CN108920682A - 基于机器学习和用户画像技术的社交用户推荐方法及装置 - Google Patents

Abstract

本发明实施例提供一种基于机器学习和用户画像技术的社交用户推荐方法及装置，涉及互联网及物联网模式识别技术领域。其中，所述方法包括：获取社交用户的运动数据及个人属性；对所述运动数据进行处理，并将处理后的数据输入神经网络模型进行运算，得到所述社交用户的运动情境类型；将所述社交用户的运动情境类型及个人属性输入用户画像模型，得到所述社交用户的用户画像；基于所述社交用户的用户画像以及配置于所述用户画像模型的初始社交推荐方案将所述社交用户推荐给满足设定条件的其他用户。通过该方法可避免社交用户在与被推荐用户沟通后无法及时得到回应的问题，提高了社交用户推荐的合理性。

Description

基于机器学习和用户画像技术的社交用户推荐方法及装置

技术领域

本发明涉及互联网及物联网模式识别技术领域，具体而言，涉及一种基于机器学习和用户画像技术的社交用户推荐方法及装置。

背景技术

互联网时代的到来，催生了一系列社交应用的崛起，目前，已经有不少社交应用开发出了基于用户画像技术的好友推荐功能。

但是，现有技术中，在向用户推荐陌生好友时并没有考虑到该被推荐的用户当前是否处于空闲状态，当用户向该被推荐的用户发送信息后无法及时得到回应时，不仅会影响用户之间的交友效果，还可能影响用户的使用体验。

发明内容

为了克服现有技术中的上述不足，本发明的目的在于提供一种基于机器学习和用户画像技术的社交用户推荐方法及装置，以避免社交用户在与被推荐用户沟通后无法及时得到回应的问题，提高了社交用户推荐的合理性。

为了实现上述目的，本发明较佳实施例采用的技术方案如下：

第一方面，本发明实施例提供一种基于机器学习和用户画像技术的社交用户推荐方法，应用于服务器，所述服务器配置有用户画像模型及神经网络模型，所述方法包括：

获取社交用户的运动数据及个人属性，其中，所述个人属性包括社交用户设定的人口特征信息和偏好信息；

对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型；

将所述社交用户的运动情境类型及个人属性输入所述用户画像模型，得到所述社交用户的用户画像；

基于所述社交用户的用户画像以及配置于所述用户画像模型的初始社交推荐方案将所述社交用户推荐给满足设定条件的其他用户。

可选地，在本发明实施例中，所述方法还包括：

获取其他用户对所述社交用户的评价信息；

根据其他用户对所述社交用户的评价信息对所述用户画像模型进行优化。

可选地，在本发明实施例中，所述用户画像模型配置有初始社交推荐方案，所述方法还包括：

根据其他用户对所述社交用户的评价信息对所述初始社交推荐方案进行优化。

进一步地，在本发明实施例中，所述运动数据中包括脚底的压力数据，并且所述运动数据以矩阵形式保存，所述对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型的步骤，包括：

