餐厅需求的预测方法及其系统与流程

1.本发明涉及计算机技术领域，尤其涉及一种餐厅需求的预测方法及其系统。


背景技术：

2.传统来说，食材供应商被动接受订单或通过逐个访问企业端客户的方法来推荐他们的商品，以此实现更多的销售额。随着大数据时代的来临，食材供应商通过公海数据，挖掘企业端客户的信息，得到该b端客户售卖菜品的菜系和受欢迎程度，估算出该b端客户所需食材的种类和使用量，从而方便业务员上门进行精准推销。其中，b端客户特指bu store周边有食材需求的企业客户，这些单位有两个特点，一是购买量大，二是购买力持久且稳定。例如，餐厅是一类典型的b端客户。bu store特指使用本产品的门店，如超市，销售中心等，可引申至任何面向客户提供和销售食材、调味品等b2b业务的销售单位。
3.现有技术主要通过人工搜索公海数据的方式获取区域内企业端客户的基本信息，包括评论及评论数，评分，推荐菜及其点赞次数等，并依靠人工经验分析数据后预测b端客户的食材需求，但是现有技术无法通过海量数据获取精确的潜在客户基本信息。


技术实现要素：

4.本发明的主要目的在于提供一种餐厅需求的预测方法及其系统，以解决现有技术的无法精确获取潜在客户基本信息的问题。
5.根据本发明的一个方面提出一种餐厅需求的预测方法，其包括：获取预定区域内的餐厅的信息，其中所述餐厅的信息至少包括：餐厅类型、推荐菜菜单信息、推荐菜品信息、推荐菜品销量信息；根据所述餐厅的推荐菜菜单信息中的菜品名称获取推荐菜品所对应的食材种类以及每种食材的相对使用量信息；根据所述推荐菜品销量信息和每种食材的相对使用量信息，得到所述餐厅的推荐菜品中每种食材的相对占比数据；确定与所述餐厅相同类型的多个餐厅，其中所述多个餐厅包括已知至少一种推荐菜品的食材实际需求数据的第一批餐厅以及未知推荐菜品的食材实际需求数据的第二批餐厅；根据所述第一批餐厅的已知推荐菜品的食材实际需求数据和该食材的网络评论数据，预测所述第二批餐厅的推荐菜品中的食材的预测需求数据；根据每种食材的相对占比信息、以及第二批餐厅的推荐菜品中该食材的预测需求数据，预测所述第二批餐厅的推荐菜品的食材预测需求数据；根据所述第二批餐厅的推荐菜品的食材种类和食材预测需求数据查找与所述第二批餐厅相同类型的餐厅。
6.其中，所述方法还包括：根据所述餐厅的推荐菜品信息确定所述餐厅的菜系类型；根据所述第二批餐厅的推荐菜品的菜系类型、食材种类和食材预测需求数据查找与所述第二批餐厅类似的餐厅。
7.其中，所述方法还包括：根据所述第二批餐厅的餐厅信息、推荐菜品、食材种类构建知识图谱，通过所述知识图谱获取与所述第二批餐厅相同类型的餐厅的食材预测需求数据。
8.其中，所述方法还包括：根据所述第二批餐厅的菜系、菜品和食材之间的相互关系，基于文本相似度和文本聚类技术构造交叉的树型特征，从而计算出所述客户和潜在b端客户的近似度；所述基于图论的节点嵌入算法将所述b端客户及其菜系、菜品和食材作为节点，构建知识图谱，利用节点嵌入算法，将所述b端客户表达为向量，从而计算出所述b端客户和潜在b端客户的近似度。
9.其中，所述方法还包括：获取所述第二批餐厅的食材实际需求数据，根据所述第二批餐厅的食材实际需求数据校正所述第二批餐厅的推荐菜品的食材预测需求数据。
10.根据本发明的另一个方面还提供一种餐厅需求的预测系统，其包括：餐厅信息获取模块，用于获取预定区域内的餐厅的信息，其中所述餐厅的信息至少包括：餐厅类型、推荐菜菜单信息、推荐菜品信息、推荐菜品销量信息；食材占比确定模块，用于根据所述餐厅的推荐菜菜单信息中的菜品名称获取推荐菜品所对应的食材种类以及每种食材的相对使用量信息；根据所述推荐菜品销量信息和每种食材的相对使用量信息，得到所述餐厅的推荐菜品中每种食材的相对占比数据；第一食材预测需求数据预测模块，用于确定与所述餐厅相同类型的多个餐厅，其中所述多个餐厅包括已知至少一种推荐菜品的食材实际需求数据的第一批餐厅以及未知推荐菜品的食材实际需求数据的第二批餐厅；根据所述第一批餐厅的已知推荐菜品的食材实际需求数据和该食材的网络评论数据，预测所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据；第二食材预测需求数据预测模块，用于根据所述餐厅的推荐菜品中每种食材的相对占比数据、以及所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据，预测所述第二批餐厅的推荐菜品中的其他食材的预测需求数据；查找模块，用于根据所述第二批餐厅的推荐菜品的食材种类和食材预测需求数据查找与所述第二批餐厅相同类型的餐厅。
