CN112699297A - 基于用户画像的服务推荐方法、装置、设备及存储介质 - Google Patents

基于用户画像的服务推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112699297A
CN112699297A CN202011540541.5A CN202011540541A CN112699297A CN 112699297 A CN112699297 A CN 112699297A CN 202011540541 A CN202011540541 A CN 202011540541A CN 112699297 A CN112699297 A CN 112699297A
Authority
CN
China
Prior art keywords
service
user
representation
attribute
prediction 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
Application number
CN202011540541.5A
Other languages
English (en)
Inventor
陈其成
程硕
胥长微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Bank Co Ltd
Original Assignee
Ping An Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Bank Co Ltd filed Critical Ping An Bank Co Ltd
Priority to CN202011540541.5A priority Critical patent/CN112699297A/zh
Publication of CN112699297A publication Critical patent/CN112699297A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例属于人工智能中的机器学习技术领域，应用于智慧社区领域中，涉及一种基于用户画像的服务推荐方法、装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，用户的入场视频数据可存储于区块链中。本申请通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，有效提高推荐匹配操作得到的目标推荐服务的精准度。

Description

基于用户画像的服务推荐方法、装置、设备及存储介质
技术领域
本申请涉及人工智能中的机器学习技术领域，尤其涉及一种基于用户画像的服务推荐方法、装置、计算机设备及存储介质。
背景技术
随着互联网的发展，信息时代的服务越来越趋向于职能化、个性化，旨在向用户提供更全面、更完善、更人性化的信息服务，提高用户体验。因此，在互联网信息时代，如何提供更智能化、更个性化的服务将是众多信息技术产品所面临的竞争和挑战。
现有一种服务推荐方法，各个提供服务的网点、平台通过其自身的实际应用场合出发，会在该网点、平台提供少量、简单的增值服务，如糖果，茶水，以实现提供个性化的服务，进而提高用户的体验。
然而，申请发现传统的服务推荐方法普遍不智能，仅能提供较为通用的定性服务，并不能根据具体的用户的实际需要给用户提供符合用户需求的特性服务，由此可见，传统的服务推荐方法存在智能化较低、精准度较差的问题。
发明内容
本申请实施例的目的在于提出一种基于用户画像的服务推荐方法、装置、计算机设备及存储介质，以解决传统的服务推荐方法存在智能化较低、精准度较差的问题。
为了解决上述技术问题，本申请实施例提供一种基于用户画像的服务推荐方法，采用了如下所述的技术方案：
接收入场登记终端发送的用户入场信号，所述用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；
基于所述入场视频数据对所述入场用户进行身份识别操作，得到所述入场用户的用户标识信息；
基于所述入场视频数据对所述入场用户进行健康分析操作，得到所述入场用户的当前健康信息；
读取本地数据库，在所述本地数据库中获取与所述用户标识信息相对应的历史用户画像；
基于所述当前健康信息以及业务办理信息对所述历史用户画像进行数据更新操作，得到所述入场用户的当前用户画像；
将所述当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；
输出所述目标推荐服务。
为了解决上述技术问题，本申请实施例还提供基于用户画像的服务推荐装置，采用了如下所述的技术方案：
信号接收模块，用于接收入场登记终端发送的用户入场信号，所述用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；
身份识别模块，用于基于所述入场视频数据对所述入场用户进行身份识别操作，得到所述入场用户的用户标识信息；
健康分析模块，用于基于所述入场视频数据对所述入场用户进行健康分析操作，得到所述入场用户的当前健康信息；
历史用户画像获取模块，用于读取本地数据库，在所述本地数据库中获取与所述用户标识信息相对应的历史用户画像；
当前用户画像获取模块，用于基于所述当前健康信息以及业务办理信息对所述历史用户画像进行数据更新操作，得到所述入场用户的当前用户画像；
服务预测模块，用于将所述当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；
推荐服务输出模块，用于输出所述目标推荐服务。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的基于用户画像的服务推荐方法的步骤
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的基于用户画像的服务推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请提供的基于用户画像的服务推荐方法，包括：接收入场登记终端发送的用户入场信号，所述用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；基于所述入场视频数据对所述入场用户进行身份识别操作，得到所述入场用户的用户标识信息；读取本地数据库，在所述本地数据库中获取与所述用户标识信息相对应的历史用户画像；基于所述入场视频数据对所述入场用户进行健康分析操作，得到所述入场用户的当前健康信息；基于所述当前健康信息以及业务办理信息对所述历史用户画像进行更新操作，得到所述入场用户的当前用户画像；将所述当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；输出所述目标推荐服务。当入场用户需要办理业务时，通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，由于该服务预测操作考虑到当前健康信息、业务办理信息、历史用户画像等信息进行智能化匹配，有效提高推荐匹配操作得到的目标推荐服务的精准度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。
