖6是根據(jù)本發(fā)明實施例的一種美食數(shù)據(jù)的推薦裝置的示意圖。

具體實施方式

下面將結合附圖對本發(fā)明的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

在本發(fā)明的描述中，需要說明的是，術語“中心”、“上”、“下”、“左”、“右”、“豎直”、“水平”、“內(nèi)”、“外”等指示的方位或位置關系為基于附圖所示的方位或位置關系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構造和操作，因此不能理解為對本發(fā)明的限制。此外，術語“第一”、“第二”、“第三”僅用于描述目的，而不能理解為指示或暗示相對重要性。

在本發(fā)明的描述中，需要說明的是，除非另有明確的規(guī)定和限定，術語“安裝”、“相連”、“連接”應做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內(nèi)部的連通。對于本領域的普通技術人員而言，可以具體情況理解上述術語在本發(fā)明中的具體含義。

實施例一：

根據(jù)本發(fā)明實施例，提供了一種美食數(shù)據(jù)的推薦方法的實施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計算機可執(zhí)行指令的計算機系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

圖1是根據(jù)本發(fā)明實施例的一種美食數(shù)據(jù)的推薦方法的流程圖，如圖1所示，該方法包括如下步驟：

步驟s102，獲取目標網(wǎng)頁的投放數(shù)據(jù)；

在本發(fā)明實施例中，目標網(wǎng)頁為用于為用戶推薦美食數(shù)據(jù)的美食網(wǎng)頁，用戶可以在該網(wǎng)頁中瀏覽各種美食，以及每種美食的做法。

上述投放數(shù)據(jù)可以為在該美食網(wǎng)頁中投放的美食數(shù)據(jù)。例如，“蒜薹炒肘花”的做法和心得分享。

步驟s104，采用預先建立的神經(jīng)網(wǎng)絡對投放數(shù)據(jù)進行預測，以在投放數(shù)據(jù)中確定推薦數(shù)據(jù)，其中，推薦數(shù)據(jù)為投放數(shù)據(jù)中興趣度滿足預設興趣度的數(shù)據(jù)，興趣度為當前用戶對投放數(shù)據(jù)的興趣度，預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡；

在本發(fā)明實施例中，上述預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡。通過不同時間段的用戶行為數(shù)據(jù)能夠更加準確的確定用戶的喜好，以為用戶推薦更加精確的數(shù)據(jù)。

例如，在任意時間段，用戶喜歡瀏覽的美食為素食，那么此時，就可以通過該時間段內(nèi)用戶的瀏覽行為數(shù)據(jù)為該用戶推薦相關素食。

如果在下一個時間段，用戶喜歡瀏覽的美食為肉食。此時如果還繼續(xù)為用戶推薦素食，將影響用戶體驗，此時就可以通過該時間段的用戶行為數(shù)據(jù)確定該用戶所喜歡瀏覽的食物為肉食，那么此時就可以為該用戶推薦肉食，以滿足用戶不同時刻的不同需求。

需要說明的是，上述用戶行為數(shù)據(jù)可以為用戶的點擊量，用戶所點擊的美食的種類，用戶點擊相同美食的數(shù)量，用戶點擊美食的時間用戶所收藏的美食，用戶所點贊的美食等等。

步驟s106，向當前用戶推薦推薦數(shù)據(jù)。

在本發(fā)明實施例中，首先獲取目標網(wǎng)頁的投放數(shù)據(jù)；然后，采用預先建立的神經(jīng)網(wǎng)絡模型對投放數(shù)據(jù)進行預測，以根據(jù)預測結果在投放數(shù)據(jù)中確定推薦數(shù)據(jù)；最后，將推薦數(shù)據(jù)推薦給用戶，其中，推薦數(shù)據(jù)為投放數(shù)據(jù)中興趣度滿足預設興趣度的數(shù)據(jù)，興趣度為當前用戶對投放數(shù)據(jù)的興趣度，預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡。上述神經(jīng)網(wǎng)絡模型為一個動態(tài)模型，該模型可以對不同時間段的用戶行為數(shù)據(jù)進行訓練，通過越來越多行為數(shù)據(jù)訓練，能夠保證該模型會越來越準確，那么推薦的數(shù)據(jù)也就越來越精確，進而緩解了現(xiàn)有的數(shù)據(jù)推薦方案推薦精度較差的技術問題，從而實現(xiàn)了準確為用戶推薦數(shù)據(jù)的技術效果。

