用于菜谱推荐的方法及装置、电子设备制造方法及图纸

本申请涉及信息推荐技术领域，公开一种用于菜谱推荐的方法，包括：获得多个元素信息；确定多个元素信息中的关键元素信息；获得并推荐与关键元素信息相对应的菜谱。获得多个影响菜谱的元素信息，并确定多个元素信息中的关键元素信息，进而获得并推荐与关键元素信息相对应的菜谱。这样，由于多个元素信息中的关键元素每天发生变化，与关键元素信息相对应的菜谱进而也每天发生变化，因此可以每天为用户推荐不同的菜谱，不再是根据一些固定数据轮番推荐相对固定的菜谱集合，使得菜谱推荐功能变得更加有趣，用户体验更佳。本申请还公开一种用于菜谱推荐的装置及电子设备。

【技术实现步骤摘要】
用于菜谱推荐的方法及装置、电子设备
本申请涉及信息推荐
，例如涉及一种用于菜谱推荐的方法及装置、电子设备。
技术介绍
随着人工智能技术的逐渐成熟，给社会注入了新的发展动力，各种产品应用越来越注重细节，针对用户的推荐也越来越精确。人们在饮食上的推荐需求越来越多，同时要求也越来越高。目前智能菜谱的推荐方案中，推荐影响因素单一或者固定为几种因素的组合，比如根据用户面部识别、用户基础数据、天气情况、地理位置等因素推荐相应的菜谱。在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：目前智能菜谱推荐因素单一或者固定，容易导致推荐菜谱类别固定，进而使得用户体验较差。
技术实现思路
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。本公开实施例提供了一种用于菜谱推荐的方法及装置、电子设备，以解决目前智能菜谱推荐因素单一或者固定，容易导致推荐菜谱类别固定，进而使得用户体验较差的问题。在一些实施例中，用于菜谱推荐的方法包括：获得多个元素信息；确定多个元素信息中的关键元素信息；获得并推荐与关键元素信息相对应的菜谱。可选地，多个元素信息包括日期信息、用户情绪信息和热点信息。在一些实施例中，确定多个元素信息中的关键元素信息包括：分别获得多个元素信息的评分；在评分最高的元素信息唯一的情况下，确定评分最高的元素信息为关键元素信息。可选地，确定多个元素信息中的关键元素信息还包括：在评分最高的元素信息为多个的情况下，分别获得评分最高的多个元素信息的优先级；确定评分最高的多个元素信息中优先级最高的元素信息为关键元素信息。在一些实施例中，在元素信息为日期信息的情况下，获得日期信息的评分，包括获得日期信息所属的日期类别；根据第一预设关系，确定与日期类别相对应的评分为日期信息的评分。在一些实施例中，在元素信息为用户情绪信息的情况下，获得用户情绪信息的评分包括：获得用户情绪信息所属的情绪类别；根据第二预设关系，确定与情绪类别相对应的评分为用户情绪信息的评分。在一些实施例中，在元素信息为热点信息的情况下，获得热点信息的评分包括：获得热点信息所属的新闻类别；根据第三预设关系，确定与新闻类别相对应的评分为热点信息的评分。在一些实施例中，获得并推荐与关键元素信息相对应的菜谱包括：将关键元素信息发送至网络侧；接收网络侧发送的基于关键元素所获得的菜谱列表；向移动终端推送菜谱列表。在一些实施例中，用于菜谱推荐的装置包括处理器和存储有程序指令的存储器，其特征在于，处理器被配置为在执行程序指令时，执行上述用于菜谱推荐的方法。在一些实施例中，电子设备包括上述用于菜谱推荐的装置。本公开实施例提供的用于菜谱推荐的方法及装置、电子设备，可以实现以下技术效果：获得多个影响菜谱的元素信息，并确定多个元素信息中的关键元素信息，进而获得并推荐与关键元素信息相对应的菜谱。这样，由于多个元素信息中的关键元素每天发生变化，与关键元素信息相对应的菜谱进而也每天发生变化，因此可以每天为用户推荐不同的菜谱，不再是根据一些固定数据轮番推荐相对固定的菜谱集合，使得菜谱推荐功能变得更加有趣，用户体验更佳。以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。附图说明一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：图1是本公开实施例提供的一个用于菜谱推荐的方法的流程示意图；图2是本公开实施例提供的另一个用于菜谱推荐的方法的流程示意图；图3是本公开实施例提供的另一个用于菜谱推荐的方法的流程示意图；图4是本公开实施例提供的另一个用于菜谱推荐的方法的流程示意图；图5是本公开实施例提供的一个用于菜谱推荐的装置的结构示意图。具体实施方式为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。除非另有说明，术语“多个”表示两个或两个以上。本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。结合图1所示，本公开实施例提供一种用于菜谱推荐的方法，包括以下步骤：S101：获得多个元素信息。其中，多个元素信息包括日期信息、用户情绪信息和热点信息。可选地，获得日期信息包括：向网络侧发送日期查询信息；接收网络侧发送的基于日期查询信息所获得的日期信息。向网络侧(例如服务器)发送日期查询信息后，网络侧根据日期查询信息查询并反馈相应的日期信息，这样获得的日期信息为准确。可选地，获得用户情绪信息包括：获得用户声音信息；分析用户声音信息以获得用户情绪信息。在实际应用中，在获得用户声音信息(例如声音图谱)后，可以利用语音情感识别算法分析识别用户声音信息，从而较为准确地获得用户情绪信息(例如，悲伤、愤怒、焦虑、兴奋、快乐或厌恶)。用于语音情感识别的算法模型包括高斯混合模型(GaussianMixtureModel，GMM)、支持向量机(SupportVectorMachine,SVM)、K-近邻模型(K-NearestNeighbor，KNN)、隐马尔可夫模型(HiddenMarkovModel，HMM)、卷积循环神经网络(ConvolutionalRecurrentNeuralNetwork，CRNN)。其中，高斯混合模型利用高斯概率密度函数(正态分布曲线)精确地量化事物，是一个将事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型，将高斯混合模型应用于用户语音情感识别，能够提高语音情感识别的准确度；支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面，将支持向量机应用于用户语音情感识别，能够提高语音情感识别的稳定性；K-近邻模型是一个最简单的机器学习算法之一，该方法的思路是在特征空间中，如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类本文档来自技高网...

