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例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

实施例一

图1是本发明实施例一提供的基于智能手环的食谱推荐方法的流程图。

在本实施例中，所述基于智能手环的食谱推荐方法可以应用于电子设备中，对于需要进行基于智能手环的食谱推荐的电子设备，可以直接在电子设备上集成本发明的方法所提供的基于智能手环的食谱推荐的功能，或者以软件开发工具包(SoftwareDevelopment Kit，SDK)的形式运行在电子设备中。

如图1所示，所述基于智能手环的食谱推荐方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，解析接收的食谱推荐请求，获取目标客户的基本信息、智能手环标识码和当前时间信息。

本实施例中，客户需要食谱推荐时，通过客户端发起食谱推荐请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他智能设备，所述服务端可以为食谱推荐子系统，在食谱推荐过程中，如所述客户端可以向食谱推荐子系统发送食谱推荐请求，所述食谱推荐子系统用于接收所述客户端发送的食谱推荐请求。

本实施例中，所述智能手环标识码用以唯一识别所述目标客户的可穿戴设备的身份。

S12，采集所述智能手环标识码对应的智能手环中的多个指标的第一数据，及从所述智能手环的历史记录中获取多个指标的第二数据。

本实施例中，所述智能手环中主要内置有加速度传感器，陀螺仪，光电传感器等，所述智能手环可以实时采集所述目标客户的多个指标的数据值，具体的，所述指标可以包括：睡眠指标、基础能耗指标、运动能耗指标、运动指标等。

在一个可选的实时例中，所述从所述智能手环的历史记录中获取多个指标的第二数据包括：

获取每个指标的指标属性，根据每个指标的指标属性从预设的指标库中确定出对应指标的预设时间段阈值；

从所述智能手环的历史记录中获取每个指标对应的预设时间段阈值内的第二数据。

本实施例中，所述指标属性用以表征每个指标对推荐食谱的权重影响，根据每个指标对推荐食谱的权重影响，确定获取每个指标的第二数据的预设时间段阈值，例如，针对运动指标，由于运动对食谱推荐的权重影响较大，确定对应的预设时间段阈值较长，一般为1个月，获取一个月的运动指标对应的数据作为运动指标的第二数据。

本实施例中，通过对不同的指标设置不同的预设时间段阈值，确保获取的多个指标的第二数据的合理性。

S13，对所述多个指标的第一数据进行分析，确定所述目标客户的第一分析结果，及对所述多个指标的第二数据进行分析，确定所述目标客户的第二分析结果。

本实施例中，所述第一分析结果中包含有所述目标客户的多个指标的当前指标分值，所述第二分析结果中包含有所述目标客户的多个指标的历史指标分值。

在一个可选的实施例中，所述对所述多个指标的第一数据进行分析，确定所述目标客户的第一分析结果包括：

对所述多个指标的第一数据进行归类，得到每个指标的第一子数据；

对每个指标的第一子数据进行趋势分析，得到第三分析结果；

从所述预设的函数库中确定出与所述第三分析结果匹配的目标评分函数；

解析所述每个指标的第一子数据，确定出所述目标评分函数的多个运算参数值，将所述多个运算参数值代入所述目标评分函数进行计算，得到每个指标的第一评分，并将所述每个指标的第一评分确定为所述目标客户的第一分析结果。

本实施例中，不同的指标对应不同的评分规则，根据不同的评分规则分析每个指标的第一子数据可以确定不同指标的总体趋势，总体趋势不同，对应的预设的评分函数也不同。

示例性地，针对运动指标，设定评分规则，根据评分规则对每个指标的第一子数据进行趋势分析，得到第三分析结果，具体地，设定运动过程中共存在3个运动时间临界点：x₁，x₂，x₃，其中，x₁代表最低运动步数，x₂代表合理运动步数，x₃代表最高运动步数，所述评分规则为：若x＜x₁，则运动步数未达到最低标准，运动基本无效，运动评分接近0分；若x₁≤x＜x₂，随着运动步数的增加运动评分不断增加；x₂≤x＜x₃，随着运动步数的增加运动评分增速放缓；x₃≤x，运动步数的增加对评分不再造成过大影响，运动评分接近于100分。

