本发明属于专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法的技术领域，特别涉及一种能通过线上和线下的协同作业、通过匹配相似客户和相似菜品以达到快速推荐菜单的智能生成推荐菜单的方法。
背景技术：
目前，餐饮行业的点菜环节主要还是采用餐厅印发纸质菜单，顾客查看纸质菜单，服务员记录下顾客的菜单再去收银机点菜方式，菜单菜品更换成本高，更新菜品无法及时展示，服务员人工效率低。同时，已经有部分的餐厅已经开始采用智能通信装置如智能手机、pad等电子设备，利用快速发展的互联网云技术，为顾客提供依托于智能通信装置的自主点餐环境。
这种利用智能通信装置完成点餐本身为客户提供了便利，然而在实际的操作中，当客户借助智能通信装置进行点菜时，仅能逐一查看基于智能通信装置显示的菜单上的菜品，其对自己本身点的菜并没有完整的把握，这将导致所点菜品超过需求量、营养过剩、超过消费能力可承受范围等问题，造成浪费，对消费者本身的身体或精神形成负担；同时，当商家对于所有客户的点菜都是统一采用了这种智能的点菜方式时，缺乏了原有的人工点菜方式中的灵活随机的一面，比如对老客的管理、对于菜品的重点推荐、对于重复菜品的去重建议等，非常不人性化，让很多客户只会重复点几个菜，而不会去关注别的菜品，对于商家本身的发展亦是不利的。
技术实现要素：
本发明解决的技术问题是，现有技术中，利用智能通信装置完成点餐的工作时，客户仅能逐一查看基于智能通信装置显示的菜单上的菜品，其对自己本身点的菜并没有完整的把握，而导致的所点菜品超过需求量、营养过剩、超过消费能力可承受范围等问题，造成浪费，对消费者本身的身体或精神形成负担，且缺乏灵活随机性，不人性化，对于商家本身的发展亦存在不利之处的问题，进而提供了一种优化的智能生成推荐菜单的方法。
本发明所采用的技术方案是，一种智能生成推荐菜单的方法，所述方法包括以下步骤：
步骤1.1：建立客户端和商家端，所述客户端和商家端连接至控制端，所述控制端内设有客户数据库，所述客户数据库中设有一一对应的客户编码和客户注册ID，所述控制端内保存有所有客户的历史点菜行为数据；
步骤1.2：客户u利用客户端的摄像头扫描任一商家的每桌专用二维码或电子标签码，客户编码传输至控制端，控制端比较客户编码和客户注册ID，判断此客户是否为已在该商家产生过消费的老客户；
步骤1.3：若是，则从控制端中通过客户编码调取当前客户u对所述商家的每个菜品的评分矩阵Rm×n，其中，m表示所有参与客户历史点菜行为数据获得评分矩阵的用户的总个数，n表示所有参与客户历史点菜行为数据获得评分矩阵的菜品的总个数；获得当前用户对菜品j的兴趣值Scoreuj，将菜品以Scoreuj降序排列，取A个菜品生成预推荐菜单，进行步骤1.5；否则，进行步骤1.4；
步骤1.4：当前客户未与当前商家进行过交易，提供菜单，由客户初始化点一个菜，客户点菜后，从控制端调取当前商家的所有客户历史点菜行为数据，利用相似度拟合方法获得该客户所点菜的最接近的菜品的菜单，按照相似度由高至低排列，取A个菜品生成预推荐菜单；进行步骤1.6；
步骤1.5：利用消费能力调整方法调整所述推荐菜单，重新排列预推荐菜单中的菜品；
步骤1.6：利用营养搭配调整方法调整所述预推荐菜单；
步骤1.7：取排序最前的N个菜品，生成当前客户u的推荐菜单。
优选地，所述步骤1.1中，控制端内设有每个商家的菜品，商家通过商家端的读写模块在控制端内写入菜品数据、放置菜品图片；所有菜品包括标签识别编号，其中，荤菜为1，素菜为0。
优选地，所述步骤1.3中，所述评分矩阵其中，Rm×n表示用户对菜品的评分矩阵，Xm×k表示客户对隐含特征的偏好矩阵，表示菜品所包含隐含特征的矩阵的转置，其中，k表示维度。
优选地，所述评分矩阵通过客户历史点菜行为数据获得的方法包括以下步骤：
