阅读说明：本技术 一种食谱推荐方法、装置、烹饪电器和计算机存储介质 (Recipe recommendation method and device, cooking appliance and computer storage medium ) 是由 黄源甲 龙永文 周宗旭 肖群虎 于 2018-06-19 设计创作，主要内容包括：本发明实施例公开了一种食谱推荐方法、装置、烹饪电器和计算机存储介质,该方法包括：获取N个用户的历史操作行为数据；根据所述N个用户的历史操作行为数据,得出所述N个用户对食谱的评分数据；采用ALS矩阵分解推荐模型,对所述N个用户对食谱的评分数据进行训练,得出推荐模型；采集任意一个用户对至少一个食谱的实时操作行为；根据所述实时操作行为以及所述推荐模型,得出食谱推荐结果。如此,能够提高食谱推荐的实时性和准确性。(The embodiment of the invention discloses a recipe recommendation method, a device, a cooking appliance and a computer storage medium, wherein the method comprises the following steps: acquiring historical operation behavior data of N users; obtaining score data of the N users for recipes according to the historical operation behavior data of the N users; adopting an ALS matrix decomposition recommendation model to train score data of the recipes of the N users to obtain a recommendation model; collecting real-time operation behaviors of any user on at least one recipe; and obtaining a recipe recommendation result according to the real-time operation behavior and the recommendation model. Therefore, the real-time performance and accuracy of recipe recommendation can be improved.)

一种食谱推荐方法、装置、烹饪电器和计算机存储介质

技术领域

本发明涉及数据挖掘技术，涉及一种食谱推荐方法、装置、烹饪电器和计算机存储介质。

背景技术

目前，随着经济的迅速发展，人们的生活水平不断提高，对饮食健康问题越来越重视，然而大多数人在家庭就餐或者外出就餐时，面对大量的美食，并不清楚哪种适合自己。现有技术中可以根据用户的身体状况及日常饮食习惯进行食谱推荐，但是用户不能在烹饪时实时获取食谱。

发明内容

为解决上述技术问题，本发明实施例期望提供一种食谱推荐方法、装置、烹饪电器和计算机存储介质，旨在解决用户不能在烹饪时实时获取食谱的问题。

本发明实施例提供了一种食谱推荐方法，所述方法包括：

获取N个用户的历史操作行为数据，其中，每个用户的历史操作行为数据用于表示：每个用户针对至少一个食谱的操作行为的历史数据；N为大于1的自然数；

根据所述N个用户的历史操作行为数据，得出所述N个用户对食谱的评分数据；

采用交替最小二乘法(Alternating Least Squares，ALS)矩阵分解推荐模型，对所述N个用户对食谱的评分数据进行训练，得出推荐模型；

采集任意一个用户对至少一个食谱的实时操作行为；根据所述实时操作行为以及所述推荐模型，得出食谱推荐结果。

上述方案中，所述根据所述N个用户的历史操作行为数据，得出所述N个用户对食谱的评分数据，包括：根据所述N个用户的预先确定的属性，将所述N个用户划分为多组用户；根据各组用户的历史操作行为数据，得出各组用户对食谱的评分数据；

所述对所述N个用户对食谱的评分数据进行训练，得出推荐模型，包括：分别对各组用户对食谱的评分数据进行训练，得出各组用户对应的推荐子模型；将所述各组用户对应的推荐子模型进行合并，得到推荐模型；

所述根据所述实时操作行为以及所述推荐模型，得出食谱推荐结果，包括：根据所述任意一个用户的预先确定的属性，确定所述任意一个用户所属的用户组；根据所述实时操作行为以及所确定的用户组对应的推荐子模型，得出食谱推荐结果。

