本發(fā)明涉及數據處理的技術領域，尤其是涉及一種用餐計劃的生成方法和裝置。

背景技術：

隨著社會的快速發(fā)展，很多人都進入了快節(jié)奏生活，在快節(jié)奏生活中，人們沒有時間考慮自己每天該吃什么，而是選擇快速的食物(例如，快餐)作為日常的飲食內容。快餐除了具有快速便捷的優(yōu)點之外，具有熱量高，以及油脂高的缺點。因此，長期食用快餐對人身體將產生很大的影響。但是，快節(jié)奏的生活導致很多人們沒有時間去思考每天的用餐計劃是什么，久而久之就形成了不規(guī)律的飲食習慣，同時對身體也帶來了一定的危害。

技術實現要素：

本發(fā)明的目的在于提供一種用餐計劃的生成方法和裝置，以緩解現有技術中沒有能夠代替用戶自身而為其量身制定每天的用餐計劃的工具技術問題。

根據本發(fā)明的一個方面，提供了一種用餐計劃的生成方法，包括：獲取預設時間段用戶的用戶行為數據，其中，所述用戶行為數據為所述用戶在客戶端中執(zhí)行目標行為時的數據；采用預先建立的神經網絡對所述用戶行為數據進行分析處理，以確定所述用戶的飲食習慣，其中，所述預先建立的神經網絡為預先采用不同時間段所述用戶的用戶行為數據進行訓練得到的神經網絡，所述神經網絡的輸入為用戶行為數據，所述神經網絡的輸出為飲食習慣；基于所述飲食習慣為所述用戶制定至少一天的用餐計劃，其中，每天的用餐計劃包括以下至少之一：早餐用餐計劃，午餐用餐計劃和晚餐用餐計劃。

進一步地，基于所述飲食習慣為所述用戶制定至少一天的用餐計劃包括：獲取在所述客戶端中投放的美食數據；基于所述飲食習慣在所述美食數據中確定目標美食數據；根據所述目標美食數據為所述用戶制定所述至少一天的用餐計劃。

進一步地，根據所述目標美食數據為所述用戶制定所述至少一天的用餐計劃包括：確定所述目標美食數據的時間屬性標簽，其中，所述時間屬性標簽用于確定所述目標美食數據的食用時間；確定所述食用時間所屬的目標時段，其中，所述目標時段包括：早餐時段，午餐時段和晚餐時段；基于所述所屬的目標時段對所述目標美食數據進行分類，得到早餐數據組，午餐數據組和晚餐數據組；將所述早餐數據組，所述午餐數據組和所述晚餐數據組中的目標美食數據進行排列組合，得到至少一個數據組合；基于所述至少一個數據組合制定所述至少一天的用餐計劃。

進一步地，基于所述至少一個數據組合制定所述至少一天的用餐計劃包括：獲取所述目標美食數據中任意兩個目標美食數據之間的關聯概率，其中，所述關聯概率表示在一個用餐計劃中，當一個目標美食數據出現時，另外一個目標美食數據出現的概率；基于所述關聯概率確定所述至少一個數據組合中每個數據組合的總關聯概率；在所述至少一個數據組合中確定目標數據組合，其中，所述目標數據組合的總關聯概率大于預設總關聯概率；將每個所述目標數據組合作為用戶每天的用餐計劃。

進一步地，基于所述飲食習慣在所述美食數據中確定目標美食數據包括：獲取所述用戶的用戶資料，其中，所述用戶資料包括以下至少之一：籍貫，職業(yè)，性別和年齡；基于所述用戶資料和所述飲食習慣在所述美食數據中確定所述目標美食數據。

