CN113111253A - 基于中医药知识的个性化推荐方法、系统、设备及介质 - Google Patents

基于中医药知识的个性化推荐方法、系统、设备及介质 Download PDF

Info

Publication number
CN113111253A
CN113111253A CN202011619418.2A CN202011619418A CN113111253A CN 113111253 A CN113111253 A CN 113111253A CN 202011619418 A CN202011619418 A CN 202011619418A CN 113111253 A CN113111253 A CN 113111253A
Authority
CN
China
Prior art keywords
recommendation
user
chinese medicine
traditional chinese
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
CN202011619418.2A
Other languages
English (en)
Inventor
汤浩钧
陈雪芳
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.)
Shaoxing Yidu Information Technology Co ltd
Original Assignee
Shaoxing Yidu Information Technology 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 Shaoxing Yidu Information Technology Co ltd filed Critical Shaoxing Yidu Information Technology Co ltd
Priority to CN202011619418.2A priority Critical patent/CN113111253A/zh
Publication of CN113111253A publication Critical patent/CN113111253A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于中医药知识的个性化推荐方法、系统、设备及介质，个性化推荐方法包括：对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集；使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果；所述超融合推荐引擎模型包括LR模型、DNN模型和FM模型；所述推荐结果包括资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐中的至少一种。本发明能够为大规模在线用户同时实现个性化的定制课程与价值信息的推荐服务，当大规模在线用户面对海量课程和信息资讯时有合适选择。

Description

基于中医药知识的个性化推荐方法、系统、设备及介质
【技术领域】
本发明涉及中医药知识领域，特别涉及一种基于中医药知识的个性化推荐方法、系统、设备及介质。
【背景技术】
个性化推荐系统是互联网和电子商务发展的产物，是建立在海量数据挖掘基础上的一种高级商务智能系统，向用户提供个性化的信息服务和决策支持。近年来已经出现了一些非常成功的大型推荐系统实例，互联网大型社交媒体和电商网站纷纷把个性化推荐系统作为其重要智能服务之一。与此同时，个性化推荐系统也逐渐成为学术界的研究热点之一。
中医药领域存在着大量的先验知识，这些先验知识汇聚成了中医药领域的宝库。中医药领域的数据来源有多种多样，其中包括源自中医中药、网络空间、社交媒体、教育培训、药材营销等业务领域的实时和非实时数据。然而，当用户在面对海量的中医药课程和中医药价值资讯时却无从选择，用户难以找到适时、适地、适合的价值信息。如何把中医药大量先验知识的宝库向大规模在线用户有针对性的、及时的推荐和普及是一个亟待解决的课题。
【发明内容】
本发明要解决的技术问题是：为了克服现有技术中用户面对海量的中医药课程和中医药价值资讯时无从选择，同时中医药大量先验知识的宝库难以向大规模在线用户有针对性的、及时的推荐普及的缺陷，提供一种能够为大规模在线用户同时实现个性化的定制课程与价值信息的推荐服务的基于中医药知识的个性化推荐方法、系统、设备及介质。
本发明是通过下述技术方案解决上述技术问题的：
本发明提供了一种基于中医药知识规模化普及的个性化推荐方法，包括以下步骤：
对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集；
使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果；
所述超融合推荐引擎模型包括LR(逻辑回归)模型、DNN(深度神经网络)模型和FM(因子分解机)模型；
所述推荐结果包括资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐中的至少一种。
较佳地，所述个性化推荐方法还包括以下步骤：
获取用户数据、行为数据和环境数据；
对所述用户数据进行特征提取，以得到用户特征；
对所述行为数据进行特征提取，以得到行为特征；
对所述环境数据进行特征提取，以得到环境特征；
所述对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回的步骤包括：
对所述中医药的先验知识、中医药课程和价值资讯进行特征提取，以得到内容特征；
