CN110909252A - 一种基于大数据的社区活动推荐方法及装置 - Google Patents

Abstract

本申请实施例提供一种基于大数据的社区活动推荐方法及系统。该方法包括：导入社区成员提供的社区活动注册文件，通过图像文本识别技术对社区活动注册文件进行识别和分类，得到社区活动初始数据集；基于社区活动初始数据集，按照社区成员的专业特征、职业特征、时间特征，构建社区师资特征集；按照社区成员的兴趣特征、家庭特征、时间特征，构建社区生源特征集；按照社区活动条件资源的环境特征、时间特征，构建社区环境特征集；基于社区环境特征集、社区师资特征集和社区生源特征集，构建社区活动推荐深度学习网络；采集社区成员和社区的社区活动数据，训练社区活动推荐模型，根据社区活动推荐模型进行社区活动规划。

Description

一种基于大数据的社区活动推荐方法及装置

技术领域

本申请涉及社区活动推荐及大数据领域，尤其涉及一种基于大数据的社区活动推荐方法及装置。

背景技术

社区活动作为精神文明建设的重要方式，极大地丰富了社区居民的业余文化生活，常见形式有文艺演出、学习课堂、体育锻炼、兴趣小组等。随着国家社会发展，面对社区活动环境紧张、社区师资力量紧缺、社区学习需求强烈的现状，如何有效提高社区活动推荐准确度，提升活动体验，成为目前社区活动推荐领域需要解决的技术难题。大数据(bigdata)是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

因此，可以考虑改进，融合大数据技术，设计基于大数据的社区活动推荐方法及装置。

发明内容

有鉴于此，本申请的目的在于提出一种基于大数据的社区活动推荐方法及装置，提高社区活动推荐准确度，解决目前社区活动推荐过程中，社区成员体验不好、准确度不高的技术问题。

基于上述目的，本申请提出了一种基于大数据的社区活动推荐方法，包括：

导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集；

基于所述社区活动初始数据集，按照社区成员的专业特征、职业特征、时间特征，构建社区师资特征集；按照社区成员的兴趣特征、家庭特征、时间特征，构建社区生源特征集；按照社区活动条件资源的环境特征、时间特征，构建社区环境特征集。

基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络；

采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，根据所述社区活动推荐模型进行社区活动规划。

在一种实施例中，所述方法，还包括：

调取历史物业信息，得到历史社区活动中全部场所的场地信息；所述场地信息包括场地性质、场地大小、时间限制、硬件配置。

在一些实施例中，导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集，包括：

在所述识别过程中，出现不可识别内容和缺少内容项时，发出告警，并以标签标记所述不可识别内容；

在所述分类过程中，按照关键字和/或关键标识识别所述社区活动注册文件的文件类型，并按照师资特征、生源特征填充对应的数据库。

在一些实施例中，基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络，包括：

师生匹配深度学习网络，通过结合社区成员的兴趣特征、家庭特征、时间特征，和社区成员的专业特征、职业特征、时间特征，匹配出符合社区的师生配对；

环境匹配深度学习网络，通过学习历史社区活动数据，计算出所述师生匹配深度学习网络预测结果与社区环境条件最大容量的匹配。

在一些实施例中，采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，包括：

持续采集社区成员和社区的社区活动数据，导入所述深度学习网络中，更新深度学习模型的结构和参数；

当学习得到的结果低于预先设定的偏差阈值时，所述深度学习网络进入稳定状态，结束学习。

在一些实施例中，在所述深度学习网络中，通过公式：

计算所述学习得到的结果与预先设定的偏差阈值之间的信息差分谱，

其中Q_N(i)＝∑_jQ_N,S(i,j)、Q_S(j)＝∑_iQ_N,S(i,j)分别为所述学习得到的结果与所述预先设定的偏差阈值的边缘概率分布，Q_N,S(i,j)为所述学习得到的结果与所述预先设定的偏差阈值的联合概率分布，当所述信息差分谱达到预定阈值时，判定为进入稳定状态，结束学习。

在一些实施例中，根据所述社区活动推荐模型进行社区活动规划，包括：

将新加入社区成员导入所述深度学习网络进行分析，根据分析结果调整社区活动安排，并安排所述新加入社区成员参加活动。

基于上述目的，本申请还提出了一种基于大数据的社区活动推荐系统，包括：

初始模块，用于导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集；

特征模块，用于基于所述社区活动初始数据集，按照社区成员的专业特征、职业特征、时间特征，构建社区师资特征集；按照社区成员的兴趣特征、家庭特征、时间特征，构建社区生源特征集；按照社区活动条件资源的环境特征、时间特征，构建社区环境特征集。