11.其中，所述查找模块还用于：根据所述餐厅的推荐菜品信息确定所述餐厅的菜系类型；根据所述第二批餐厅的推荐菜品的菜系类型、食材种类和食材预测需求数据查找与所述第二批餐厅类似的餐厅。
12.其中，所述系统还包括：第三食材预测需求数据预测模块，用于根据所述第二批餐厅的餐厅信息、推荐菜品、食材种类构建知识图谱，通过所述知识图谱获取与所述第二批餐厅相同类型的餐厅的食材预测需求数据。
13.其中，所述第三食材预测需求数据预测模块还用于：根据所述第二批餐厅的菜系、菜品和食材之间的相互关系，基于文本相似度和文本聚类技术构造交叉的树型特征，从而计算出所述客户和潜在b端客户的近似度；所述基于图论的节点嵌入算法将所述b端客户及其菜系、菜品和食材作为节点，构建知识图谱，利用节点嵌入算法，将所述b端客户表达为向量，从而计算出所述b端客户和潜在b端客户的近似度。
14.其中，所述第二食材预测需求数据预测模块还用于：获取所述第二批餐厅的食材实际需求数据，根据所述第二批餐厅的食材实际需求数据校正所述第二批餐厅的推荐菜品的食材预测需求数据。
15.通过本技术的上述实施例，通过技术方法获取并分析bu store周边店铺的公海数据，构建ai模型，挖掘这些信息背后潜在b端客户的需求。同时，利用通过调研或实际交易获得的真实数据，拟合和迭代需求模型，更加准确的解析出这些客户的食材需求。最后，结合该门店已有b端客户的基本信息和预测的食材需求信息，安排业务员上门精准推销，实现快
速拓展区域内b端客户的目标。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例的餐厅需求的预测方法的流程图；
18.图2是根据本发明实施例的餐厅信息链接的示意图；
19.图3a和图3b是根据本发明实施例的关系图谱构建示意图；
20.图4是根据本发明实施例的根据菜单信息进行食材解析的示意图；
21.图5是根据本发明实施例的使用lsh算法实现搜索的示意图；
22.图6a和图6b是根据本发明实施例的使用相似度算法进行菜品搜索的方法示意图；
23.图7是根据本发明实施例提供的用ner技术识别评论结果的示意图；
24.图8是根据本发明实施例提供的店铺相似度的示意图；
25.图9根据本发明实施例的餐厅需求的预测系统的结构框图。
具体实施方式
26.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.以下结合附图，详细说明本发明各实施例提供的技术方案。
28.图1是根据本发明实施例的餐厅需求的预测方法的流程图，如图1所示，该方法包括以下步骤：
29.步骤s102，获取预定区域内的餐厅的信息，其中所述餐厅的信息至少包括：餐厅类型、推荐菜菜单信息、推荐菜品信息、推荐菜品销量信息。
30.在本技术实施例中，可采用多平台多渠道的方式获取一个预定区域内的一个或多个企业端客户(b端客户)的信息，其中，b端客户是指bu(business unit)store周边有食材需求的企业客户，这些单位有两个特点，一是购买量大，二是购买力持久且稳定。bu store可包括超市和销售中心等，可引申至任何面向客户提供和销售食材、调味品等b2b业务的销售单位。其中，餐厅是一类典型的b端客户。
31.在本技术实施例中，以餐厅为例，可通过知识图谱中的实体链接技术将不同平台和不同渠道的同一餐厅链接起来，建立健全餐厅的各种信息，例如餐厅的信息可以包括但不限于：名称、地址、电话、菜系(类型)、评分、评论和推荐菜、菜单(菜谱)等信息。其中知识图谱(knowledge graph)是一种使用图结构的数据模型或拓扑结构来整合数据的知识库。在实际应用中，可通过如公开数据(例如消费点评网站、外卖网站等)获取得到餐厅的推荐菜的相关信息。图2所示，通过平台a、平台b和平台c获取一个区域内的餐厅a的信息，并通过知识图谱中的实体链接技术将平台a、平台b和平台c中的同一餐厅a链接起来，将餐厅a的信息进行数据汇总，使得数据质量高且被充分利用。
