CN112559860A - 一种基于深度学习的按摩程序智能推荐方法及系统 - Google Patents
一种基于深度学习的按摩程序智能推荐方法及系统 Download PDFInfo
- Publication number
- CN112559860A CN112559860A CN202011457947.7A CN202011457947A CN112559860A CN 112559860 A CN112559860 A CN 112559860A CN 202011457947 A CN202011457947 A CN 202011457947A CN 112559860 A CN112559860 A CN 112559860A
- Authority
- CN
- China
- Prior art keywords
- data
- program
- massage
- user
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000002650 habitual effect Effects 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000276 sedentary effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及计算机技术领域，具体涉及基于深度学习的按摩程序智能推荐方法及系统，采集用户基本信息，并对用户基本信息进行数据特征选择，生成用户信息数据；获得该用户信息数据及其匹配的推荐程序，并将该用户信息数据及其匹配的推荐程序数值化成样本数据，并将该样本数据存入样本数据库；构建神经网络模型，该神经网络模型输入参数为用户信息数据的数据特征，输出结果为推荐程序；读取样本数据库中的数据对神经网络模型进行重复训练，提高神经网络模型准确度，得到训练好的神经网络模型。本发明通过能够给按摩椅用户当前最符合他情况的智能按摩程序推荐结果，让用户高效、自动、准确地获得个性化按摩体验。
Description
技术领域
本发明涉及计算机技术领域，具体涉及基于深度学习的按摩程序智能推荐方法及系统。
背景技术
在信息爆炸的时代，各个行业都在追求从海量数据中挖掘和利用有价值的信息，并将该信息作为提高行业创新服务的关键参数。在按摩椅行业，用户对按摩程序的选择不再拘泥于程序化的选择，越来越多的用户更追求个性化的按摩服务。个性化的按摩服务需求不仅要求对硬件定制和自动适配进行升级，还需要对按摩手法和程序的智能化选择进行推荐。智能化选择及推荐则需要用到推荐系统，在电子商务、在线教育、在线视频社交APP等领域，推荐系统被广泛应用于根据用户的历史行为数据和用户的基本信息向用户推荐其感兴趣的项目。目前常用的推荐系统大多是基于协同过滤技术，其主要逻辑是具有相同偏好的用户群体在未来会做出相似的选择。其中，隐语义模型是推荐系统中最常用的算法，该算法将评分矩阵分解为用户偏好矩阵和项目特征矩阵，通过点积的形式预测用户对项目的评分。但是在实际条件下，协同过滤方法通常面临着数据系数和冷启动问题。另外，常用的协同过滤方法采用浅层模型，无法学习到用户和项目的深层次特征。在按摩椅行业，通常无法直接采集用户身高、年龄、性别、体重、习惯的按摩时间等用户基本信息，且缺少云端服务对输入数据的分析和归类，这些都导致无法为用户推荐精准化个性化的按摩程序。
发明内容
为了解决上述技术问题，本发明提供了基于深度学习的按摩程序智能推荐方法及系统，通过在APP上进行基本信息问卷调查获取用户的身高、体重、性别、年龄、习惯的按摩时间等基本信息，并提交到云端，通过云端预先构建好的模型进行分类预测，并择优推荐一个最适配的智能按摩程序。不同的用户输入相近的基本信息将会得到一个当前最符合他情况的智能推荐结果，让用户高效、自动、准确地获得个性化按摩效果。
为了实现上述目的，本发明采用的技术方案之一是提供了一种基于深度学习的按摩程序智能推荐方法，包括:
步骤1，采集用户基本信息，并对用户基本信息进行数据特征选择，生成用户信息数据；
步骤2，根据用户信息数据匹配推荐按摩程序，将推荐按摩程序发送给按摩设备执行，在按摩过程中或按摩结束后收集用户的反馈；将该用户信息数据、匹配的推荐程序及用户反馈数值化成样本数据，并将该样本数据存入样本数据库；
步骤3，构建神经网络模型，该神经网络模型输入参数为上述样本数据，输出结果为获得用户好评的用户信息数据及其匹配的推荐程序；