根據本發(fā)明的另一個方面，還提供了一種用餐計劃的生成裝置，包括：獲取單元，用于獲取預設時間段用戶的用戶行為數據，其中，所述用戶行為數據為所述用戶在客戶端中執(zhí)行目標行為時的數據；分析處理單元，用于采用預先建立的神經網絡對所述用戶行為數據進行分析處理，以確定所述用戶的飲食習慣，其中，所述預先建立的神經網絡為預先采用不同時間段所述用戶的用戶行為數據進行訓練得到的神經網絡，所述神經網絡的輸入為用戶行為數據，所述神經網絡的輸出為飲食習慣；制定單元，用于基于所述飲食習慣為所述用戶制定至少一天的用餐計劃，其中，每天的用餐計劃包括以下至少之一：早餐用餐計劃，午餐用餐計劃和晚餐用餐計劃。

進一步地，所述制定單元包括：獲取子單元，用于獲取在所述客戶端中投放的美食數據；確定子單元，用于基于所述飲食習慣在所述美食數據中確定目標美食數據；制定子單元，用于根據所述目標美食數據為所述用戶制定所述至少一天的用餐計劃。

進一步地，所述制定子單元包括：第一確定模塊，用于確定所述目標美食數據的時間屬性標簽，其中，所述時間屬性標簽用于確定所述目標美食數據的食用時間；第二確定模塊，用于確定所述食用時間所屬的目標時段，其中，所述目標時段包括：早餐時段，午餐時段和晚餐時段；分類模塊，用于基于所述所屬的目標時段對所述目標美食數據進行分類，得到早餐數據組，午餐數據組和晚餐數據組；組合模塊，用于將所述早餐數據組，所述午餐數據組和所述晚餐數據組中的目標美食數據進行排列組合，得到至少一個數據組合；制定模塊，用于基于所述至少一個數據組合制定所述至少一天的用餐計劃。

進一步地，所述制定模塊用于：獲取所述目標美食數據中任意兩個目標美食數據之間的關聯概率，其中，所述關聯概率表示在一個用餐計劃中，當一個目標美食數據出現時，另外一個目標美食數據出現的概率；基于所述關聯概率確定所述至少一個數據組合中每個數據組合的總關聯概率；在所述至少一個數據組合中確定目標數據組合，其中，所述目標數據組合的總關聯概率大于預設總關聯概率；將每個所述目標數據組合作為用戶每天的用餐計劃。

進一步地，所述確定子單元用于：獲取所述用戶的用戶資料，其中，所述用戶資料包括以下至少之一：籍貫，職業(yè)，性別和年齡；基于所述用戶資料和所述飲食習慣在所述美食數據中確定所述目標美食數據。

在本發(fā)明實施例中，首先獲取預設時間段內用戶的用戶行為數據，然后，采用預先建立的神經網絡模型對用戶行為數據進行分析處理，以確定用戶的飲食習慣；接下來，基于飲食習慣為用戶制定至少一天的用餐計劃，在本發(fā)明實施例中，通過對用戶的飲食習慣進行分析，從而為其制定用餐計劃，能夠更加準確的為用戶制定用餐計劃，進而緩解了現有技術中沒有能夠代替用戶自身而為其量身制定每天的用餐計劃的工具技術問題，從而實現了為用戶自動制定用餐計劃的技術效果。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現有技術中的技術方案，下面將對具體實施方式或現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，還可以根據這些附圖獲得其他的附圖。

圖1是根據本發(fā)明實施例的一種用餐計劃的生成方法的流程圖；

圖2是根據本發(fā)明實施例的一種用餐計劃的生成裝置的示意圖；

圖3是根據本發(fā)明實施例的一種用餐計劃的生成裝置中制定單元的示意圖；

圖4是根據本發(fā)明實施例的一種用餐計劃的生成裝置中制定模塊的示意圖。

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”、“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：

根據本發(fā)明實施例，提供了一種用餐計劃的生成方法的實施例，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是根據本發(fā)明實施例的一種用餐計劃的生成方法的流程圖，如圖1所示，該方法包括如下步驟：