32.步骤s104，根据所述餐厅的推荐菜菜单信息中的菜品名称获取推荐菜品所对应的
食材种类以及每种食材的相对使用量信息，根据所述推荐菜品销量信息和每种食材的使用量信息，得到所述餐厅的推荐菜品中每种食材的相对占比数据。
33.首先，通过公海数据挖掘、数据处理以及人工维护等方式建立推荐菜品的菜品名称与该菜品所使用的食材之间的关联关系，例如建立餐厅a的推荐菜品名称与所使用的食材之间的关系图谱。其中，公海数据是指来自公共平台、相关网站等的公开数据，例如消费点评网站、外卖网站等。如图3a和图3b所示，餐厅a的推荐菜品名称“特色凉皮”对应的(所需的)食材种类包括“胡萝卜”、“面”、“黄瓜/青瓜”、“豆芽/芽菜”；餐厅a的推荐菜品名称“鱼香肉丝”对应的食材种类包括“胡萝卜”、“瘦肉”、“菌菇类”和“其他主食”。此外，在推荐菜品名称与该菜品所使用的食材之间的关联关系中，不仅包括食材种类还包括了食材的使用量或相对使用量信息。
34.然后，根据获取的餐厅a的推荐菜单信息可以获知餐厅a所售卖的每一道推荐菜品的菜品名称，根据推荐菜品名称在推荐菜品名称与食材之间的关联关系中查找该推荐菜品对应的食材种类以及食材的使用量信息，这样就可以获取到该餐厅a的推荐菜品所需的每一种食材的使用量信息。其中可通过公海数据、外部食谱网站或其他方式获取到餐厅a的菜单信息。
35.对于餐厅a的推荐菜品菜单信息中的每一道菜，可通过菜名匹配搜索其在食谱中使用的食材。具体地，参考图4，从食谱网站获取到食谱数据，对于所述企业端客户菜单中的每一道菜，使用lsh(locality-sensitive hashing，局部敏感哈希)算法实现搜索，召回多个相似的菜品。如图5所示，“食谱”数据中有鱼香肉丝、宫保鸡丁和回锅肉，选择鱼香肉丝菜名时，通过lsh(locality-sensitive hashing，局部敏感哈希)算法实现搜索，得到相似的菜品有“鱼香肉丝饭”、“香干肉丝”和“鱼香茄子”。
36.接着对所述菜品的名称按照食材进行分词处理，并进行停用词的移除。然后使用相似度算法对食材进行加权，按照食材对菜品的区分程度，给分词不同的权重，搜索出在食材结构上与目标菜品最相似的菜品。优选地，所述相似度算法为余弦相似度算法(weighted cosine similarity)。
37.参考图6a，首先对清炖老鸭汤夏天必备进行分词，得到清炖、汤、夏天、必备，然后进行停用词的移除，得到清炖、老鸭、鸭汤，使用相似度算法对食材进行加权，给分词不同的权重，搜索出在食材结构上与目标菜品最相似的菜品，例如，板栗烧鸭、清炖羊肉汤、老鸭汤和剁椒鱼头等。
38.标注相似度，将所述相似度作为特征训练模型，得到置信水平，以衡量搜索结果的准确度。本实施例中，通过人工标注是否相似，将相似度作为特征训练模型，从而得到confidence level(置信水平)，即搜索结果的准确度的衡量标准。置信水平可以自动定位匹配不准确的数据，较低的置信水平还能警示业务员，提醒他们适当人工校正以提升准确率。
39.对于一道菜品不止有一种做法的情况，考虑顾客在不同餐厅就餐完发表关于这道菜的评论，因而使用餐厅的评论数据，用ner(named-entity recognition，命名实体识别)技术识别评论中的菜品和食材，从而找到某个餐厅中某个售卖菜品的具体做法，对评论数据做ner后的结果如图7所示。其中，后缀为-dis的英文标注表示对应位置的中文是评论针对的售卖菜品，后缀为-ing的英文标注表示对应位置的中文是评论中指出的该菜品所用的
食材。优选地，所述ner技术采用的算法为用于nlp(natural language processing，自然语言处理)预训练的基于转换器的机器学习算法，所述机器学习算法的模型为bert(使用transformer的双向编码器表示)。
