基于用户特征的餐饮内容个性化展示方法及系统

技术领域

本发明涉及内容展示领域，特别是基于用户特征的餐饮内容个性化展示方法及系统。

背景技术

由于地大物博，全国人口数量众多且饮食口味和习俗不同，所以不同人直接对食物的喜好程度也不同。餐饮店众多，结合人们的口味习惯选择最适合餐饮店较为麻烦，需要获取人们的口味等偏好信息并向人们推荐最适合且最满足人们口味等偏好信息的餐饮门店作为人们就餐地点。餐饮店的菜式众多，需要在餐饮店中挑选合适且用户偏好的菜品下单，所以设计一种基于用户特征的餐饮内容个性化展示方法及系统，用于向用户推荐菜品。

发明内容

本发明克服了现有技术的不足，提供了基于用户特征的餐饮内容个性化展示方法及系统。

为达到上述目的，本发明采用的技术方案为：

本发明第一方面提供了基于用户特征的餐饮内容个性化展示方法，包括以下步骤：

收集用户基本信息，用于获取用户的浏览信息，并使用支持向量机将浏览信息分为浏览下单信息和浏览无下单信息；

基于随机森林算法，构建用户特征模型，并基于所述用户特征模型预测用户的餐饮偏好程度；

对用户的餐饮偏好程度进行分析，得到用户偏好菜品、用户合适菜品和用户禁忌菜品；

获取其他用户的餐饮消费记录，通过所述其他用户的餐饮消费记录在点单网页中优化用户偏好菜品的推荐规则。

进一步的，本发明的一个较佳实施例中，所述收集用户基本信息，用于获取用户的浏览信息，并使用支持向量机将浏览信息分为浏览下单信息和浏览无下单信息，具体为：

在注册登录界面中收集用户基本信息，所述用户基本信息包括用户的姓名、电话号码和年龄；

将所述用户基本信息导入大数据网络，所述大数据网络中包含用户的历史浏览网页，同时对用户的历史浏览网页进行过滤筛选，得到与餐饮行业相关的用户的历史浏览网页；

提取用户在历史浏览网页的浏览信息，并将所述浏览信息导入支持向量机中，所述浏览信息在支持向量机中变为特征向量，并计算特征向量间的马氏距离，并构建相似度矩阵；

以用户在历史浏览网页中是否登录为条件，定义损失函数，将所述损失函数导入支持向量机中，所述支持向量机对相似度矩阵进行计算，并构建超平面，相似度矩阵中的特征向量在超平面中呈线性分布；

对支持向量机进行反向训练及误差收敛后，获取特征向量在超平面中的分布位置，分析所述分布位置并输出分析结果，得到浏览下单信息和浏览无下单信息。

进一步的，本发明的一个较佳实施例中，所述基于随机森林算法，构建用户特征模型，并基于所述用户特征模型预测用户的餐饮偏好程度，具体为：

将所述浏览下单信息和浏览无下单信息分为训练集和测试集，所述训练集中包含样本信息，将所述训练集导入决策树模型中，基于样本信息的样本特征，获取样本信息的特征值和切分值；

基于所述特征值和切分值，得到最佳切分节点，在所述最佳切分节点出将训练集划分为不同的子集，一个子集对应一种分支，在子集被划分后根据特征值和切分值不断对子集进行划分，多层构建决策树的分支，当节点中的用户特征信息样本数低于预设阈值，停止划分，将对应的节点标记为叶子节点，得到初步决策树模型；

对所述初步决策树模型进行剪枝处理，并使用测试集对初步决策树进行验证测试，得到完好决策树模型，整合所有完好决策树模型，得到随机森林模型并输出决策数据，基于所述决策数据，构建用户特征模型；

基于所述用户特征模型，获取用户特征信息，分析所述用户特征信息，获取用户的餐饮偏好程度。

进一步的，本发明的一个较佳实施例中，所述对用户的餐饮偏好程度进行分析，得到用户偏好菜品、用户合适菜品和用户禁忌菜品，具体为:

基于用户的餐饮偏好程度，构建用户餐饮偏好排序表，将所述餐饮偏好排序表导入大数据网络中进行餐饮门店搜寻，得到符合用户的餐饮偏好的所有餐饮门店；

获取符合用户的餐饮偏好的所有餐饮门店与用户所在地之间的距离，并基于用户餐饮偏好排序表的偏好顺序，向用户推荐满足用户餐饮偏好程度在预设值以上、餐饮门店与用户所在地之间的距离在预设距离内且其他用户评分为标准值的餐饮门店，并定义为用户推荐门店；

基于用户推荐门店的点单网页，获取用户推荐门店的菜单，基于所述用户的餐饮偏好程度在点单网页中对菜单进行菜品筛选打分，预设合格分，将菜品分数大于合格分的菜品标记为用户偏好菜品，并基于菜品分数降序原则，向用户推荐用户偏好菜品；

对所述用户偏好菜品进行供需求分析，并获取用户健康状态，对用户偏好菜品进行进一步筛选，得到用户合适菜品与用户禁忌菜品。

进一步的，本发明的一个较佳实施例中，所述对所述用户偏好菜品进行供需求分析，并获取用户健康状态，对用户偏好菜品进行进一步筛选，得到用户合适菜品与用户禁忌菜品，具体为：

获取用户偏好菜品所需的食材数量，并对所述用户偏好菜品的食材数量进行实时监控，当用户偏好菜品所需的食材数量达到警戒值，则向用户发送菜品剩余数量信息；

当用户偏好菜品所需的食材数量不足以支撑制作所有用户偏好菜品，则对所有用户偏好菜品进行食材重合分析，若用户偏好菜品之间存在食材重合，则基于菜品分数降序原则，优先推荐评分最高的用户偏好菜品，并对无法制作的用户偏好菜品标记为售罄菜品；

当用户偏好菜品所需的食材数量不足以支撑制作任意一道用户偏好菜品，则向用户推荐菜品评分不合格的菜品；

在用户下单前，使用户填写调查问卷，确定用户当前健康状态，并将所述用户当前健康状态和用户推荐门店的所有菜品的基本信息导入卷积神经网络模型中进行预测处理，得到菜品-健康预测数据；

将所述菜品-健康预测数据以文本信息和可视化图像形式推送给用户进行鉴别，并将所述菜品-健康预测数据与用户推荐门店的所有菜品进行结合，得到用户合适菜品与用户禁忌菜品；

将所述用户合适菜品与用户禁忌菜品推送给用户进行菜品挑选。

进一步的，本发明的一个较佳实施例中，所述获取其他用户的餐饮偏好程度，通过所述其他用户的餐饮偏好程度优化用户偏好菜品的推荐规则，具体为：

获取在用户推荐门店内就餐的所有用户的消费记录，根据所述消费记录，对用户推荐门店的菜品进行点菜频率统计，得到统计值；

构建时间序列，将所述统计值和时间序列结合，得到基于时间序列的统计值；

对所述基于时间序列的统计值导入所述点单网页中，所述点单网页接收后实时更新优化；

在实时更新优化后的点单网页中，基于所述基于时间序列的统计值，在不同时间段内对点菜频率进行排序，得到点菜频率排序表，对所述点菜频率排序表进行分析，获取点菜频率大于预设值的菜品信息；

将所述点菜频率大于预设值的菜品与用户偏好菜品进行相似度比较，获取相似度大于预设阈值的菜品，定义为优先推送菜品，所述点单网页在菜品推荐页面优先展示所述优先推送菜品。

本发明第二方面还提供了基于用户特征的餐饮内容个性化展示系统，所述展示系统包括存储器与处理器，所述存储器中储存有基于用户特征的餐饮内容个性化展示方法，所述基于用户特征的餐饮内容个性化展示方法被所述处理器执行时，实现如下步骤：