基于若干维度特征采用单一的深度学习算法进行离线召回；
所述维度特征包括所述内容特征、所述用户特征、所述行为特征及所述环境特征。
较佳地，所述维度特征还包括热度特征、协同特征中的至少一种。
较佳地，所述LR模型、所述DNN模型和所述FM模型共享相同的输入数据。
较佳地，使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排时，所述LR模型接入所有的所述维度特征，所述DNN模型和所述FM模型接入部分的所述维度特征。
较佳地，所述个性化推荐方法还包括基于用户的推荐请求进行在线精排以得到所述用户的最终推荐结果的步骤；
所述基于用户的推荐请求进行在线精排以得到所述用户的最终推荐结果的步骤包括：
获取所述用户的推荐请求；
根据所述推荐请求获取所述用户的用户ID(身份标识号)；
根据所述用户ID找到所述用户对应的所述粗选推荐结果；
基于所述用户对应的所述粗选推荐结果进行业务逻辑规则的处理后，得到所述用户的最终推荐结果。
较佳地，所述对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集的步骤基于大数据集群工具实现；
所述使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果的步骤基于内存和关系型数据库实现；
所述基于用户的推荐请求进行在线精排处理，以得到所述用户的最终推荐结果的步骤基于加载内存实现。
较佳地，所述推荐候选合集包括内容画像、用户画像、行为画像和环境画像；
所述价值资讯包括中医问答、治疗故事、养生技巧、协会新闻、中医视野中的至少一种。
较佳地，所述资讯信息流供给推荐包括以下推荐中的至少一种：中医问答、段子、笑话、动态、生态圈、治疗故事、养生技巧、协会新闻、中医视野；
所述课程点播直播推荐包括以下推荐中的至少一种：中医生活、中医特色、中医方剂、中医疾病、中医文化、中医专家、中医互动。
所述课程点播直播推荐包括以下推荐中的至少一种：中医生活、中医特色、中医方剂、中医疾病、中医文化、中医专家、中医互动。
本发明还提供了一种基于中医药知识规模化普及的个性化推荐系统，包括：
离线召回模块，用于对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集；
近线粗排模块，用于使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果；
所述超融合推荐引擎模型包括LR模型、DNN模型和FM模型；
所述推荐结果包括资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐中的至少一种。
较佳地，所述个性化推荐系统还包括：
数据获取模块，用于获取用户数据、行为数据和环境数据；
特征提取模块，用于对所述用户数据进行特征提取，以得到用户特征；还用于对所述行为数据进行特征提取，以得到行为特征；还用于对所述环境数据进行特征提取，以得到环境特征；
所述离线召回模块包括：
特征提取单元，用于对所述中医药的先验知识、中医药课程和价值资讯进行特征提取，以得到内容特征；
离线召回单元，用于基于若干维度特征采用单一的深度学习算法进行离线召回；
所述维度特征包括所述内容特征、所述用户特征、所述行为特征及所述环境特征。
较佳地，所述维度特征还包括热度特征、协同特征中的至少一种。
较佳地，所述LR模型、所述DNN模型和所述FM模型共享相同的输入数据。
较佳地，使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排时，所述LR模型接入所有的所述维度特征，所述DNN模型和所述FM模型接入部分的所述维度特征。
较佳地，所述个性化推荐系统还包括在线精排模块；
所述在线精排模块用于基于用户的推荐请求进行在线精排处理，以得到所述用户的最终推荐结果；
所述在线精排模块包括：
用户请求获取单元，用于获取所述用户的推荐请求；
用户ID获取单元，用于根据所述推荐请求获取所述用户的用户ID；
粗选推荐结果查找单元，用于根据所述用户ID找到所述用户对应的所述粗选推荐结果；
最终推荐结果获取单元，用于基于所述用户对应的所述粗选推荐结果进行业务逻辑规则的处理后，得到所述用户的最终推荐结果。
较佳地，所述离线召回模块基于大数据集群工具实现；
所述近线粗排模块基于内存和关系型数据库实现；
所述线精排模块基于加载内存实现。
较佳地，所述推荐候选合集包括内容画像、用户画像、行为画像和环境画像；
所述价值资讯包括中医问答、治疗故事、养生技巧、协会新闻、中医视野中的至少一种。
较佳地，所述资讯信息流供给推荐包括以下推荐中的至少一种：中医问答、段子、笑话、动态、生态圈、治疗故事、养生技巧、协会新闻、中医视野；
所述课程点播直播推荐包括以下推荐中的至少一种：中医生活、中医特色、中医方剂、中医疾病、中医文化、中医专家、中医互动。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时等效性实现前述的基于中医药知识规模化普及的个性化推荐方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时等效性实现前述的基于中医药知识规模化普及的个性化推荐方法的步骤。
本发明的积极进步效果在于：
本发明提供的基于中医药知识的个性化推荐方法、系统、设备及介质，能够为大规模在线用户同时实现个性化的定制课程与价值信息的推荐服务，当大规模在线用户面对海量课程和信息资讯时有合适选择。本发明是一种建立在中医药多源跨界异构数据挖掘分析基础之上的商务智能工具与服务，通过多策略融合技术和推荐流程的优化实现秒级响应用户点击反馈、并迅速反应，追求实时更新的中医药定制课程与价值信息的推荐效果。