在本發(fā)明實施例的一個可選實施方式中，如圖2所示，在獲取目標網(wǎng)頁的投放數(shù)據(jù)之前，該方法還包括如下步驟：

步驟s201，判斷是否已建立與當前用戶相對應的神經(jīng)網(wǎng)絡模型；

步驟s202，如果判斷出已建立與當前用戶相對應的神經(jīng)網(wǎng)絡模型，則采集預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)，其中，用戶行為數(shù)據(jù)為根據(jù)當前用戶對已投放數(shù)據(jù)所執(zhí)行的操作得到的數(shù)據(jù)；

步驟s203，采用預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)對已建立的神經(jīng)網(wǎng)絡模型進行訓練，以使神經(jīng)網(wǎng)絡模型對當前用戶所感興趣的數(shù)據(jù)進行記憶；

在本發(fā)明實施例中，預先為每個注冊的用戶建立了一個對應的神經(jīng)網(wǎng)絡模型。因此，在為該用戶進行美食數(shù)據(jù)的推薦之前，首先判斷是否已建立于當前用戶對應的神經(jīng)網(wǎng)絡模型。

如果判斷出沒有為該用戶預先建立神經(jīng)網(wǎng)絡模型，則執(zhí)行步驟s204，即為該用戶建立神經(jīng)網(wǎng)絡模型，并實時采集該用戶在目標網(wǎng)頁的用戶行為數(shù)據(jù)，以根據(jù)實時采集到的用戶行為數(shù)據(jù)對該神經(jīng)網(wǎng)絡模型進行訓練，并根據(jù)訓練之后的神經(jīng)網(wǎng)絡模型對下一批投放數(shù)據(jù)進行預測，以在下一個投放數(shù)據(jù)中為該用戶選擇推薦數(shù)據(jù)。

如果判斷出已為該用戶建立神經(jīng)網(wǎng)絡模型，則采集預設時間段內(nèi)該用戶的用戶行為數(shù)據(jù)。例如，采集一天之內(nèi)該用戶的用戶行為數(shù)據(jù)，然后，采用一天之間該用戶的用戶行為數(shù)據(jù)對神經(jīng)網(wǎng)絡模型進行訓練，以使該神經(jīng)網(wǎng)絡模型對當前時刻用戶的瀏覽喜好(即，用戶所感興趣的數(shù)據(jù))進行記憶。在對瀏覽喜好進行記憶之后，就可以采用訓練之后的神經(jīng)網(wǎng)絡模型對當前時刻的投放數(shù)據(jù)進行預測，以在該投放數(shù)據(jù)中確定推薦數(shù)據(jù)。

需要說明的是，如果投放數(shù)據(jù)為美食數(shù)據(jù)的話，那么在本發(fā)明實施例中，神經(jīng)網(wǎng)絡模型的輸入可以是美食數(shù)據(jù)的內(nèi)容風格，美食數(shù)據(jù)的美食食材，美食口味，美食做法，美食圖片等。

進一步需要說明的是，在本發(fā)明實施例中，可以設置為在用戶首次在目標網(wǎng)頁進行注冊時，通過上述步驟s201，判斷一次是否已建立與當前用戶相對應的神經(jīng)網(wǎng)絡模型。除此之外，還可以設置為在用戶每次登錄該目標網(wǎng)頁時，均判斷一次是否已建立與當前用戶相對應的神經(jīng)網(wǎng)絡模型。

通過上述描述可知，在本發(fā)明實施例中，神經(jīng)網(wǎng)絡模型的訓練是動態(tài)的，通過動態(tài)調(diào)整能夠準確知曉當前時刻用戶所感興趣的美食。

因此，在本發(fā)明實施例的另一個可選實施方式中，步驟s202采集預設時間段內(nèi)的當前用戶的用戶行為數(shù)據(jù)包括：每隔預設間隔時間采集預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)。

在本發(fā)明實施例中，為了實現(xiàn)動態(tài)的對神經(jīng)網(wǎng)絡模型進行訓練，可以設置每隔預設時間段采集預設時間內(nèi)當前用戶的用戶行為數(shù)據(jù)，其中，可以設置為每隔一周采集預設時間內(nèi)當前用戶的用戶行為數(shù)據(jù)。