【技术保护点】
1.一种用于菜谱推荐的方法，其特征在于，包括：/n获得多个元素信息；/n确定所述多个元素信息中的关键元素信息；/n获得并推荐与所述关键元素信息相对应的菜谱。/n

【技术特征摘要】
1.一种用于菜谱推荐的方法，其特征在于，包括：
获得多个元素信息；
确定所述多个元素信息中的关键元素信息；
获得并推荐与所述关键元素信息相对应的菜谱。


2.根据权利要求1所述的方法，其特征在于，所述多个元素信息包括日期信息、用户情绪信息和热点信息。


3.根据权利要求1或2所述的方法，其特征在于，所述确定所述多个元素信息中的关键元素信息，包括：
分别获得所述多个元素信息的评分；
在评分最高的元素信息唯一的情况下，确定评分最高的元素信息为所述关键元素信息。


4.根据权利要求3所述的方法，其特征在于，所述确定所述多个元素信息中的关键元素信息，还包括：
在评分最高的元素信息为多个的情况下，分别获得评分最高的多个元素信息的优先级；
确定评分最高的多个元素信息中优先级最高的元素信息为所述关键元素信息。


5.根据权利要求3所述的方法，其特征在于，在所述元素信息为日期信息的情况下，获得所述日期信息的评分，包括：
获得所述日期信息所属的日期类别；
根据第一预设关系，确定与所述日期类别相对应的评分为所述日期信息的评分。

【专利技术属性】
技术研发人员：张鹏飞，
申请(专利权)人：海尔优家智能科技北京有限公司，
类型：发明
国别省市：北京;11