步驟s102，獲取預設時間段用戶的用戶行為數據，其中，用戶行為數據為用戶在客戶端中執(zhí)行目標行為時的數據；

其中，客戶端可以為好豆網客戶端，該客戶端為能夠用于為用戶制定用餐計劃的客戶端，在該客戶端中，用戶能夠瀏覽各種美食的制作過程；且在該客戶端中，還能夠為用戶制定至少一種用餐計劃。該目標行為可以為收藏行為，點擊行為，瀏覽行為等。

需要說明的是，在本發(fā)明實施例中，該用戶為在好豆網客戶端中已注冊的用戶。

步驟s104，采用預先建立的神經網絡對用戶行為數據進行分析處理，以確定用戶的飲食習慣，其中，預先建立的神經網絡為預先采用不同時間段用戶的用戶行為數據進行訓練得到的神經網絡，神經網絡的輸入為用戶行為數據，神經網絡的輸出為飲食習慣；

步驟s106，基于飲食習慣為用戶制定至少一天的用餐計劃，其中，每天的用餐計劃包括以下至少之一：早餐用餐計劃，午餐用餐計劃和晚餐用餐計劃。

在本發(fā)明實施例中，首先獲取預設時間段內用戶的用戶行為數據，然后，采用預先建立的神經網絡模型對用戶行為數據進行分析處理，以確定用戶的飲食習慣；接下來，基于飲食習慣為用戶制定至少一天的用餐計劃，在本發(fā)明實施例中，通過對用戶的飲食習慣進行分析，從而為其制定用餐計劃，能夠更加準確的為用戶制定用餐計劃，進而緩解了現有技術中沒有能夠代替用戶自身而為其量身制定每天的用餐計劃的工具技術問題，從而實現了為用戶自動制定用餐計劃的技術效果。

在本發(fā)明實施例的一個可選實施方式中，上述步驟s106，即，基于飲食習慣為用戶制定至少一天的用餐計劃包括如下步驟：

步驟s1061，獲取在客戶端中投放的美食數據；

步驟s1062，基于飲食習慣在美食數據中確定目標美食數據；

步驟s1063，根據目標美食數據為用戶制定至少一天的用餐計劃。

具體地，在本發(fā)明實施例中，為了能夠更加準確的為已注冊用戶制定用戶計劃，需要獲取已注冊用戶的飲食習慣。例如，飲食習慣是偏素食，還是偏肉食；是喜歡吃甜口，還是喜歡吃辣等等。

在通過上述步驟s104中確定出已注冊用戶的飲食習慣之后，就可以在獲取到的美食數據中確定目標美食數據，其中，目標美食數據為已注冊用戶可能喜歡的美食。在確定出目標美食數據之后，就可以基于目標美食數據為該已注冊用戶制定至少一天的用餐計劃。其中，每天的用餐計劃包括早餐用餐計劃，午餐用餐計劃和晚餐用餐計劃。

在本發(fā)明實施例中，在為該已注冊用戶制定用餐計劃時，是結合該已注冊用戶的飲食習慣在已投放的美食數據中確定該已注冊用戶可能喜歡的美食，從而，基于該美食為該已注冊用戶制定用餐計劃，通過該制定方案，能夠更加準確為該用戶制定用餐計劃，以為該用戶制定符合其口味的用餐計劃。

在本發(fā)明實施例的另一個可選實施方式中，上述步驟s1063，根據目標美食數據為用戶制定至少一天的用餐計劃包括如下步驟：

步驟s1，確定目標美食數據的時間屬性標簽，其中，時間屬性標簽用于確定目標美食數據的食用時間；

步驟s2，確定食用時間所屬的目標時段，其中，目標時段包括：早餐時段，午餐時段和晚餐時段；

步驟s3，基于所屬的目標時段對目標美食數據進行分類，得到早餐數據組，午餐數據組和晚餐數據組；

步驟s4，將早餐數據組，午餐數據組和晚餐數據組中的目標美食數據進行排列組合，得到至少一個數據組合；

步驟s5，基于至少一個數據組合制定至少一天的用餐計劃。

具體地，在本發(fā)明實施例中，預先為每個美食數據設置了時間屬性標簽，該時間屬性標簽用于表征該美食數據所適合食用的時間。其中，在確定美食數據所適合食用的時間時，是由美食本身的最佳食用時段來確定的，即，用戶在哪個時間段食用時，吸收最好，且為用戶的腸胃所帶來的負擔最小。