例如，在2017年5月7日采集2017年5月4日至2017年5月6日內(nèi)，用戶的用戶行為數(shù)據(jù)。然后，在2017年5月14日采集2017年5月12日至2017年5月14日內(nèi)，用戶的用戶行為數(shù)據(jù)。

步驟s203采用預設時間段內(nèi)的當前用戶的用戶行為數(shù)據(jù)對已建立的神經(jīng)網(wǎng)絡模型進行訓練包括：每隔預設間隔時間采用預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)對已建立的神經(jīng)網(wǎng)絡模型進行訓練。

然后，在采集到2017年5月4日至2017年5月6日內(nèi)，用戶的用戶行為數(shù)據(jù)之后，采用該用戶行為數(shù)據(jù)對神經(jīng)網(wǎng)絡模型進行訓練，以使神經(jīng)網(wǎng)絡模型根據(jù)該用戶行為數(shù)據(jù)對用戶所感興趣的數(shù)據(jù)進行記憶。以及，在采集到2017年5月12日至2017年5月14日內(nèi)，用戶的用戶行為數(shù)據(jù)之后，還可以采用該用戶行為數(shù)據(jù)對神經(jīng)網(wǎng)絡模型進行訓練，以使神經(jīng)網(wǎng)絡模型根據(jù)該用戶行為數(shù)據(jù)對用戶所感興趣的數(shù)據(jù)進行記憶。

在另一個可選實施方式中，如圖3所示，投放數(shù)據(jù)包括多條投放數(shù)據(jù)，步驟s104采用預先建立的神經(jīng)網(wǎng)絡對投放數(shù)據(jù)進行預測，以在投放數(shù)據(jù)中確定推薦數(shù)據(jù)包括如下步驟：

步驟s301，采用預先建立的神經(jīng)網(wǎng)絡對投放數(shù)據(jù)進行預測，以得到每條投放數(shù)據(jù)的第一概率，其中，第一概率表示當前用戶對當前投放數(shù)據(jù)的興趣度；

步驟s302，將投放數(shù)據(jù)中興趣度大于或者等于預設興趣度的投放數(shù)據(jù)作為推薦數(shù)據(jù)。

在本發(fā)明實施例中，在獲取到投放數(shù)據(jù)之后，就可以采用訓練好的神經(jīng)網(wǎng)絡模型對多條投放數(shù)據(jù)進行預測。

其中，如果投放數(shù)據(jù)為美食數(shù)據(jù)，那么可以將美食數(shù)據(jù)中包含的美食內(nèi)容風格，美食食材，美食口味，美食做法和美食圖片作為該神經(jīng)網(wǎng)絡的輸入，并將喜歡概率和不喜歡的概率作為該神經(jīng)網(wǎng)絡模型的輸出。

例如，輸入可以為美食數(shù)據(jù)1的內(nèi)容風格，食材，口味，做法和圖片，輸出可以為當前用戶對當前美食數(shù)據(jù)1的興趣度(即，第一概率，也即，喜歡的概率)，輸出該可以為當前用戶對當前美食數(shù)據(jù)1的反感度(即，不喜歡的概率)。

在確定出每條投放數(shù)據(jù)的喜歡概率和不喜歡的概率之后，就可以根據(jù)喜歡概率和不喜歡的概率確定推薦數(shù)據(jù)。例如，將喜歡概率大于0.6的美食數(shù)據(jù)作為推薦數(shù)據(jù)，還可以將喜歡概率大于0.7的美食數(shù)據(jù)作為推薦數(shù)據(jù)，具體地，用戶可以根據(jù)實際需要對該閾值進行調(diào)整。

在本發(fā)明實施例中，在采用預先建立的神經(jīng)網(wǎng)絡對投放數(shù)據(jù)進行預測，得到推薦數(shù)據(jù)之后，就可以向用戶推薦該推薦數(shù)據(jù)。但是，在向當前用戶推薦推薦數(shù)據(jù)之前，如圖4所示，該方法還包括：