40.步骤s106，确定与所述餐厅相同类型的多个餐厅，其中所述多个餐厅包括已知至少一种推荐菜品的食材实际需求数据的第一批餐厅以及未知推荐菜品的食材实际需求数据的第二批餐厅。
41.根据餐厅类型确定与餐厅a的类型相同的多个餐厅，在这些与餐厅a相同类型的餐厅中，包括已知一种或多种推荐菜品的食材实际需求的餐厅(第一批餐厅)，以及未知任一种推荐菜品的食材实际需求的餐厅(第二批餐厅)。
42.根据本技术实施例，可通过不同公海平台、实际交易订单等网络评论数据获取餐厅的至少一种推荐菜品的食材实际需求数据，在其他实施例中，还可以通过线上或线下的用户调研数据等渠道获取餐厅的至少一种推荐菜品的食材实际需求数据，本技术对此不进行限制。
43.步骤s108，根据所述第一批餐厅的已知推荐菜品的食材实际需求数据和该食材的网络评论数据，预测所述第二批餐厅的推荐菜品中至少一种食材的预测需求数据。
44.根据本技术实施例，在第二批餐厅中，选出具有代表性的cbid(candidate benchmark for ingredients demand，食材需求候选基准)。选择cbid基准的特征是同一类型的餐厅中对某一种或多种食材的相对需求最高，或者某一种或多种食材的cbid的特征是在同一类型的餐厅中该食材的实际需求高于其他食材的实际需求的平均水平。接着，根据cbid采用以下两种算法计算餐厅食材的实际需求。
45.(一)对于每一种食材，将餐厅按照cbid食材的实际需求降序排序，按照顺序选择其中最大的k个餐厅并根据公式1和公式2预测其食材需求，在本技术中本算法可称为max-k sampling for cbid算法。
[0046][0047]
p
m',j'
＝r
mcj
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0048]
其中，使用相似性算法将餐厅划分为n组相似餐厅。在每个组内：
[0049]am,j
表示餐厅j中食材m的实际需求量；
[0050]cj
表示餐厅j的评论数；
[0051]
从高到低排列a
m,j
，a
m,j(i)
表示最高实际需求的第i个餐厅的实际需求量；wi表示i的权重，排序越靠前，权重越高。
[0052]rm
表示食材m的实际需求与评论数之比；
[0053]
p
m',j'
表示餐厅j'中食材m'的预测潜在需求。
[0054]
(二)根据公式3、4和5预测餐厅的食材需求。在本算法中只挑选需求相对较高且稳定的餐厅作为cbid，因此本算法可称为average pooling for cbid算法。
[0055]
[0056][0057]
p
m',j'
＝r
mcj
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0058]
使用相似算法将店铺划分为n组相似餐厅。在每个组中的餐厅的类型相同，并且：
[0059]
o表示旧客户餐厅的数量；
[0060]am,j
表示餐厅j对食材m的实际需求量；
[0061]cj
表示餐厅j的评论数；
[0062]
avgm表示食材m的平均实际需求量；
[0063]rm
表示食材m的实际需求与评论数量的比率；
[0064]
p
m,j
表示旧客户餐厅j中对食材m的预测潜在需求。
[0065]
通过上述二个算法可计算得到一家或多家餐厅对于一种食材，或者一家或多家餐厅对于多种食材的实际需求。除此之外，还可以使用gbdt算法作为预测食材预测需求数据的替代算法。gbdt是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。gbdt算法将有真实数据餐厅的食材需求或购买信息作为输入特征，训练一个预测食材需求种类和数量的模型。其中有真实数据餐厅的数据越多，该预测模型的准确率越高。
[0066]
步骤s110，根据每种食材的相对占比数据、以及所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据，预测所述第二批餐厅的推荐菜品中的其他食材的预测需求数据。
[0067]