若目标客户的运动步数x＝20000步，满足x₁≤x＜x₂，则第三分析结果为：随着运动步数的增加运动评分不断增加，根据所述第三分析结果从预设的函数库中匹配出目标评分函数为：sigmoid函数为：其中，根据运动指标的第一子数据中的步频，极速快走时间6小时，x₁＝3300，x₃＝57600，x₂＝30450，计算得到运动指标的第一评分为：76分，将76分作为运动指标的第一分析结果。

在一个可选的实施例中，所述对所述多个指标的第二数据进行分析，确定所述目标客户的第二分析结果包括：

对所述多个指标的第二数据进行归类，得到每个指标的第二子数据；

按照预设周期对每个指标的第二数据进行划分，得到多个第三子数据；

对每个第三子数据进行趋势分析，得到每个第三子数据的第四分析结果；

从预设的函数库中确定出与每个第三子数据的第四分析结果匹配的目标评分函数；

解析每个第三子数据，确定出对应目标评分函数的多个运算参数值，将所述多个运算参数值代入对应目标评分函数进行计算，得到每个第三子数据的第二评分；

识别每个第三子数据的第二评分是否满足对应指标的评分阈值范围；

当每个第三子数据的第二评分满足对应指标的评分阈值范围时，保留对应第三子数据的第二评分，并对保留的多个第三子数据的第二评分求平均值，得到每个指标的第三评分，将多个指标的第三评分确定为所述目标客户的第二分析结果。

进一步地，所述方法还包括：

当每个第三子数据的第二评分不满足对应指标的评分阈值范围时，删除对应第三子数据的第二评分，并对剩余满足对应指标的评分阈值范围的第三子数据的第二评分求平均值，得到每个指标的第三评分，将多个指标的第三评分确定为所述目标客户的第二分析结果。

本实施例中，可以预先设置划分周期，具体地，若获取了一个月的运动指标对应的第二数据，可以预先设置预设划分周期为按照每天对所述第二数据进行划分，得到对应指标的每天的第三子数据，计算每天的第三子数据的第二评分。

本实施例中，通过预先为每个指标设置一个评分阈值范围，判断计算得到的第二评分是否在所述评分阈值范围内，根据判断结果删除偏差较大的第二评分后，对剩余的第二评分求平均值得到所述目标客户的第二分析结果，提高了第二分析结果的准确率。

S14，根据所述目标客户的第一分析结果和所述目标客户的第二分析结果，确定所述目标客户的多个标签。

本实施例中，标签是根据多个指标的分析结果确定的。

在一个可选的实施例中，所述根据所述目标客户的第一分析结果和所述目标客户的第二分析结果，确定所述目标客户的多个标签包括：

计算所述第一分析结果中的每个指标的第一评分与所述第二分析结果中对应指标的第三评分的平均值，得到每个指标的第四评分；

计算每个指标的第四评分与对应指标的预设的权重值的乘积，得到每个指标的目标评分；

从预设的标签库中确定出与所述多个指标的目标评分相匹配的多个标签，并将所述多个标签确定为所述目标客户的多个标签。

本实施例中，可以预先为每个指标设置权重值，通过计算所述第一分析结果中的每个指标的第一评分与所述第二分析结果中对应指标的第三评分的平均值，得到每个指标的第四评分，本实施例通过将根据当前数据计算的每个指标的第一评分和根据历史数据计算的第三评分求平均值，从目标客户的当前身体状态和历史身体状态两个方面进行考量，得到食谱推荐的目标评分，提高了目标评分的准确率，进而提高了后续食谱推荐的准确率。

S15，根据所述目标客户的多个标签构建所述目标客户的客户画像，及根据所述目标客户的基本信息确定所述目标客户的偏好标签。

本实施例中，所述目标客户的多个标签可以包括：久坐、晨练、晚睡、早起等，根据所述目标客户的多个标签，可以构建所述目标客户的客户画像。

本实施例中，所述基本信息包括所述目标客户的年龄、性别、身高、体重、饮食习惯、消费记录等其他基本信息，可以根据所述目标客户的基本信息，确定出所述目标客户的偏好标签。