步骤3.1：定义平方误差损失函数：其中，xu表示客户u的偏好的隐含特征向量，yi表示菜品i包含的隐含特征向量，rui表示客户u对菜品i的评分，向量xu和yi的内积是客户u对菜品i评分的近似，λ是正则化项的系数；
步骤3.2：以梯度下降法使得L(X,Y)最小，并求得此时的X和Y；
步骤3.3：用户u对菜品j的兴趣值为其中xu是X的第u行，yj是Y的第j行。
优选地，所述步骤1.4中，所述相似度拟合方法包括以下步骤：
步骤4.1：获取客户历史点菜行为数据，取最近若干个月的订单记录，以i和j表示待比对的2个菜品；
步骤4.2：计算待比对的2个菜品间的相似度其中，N(i)表示客户点i菜品的次数，N(j)表示客户点j菜品的次数，|N(i)∩N(j)|表示客户在最近2个月点菜品i的时候同时点菜品j的次数；
步骤4.3：计算i菜品的回头点击率其中，Oi表示所有订单中出现i菜品的个数，Odi表示所有订单中经过客户注册ID去重后出现i菜品的个数；
步骤4.4：强化待比对的2个菜品间的相似度w′ij＝wij×(1+αi)；
步骤4.5：通过客户已点菜品的集合N(u)来计算该店中的所有菜品和N(u)相似度值，其中，pup表示用户u对菜品N(p)的兴趣值，S(p,k)是和菜品p最相似的所有k个菜品的集合，w′pq表示菜品p和菜品q的相似度。
优选地，所述步骤4.1中，获取客户历史点菜行为数据，取最近2个月的订单记录，以i和j表示待比对的2个菜品。
优选地，所述步骤1.5中，所述消费能力调整方法包括以下步骤：
步骤5.1：取当前客户u在近M个月内的所有订单数据，计算总金额Mu及总点菜个数Nu；
步骤5.2：计算平均每个菜的单价
步骤5.3：令该客户的最大可接受菜品单价为Du＝εCu，其中，ε为溢出权重；
步骤5.4：将预推荐菜单里的菜品单价与所述最大可接受菜品单价进行比较，当预推荐菜单里的菜品单价大于最大可接受菜品单价时，删除菜品并放置在控制端的缓存区，其后的菜品依次排名往前；完成后进行步骤5.5；
步骤5.5：计算完成步骤5.4后的各菜品的单价与所述最大可接受菜品单价的差值，按照差值对预推荐菜单中的菜品重新排列；差值越小，菜品排名越靠前，反之靠后。
优选地，1＜ε＜2。
优选地，所述步骤1.6中，所述营养搭配调整方法包括以下步骤：
步骤6.1：取当前的预推荐菜单，统计预推荐菜单中的荤菜个数；当预推荐菜单中的荤菜个数为A或0时，直接进行步骤1.7；
步骤6.2：当荤菜个数少于预推荐菜单的菜品个数的25％时，进行步骤6.3；当荤菜个数多于预推荐菜单的菜品个数的75％时，进行步骤6.4；当荤菜个数介于预推荐菜单的菜品个数的25％～75％时，完成营养搭配调整；
步骤6.3：保留预推荐菜单中的荤菜菜品，将利用消费能力调整方法去除的菜品与控制端中的荤菜数据库进行匹配，筛选出荤菜，替换预推荐菜单的素菜菜品中Scoreuj较低的菜品，形成新的推荐菜单；当新的预推荐菜单满足荤菜个数介于菜品总个数的25％～75％时，完成营养搭配调整；
步骤6.4：将利用消费能力调整方法去除的菜品中的素菜筛选出来，替换当前预推荐菜单中Scoreuj较低的荤菜，形成新的推荐菜单；当新的推荐菜单满足荤菜个数介于菜品总个数的25％～75％时，完成营养搭配调整。
本发明提供了一种优化的智能生成推荐菜单的方法，通过控制端对于客户编码和客户注册ID的判断，识别出客户是新客户还是老客户，对老客户直接给出依喜好排序的预推荐菜单，对新客户则通过初始化点菜的形式，结合控制端内的客户历史点菜行为数据以相似度拟合方法获得最接近的菜单，对两种模式下的预推荐菜单根据消费能力调整方法和营养搭配方法进行调节，最后自动生成排序最靠前的若干个菜品，推荐给对应的客户。本发明兼具智能通信装置完成点餐的便利性，使得客户不仅能自主选择菜品，同时还通过对于数据的分析比对，给出建议，综合考虑客户的消费水平和营养搭配，绿色环保，有益于消费者的身心健康，灵活，随机性强，同时更有利于商家本身的发展。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种智能生成推荐菜单的方法，所述方法包括以下步骤：