步驟s401,獲取當前用戶的用戶資料，其中，用戶資料包括當前用戶的籍貫，當前用戶的性別，當前用戶的姓名；

步驟s402,根據(jù)用戶資料對推薦數(shù)據(jù)進行篩選，得到篩選之后的推薦數(shù)據(jù)；

步驟s403,將篩選之后的推薦數(shù)據(jù)推送給當前用戶。

在通過上述步驟s104得到推薦數(shù)據(jù)之后，還可以對推薦數(shù)據(jù)進行進一步地篩選。具體地，可以結合用戶的用戶資料，例如，用戶的籍貫，性別，姓名對推薦數(shù)據(jù)進行篩選。

例如，用戶為嬰兒的母親，那么該用戶在注冊時，可以輸入該信息，即，身份可以設置為嬰兒的母親。那么此時，在預測得到推薦數(shù)據(jù)之后，就可以結合該身份，在推薦數(shù)據(jù)中為該用戶推薦符合其身份的美食數(shù)據(jù)。

又例如，用戶為健身教練，那么該用戶在注冊時，可以輸入該信息，即，職業(yè)可以設置為健身教練。那么此時，在預測得到推薦數(shù)據(jù)之后，就可以結合該職業(yè)，在推薦數(shù)據(jù)中為該用戶推薦符合其職業(yè)的美食數(shù)據(jù)。

需要說明的是，除了將推薦數(shù)據(jù)推薦給當前用戶之外，還可以將篩選之后的推薦數(shù)據(jù)推送給當前用戶，其中，在向用戶推薦時，可以通過不同的標識對其進行標記。例如，采用重點關注標記符號對篩選之后的推薦數(shù)據(jù)進行標記，而采用普通關注的標記符號對篩選之前的推薦數(shù)據(jù)進行標記。通過該標記方式，能夠使得用戶準確并快速找到自己心儀的美食數(shù)據(jù)，而不必在眾多的美食數(shù)據(jù)中查找心儀的數(shù)據(jù)。

在另一個可選實施方式中，在向當前用戶推薦推薦數(shù)據(jù)之后，如圖5所示，該方法還包括如下步驟：

步驟s501,按照預設格式對推薦數(shù)據(jù)按照推薦時間進行存儲，存儲在數(shù)據(jù)庫中，其中，數(shù)據(jù)庫用于存儲歷史推薦數(shù)據(jù)；

步驟s502,獲取用戶的查詢指令，并根據(jù)查詢指令在數(shù)據(jù)庫中查詢歷史推薦數(shù)據(jù)。

在本發(fā)明實施例中，在向當前用戶推薦該推薦數(shù)據(jù)之后，還可以按照預設格式對推薦數(shù)據(jù)進行存儲，例如，可以將每條推薦數(shù)據(jù)按照推薦時間和投放時間進行存儲。在存儲時，可以存儲該推薦數(shù)據(jù)的美食內(nèi)容風格，食材，口味，做法和圖片等信息。

用戶還可以隨時查詢之前所感興趣的美食數(shù)據(jù)，用戶可以向服務器發(fā)送查詢指令，例如，查詢2017年5月1日至2017年5月8日期間所推薦的數(shù)據(jù)，以及所推薦的數(shù)據(jù)中被用戶瀏覽的數(shù)據(jù)。此時，服務器就可以根據(jù)該查詢指令在數(shù)據(jù)庫中查詢對應的推薦數(shù)據(jù)，并將該推薦數(shù)據(jù)顯示給用戶進行查看。

通過該設置方式，能夠使得用戶更加清晰的知曉自己在不同時間段所感興趣的食物有哪些，以幫助用戶對自己所感興趣的食物進行記憶。

實施例二：

本發(fā)明實施例還提供了一種美食數(shù)據(jù)的推薦裝置，該美食數(shù)據(jù)的推薦裝置主要用于執(zhí)行本發(fā)明實施例上述內(nèi)容所提供的美食數(shù)據(jù)的推薦方法，以下對本發(fā)明實施例提供的美食數(shù)據(jù)的推薦裝置做具體介紹。

圖6是根據(jù)本發(fā)明實施例的一種美食數(shù)據(jù)的推薦裝置的示意圖，如圖6所示，該美食數(shù)據(jù)的推薦裝置主要包括：第一獲取單元61，預測單元62和推薦單元63，其中：

第一獲取單元61，用于獲取目標網(wǎng)頁的投放數(shù)據(jù)；

預測單元62，用于采用預先建立的神經(jīng)網(wǎng)絡對投放數(shù)據(jù)進行預測，以在投放數(shù)據(jù)中確定推薦數(shù)據(jù)，其中，推薦數(shù)據(jù)為投放數(shù)據(jù)中興趣度滿足預設興趣度的數(shù)據(jù)，興趣度為當前用戶對投放數(shù)據(jù)的興趣度，預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡；

