CN108744524A - 一种适用于认知训练平台的推荐方法 - Google Patents

Abstract

一种适用于认知训练平台的推荐方法，包括以下步骤：步骤1，制作游戏数据预制表；步骤2，游戏数据预制表、游戏优先级、权重以及游戏数据利用相关公式计算得出游戏初始概率；步骤3，根据初始概率，利用游戏数据预制表、游戏概率、游戏矩阵得出推荐概率最大的游戏。本发明提供了一种贴合用户训练需求、偏好以及训练效率较高的适用于认知训练平台的推荐方法，通过用户信息、训练权重、训练数据计算出训练概率推荐给用户相应的训练。

Description

一种适用于认知训练平台的推荐方法

技术领域

本发明涉及互联网应用平台，当用户浏览认知训练平台时通过推荐方法用于最合适的训练推荐。

背景技术

认知能力是指人脑加工、储存和提取信息的能力，即人们对事物的构成、性能与他物的关系、发展的动力、发展方向以及基本规律的把握能力。认知训练是提高人类认知能力的有效途径。

随着信息技术的发展，越来越多的人认识到认知能力的重要性，随之也开始从多方面寻求提高认知能力的方法。人的认知能力包括很多方面，例如：信息加工、问题解决、注意力、灵活性以及处理速度等。希望提高自己认知能力的个人在实现他们的目标时面临着无数的挑战。对于用户来说，根据他们偏好来确定哪种认知训练有用，这在本质上仍然是困难的。

发明内容

为了克服已有推荐方法的不够贴合用户训练需求、偏好以及训练效率低的不足,本发明提供了一种贴合用户训练需求、偏好以及训练效率较高的适用于认知训练平台的推荐方法，通过用户信息、训练权重、训练数据计算出训练概率推荐给用户相应的训练。

本发明解决其技术问题所采用的技术方案是：

一种适用于认知训练平台的推荐方法，包括以下步骤：

步骤1，制作游戏数据预制表，游戏数据预制表包括游戏的受欢迎程度、推荐训练的日期和平均持续时间，优先级的确定包括以下一个或多个：确定用户训练的优先级和关于被选择用于呈现给用户的训练中的每个认知训练的信息；确定认知训练的受欢迎程度；确定用户对认知训练的先前表现的测量,游戏的优先级由问卷而得，游戏权重由优先级而得，游戏数据由用户训练而得，

步骤2，游戏数据预制表、游戏优先级、权重以及游戏数据利用相关公式计算得出游戏初始概率；

步骤3，根据初始概率，利用游戏数据预制表、游戏概率、游戏矩阵得出推荐概率最大的游戏。

进一步，在计算设备上执行的概率计算器确定用户数据、优先级和训练数据，然后可以使用这些信息来确定初始概率，初始概率可以根据局部一致性进行调整。

概率计算器传递给游戏选择器初始概率、训练数据和控制认知功能的矩阵。训练选择器基于初始概率、训练数据和矩阵为用户选择一组认知训练。

再进一步，权重因子与每个优先级相关联。此外，偏离预期频率可能由概率计算器控制。初始概率可以根据局部一致性进行调整。例如，在一个给定的认知训练中，局部一致性可以在少数会话中一致地训练。初始概率的计算可以包括优先权的确定：

x_i表示训练在优先级i上的初始得分，μ表示所有训练在优先级i上得分的均值，σ表示所有训练在优先级i上得分的标准差。

进一步，根据游戏矩阵修正推荐概率，得出最后推荐概率。

本发明通过大数据为基础使用推荐算法进行推荐的一种技术综合式发明，由真实用户操作行为进行数据收集依据,通过用户的数据、优先级及权重、训练数据对训练喜好进行综合评分，进而推荐训练。

根据指定的目标和偏好需要动态定制的认知训练方案有效培养用户。因此，我们需要的是系统和方法的概率生成单独定制的认知训练。

本发明的有益效果主要表现在：贴合用户训练需求、偏好以及训练效率较高。

附图说明

图1是游戏选择过程的算法流程图。

图2是概率计算器的算法流程图。

图3是游戏选择器的算法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种适用于认知训练平台的推荐方法，包括以下步骤：

步骤1，制作游戏数据预制表，游戏数据预制表包括游戏的受欢迎程度、推荐训练的日期和平均持续时间，优先级的确定包括以下一个或多个：确定用户训练的优先级和关于被选择用于呈现给用户的训练中的每个认知训练的信息；确定认知训练的受欢迎程度；确定用户对认知训练的先前表现的测量,游戏的优先级由问卷而得，游戏权重由优先级而得，游戏数据由用户训练而得，