步骤1.1：建立客户端和商家端，所述客户端和商家端连接至控制端，所述控制端内设有客户数据库，所述客户数据库中设有一一对应的客户编码和客户注册ID，所述控制端内保存有所有客户的历史点菜行为数据。
所述步骤1.1中，控制端内设有每个商家的菜品，商家通过商家端的读写模块在控制端内写入菜品数据、放置菜品图片；所有菜品包括标签识别编号，其中，荤菜为1，素菜为0。
本发明中，一般情况下，客户端即由客户的手机或随身携带的智能设备完成，手机和智能设备一般采用移动网络、无线网络或蓝牙等方式与控制端进行通信，完成信息的交互。在这种情况下，客户的手机或智能设备会存在一个唯一固定的识别号，控制端只需要获得当前客户的识别号，即可进行后续的工作。此为本领域技术人员容易理解的技术，可以依据本领域技术人员的理解按需设置。
本发明中，商家端可以是智能终端或计算机的任一种，其可以对控制端中当前商家的菜品内容进行读写，完成菜品的编辑。商家端也可以采用移动网络、无线网络或蓝牙等方式与控制端进行通信，完成信息的交互。在这种情况下，商家端亦会存在一个唯一固定的识别号，如计算机的物理地址等，控制端只需要获得当前商家的识别号，即可进行后续的工作。此为本领域技术人员容易理解的技术，可以依据本领域技术人员的理解按需设置。
本发明中，控制端内设有客户数据库，其中设有一一对应的客户编码和客户注册ID，通过客户编码与客户注册ID进行匹配，完成调取当前客户信息并进行控制的作业。
本发明中，控制端内还保存有所有客户的历史点菜行为数据，用于在离线状态中对客户的行为进行分析，得到用户对菜品的评分矩阵。
本发明中，步骤1.1主要为初始设置用，故为了便于推荐菜单的生成，控制端内除了设有每个商家的菜品，商家可以通过商家端的读写模块在控制端内写入菜品数据、放置菜品图片外，商家还可以预先对所有菜品设置标签识别编号，例如以1标注荤菜，0标注素菜，一则可以直接显示，便于不用需求的客户选择菜品，二则可以在后台进行营养搭配时，遍历标签识别编号，剔除掉过多的荤菜或是提示荤菜量的不足，帮助客户做到点菜时的荤素搭配。
步骤1.2：客户u利用客户端的摄像头扫描任一商家的每桌专用二维码或电子标签码，客户编码传输至控制端，控制端比较客户编码和客户注册ID，判断此客户是否为已在该商家产生过消费的老客户。
本发明中，步骤1.2为判断过程，主要即是通过客户扫码与控制端进行通信，调取商家的信息，并查看此客户编码与商家的客户注册ID的集合是否有吻合，对新老客户采取不同的预推荐菜单的形成模式。
步骤1.3：若是，则从控制端中通过客户编码调取当前客户u对所述商家的每个菜品的评分矩阵Rm×n，其中，m表示所有参与客户历史点菜行为数据获得评分矩阵的用户的总个数，n表示所有参与客户历史点菜行为数据获得评分矩阵的菜品的总个数；获得当前用户对菜品j的兴趣值Scoreuj，将菜品以Scoreuj降序排列，取A个菜品生成预推荐菜单，进行步骤1.5；否则，进行步骤1.4；
所述步骤1.3中，所述评分矩阵其中，Rm×n表示用户对菜品的评分矩阵，Xm×k表示客户对隐含特征的偏好矩阵，表示菜品所包含隐含特征的矩阵的转置，其中，k表示维度。
所述评分矩阵通过客户历史点菜行为数据获得的方法包括以下步骤：
步骤3.1：定义平方误差损失函数：其中，xu表示客户u的偏好的隐含特征向量，yi表示菜品i包含的隐含特征向量，rui表示客户u对菜品i的评分，向量xu和yi的内积是客户u对菜品i评分的近似，λ是正则化项的系数；
步骤3.2：以梯度下降法使得L(X,Y)最小，并求得此时的X和Y；
步骤3.3：用户u对菜品j的兴趣值为其中xu是X的第u行，yj是Y的第j行。