步骤4，读取样本数据库中的数据神经网络模型进行重复训练，提高神经网络模型准确度，得到训练好的神经网络模型。
进一步的，步骤1中，所述用户基本信息通过APP程序设计问卷调查页面采集，所述用户信息数据中的数据特征包含身高、体重、性别、年龄和习惯的按摩时间。
进一步的，步骤2中，根据用户信息数据匹配推荐按摩程序的方法包括，通过APP程序获取用户自动上传的用户信息数据及其推荐程序，或者根据已有的按摩记录取得用户信息数据及其推荐程序。
进一步的，步骤2包括：
步骤21：将样本数据划出2/3作为训练数据，其余作为训练数据，均分为N组；
步骤22：对所有数据按组进行标准化处理，处理公式为：
进一步的，步骤3包括：
步骤31：建立一个输入输出的线性函数数学模型，公式如下：
Y＝f(∑ωixi+b)
其中xi为输入的参数，ωi为权重，b为偏置量，f()为激活函数，将其视为单个神经元的计算模型；
步骤32：再建立一个三层的神经网络，每层包含X个神经元，X优选为1000，第一层为输入层，将输入原始参数，这一层与第二层计算层均使用RELU算法的激活函数，第三层为输出层，将输出最终结果，使用SOFTMAX算法的激活函数，三层均使用XAVIER算法进行权重的初始化和设置初始偏差量L为0.001。
进一步的，步骤4包括：
步骤41：取一组训练数据，循环将每条数据的用户特征的值，以及推荐程序的值y代入神经网络，采用梯度算法进行矩阵运算，其学习率和学习率的偏移量可以设一个基础值，在后述的训练过程中再调整，运算完成后，得到关于用户特征与推荐程序关系的数学模型；
步骤42：更换一组训练数据，重新进行运算，每次运算，模型都会因梯度算法得到修正，变得更为靠近数据反映的真实模型；
步骤43：全部训练数据组都轮替过后，计为完成一轮训练，至少完成一轮训练后，开始对模型进行评估；
步骤44：读取测试的样本数据对该模型进行评估，输入用户特征值，从模型获得输出的推荐程序值y1，与样本数据中的推荐程序实际值y比对，如果理论值y1等于实际值y，记为预测成功，也即识别正确，以精确率对模型进行评估：
如果数学模型精确率a≥80％，优选a≥90％，则认为模型合适，将其代码保存，否则，通过增加样本数据、增加训练轮数、微调学习率和/或偏移量算法参数来优化模型；
步骤45：将最终优化完成的模型部署于服务器上，与前端接口功能结合，通过前端输入用户特征参数，即可获得精准推荐程序结果。
步骤5：再将获得的精准推荐程序结果反馈给APP程序，所述精准推荐程序结果则为推荐按摩程序，APP程序将推荐按摩程序显示给用户以供选择，或直接通过蓝牙协议或其他通讯协议下发下发给按摩椅。
步骤6：按摩椅接收到推荐按摩程序后，启动运行。
本发明还提供了一种基于深度学习的按摩程序智能推荐系统，包括：
按摩椅，接收APP程序发送的推荐程序，并执行按摩动作，
APP程序，用于收集用户的基本信息传送至云平台，同时接收云平台发送的推荐程序并向用户展示，或将该推荐程序直接发送给按摩椅，
云平台，接收并存储APP程序上传的用户基本信息，并对用户基本信息进行数据特征选择，生成用户信息数据，并将该用户信息数据通过神经网络模型得出推荐程序，并发送至APP程序，
样本数据库，保存样本数据，并将其中样本数据提供给模型用于模型训练，
模型，使用样本数据库的训练数据训练完成，从云平台接收到实际的用户信息数据后，进行预测归类，将结果类别的推荐程序返回给云平台。
所述用户基本信息包括体重、性别、年龄、身高和习惯的按摩时间。
每条所述样本数据由一条用户信息数据和一条对应的推荐程序数据组成。
所述云平台还将本系统和其他系统收集到的可用数据形成训练数据，补充入样本数据库。
所述样本数据库从云平台接收新的样本数据，以进一步优化模型。
所述模型使用样本数据库提供的追加数据重新训练，优化预测准确度。
区别于现有技术，本发明具有以下有益效果：
1.本发明提出了一种基于深度学习的按摩程序智能推荐系统，通过在APP上进行基本信息问卷调查获取用户的身高、体重、性别、年龄、习惯的按摩时间等基本信息，并提交到云端，通过云端预先构建好的模型进行分类预测，下发一个对应的智能按摩程序。不同的用户输入相近的基本信息将会得到一个当前最符合他情况的智能推荐结果，让用户高效、自动、准确地获得个性化按摩程序及体验。
2.本发明的系统设计流程逻辑清晰，架构明晰，选择结构表达清楚，各模块之间数据传输和数据交互效率高，适配于多种计算机程序设计语言，广泛适用于不同运用环境的按摩椅，且能通过APP控制来实现按摩程序的精准推荐，满足个性化的按摩需求。