【附图说明】
图1为本发明实施例1的基于中医药知识规模化普及的个性化推荐方法的流程图。
图2为图1中步骤S3的流程图。
图3为图1中步骤S5的流程图。
图4为基于本实施例1的推荐方法实现的一种IF-PTRS推荐系统框架示意图。
图5为本发明实施例2的基于中医药知识规模化普及的个性化推荐系统的模块示意图。
图6为图5中离线召回模块的结构示意图。
图7为图5中在线精排模块的结构示意图。
图8为本发明实施例3的电子设备的结构示意图。
【具体实施方式】
下面通过实施例的方式进一步说明本发明，但并不因此把本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例提供了一种基于中医药知识规模化普及的个性化推荐方法，包括以下步骤：
步骤S1、获取用户数据、行为数据和环境数据。
步骤S2、分别对用户数据、行为数据、环境数据进行特征提取，得到用户特征、行为特征、环境特征。
步骤S3、基于大数据集群工具例如Spark(专为大规模数据处理而设计的快速通用的计算引擎)对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集。其中，价值资讯包括中医问答、治疗故事、养生技巧、协会新闻、中医视野中的至少一种。推荐候选合集包括内容画像、用户画像、行为画像和环境画像。通过多维度地挖掘分析用户的长短期兴趣画像能够精准地把脉用户的偏好与诉求。本步骤中的单一算法可以是基于DNN模型的深度学习算法，也可以是逻辑回归LR、协同过滤、矩阵分解或者用户画像模型算法等。
如图2所示，步骤S3具体包括以下步骤：
步骤S301、对中医药的先验知识、中医药课程和价值资讯进行特征提取，以得到内容特征；
步骤S302、基于若干维度特征，采用单一的深度学习算法进行离线召回；其中，维度特征包括内容特征、用户特征、行为特征及环境特征，另外还可包括热度特征、协同特征中的至少一种。
步骤S4、使用超融合推荐引擎模型对推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果。本步骤基于内存和关系型数据库实现。超融合推荐引擎模型包括LR模型、DNN模型和FM模型。经离线的召回之后是近线的粗排处理，粗排通常采用一些轻量级算法，处理时间非常快、一般在秒级，也就是说当在线用户的行为发生改变后，可做到该用户的推荐结果的实时更新。经粗排得到的粗选推荐结果数为百的量级。
其中，粗选推荐结果包括资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐中的至少一种。资讯信息流供给推荐是千人千面的推荐结果，在本实施例中包括以下推荐中的至少一种：中医问答、段子、笑话、动态、生态圈、治疗故事、养生技巧、协会新闻、中医视野。课程点播直播推荐特指中医药课程、点播视频、直播视频的推荐，本实施例中包括以下推荐中的至少一种：中医生活、中医特色、中医方剂、中医疾病、中医文化、中医专家、中医互动。资讯信息流供给推荐、课程点播直播推荐，都属于个性化推荐内容。相关联内容推荐是指以物推物，当用户看到某视频或文章时，会有一个关联的推荐，通常出现在该视频或文章的下方，以“相关推荐”、“看了还看”等形式出现，一般放在内容的详情页。热点排行推荐包括基于热度特征的热点分析，很多时候出现在首页的热点位置，也包括基于上报的各种数据进行计算得到的排行榜，其支持全局排行及分类排行，通常位置不限。
本实施例中，使用超融合推荐引擎模型对推荐候选合集进行近线粗排处理时，LR模型、DNN模型和FM模型共享相同的输入数据。在其他实施方式中，也可采用以下特征接入方式：LR模型可接入所有的所述维度特征，DNN模型和FM模型可接入部分的所述维度特征。
本实施例设计的IF-PTRS(Implicit Feedback-Personalized TeachingRecommendation System，隐式反馈个性化教学推荐系统)超融合推荐引擎采用LR、DNN及FM构成的组合模型，可简写为“LR+DNN+FM”。其中的LR线性模块可提供中医药大量先验知识的输入，中医药先验知识可先输入到LR线性模块中，再由此组合模型加以处理分析。多策略融合优化推荐是本实施例的其中一个重点技术发明点，此组合模型属轻量级算法，其优势体现在：(a)集成FM和DNN两个模块能够让组合模型同时以显式和隐式的方式学习高阶的特征交互，使组合模型具有不需要预训练、可提取高阶交叉特征、可提取低阶交叉特征和不需要人工特征工程的优点；(b)集成LR线性模块和DNN模块能够让组合模型兼具记忆(memorization)与泛化(generalization)的学习能力；(c)组合模型中的不同模块可共享相同的输入数据，而在具体的应用场景下，不同的模块也可接入各自不同的输入数据，由此提高组合模型的通用性，例如LR模块可接入很多经由先验知识(包括大量中医药先验知识)提取的交叉特征来提高记忆能力；(d)FM模块或DNN模块中可只导入一部分稀疏的特征子集，能减少组合模型的计算复杂度。
步骤S5、基于用户的推荐请求，进行在线精排以得到该用户的最终推荐结果，本步骤基于加载内存实现。
如图3所示，步骤S5具体包括以下步骤：
步骤S501、获取用户的推荐请求；
步骤S502、根据推荐请求获取该用户的用户ID；
步骤S503、根据用户ID找到该用户对应的粗选推荐结果；
步骤S504、基于用户对应的粗选推荐结果进行业务逻辑规则的处理后，得到该用户的最终推荐结果。
经过近线粗排之后是在线的精排处理，也是最后一步要做的。当收到新的用户的推荐请求，根据这个用户的用户ID，经由离线找到近线处理结果。然后，基于近线粗排的粗选推荐结果，再做一些业务逻辑规则的处理，例如要求在一次推荐集中必须不多于10个且符合多样性和时效性等条件。在线精排一般采用基于加载内存的方式，处理时间是毫秒级，返回数量通常在10这个量级。