步骤1.4：当前客户未与当前商家进行过交易，提供菜单，由客户初始化点一个菜，客户点菜后，从控制端调取当前商家的所有客户历史点菜行为数据，利用相似度拟合方法获得该客户所点菜的最接近的菜品的菜单，按照相似度由高至低排列，取A个菜品生成预推荐菜单；进行步骤1.6。
所述步骤1.4中，所述相似度拟合方法包括以下步骤：
步骤4.1：获取客户历史点菜行为数据，取最近若干个月的订单记录，以i和j表示待比对的2个菜品。
所述步骤4.1中，获取客户历史点菜行为数据，取最近2个月的订单记录，以i和j表示待比对的2个菜品。
步骤4.2：计算待比对的2个菜品间的相似度其中，N(i)表示客户点i菜品的次数，N(j)表示客户点j菜品的次数，|N(i)∩N(j)|表示客户在最近2个月点菜品i的时候同时点菜品j的次数。
步骤4.3：计算i菜品的回头点击率其中，Oi表示所有订单中出现i菜品的个数，Odi表示所有订单中经过客户注册ID去重后出现i菜品的个数。
步骤4.4：强化待比对的2个菜品间的相似度w′ij＝wij×(1+αi)。
步骤4.5：通过客户已点菜品的集合N(u)来计算该店中的所有菜品和N(u)相似度值，其中，pup表示用户u对菜品N(p)的兴趣值，S(p,k)是和菜品p最相似的所有k个菜品的集合，w′pq表示菜品p和菜品q的相似度。
本发明中，步骤1.3和步骤1.4为对老客户和新客户的不同的预推荐菜单的生成模式。
本发明中，当客户为老客户时，可以直接调取其常点菜品的信息即通过客户的历史点菜行为数据进行统计的数据，获得当前客户u对该商家的每个菜品的评分矩阵R后，即可获得当前用户对菜品j的兴趣值Scoreuj，将菜品以Scoreuj降序排列，生成预推荐菜单。
本发明中，步骤1.3及具体的评分矩阵的得到步骤主要针对老客户，在老客户的群体中，每一个客户是上述矩阵X的一个向量，每一个菜品是矩阵Y的一个向量，当前客户对于当前菜品的兴趣值是上述两个向量的点积R，其中，m表示所有参与客户历史点菜行为数据获得评分矩阵的用户的总个数，n表示所有参与客户历史点菜行为数据获得评分矩阵的菜品的总个数，矩阵X和Y的维度为k。
本发明中，在实际的操作中，若需要提取或计算某个客户对某个菜品的兴趣值，只需要从矩阵X中取出该客户对应的向量，从矩阵Y中取出对应的菜品的向量，求点积即可。
本发明中，当客户为新客户时，则需要请客户先初始化选一个菜品，选择该菜品后，可以利用相似度拟合方法进行菜品和菜品之间的比对，比对该初始化选择的菜品和其他任一菜品间的相似度，并通过回头点击率强化此相似度数据，以相似度对菜品进行排序，即为客户在点了某个菜品后，依据数据记载更可能选择的菜品的顺序，由此生成预推荐菜单。
本发明中，不直接反馈相似度，而是采用回头点击率强化相似度，目的是将对某个菜品有特殊喜好、强烈个人喜好的相关数据剔除，保证了数据的准确性，使得预推荐菜单的排序更为准确，不受他人喜好的影响。
步骤1.5：利用消费能力调整方法调整所述推荐菜单，重新排列预推荐菜单中的菜品。
所述步骤1.5中，所述消费能力调整方法包括以下步骤：
步骤5.1：取当前客户u在近M个月内的所有订单数据，计算总金额Mu及总点菜个数Nu；
步骤5.2：计算平均每个菜的单价
步骤5.3：令该客户的最大可接受菜品单价为Du＝εCu，其中，ε为溢出权重；
步骤5.4：将预推荐菜单里的菜品单价与所述最大可接受菜品单价进行比较，当预推荐菜单里的菜品单价大于最大可接受菜品单价时，删除菜品并放置在控制端的缓存区，其后的菜品依次排名往前；完成后进行步骤5.5；
步骤5.5：计算完成步骤5.4后的各菜品的单价与所述最大可接受菜品单价的差值，按照差值对预推荐菜单中的菜品重新排列；差值越小，菜品排名越靠前，反之靠后。
1＜ε＜2。