在一个可选的实施例中，所述根据所述目标客户的多个标签构建所述目标客户的客户画像包括：

将所述多个标签输入至预先训练好的食谱推荐评分模型进行识别，得到每个标签的推荐评分；

将所述多个标签及每个标签对应的推荐评分进行合并，得到所述目标客户的客户画像。

本实施例中，针对不同的标签，设置不同的推荐评分，可以预先训练食谱推荐评分模型。

具体地，所述食谱推荐评分模型的训练过程包括：

获取多个历史标签及每个历史标签的推荐评分，形成数据集；

将所述数据集随机分为第一数量的训练集和第二数量的测试集；

将所述训练集输入至预设卷积神经网络中进行训练，得到食谱推荐评分模型；

将所述测试集输入至所述食谱推荐评分模型中进行测试，得到测试通过率；

判断所述测试通过率是否大于预设通过率阈值；

当所述测试通过率大于或者等于所述预设通过率阈值时，结束所述食谱推荐评分模型的训练；或者，当所述测试通过率小于所述预设通过率阈值时，增加所述训练集的数量，重新进行食谱推荐评分模型的训练。

在一个可选的实施例中，所述根据所述目标客户的基本信息确定所述目标客户的偏好标签包括：

从所述目标客户的基本信息中提取多维度的目标特征，将所述多维度的目标特征按照预设的归类模型进行归类，得到所述目标客户的偏好标签。

本实施例中，所述目标特征是指所述基本信息中的所述目标客户的年龄、性别、身高、体重、饮食习惯及消费记录等，将所述多个目标特征按照聚类算法进行归类得到所述目标客户的偏好标签，具体地，所述偏好标签可以包括：偏爱酸、偏爱甜和习惯吃早餐等。

示例性的，针对目标客户的消费记录，可以确定目标客户是偏爱酸还是偏爱甜，若所述目标客户的消费记录中大部分都是甜食，确定所述目标客户偏爱甜，若所述目标客户的每天早餐都有早餐消费记录，确定所述目标客户习惯吃早餐。

S16，从预设的食谱数据库中根据所述目标客户的客户画像、偏好标签及当前时间信息，确定出至少一种目标推荐食谱。

本实施例中，所述当前时间信息包括食谱推荐的季节、推荐食谱类型，具体地，所述推荐食谱类型包括：早餐食谱、中餐食谱、晚餐食谱及宵夜食谱。

在一个可选的实施例中，所述从预设的食谱数据库中根据所述目标客户的客户画像、偏好标签及当前时间信息，确定出至少一种目标推荐食谱包括：

将所述当前时间信息按照预设的转换规则转换为食谱推荐标签；

从预设的食谱数据库中匹配出与所述食谱推荐标签对应的多个第一推荐食谱；

计算所述目标客户的客户画像与每个第一推荐食谱之间的相似度，从计算得到的相似度中选取相似度较大的多个第一推荐食谱作为多个第二推荐食谱；

从所述第二推荐食谱中匹配出与所述偏好标签对应的至少一种目标推荐食谱。

本实施例中，可以预先设置转换规则，具体地，所述预设的转换规则根据时间信息进行设置，例如，当前时间信息为：“1998年8月5日上午6点”，则按照预设的转换规则将所述当前时间信息转换为食谱推荐标签：夏季、早餐。

本实施例中，由于季节和就餐时间对身体的影响较大，可以从预设的食谱数据库中匹配出与所述食谱推荐标签对应的多个第一推荐食谱，然后，通过计算所述目标客户的客户画像与每个第一食谱之间的相似度，具体地，所述相似度可以采用余弦相似度算法，最后根据目标客户的偏好标签从多个第二推荐食谱中确定出至少一种目标推荐食谱。

