基于关联规则的餐饮服务智能推荐系统_张奥多_张昕_李怡婷

通过引入 ＦＰ－tｒｅｅ 关联规则算法 ， 并利用得到的菜品推荐 公 式 中 的 关 联 度 指 标 ， 再 综 合 商 家 利 益 最 大 化 、 热 销 菜 品 等 因素及其重要程度创建菜品推荐综合评分公式 ． 基于综合评分对各菜品进行推荐排序 ， 排序结果最终以移动方式推送 给顾客 ， 实现菜品动态推荐服务 ． 关键词 ： 个性化 ； 推荐系统 ； 数据挖掘 ； 关联规则 中图分类号 ：ＴＰ２７４∶TS97 文献标志码 ：A
先收集包含菜品结点的所 有路径 ， 这些初始的路径称为 前缀路径
［１０］
a ∶8
b ∶2
b ∶5
c ∶1
c ∶2
d ∶1 c ∶3 d ∶1 d ∶1 d ∶1 e ∶1 e ∶1 e ∶1
d ∶1
（ｐｒｅｆｉｘ ｐａｔｈ ）．
null
图 ３ 读入 ＴＩＤ＝１０ 之后构建的 ＦＰ-tree Ｆｉｇ．３ Ｔｈｅ ＦＰ-ｔｒｅｅ ａｆｔｅｒ ｕｓｉｎｇ ＴＩＤ ＝ １０
算得分 ，最高为 １ 分 ，最低为 ０ 分 ．
Qi-Qmin （１ ） Qmax-Qmin —— 某项菜品的热销度评分 ， 取值范围 ：０～１；Qi— —— 某项菜品的销售份数 ， 其值大于 ０； 式 （１ ） 中 ： 酌 热 销 度 评 分 — —— 该餐饮企业最近 ３０ 天内有销售记录的菜品中的最大销售份数 ；Qmin— —— 该餐饮企业最近 ３０ 天内 Qmax— 有销售记录的菜品中的最小销售份数 ． 表 １ 菜品与其主推系数 Step 2 店家主推度修正系数是针对新推出 Ｔａｂ．１ Ｄｉｓｈ ａｎｄ ｉｔｓ ｍａｉｎ ｐｕｓｈ ｃｏｅｆｆｉｃｉｅｎｔ 的菜品做出排序得分 ， 最高为 １， 最低为 ０．１， 系数 越高表示店家越期望推荐给顾客 ． 该系数由管理 员在前台 界 面 维 护 设 置 ， 如 表 １ 所 示 ， 其 中 对 于
送给餐饮点餐顾客 ，实现菜品动态推荐服务 ．
１．２ 菜品数据预处理
菜品数据的预处理主要对采集的数据进行清洗 、数据变换 ， 通过数据预处理后将得到店家主推度修正 系数 、菜品热销度评分 、菜品毛利率修正系数 、菜品关联度系数 ．数据预处理的具体步骤如下 ：
Step 1
菜品热销度评分是根据餐饮企业最近 ３０ 天的菜品销售记录 ， 汇总后的排名经规范化后的计
由前缀路径 ， 通过把与菜 品结点相关联的支持度相加得 到菜品的支持度计 数 ． 假定 最 小支 持 度 为 ２， 由 于 菜 品 ｅ 的 支持 度为 ３ 大于 ２， 所 以 它 是 频繁项集 ． 需要 找到那 些以菜 品 ｄｅ，ｃｅ，ｂｅ 和 ａｅ 结 尾 的 频 繁 项集的子问题 ， 并加以解 决 ． 在 此之前 ， 必须先找到前缀路径 ， 然 后 将 其 转 化 为 条 件 ＦＰ－ｔｒｅｅ． 条 件 ＦＰ －ｔｒｅｅ 与 ＦＰ －ｔｒｅｅ 结 构 上类似 ，但条件 ＦＰ－ｔｒｅｅ 可以用 来发现以某特定后缀结尾的频 繁项集 ． 条件 ＦＰ－ｔｒｅｅ 通过以下 步骤得到．
０
引言
近年来 ， 随着互联网的飞速发展 ， 人们的日常生活中产生了越来越多的数据信息 ， 如此大量的数据信