3.本发明引入神经网络模型，根据数据的更新重新训练和优化模型，不断提高推荐程序的准确率，能够根据需求变更或调整模型，以应对不同的用户匹配逻辑或较复杂的复合按摩手法推荐。
4.通过本发明的系统及方法，能够基于APP程序、云平台快速高效地计算出精准的按摩推荐程序，且通过本系统的设置及算法流程的改进，能够提高计算效率、准确率、复杂情况的适应性。
附图说明
图1为本发明实施例的系统结构示意图。
图2为本发明实施例的流程图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅附图1所示，本实施例提供了一种基于深度学习的按摩程序智能推荐系统，包括：
按摩椅，接收APP程序发送的推荐程序，并执行按摩动作，
APP程序，用于参照数据特征收集用户的基本信息，调用接口传送至云平台，同时接收云平台发送的推荐程序并向用户展示，或将该推荐程序直接发送给按摩椅，所述用户基本信息包括体重、性别、年龄、身高和习惯的按摩时间。APP程序将推荐按摩程序显示给用户以供选择，或直接通过蓝牙协议或其他通讯协议下发下发给按摩椅。
云平台，接收并存储APP程序上传的用户基本信息，并对用户基本信息进行数据特征选择，生成用户信息数据，并将该用户信息数据通过神经网络模型得出推荐程序，云平台将推荐程序的值以接口返回值的形式返回至APP程序，
样本数据库，保存样本数据，并将其中样本数据提供给模型用于模型训练，每条所述样本数据由一条用户信息数据和一条对应的推荐程序数据组成。所述样本数据库从云平台接收新的样本数据，以进一步优化模型。
模型，本实施例采用神经网络模型，使用样本数据库的训练数据训练完成，从云平台接收到实际的用户信息数据后，进行预测归类，将结果类别的推荐程序返回给云平台。所述模型使用样本数据库提供的追加数据重新训练，优化预测准确度。
所述云平台还将本系统和其他系统收集到的可用数据形成训练数据，补充入样本数据库。
参考图2所示，本发明还提供了一种基于深度学习的按摩程序智能推荐方法，包括以下步骤：
步骤1，采集用户基本信息，并列出数据特征，对用户基本信息进行数据特征选择，生成用户信息数据；列出所有需要的用户信息参数，所述用户基本信息通过APP程序设计问卷调查页面采集，用户填写问卷并提交数据，所述用户信息数据中的数据特征可以包含身高、体重、性别、年龄、习惯的按摩时间等有助于对用户群体进行分类归纳、匹配对应按摩程序的要素。
本实施例中采用4个数据特征值：性别、年龄段、按摩时间段、用户满意度。5个智能程序。并数值化。
详情如下：
步骤2，根据用户信息数据匹配推荐按摩程序，将推荐按摩程序发送给按摩设备执行，在按摩过程中或按摩结束后收集用户的反馈；将该用户信息数据、匹配的推荐按摩程序及用户反馈数值化成样本数据，并将该样本数据存入样本数据库；获得该用户信息数据及其匹配的推荐程序的方法包括，通过APP程序获取用户自动上传的用户信息数据及其推荐程序，或者根据已有的按摩记录取得用户信息数据及其推荐程序。从已有数据中整理出用户数据，每条数据的内容都要包含有上面列出的数据特征，再依据一定的推荐算法，或根据已有的按摩记录、推荐记录给每条用户数据注明具体的推荐程序，得到若干条含有用户特征以及对应推荐程序两个部分内容的数据，即是样本数据，将它们数值化后存入样本数据库。通过步骤2对具有数据特征的用户信息数据及推荐程序进行整理和标注数据。
步骤2包括：
步骤21：将样本数据划出2/3作为训练数据，其余作为训练数据，均分为N组；本实施例N的取值范围与待分组的数据总数，以及期望的训练效率有关，设待分组数据总数为M，如M<3000，N＝M/10；如M>3000且M<10000，N＝M/50；M>10000的情况在业务上较为罕见，则N值暂无估算。
步骤22：对所有数据按组进行标准化处理，处理公式为：
本实施例中，依此步骤2整理和标注数据，如一位男性35岁用户，在上午8点按摩一次，此时得到的推荐程序为久坐族，则以[性别，年龄段，按摩时间段，用户满意度，推荐程序]的格式记录为[1，1，8，2，3]，根据上述步骤整理出约1500条数据，存入样本数据库。
步骤3，基于深度学习理论，构建神经网络模型，该神经网络模型输入参数为上述样本数据，输出结果为获得用户各种评价(通常我们会指定为好评)的用户信息数据及其匹配的推荐程序，并使用样本数据进行训练，步骤3包括：
步骤31：建立一个输入输出的线性函数数学模型，公式如下：
Y＝f(∑ωixi+b)