本实施例中，通过从当前时间信息、目标客户的当前身体状态、历史身体状态、饮食偏好等多个维度进行考虑，确定出至少一种目标推荐食谱，提高了食谱推荐的推荐准确率及合理性，同时从目标客户的饮食偏好的维度考虑，提高了目标客户的满意度。

综上所述，本实施例所述的基于智能手环的食谱推荐方法，一方面，从预设的食谱数据库中根据所述目标客户的客户画像、偏好标签及当前时间信息，确定出至少一种目标推荐食谱，通过从当前时间信息、目标客户的当前身体状态、历史身体状态、饮食偏好等多个维度进行考虑，确定出至少一种目标推荐食谱，提高了食谱推荐的推荐准确率及合理性，同时从目标客户的饮食偏好的维度考虑，提高了目标客户的满意度；另一方面，根据所述目标客户的第一分析结果和所述目标客户的第二分析结果，确定所述目标客户的多个标签，通过将根据当前数据计算的每个指标的第一评分和根据历史数据计算的第三评分求平均值，从目标客户的当前身体状态和历史身体状态两个方面进行考量，得到食谱推荐的目标评分，提高了目标评分的准确率，进而提高了后续食谱推荐的准确率；最后，通过预先为每个指标设置一个评分阈值范围，判断计算得到的第二评分是否在所述评分阈值范围内，根据判断结果删除偏差较大的第二评分后，对剩余的第二评分求平均值得到所述目标客户的第二分析结果，提高了第二分析结果的准确率。

实施例二

图2是本发明实施例二提供的基于智能手环的食谱推荐装置的结构图。

在一些实施例中，所述基于智能手环的食谱推荐装置20可以包括多个由程序代码段所组成的功能模块。所述基于智能手环的食谱推荐装置20中的各个程序段的程序代码可以存储于电子设备的存储器中，并由所述至少一个处理器所执行，以执行(详见图1描述)基于智能手环的食谱推荐的功能。

本实施例中，所述基于智能手环的食谱推荐装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块201、采集模块202、分析模块203、第一确定模块204、构建模块205及第二确定模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

获取模块201，用于解析接收的食谱推荐请求，获取目标客户的基本信息、智能手环标识码和当前时间信息。

本实施例中，客户需要食谱推荐时，通过客户端发起食谱推荐请求至服务端，具体地，所述客户端可以是智能手机、IPAD或者其他智能设备，所述服务端可以为食谱推荐子系统，在食谱推荐过程中，如所述客户端可以向食谱推荐子系统发送食谱推荐请求，所述食谱推荐子系统用于接收所述客户端发送的食谱推荐请求。

本实施例中，所述智能手环标识码用以唯一识别所述目标客户的可穿戴设备的身份。

采集模块202，用于采集所述智能手环标识码对应的智能手环中的多个指标的第一数据，及从所述智能手环的历史记录中获取多个指标的第二数据。

本实施例中，所述智能手环中主要内置有加速度传感器，陀螺仪，光电传感器等，所述智能手环可以实时采集所述目标客户的多个指标的数据值，具体的，所述指标可以包括：睡眠指标、基础能耗指标、运动能耗指标、运动指标等。

在一个可选的实时例中，所述采集模块202从所述智能手环的历史记录中获取多个指标的第二数据包括：

获取每个指标的指标属性，根据每个指标的指标属性从预设的指标库中确定出对应指标的预设时间段阈值；

从所述智能手环的历史记录中获取每个指标对应的预设时间段阈值内的第二数据。

本实施例中，所述指标属性用以表征每个指标对推荐食谱的权重影响，根据每个指标对推荐食谱的权重影响，确定获取每个指标的第二数据的预设时间段阈值，例如，针对运动指标，由于运动对食谱推荐的权重影响较大，确定对应的预设时间段阈值较长，一般为1个月，获取一个月的运动指标对应的数据作为运动指标的第二数据。