在根據目標美食數據為用戶制定至少一天的用餐計劃時，首先獲取目標美食數據的時間屬性標簽；然后，確定時間屬性標簽中食用時間所屬的目標時段，即，確定該食用時間所屬于早餐時段，還是晚餐時段，還是午餐時段。在確定出食用時間所屬的目標時段之后，就可以基于目標時段對目標美食數據進行分類，即，將美食時間所屬于同一時段的美食數據歸為一類。例如，將食用時間所屬于早餐時段的美食數據歸為早餐數據組；并將食用時間所屬于午餐時段的美食數據歸為午餐數據組；以及，將食用時間所屬于晚餐時段的美食數據歸為晚餐數據組。

至此，其實已經得到一日三餐的用餐計劃，用戶可以通過查看早餐數據組，午餐數據組和晚餐數據組中的美食數據來選擇對應的美食。但是，考慮到為用戶進行合理的美食搭配，以保證美食的最佳食用效果，還可以將早餐數據組，午餐數據組和晚餐數據組中的目標美食數據進行排列組合。

例如，在早餐數據組中選擇至少一份目標美食數據作為早餐，然后，在午餐數據組中選擇至少一份目標美食數據作為午餐，接下來，在晚餐數據組中選擇至少一份目標美食數據作為晚餐。此時，就可以將上述的早餐，午餐和晚餐作為一個數據組合(也即，一整天的用餐計劃)推送給用戶。

在本發(fā)明實施例中，通過該設置方法，能夠更加直觀的為用戶推薦美食，省去了用戶分別在早餐數據組，午餐數據組和晚餐數據組中查找對應的目標美食數據的過程，提高了用戶體驗。

在本發(fā)明實施例的另一個可選實施方式中，步驟s5，即，基于至少一個數據組合制定至少一天的用餐計劃包括如下步驟：

步驟s51，獲取目標美食數據中任意兩個目標美食數據之間的關聯概率，其中，關聯概率表示在一個用餐計劃中，當一個目標美食數據出現時，另外一個目標美食數據出現的概率；

步驟s52，基于關聯概率確定至少一個數據組合中每個數據組合的總關聯概率；

步驟s53，將至少一個數據組合中的確定目標數據組合，其中，目標數據組合的總關聯概率大于預設總關聯概率；

步驟s54，將每個目標數據組合作為用戶每天的用餐計劃。

具體地，在本發(fā)明實施例中，首先獲取目標美食數據中任意兩個美食數據之間的關聯概率；然后，基于該關聯概率確定數據組合的總關聯概率；將總關聯概率中大于預設總關聯概率的目標數據組合作為用戶每天的用餐計劃。

在本發(fā)明實施例中，關聯概率表示一個目標美食數據出現時，另外一個目標美食數據出現的概率，該關聯概率為相關技術人員預先按照任意兩個目標美食數據的組合概率計算得到的。例如，當出現餃子時，出現蒜的概率即為一個關聯概率，又例如，出現面條時，出現醋的概率等等。該關聯概率能夠表征任意兩個目標美食數據之間的搭配程度，該搭配程度取決于任意兩個目標美食數據在進行搭配時的營養(yǎng)含量。例如，如果將兩個目標美食數據進行搭配時，該兩個目標美食數據能夠互相影響，從而，產生有利于人體的物質，或者，該兩個目標美食數據之間的互相影響能夠相互促進吸收時，該兩個目標美食數據的搭配程度較高，關聯概率也較高。