图4为基于本实施例1的推荐方法实现的一种IF-PTRS推荐系统框架示意图，包含了前已述及的离线召回、近线粗排、在线精排三个部分。IF-PTRS推荐系统的基础层和组件层提供了数据存储、配置管理、规则控制和数据分析模块。做离线召回时，分别导入内容数据、用户数据、行为数据和环境数据，这些数据经由数据对接模块借助不同的导入工具导入至Hadoop(一种分布式系统基础架构)数据仓库。这些数据通常是近半年的或者近几个月的采集数据，有几千万个。其中，内容数据包含大量的课程和资讯，用户数据包括各种兴趣标签、职业、年龄、性别、星座、学历、婚否、手机机型及隐式用户兴趣(例如社交特征)，行为数据包括点击率、阅读时间、点赞、评论、转发、展现、收藏、分享等可量化的目标，环境数据包括地理位置、时间、网络、天气等。全部导入数据经过清洗、归并、整理模块处理后，再由单一算法例如深度学习算法进行召回计算，单一算法通常依赖大数据集群工具例如Spark，由于数据量较大，运行一次的时间一般在几个小时、快的话约半个小时。从几千万、几百万或几十万的候选集里召回的推荐合集大概在几千这个量级，其中包括了内容画像、用户画像、行为画像和环境画像。离线模块召回之后是近线模块的粗排，近线模块通过IF-PTRS超融合推荐引擎加以排序处理，此时组合模型(LR+DNN+FM)对这几千个推荐候选合集重新计算一遍，按照用户偏好进行高低排序，选取TopN(排在最前面的N个)粗选结果返回给用户或者存入内存数据库中待在线模块再做处理。此时粗选推荐结果已过滤到百的量级，其中包括：资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐和推荐理由。每当IF-PTRS推荐系统收到新的用户请求时，根据这个用户的用户ID，经由离线找到近线模块的处理结果，并基于粗选推荐结果再做一些业务逻辑规则的处理，例如：一次推荐集的数量必须不大于10且符合多样性和时效性等条件。在线精排一般采用基于加载内存的方式，处理时间在毫秒级。
本实施例提供的个性化推荐方法，主要用于解决中医药行业知识的规模化普及和个性化推荐的问题，其推荐的内容具有独特性，能够引导用户端学员发现更具体的、更符合需求的中医药课程与优质资讯；通过多策略融合技术和推荐流程的优化，可实现用户端学员的实时更新的、精准的中医药推荐内容；通过突破传统推荐单调重复的问题，来提升中医药推荐内容的多样性、新颖性和时效性。
实施例2
如图5所示，本实施例提供了一种基于中医药知识规模化普及的个性化推荐系统，包括：数据获取模块1、特征提取模块2、离线召回模块3、近线粗排模块4和在线精排模块5。
其中，数据获取模块1用于获取用户数据、行为数据和环境数据。
特征提取模块2用于对用户数据进行特征提取，以得到用户特征；还用于对行为数据进行特征提取，以得到行为特征；还用于对环境数据进行特征提取，以得到环境特征。
离线召回模块3用于基于大数据集群工具对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集。如图6所示，离线召回模块3包括：特征提取单元301和离线召回单元302。其中，特征提取单元301用于对中医药的先验知识、中医药课程和价值资讯进行特征提取，以得到内容特征。离线召回单元302用于基于若干维度特征采用单一的深度学习算法进行离线召回处理。维度特征包括内容特征、用户特征、行为特征及环境特征，维度特征还可进一步包括热度特征、协同特征中的至少一种。
近线粗排模块4用于基于内存和关系型数据库使用超融合推荐引擎模型对推荐候选合集进行近线粗排处理，以得到按照用户偏好进行高低排序的粗选推荐结果。其中，超融合推荐引擎模型包括LR模型、DNN模型和FM模型。粗选推荐结果包括资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐中的至少一种。本实施例中，近线粗排模块4在使用超融合推荐引擎模型对推荐候选合集进行近线粗排时，LR模型、DNN模型和FM模型共享相同的输入数据。在其他实施方式中，也可采用以下特征接入方式：LR模型可接入所有的所述维度特征，DNN模型和FM模型可接入部分的所述维度特征。
在线精排模块5用于基于用户的推荐请求进行在线精排处理以得到用户的最终推荐结果。在线精排模块5基于加载内存实现。如图7所示，在线精排模块5包括：用户请求获取单元501、用户ID获取单元502、粗选推荐结果查找单元503和最终推荐获取单元504。其中，用户请求获取单元501用于获取推荐请求；用户ID获取单元502用于根据推荐请求获取用户的用户ID；粗选推荐结果查找单元503用于根据用户ID找到该用户对应的粗选推荐结果；最终推荐结果获取单元504用于基于用户对应的粗选推荐结果进行业务逻辑规则的处理后得到该用户的最终推荐结果。
本实施例中，推荐候选合集包括内容画像、用户画像、行为画像和环境画像。资讯信息流供给推荐包括以下推荐中的至少一种：中医问答、段子、笑话、动态、生态圈、治疗故事、养生技巧、协会新闻、中医视野；课程点播直播推荐包括以下推荐中的至少一种：中医生活、中医特色、中医方剂、中医疾病、中医文化、中医专家、中医互动。
本实施例设计的IF-PTRS超融合推荐引擎采用LR、DNN及FM构成的组合模型，可简写为“LR+DNN+FM”。其中的LR线性模块可提供中医药大量先验知识的输入，中医药先验知识可先输入到LR线性模块中，再由此组合模型加以处理分析。多策略融合优化推荐是本实施例的其中一个重点技术发明点，此组合模型属轻量级算法，其优势体现在：(a)集成FM和DNN两个模块能够让组合模型同时以显式和隐式的方式学习高阶的特征交互，使组合模型具有不需要预训练、可提取高阶交叉特征、可提取低阶交叉特征和不需要人工特征工程的优点；(b)集成LR模块和DNN模块能够让组合模型兼具记忆与泛化的学习能力；(c)组合模型中的不同模块可共享相同的输入数据，而在具体的应用场景下，不同的模块也可接入各自不同的输入数据，由此提高组合模型的通用性，例如LR模块可接入很多经由先验知识(包括大量中医药先验知识)提取的交叉特征来提高记忆能力；(d)FM模块或DNN模块中可只导入一部分稀疏的特征子集，能减少组合模型的计算复杂度。