收集用户基本信息，用于获取用户的浏览信息，并使用支持向量机将浏览信息分为浏览下单信息和浏览无下单信息；

基于随机森林算法，构建用户特征模型，并基于所述用户特征模型预测用户的餐饮偏好程度；

对用户的餐饮偏好程度进行分析，得到用户偏好菜品、用户合适菜品和用户禁忌菜品；

获取其他用户的餐饮消费记录，通过所述其他用户的餐饮消费记录在点单网页中优化用户偏好菜品的推荐规则。

本发明解决的背景技术中存在的技术缺陷，本发明具备以下有益效果：获取用户的浏览信息，并基于支持向量机将所述用户浏览信息分为浏览下单信息和浏览无下单信息，使用随机森林算法对浏览下单信息和浏览无下单信息进行分类，得到用户的餐饮偏好程度，对用户的餐饮偏好程度进行分析，得到用户偏好菜品、用户合适菜品和用户禁忌菜品，并根据其他用户的餐饮消费记录在点单网页中优化用户偏好菜品的推荐规则。本发明能够基于用户的特征信息，向用户推荐符合用户餐饮习惯、餐饮偏好的餐厅及菜品，方便用户选择心仪的菜品，并提高了餐饮的利润率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1示出了基于用户特征的餐饮内容个性化展示方法的流程图；

图2示出了获取用户偏好菜品、用户合适菜品和用户禁忌菜品的方法流程图；

图3示出了基于用户特征的餐饮内容个性化展示系统的视图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了基于用户特征的餐饮内容个性化展示方法的流程图，包括以下步骤：

S102：收集用户基本信息，用于获取用户的浏览信息，并使用支持向量机将浏览信息分为浏览下单信息和浏览无下单信息；

S104：基于随机森林算法，构建用户特征模型，并基于所述用户特征模型预测用户的餐饮偏好程度；

S106：对用户的餐饮偏好程度进行分析，得到用户偏好菜品、用户合适菜品和用户禁忌菜品；

S108：获取其他用户的餐饮消费记录，通过所述其他用户的餐饮消费记录在点单网页中优化用户偏好菜品的推荐规则。

进一步的，本发明的一个较佳实施例中，所述收集用户基本信息，用于获取用户的浏览信息，并使用支持向量机将浏览信息分为浏览下单信息和浏览无下单信息，具体为：

在注册登录界面中收集用户基本信息，所述用户基本信息包括用户的姓名、电话号码和年龄；

将所述用户基本信息导入大数据网络，所述大数据网络中包含用户的历史浏览网页，同时对用户的历史浏览网页进行过滤筛选，得到与餐饮行业相关的用户的历史浏览网页；

提取用户在历史浏览网页的浏览信息，并将所述浏览信息导入支持向量机中，所述浏览信息在支持向量机中变为特征向量，并计算特征向量间的马氏距离，并构建相似度矩阵；

以用户在历史浏览网页中是否登录为条件，定义损失函数，将所述损失函数导入支持向量机中，所述支持向量机对相似度矩阵进行计算，并构建超平面，相似度矩阵中的特征向量在超平面中呈线性分布；

对支持向量机进行反向训练及误差收敛后，获取特征向量在超平面中的分布位置，分析所述分布位置并输出分析结果，得到浏览下单信息和浏览无下单信息。

需要说明的是，通过将用户的基本信息导入大数据网络中，可以获取用户的历史浏览网页，由于用户的历史浏览网页参差不齐，所以需要过滤筛选，剩下与餐饮相关的历史浏览网页。获取历史浏览网页的浏览信息，由于用户在浏览网页时，存在登录与不登录两种情况，且用户下单时必须先登录，所以以用户是否登录作为损失函数。所述支持向量机能将浏览信息分为浏览下单信息和浏览无下单信息，所述浏览下单信息意思为用户浏览该网页并曾经在该网页下单购买的菜品信息，浏览无下单信息意思为用户在网页无登录并只在网页浏览的菜品信息，并未购买。本发明能够获取用户的历史浏览网页和浏览信息，并通过支持向量机将浏览信息分为浏览下单信息和浏览无下单信息。