图1是本申请实施例一提供的基于用户画像的服务推荐方法的实现流程图；
图2是图1中步骤S106的实现流程图；
图3是本申请实施例一提供的训练服务预测模型的实现流程图；
图4是图3中步骤S302的实现流程图；
图5是图3中步骤S303的实现流程图；
图6是本申请实施例二提供的基于用户画像的服务推荐装置的结构示意图；
图7是图6中服务预测模块160的结构示意图；
图8是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同；本文中在申请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，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，示出了本申请实施例一提供的基于用户画像的服务推荐方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的基于用户画像的服务推荐方法，包括以下步骤：
步骤S101：接收入场登记终端发送的用户入场信号，用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息。
在本申请实施例中，入场登记终端主要用于获取入场用户的用户标识信息以及所需办理业务的内容，该入场登记终端具备摄像设备，以摄取入场用户的入场视频数据，该入场登记终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对入场登记终端的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，业务办理信息指的是在各行业中用户所需要处理的事务，该业务办理信息主要用于预估入场用户处理业务的办理时长，作为示例，例如：办理银行开户业务的预估时间为15分钟；再例如，办理牙科诊断业务的预估时间为1小时等等，应当理解，此处对业务办理信息的举例仅为方便理解，不用于限定本申请。
步骤S102：基于入场视频数据对入场用户进行身份识别操作，得到入场用户的用户标识信息。
在本申请实施例中，身份识别操作指的是基于入场登记终端摄取到的入场视频数据对该入场用户进行身份识别的过程，该身份识别操作具体是在入场视频数据中提取最为清晰的、能够表示该入场用户人脸特征的视频帧，并将该视频帧输入至人脸识别模型以进行身份识别，从而得到该用户标识信息。
在本申请实施例中，用户标识信息主要用于唯一标识“入场用户”的身份，该用户标识信息可以是基于入场用户的名称进行设定，作为示例，例如：张三、李四等等；该用户标识信息还可以是基于序号进行设定，作为示例，例如：001、002、003等等；该用户标识信息还可以是基于名称+序号进行设定，作为示例，例如：张三001、李四002等等，应当理解，此处对用户标识信息的举例仅为便于理解，不用于限定本申请。
步骤S103：基于入场视频数据对入场用户进行健康分析操作，得到入场用户的当前健康信息。
在本申请实施例中，当前健康信息指的是该入场用户的健康状况，主要用于描述入场用户的整个入场动作对应的状况，作为示例，例如：入场用户的入场动作为正常行走动作，那么该当前健康信息为行动正常；再例如：入场用户的入场动作为一瘸一瘸，那么该当前健康信息则为行动异常等等，应当理解，此处对当前健康信息的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，当入场登记终端摄取到入场视频数据后，可将该入场视频数据进行分帧操作，并对分帧后的视频帧进行形体识别，从而得到该入场用户整个入场动作的形体姿态，最后基于该形体姿态分析该用户的健康信息，从而实现对入场用户进行健康分析的操作。
在本申请实施例中，上述基于形体姿态分析该用户的健康信息可以是基于预先标注好健康属性的形体姿态进行相似度匹配，将相似度符合预设阈值的健康属性作为该用户的健康信息。
在本申请实施例中，对分帧后的视频帧进行形体识别可以是通过现有的图像识别技术进行识别，即通过身形比较以及视频帧的像素值进行识别，从而得到每个视频帧中入场用户的身形。
在本申请实施例中，将每个视频帧中的身形拼接成为片段，即为该入场用户整个入场动作的形体姿态。
步骤S104：读取本地数据库，在本地数据库中获取与用户标识信息相对应的历史用户画像。
在本申请实施例中，本地数据库是指驻留于运行客户应用程序的机器的数据库。本地数据库提供最快的响应时间。因为在客户(应用程序)和服务器之间没有网络转输。该本地数据库预先存储有不用用户标识信息对应的用户画像信息。
在本申请实施例中，当在本地数据库中采集不到与该用表示信息相对应的用户画像时，可与服务器建立连接关系，以获取与该用户标识信息相对应的历史用户画像。
作为示例，该历史用户画像如下表所示：
Figure BDA0002854739410000071
步骤S105：基于当前健康信息以及业务办理信息对历史用户画像进行更新操作，得到入场用户的当前用户画像。
在本申请实施例中，更新操作指的是基于当前健康信息(例如：行走异常)或者业务办理信息(办理业务时长增加15分钟)对历史用户画像进行数据更新，以得到完全符合该入场用户当前情况用户画像，作为示例，更新后的用户画像如下表所示：
Figure BDA0002854739410000072
Figure BDA0002854739410000081
步骤S106：将当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务。
在本申请实施例中，服务预测模型主要用于根据用户画像中不同的用户属性标签推荐最符合该用户的推荐服务。
在本申请实施例中，服务预测模型是基于不同的“用户画像”对应的“推荐服务”所训练得到的，即该服务预测模型已学习好不同用户画像对应的推荐服务内容，在实际应用中，在进行服务预测操作时，可将上述当前用户画像文本信息按照属性标签为一次服务预测操作输入至该服务预测模型进行特征提取，该服务预测模型则基于输入的属性标签的特征信息获取最为接近的推荐服务，当上述当前用户画像文本信息的全部标签输入至该服务预测模型后，得到输出的所有推荐服务，即为该目标推荐服务。
在本申请实施例中，服务预测模型得到输出的所有推荐服务后，可将输出的推荐服务按照重复次数进行排序，从而得到推荐强度较高的推荐服务内容，最后可以按照预设的个数继续筛选，从而得到最为符合入场用户的推荐服务。
步骤S107：输出目标推荐服务。
在本申请实施例中，输出目标推荐服务可以是向该智能服务网点的服务人员显示该目标推荐服务，以方便该目标推荐服务的实施，具体的，可以向服务人员的移动终端输出文字信息、音频信息、图像信息等等，以实现输出该目标推荐服务操作。