在本技术中，由于相同类型的餐厅的食材占比信息相同或基本相同，因此使用步骤s104中得到的所述餐厅的推荐菜品中每种食材的相对占比数据，作为第二批餐厅的推荐菜品的每种食材的相对占比信息。结合步骤s108中预测得到的第二批餐厅的推荐菜品中的至少一种食材的预测需求数据，预测第二批餐厅的推荐菜品中的其他食材的预测需求信息。这样，就得到了第二批餐厅的推荐菜品中的每种食材的预测需求信息。
[0068]
步骤s112，根据所述第二批餐厅的推荐菜品的食材种类和食材预测需求数据查找与所述第二批餐厅相同类型的餐厅。
[0069]
参考图8，在本技术实施例中，以店铺、推荐菜、食材作为实体，店铺、推荐菜以及食材的分类和量的信息作为属性，构建知识图谱，从而可以利用图知识库实现搜索、查询、推理。
[0070]
用相似度算法寻找与该b端客户相似的所有客户，实现裂变式拓展。当店铺a成为某bu store的b端客户后，该bu store通过店铺相似度算法计算出和店铺a最相似的店铺，再通过知识图谱获得这些相似店铺的食材需求，经业务员推销后拓展为该bu store的新b端客户。
[0071]
具体地，店铺相似度的计算涉及两种主要算法：
[0072]
1、tree features based on text(基于文本的树型特征)：
[0073]
考虑餐厅(restuarant)的菜系(cusine)、菜品推荐菜(recommend dishes)、食材(ingredients)之间的相互连接的关系，基于文本相似度和文本聚类技术，构造交叉的树型特征，从而计算餐厅与餐厅之间的相似度。
[0074]
2、node embedding based on graph(基于图论的节点嵌入)：
[0075]
将餐厅(restuarant)、餐厅的菜系(cusine)、菜品(recommend dishes)、食材(ingredients)作为节点，构建知识图谱，利用node embedding(节点嵌入)算法，将餐厅表达为向量，从而计算餐厅与餐厅之间的相似度。
[0076]
通过匹配bustore的优势产品与b端客户的需求，知识图谱能够以食材为入口快速找到需要该食材的所有店铺，因此b端客户可以从需求匹配的角度，找到需求与其优势产品最符合的b端客户，以此达到快速拓展用户的目的。
[0077]
参考图9，根据本发明实施例还提供一种餐厅需求的预测系统，其包括：
[0078]
餐厅信息获取模块91，用于获取预定区域内的餐厅的信息，其中所述餐厅的信息至少包括：餐厅类型、推荐菜菜单信息、推荐菜品信息、推荐菜品销量信息；
[0079]
食材占比确定模块92，用于根据所述餐厅的推荐菜菜单信息中的菜品名称获取推荐菜品所对应的食材种类以及每种食材的相对使用量信息；根据所述推荐菜品销量信息和每种食材的相对使用量信息，得到所述餐厅的推荐菜品中每种食材的相对占比数据；
[0080]
第一食材预测需求数据预测模块93，用于确定与所述餐厅相同类型的多个餐厅，其中所述多个餐厅包括已知至少一种推荐菜品的食材实际需求数据的第一批餐厅以及未知推荐菜品的食材实际需求数据的第二批餐厅；根据所述第一批餐厅的已知推荐菜品的食材实际需求数据和该食材的网络评论数据，预测所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据；
[0081]
第二食材预测需求数据预测模块94，用于根据所述餐厅的推荐菜品中每种食材的相对占比数据、以及所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据，预测所述第二批餐厅的推荐菜品中的其他食材的预测需求数据；
[0082]
查找模块95，用于根据所述第二批餐厅的推荐菜品的食材种类和食材预测需求数据查找与所述第二批餐厅相同类型的餐厅。
[0083]
进一步地，所述查找模块95还用于：
[0084]
根据所述餐厅的推荐菜品信息确定所述餐厅的菜系类型；
[0085]
根据所述第二批餐厅的推荐菜品的菜系类型、食材种类和食材预测需求数据查找与所述第二批餐厅类似的餐厅。
[0086]
进一步地，所述预测系统还包括：
[0087]
第三食材预测需求数据预测模块(未示出)，用于根据所述第二批餐厅的餐厅信息、推荐菜品、食材种类构建知识图谱，通过所述知识图谱获取与所述第二批餐厅相同类型的餐厅的食材预测需求数据。