进一步的，本发明的一个较佳实施例中，所述基于随机森林算法，构建用户特征模型，并基于所述用户特征模型预测用户的餐饮偏好程度，具体为：

将所述浏览下单信息和浏览无下单信息分为训练集和测试集，所述训练集中包含样本信息，将所述训练集导入决策树模型中，基于样本信息的样本特征，获取样本信息的特征值和切分值；

基于所述特征值和切分值，得到最佳切分节点，在所述最佳切分节点出将训练集划分为不同的子集，一个子集对应一种分支，在子集被划分后根据特征值和切分值不断对子集进行划分，多层构建决策树的分支，当节点中的用户特征信息样本数低于预设阈值，停止划分，将对应的节点标记为叶子节点，得到初步决策树模型；

对所述初步决策树模型进行剪枝处理，并使用测试集对初步决策树进行验证测试，得到完好决策树模型，整合所有完好决策树模型，得到随机森林模型并输出决策数据，基于所述决策数据，构建用户特征模型；

基于所述用户特征模型，获取用户特征信息，分析所述用户特征信息，获取用户的餐饮偏好程度。

需要说明的是，在所述浏览下单信息和浏览无下单信息中可以推断用户的餐饮喜好、餐饮习惯等信息。所述浏览下单信息和浏览无下单信息中多种用户特征信息，所述用户特征信息包括用户偏好特征，比如用户对不同类型菜品的口味、风格等偏好；包括用户消费习惯，比如用户喜欢的用餐时间、用餐人数和用餐频率等。为获取用户特征信息，需要将所述浏览下单信息和浏览无下单信息进行分类处理，所述随机森林算法能够将浏览下单信息和浏览无下单信息进行数据分类。所述样本信息的特征值和切分值用于获取原本新的切分节点，所述切分节点目的是将样本信息分成不同类型的子集，且一个子集代表一个分支，即一种用户特征信息。当节点中的用户特征信息样本数小于预设值，证明已对样本信息进行充分的切分，并获得决策树模型。随机森林模型由多个决策树模型组成，目的是使决策数据更准确。基于觉得数据可以构建用户特征模型，并获得用户特征信息。分析所述用户特征信息可以获取用户的餐饮偏好程度。本发明能够通过随机森林算法对浏览下单信息和浏览无下单信息进行分类处理，得到用户的餐饮偏好程度。

图2示出了获取用户偏好菜品、用户合适菜品、用户禁忌菜品和优先推送菜品的方法流程图，包括以下步骤：

S202：基于用户的餐饮偏好程度，获取用户偏好菜品；

S204：对菜品供需求状态进行分析，并基于用户健康状态，获取用户合适菜品和用户禁忌菜品；

S206：实时更新优化点单网页，获取优先推送菜品。

进一步的，本发明的一个较佳实施例中，所述基于用户的餐饮偏好程度，获取用户偏好菜品，具体为：

基于用户的餐饮偏好程度，构建用户餐饮偏好排序表，将所述餐饮偏好排序表导入大数据网络中进行餐饮门店搜寻，得到符合用户的餐饮偏好的所有餐饮门店；

获取符合用户的餐饮偏好的所有餐饮门店与用户所在地之间的距离，并基于用户餐饮偏好排序表的偏好顺序，向用户推荐满足用户餐饮偏好程度在预设值以上、餐饮门店与用户所在地之间的距离在预设距离内且其他用户评分为标准值的餐饮门店，并定义为用户推荐门店；

基于用户推荐门店的点单网页，获取用户推荐门店的菜单，基于所述用户的餐饮偏好程度在点单网页中对菜单进行菜品筛选打分，预设合格分，将菜品分数大于合格分的菜品标记为用户偏好菜品，并基于菜品分数降序原则，向用户推荐用户偏好菜品。