构建模块，用于基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络；

规划模块，用于采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，根据所述社区活动推荐模型进行社区活动规划。

在一些实施例中，所述初始模块，包括：

识别单元，用于在所述识别过程中，出现不可识别内容和缺少内容项时，发出告警，并以标签标记所述不可识别内容；

分类单元，用于在所述分类过程中，按照关键字和/或关键标识识别所述社区活动注册文件的文件类型，并按照师资特征、生源特征填充对应的数据库。

在一些实施例中，所述特征模块，包括：

师生匹配单元，用于通过结合社区成员的兴趣特征、家庭特征、时间特征，和社区成员的专业特征、职业特征、时间特征，匹配出符合社区的师生配对；

环境匹配单元，用于通过学习历史社区活动数据，计算出所述师生匹配深度学习网络预测结果与社区环境条件最大容量的匹配。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1示出根据本发明实施例的基于大数据的社区活动推荐方法的流程图。

图2示出根据本发明实施例的基于大数据的社区活动推荐系统的构成图。

图3示出根据本发明实施例的初始模块的构成图。

图4示出根据本发明实施例的特征模块的构成图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出根据本发明实施例的基于大数据的社区活动推荐方法的流程图。如图1所示，该基于大数据的社区活动推荐方法包括：

步骤S11、导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集。

具体来说，社区成员想参加社区的活动，无论是充当老师的角色，还是充当学生的角色，都可以提供一列类的注册文件，以证明社区成员的资质水平。例如，社区成员可以提供自己的学历学位证书，通过文本图像识别可以分析判断出社区成员的所学专业、毕业院校、学位等级等内容，并将这些内容填充到大数据系统中。又如，用户还可以提供自己参加小提琴比赛的照片，通过文本图像识别技术可以分析判断出社区成员参加比赛的层次、主办单位、社区成员在交响乐团中的位置，甚至还可以通过社区成员的弹奏姿态判断出其弹奏水平等，存储到大数据系统中。

在一种实施方式中，导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集，包括：

在所述识别过程中，出现不可识别内容和缺少内容项时，发出告警，并以标签标记所述不可识别内容；

在所述分类过程中，按照关键字和/或关键标识识别所述社区活动注册文件的文件类型，并按照师资特征、生源特征填充对应的数据库。

具体来说，社区成员提供的信息并不可能覆盖大数据系统中要求的所有信息，而且，文本识别技术得出的结果可能出现误差或错误，因此在存储社区成员数据的时候，应该对社区成员的各项信息进行完整性和正确性的识别。完整性主要检查社区成员是否漏填该项，如果确实缺少该项信息，则用默认值进行代替，从而保证后续分析的顺利进行。正确性识别主要检查社区成员的信息是否在正确的区间范围，例如，文本图像识别技术将社区成员的年龄从“11岁”识别成了“111岁”，此时“111岁”明显不处于合理的区间，因此需要发出告警并标注该不正确内容。

步骤S12、基于所述社区活动初始数据集，按照社区成员的专业特征、职业特征、时间特征，构建社区师资特征集；按照社区成员的兴趣特征、家庭特征、时间特征，构建社区生源特征集；按照社区活动条件资源的环境特征、时间特征，构建社区环境特征集。

具体来说，社区成员的专业特征可以包括社区成员的特长，例如各种乐器、各种外语等；社区成员的职业特征包括社区成员所从事各类职业的性质、年限、级别等，例如社区成员中存在从事医护工作几十年的老医生，则可以以自身所长为社区成员开展医护课程学习；社区成员的时间特征，可以包括社区成员的业余时间分配，每个社区成员都有自己正常的工作、生活，并不是所有时间都可以用于开展社区活动的，因此有必要提取每个社区成员的可利用时间，进行社区活动的合理安排。

另一方面，社区成员的兴趣特征包括社区成员希望获得的社区活动类型，例如有的社区成员希望学习外语，有的社区成员希望学习跳广场舞等；社区成员的家庭特征主要用于开展家庭活动，家庭和谐是社会和谐的很重要的一个方面，在社区开展积极的亲子活动，有助于促进家庭的和谐，因此采集家庭的不同组成类型，根据家庭特征进行不同的组合，让更多人的社区成员加入到社区活动中来；社区成员时间特征的另外一个方面，是社区成员作为学生在什么时候可以参与社区活动。