上述方案中，所述预先确定的属性包括以下之一：年龄、性别、职业、活跃度。

上述方案中，所述根据所述N个用户的历史操作行为数据，得出所述N个用户对食谱的评分数据，包括：

对于针对食谱的每种操作行为，设置权重；

根据所设置的权重，对所述N个用户的历史操作行为数据进行加权求和运算，得出所述N个用户对食谱的评分数据。

上述方案中，所述N个用户的历史操作行为数据包括：利用烹饪电器采集的历史操作行为数据、利用终端的应用程序采集的历史操作行为数据。

上述方案中，所述N个用户的历史操作行为数据对应的操作时间均在设定时间点以后，所述设定时间点与当前时刻的时间间隔小于设定阈值。

上述方案中，所述根据所述N个用户的历史操作行为数据，得出所述N个用户对食谱的评分数据，包括：

根据所述N个用户的历史操作行为数据，并采用离线计算方式，得出所述N个用户对食谱的评分数据；

所述对所述N个用户对食谱的评分数据进行训练，得出推荐模型，包括：

采用离线计算方式对所述N个用户对食谱的评分数据进行训练，得出推荐模型。

上述方案中，所述方法还包括：采集任意一个用户对至少一个食谱的实时操作行为后，所述任意一个用户不属于所述N个用户时，采用默认的食谱推荐算法，得出针对所述任意一个用户的推荐结果。

本发明实施例还提供了一种食谱推荐装置，所述装置包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，

所述处理器用于运行所述计算机程序时，执行上述任意一种食谱推荐方法的步骤。

本发明实施例还提供了一种烹饪电器，所述烹饪电器包括上述任意一种食谱推荐装置。

本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种食谱推荐方法的步骤。

本发明实施例中，首先，获取N个用户的历史操作行为数据，其中，每个用户的历史操作行为数据用于表示：每个用户针对至少一个食谱的操作行为的历史数据；N为大于1的自然数；然后，根据所述N个用户的历史操作行为数据，得出所述N个用户对食谱的评分数据；采用交替最小二乘法ALS矩阵分解推荐模型，对所述N个用户对食谱的评分数据进行训练，得出推荐模型；最后，采集任意一个用户对至少一个食谱的实时操作行为；根据所述实时操作行为以及所述推荐模型，得出食谱推荐结果。如此，由于食谱推荐结果是根据实时操作行为得出的，使得食谱推荐具有实时性，另外，在进行食谱推荐时还需要考虑用户的历史操作行为数据，进而使食谱推荐具有准确性高的特点。

附图说明

图1为本发明实施例的食谱推荐装置的一个示意图；

图2为本发明实施例的食谱推荐方法的流程图一；

图3为本发明实施例的食谱推荐方法的流程图二；

图4为本发明实施例的食谱推荐装置的另一个示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明实施例中，可以利用食谱推荐装置实现食谱推荐，可选的，食谱推荐装置可以是烹饪电器或烹饪电器的一部分；示例性地，烹饪电器包括但不限于压力锅、电饭煲、豆浆机、面包机等。

图1为本发明实施例的食谱推荐装置的一个示意图，如图1所示，这里，上述记载的食谱推荐装置10可以包括数据采集模块101。

数据采集模块101，用于进行用户操作行为的数据采集，示例性地，数据采集模块采集的用户操作行为表示用户针对至少一个食谱的操作行为的历史数据，例如，用户针对至少一个食谱的操作行为可以包括以下至少一项：浏览、收藏、点赞、取消收藏、评论、搜索。在具体实现时，数据采集模块101可以是内嵌在烹饪电器中的数据采集装置。

可选的，食谱推荐装置10还可以包括数据缓存模块102；数据缓存模块102可以缓存数据采集模块101采集的数据；在具体实施时，数据缓存模块102可以是内嵌在烹饪电器中的存储器。

可选的，食谱推荐装置10还可以包括通讯模块103；通讯模块103用于实现食谱推荐装置10与外部设备的通信及数据交互；示例性地，通讯模块103可以使食谱推荐装置10连接至互联网，进而使食谱推荐装置10能与服务器进行数据交互；在实际实施时，通讯模块103可以利用天线、基带芯片等器件实现。

可选的，食谱推荐装置10还可以包括显示模块104；显示模块104用于显示所推荐的食谱；可选的，显示模块104还可以当前推荐的食谱进行正负反馈；在实际实施时，显示模块104可以利用显示面板等实现。

基于上述记载的食谱推荐装置，提出以下各实施例。

实施例一

本发明实施例一提供了一种食谱推荐方法，图2为本发明实施例的食谱推荐方法的流程图一，如图2所示，该流程可以包括：

步骤201：获取N个用户的历史操作行为数据，其中，每个用户的历史操作行为数据用于表示：每个用户针对至少一个食谱的操作行为的历史数据；N为大于1的自然数；

这里，用于针对食谱的操作行为可以包括以下至少一项：浏览、收藏、点赞、取消收藏、评论、搜索。

可选的，上述记载的N个用户的历史操作行为数据包括：利用烹饪电器采集的历史操作行为数据、利用应用程序采集的历史操作行为数据；示例性地，该应用程序可以是控制烹饪电器的终端的应用程序，上述记载的终端可以是手机等移动终端，也可以是计算机等固定终端，在上述记载的终端为手机时，上述记载的应用程序可以是手机上运行的应用程序(Application，APP)。