对所述压力数据进行小波变换操作；

根据矩阵的非监督算法对经过小波变换操作后的压力数据进行去噪，并将信噪比高于预设信噪比的压力数据作为所述社交用户的步态数据；

根据所述社交用户的步态数据确定所述社交用户的运动情境类型。

进一步地，在本发明实施例中，所述根据所述社交用户的步态数据确定所述社交用户的运动情境类型的步骤，包括：

获取所述步态数据的时域特征和频域特征；

采用模糊C均值法从所述步态数据的时域特征中得到基于所述步态数据的步态频域特征子集；

将所述步态频域特征子集与所述时域特征融合，得到所述社交用户的步态特征集；

通过神经网络模型对所述步态特征集进行识别，得到所述社交用户的运动情境类型。

可选地，在本发明实施例中，所述方法还包括对运动数据进行降维处理的步骤，所述步骤包括：

将矩阵中每一元素减去所在列的均值后，除以所在列的标准差。

第二方面，本发明实施例还提供一种基于机器学习和用户画像技术的社交用户推荐装置，应用于服务器，所述服务器配置有用户画像模型及神经网络模型，所述装置包括：

获取模块，用于获取社交用户的运动数据及个人属性，其中，所述个人属性包括社交用户设定的人口特征信息和偏好信息；

处理模块，用于对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型；

用户画像生成模块，用于将所述社交用户的运动情境类型及个人属性输入所述用户画像模型，得到所述社交用户的用户画像；

推荐模块，用于基于所述社交用户的用户画像以及配置于所述用户画像模型的初始社交推荐方案将所述社交用户推荐给满足设定条件的其他用户。

可选地，在本发明实施例中，所述获取模块还用于获取其他用户对所述社交用户的评价信息；所述装置还包括：

优化模块，用于根据其他用户对所述社交用户的评价信息对所述用户画像模型进行优化。

可选地，在本发明实施例中，所述优化模块还用于：

根据其他用户对所述社交用户的评价信息对配置于所述用户画像模型的初始社交推荐方案进行优化。

进一步地，在本发明实施例中，所述处理模块具体用于：

对所述运动数据中的压力数据进行小波变换操作；

根据矩阵的非监督算法对经过小波变换操作后的压力数据进行去噪，并将信噪比高于预设信噪比的压力数据作为所述社交用户的步态数据；

根据所述社交用户的步态数据确定所述社交用户的运动情境类型。

本发明实施例提供的基于机器学习和用户画像技术的社交用户推荐方法及装置与现有技术相比，具有以下有益效果：

本发明实施例提供的基于机器学习和用户画像技术的社交用户推荐方法及装置，通过在向社交用户推荐陌生用户前，根据所述陌生用户当前时段的运动数据识别出该陌生用户当前正在进行的运动情境类型，并结合该陌生用户在社交账号中设定的个人信息将该陌生用户推荐给满足设定条件的其他用户，避免了社交用户在与被推荐的陌生用户沟通后无法及时得到回应的问题，提高了社交用户推荐的合理性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的部分实施例，因此不应被看作是对范围的限定，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它相关的附图。

图1为本发明实施例提供的社交用户推荐系统示意图；

图2为图1中服务器100的结构示意图；

图3为本发明实施例提供的基于机器学习和用户画像技术的社交用户推荐方法的步骤流程示意图；

图4为本发明实施例提供的基于机器学习和用户画像技术的社交用户推荐方法的优化步骤流程示意图；

图5为本发明实施例提供的基于机器学习和用户画像技术的社交用户推荐装置的模块示意图。

图标：100-服务器；101-处理器；102-存储器；103-通信单元；200-基于机器学习和用户画像技术的社交用户推荐装置；201-获取模块；202-处理模块；203-用户画像生成模块；204-推荐模块；300-用户终端；400-可穿戴设备。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，为本发明实施例提供的社交用户推荐系统示意图，在本实施例中，所述系统包括服务器100及与所述服务器100通信连接的多个用户终端300，所述应用终端配置有社交应用软件，并且，其中至少一个用户终端300与用户佩戴的可穿戴设备400通信连接。

本实施例中，所述用户终端300可以是个人电脑、智能手机、平板电脑等，本实施例对此不作详细限制。所述服务器100应被理解为提供资料库、通讯设施以及数据处理的业务点。

请参阅图2，为所述服务器100的结构示意图。所述服务器100包括基于机器学习和用户画像技术的社交用户推荐装置200、存储器102、处理器101及通信单元103。所述存储器102、处理器101及通信单元103的各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

其中，所述存储器102可以是，但不限于，随机存取存储器(英文：Random AccessMemory，简称：RAM)，只读存储器(英文：Read Only Memory，简称：ROM)，可编程只读存储器(英文：Programmable Read-Only Memory，简称：PROM)，可擦除只读存储器(英文：ErasableProgrammable Read-Only Memory，简称：EPROM)，电可擦除只读存储器(英文：ElectricErasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器102用于存储程序，所述处理器101在接收到执行指令后，执行所述程序。所述通信单元103用于通过网络建立所述服务器100与其它设备(比如移动终端)之间的通信连接，并用于通过网络进行数据的接收和发送。