步骤2，游戏数据预制表、游戏优先级、权重以及游戏数据利用相关公式计算得出游戏初始概率；

步骤3，根据初始概率，利用游戏数据预制表、游戏概率、游戏矩阵得出推荐概率最大的游戏。

进一步，在计算设备上执行的概率计算器确定用户数据、优先级和训练数据，然后可以使用这些信息来确定初始概率，初始概率可以根据局部一致性进行调整。

概率计算器传递给游戏选择器初始概率、训练数据和控制认知功能的矩阵。训练选择器基于初始概率、训练数据和矩阵为用户选择一组认知训练。

再进一步，权重因子与每个优先级相关联。此外，偏离预期频率可能由概率计算器控制。初始概率可以根据局部一致性进行调整。例如，在一个给定的认知训练中，局部一致性可以在少数会话中一致地训练。初始概率的计算可以包括优先权的确定：

x_i表示训练在优先级i上的初始得分，μ表示所有训练在优先级i上得分的均值，σ表示所有训练在优先级i上得分的标准差。

实例：一种认知训练平台个性化推荐方法，通过个人行为对行为后的结果进行计算并把结果返回给本人用户并有针对性的展示个性化推荐，包括以下步骤：

步骤1：游戏概率计算

根据注册之后的问卷的勾选情况(每道题都指向了一个能力)可以得到对各个能力的选择情况。如速度、记忆、注意、灵活、逻辑，分别选了7、6、4、2、1个。那么各个能力对应的权重(Wi)为0.35，0.3，0.2，0.1，0.05。

公式1：

根据公式1，将每个游戏在所有所属能力中的得分标准化。其中，x_i表示游戏i的最新得分(BrainAI)，则μ表示所有游戏的最新得分的平均分，如果没玩过，则得分为0。σ为所有游戏最新得分的标准差。

公式2:

z_i＝y_i·w_i

根据公式2，加上所属能力的权重，计算出每个游戏的初始得分z_i。因为要在所有游戏(包括其他能力)之间比较，所以要考虑能力的权重。y_i是由公式1标准化后每个游戏在优先级i上的得分，w_i表示优先级i对应的权重。

公式3:

根据公式3，将标准化分数转换为一个大于0的值，用T_i表示，z_j表示每个游戏的初始得分。其中g为一个全局参数，初始化值为1，这个值在考虑时间因素时会用到，但是目前不考虑时间，所以，可以忽略g。

公式4:

根据公式4，计算每个游戏在其能力内被推荐的可能性，用p_i表示。其中x_i为上一步的T_i，表示第i个游戏的标准分，同理，x_j表示第j个游戏的标准分，n为游戏i所属类里总游戏数量。

公式5：

根据公式5，计算每个游戏的期望推荐次数。其中，s为当前用户是在平台上的第几次训练，s_oi为Session Introduction Num(推荐训练日期)，为用户总共进行过的游戏次数。

公式6：

d_i＝E(c_i)-c_i

计算偏差，E(c_i)为期望进行游戏i的次数，c_i为已经进行了的这一步将计算出计划与实际的偏差。

公式7：

根据公式7，修正概率，得到最终游戏被推荐概率。其中，p_i、d_i为游戏i的初始概率和偏差概率，n为游戏i所属分类里的游戏数量。偏差概率为上一步d_i经过公式1和公式3同样的方法处理之后的大于0的值。

Fp_i进行扩大：如果该游戏没有玩过，则推荐概率不变；若该游戏前三次都玩过，则推荐概率为0；若该游戏前两次玩过，则该游戏推荐概率增加一倍；若该游戏在前两训练时只进行过一次，则推荐概率增加两倍。

保证同一个游戏不会连续出现4次。

步骤2：游戏推荐

查看用户是否存在没有玩过的游戏，若有，则选择推荐训练的日期最小的游戏且概率不等于0，如果同时有2个同样的session Introduction num，那么根据能力权重排，如果权重一样，那根据常模的概率去找，如果还不一样，则随机一个，然后根据游戏矩阵修正游戏概率，最后查看推荐列表是否已经选出了5个游戏，若是，推荐结束，若不是，返回第二步重新进行游戏推荐；若游戏都玩过，则直接选择推荐概率最大的游戏，然后根据游戏矩阵修正游戏概率，最后查看是否已经选出了5个游戏，若是，推荐结束。

游戏矩阵表示两个游戏之间的共存关系。1表示可共存，0表示不可共存，如表1所示：

表1

游戏数据预制表表示游戏的受欢迎程度、推荐训练的日期、平均持续时间，如表2所示：

Game	Popularity Rating	Session Introduction num	Average Duration
				G1	6	0	4.82
G2	4	0	3.88
				G3	1	1	1.23
G4	8	4	…
				…	…	…	…
GN	7	7	…