本申请提供的基于用户画像的服务推荐方法，包括：接收入场登记终端发送的用户入场信号，用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；基于入场视频数据对入场用户进行身份识别操作，得到入场用户的用户标识信息；读取本地数据库，在本地数据库中获取与用户标识信息相对应的历史用户画像；基于入场视频数据对入场用户进行健康分析操作，得到入场用户的当前健康信息；基于当前健康信息以及业务办理信息对历史用户画像进行更新操作，得到入场用户的当前用户画像；将当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；输出目标推荐服务。当入场用户需要办理业务时，通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，由于该服务预测操作考虑到当前健康信息、业务办理信息、历史用户画像等信息进行智能化匹配，有效提高推荐匹配操作得到的目标推荐服务的精准度。
继续参考图2，示出了图1中步骤S106的实现流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述步骤S106具体包括：步骤S201、步骤S202以及步骤S203。
步骤S201：对当前用户画像进行标签拆分操作，得到单个标签文本。
在本申请实施例中，由于用户画像是基于不同的标签内容组合构成的，因此，可以对该用户画像的标签内容进行拆分，从而得到单独分开的标签文本信息。
步骤S202：将单个标签文本分别输入至服务预测模型进行服务预测操作，得到单标签推荐服务。
在本申请实施例中，通过将单个标签文本输入至服务预测模型进行预测，相较于将用户画像信息一次性输入至服务预测模型进行预测，可减少服务预测模型的运行时间，有效提升服务预测作的预测效率。
步骤S203：将单标签推荐服务进行综合计算操作，得到目标推荐服务。
在本申请实施例中，综合计算操作可以是按照平均分、方差平均等方式进行计算，该综合计算操作也可以按照各自的权重比值进行计算，应当理解，此处对综合计算操作的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，由于用户画像的标签内容的多样性，使得将用户画像的全部标签一次性输入至服务预测模型进行预测时，该服务预测模型只能输出一个结果，从而降低该服务预测结果的准确性。通过将用户画像的标签内容进行拆分，得到单独分开的标签文本信息，再将单独分开的标签文本信息分别输入至服务预测模型进行服务预测操作，从而得到更加符合入场用户当前情况的推荐服务，有效提高服务预测操作的准确性。
继续参考图3，示出了本申请实施例一提供的训练服务预测模型的实现流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，在步骤S106之前，还包括：骤S301、步骤S302、步骤S303、步骤S304、步骤S305以及步骤S306。
步骤S301：在本地数据库中获取样本文本，并确定样本文本中包含的每个分词。
在本申请实施例中，可以先从上述本地数据库中获取多个文本，确定由获取的多个文本所构成的训练集，则，针对训练集中的每个文本，可将该文本作为样本文本。
在本申请实施例中，确定该样本文本中包含的分词时，可先对该样本文本进行分词处理，以得到该样本文本中包含的每个分词。在对样本文本进行分词处理时，可采用任何分词方法，当然，也可将该样本文本中的每个字符都作为一个分词进行处理，应当理解，此处对分词处理的举例仅为方便理解，不用于限定本申请。
步骤S302：基于待训练的服务预测模型确定每个分词对应的词向量。
在本申请实施例中，服务预测模型可至少包括四层，分别是：服务表征层、属性表征层、属性相关性表示层、分类层。
在本申请实施例中，服务表征层中至少包括用于输出双向服务表示向量的子模型，如BERT(Bidirectional Encoder Representations from Transformers)模型等。可将每个分词输入服务预测模型中的服务表征层，得到服务表征层输出的每个分词分别对应的双向服务表示向量，作为每个分词对应的词向量。应当理解，用于输出双向服务表示向量的模型除了上述的BERT模型以外，还包括其他模型，此处对用于输出双向服务表示向量的模型的举例仅为方便理解，不用于限定本申请。
步骤S303：在本地数据库中获取每个服务属性，根据待训练的服务预测模型中包含服务属性对应的注意力矩阵，以及每个分词对应的词向量，确定样本文本涉及服务属性的第一特征表示向量。
在本申请实施例中，可将每个分词对应的词向量输入服务预测模型中的属性表征层，通过属性表征层中包含的该服务属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权，根据注意力加权后的每个分词对应的词向量，确定样本文本涉及该服务属性的第一特征表示向量。
步骤S304：根据待训练的服务预测模型中包含的用于表示不同服务属性之间的相关性的自注意力矩阵，以及样本文本涉及每个服务属性的第一特征表示向量，确定样本文本涉及每个服务属性的第二特征表示向量。
在本申请实施例中，可将样本文本涉及每个服务属性的第一特征表示向量输入服务预测模型中的属性相关性表示层，通过属性相关性表示层中包含的上述自注意力矩阵，对样本文本涉及每个服务属性的第一特征表示向量进行自注意力加权，根据自注意力加权后的各第一特征表示向量，确定样本文本涉及每个服务属性的第二特征表示向量。
步骤S305：根据待训练的服务预测模型以及样本文本涉及每个服务属性的第二特征表示向量，确定待训练的服务训练模型输出的分类结果，分类结果包括样本文本所属的服务属性以及样本文本所属的服务属性对应的情感极性。
在本申请实施例中，分类层至少包括隐层、全连接层和softmax层。
在本申请实施例中，可将样本文本涉及每个服务属性的第二特征表示向量依次输入分类层中的隐层、全连接层和softmax层，根据每个第二特征表示向量以及分类层的隐层、全连接层和softmax层中包含的与每个服务属性对应的分类参数，对样本文本进行分类，得到分类层输出的分类结果。
在本申请实施例中，的分类结果至少包括样本文本所属的服务属性以及样本文本在其所属的服务属性上对应的情感极性。
在本申请实施例中，该情感极性可以采用数值进行量化，例如，数值越接近于1，则表示情感极性越倾向于正面，数值越接近于-1，则表示情感极性越倾向于负面，数值接近于0，则表示情感极性倾向于中性。
步骤S306：根据分类结果和针对样本文本预设的标注，对服务预测模型中的模型参数进行调整，以完成对服务预测模型的训练。
在本申请实施例中，需要调整的模型参数至少包括上述的分类参数，还可包括上述的注意力矩阵和自注意力矩阵。可采用传统的训练方法对服务预测模型中的模型参数进行调整。即，直接根据步骤S108得到的分类结果和针对样本文本预设的标注，确定分类结果对应的损失(以下将其称之为第一损失)，并以该第一损失最小化为训练目标对服务预测模型中的模型参数进行调整，以完成对服务预测模型的训练。
在本申请实施例中，由于上述服务预测模型中已经加入了用于表示不同服务属性之间相关性的自注意力矩阵，因此，采用上述传统的训练方法训练得到的服务预测模型可更加准确的对待分析文本的服务进行分析。
在本实施例的一些可选的实现方式中，上述步骤S301具体包括：将每个分词输入服务预测模型中的服务表征层，得到服务表征层输出的每个分词分别对应的双向服务表示向量，作为每个分词对应的词向量。
在本申请实施例中，服务表征层至少包括用于输出双向服务表示向量的子模型，该子模型包括BERT模型。