本实施例提供的大致推荐流程为：先由单一算法离线召回，召回后再由组合模型进行融合。通过单一算法先得到一推荐候选合集，然后把推荐候选合集输入到超融合推荐引擎模型里，让组合模型把由离线召回的几千个候选结果重新计算一遍，预测且按照用户的偏好进行高低排序，选取TopN粗选结果返回给用户或者存入内存数据库中待在线精排模块做处理。此时的推荐候选合集已过滤到百的量级，其中包括：资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐和推荐理由。
本实施例是针对中医药知识规模化普及这一特定应用领域的个性化推荐系统，结合的是中医药行业，解决的是中医药行业知识的规模化普及和个性化推荐的问题。本实施例的目标用户主要定位在：人群极其分散但总量有上亿之多的对中医药有兴趣的网民包括中学生、大学生和成年人。本实施例所设计的个性化推荐系统，致力于普及中医药知识，为目标用户推荐优质的精准化内容服务；通过重构内容生产和分发渠道，拓展教与学的空间，优化教与学的过程和方法，解决现有教学存在的弊病，实现大规模在线用户的个性化定制中医药课程与中医药价值资讯的推荐服务。
实施例3
图8为本发明实施例3提供的一种电子设备的结构示意图。该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时等效性实现实施例1的基于中医药知识规模化普及的个性化推荐方法。图8显示的电子设备30仅仅是一个示例，不应对本实施例的功能和使用范围带来任何限制。
如图8所示，电子设备30可以通用计算设备的形式表现，例如其可为服务器设备或者物联网设备或者智能可移动设备。电子设备30的组件可包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括处理器31和存储器32)的总线33。
总线33包括数据总线、地址总线和控制总线。
存储器32可包括易失性存储器，例如随机存取存储器(RAM)321和/或高速缓存存储器322，还可包括只读存储器(ROM)323。
存储器32还可包括具有一组(至少一个)程序模块324的程序/实用工具325，程序模块324包括但不限于：操作系统、一个或者多个应用程序、其他程序模块以及程序数据，这些示例的每一个中或某种组合中可能包括网络环境的实现。
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的基于中医药知识规模化普及的个性化推荐方法。
电子设备30也可与一个或多个外部设备36(例如键盘、指向设备等)通信。这种通信可通过输入/输出(I/O)接口35进行。并且，由模型生成的设备30还可通过网络适配器34与一个或者多个网络(例如局域网LAN、广域网WAN和/或公共网络如因特网)通信。如图8所示，网络适配器34通过总线33与由模型生成的设备30的其他模块通信。尽管图8中未标示出，可结合由模型生成的设备30使用的其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
需要说明的是，尽管上文详细描述中已提及所述电子设备的若干单元/模块或子单元/模块，但这种划分仅仅是示例性的、并非强制性的。实际上，上文描述的两个或更多单元/模块的特征和功能可在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可进一步划分为由多个单元/模块来具体化。
如图8所示，本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时等效性实现实施例1所提供的基于中医药知识规模化普及的个性化推荐方法的步骤。
其中，可读存储介质可采用更具体的包括但不限于：便携式U盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本实施例还可实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行并等效性实现实施例1所述的基于中医药知识规模化普及的个性化推荐方法中的步骤。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本领域的技术人员应当理解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求的保护范围由所附的权利要求书及其等效物界定。

Claims (20)

1.一种基于中医药知识规模化普及的个性化推荐方法，其特征在于，包括以下步骤：
对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集；
使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果；
所述超融合推荐引擎模型包括LR模型、DNN模型和FM模型；
所述推荐结果包括资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐中的至少一种。
2.如权利要求1所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，
所述个性化推荐方法还包括以下步骤：
获取用户数据、行为数据和环境数据；
对所述用户数据进行特征提取，以得到用户特征；