本发明中，由于在生成预推荐菜单的过程中只是参考了菜品间的相似度数据，但是并未考虑过实际的菜品单价，为了保证最终的推荐菜单能更大程度符合客户的实际点菜需求，故利用消费能力调整方法调整该预推荐菜单。
本发明中，对于老客户，可以获得当前客户的历史点菜行为数据，计算平均每个菜的单价，由于平均值只能反应一定程度的价格，故还增加溢出权重，由溢出权重来控制预推荐菜单中可被接受的菜品的最大单价；对于新客户，由于不存在历史点菜行为数据，跳过此步骤。一般情况下，该溢出权重取1.5，但可以根据商家的实际需求及商家菜价的浮动做一定的调整。
本发明中，价格高于最大可接受菜品单价的菜品被直接删除并存储在缓存区备用，其他的菜品以与最大可接受菜品单价的差值为依据，以差值由小到大顺次排列。
步骤1.6：利用营养搭配调整方法调整所述预推荐菜单。
所述步骤1.6中，所述营养搭配调整方法包括以下步骤：
步骤6.1：取当前的预推荐菜单，统计预推荐菜单中的荤菜个数；当预推荐菜单中的荤菜个数为A或0时，直接进行步骤1.7；
步骤6.2：当荤菜个数少于预推荐菜单的菜品个数的25％时，进行步骤6.3；当荤菜个数多于预推荐菜单的菜品个数的75％时，进行步骤6.4；当荤菜个数介于预推荐菜单的菜品个数的25％～75％时，完成营养搭配调整；
步骤6.3：保留预推荐菜单中的荤菜菜品，将利用消费能力调整方法去除的菜品与控制端中的荤菜数据库进行匹配，筛选出荤菜，替换预推荐菜单的素菜菜品中Scoreuj较低的菜品，形成新的推荐菜单；当新的预推荐菜单满足荤菜个数介于菜品总个数的25％～75％时，完成营养搭配调整；
步骤6.4：将利用消费能力调整方法去除的菜品中的素菜筛选出来，替换当前预推荐菜单中Scoreuj较低的荤菜，形成新的推荐菜单；当新的推荐菜单满足荤菜个数介于菜品总个数的25％～75％时，完成营养搭配调整。
本发明中，在进行了几次调整后，预推荐菜单里的菜品可能出现营养不搭配的情况，但由于计算了菜品间的相似度且考虑了消费水平，一般情况下，并不可能出现只剩下素菜或只剩下荤菜的情况，当出现这种情况时，即荤菜个数为A或0时，则直接进行步骤1.7。
本发明中，需要对可能营养失调的预推荐菜单进行重新整合，一般情况下，认为菜品中荤菜的个数介于预推荐菜单的菜品个数的25％～75％是符合营养搭配的标准的，此数据可由商家根据实际情况进行调整。
本发明中，当菜品中荤菜过少时，保留预推荐菜单中的荤菜，并在缓存区中遍历菜品，选出荤菜替换预推荐菜单中Scoreuj较低的素菜；当菜品中荤菜过多时，将利用消费能力调整方法去除的菜品中的素菜筛选出来，替换当前预推荐菜单中Scoreuj较低的荤菜，形成新的推荐菜单，最终当菜品中荤菜的个数介于预推荐菜单的菜品个数的25％～75％时，完成调整。
步骤1.7：取排序最前的N个菜品，生成当前客户u的推荐菜单。
本发明中，可以根据商家的实际需求设置N的数量，N小于等于A。
本发明解决了现有技术中，利用智能通信装置完成点餐的工作时，客户仅能逐一查看基于智能通信装置显示的菜单上的菜品，其对自己本身点的菜并没有完整的把握，而导致的所点菜品超过需求量、营养过剩、超过消费能力可承受范围等问题，造成浪费，对消费者本身的身体或精神形成负担，且缺乏灵活随机性，不人性化，对于商家本身的发展亦存在不利之处的问题，通过控制端对于客户编码和客户注册ID的判断，识别出客户是新客户还是老客户，对老客户直接给出依喜好排序的预推荐菜单，对新客户则通过初始化点菜的形式，结合控制端内的客户历史点菜行为数据以相似度拟合方法获得最接近的菜单，对两种模式下的预推荐菜单根据消费能力调整方法和营养搭配方法进行调节，最后自动生成排序最靠前的若干个菜品，推荐给对应的客户。本发明兼具智能通信装置完成点餐的便利性，使得客户不仅能自主选择菜品，同时还通过对于数据的分析比对，给出建议，综合考虑客户的消费水平和营养搭配，绿色环保，有益于消费者的身心健康，灵活，随机性强，同时更有利于商家本身的发展。