如此，通过同时采集利用烹饪电器采集的历史操作行为数据以及利用应用程序采集的历史操作行为数据，可以使历史操作行为数据更全面地反映用户行为，进而可以基于该历史操作行为数据更好地分析用户喜好。

可选的，在实际实施时，可以由上述记载的数据采集模块采集N个用户的历史操作行为数据，并将N个用户的历史操作行为数据存储在上述记载的数据缓存模块中，之后，可以从数据缓存模块中获取N个用户的历史操作行为数据。

步骤202：根据所述N个用户的历史操作行为数据，得出所述N个用户对食谱的评分数据。

可选的，本步骤可以通过预先设置的食谱评分模型实现，在一个食谱评分模型的示例中，食谱评分模型由历史操作行为数据和权重计算过程组成，也就是说，对于针对食谱的每种操作行为，设置权重；根据所设置的权重，对所述N个用户的历史操作行为数据进行加权求和运算，得出所述N个用户对食谱的评分数据。

下面通过表1示例性地说明食谱评分模型。

名称	说明
		B<sub>1</sub>	浏览次数
B<sub>2</sub>	收藏次数
		B<sub>3</sub>	取消收藏次数
B<sub>4</sub>	点赞次数
		B<sub>5</sub>	搜索次数
B<sub>6</sub>	评论次数
		W<sub>1</sub>	浏览权重
W<sub>2</sub>	收藏权重
		W<sub>3</sub>	取消收藏权重
W<sub>4</sub>	点赞权重
		W<sub>5</sub>	搜索权重
W<sub>6</sub>	评论权重
		S	评分

表1

表1中，S表示一个用户对一个食谱的评分，具体的评分公式可以表示为：

需要说明的是，上述记载的评分公式只是食谱评分模型的一个示例，本发明实施例并不局限于上述记载的评分公式，例如，可以针对上述记载的评分公式进行灵活扩展，可以增加针对食谱的更多操作行为来计算评分。

在实际应用中，在得出所述N个用户对食谱的评分数据后，还可以将所述N个用户对食谱的评分数据以矩阵进行表示。

步骤203：采用ALS矩阵分解推荐模型，对所述N个用户对食谱的评分数据进行训练，得出推荐模型；

ALS矩阵分解推荐模型采用基于模型的推荐算法，其基本思想是对稀疏矩阵进行模型分解，评估出缺失项的值，以此来得到一个基本的训练模型。然后依照此模型可以模拟用户对食谱进行评估打分，将得分值由高到低的食谱推荐给用户。

在得到以矩阵表示的所述N个用户对食谱的评分数据后，可以采用ALS矩阵分解推荐模型，对以矩阵表示的所述N个用户对食谱的评分数据进行训练，得出推荐模型。

下面从几方面对ALS矩阵分解推荐模型进行说明。

1.输入

示例性地，ALS矩阵分解推荐模型的输入数据包括用户ID、食谱ID、用户对食谱的评分数据等。

2.输出

示例性地，ALS矩阵分解推荐模型的输出数据包括用户ID、食谱ID、用户对食谱的喜好度等。

3.数学原理

在实际应用场景中，并不是每个用户对每个食谱都进行评分，在此基础上，假设ALS矩阵是低秩的，即ALS矩阵是一个大小为m*n的低秩矩阵，是由大小为m*k的矩阵和大小为k*n的矩阵相乘得到的，其中k表示ALS矩阵分解推荐模型的潜在因素个数，k<<m,n。