所述基于机器学习和用户画像技术的社交用户推荐装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器102中或固化在所述服务器100的操作系统(英文：Operating System，简称：OS)中的软件功能模块。所述处理器101用于执行所述存储器102中存储的可执行模块，例如基于机器学习和用户画像技术的社交用户推荐装置200所包括的软件功能模块及计算机程序等。本实施例中，所述基于机器学习和用户画像技术的社交用户推荐装置200为服务器100提供社交用户推荐功能。

应当理解的是，图1所示的结构仅为示意，所述服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

请参阅图3，为本发明实施例提供的基于机器学习和用户画像技术的社交用户推荐方法的步骤流程示意图，该方法应用于图1中所示的服务器100，并且在本发明实施例中，所述服务器100配置有用于生成用户画像的用户画像模型以及用于对人体运动情境类型进行识别的神经网络模型。

具体地，所述方法包括：

步骤S10，获取社交用户的运动数据及个人属性。

在本发明实施例中，所述个人属性为社交用户在社交应用中自行设定的个人信息，可以包括性别、年龄、身高、体重、学历、兴趣爱好等数据；所述运动数据可以通过社交用户佩戴的可穿戴设备400检测得到，所述可穿戴设备400可以包括，但不限于智能手环、智能鞋等，并且所述可穿戴设备400检测到的运动数据可以包括，但不限于社交用户的运动加速度、旋转角速度、脚底压力等数据。所述可穿戴设备400可以与该社交用户使用的用户终端300通信连接，然后由该用户终端300将检测到的运动数据传输至服务器100，也可以通过无线网络与所述服务器100通信连接，由所述可穿戴设备400直接将检测到的运动数据传输至服务器100。

步骤S20，对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型。

在本发明的一种实施例中，所述运动数据通过社交用户穿戴的智能鞋采集得到，所述智能鞋配置有三轴加速度传感器、三轴陀螺仪以及若干个压力传感器，所述智能鞋采集到的运动数据中可以包括该社交用户的脚部的运动加速度、旋转角速度以及脚底不同区域的压力数据。

其中，通过所述三轴加速度传感器检测社交用户脚部的运动加速度数据可以识别出该社交用户当前时段的运动状态。其原理为：当用户在水平运动中，垂直和前进两个方向的加速度会呈现周期性变化。具体而言，在步行收脚的动作中，由于重心向上单只脚触地，垂直方向加速度是呈正向增加的趋势，之后继续向前，重心下移两脚触底，加速度相反，水平加速度在收脚时减小，在迈步时增加。换言之，通过检测社交用户的运动加速度变化情况即可判断出该社交用户当前的运动情境。

同时，在本发明实施例中，通过所述三轴陀螺仪可以检测到社交用户脚部的旋转角速度，在获得社交用户脚部的旋转角速度后，通过神经网络模型对其进行运算可以进一步判断出该社交用户的具体运动环节，如跌倒检测、八字脚识别等。

进一步地，通过所述压力传感器还可以检测到社交用户脚底不同区域的压力数据，采用神经网络模型对该压力数据进行更进一步地判断可以得出所述社交用户当前时段的步态以及正在进行的动作。

具体地，在本发明实施例中，所述压力传感器检测到的压力数据传输至服务器100后以矩阵的形式保存，所述对运动数据进行处理的过程包括：对所述压力数据进行小波分解、小波系数处理、小波重构三个步骤的小波变换操作，将脚底不同区域的压力时域信号离散化，使多种频率成分的混合信号分解到不同频段，然后根据各种子信号在频域上的不同特征按频带处理。随后，通过矩阵的非监督算法去除其中的噪声数据，保留其中最具代表的特征信息。最后，利用监督算法进一步提高分辨能力，获取其中信噪比高于预设信噪比的压力数据作为该社交用户的步态数据。

在本发明实施例中，通过对所述压力数据去噪获得社交用户的步态数据之后，还采用小波包分解、差分算法分别从所述步态数据的三个方向(左右、前后、垂直)提取频域特征和时域特征。

具体地，提取所述时域特征的过程为：将去噪后的压力数据中的垂直力曲线用一阶差分法检测前后、垂直方向曲线的波峰点和波谷点，作为压力曲线的关键点，将垂直方向曲线的波谷点作为压力曲线的参考点；以垂直方向曲线的关键点的压力值及压力值出现的时相、相邻关键点压力变化率和冲量和对应的前后方向曲线上的关键点处的压力值、驱动冲量(力-时间曲线上居于0点以上的力与时间的积分)和制动冲量(力-时间曲线上居于0点以下的力与时间的积分)表征全程的步态时域特征。