本实施例中，通过对不同的指标设置不同的预设时间段阈值，确保获取的多个指标的第二数据的合理性。

分析模块203，用于对所述多个指标的第一数据进行分析，确定所述目标客户的第一分析结果，及对所述多个指标的第二数据进行分析，确定所述目标客户的第二分析结果。

本实施例中，所述第一分析结果中包含有所述目标客户的多个指标的当前指标分值，所述第二分析结果中包含有所述目标客户的多个指标的历史指标分值。

在一个可选的实施例中，所述分析模块203对所述多个指标的第一数据进行分析，确定所述目标客户的第一分析结果包括：

对所述多个指标的第一数据进行归类，得到每个指标的第一子数据；

对每个指标的第一子数据进行趋势分析，得到第三分析结果；

从所述预设的函数库中确定出与所述第三分析结果匹配的目标评分函数；

解析所述每个指标的第一子数据，确定出所述目标评分函数的多个运算参数值，将所述多个运算参数值代入所述目标评分函数进行计算，得到每个指标的第一评分，并将所述每个指标的第一评分确定为所述目标客户的第一分析结果。

本实施例中，不同的指标对应不同的评分规则，根据不同的评分规则分析每个指标的第一子数据可以确定不同指标的总体趋势，总体趋势不同，对应的预设的评分函数也不同。

示例性地，针对运动指标，设定评分规则，根据评分规则对每个指标的第一子数据进行趋势分析，得到第三分析结果，具体地，设定运动过程中共存在3个运动时间临界点：x₁，x₂，x₃，其中，x₁代表最低运动步数，x₂代表合理运动步数，x₃代表最高运动步数，所述评分规则为：若x＜x₁，则运动步数未达到最低标准，运动基本无效，运动评分接近0分；若x₁≤x＜x₂，随着运动步数的增加运动评分不断增加；x₂≤x＜x₃，随着运动步数的增加运动评分增速放缓；x₃≤x，运动步数的增加对评分不再造成过大影响，运动评分接近于100分。

若目标客户的运动步数x＝20000步，满足x₁≤x＜x₂，则第三分析结果为：随着运动步数的增加运动评分不断增加，根据所述第三分析结果从预设的函数库中匹配出目标评分函数为：sigmoid函数为：其中，根据运动指标的第一子数据中的步频，极速快走时间6小时，x₁＝3300，x₃＝57600，x₂＝30450，计算得到运动指标的第一评分为：76分，将76分作为运动指标的第一分析结果。

在一个可选的实施例中，所述分析模块203对所述多个指标的第二数据进行分析，确定所述目标客户的第二分析结果包括：

对所述多个指标的第二数据进行归类，得到每个指标的第二子数据；

按照预设周期对每个指标的第二数据进行划分，得到多个第三子数据；

对每个第三子数据进行趋势分析，得到每个第三子数据的第四分析结果；

从预设的函数库中确定出与每个第三子数据的第四分析结果匹配的目标评分函数；

解析每个第三子数据，确定出对应目标评分函数的多个运算参数值，将所述多个运算参数值代入对应目标评分函数进行计算，得到每个第三子数据的第二评分；

识别每个第三子数据的第二评分是否满足对应指标的评分阈值范围；

当每个第三子数据的第二评分满足对应指标的评分阈值范围时，保留对应第三子数据的第二评分，并对保留的多个第三子数据的第二评分求平均值，得到每个指标的第三评分，将多个指标的第三评分确定为所述目标客户的第二分析结果。

进一步地，当每个第三子数据的第二评分不满足对应指标的评分阈值范围时，删除对应第三子数据的第二评分，并对剩余满足对应指标的评分阈值范围的第三子数据的第二评分求平均值，得到每个指标的第三评分，将多个指标的第三评分确定为所述目标客户的第二分析结果。

本实施例中，可以预先设置划分周期，具体地，若获取了一个月的运动指标对应的第二数据，可以预先设置预设划分周期为按照每天对所述第二数据进行划分，得到对应指标的每天的第三子数据，计算每天的第三子数据的第二评分。

本实施例中，通过预先为每个指标设置一个评分阈值范围，判断计算得到的第二评分是否在所述评分阈值范围内，根据判断结果删除偏差较大的第二评分后，对剩余的第二评分求平均值得到所述目标客户的第二分析结果，提高了第二分析结果的准确率。