息满足了用户在大数据时代对数据的需求 ［１］．基于互联网的智能推荐系统在人们的生活中占了越来越大的 比重 ． 智能推荐系统主要技术手段是数据挖掘技术 ［２－３］， 即基于用户喜爱商品的行为 ， 相关网站通过算法在 全网的商品库里匹配然后进行推荐 ． 智能推荐通常是将当前热门的 、 用户以往收藏或者购买的风格和用户 类似喜好的风格的物品推荐给用户 ． 餐饮服务智能推荐系统是针对智能推荐系统的进一步细化 ， 作为必不 可少的衣食住行之一的餐饮行业 ，与人们的生活密不可分 ，而在就餐时 ， 顾客经常在大量的菜品信息中 ， 无 法真正找到自己想要的菜品 ．因此 ，就应运产生了餐饮服务智能推荐系统 ［４］． 其中 ， 菜品智能推荐系统是餐饮服务智能推荐系统的进一步 细化 ，它的任务是将菜品呈现在顾客面前 ， 一方面帮助顾客发现他 们感兴趣的菜品 ， 另一方面让餐饮企业期望推荐的菜品能够展现 在对它有兴趣的顾客面前 ， 从而实现餐饮消费者和餐饮企业的双 赢 ． 菜品智能推荐是帮助顾客发现合适的菜品 ， 克服信息过载的方 法 ． 通过分析顾客的 行为 ， 对 顾客兴 趣建模 ， 从 而预测 顾客的 兴趣 和喜好 ，并给顾客做相关联的菜品推荐 ．
图 １ 推荐系统的工作流程 Ｆｉｇ．１ Ｔｈｅ ｗｏｒｋｆｌｏｗ ｏｆ ｔｈｅ rｅｃｏｍｍｅｎｄａｔｉｏｎ ｓｙｓｔｅｍ
118
推菜品数据等．
广西科技大学学报
第 28 卷
Step 2
菜品数据预处理 ：菜品数据预处理主要是对采集的数据进行清洗 、数据变换 ， 将原始数据转换
成 “ 适当的 ” 格式 ， 以适应后续计算菜品推荐综合评分的需要 ． 通过数据预处理后将得到菜品热销度评分 、 店家主推度修正系数 、菜品毛利率修正系数 、菜品关联度修正系数 ．
文章编号 2095鄄7335 （2017 ）03鄄0117鄄07
基于关联规则的餐饮服务智能推荐系统
张奥多 １，２，张 昕 *１，李怡婷 ２
（１． 华南农业大学 数学与信息学院 ， 广东 广州 ５１０６４２ ；２． 广州泰迪智能科技有限公司 ， 广东 广州 ５１０６７０ ） 摘 要 ： 为了节省客户的点餐时间 ， 方便客户从海量菜品中找到理想的菜品 ， 本文尝试将 关联规则与餐饮服务相结合 ．
b ∶1
c ∶1
d ∶1 null a ∶1 b ∶1 c ∶1 d ∶1
１０ 个 菜 品 组 之 后 的 ＦＰ－ｔｒｅｅ 的 结 构
如图 ３ 所示．
图 ２ 读入前 ３ 个菜品组之后的 ＦＰ — ｔｒｅｅ 的结构图 Ｆｉｇ．２ Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｔｈｅ ＦＰ — ｔｒｅｅ ａｆｔｅｒ ｕｓｉｎｇ ｔｈｅ ｆｉｒｓｔ ｔｈｒｅｅ ｄｉｓｈｅｓ
s（Ｘ→Ｙ）= 滓（X∪Y） N
置信度 （ｃ）形式定义 ：
（３ ）
c（Ｘ→Ｙ）= 滓（X∪Y） 滓 （X ）
（４ ）
支持度很低的规则出现 ，很可能只是偶然 ，所以可以确定阈值来删去那些没有意义的支持度较低的规
第3期
张奥多等 ： 基于关联规则的餐饮服务智能推荐系统
119
则． 一般对于给定的规则 ， 置信度与包含的事务中出现的可能性成正比关系 ， 即置信度越小 ， 包含事务中 出现的可能性也就越小 ． 而在特定的支持度和置信度阈值下 ， 即使数量很少的原数据集也会产生难以计算 的关联规则 ，故本文介绍的餐饮服务智能推荐系统采用 ＦＰ 增长算法 ，根据最小支持度阈值找出频繁项集 ， 得到频繁项集之后 ，再由频繁项集产生满足一定支持度和置信度条件的强关联规则 ．
分相关的数据 ， 如顾客点餐数据 、 各类菜品单价成本数据 、 店家主
收稿日期 ：２０１７－０４－０７ 基金项目 ： 广东省大学生创新创业训练计划项目 （２０１６１０５６４３３８ ） 资助 ． * 通信作者 ： 张昕 ， 博士 ， 副教授 ， 研究方向 ： 数据挖掘 ，Ｅ－ｍａｉｌ ： ｚｈｘｉｎ＿２００８＠１６３．ｃｏｍ．
120 ２） ＦＰ 增 长 算 法 产 生 频 繁
项集
广西科技大学学报