对所述行为数据进行特征提取，以得到行为特征；
对所述环境数据进行特征提取，以得到环境特征；
所述对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回的步骤包括：
对所述中医药的先验知识、中医药课程和价值资讯进行特征提取，以得到内容特征；
基于若干维度特征采用单一的深度学习算法进行离线召回；
所述维度特征包括所述内容特征、所述用户特征、所述行为特征及所述环境特征。
3.如权利要求2所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，所述维度特征还包括热度特征、协同特征中的至少一种。
4.如权利要求3所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，所述LR模型、所述DNN模型和所述FM模型共享相同的输入数据。
5.如权利要求3所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，
使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排时，所述LR模型接入所有的所述维度特征，所述DNN模型和所述FM模型接入部分的所述维度特征。
6.如权利要求1至5任一项所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，所述个性化推荐方法还包括基于用户的推荐请求进行在线精排以得到所述用户的最终推荐结果的步骤；
所述基于用户的推荐请求进行在线精排以得到所述用户的最终推荐结果的步骤包括：
获取所述用户的推荐请求；
根据所述推荐请求获取所述用户的用户ID；
根据所述用户ID找到所述用户对应的所述粗选推荐结果；
基于所述用户对应的所述粗选推荐结果进行业务逻辑规则的处理后，得到所述用户的最终推荐结果。
7.如权利要求6所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，
所述对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集的步骤基于大数据集群工具实现；
所述使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果的步骤基于内存和关系型数据库实现；
所述基于用户的推荐请求进行在线精排处理，以得到所述用户的最终推荐结果的步骤基于加载内存实现。
8.如权利要求7所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，所述推荐候选合集包括内容画像、用户画像、行为画像和环境画像；
所述价值资讯包括中医问答、治疗故事、养生技巧、协会新闻、中医视野中的至少一种。
9.如权利要求1所述的基于中医药知识规模化普及的个性化推荐方法，其特征在于，
所述资讯信息流供给推荐包括以下推荐中的至少一种：中医问答、段子、笑话、动态、生态圈、治疗故事、养生技巧、协会新闻、中医视野；
所述课程点播直播推荐包括以下推荐中的至少一种：中医生活、中医特色、中医方剂、中医疾病、中医文化、中医专家、中医互动。
10.一种基于中医药知识规模化普及的个性化推荐系统，其特征在于，包括：
离线召回模块，用于对中医药的先验知识、中医药课程和价值资讯采用单一的深度学习算法进行离线召回，以得到推荐候选合集；
近线粗排模块，用于使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排，以得到按照用户偏好进行高低排序的粗选推荐结果；
所述超融合推荐引擎模型包括LR模型、DNN模型和FM模型；
所述推荐结果包括资讯信息流供给推荐、课程点播直播推荐、相关联内容推荐、热点排行推荐中的至少一种。
11.如权利要求10所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，
所述个性化推荐系统还包括：
数据获取模块，用于获取用户数据、行为数据和环境数据；
特征提取模块，用于对所述用户数据进行特征提取，以得到用户特征；还用于对所述行为数据进行特征提取，以得到行为特征；还用于对所述环境数据进行特征提取，以得到环境特征；
所述离线召回模块包括：
特征提取单元，用于对所述中医药的先验知识、中医药课程和价值资讯进行特征提取，以得到内容特征；
离线召回单元，用于基于若干维度特征采用单一的深度学习算法进行离线召回；
所述维度特征包括所述内容特征、所述用户特征、所述行为特征及所述环境特征。
12.如权利要求11所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，所述维度特征还包括热度特征、协同特征中的至少一种。
13.如权利要求12所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，所述LR模型、所述DNN模型和所述FM模型共享相同的输入数据。
14.如权利要求12所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，
使用超融合推荐引擎模型对所述推荐候选合集进行近线粗排时，所述LR模型接入所有的所述维度特征，所述DNN模型和所述FM模型接入部分的所述维度特征。
15.如权利要求10至14任一项所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，所述个性化推荐系统还包括在线精排模块；
所述在线精排模块用于基于用户的推荐请求进行在线精排处理，以得到所述用户的最终推荐结果；
所述在线精排模块包括：
用户请求获取单元，用于获取所述用户的推荐请求；
用户ID获取单元，用于根据所述推荐请求获取所述用户的用户ID；