其中xi为输入的参数，ωi为权重，b为偏置量，f()为激活函数，将其视为单个神经元的计算模型；
步骤32：再建立一个三层的神经网络，每层包含1000个神经元，第一层为输入层，将输入原始参数，在本实施例中则该原始参数则为上述样本数据，这一层与第二层计算层均使用RELU算法的激活函数，第三层为输出层，将输出最终结果，本实施例中，最终输出结果则为获得用户各种评价(通常指定为好评)的用户信息数据及其匹配的推荐按摩程序，使用SOFTMAX算法的激活函数，三层均使用XAVIER算法进行权重的初始化和0.001的初始偏差量。
步骤4，读取样本数据库中的数据神经网络模型进行重复训练，提高神经网络模型准确度，得到训练好的神经网络模型。
步骤4包括：
步骤41：取一组训练数据，循环将每条数据的用户特征的值(性别x1，年龄段x2，按摩时间段x3，用户满意度x4，……)，以及推荐程序的值y代入神经网络，采用梯度算法进行矩阵运算，其学习率和学习率的偏移量可以设一个基础值(本实施例只有x1，x2，x3，x4四个参数时，学习率和学习率的偏移量分别设为0.2和0.01)，在后述的训练过程中再调整。运算完成后，得到一个关于用户特征与推荐程序关系的数学模型；
步骤42：更换一组训练数据，重新进行运算，每次运算，模型都会因梯度算法得到修正，变得更为靠近数据反映的真实模型；
步骤43：全部训练数据组都轮替过后，计为完成一轮训练，至少完成一轮训练后，开始对模型进行评估；或者在完成一轮训练后，再开始更多轮的重复训练，以获得更准确的模型，再对模型进行评估；
步骤44：读取测试的样本数据对该模型进行评估，输入用户特征值(性别x1，年龄段x2，按摩时间段x3，用户满意度x4，……)，从模型获得输出的推荐程序值y1，与样本数据中的推荐程序实际值y比对，如果理论值y1等于实际值y，记为预测成功，也即识别正确，以精确率对模型进行评估：
如果数学模型精确率a≥80％(优选90％以上)，则认为模型合适，将其代码保存，否则，通过增加样本数据、增加训练轮数、微调学习率和/或偏移量算法参数来优化模型；
步骤45：将最终优化完成的模型部署于服务器上，与前端接口功能结合，通过前端输入用户特征参数，即可获得精准推荐程序结果。
本实施例中，使用这些数据对模型重复进行训练、优化和评估，在准确率达到90％以上后结束，保存模型。
在APP的问卷调查中，得到以下的新用户数据：
| 问卷项目 | 填写内容 | 转换为用户数据值 |
| 性别 | 女 | 0 |
| 身高 | 160 | 160(暂时不用) |
| 体重 | 60 | 60(暂时不用) |
| 年龄 | 40岁 | 1(中年) |
| 习惯按摩时间 | 下午5点 | 17(下午) |
因为目的是获得该用户会好评的程序，因而将用户满意度设为2(好评)，经提交云平台输入模型后可以得到以下输出结果：
| 推荐程序值 | 推荐程序名 | 推荐概率 | 下发键值 |
| 3 | 久坐族 | 0.9997 | 15 |
步骤5：再将获得的精准推荐程序结果反馈给APP程序，所述精准推荐程序结果则为推荐按摩程序，APP程序将推荐按摩程序显示给用户以供选择，或直接通过蓝牙协议或其他通讯协议下发下发给按摩椅。
步骤6：按摩椅接收到按摩程序后，启动运行。
通过本实施例的系统及方法，能够基于APP程序、云平台快速高效地计算出精准的按摩推荐程序，且通过本系统的设置及算法流程的改进，能够提高计算效率、准确率、复杂情况的适应性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
Claims (10)
1.一种基于深度学习的按摩程序智能推荐方法，其特征在于，包括:
步骤1，采集用户基本信息，并对用户基本信息进行数据特征选择，生成用户信息数据；
步骤2，根据用户信息数据匹配推荐按摩程序，将推荐按摩程序发送给按摩设备执行，在按摩过程中或按摩结束后收集用户的反馈；将该用户信息数据、匹配的推荐按摩程序及用户反馈数值化成样本数据，并将该样本数据存入样本数据库；
步骤3，构建神经网络模型，该神经网络模型输入参数为上述样本数据，输出结果为获得用户好评的用户信息数据及其匹配的推荐按摩程序；
步骤4，读取样本数据库中的数据对神经网络模型进行重复训练，提高神经网络模型准确度，得到训练好的神经网络模型。
2.根据权利要求1所述的基于深度学习的按摩程序智能推荐方法，其特征在于：步骤1中，所述用户基本信息通过APP程序设计问卷调查页面采集，所述用户信息数据中的数据特征包含身高、体重、性别、年龄和习惯的按摩时间。