需要说明的是，由于用户的个人习惯及风格，所以用户的餐饮偏好程度大小不同，所以需要构建餐饮偏好排序表，所述餐饮偏好排序表能够将用户的餐饮偏好程度按顺序进行排序。基于所述餐饮偏好排序表，可以获取所有符合用户餐饮偏好的餐饮门店，并对餐饮门店进行范围限制，获取符合用户餐饮偏好的餐饮门店与用户所在位置的距离，保留符合用户预期就餐距离、餐饮偏好程度大于预设值且餐饮门店的评分为标准值及以上的餐饮门店，作为用户推荐门店。所述用户推荐门店满足用户的餐饮偏好需求、距离需求，且评分较高。获取用户推荐门店的点单网页，所述点单网页能够给用户推送菜品，获取推荐门店的菜单，所述用户的餐饮偏好程度中保存了用户的就餐风格就餐习惯等，由于推荐门店的菜单中的菜品多种多样，所以需要根据用户的餐饮偏好程度给菜品进行打分，不合格的菜品为用户的餐饮偏好程度较低的菜品甚至为用户厌恶的菜品，合格的菜品为用户的餐饮偏好程度较高的菜品。根据打分结果，并基于菜品分数降序规则，向用户推荐展示菜品，且向用户推荐展示的菜品为用户偏好菜品。本发明能够通过用户的餐饮偏好程度确定用户推荐门店，并对用户推荐门店的菜品进行打分，获取用户偏好菜品。

进一步的，本发明的一个较佳实施例中，所述对菜品供需求状态进行分析，并基于用户健康状态，获取用户合适菜品和用户禁忌菜品，具体为：

获取用户偏好菜品所需的食材数量，并对所述用户偏好菜品的食材数量进行实时监控，当用户偏好菜品所需的食材数量达到警戒值，则向用户发送菜品剩余数量信息；

当用户偏好菜品所需的食材数量不足以支撑制作所有用户偏好菜品，则对所有用户偏好菜品进行食材重合分析，若用户偏好菜品之间存在食材重合，则基于菜品分数降序原则，优先推荐评分最高的用户偏好菜品，并对无法制作的用户偏好菜品标记为售罄菜品；

当用户偏好菜品所需的食材数量不足以支撑制作任意一道用户偏好菜品，则向用户推荐菜品评分不合格的菜品；

在用户下单前，使用户填写调查问卷，确定用户当前健康状态，并将所述用户当前健康状态和用户推荐门店的所有菜品的基本信息导入卷积神经网络模型中进行预测处理，得到菜品-健康预测数据；

将所述菜品-健康预测数据以文本信息和可视化图像形式推送给用户进行鉴别，并将所述菜品-健康预测数据与用户推荐门店的所有菜品进行结合，得到用户合适菜品与用户禁忌菜品；

将所述用户合适菜品与用户禁忌菜品推送给用户进行菜品挑选。

需要说明的是， 一个餐饮门店内一天的食材数量是有限度的，菜品所需食材用完则餐饮门店不能继续制作菜品。所以需要实时监控用户偏好菜品的食材数量，并预设食材数量警戒值，当食材数量达到警戒值时，向用户发送餐饮门店内所有的菜品的剩余数量信息，方便用户提早预知。由于用户偏好菜品可能有好多款，所以当用户偏好菜品所需的食材数量不足以支撑制作所有用户偏好菜品时，则需要基于食材数量对用户偏好菜品进行筛选推荐。由于菜品使用的食材可能相同，所以对所有用户偏好菜品进行食材重合分析，并结合剩余食材数量，优先推荐评分高的菜品，而对因食材数量不足而无法制作的菜品定义为售罄菜品。当剩余食材不足以制作任意一款用户偏好菜品，则向用户推荐菜品评分不合格的菜品。