继续参阅图4，示出了图3中步骤S302的实现流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述步骤S302具体包括：步骤S401、步骤S402以及步骤S403。
步骤S401：将每个分词对应的词向量输入服务预测模型中的属性表征层。
在本申请实施例中，在本申请实施例中，属性表征层中至少包含每个服务属性各自对应的注意力矩阵。
步骤S402：通过属性表征层中包含的该服务属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权。
在本申请实施例中，可将每个分词对应的词向量输入服务预测模型中的属性表征层，通过属性表征层中包含的该服务属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权，根据注意力加权后的每个分词对应的词向量，确定样本文本涉及该服务属性的第一特征表示向量。
步骤S403：根据注意力加权后的每个分词对应的词向量，确定样本文本涉及该服务属性的第一特征表示向量。
在本申请实施例中，上述的第一特征表示向量可以表征该样本文本涉及该服务属性的概率以及在该服务属性上的情感极性。
继续参阅图5，示出了图3中步骤S303的实现流程图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述步骤S303具体包括：步骤S501、步骤S502以及步骤S503。
步骤S501：将样本文本涉及每个服务属性的第一特征表示向量输入服务预测模型中的属性相关性表示层。
在本申请实施例中，服务预测模型中的属性相关性表示层中至少包含自注意力矩阵，该自注意力矩阵用于表示不同服务属性之间的相关性，该自注意力矩阵的形式可以为：矩阵中的元素Rij表示第i个服务属性与第j个服务属性的相关性，相关性越强，Rij的值越大，反之越小。
步骤S502：通过属性相关性表示层中包含的用于表示不同服务属性之间的相关性的自注意力矩阵，对样本文本涉及每个服务属性的第一特征表示向量进行自注意力加权。
步骤S503：根据自注意力加权后的各第一特征表示向量，确定样本文本涉及每个服务属性的第二特征表示向量。
在本申请实施例中，第二特征表示向量同样可以表征该样本文本涉及每个服务属性的概率以及在该服务属性上的情感极性，但与第一特征表示向量不同的是，第一特征表示向量是采用各自独立的每个服务属性对应的注意力矩阵对词向量加权得到的，因此，其表征的样本文本涉及每个服务属性的概率以及在该服务属性上的情感极性并未考虑不同服务属性之间的相关性。而第二特征表示向量是采用用于表示不同服务属性之间相关性的自注意力矩阵对第一特征表示向量加权得到的，相当于由自注意力矩阵引入了不同服务属性之间相关性的因素，因此，其表征的样本文本涉及每个服务属性的概率以及在该服务属性上的情感极性考虑了不同服务属性之间的相关性。
综上，本申请提供的基于用户画像的服务推荐方法，包括：接收入场登记终端发送的用户入场信号，用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；基于入场视频数据对入场用户进行身份识别操作，得到入场用户的用户标识信息；读取本地数据库，在本地数据库中获取与用户标识信息相对应的历史用户画像；基于入场视频数据对入场用户进行健康分析操作，得到入场用户的当前健康信息；基于当前健康信息以及业务办理信息对历史用户画像进行更新操作，得到入场用户的当前用户画像；将当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；输出目标推荐服务。当入场用户需要办理业务时，通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，由于该服务预测操作考虑到当前健康信息、业务办理信息、历史用户画像等信息进行智能化匹配，有效提高推荐匹配操作得到的目标推荐服务的精准度。同时，由于用户画像的标签内容的多样性，使得将用户画像的全部标签一次性输入至服务预测模型进行预测时，该服务预测模型只能输出一个结果，从而降低该服务预测结果的准确性。通过将用户画像的标签内容进行拆分，得到单独分开的标签文本信息，再将单独分开的标签文本信息分别输入至服务预测模型进行服务预测操作，从而得到更加符合入场用户当前情况的推荐服务，有效提高服务预测操作的准确性。
需要强调的是，为进一步保证上述入场视频数据的私密和安全性，上述入场视频数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请可应用于智慧社区领域中，从而推动智慧城市的建设。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图6，作为对上述图1所示方法的实现，本申请提供了一种基于用户画像的服务推荐装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的基于用户画像的服务推荐装置100包括：信号接收模块110、身份识别模块120、健康分析模块130、历史用户画像获取模块140、当前用户画像获取模块150、服务预测模块160以及推荐服务输出模块170。其中：
信号接收模块110，用于接收入场登记终端发送的用户入场信号，用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；
身份识别模块120，用于基于入场视频数据对入场用户进行身份识别操作，得到入场用户的用户标识信息；
健康分析模块130，用于基于入场视频数据对入场用户进行健康分析操作，得到入场用户的当前健康信息；
历史用户画像获取模块140，用于读取本地数据库，在本地数据库中获取与用户标识信息相对应的历史用户画像；
当前用户画像获取模块150，用于基于当前健康信息以及业务办理信息对历史用户画像进行数据更新操作，得到入场用户的当前用户画像；
服务预测模块160，用于将当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；
推荐服务输出模块170，用于输出目标推荐服务。
在本申请实施例中，入场登记终端主要用于获取入场用户的用户标识信息以及所需办理业务的内容，该入场登记终端具备摄像设备，以摄取入场用户的入场视频数据，该入场登记终端可以是诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，应当理解，此处对入场登记终端的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，业务办理信息指的是在各行业中用户所需要处理的事务，该业务办理信息主要用于预估入场用户处理业务的办理时长，作为示例，例如：办理银行开户业务的预估时间为15分钟；再例如，办理牙科诊断业务的预估时间为1小时等等，应当理解，此处对业务办理信息的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，身份识别操作指的是基于入场登记终端摄取到的入场视频数据对该入场用户进行身份识别的过程，该身份识别操作具体是在入场视频数据中提取最为清晰的、能够表示该入场用户人脸特征的视频帧，并将该视频帧输入至人脸识别模型以进行身份识别，从而得到该用户标识信息。