3.根据权利要求1所述的基于深度学习的按摩程序智能推荐方法，其特征在于：步骤2中，根据用户信息数据及匹配推荐按摩程序的方法包括，通过APP程序获取用户自动上传的用户信息数据及其推荐程序，或者根据已有的按摩记录取得用户信息数据及其推荐程序，
步骤2包括：
步骤21：将样本数据划出2/3作为训练数据，其余作为训练数据，均分为N组；
步骤22：对所有数据按组进行标准化处理，处理公式为：
4.根据权利要求1所述的基于深度学习的按摩程序智能推荐方法，其特征在于：步骤3包括：
步骤31：建立一个输入输出的线性函数数学模型，公式如下：
Y＝f(∑ωixi+b)，
其中xi为输入的参数，ωi为权重，b为偏置量，f()为激活函数，将其视为单个神经元的计算模型；
步骤32：再建立一个三层的神经网络，每层包含X个神经元，第一层为输入层，将输入原始参数，这一层与第二层计算层均使用RELU算法的激活函数，第三层为输出层，将输出最终结果，使用SOFTMAX算法的激活函数，三层均使用XAVIER算法进行权重的初始化和设置初始偏差量L。
5.根据权利要求1所述的基于深度学习的按摩程序智能推荐方法，其特征在于：
步骤4包括：
步骤41：取一组训练数据，循环将每条数据的用户特征值，以及推荐程序的值y代入神经网络，采用梯度算法进行矩阵运算，其学习率和学习率的偏移量设一个基础值，运算完成后，得到一个关于用户特征与推荐程序关系的数学模型；
步骤42：更换一组训练数据，重新进行运算，每次运算，模型都会因梯度算法得到修正，变得更为靠近数据反映的真实模型；
步骤43：全部训练数据组都轮替过后，计为完成一轮训练，至少完成一轮训练后，开始对模型进行评估；
步骤44：读取测试的样本数据对该模型进行评估，输入用户特征值，从模型获得输出的推荐程序值y1，与样本数据中的推荐程序实际值y比对，如果理论值y1等于实际值y，记为预测成功，也即识别正确，以精确率对模型进行评估：
如果数学模型精确率a≥80％，则认为模型合适，将其代码保存，否则，通过增加样本数据、增加训练轮数、微调学习率和/或偏移量算法参数来优化模型；
步骤45：将最终优化完成的模型部署于服务器上，与前端接口功能结合，通过前端输入用户特征参数，即可获得精准推荐程序结果。
6.基于深度学习的按摩程序智能推荐系统，其特征在于，包括
按摩椅，接收APP程序发送的推荐程序，并执行按摩动作，
APP程序，用于收集用户的基本信息传送至云平台，同时接收云平台发送的推荐程序并向用户展示，或将该推荐程序直接发送给按摩椅，
云平台，接收并存储APP程序上传的用户基本信息，并对用户基本信息进行数据特征选择，生成用户信息数据，并将该用户信息数据通过神经网络模型得出推荐程序，并发送至APP程序，
样本数据库，保存样本数据，并将其中样本数据提供给模型用于模型训练，
模型，使用样本数据库的训练数据训练完成，从云平台接收到实际的用户信息数据后，进行预测归类，将结果类别的推荐程序返回给云平台。
7.根据权利要求7所述的基于深度学习的按摩程序智能推荐系统，其特征在于，所述用户基本信息包括体重、性别、年龄、身高和习惯的按摩时间。
8.根据权利要求7所述的基于深度学习的按摩程序智能推荐系统，其特征在于，每条所述样本数据由一条用户信息数据和一条对应的推荐程序数据组成。
9.根据权利要求7所述的基于深度学习的按摩程序智能推荐系统，其特征在于，所述云平台还将本系统和其他系统收集到的可用数据形成训练数据，补充入样本数据库。
10.根据权利要求7所述的基于深度学习的按摩程序智能推荐系统，其特征在于，所述样本数据库从云平台接收新的样本数据，以进一步优化模型，所述模型使用样本数据库提供的追加数据重新训练，优化预测准确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011457947.7A CN112559860A (zh) | 2020-12-10 | 2020-12-10 | 一种基于深度学习的按摩程序智能推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011457947.7A CN112559860A (zh) | 2020-12-10 | 2020-12-10 | 一种基于深度学习的按摩程序智能推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112559860A true CN112559860A (zh) | 2021-03-26 |