提取所述频域特征的过程为：将去噪后的压力数据中的垂直力曲线用一阶差分算法检测出垂直方向的波谷点，作为压力曲线的参考点；以该参考点为基准，用线性插值法对压力数据进行波形对齐，得到对齐后的压力；再用L层小波包分解算法从压力中提取出全程的步态频域特征。

进一步地，在获得所述步态数据中的时域特征和频域特征后，采用模糊C均值法从所述步态数据的时域特征中得到基于所述步态数据的步态频域特征子集；紧接着，将所述步态频域特征子集与所述时域特征融合，得到所述社交用户的步态特征集；最后，采用神经网络模型对所述步态特征集进行识别，从所述神经网络模型的事件样本中得到与该步态特征集关联值最大的事件，进而得到所述社交用户当前时段可能正在进行的运动情境类型。

进一步地，在通过神经网络模型对所述步态特征集进行识别前，需要先将训练样本输入所述神经网络模型的分类器进行训练，获得步态数据库；在获得步态数据库之后，通过将所述社交用户的步态特征集输入所述神经网络模型，即可识别出该社交用户的步态类型。

可选地，在本发明实施例中，所述神经网络模型可以是，但不限于BP神经网络，所述神经网络模型可以在使用过程中不断学习，以提高其识别能力。例如，步态数据库中已经注册了n类步态样本，如果该社交用户的步态特征集超出所述步态样本的识别范围，则注册第n+1类步态样本，然后将该第n+1类步态样本加入所述步态数据库，并更新所述神经网络模型的分类器。

可选地，为了简化数据处理过程的计算量，在本发明的一种实施例中，还采用了的降维处理的方式将所述可穿戴设备400采集的运动数据进行降维处理，具体地，所述降维处理的方法包括：将矩阵中每一元素减去所在列的均值后，除以所在列的标准差。通过降维处理后，可以将不同维度的数据标准化，使其具有可比性，便于进行运算。并且，在本实施例中，通过在高维空间中求最优分类面的方式进行处理，将合适的内积函数应用于最优分类面中，从而实现线性分类，减少计算过程的复杂度。

同时，考虑到可穿戴设备400在进行数据采集的过程中会存在干扰信号，因此，在本发明实施例中，所述可穿戴设备400还配置有滤波电路，通过滤波电路的过滤作用，不仅可以去除噪声信号，提高数据的准确性，还可以减少数据量，在一定程度降低了运算难度。并且，在本发明实施例中，所述可穿戴设备400的采集频率可以根据人体运动频率进行设定，使可穿戴设备在能耗和采集效果两个方面得到平衡。

在本发明的一种实施方式中，所述可穿戴设备400包括通信模块，还可以包括一处理器，通过该处理器可对该可穿戴设备400采集的运动数据进行初步处理，然后通过所述通信模块将处理后的数据传输至服务器100或用户终端300，从而降低服务器100或用户终端300的数据计算量，一定程度降低服务器100和用户终端300的负荷。

步骤S30，将所述社交用户的运动情境类型及个人属性输入所述用户画像模型，得到所述社交用户的用户画像。

在通过神经网络模型识别到社交用户的运动情境类型后，通过所述用户画像模型对所述社交用户的运动情境类型及设定的个人信息进行处理，并根据所述用户画像模型中预先训练的用户画像样本进行识别，得到该社交用户基于当前时段运动情境类型的用户画像。在本实施例中，所述用户画像模型配置有初始社交推荐方案，并且所述初始社交推荐方案可以在机器学习过程中不断优化，从而得出最佳的社交推荐方案。

在本发明实施例中，所述用户画像模型可以包括每一个社交用户对应的个体画像模型和群体社交用户对应的群体画像模型。其中，所述群体画像模型可以在社交用户初次使用时根据社交用户的个人属性生成相应的用户画像；所述个体画像模型可以针对每一个社交用户的个人属性及运动情境类型生成该社交用户对应的用户画像，并根据该用户画像做出相应的社交推荐方案。