在本申请实施例中，用户标识信息主要用于唯一标识“入场用户”的身份，该用户标识信息可以是基于入场用户的名称进行设定，作为示例，例如：张三、李四等等；该用户标识信息还可以是基于序号进行设定，作为示例，例如：001、002、003等等；该用户标识信息还可以是基于名称+序号进行设定，作为示例，例如：张三001、李四002等等，应当理解，此处对用户标识信息的举例仅为便于理解，不用于限定本申请。
在本申请实施例中，当前健康信息指的是该入场用户的健康状况，主要用于描述入场用户的整个入场动作对应的状况，作为示例，例如：入场用户的入场动作为正常行走动作，那么该当前健康信息为行动正常；再例如：入场用户的入场动作为一瘸一瘸，那么该当前健康信息则为行动异常等等，应当理解，此处对当前健康信息的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，当入场登记终端摄取到入场视频数据后，可将该入场视频数据进行分帧操作，并对分帧后的视频帧进行形体识别，从而得到该入场用户整个入场动作的形体姿态，最后基于该形体姿态分析该用户的健康信息，从而实现对入场用户进行健康分析的操作。
在本申请实施例中，上述基于形体姿态分析该用户的健康信息可以是基于预先标注好健康属性的形体姿态进行相似度匹配，将相似度符合预设阈值的健康属性作为该用户的健康信息。
在本申请实施例中，对分帧后的视频帧进行形体识别可以是通过现有的图像识别技术进行识别，即通过身形比较以及视频帧的像素值进行识别，从而得到每个视频帧中入场用户的身形。
在本申请实施例中，将每个视频帧中的身形拼接成为片段，即为该入场用户整个入场动作的形体姿态。
在本申请实施例中，本地数据库是指驻留于运行客户应用程序的机器的数据库。本地数据库提供最快的响应时间。因为在客户(应用程序)和服务器之间没有网络转输。该本地数据库预先存储有不用用户标识信息对应的用户画像信息。
在本申请实施例中，当在本地数据库中采集不到与该用表示信息相对应的用户画像时，可与服务器建立连接关系，以获取与该用户标识信息相对应的历史用户画像。
在本申请实施例中，更新操作指的是基于当前健康信息(例如：行走异常)或者业务办理信息(办理业务时长增加15分钟)对历史用户画像进行数据更新，以得到完全符合该入场用户当前情况用户画像。
在本申请实施例中，服务预测模型主要用于根据用户画像中不同的用户属性标签推荐最符合该用户的推荐服务。
在本申请实施例中，服务预测模型是基于不同的“用户画像”对应的“推荐服务”所训练得到的，即该服务预测模型已学习好不同用户画像对应的推荐服务内容，在实际应用中，在进行服务预测操作时，可将上述当前用户画像文本信息按照属性标签为一次服务预测操作输入至该服务预测模型进行特征提取，该服务预测模型则基于输入的属性标签的特征信息获取最为接近的推荐服务，当上述当前用户画像文本信息的全部标签输入至该服务预测模型后，得到输出的所有推荐服务，即为该目标推荐服务。
在本申请实施例中，服务预测模型得到输出的所有推荐服务后，可将输出的推荐服务按照重复次数进行排序，从而得到推荐强度较高的推荐服务内容，最后可以按照预设的个数继续筛选，从而得到最为符合入场用户的推荐服务。
在本申请实施例中，输出目标推荐服务可以是向该智能服务网点的服务人员显示该目标推荐服务，以方便该目标推荐服务的实施，具体的，可以向服务人员的移动终端输出文字信息、音频信息、图像信息等等，以实现输出该目标推荐服务操作。
本申请提供的基于用户画像的服务推荐装置，当入场用户需要办理业务时，通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，由于该服务预测操作考虑到当前健康信息、业务办理信息、历史用户画像等信息进行智能化匹配，有效提高推荐匹配操作得到的目标推荐服务的精准度。
进一步参阅图7，示出了图6中服务预测模块160的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本实施例的一些可选的实现方式中，上述服务预测模块160包括：标签拆分子模块161、服务预测子模块162以及综合计算子模块163。其中：
标签拆分子模块161，用于对当前用户画像进行标签拆分操作，得到单个标签文本；
服务预测子模块162，用于将单个标签文本分别输入至服务预测模型进行服务预测操作，得到单标签推荐服务；
综合计算子模块163，用于将单标签推荐服务进行综合计算操作，得到目标推荐服务。
在本申请实施例中，由于用户画像是基于不同的标签内容组合构成的，因此，可以对该用户画像的标签内容进行拆分，从而得到单独分开的标签文本信息。
在本申请实施例中，通过将单个标签文本输入至服务预测模型进行预测，相较于将用户画像信息一次性输入至服务预测模型进行预测，可减少服务预测模型的运行时间，有效提升服务预测作的预测效率。
在本申请实施例中，综合计算操作可以是按照平均分、方差平均等方式进行计算，该综合计算操作也可以按照各自的权重比值进行计算，应当理解，此处对综合计算操作的举例仅为方便理解，不用于限定本申请。
在本申请实施例中，由于用户画像的标签内容的多样性，使得将用户画像的全部标签一次性输入至服务预测模型进行预测时，该服务预测模型只能输出一个结果，从而降低该服务预测结果的准确性。通过将用户画像的标签内容进行拆分，得到单独分开的标签文本信息，再将单独分开的标签文本信息分别输入至服务预测模型进行服务预测操作，从而得到更加符合入场用户当前情况的推荐服务，有效提高服务预测操作的准确性。
在本实施例的一些可选的实现方式中，上述基于用户画像的服务推荐装置100还包括：分词确定模块、词向量确定模块、第一特征模块、第二特征模块、分类结果确定模块以及参数调整模块。其中：
分词确定模块，用于在本地数据库中获取样本文本，并确定样本文本中包含的每个分词；
词向量确定模块，用于基于待训练的服务预测模型确定每个分词对应的词向量；
第一特征模块，用于在本地数据库中获取每个服务属性，根据待训练的服务预测模型中包含服务属性对应的注意力矩阵，以及每个分词对应的词向量，确定样本文本涉及服务属性的第一特征表示向量；
第二特征模块，用于根据待训练的服务预测模型中包含的用于表示不同服务属性之间的相关性的自注意力矩阵，以及样本文本涉及每个服务属性的第一特征表示向量，确定样本文本涉及每个服务属性的第二特征表示向量；
分类结果确定模块，用于根据待训练的服务预测模型以及样本文本涉及每个服务属性的第二特征表示向量，确定待训练的服务训练模型输出的分类结果，分类结果包括样本文本所属的服务属性以及样本文本所属的服务属性对应的情感极性；
参数调整模块，用于根据分类结果和针对样本文本预设的标注，对服务预测模型中的模型参数进行调整，以完成对服务预测模型的训练。
在本实施例的一些可选的实现方式中，上述分词确定模块具体包括：分词确定子模块。其中：
分词确定子模块，用于将每个分词输入服务预测模型中的服务表征层，得到服务表征层输出的每个分词分别对应的双向服务表示向量，作为每个分词对应的词向量。
在本实施例的一些可选的实现方式中，上述第一特征模块具体包括：词向量输入子模块、注意力加权子模块以及第一特征确定子模块。其中：