另外需要说明的是，由于用户的个人身体健康存在差异，某些菜品不适合患有疾病的用户品尝，所以在用户下单前收集用户的当前健康状态，并将用户当前健康状态和用户推荐门店的所有菜品的基本信息导入卷积神经网络模型中进行预测处理，得到菜品-健康预测数据，所述菜品-健康预测数据为当前健康状态的用户在食用一项菜品后可能出现的健康问题。将所述菜品-健康预测数据以文本信息和可视化图像的方式推送给用户，能够方便用户了解在使用后可能会出现的情况，防止纠纷的出现，并保证了人身安全。将所述菜品-健康预测数据与用户推荐门店的所有菜品进行结合，能够得到用户合适菜品与用户禁忌菜品，所述用户合适菜品为当前用户的健康状态下适合品尝的菜品，所述用户禁忌菜品为当前用户的健康状态下不适合品尝的菜品。本发明能够通过对菜品食材进行数量分析，实时更新菜品的数量，并基于用户健康状态，获取用户合适菜品和用户禁忌菜品。

进一步的，本发明的一个较佳实施例中，所述实时更新优化点单网页，获取优先推送菜品，具体为：

获取在用户推荐门店内就餐的所有用户的消费记录，根据所述消费记录，对用户推荐门店的菜品进行点菜频率统计，得到统计值；

构建时间序列，将所述统计值和时间序列结合，得到基于时间序列的统计值；

对所述基于时间序列的统计值导入所述点单网页中，所述点单网页接收后实时更新优化；

在实时更新优化后的点单网页中，基于所述基于时间序列的统计值，在不同时间段内对点菜频率进行排序，得到点菜频率排序表，对所述点菜频率排序表进行分析，获取点菜频率大于预设值的菜品信息；

将所述点菜频率大于预设值的菜品与用户偏好菜品进行相似度比较，获取相似度大于预设阈值的菜品，定义为优先推送菜品，所述点单网页在菜品推荐页面优先展示所述优先推送菜品。

需要说明的是，由于一家用户推荐门店有多个用户来消费，用户下单频率最高的菜品为用户推荐门店销量最高也是最受欢迎的菜品。所以获取用户推荐门店内就餐的用户的消费记录，基于消费记录可以获取同一家用户推荐门店的各种菜品的点菜频率，并对用户推荐门店的菜品进行点菜频率统计，得到统计值。在不同时间段内，用户偏好菜品可能不同，例如在早餐时间和晚饭时间用户偏好的菜品可能不一样，所以构建时间序列并获取基于时间序列的统计值，所述基于时间序列的统计值反映了不同时间段内用户推荐门店不同菜品的点菜频率。将所述基于时间序列的统计值导入点单网页中，所述点单网页对基于时间序列的统计值进行分析，获取不同时间段的点菜频率并进行排序，得到点菜频率大于预设值的菜品，所述点菜频率大于预设值的菜品为用户推荐门店下单量大的菜品，将所述点菜频率大于预设值的菜品与用户偏好菜品进行相似度比较目的是分析点菜频率大于预设值的菜品中是否为目标用户的偏好菜品的一种，若是，则将对应的菜品定义为优先推送菜品，所述优先推送菜品为用户点开点单网页后看到的第一个菜品。本发明能够通过对多个用户的消费记录进行分析，并统计用户的对不同菜品的下单频率，得到优先推送菜品。

此外，所述基于用户特征的餐饮内容个性化展示方法，还包括以下步骤：

获取初步决策树模型中每个叶子节点中的样本数据，并引入奇异值分解算法，通过奇异值分解算法对所述叶子节点中的样本数据进行分解，获取按列组成的特征向量，并构建新的坐标系；

将所述按列组成的特征向量依次数据到新的坐标系中，并引入余弦度量算法，选取出现频率最高的一个向量作为初始向量，通过余弦度度量算法计算初始向量与其他特征向量之间的余弦值数据信息，设置相关的余弦阈值；

判断所述余弦值数据信息是否大于所述相关的余弦阈值，若所述余弦值数据信息大于所述相关的余弦阈值，将所述余弦值数据信息大于所述相关的余弦阈值对应的特征向量作为离群向量，并获取离群向量所在的叶子节点；

基于遗传算法设置迭代数量，根据所述迭代数据对所述离群向量所在的叶子节点进行迭代分裂，当时不存在特征向量的余弦值数据信息大于所述相关的余弦阈值时，分裂结束，输出叶子节点。