步骤S40，基于所述社交用户的用户画像以及配置于所述用户画像模型的初始社交推荐方案将所述社交用户推荐给满足设定条件的其他用户。

在生成基于社交用户当前时段运动情境类型的用户画像之后，即可该用户画像相应的社交推荐方案。例如，当检测到某社交用户正处于跑步状态，并通过用户画像模型识别到该状态下的推荐成功率较低时，则在该社交用户的当前用户画像中加入相应的分类标签，并且在设定时段内不将该社交用户作为推荐对象进行推荐。随后，每隔一段时间对该社交用户的运动状态进行检测。若检测到该社交用户停止运动并保持静止状态一段时间后，则对该用户的用户画像进行更新，然后根据该社交用户的当前用户画像重新生成社交推荐方案进行推荐，将其推送至其他满足设定条件的社交用户。同时，若通过某社交用户的运动数据识别到该用户当前处于空闲状态，并通过用户画像模型识别到该状态下的推荐成功率较高时(如：散步)，则直接将该用户推送给满足设定条件的其他社交用户。

其中，所述满足设定条件的社交用户可以包括，但不限于具有相同或相应用户画像的社交用户(如：医生和医生、医生和病人等)。在本发明实施例中，所述用户画像模型也需要进行训练，当首次使用时，由于未经过训练，还未形成最适合个体情境的用户画像模型，所以在首次使用时，可根据预设的初始社交推荐方案进行社交推荐，当所述用户画像模型经过训练之后可以不断优化，即可根据该社交用户的用户画像进行更加准确地推荐。

请参阅图4，可选地，在本发明实施例中，为了进一步提高所述基于机器学习和用户画像技术的社交用户推荐方法的准确性和合理性，所述方法还包括：

步骤S50，获取其他用户对所述社交用户的评价信息。

步骤S60，根据其他用户对所述社交用户的评价信息对所述用户画像模型进行优化。

在本发明实施例中，在社交用户的运动情境类型以及社交用户设定的个人信息的基础上结合其他用户的评价信息，然后通过有监督的多次回馈模型，对所述用户画像模型进行不断优化，即通过其他用户的评价信息判断所述社交用户在某一种用户画像下的推送成功率，从而不断提高所述用户画像模型及社交推荐方案的准确性。其中，所述评价信息可以包括，但不限于其他用户对本次推荐的满意度和对该社交用户的印象评分，其中，所述满意度和印象评分可以通过在社交结束时向用户发送调查问卷的形式进行采集。若其他用户对本次推荐的满意度权重大于预设值，则将本次社交推荐方案作为固定工作样本保留。

请参阅图5，本发明实施例还提供一种基于机器学习和用户画像技术的社交用户推荐装置200，应用于服务器100，所述服务器100配置有用户画像模型及神经网络模型该装置包括：

获取模块201，用于获取社交用户的运动数据及个人属性，其中，所述个人属性包括社交用户设定的人口特征信息和偏好信息；

处理模块202，用于对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型；

用户画像生成模块203，用于将所述社交用户的运动情境类型及个人属性输入所述用户画像模型，得到所述社交用户的用户画像；

推荐模块204，用于基于所述社交用户的用户画像以及配置于所述用户画像模型的初始社交推荐方案将所述社交用户推荐给满足设定条件的其他用户。

可选地，在本发明实施例中，所述获取模块201还用于获取其他用户对所述社交用户的评价信息；所述装置还包括：

优化模块，用于根据其他用户对所述社交用户的评价信息对所述用户画像模型进行优化。

可选地，在本发明实施例中，所述优化模块还用于：

根据其他用户对所述社交用户的评价信息对配置于所述用户画像模型的初始社交推荐方案进行优化。

进一步地，在本发明实施例中，所述处理模块202具体用于：

对所述运动数据中的压力数据进行小波变换操作；

根据矩阵的非监督算法对经过小波变换操作后的压力数据进行去噪，并将信噪比高于预设信噪比的压力数据作为所述社交用户的步态数据；

根据所述社交用户的步态数据确定所述社交用户的运动情境类型。

在本发明所提供的实施例中，应该理解的是，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

可以替换的，所述方法和装置可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。

综上所述，本发明实施例提供一种基于机器学习和用户画像技术的社交用户推荐方法及装置，所述方法及装置通过在向社交用户推荐陌生用户前，根据所述陌生用户当前时段的运动数据识别出该陌生用户当前正在进行的运动情境类型，并结合该陌生用户在社交账号中设定的个人信息将该陌生用户推荐给满足设定条件的其他用户，避免了社交用户在与被推荐的陌生用户沟通后无法及时得到回应的问题，提高了社交用户推荐的合理性，确保了用户在使用社交软件时的交友体验。