ALS矩阵可以通过以下公式进行表示：

A_m*n＝U_m*k*P_k*n

其中，A_m*n表示以矩阵表示的所述N个用户对食谱的评分数据，其大小为m*n，U_m*k表示大小为m*k的矩阵，P_k*n表示大小为k*n的矩阵；

对于ALS矩阵分解推荐模型而言，一个目标是通过机器学习求出U_m*k和P_k*n，假设U_a表示矩阵U_m*k的任一列，P_b表示矩阵P_k*n的任一列，则U_a ^TP_b表示一个用户对一种食谱的评分；在实际实施时，可以使用Frobenius范数来量化重构矩阵U_m*k和矩阵P_k*n产生的误差。由于矩阵中很多地方都是空白的，即用户没有对食谱进行评分，对于这种情况我们就不用计算未知元了，只计算观察到的(用户，食谱)集合R。这样就将协同推荐问题转换成了一个优化问题。目标函数中矩阵U_m*k和矩阵P_k*n相互耦合，这就需要使用交替二乘算法。即先假设矩阵U_m*k的初始值U(0)，这样就将问题转化成了一个最小二乘问题，可以根据U(0)可以计算出矩阵P_k*n的初始值P(0)，再根据P(0)计算出矩阵U_m*k的第一次迭代值U(1)，这样迭代下去，直到迭代了一定的次数，或者收敛为止。

4.参数

1)潜在因素个数k

这里，k表示矩阵U_m*k(“用户-特征”矩阵)的列数和矩阵P_k*n(“食谱-特征”矩阵)的行数；一般来说，k也是矩阵的阶

2)迭代次数

在利用交替二乘算法计算矩阵U_m*k和矩阵P_k*n时，迭代次数越多，花费的时间越长，但矩阵分解的结果可能会精确；在实际实施时，迭代次数可以预先设置。

3)过拟合参数

ALS矩阵分解推荐模型使用的过拟合参数越大，则越不容易产生过拟合，但值太大会降低矩阵分解的准确度。

4)观察与为观察的交互权重比

即控制矩阵分解时，被观察到的“用户–食谱”交互相对没被观察到的交互的权重。

5.效果评估

对于ALS矩阵分解推荐模型的效果评估，在实际应用中，可以采用均方误差来对推荐结果进行评估，均方误差的值越小表示越准确。可以根据这个值来对以上参数进行调整。

可选的，上述记载的N个用户的历史操作行为数据对应的操作时间均在设定时间点以后，所述设定时间点与当前时刻的时间间隔小于设定阈值；例如，用户的历史操作行为数据包括用户对食谱的评论操作，则该评论操作的时间在设定时间点以后；在一个示例中，当前时刻为下午3点，设定阈值为5小时，则N个用户的历史操作行为数据对应的操作时间需要在今天上午10点至下午3点之间。

也就是说，可以预先设置时间窗口，该时间窗口对应的时间段表示距离当前时刻最近的一段时间；如此，可以获取时间窗口对应的N个用户的历史操作行为数据，进而，可以实现对某些时间较为久远的历史操作行为数据的遗忘，确保仅使用最近一段时间的历史操作行为数据，这样可以保证历史操作行为数据的实时性和准确性，进而确保所得出的推荐模型的实时性和准确性。

步骤204：采集任意一个用户对至少一个食谱的实时操作行为；根据所述实时操作行为以及所述推荐模型，得出食谱推荐结果。

可选的，对于得出上述记载的N个用户对食谱的评分数据的实现方式，可以根据N个用户的历史操作行为数据，并采用离线计算方式，得出所述N个用户对食谱的评分数据。

相应地，对于得出推荐模型的实现方式，可以采用ALS矩阵分解推荐模型，采用离线计算方式对所述N个用户对食谱的评分数据进行训练，得出推荐模型

也就是说，可以采用离线计算方式得出N个用户对食谱的评分数据以及推荐模型，并采用实时训练方式得出食谱推荐结果，如此，通过本发明实施例实现了离线计算和实时计算相结合的实现方式；由于历史操作行为数据的数据量较大，在计算评分数据和推荐模型时耗时较长，采用离线计算的方式提前训练，可以节省当前的计算资源；经过离线计算方式训练好的模型结合实时数据进行二次训练，可以使食谱推荐结果更精确，同时可以使食谱推荐结果具有实时性。

在实际应用中，离线计算框架可以采用spark+hive框架，如此可以轻松处理PB级别的数据量，并且支持动态扩容；实时计算框架可以采用storm框架，处理速度在秒级，可以实现在用户烹饪时快速推荐食谱。

可选的，针对所述N个用户的历史操作行为数据，还可以进行数据分类，即，根据不同的用户群体对数据进行了划分，并在划分数据集上进行计算。

也就是说，在步骤202的一种实现方式中，可以根据上述记载的N个用户的预先确定的属性，将N个用户划分为多组用户；根据各组用户的历史操作行为数据，得出各组用户对食谱的评分数据。