需要说明的是，由于决策树算法中容易出现局部最优解的现象，通过引入奇异值分解算法能够降低样本数据的计算复杂度，而在特征向量的空间中引入了余弦度量算法来计算样本数据的重合程度，当所述余弦值数据信息大于所述相关的余弦阈值时，说明叶子节点中的样本数据存在异常的子节点，通过本方法能够进一步优化决策树算法，提高分类的精确性。

此外，所述基于用户特征的餐饮内容个性化展示方法，还包括以下步骤：

获取所述点单网页中所有客户的历史点单信息，构建数据库，将所有客户的历史点单信息导入数据库储存，并获取所有用户的餐品偏好程度，将所有用户的餐饮偏好程度也倒入数据库进行储存；

对数据库中所有客户的历史点单信息进行菜品统计，构建菜品订单排序表，获取菜品所需的食材数量，将所述菜品订单排序表和菜品所需的食材数量导入卷积神经网络模型中进行菜品订单预测，得到菜品订单预测数据，基于所述菜品订单预测数据对菜品所需食材采购量进行更新；

对数据库中所有用户的餐饮偏好程度进行分析，计算不同用户间餐饮偏好程度的相似度，并将用户之间的餐饮偏好程度的相似度大于预设值的用户归为同一偏好类别；

对同一偏好类别用户进行用户偏好菜品重合度分析，若重合度大于预设值，则将同一偏好类别用户的用户偏好菜品进行结合处理，当用户推荐门店中存在新用户，分析新用户的餐饮偏好程度并将新用户归类，并对新用户中推送重合的用户偏好菜品；

获取并分析用户偏好菜品的重合度，提取不重合的用户偏好菜品，获取用户在点单网页的下单次数，若用户在点单网页的下单次数超过预设值，则向用户推送不重合的用户偏好菜品。

需要说明的是，点单网页中储存了所有客户的历史点单信息，为防止食材缺乏的情况，需要获取用户推荐门店的菜品订单量和所有菜品所需的食材数量，并获取菜品订单预测数据。需要基于当前菜品的下单量，获取未来用户推荐门店的菜品的下单量，所以获取菜品订单预测数据。基于所述菜品订单预测数据可以对菜品所需食材的采购量进行更新。

另外需要说明的是，不同用户间的餐饮偏好程度可能相同，计算不同用户间餐饮偏好程度的相似度，并将相似度大于预设值的用户分为同一偏好类别用户。获取同一偏好类别用户各自的用户偏好菜品，不同用户的用户偏好菜品可能相同。当用户推荐门店存在新用户时，获取新用户的餐饮偏好程度并自动归类，并相信用户推荐同一偏好类别中重合的用户偏好菜品。当用户经常点同样的菜品，会产生吃腻的情况，所以获取用户下单次数，当用户下单次数大于预设值，则向用户推送同一偏好类别中的不重合的用户偏好菜品。本发明能够基于菜品下单量实时调控菜品食材采购量，保证了菜品能够保持供应；同时能够向新用户推荐同一偏好类别的菜品，并且对菜品的推送进行实时更新。

如图3所示，本发明第二方面还提供了基于用户特征的餐饮内容个性化展示系统，所述展示系统包括存储器与处理器，所述存储器中储存有基于用户特征的餐饮内容个性化展示方法，所述基于用户特征的餐饮内容个性化展示方法被所述处理器执行时，实现如下步骤：

收集用户基本信息，用于获取用户的浏览信息，并使用支持向量机将浏览信息分为浏览下单信息和浏览无下单信息；

基于随机森林算法，构建用户特征模型，并基于所述用户特征模型预测用户的餐饮偏好程度；

对用户的餐饮偏好程度进行分析，得到用户偏好菜品、用户合适菜品和用户禁忌菜品；

获取其他用户的餐饮消费记录，通过所述其他用户的餐饮消费记录在点单网页中优化用户偏好菜品的推荐规则。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。