第 28 卷
null
ＦＰ 增 长 （ＦＰ－ｇｒｏｗｔｈ ） 是 对 ＦＰ－ｔｒｅｅ 自 F 而 上 的 方 法 进 行 探索产生频繁项集的算法 ［９］． 算 法首先查找以菜品 ｅ 结尾的频 繁项集 ，然后使用 ＦＰ－ｔｒｅｅ 增长 算法发现以 ｅ 结尾的频繁项 集 ， 如图 ４ 所示 ． 接 下来是菜 品 ｄ， 菜 品 ｃ 和 菜 品 ｂ， 最 后 是 菜 品 ａ．
Step 4
菜品关联度修正系数是基于历史点餐数据 ， 采用 ＦＰ 关联规则算法 ［５］得到菜品的关联度推荐
评分值 ，再经归一化后的结果 ，反映了各菜品与顾客已点菜品的关联程度 ． 关联规则 ［６－７］是形如 Ｘ→Ｙ 的函数 （Ｘ 项集和 Ｙ 项集不相交 ）． 引入两个概念用来衡量关联规则的强度 ． 一是支持度 （ｓｕｐｐｏｒｔ ）， 用于确定规则可以对给定数据集的频繁程度 ； 二是置信度 （ｃｏｎｆｉｄｅｎｃｅ ）， 用于确定项 集 Ｙ 在包含项集 Ｘ 的事务中出现的频繁程度 ． 支持度 （ｓ）形式定义 ：
b ∶1 c ∶1 d ∶1 e ∶1
（c ） 读入 TID=3 后
a b b c d a c d e a d e a b c a b c d a a b c
a b d b c e
null a ∶1 b ∶1
（a ） 读入 TID=1 后
null a ∶1 b ∶1
（b ） 读入 TID=2 后
Step 3
菜品推荐综合评分 ： 从菜品热销度 、 店家主推度 、 菜品毛利率 、 菜品关联度等维度来计算某项
菜品的推荐分值 ，菜品推荐分值大小一方面反映了顾客对菜品的喜好度 ， 另一方面反映了餐饮企业对菜品 主动推送的期望度 ．
Step 4
动态智能推荐 ： 基于综合评分可对各菜品进行推荐排序 ， 排序结果最终以移动服务的方式推
第 28 卷 第 3 期 年 第3 期 9月 2017
广西科技大学学报
JOURNAL OF GUANGXI UNIVERSITY OF SCIENCE AND TECHNOLOGY DOI ：10.16375/45-1395/t.2017.03.019
Vol.28 No.3 Sep. 2017
表 ２ 菜品数据集 Ｔａｂ．２ Ｍｅｎｕ ｄａｔａ ｓｅｔ
ＦＰ－ｔｒｅｅ ；Step 2 从 ＦＰ－ｔｒｅｅ 中挖掘频繁模式． １） 构建 ＦＰ－ｔｒｅｅ 如表 ２ 所示的一个菜品数据集 ， 它包含 １０ 个菜品组 和 5 种菜品．
在第一次扫描历史点餐数据集之后 ， 得到所有项的支 持度度量计数 ． 由于支持度很低的规则出现很可能只是偶 然 ， 所以将非频繁项丢弃 ， 然 后将频繁 项按照 支持度 的递 减顺序排序 ． 随后进行第二次扫描 ， 构建 ＦＰ－ｔｒｅｅ． 读入第 一个菜 品 组之后 ， 创建标记结点 ； 然后形成 路径 ， 对 该组菜 品编码 ， 该路径上的所有结点的频度计数为 １． 读入第二组菜品后 ， 为菜品项创 建 新 的 结 点 集 ；然 后 ，连 接 结 点 形 成 一条代表该菜品组的路径 ， 该路径上 每个结点的频度计数等于 １． 尽管前 两个菜品组都具有共同一个菜品 ， 但 是它们的路径不相交 ， 因为这两个菜 品组没有共同的前缀 ． 第三个菜品组与第一个菜品组 共享一个前缀 ， 所以第三个菜品组的 路径与第一个菜品组的路径部分组 合 ．因为它们的部分路径相同 ， 于是将 菜品结点的频度计数增加为 ２， 而新 创建的结点的频度计数均等于 １． 图 ２ 为 读入前 ３ 个 菜品组 之后的 ＦＰ－ｔｒｅｅ 的结构． 继续该过程 ， 直到每个菜品组都 映射到 ＦＰ－ｔｒｅｅ 的一条路径 ， 读入第