Family
ID=75062195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011457947.7A Pending CN112559860A (zh) | 2020-12-10 | 2020-12-10 | 一种基于深度学习的按摩程序智能推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112559860A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113171264A (zh) * | 2021-05-08 | 2021-07-27 | 瑞多（上海）智能科技有限公司 | 一种基于面部识别的智能按摩方法及按摩装置 |
| CN113590286A (zh) * | 2021-07-28 | 2021-11-02 | 北京市商汤科技开发有限公司 | 任务处理系统和任务处理方法 |
| CN114053112A (zh) * | 2021-10-19 | 2022-02-18 | 奥佳华智能健康科技集团股份有限公司 | 一种按摩方法、装置、终端设备及介质 |
| CN115472279A (zh) * | 2022-08-05 | 2022-12-13 | 广东亿佛手健康科技有限公司 | 一种基于人工智能的远程按摩控制方法及系统 |
| CN116821451A (zh) * | 2023-06-19 | 2023-09-29 | 云洞(上海)科技股份有限公司 | 一种基于全生命周期的用户管理系统和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180055119A (ko) * | 2016-11-16 | 2018-05-25 | 패밀리 이나다 가부시키가이샤 | 네트워크를 통한 안마 의자 동작 관리 방법 및 이에 사용되는 관리 서버 |
| CN109166611A (zh) * | 2018-07-19 | 2019-01-08 | 重庆科技学院 | 一种基于数据分析的睡眠按摩方法及系统 |
| CN110347449A (zh) * | 2019-07-01 | 2019-10-18 | 奥佳华智能健康科技集团股份有限公司 | 一种智能按摩椅推荐按摩程序优化方法和系统 |
| CN111956232A (zh) * | 2020-09-22 | 2020-11-20 | 温州国杰健身器材有限公司 | 云健康管理按摩椅 |
-
2020
- 2020-12-10 CN CN202011457947.7A patent/CN112559860A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180055119A (ko) * | 2016-11-16 | 2018-05-25 | 패밀리 이나다 가부시키가이샤 | 네트워크를 통한 안마 의자 동작 관리 방법 및 이에 사용되는 관리 서버 |
| CN109166611A (zh) * | 2018-07-19 | 2019-01-08 | 重庆科技学院 | 一种基于数据分析的睡眠按摩方法及系统 |
| CN110347449A (zh) * | 2019-07-01 | 2019-10-18 | 奥佳华智能健康科技集团股份有限公司 | 一种智能按摩椅推荐按摩程序优化方法和系统 |
| CN111956232A (zh) * | 2020-09-22 | 2020-11-20 | 温州国杰健身器材有限公司 | 云健康管理按摩椅 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113171264A (zh) * | 2021-05-08 | 2021-07-27 | 瑞多（上海）智能科技有限公司 | 一种基于面部识别的智能按摩方法及按摩装置 |
| CN113590286A (zh) * | 2021-07-28 | 2021-11-02 | 北京市商汤科技开发有限公司 | 任务处理系统和任务处理方法 |
| CN114053112A (zh) * | 2021-10-19 | 2022-02-18 | 奥佳华智能健康科技集团股份有限公司 | 一种按摩方法、装置、终端设备及介质 |