词向量输入子模块，用于将每个分词对应的词向量输入服务预测模型中的属性表征层；
注意力加权子模块，用于通过属性表征层中包含的该服务属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权；
第一特征确定子模块，用于根据注意力加权后的每个分词对应的词向量，确定样本文本涉及该服务属性的第一特征表示向量。
在本实施例的一些可选的实现方式中，上述第二特征模块具体包括：第一特征表示向量输入子模块、自注意力加权子模块以及第二特征确定子模块。其中：
第一特征表示向量输入子模块，用于将样本文本涉及每个服务属性的第一特征表示向量输入服务预测模型中的属性相关性表示层；
自注意力加权子模块，用于通过属性相关性表示层中包含的用于表示不同服务属性之间的相关性的自注意力矩阵，对样本文本涉及每个服务属性的第一特征表示向量进行自注意力加权；
第二特征确定子模块，用于根据自注意力加权后的各第一特征表示向量，确定样本文本涉及每个服务属性的第二特征表示向量。
综上，本申请提供的基于用户画像的服务推荐装置，包括：信号接收模块，用于接收入场登记终端发送的用户入场信号，用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；身份识别模块，用于基于入场视频数据对入场用户进行身份识别操作，得到入场用户的用户标识信息；健康分析模块，用于基于入场视频数据对入场用户进行健康分析操作，得到入场用户的当前健康信息；历史用户画像获取模块，用于读取本地数据库，在本地数据库中获取与用户标识信息相对应的历史用户画像；当前用户画像获取模块，用于基于当前健康信息以及业务办理信息对历史用户画像进行数据更新操作，得到入场用户的当前用户画像；服务预测模块，用于将当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；推荐服务输出模块，用于输出目标推荐服务。当入场用户需要办理业务时，通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，由于该服务预测操作考虑到当前健康信息、业务办理信息、历史用户画像等信息进行智能化匹配，有效提高推荐匹配操作得到的目标推荐服务的精准度。同时，由于用户画像的标签内容的多样性，使得将用户画像的全部标签一次性输入至服务预测模型进行预测时，该服务预测模型只能输出一个结果，从而降低该服务预测结果的准确性；通过将用户画像的标签内容进行拆分，得到单独分开的标签文本信息，再将单独分开的标签文本信息分别输入至服务预测模型进行服务预测操作，从而得到更加符合入场用户当前情况的推荐服务，有效提高服务预测操作的准确性。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是，图中仅示出了具有组件210-230的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备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/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器210至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器210可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器210也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如基于用户画像的服务推荐方法的计算机可读指令等。此外，所述存储器210还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器220在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器220通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据，例如运行所述基于用户画像的服务推荐方法的计算机可读指令。
所述网络接口230可包括无线网络接口或有线网络接口，该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
本申请提供的基于用户画像的服务推荐方法，当入场用户需要办理业务时，通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，由于该服务预测操作考虑到当前健康信息、业务办理信息、历史用户画像等信息进行智能化匹配，有效提高推荐匹配操作得到的目标推荐服务的精准度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于用户画像的服务推荐方法的步骤。
本申请提供的基于用户画像的服务推荐方法，当入场用户需要办理业务时，通过分析入场用户的入场视频数据，得到该入场用户的用户标识信息以及当前健康信息，并基于该用户标识信息获取该入场用户的历史用户画像，基于得到的当前健康信息和业务办理信息更新该历史用户画像，得到入场用户最新的当前用户画像，最后基于深度学习网络对该当前用户画像进行服务预测，以获得最满足用户需求的推荐服务，由于该服务预测操作考虑到当前健康信息、业务办理信息、历史用户画像等信息进行智能化匹配，有效提高推荐匹配操作得到的目标推荐服务的精准度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于用户画像的服务推荐方法，其特征在于，包括下述步骤：
接收入场登记终端发送的用户入场信号，所述用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；
基于所述入场视频数据对所述入场用户进行身份识别操作，得到所述入场用户的用户标识信息；
基于所述入场视频数据对所述入场用户进行健康分析操作，得到所述入场用户的当前健康信息；
读取本地数据库，在所述本地数据库中获取与所述用户标识信息相对应的历史用户画像；
基于所述当前健康信息以及业务办理信息对所述历史用户画像进行数据更新操作，得到所述入场用户的当前用户画像；
将所述当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；
输出所述目标推荐服务。
2.根据权利要求1所述的基于用户画像的服务推荐方法，其特征在于，所述将所述当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务的步骤，具体包括：
对所述当前用户画像进行标签拆分操作，得到单个标签文本；
将所述单个标签文本分别输入至所述服务预测模型进行所述服务预测操作，得到单标签推荐服务；
将所述单标签推荐服务进行综合计算操作，得到所述目标推荐服务。
3.根据权利要求1所述的基于用户画像的服务推荐方法，其特征在于，在所述将所述当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务的步骤之前，还包括：