在本發(fā)明實施例中，通過上述步驟s51至步驟s54所描述的方法，能夠為用戶制定用餐計劃的同時，還能夠為用戶進行營養(yǎng)的搭配。

在本發(fā)明實施例中在基于飲食習慣在美食數據中確定目標美食數據時，可以首先獲取用戶的用戶資料，其中，用戶資料包括以下至少之一：籍貫，職業(yè)，性別和年齡；然后，基于用戶資料和飲食習慣在美食數據中確定目標美食數據。通過結合用戶資料來篩選目標美食數據，能夠得到更加符合用戶口味的目標美食數據。

實施例二：

本發(fā)明實施例還提供了一種用餐計劃的生成裝置，該用餐計劃的生成裝置主要用于執(zhí)行本發(fā)明實施例上述內容所提供的用餐計劃的生成方法，以下對本發(fā)明實施例提供的用餐計劃的生成裝置做具體介紹。

圖2是根據本發(fā)明實施例的一種用餐計劃的生成裝置的示意圖，如圖2所示，該用餐計劃的生成裝置主要包括：獲取單元21，分析處理單元22和制定單元23，其中：

獲取單元21，用于獲取預設時間段用戶的用戶行為數據，其中，用戶行為數據為用戶在客戶端中執(zhí)行目標行為時的數據；

分析處理單元22，用于采用預先建立的神經網絡對用戶行為數據進行分析處理，以確定用戶的飲食習慣，其中，預先建立的神經網絡為預先采用不同時間段用戶的用戶行為數據進行訓練得到的神經網絡，神經網絡的輸入為用戶行為數據，神經網絡的輸出為飲食習慣；

制定單元23，用于基于飲食習慣為用戶制定至少一天的用餐計劃，其中，每天的用餐計劃包括以下至少之一：早餐用餐計劃，午餐用餐計劃和晚餐用餐計劃。

在本發(fā)明實施例中，首先獲取預設時間段內用戶的用戶行為數據，然后，采用預先建立的神經網絡模型對用戶行為數據進行分析處理，以確定用戶的飲食習慣；接下來，基于飲食習慣為用戶制定至少一天的用餐計劃，在本發(fā)明實施例中，通過對用戶的飲食習慣進行分析，從而為其制定用餐計劃，能夠更加準確的為用戶制定用餐計劃，進而緩解了現有技術中沒有能夠代替用戶自身而為其量身制定每天的用餐計劃的工具技術問題，從而實現了為用戶自動制定用餐計劃的技術效果。

可選地，如圖3所示，制定單元包括：獲取子單元31，用于獲取在客戶端中投放的美食數據；確定子單元32，用于基于飲食習慣在美食數據中確定目標美食數據；制定子單元33，用于根據目標美食數據為用戶制定至少一天的用餐計劃。

可選地，如圖4所示，制定子單元包括：第一確定模塊41，用于確定目標美食數據的時間屬性標簽，其中，時間屬性標簽用于確定目標美食數據的食用時間；第二確定模塊42，用于確定食用時間所屬的目標時段，其中，目標時段包括：早餐時段，午餐時段和晚餐時段；分類模塊43，用于基于所屬的目標時段對目標美食數據進行分類，得到早餐數據組，午餐數據組和晚餐數據組；組合模塊44，用于將早餐數據組，午餐數據組和晚餐數據組中的目標美食數據進行排列組合，得到至少一個數據組合；制定模塊45，用于基于至少一個數據組合制定至少一天的用餐計劃。

可選地，制定模塊用于：獲取目標美食數據中任意兩個目標美食數據之間的關聯概率，其中，關聯概率表示在一個用餐計劃中，當一個目標美食數據出現時，另外一個目標美食數據出現的概率；基于關聯概率確定至少一個數據組合中每個數據組合的總關聯概率；在至少一個數據組合中確定目標數據組合，其中，目標數據組合的總關聯概率大于預設總關聯概率；將每個目標數據組合作為用戶每天的用餐計劃。

可選地，確定子單元用于：獲取用戶的用戶資料，其中，用戶資料包括以下至少之一：籍貫，職業(yè)，性別和年齡；基于用戶資料和飲食習慣在美食數據中確定目標美食數據。

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脫離本發(fā)明各實施例技術方案的范圍。