可选的，所述预先确定的属性包括以下之一：年龄、性别、职业、活跃度。

可以理解的是，由于不同群体内的用户行为模式可能不同，在经过划分的数据集上进行计算，可以得到更准确的用户行为模式。

相应地，对于得出推荐模型的一种实现方式，可以采用ALS矩阵分解推荐模型，分别对各组用户对食谱的评分数据进行训练，得出各组用户对应的推荐子模型；将所述各组用户对应的推荐子模型进行合并，得到推荐模型；

对于得出食谱推荐结果的一种实现方式，可以根据所述任意一个用户的预先确定的属性，确定所述任意一个用户所属的用户组；根据所述实时操作行为以及所确定的用户组对应的推荐子模型，得出食谱推荐结果。

可以理解的是，ALS矩阵分解算法的基础上，对用户及行为数据采用更细致的分组，然后对各分组用户分别采用ALS算法进行模型训练，使得食谱推荐结果更精确。

需要说明的是，在对于实时操作行为而言，某些用户的行为并没有被记录在历史操作行为数据中，这样存在冷启动问题(即不能采用ALS矩阵分解推荐模型得出食谱推荐结果)；针对该问题，在一个可选的实施例中，在采集任意一个用户对至少一个食谱的实时操作行为后，如果上述记载的任意一个用户不属于所述N个用户时，可以采用默认的食谱推荐算法，得出针对所述任意一个用户的推荐结果；也就是说，可以采用默认的食谱推荐算法对用户进行首次食谱推荐。

在实际实施时，默认的食谱推荐算法可以是热点食谱推荐算法等。

步骤201至步骤204均可以由食谱推荐装置中的处理器实现。

进一步地，在得出食谱推荐结果后，可以通过显示器等显示食谱推荐结果。

本发明实施例中，可以基于大数据分析框架进行食谱推荐，进一步地，还可以对烹饪过程进行分析评分，让用户对烹饪过程有比较直观的了解，并给出一种改进烹饪技术的方法，生成烹饪结果报告。

实施例二

为了能够更加体现本发明的目的，在本发明实施例一的基础上，进行进一步的举例说明。

图3为本发明实施例的食谱推荐方法的流程图二，如图3所示，该流程可以包括：

步骤301：获取用户的历史操作行为数据以及用户属性特征。

这里，用户属性特征表示上述记载的预先确定的属性。

步骤302：数据分类。

也就是说，根据用户属性特征，上述记载的N个用户的预先确定的属性，针对所述N个用户的历史操作行为数据，进行数据分类。

步骤303：生成用户特征向量、食谱特征向量，并设置权重。

这里，在经过数据分类后，可以针对每组用户，生成对应的用户特征向量；示例性地，每个用户特征向量中的每个元素表示对应的一组用户中的一个用户。

食谱特征向量中的每个元素表示一种食谱。

这里，设置权重的方式已经在实施例一中作出说明，这里不再赘述。

步骤304：计算评分。

也就是说，计算用户对食谱的评分数据。

步骤305：生成训练数据。

在实际应用中，可以将上述评分数据转换为训练数据格式。

步骤306：离线训练ALS推荐模型

在得出分组后的数据后，分别通过离线计算方式，并采用ALS矩阵分解推荐模型，对分组数据进行训练，得出各组用户对应的推荐子模型；将所述各组用户对应的推荐子模型进行合并，得到推荐模型。