在所述本地数据库中获取样本文本，并确定所述样本文本中包含的每个分词；
基于待训练的服务预测模型确定所述每个分词对应的词向量；
在所述本地数据库中获取每个服务属性，根据所述待训练的服务预测模型中包含所述服务属性对应的注意力矩阵，以及所述每个分词对应的词向量，确定所述样本文本涉及所述服务属性的第一特征表示向量；
根据所述待训练的服务预测模型中包含的用于表示不同服务属性之间的相关性的自注意力矩阵，以及所述样本文本涉及每个服务属性的第一特征表示向量，确定所述样本文本涉及每个服务属性的第二特征表示向量；
根据所述待训练的服务预测模型以及所述样本文本涉及每个服务属性的第二特征表示向量，确定所述待训练的服务训练模型输出的分类结果，所述分类结果包括所述样本文本所属的服务属性以及所述样本文本所属的服务属性对应的情感极性；
根据所述分类结果和针对所述样本文本预设的标注，对所述服务预测模型中的模型参数进行调整，以完成对所述服务预测模型的训练。
4.根据权利要求3所述的基于用户画像的服务推荐方法，其特征在于，所述在所述本地数据库中获取样本文本，并确定所述样本文本中包含的每个分词的步骤，具体包括：
将所述每个分词输入所述服务预测模型中的服务表征层，得到所述服务表征层输出的每个分词分别对应的双向服务表示向量，作为每个分词对应的词向量。
5.根据权利要求3所述的基于用户画像的服务推荐方法，其特征在于，所述将所述每个分词输入所述服务预测模型中的服务表征层，得到所述服务表征层输出的每个分词分别对应的双向服务表示向量，作为每个分词对应的词向量的步骤，具体包括：
将每个分词对应的词向量输入所述服务预测模型中的属性表征层；
通过所述属性表征层中包含的该服务属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权；
根据注意力加权后的每个分词对应的词向量，确定所述样本文本涉及该服务属性的第一特征表示向量。
6.根据权利要求3所述的基于用户画像的服务推荐方法，其特征在于，所述在所述本地数据库中获取每个服务属性，根据所述待训练的服务预测模型中包含所述服务属性对应的注意力矩阵，以及所述每个分词对应的词向量，确定所述样本文本涉及所述服务属性的第一特征表示向量的步骤，具体包括：
将所述样本文本涉及每个服务属性的第一特征表示向量输入所述服务预测模型中的属性相关性表示层；
通过所述属性相关性表示层中包含的用于表示不同服务属性之间的相关性的自注意力矩阵，对所述样本文本涉及每个服务属性的第一特征表示向量进行自注意力加权；
根据自注意力加权后的各第一特征表示向量，确定所述样本文本涉及每个服务属性的第二特征表示向量。
7.一种基于用户画像的服务推荐装置，其特征在于，包括：
信号接收模块，用于接收入场登记终端发送的用户入场信号，所述用户入场信号至少携带有入场用户的入场视频数据以及业务办理信息；
身份识别模块，用于基于所述入场视频数据对所述入场用户进行身份识别操作，得到所述入场用户的用户标识信息；
健康分析模块，用于基于所述入场视频数据对所述入场用户进行健康分析操作，得到所述入场用户的当前健康信息；
历史用户画像获取模块，用于读取本地数据库，在所述本地数据库中获取与所述用户标识信息相对应的历史用户画像；
当前用户画像获取模块，用于基于所述当前健康信息以及业务办理信息对所述历史用户画像进行数据更新操作，得到所述入场用户的当前用户画像；
服务预测模块，用于将所述当前用户画像输入至服务预测模型进行服务预测操作，得到目标推荐服务；
推荐服务输出模块，用于输出所述目标推荐服务。
8.根据权利要求7所述的基于用户画像的服务推荐装置，其特征在于，所述服务预测模块包括：
标签拆分子模块，用于对所述当前用户画像进行标签拆分操作，得到单个标签文本；
服务预测子模块，用于将所述单个标签文本分别输入至所述服务预测模型进行所述服务预测操作，得到单标签推荐服务；
综合计算子模块，用于将所述单标签推荐服务进行综合计算操作，得到所述目标推荐服务。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的基于用户画像的服务推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的基于用户画像的服务推荐方法的步骤。
CN202011540541.5A 2020-12-23 2020-12-23 基于用户画像的服务推荐方法、装置、设备及存储介质 Pending CN112699297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011540541.5A CN112699297A (zh) 2020-12-23 2020-12-23 基于用户画像的服务推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011540541.5A CN112699297A (zh) 2020-12-23 2020-12-23 基于用户画像的服务推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112699297A true CN112699297A (zh) 2021-04-23

Family

ID=75511010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011540541.5A Pending CN112699297A (zh) 2020-12-23 2020-12-23 基于用户画像的服务推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112699297A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407831A (zh) * 2021-06-16 2021-09-17 中国联合网络通信集团有限公司 课程推荐方法及设备
CN113488172A (zh) * 2021-07-05 2021-10-08 联仁健康医疗大数据科技股份有限公司 全息数字人模型生成方法、装置、电子设备及存储介质
CN113643814A (zh) * 2021-08-30 2021-11-12 平安医疗健康管理股份有限公司 健康管理方案的推荐方法、装置、设备及存储介质
CN113672799A (zh) * 2021-05-31 2021-11-19 珠海大横琴科技发展有限公司 一种服务推荐的方法和装置
CN113744030A (zh) * 2021-09-08 2021-12-03 未鲲(上海)科技服务有限公司 基于ai用户画像的推荐方法、装置、服务器及介质
CN114529227A (zh) * 2022-04-24 2022-05-24 九州银丰(北京)科技有限公司 一种基于大数据与深度学习的乡村振兴综合服务平台
CN114969566A (zh) * 2022-06-27 2022-08-30 中国测绘科学研究院 一种距离度量的政务服务事项协同过滤推荐方法
CN117829968A (zh) * 2024-03-06 2024-04-05 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统