第一确定模块204，用于根据所述目标客户的第一分析结果和所述目标客户的第二分析结果，确定所述目标客户的多个标签。

本实施例中，标签是根据多个指标的分析结果确定的。

在一个可选的实施例中，所述第一确定模块204根据所述目标客户的第一分析结果和所述目标客户的第二分析结果，确定所述目标客户的多个标签包括：

计算所述第一分析结果中的每个指标的第一评分与所述第二分析结果中对应指标的第三评分的平均值，得到每个指标的第四评分；

计算每个指标的第四评分与对应指标的预设的权重值的乘积，得到每个指标的目标评分；

从预设的标签库中确定出与所述多个指标的目标评分相匹配的多个标签，并将所述多个标签确定为所述目标客户的多个标签。

本实施例中，可以预先为每个指标设置权重值，通过计算所述第一分析结果中的每个指标的第一评分与所述第二分析结果中对应指标的第三评分的平均值，得到每个指标的第四评分，本实施例通过将根据当前数据计算的每个指标的第一评分和根据历史数据计算的第三评分求平均值，从目标客户的当前身体状态和历史身体状态两个方面进行考量，得到食谱推荐的目标评分，提高了目标评分的准确率，进而提高了后续食谱推荐的准确率。

构建模块205，用于根据所述目标客户的多个标签构建所述目标客户的客户画像，及根据所述目标客户的基本信息确定所述目标客户的偏好标签。

本实施例中，所述目标客户的多个标签可以包括：久坐、晨练、晚睡、早起等，根据所述目标客户的多个标签，可以构建所述目标客户的客户画像。

本实施例中，所述基本信息包括所述目标客户的年龄、性别、身高、体重、饮食习惯、消费记录等其他基本信息，可以根据所述目标客户的基本信息，确定出所述目标客户的偏好标签。

在一个可选的实施例中，所述构建模块205根据所述目标客户的多个标签构建所述目标客户的客户画像包括：

将所述多个标签输入至预先训练好的食谱推荐评分模型进行识别，得到每个标签的推荐评分；

将所述多个标签及每个标签对应的推荐评分进行合并，得到所述目标客户的客户画像。

本实施例中，针对不同的标签，设置不同的推荐评分，可以预先训练食谱推荐评分模型。

具体地，所述食谱推荐评分模型的训练过程包括：

获取多个历史标签及每个历史标签的推荐评分，形成数据集；

将所述数据集随机分为第一数量的训练集和第二数量的测试集；

将所述训练集输入至预设卷积神经网络中进行训练，得到食谱推荐评分模型；

将所述测试集输入至所述食谱推荐评分模型中进行测试，得到测试通过率；

判断所述测试通过率是否大于预设通过率阈值；

当所述测试通过率大于或者等于所述预设通过率阈值时，结束所述食谱推荐评分模型的训练；或者，当所述测试通过率小于所述预设通过率阈值时，增加所述训练集的数量，重新进行食谱推荐评分模型的训练。

在一个可选的实施例中，所述构建模块205根据所述目标客户的基本信息确定所述目标客户的偏好标签包括：

从所述目标客户的基本信息中提取多维度的目标特征，将所述多维度的目标特征按照预设的归类模型进行归类，得到所述目标客户的偏好标签。

本实施例中，所述目标特征是指所述基本信息中的所述目标客户的年龄、性别、身高、体重、饮食习惯及消费记录等，将所述多个目标特征按照聚类算法进行归类得到所述目标客户的偏好标签，具体地，所述偏好标签可以包括：偏爱酸、偏爱甜和习惯吃早餐等。

示例性的，针对目标客户的消费记录，可以确定目标客户是偏爱酸还是偏爱甜，若所述目标客户的消费记录中大部分都是甜食，确定所述目标客户偏爱甜，若所述目标客户的每天早餐都有早餐消费记录，确定所述目标客户习惯吃早餐。