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，能够以其它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囊括在本发明内。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。

Claims (10)

1.一种基于机器学习和用户画像技术的社交用户推荐方法，其特征在于，应用于服务器，所述服务器配置有用户画像模型及神经网络模型，所述方法包括：

获取社交用户的运动数据及个人属性，其中，所述个人属性包括社交用户设定的人口特征信息和偏好信息；

对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型；

将所述社交用户的运动情境类型及个人属性输入所述用户画像模型，得到所述社交用户的用户画像；

基于所述社交用户的用户画像以及配置于所述用户画像模型的初始社交推荐方案将所述社交用户推荐给满足设定条件的其他用户。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取其他用户对所述社交用户的评价信息；

根据其他用户对所述社交用户的评价信息对所述用户画像模型进行优化。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

根据其他用户对所述社交用户的评价信息对所述初始社交推荐方案进行优化。

4.如权利要求1所述的方法，其特征在于，所述运动数据中包括脚底的压力数据，并且所述运动数据以矩阵形式保存，所述对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型的步骤，包括：

对所述压力数据进行小波变换操作；

根据矩阵的非监督算法对经过小波变换操作后的压力数据进行去噪，并将信噪比高于预设信噪比的压力数据作为所述社交用户的步态数据；

根据所述社交用户的步态数据确定所述社交用户的运动情境类型。

5.如权利要求4所述的方法，其特征在于，所述根据所述社交用户的步态数据确定所述社交用户的运动情境类型的步骤，包括：

获取所述步态数据的时域特征和频域特征；

采用模糊C均值法从所述步态数据的时域特征中得到基于所述步态数据的步态频域特征子集；

将所述步态频域特征子集与所述时域特征融合，得到所述社交用户的步态特征集；

通过神经网络模型对所述步态特征集进行识别，得到所述社交用户的运动情境类型。

6.如权利要求4所述的方法，其特征在于，所述方法还包括对运动数据进行降维处理的步骤，所述步骤包括：

将矩阵中每一元素减去所在列的均值后，除以所在列的标准差。

7.一种基于机器学习和用户画像技术的社交用户推荐装置，其特征在于，应用于服务器，所述服务器配置有用户画像模型及神经网络模型，所述装置包括：

获取模块，用于获取社交用户的运动数据及个人属性，其中，所述个人属性包括社交用户设定的人口特征信息和偏好信息；

处理模块，用于对所述运动数据进行处理，并将处理后的数据输入所述神经网络模型进行运算，得到所述社交用户的运动情境类型；

用户画像生成模块，用于将所述社交用户的运动情境类型及个人属性输入所述用户画像模型，得到所述社交用户的用户画像；

推荐模块，用于基于所述社交用户的用户画像以及配置于所述用户画像模型的初始社交推荐方案将所述社交用户推荐给满足设定条件的其他用户。

8.如权利要求7所述的装置，其特征在于，所述获取模块还用于获取其他用户对所述社交用户的评价信息；所述装置还包括：

优化模块，用于根据其他用户对所述社交用户的评价信息对所述用户画像模型进行优化。

9.如权利要求8所述的装置，其特征在于，所述优化模块还用于：

根据其他用户对所述社交用户的评价信息对配置于所述用户画像模型的初始社交推荐方案进行优化。

10.如权利要求7所述的装置，其特征在于，所述处理模块具体用于：

对所述运动数据中的压力数据进行小波变换操作；

根据矩阵的非监督算法对经过小波变换操作后的压力数据进行去噪，并将信噪比高于预设信噪比的压力数据作为所述社交用户的步态数据；

根据所述社交用户的步态数据确定所述社交用户的运动情境类型。