粗选推荐结果查找单元，用于根据所述用户ID找到所述用户对应的所述粗选推荐结果；
最终推荐结果获取单元，用于基于所述用户对应的所述粗选推荐结果进行业务逻辑规则的处理后，得到所述用户的最终推荐结果。
16.如权利要求15所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，
所述离线召回模块基于大数据集群工具实现；
所述近线粗排模块基于内存和关系型数据库实现；
所述线精排模块基于加载内存实现。
17.如权利要求16所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，所述推荐候选合集包括内容画像、用户画像、行为画像和环境画像；
所述价值资讯包括中医问答、治疗故事、养生技巧、协会新闻、中医视野中的至少一种。
18.如权利要求10所述的基于中医药知识规模化普及的个性化推荐系统，其特征在于，
所述资讯信息流供给推荐包括以下推荐中的至少一种：中医问答、段子、笑话、动态、生态圈、治疗故事、养生技巧、协会新闻、中医视野；
所述课程点播直播推荐包括以下推荐中的至少一种：中医生活、中医特色、中医方剂、中医疾病、中医文化、中医专家、中医互动。
19.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时等效性实现权利要求1至9任一项所述的基于中医药知识规模化普及的个性化推荐方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时等效性实现权利要求1至9任一项所述的基于中医药知识规模化普及的个性化推荐方法的步骤。
CN202011619418.2A 2020-12-31 2020-12-31 基于中医药知识的个性化推荐方法、系统、设备及介质 Pending CN113111253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011619418.2A CN113111253A (zh) 2020-12-31 2020-12-31 基于中医药知识的个性化推荐方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011619418.2A CN113111253A (zh) 2020-12-31 2020-12-31 基于中医药知识的个性化推荐方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN113111253A true CN113111253A (zh) 2021-07-13

Family

ID=76709130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011619418.2A Pending CN113111253A (zh) 2020-12-31 2020-12-31 基于中医药知识的个性化推荐方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN113111253A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150120722A1 (en) * 2013-10-31 2015-04-30 Telefonica Digital Espana, S.L.U. Method and system for providing multimedia content recommendations
CN110020921A (zh) * 2019-04-09 2019-07-16 浩鲸云计算科技股份有限公司 一种ai推荐引擎赋能商品营销方法
CN110309195A (zh) * 2019-05-10 2019-10-08 电子科技大学 一种基于fwdl模型的内容推荐方法
CN111078994A (zh) * 2019-11-06 2020-04-28 珠海健康云科技有限公司 基于画像的医学科普文章推荐方法及系统
CN111080413A (zh) * 2019-12-20 2020-04-28 深圳市华宇讯科技有限公司 电商平台商品的推荐方法、装置、服务器和存储介质
CN111143686A (zh) * 2019-12-30 2020-05-12 北京百度网讯科技有限公司 资源推荐方法及装置
CN111339433A (zh) * 2020-05-21 2020-06-26 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150120722A1 (en) * 2013-10-31 2015-04-30 Telefonica Digital Espana, S.L.U. Method and system for providing multimedia content recommendations
CN110020921A (zh) * 2019-04-09 2019-07-16 浩鲸云计算科技股份有限公司 一种ai推荐引擎赋能商品营销方法
CN110309195A (zh) * 2019-05-10 2019-10-08 电子科技大学 一种基于fwdl模型的内容推荐方法
CN111078994A (zh) * 2019-11-06 2020-04-28 珠海健康云科技有限公司 基于画像的医学科普文章推荐方法及系统
CN111080413A (zh) * 2019-12-20 2020-04-28 深圳市华宇讯科技有限公司 电商平台商品的推荐方法、装置、服务器和存储介质