步骤307：数据采集

也就是说，采集任意一个用户对至少一个食谱的实时操作行为。

步骤308：生成用户实时行为数据

对采集的数据进行格式转换，得到用户实时行为数据。

步骤309：实时训练

根据离线训练得到的推荐模型以及用户实时行为数据进行实时训练，得出食谱推荐结果。

本步骤的实现方式已经在实施例一的步骤204中作出说明，这里不再赘述。

步骤310：食谱推荐结果入库。

本步骤中，可以将得出的食谱推荐结果存入数据库中。

步骤311：结果过滤。

在得出食谱推荐结果后，还可以按照预设的过滤方法对食谱推荐结果进行过滤。

步骤312：形成推荐。

可以将过滤后的食谱推荐结果推荐给用户，示例性地，过滤后的食谱推荐结果可以展示在显示面板或APP上。

实施例三

在前述实施例提出的食谱推荐方法的基础上，本发明实施例三提供了一种食谱推荐装置。

图4为本发明实施例的食谱推荐装置的组成结构示意图，如图4所示，该装置40包括处理器401和用于存储能够在处理器上运行的计算机程序的存储器402；其中，

所述处理器用于运行所述计算机程序时，执行以下步骤：

获取N个用户的历史操作行为数据，其中，每个用户的历史操作行为数据用于表示：每个用户针对至少一个食谱的操作行为的历史数据；N为大于1的自然数；

根据所述N个用户的历史操作行为数据，得出所述N个用户对食谱的评分数据；

采用ALS矩阵分解推荐模型，对所述N个用户对食谱的评分数据进行训练，得出推荐模型；

采集任意一个用户对至少一个食谱的实时操作行为；根据所述实时操作行为以及所述推荐模型，得出食谱推荐结果。

在实际应用中，上述存储器402可以是易失性存储器(volatile memory)，例如随机存取存储器(RAM，Random-Access Memory)；或者非易失性存储器(non-volatilememory)，例如只读存储器(ROM，Read-Only Memory)，快闪存储器(flash memory)，硬盘(HDD，Hard Disk Drive)或固态硬盘(SSD，Solid-State Drive)；或者上述种类的存储器的组合，并向处理器401提供指令和数据。

上述处理器401可以为特定用途集成电路(ASIC，Application SpecificIntegrated Circuit)、数字信号处理器(DSP，Digital Signal Processor)、数字信号处理装置(DSPD，Digital Signal Processing Device)、可编程逻辑装置(PLD，ProgrammableLogic Device)、现场可编程门阵列(FPGA，Field Programmable Gate Array)、中央处理器(CPU，Central Processing Unit)、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述第二处理器功能的电子器件还可以为其它，本发明实施例不作具体限定。

示例性地，所述处理器401具体用于运行所述计算机程序时，执行以下步骤：

根据所述N个用户的预先确定的属性，将所述N个用户划分为多组用户；根据各组用户的历史操作行为数据，得出各组用户对食谱的评分数据；

分别对各组用户对食谱的评分数据进行训练，得出各组用户对应的推荐子模型；将所述各组用户对应的推荐子模型进行合并，得到推荐模型；

根据所述任意一个用户的预先确定的属性，确定所述任意一个用户所属的用户组；根据所述实时操作行为以及所确定的用户组对应的推荐子模型，得出食谱推荐结果。

示例性地，所述预先确定的属性包括以下之一：年龄、性别、职业、活跃度。

示例性地，所述处理器401具体用于运行所述计算机程序时，执行以下步骤：

对于针对食谱的每种操作行为，设置权重；

根据所设置的权重，对所述N个用户的历史操作行为数据进行加权求和运算，得出所述N个用户对食谱的评分数据。

示例性地，所述N个用户的历史操作行为数据包括：利用烹饪电器采集的历史操作行为数据、利用终端的应用程序采集的历史操作行为数据。

示例性地，所述N个用户的历史操作行为数据对应的操作时间均在设定时间点以后，所述设定时间点与当前时刻的时间间隔小于设定阈值。

示例性地，所述处理器401具体用于运行所述计算机程序时，执行以下步骤：

根据所述N个用户的历史操作行为数据，并采用离线计算方式，得出所述N个用户对食谱的评分数据；

采用离线计算方式对所述N个用户对食谱的评分数据进行训练，得出推荐模型。

示例性地，示例性地，所述处理器401还用于运行所述计算机程序时，执行以下步骤：

采集任意一个用户对至少一个食谱的实时操作行为后，所述任意一个用户不属于所述N个用户时，采用默认的食谱推荐算法，得出针对所述任意一个用户的推荐结果。

实施例四

本发明实施例四提供了一种烹饪电器，该烹饪电器包括实施例三中的任意一种食谱推荐装置。

实施例五

基于与前述实施例相同的技术构思，本发明实施例五提供了一种计算机可读介质；前述实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

具体来讲，本实施例中的一种食谱推荐方法对应的计算机程序指令可以被存储在光盘，硬盘，U盘等存储介质上，当存储介质中的与一种食谱推荐方法对应的计算机程序指令被一电子设备读取或被执行时，导致所述至少一个处理器执行本发明前述实施例的任意一种食谱推荐方法所述的步骤。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。