再一方面，社区活动条件资源中的环境特征是指社区中可用于开展社区活动的环境类型、大小、硬件配置等特征，随着中国城镇化不发的不断加快，城市社区中用于开展社区活动的教育资源日益紧张，因此需要将有限的社区活动条件资源利用起来，最大化地开展社区活动。社区活动的环境类型可以是室内、室外等，大小可以是场地的面积、高度等，硬件配置可以是场地中是否存在扩音器、显示设备等。另外，社区活动条件资源的时间特征表征了社区中各类资源的空闲时间，通过对空闲时间和师生资源的匹配，从而实现社区活动条件资源的最优化利用。

在一种实施方式中，基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络，包括：

师生匹配深度学习网络，通过结合社区成员的兴趣特征、家庭特征、时间特征，和社区成员的专业特征、职业特征、时间特征，匹配出符合社区的师生配对；

环境匹配深度学习网络，通过学习历史社区活动数据，计算出所述师生匹配深度学习网络预测结果与社区环境条件最大容量的匹配。

步骤S13、基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络。

在一种实施方式中，深度学习网络可以通过卷积神经网络(CNN， ConvolutionalNeural Network)、深度置信网络(DBN，Deep Belief Network)和堆栈自编码网络(SAN，Stacked Auto－encoder Network)等多种网络模型中的一个，或组合以上多个深度网络模型进行。

步骤S14、采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，根据所述社区活动推荐模型进行社区活动规划。

在一种实施方式中，采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，包括：

持续采集社区成员和社区的社区活动数据，导入所述深度学习网络中，更新深度学习模型的结构和参数；

当学习得到的结果低于预先设定的偏差阈值时，所述深度学习网络进入稳定状态，结束学习。

在一种实施方式中，在所述深度学习网络中，通过公式：

计算所述学习得到的结果与预先设定的偏差阈值之间的信息差分谱，

其中Q_N(i)＝∑_jQ_N,S(i,j)、Q_S(j)＝∑_iQ_N,S(i,j)分别为所述学习得到的结果与所述预先设定的偏差阈值的边缘概率分布，Q_N,S(i,j)为所述学习得到的结果与所述预先设定的偏差阈值的联合概率分布，当所述信息差分谱达到预定阈值时，判定为进入稳定状态，结束学习。

在一种实施方式中，根据所述社区活动推荐模型进行社区活动规划，包括：

将新加入社区成员导入所述深度学习网络进行分析，根据分析结果调整社区活动安排，并安排所述新加入社区成员参加活动。

具体来说，社区成员的变化经常出现，有的成员搬家离开了社区，也会有新的成员搬家加入了社区。因此当社区成员发生变化时，需要重新调整社区活动的安排。举例来说，如果社区活动参加人数过少，或师资力量不足时，却要大量占用社区活动资源，则应该考虑取消此类社区活动。

在一种实施方式中，该基于大数据的社区活动推荐方法还包括：

调取历史物业信息，得到历史社区活动中全部场所的场地信息；所述场地信息包括场地性质、场地大小、时间限制、硬件配置。

图2示出根据本发明实施例的基于大数据的社区活动推荐系统的构成图。如图2所示，该基于大数据的社区活动推荐系统整体可以分为：

初始模块21，用于导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集；

特征模块22，用于基于所述社区活动初始数据集，按照社区成员的专业特征、职业特征、时间特征，构建社区师资特征集；按照社区成员的兴趣特征、家庭特征、时间特征，构建社区生源特征集；按照社区活动条件资源的环境特征、时间特征，构建社区环境特征集。

构建模块23，用于基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络；

规划模块24，用于采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，根据所述社区活动推荐模型进行社区活动规划。

图3示出根据本发明实施例的初始模块的构成图。如图3所示，该初始模块21，包括：

识别单元211，用于在所述识别过程中，出现不可识别内容和缺少内容项时，发出告警，并以标签标记所述不可识别内容；

分类单元212，用于在所述分类过程中，按照关键字和/或关键标识识别所述社区活动注册文件的文件类型，并按照师资特征、生源特征填充对应的数据库。

图4示出根据本发明实施例的特征模块的构成图。如图4所示，该特征模块22，包括：

师生匹配单元221，用于通过结合社区成员的兴趣特征、家庭特征、时间特征，和社区成员的专业特征、职业特征、时间特征，匹配出符合社区的师生配对；

环境匹配单元222，用于通过学习历史社区活动数据，计算出所述师生匹配深度学习网络预测结果与社区环境条件最大容量的匹配。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统) 使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于大数据的社区活动推荐方法，其特征在于，包括：