CN117829968B (zh) * 2024-03-06 2024-05-31 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215760A (zh) * 2018-09-21 2019-01-15 百度在线网络技术（北京）有限公司 提供饮食建议的方法、装置、设备及存储介质
CN110710190A (zh) * 2017-06-16 2020-01-17 华为技术有限公司 一种生成用户画像的方法和终端
CN111091351A (zh) * 2019-12-16 2020-05-01 北京政信1890智能科技有限公司 用户画像构建方法、装置、电子设备和可读存储介质
CN111144126A (zh) * 2019-12-24 2020-05-12 北京三快在线科技有限公司 一种语义分析模型的训练方法、语义分析方法及装置
CN111241885A (zh) * 2018-11-29 2020-06-05 中国移动通信集团天津有限公司 用户识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110710190A (zh) * 2017-06-16 2020-01-17 华为技术有限公司 一种生成用户画像的方法和终端
CN109215760A (zh) * 2018-09-21 2019-01-15 百度在线网络技术（北京）有限公司 提供饮食建议的方法、装置、设备及存储介质
CN111241885A (zh) * 2018-11-29 2020-06-05 中国移动通信集团天津有限公司 用户识别方法及装置
CN111091351A (zh) * 2019-12-16 2020-05-01 北京政信1890智能科技有限公司 用户画像构建方法、装置、电子设备和可读存储介质
CN111144126A (zh) * 2019-12-24 2020-05-12 北京三快在线科技有限公司 一种语义分析模型的训练方法、语义分析方法及装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113672799A (zh) * 2021-05-31 2021-11-19 珠海大横琴科技发展有限公司 一种服务推荐的方法和装置
CN113407831A (zh) * 2021-06-16 2021-09-17 中国联合网络通信集团有限公司 课程推荐方法及设备
CN113407831B (zh) * 2021-06-16 2024-03-01 中国联合网络通信集团有限公司 课程推荐方法及设备
CN113488172A (zh) * 2021-07-05 2021-10-08 联仁健康医疗大数据科技股份有限公司 全息数字人模型生成方法、装置、电子设备及存储介质
CN113643814A (zh) * 2021-08-30 2021-11-12 平安医疗健康管理股份有限公司 健康管理方案的推荐方法、装置、设备及存储介质
CN113744030A (zh) * 2021-09-08 2021-12-03 未鲲(上海)科技服务有限公司 基于ai用户画像的推荐方法、装置、服务器及介质
CN114529227A (zh) * 2022-04-24 2022-05-24 九州银丰(北京)科技有限公司 一种基于大数据与深度学习的乡村振兴综合服务平台
CN114969566A (zh) * 2022-06-27 2022-08-30 中国测绘科学研究院 一种距离度量的政务服务事项协同过滤推荐方法
CN114969566B (zh) * 2022-06-27 2023-03-24 中国测绘科学研究院 一种距离度量的政务服务事项协同过滤推荐方法
CN117829968A (zh) * 2024-03-06 2024-04-05 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统
CN117829968B (zh) * 2024-03-06 2024-05-31 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统

Similar Documents

Publication Publication Date Title
CN112699297A (zh) 基于用户画像的服务推荐方法、装置、设备及存储介质
CN112395979B (zh) 基于图像的健康状态识别方法、装置、设备及存储介质
CN112561684A (zh) 金融欺诈风险识别方法、装置、计算机设备及存储介质
CN111898550B (zh) 建立表情识别模型方法、装置、计算机设备及存储介质
CN112863683A (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN112330331A (zh) 基于人脸识别的身份验证方法、装置、设备及存储介质
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN110795714A (zh) 一种身份验证方法、装置、计算机设备及存储介质
CN113707299A (zh) 基于问诊会话的辅助诊断方法、装置及计算机设备
CN113705534A (zh) 基于深度视觉的行为预测方法、装置、设备及存储介质
CN115331150A (zh) 图像识别方法、装置、电子设备、存储介质
CN116311370A (zh) 一种基于多角度特征的牛脸识别方法及其相关设备
CN114241459B (zh) 一种驾驶员身份验证方法、装置、计算机设备及存储介质
CN112668482A (zh) 人脸识别训练方法、装置、计算机设备及存储介质
CN114861241A (zh) 基于智能检测的防窥屏方法及其相关设备
US8086616B1 (en) Systems and methods for selecting interest point descriptors for object recognition
CN114386013A (zh) 学籍自动认证方法、装置、计算机设备及存储介质
CN113591603A (zh) 证件的验证方法、装置、电子设备及存储介质
CN114282258A (zh) 截屏数据脱敏方法、装置、计算机设备及存储介质
CN113781462A (zh) 一种人体伤残检测方法、装置、设备及存储介质
CN111709851A (zh) 基于rfid及面部识别的酒店安全入住的方法、装置及设备
CN113343898B (zh) 基于知识蒸馏网络的口罩遮挡人脸识别方法、装置及设备
CN112395450A (zh) 图片文字检测方法、装置、计算机设备及存储介质
CN112733645A (zh) 手写签名校验方法、装置、计算机设备及存储介质
CN113420628B (zh) 一种群体行为识别方法、装置、计算机设备及存储介质

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