第二确定模块206，用于从预设的食谱数据库中根据所述目标客户的客户画像、偏好标签及当前时间信息，确定出至少一种目标推荐食谱。

本实施例中，所述当前时间信息包括食谱推荐的季节、推荐食谱类型，具体地，所述推荐食谱类型包括：早餐食谱、中餐食谱、晚餐食谱及宵夜食谱。

在一个可选的实施例中，所述第二确定模块206从预设的食谱数据库中根据所述目标客户的客户画像、偏好标签及当前时间信息，确定出至少一种目标推荐食谱包括：

将所述当前时间信息按照预设的转换规则转换为食谱推荐标签；

从预设的食谱数据库中匹配出与所述食谱推荐标签对应的多个第一推荐食谱；

计算所述目标客户的客户画像与每个第一推荐食谱之间的相似度，从计算得到的相似度中选取相似度较大的多个第一推荐食谱作为多个第二推荐食谱；

从所述第二推荐食谱中匹配出与所述偏好标签对应的至少一种目标推荐食谱。

本实施例中，可以预先设置转换规则，具体地，所述预设的转换规则根据时间信息进行设置，例如，当前时间信息为：“1998年8月5日上午6点”，则按照预设的转换规则将所述当前时间信息转换为食谱推荐标签：夏季、早餐。

本实施例中，由于季节和就餐时间对身体的影响较大，可以从预设的食谱数据库中匹配出与所述食谱推荐标签对应的多个第一推荐食谱，然后，通过计算所述目标客户的客户画像与每个第一食谱之间的相似度，具体地，所述相似度可以采用余弦相似度算法，最后根据目标客户的偏好标签从多个第二推荐食谱中确定出至少一种目标推荐食谱。

本实施例中，通过从当前时间信息、目标客户的当前身体状态、历史身体状态、饮食偏好等多个维度进行考虑，确定出至少一种目标推荐食谱，提高了食谱推荐的推荐准确率及合理性，同时从目标客户的饮食偏好的维度考虑，提高了目标客户的满意度。

综上所述，本实施例所述的基于智能手环的食谱推荐装置，一方面，从预设的食谱数据库中根据所述目标客户的客户画像、偏好标签及当前时间信息，确定出至少一种目标推荐食谱，通过从当前时间信息、目标客户的当前身体状态、历史身体状态、饮食偏好等多个维度进行考虑，确定出至少一种目标推荐食谱，提高了食谱推荐的推荐准确率及合理性，同时从目标客户的饮食偏好的维度考虑，提高了目标客户的满意度；另一方面，根据所述目标客户的第一分析结果和所述目标客户的第二分析结果，确定所述目标客户的多个标签，通过将根据当前数据计算的每个指标的第一评分和根据历史数据计算的第三评分求平均值，从目标客户的当前身体状态和历史身体状态两个方面进行考量，得到食谱推荐的目标评分，提高了目标评分的准确率，进而提高了后续食谱推荐的准确率；最后，通过预先为每个指标设置一个评分阈值范围，判断计算得到的第二评分是否在所述评分阈值范围内，根据判断结果删除偏差较大的第二评分后，对剩余的第二评分求平均值得到所述目标客户的第二分析结果，提高了第二分析结果的准确率。

实施例三

参阅图3所示，为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。

本领域技术人员应该了解，图3示出的电子设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述电子设备3中的基于智能手环的食谱推荐装置20，并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。

在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，可选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，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，电子设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。

在进一步的实施例中，结合图2，所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的基于智能手环的食谱推荐装置20)、程序代码等，例如，上述的各个模块。

所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图2中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到基于智能手环的食谱推荐的目的。

示例性的，所述程序代码可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器32执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述程序代码在所述电子设备3中的执行过程。例如，所述程序代码可以被分割成获取模块201、采集模块202、分析模块203、第一确定模块204、构建模块205及第二确定模块206。

在本发明的一个实施例中，所述存储器31存储多个计算机可读指令，所述多个计算机可读指令被所述至少一个处理器32所执行以实现基于智能手环的食谱推荐的功能。

具体地，所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。