[0088]
进一步地，所述第三食材预测需求数据预测模块，还用于：
[0089]
根据所述第二批餐厅的菜系、菜品和食材之间的相互关系，基于文本相似度和文本聚类技术构造交叉的树型特征，从而计算出所述客户和潜在b端客户的近似度；
[0090]
所述基于图论的节点嵌入算法将所述b端客户及其菜系、菜品和食材作为节点，构建知识图谱，利用节点嵌入算法，将所述b端客户表达为向量，从而计算出所述b端客户和潜在b端客户的近似度。
[0091]
进一步地，所述第二食材预测需求数据预测模块94还用于：获取所述第二批餐厅的食材实际需求数据，根据所述第二批餐厅的食材实际需求数据校正所述第二批餐厅的推荐菜品的食材预测需求数据。
[0092]
本发明的方法的操作步骤与系统的结构特征对应，可以相互参照，不再一一赘述。
[0093]
综上所述，本发明实施例首先采用多平台多渠道方式获取区域内企业端客户的餐厅信息，并将不同平台和不同渠道的同一餐厅链接起来，补全餐厅信息，数据质量高且被充分利用；然后通过所述推荐菜解析餐厅需要的食材并构建关系图谱，再获取所述企业端客户在公海数据中的菜单信息，解析所述菜单信息中的每一道菜所使用的食材，从而准确解析出餐厅需要的食材；接着采用需求预估算法对所述企业端客户的食材需求种类和食材使用量进行预测，得到预测食材的需求数量；最后利用真实数据校正所述企业端客户的食材需求种类和食材使用量的预测值，拟合和迭代需求模型，从而能够自迭代的提高食材需求预估算法准确率，真实数据越多，准确率越高。
[0094]
尽管已经参考本技术的特定实施例详细地描述本公开，但是本领域技术人员将理解，在不脱离实施例的精神和范围的情况下可以在其中进行各种改变和修改。因此，本技术旨在覆盖本技术的修改和变化，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求以及其等效物的范围之内。
[0095]
此外，在以上描述或权利要求书或附图中公开、以其特定形式或根据用于执行所公开功能的方式或用于获得所公开结果的方法或过程表达的特征视情况可以单独地或以这些特征的任何组合来用于以它们的不同形式实现本技术。具体来说，本技术所描述的任一个实施例的一个或多个特征可以与本技术所描述的任何其它实施例的一个或多个特征组合。
[0096]
还可以为结合本技术引用和/或通过引用合并的任何一个或多个公开文件中公开的任何特征寻求保护。

技术特征：
1.一种餐厅需求的预测方法，其特征在于，包括：获取预定区域内的餐厅的信息，其中所述餐厅的信息至少包括：餐厅类型、推荐菜菜单信息、推荐菜品信息、推荐菜品销量信息；根据所述餐厅的推荐菜菜单信息中的菜品名称获取推荐菜品所对应的食材种类以及每种食材的相对使用量信息；根据所述推荐菜品销量信息和每种食材的相对使用量信息，得到所述餐厅的推荐菜品中每种食材的相对占比数据；确定与所述餐厅相同类型的多个餐厅，其中所述多个餐厅包括已知至少一种推荐菜品的食材实际需求数据的第一批餐厅以及未知推荐菜品的食材实际需求数据的第二批餐厅；根据所述第一批餐厅的已知推荐菜品的食材实际需求数据和该食材的网络评论数据，预测所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据；根据所述餐厅的推荐菜品中每种食材的相对占比数据、以及所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据，预测所述第二批餐厅的推荐菜品中的其他食材的预测需求数据；根据所述第二批餐厅的推荐菜品的食材种类和食材预测需求数据查找与所述第二批餐厅相同类型的餐厅。2.根据权利要求1所述的方法，其特征在于，还包括：根据所述餐厅的推荐菜品信息确定所述餐厅的菜系类型；根据所述第二批餐厅的推荐菜品的菜系类型、食材种类和食材预测需求数据查找与所述第二批餐厅类似的餐厅。3.根据权利要求2所述的方法，其特征在于，还包括：根据所述第二批餐厅的餐厅信息、推荐菜品、食材种类构建知识图谱，通过所述知识图谱获取与所述第二批餐厅相同类型的餐厅的食材预测需求数据。