导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集；

基于所述社区活动初始数据集，按照社区成员的专业特征、职业特征、时间特征，构建社区师资特征集；按照社区成员的兴趣特征、家庭特征、时间特征，构建社区生源特征集；按照社区活动条件资源的环境特征、时间特征，构建社区环境特征集；

基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络；

采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，根据所述社区活动推荐模型进行社区活动规划。

2.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

调取历史物业信息，得到历史社区活动中全部场所的场地信息；所述场地信息包括场地性质、场地大小、时间限制、硬件配置。

3.根据权利要求1所述的方法，其特征在于，导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集，包括：

在所述识别过程中，出现不可识别内容和缺少内容项时，发出告警，并以标签标记所述不可识别内容；

在所述分类过程中，按照关键字和/或关键标识识别所述社区活动注册文件的文件类型，并按照师资特征、生源特征填充对应的数据库。

4.根据权利要求1所述的方法，其特征在于，基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络，包括：

师生匹配深度学习网络，通过结合社区成员的兴趣特征、家庭特征、时间特征，和社区成员的专业特征、职业特征、时间特征，匹配出符合社区的师生配对；

环境匹配深度学习网络，通过学习历史社区活动数据，计算出所述师生匹配深度学习网络预测结果与社区环境条件最大容量的匹配。

5.根据权利要求1所述的方法，其特征在于，采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，包括：

持续采集社区成员和社区的社区活动数据，导入所述深度学习网络中，更新深度学习模型的结构和参数；

当学习得到的结果低于预先设定的偏差阈值时，所述深度学习网络进入稳定状态，结束学习。

6.根据权利要求5所述的方法，其特征在于，在所述深度学习网络中，通过公式：

计算所述学习得到的结果与预先设定的偏差阈值之间的信息差分谱，

其中Q_N(i)＝∑_jQ_N，S(i，j)、Q_S(j)＝∑_iQ_N，S(i，j)分别为所述学习得到的结果与所述预先设定的偏差阈值的边缘概率分布，Q_N，S(i，j)为所述学习得到的结果与所述预先设定的偏差阈值的联合概率分布，当所述信息差分谱达到预定阈值时，判定为进入稳定状态，结束学习。

7.根据权利要求1所述的方法，其特征在于，根据所述社区活动推荐模型进行社区活动规划，包括：

将新加入社区成员导入所述深度学习网络进行分析，根据分析结果调整社区活动安排，并安排所述新加入社区成员参加活动。

8.一种基于大数据的社区活动推荐系统，其特征在于，包括：

初始模块，用于导入社区成员提供的社区活动注册文件，通过图像文本识别技术对所述社区活动注册文件进行识别和分类，得到社区活动初始数据集；

特征模块，用于基于所述社区活动初始数据集，按照社区成员的专业特征、职业特征、时间特征，构建社区师资特征集；按照社区成员的兴趣特征、家庭特征、时间特征，构建社区生源特征集；按照社区活动条件资源的环境特征、时间特征，构建社区环境特征集。

构建模块，用于基于所述社区环境特征集、所述社区师资特征集和所述社区生源特征集，构建社区活动推荐深度学习网络；

规划模块，用于采集社区成员和社区的社区活动数据，导入所述深度学习网络，训练社区活动推荐模型，根据所述社区活动推荐模型进行社区活动规划。

9.根据权利要求8所述的系统，其特征在于，所述初始模块，包括：

识别单元，用于在所述识别过程中，出现不可识别内容和缺少内容项时，发出告警，并以标签标记所述不可识别内容；

分类单元，用于在所述分类过程中，按照关键字和/或关键标识识别所述社区活动注册文件的文件类型，并按照师资特征、生源特征填充对应的数据库。

10.根据权利要求8所述的系统，其特征在于，所述构建模块，包括：

师生匹配单元，用于通过结合社区成员的兴趣特征、家庭特征、时间特征，和社区成员的专业特征、职业特征、时间特征，匹配出符合社区的师生配对；

环境匹配单元，用于通过学习历史社区活动数据，计算出所述师生匹配深度学习网络预测结果与社区环境条件最大容量的匹配。

Images