表2

图1为游戏选择过程的流程图，输入：游戏数据预制表、优先级权重、游戏数据；输出：推荐列表；所述游戏选择过程包括以下步骤：

1.1制作游戏数据预制表，游戏数据预制表表示游戏的受欢迎程度、推荐训练的日期、平均持续时间。优先级的确定包括以下一个或多个：确定用户训练的优先级和关于被选择用于呈现给用户的训练中的每个认知训练的信息；确定认知训练的受欢迎程度；确定用户对认知训练的先前表现的测量,该平台的优先级由问卷而得，游戏权重由优先级而得，游戏数据由用户训练而得。

1.2游戏数据预制表、游戏优先级、权重以及游戏数据利用以上公式计算得出游戏概率,通过游戏选择器，输出推荐列表。

图2为概率计算器的流程图，输入：游戏数据预制表、优先级及权重、游戏数据；输出：每个游戏的推荐概率；所述概率计算器的处理过程包括以下步骤：

2.1数据预制表、优先级及权重和游戏数据同理1.1。

2.2在计算设备上执行的概率计算器确定用户数据、优先级和训练数据，然后可以使用这些信息来确定初始概率，初始概率可以根据局部一致性进行调整。

2.3概率计算器传递给训练选择器初始概率、训练数据和控制认知功能的矩阵。训练选择器基于初始概率、训练数据和矩阵为用户选择一组认知训练。

步骤3，根据初始概率，利用游戏数据预制表、游戏概率、游戏矩阵得出推荐概率最大的游戏。

图3为游戏选择器的流程图，输入：游戏数据预制表、游戏概率、游戏矩阵；输出：推荐游戏列表；所述游戏选择器的处理过程包括以下步骤：

3.1游戏数据预制表同理1.1,游戏概率由图2所得，游戏矩阵表示两个游戏之间的共存关系。1表示可共存，0表示不可共存，是开发者根据游戏原理及所训练偏好事先录入。

3.2查看用户是否存在没有玩过的游戏，若有，则选择推荐训练的日期最小的游戏且概率不等于0，如果同时有2个同样的session Introduction num，那么根据能力权重排，如果权重一样，那根据常模的概率去找，如果还不一样，则随机一个，然后根据游戏矩阵修正游戏概率，最后查看推荐列表是否已经选出了5个游戏，若是，推荐结束，若不是，返回第二步重新进行游戏推荐；若游戏都玩过，则直接选择推荐概率最大的游戏，然后根据游戏矩阵修正游戏概率，最后查看是否已经选出了5个游戏，若是，推荐结束。

Claims (4)

1.一种适用于认知训练平台的推荐方法，其特征在于，所述方法包括以下步骤：

步骤1，制作游戏数据预制表，游戏数据预制表包括游戏的受欢迎程度、推荐训练的日期和平均持续时间，优先级的确定包括以下一个或多个：确定用户训练的优先级和关于被选择用于呈现给用户的训练中的每个认知训练的信息；确定认知训练的受欢迎程度；确定用户对认知训练的先前表现的测量,游戏的优先级由问卷而得，游戏权重由优先级而得，游戏数据由用户训练而得；

步骤2，游戏数据预制表、游戏优先级、权重以及游戏数据利用相关公式计算得出游戏初始概率；

步骤3，根据初始概率，利用游戏数据预制表、游戏概率、游戏矩阵得出推荐概率最大的游戏。

2.如权利要求1所述的一种适用于认知训练平台的推荐方法，其特征在于，在计算设备上执行的概率计算器确定用户数据、优先级和训练数据，然后可以使用这些信息来确定初始概率，初始概率可以根据局部一致性进行调整；

概率计算器传递给游戏选择器初始概率、训练数据和控制认知功能的矩阵，训练选择器基于初始概率、训练数据和矩阵为用户选择一组认知训练。

3.如权利要求1或2所述的一种适用于认知训练平台的推荐方法，其特征在于，权重因子与每个优先级相关联，偏离预期频率由概率计算器控制，初始概率根据局部一致性进行调整，在一个给定的认知训练中，局部一致性可以在少数会话中一致地训练，初始概率的计算包括优先权的确定：

x_i表示训练在优先级i上的初始得分，μ表示所有训练在优先级i上得分的均值，σ表示所有训练在优先级i上得分的标准差。

4.如权利要求1或2所述的一种适用于认知训练平台的推荐方法，其特征在于，根据游戏矩阵修正推荐概率，得出最后推荐概率。