4.根据权利要求3所述的方法，其特征在于，还包括：根据所述第二批餐厅的菜系、菜品和食材之间的相互关系，基于文本相似度和文本聚类技术构造交叉的树型特征，从而计算出所述客户和潜在b端客户的近似度；所述基于图论的节点嵌入算法将所述b端客户及其菜系、菜品和食材作为节点，构建知识图谱，利用节点嵌入算法，将所述b端客户表达为向量，从而计算出所述b端客户和潜在b端客户的近似度。5.根据权利要求1所述的方法，其特征在于，还包括：获取所述第二批餐厅的食材实际需求数据，根据所述第二批餐厅的食材实际需求数据校正所述第二批餐厅的推荐菜品的食材预测需求数据。6.一种餐厅需求的预测系统，其特征在于，包括：餐厅信息获取模块，用于获取预定区域内的餐厅的信息，其中所述餐厅的信息至少包括：餐厅类型、推荐菜菜单信息、推荐菜品信息、推荐菜品销量信息；食材占比确定模块，用于根据所述餐厅的推荐菜菜单信息中的菜品名称获取推荐菜品所对应的食材种类以及每种食材的相对使用量信息；根据所述推荐菜品销量信息和每种食材的相对使用量信息，得到所述餐厅的推荐菜品中每种食材的相对占比数据；第一食材预测需求数据预测模块，用于确定与所述餐厅相同类型的多个餐厅，其中所述多个餐厅包括已知至少一种推荐菜品的食材实际需求数据的第一批餐厅以及未知推荐
菜品的食材实际需求数据的第二批餐厅；根据所述第一批餐厅的已知推荐菜品的食材实际需求数据和该食材的网络评论数据，预测所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据；第二食材预测需求数据预测模块，用于根据所述餐厅的推荐菜品中每种食材的相对占比数据、以及所述第二批餐厅的推荐菜品中的至少一种食材的预测需求数据，预测所述第二批餐厅的推荐菜品中的其他食材的预测需求数据；查找模块，用于根据所述第二批餐厅的推荐菜品的食材种类和食材预测需求数据查找与所述第二批餐厅相同类型的餐厅。7.根据权利要求6所述的系统，其特征在于，所述查找模块还用于：根据所述餐厅的推荐菜品信息确定所述餐厅的菜系类型；根据所述第二批餐厅的推荐菜品的菜系类型、食材种类和食材预测需求数据查找与所述第二批餐厅类似的餐厅。8.根据权利要求7所述的系统，其特征在于，还包括：第三食材预测需求数据预测模块，用于根据所述第二批餐厅的餐厅信息、推荐菜品、食材种类构建知识图谱，通过所述知识图谱获取与所述第二批餐厅相同类型的餐厅的食材预测需求数据。9.根据权利要求8所述的系统，其特征在于，所述第三食材预测需求数据预测模块，还用于：根据所述第二批餐厅的菜系、菜品和食材之间的相互关系，基于文本相似度和文本聚类技术构造交叉的树型特征，从而计算出所述客户和潜在b端客户的近似度；所述基于图论的节点嵌入算法将所述b端客户及其菜系、菜品和食材作为节点，构建知识图谱，利用节点嵌入算法，将所述b端客户表达为向量，从而计算出所述b端客户和潜在b端客户的近似度。10.根据权利要求6所述的系统，其特征在于，所述第二食材预测需求数据预测模块还用于：获取所述第二批餐厅的食材实际需求数据，根据所述第二批餐厅的食材实际需求数据校正所述第二批餐厅的推荐菜品的食材预测需求数据。

技术总结
本发明公开一种餐厅需求的预测方法及其系统，该方法包括：根据餐厅的推荐菜菜单信息中的菜品名称获取推荐菜品的食材种类以及每种食材的相对使用量；根据推荐菜品销量和每种食材的相对使用量，得到餐厅的推荐菜品中每种食材的相对占比数据；确定与餐厅相同类型的多个餐厅，根据第一批餐厅的已知推荐菜品的食材实际需求数据和该食材的网络评论数据，预测第二批餐厅的推荐菜品中的食材的预测需求数据；根据每种食材的相对占比、以及第二批餐厅的推荐菜品中该食材的预测需求数据，预测第二批餐厅的推荐菜品的食材预测需求数据；根据第二批餐厅的推荐菜品的食材种类和食材预测需求数据查找与第二批餐厅相同类型的餐厅。通过本申请能够快速拓展区域内B端客户。请能够快速拓展区域内B端客户。请能够快速拓展区域内B端客户。


技术研发人员：张辰 凌澎 陆恒 冯正全 申大峰
受保护的技术使用者：上海正圆计算机科技有限公司
技术研发日：2023.05.18
技术公布日：2023/8/23