CN111143686A (zh) * 2019-12-30 2020-05-12 北京百度网讯科技有限公司 资源推荐方法及装置
CN111339433A (zh) * 2020-05-21 2020-06-26 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阿里集团新零售技术事业群CBU技术部责编: "《Python金融大数据风控建模实战》", 机械工业出版社 *

Similar Documents

Publication Publication Date Title
EP3819792A2 (en) Method, apparatus, device, and storage medium for intention recommendation
Tian et al. College library personalized recommendation system based on hybrid recommendation algorithm
Salehi et al. Hybrid attribute-based recommender system for learning material using genetic algorithm and a multidimensional information model
US20170140038A1 (en) Method and system for hybrid information query
CN111444394B (zh) 获取实体间关系表达的方法、系统和设备、广告召回系统
US10102503B2 (en) Scalable response prediction using personalized recommendation models
CN109165367B (zh) 一种基于rss订阅的新闻推荐方法
CN110175895A (zh) 一种物品推荐方法及装置
Li et al. An adaptive graph learning method for automated molecular interactions and properties predictions
Qi et al. Uni-FedRec: A unified privacy-preserving news recommendation framework for model training and online serving
Zhong et al. Design of a personalized recommendation system for learning resources based on collaborative filtering
Zhang et al. On accurate POI recommendation via transfer learning
Tian Application of artificial intelligence system in libraries through data mining and content filtering methods
Ji A heuristic collaborative filtering recommendation algorithm based on book personalized Recommendation
Wang Collaborative filtering recommendation of music MOOC resources based on spark architecture
CN110717089A (zh) 一种基于网络日志的用户行为分析系统及方法
CN113111253A (zh) 基于中医药知识的个性化推荐方法、系统、设备及介质
Guo et al. Research on personalized courseware recommendation system of rural distance learning based on combination recommendation technology
Liu POI recommendation model using multi-head attention in location-based social network big data
Fu et al. The Design of Personalized Education Resource Recommendation System under Big Data
Alzua-Sorzabal et al. Using MWD: A business intelligence system for tourism destination web
Zhong et al. Joint attention networks with inherent and contextual preference-awareness for successive POI recommendation
He et al. Research on educational data mining based on big data
Sugiarto Graph convolution approach for labor market analysis
Yufeng et al. Design and implementation of music recommendation system based on hadoop

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