推薦單元63，用于向當前用戶推薦推薦數(shù)據(jù)。

在本發(fā)明實施例中，首先獲取目標網(wǎng)頁的投放數(shù)據(jù)；然后，采用預先建立的神經(jīng)網(wǎng)絡模型對投放數(shù)據(jù)進行預測，以根據(jù)預測結果在投放數(shù)據(jù)中確定推薦數(shù)據(jù)；最后，將推薦數(shù)據(jù)推薦給用戶，其中，推薦數(shù)據(jù)為投放數(shù)據(jù)中興趣度滿足預設興趣度的數(shù)據(jù)，興趣度為當前用戶對投放數(shù)據(jù)的興趣度，預先建立的神經(jīng)網(wǎng)絡為預先采用不同時間段當前用戶的用戶行為數(shù)據(jù)進行訓練得到的神經(jīng)網(wǎng)絡。上述神經(jīng)網(wǎng)絡模型為一個動態(tài)模型，該模型可以對不同時間段的用戶行為數(shù)據(jù)進行訓練，通過越來越多行為數(shù)據(jù)訓練，能夠保證該模型會越來越準確，那么推薦的數(shù)據(jù)也就越來越精確，進而緩解了現(xiàn)有的數(shù)據(jù)推薦方案推薦精度較差的技術問題，從而實現(xiàn)了準確為用戶推薦數(shù)據(jù)的技術效果。

可選地，投放數(shù)據(jù)包括多條投放數(shù)據(jù)，預測單元包括：預測模塊，用于采用預先建立的神經(jīng)網(wǎng)絡對投放數(shù)據(jù)進行預測，以得到每條投放數(shù)據(jù)的第一概率，其中，第一概率表示當前用戶對當前投放數(shù)據(jù)的興趣度；確定模塊，用于將投放數(shù)據(jù)中興趣度大于或者等于預設興趣度的投放數(shù)據(jù)作為推薦數(shù)據(jù)。

可選地，該裝置還包括：判斷單元，用于在獲取目標網(wǎng)頁的投放數(shù)據(jù)之前，判斷是否已建立與當前用戶相對應的神經(jīng)網(wǎng)絡模型；采集單元，用于在判斷出已建立與當前用戶相對應的神經(jīng)網(wǎng)絡模型的情況下，采集預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)，其中，用戶行為數(shù)據(jù)為根據(jù)當前用戶對已投放數(shù)據(jù)所執(zhí)行的操作得到的數(shù)據(jù)；訓練單元，用于采用預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)對已建立的神經(jīng)網(wǎng)絡模型進行訓練，以使神經(jīng)網(wǎng)絡模型對當前用戶所感興趣的數(shù)據(jù)進行記憶。

可選地，采集單元包括：采集模塊，用于每隔預設間隔時間采集預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)；訓練單元包括：訓練模塊，用于每隔預設間隔時間采用預設時間段內(nèi)當前用戶的用戶行為數(shù)據(jù)對已建立的神經(jīng)網(wǎng)絡模型進行訓練。

可選地，該裝置還包括：第二獲取單元，用于在向當前用戶推薦推薦數(shù)據(jù)之前，獲取當前用戶的用戶資料，其中，用戶資料包括當前用戶的籍貫，當前用戶的性別，當前用戶的姓名；根據(jù)用戶資料對推薦數(shù)據(jù)進行篩選，得到篩選之后的推薦數(shù)據(jù)；推薦單元包括：推薦模塊，用于將篩選之后的推薦數(shù)據(jù)推送給當前用戶。

可選地，該裝置還包括：存儲單元，用于在向當前用戶推薦推薦數(shù)據(jù)之后，按照預設格式對推薦數(shù)據(jù)按照推薦時間進行存儲，存儲在數(shù)據(jù)庫中，其中，數(shù)據(jù)庫用于存儲歷史推薦數(shù)據(jù)；第三獲取單元，用于獲取用戶的查詢指令，并根據(jù)查詢指令在數(shù)據(jù)庫中查詢歷史推薦數(shù)據(jù)。

最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質(zhì)脫離本發(fā)明各實施例技術方案的范圍。