| CN115472279A (zh) * | 2022-08-05 | 2022-12-13 | 广东亿佛手健康科技有限公司 | 一种基于人工智能的远程按摩控制方法及系统 |
| CN115472279B (zh) * | 2022-08-05 | 2023-05-26 | 广东亿佛手健康科技有限公司 | 一种基于人工智能的远程按摩控制方法及系统 |
| WO2024027406A1 (zh) * | 2022-08-05 | 2024-02-08 | 广东亿佛手健康科技有限公司 | 一种基于人工智能的远程按摩控制方法及系统 |
| CN116821451A (zh) * | 2023-06-19 | 2023-09-29 | 云洞(上海)科技股份有限公司 | 一种基于全生命周期的用户管理系统和方法 |
| CN116821451B (zh) * | 2023-06-19 | 2024-03-22 | 苏州浩海医疗科技有限公司 | 一种基于全生命周期的用户管理系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112559860A (zh) | 一种基于深度学习的按摩程序智能推荐方法及系统 | |
| CN112598462B (zh) | 基于协同过滤和深度学习的个性化推荐方法及系统 | |
| CN109299396B (zh) | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 | |
| CN110046304B (zh) | 一种用户推荐方法和装置 | |
| CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
| CN107423442B (zh) | 基于用户画像行为分析的应用推荐方法及系统，储存介质及计算机设备 | |
| CN110033281B (zh) | 一种智能客服至人工客服转换的方法及装置 | |
| CN102870114B (zh) | 项目选择装置和项目选择方法 | |
| CN108509573B (zh) | 基于矩阵分解协同过滤算法的图书推荐方法及系统 | |
| Basiri et al. | Alleviating the cold-start problem of recommender systems using a new hybrid approach | |
| CN113706251B (zh) | 基于模型的商品推荐方法、装置、计算机设备和存储介质 | |
| CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
| CN117314593B (zh) | 一种基于用户行为分析的保险项目推送方法及系统 | |
| CN118013981B (zh) | 基于文本回答问题的方法、服务器及系统 | |
| CN114372191A (zh) | 消息行业应用模板推荐方法、装置及计算设备 | |
| CN113515699B (zh) | 信息推荐方法及装置、计算机可读存储介质、处理器 | |
| CN111125338A (zh) | 一种基于卷积神经网络的图书采购推荐方法及装置 | |
| CN111414555A (zh) | 一种基于协同过滤的个性化推荐方法 | |
| US20070094172A1 (en) | Neural network based rating system | |
| CN113704620A (zh) | 基于人工智能的用户标签更新方法、装置、设备及介质 | |
| CN118014622A (zh) | 一种基于用户画像的广告推送方法及系统 | |
| CN111382254A (zh) | 电子名片推荐方法、装置、设备及计算机可读存储介质 | |
| CN115659005A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
| CN113487377A (zh) | 一种基于gru网络的个性化实时推荐方法 | |
| CN110362774B (zh) | 点击率预估模型的建立方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
| RJ01 | Rejection of invention patent application after publication |