CN113220985B - 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 - Google Patents
基于健康养老环境下嵌入式用户画像模型的服务推荐方法 Download PDFInfo
- Publication number
- CN113220985B CN113220985B CN202110367093.1A CN202110367093A CN113220985B CN 113220985 B CN113220985 B CN 113220985B CN 202110367093 A CN202110367093 A CN 202110367093A CN 113220985 B CN113220985 B CN 113220985B
- Authority
- CN
- China
- Prior art keywords
- service
- user
- old
- consumption
- attribute
- 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.)
- Active
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9562—Bookmark management
-
- 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
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种健康养老环境下基于嵌入式用户画像模型的服务推荐方法,包括下列步骤:收集与服务对象相关的各项信息;将收集到的与服务对象相关的信息传入预先设计好的用户画像标签中,对老年人的标签设计标签选择老年用户的人口属性、社会属性、消费属性和健康属性这四个模块;将用户画像标签嵌入到神经网络空间中,为每个用户学习一个能够总结其画像特征的高维向量;通过嵌入后得到老人数据的高维向量,根据欧式距离计算用户间的相似度,计算出每位用户对于目标服务的预测评分。
Description
技术领域
本发明涉及一种服务推荐方法。
背景技术
随着老年群体数量的不断增加,养老服务逐渐成为社会关注的重点行业,老年人及其子女对养老服务的多样性、灵活性、便捷性等要求越来越高。但老年群体本身的特殊性决定了他们在网络使用过程中存在一些独特显著的特征,例如缺乏互联网相关知识,对电子产品操作不熟练、受视力下降、腰间盘突出等自身身体健康因素影响不能长时间使用互联网等。因此,为老年群体建立高效的服务推荐体系实现精准化服务推荐具有很强的现实意义。
推荐系统被广泛应用于帮助用户处理互联网上的大量信息,特别是根据用户的特定偏好搜索最相关的内容。协同过滤是服务推荐系统中最常用的算法之一,虽然其具有简易性和直观性的特性,但是由于过于依赖历史服务评分,所以严重的矩阵稀疏问题会大大影响算法的性能。
近年来,神经网络在图像分割、自然语言处理、时间序列预测等方面的应用有了很大的发展。深度学习的一个显著成功应用是嵌入,这是一种将离散变量表示为连续向量的方法。这项技术已经有了实际的应用,其中有在机器翻译中使用词嵌入和类别变量中使用实体嵌入,但此项技术还没有较好应用到养老行业。
与其他行业不同,养老服务业有其独特的特点。一些老年人的客观条件,如健康状况、消费习惯、经济状况等,很大程度上决定了他们的需求。因此需要明确服务对象,通过用户画像技术对老年人各项特征进行详细地刻画,为老年群体量身定做一套服务推荐系统。
由此可知,目前健康养老领域的服务推荐存在以下问题:1)现阶段的推荐算法主要依据历史服务评分,不仅忽略了用户对于服务内容的偏好,而且不能针对指定服务对象,按照服务对象特征展开推荐;2)描述服务对象特征的信息数据类型复杂,不好处理,用传统向量表达方式存在困难,会增加算法的复杂度,降低算法的效率和精度;3)在服务推荐场景下,收集用户评分并不容易,每个评级意味着一个用户拥有消费了一项服务并支付了账单,这使得获取用户评级变得更加困难,因此,存在严重的数据稀疏问题。
基于此,本发明提出了一种在健康养老环境下,基于嵌入式用户画像模型的服务推荐算法:1)结合养老行业的相关统计学规律,选取人口属性、社会属性、健康属性、消费属性构建用户画像标签,对老年用户进行刻画;2)将用户画像标签以句嵌入的方式嵌入神经网络空间;3)结合位置上下文和用户动态属性对生成的连续向量进行修正;4)实现对老年用户的个性化服务推荐。
发明内容
本发明的目的在于提出一种在健康养老环境下基于嵌入式用户画像模型的服务推荐方法,通过嵌入式用户画像构建的方式,学习用户的embedding向量,在保留用户特征的同时,提供多模态数据融合的方式,支持复杂且多样的用户信息,从而支持在专注于老年用户的跨界服务应用平台上,针对特定的老人提供合适的服务推荐。技术方案如下:
一种健康养老环境下基于嵌入式用户画像模型的服务推荐方法,包括下列步骤:
第1步:收集与服务对象相关的各项信息,分为两方面:用户的基本属性以及用户的历史信息,其中,基本属性包括用户的个人资料、社会关系、生活喜好,历史信息包括历史服务使用记录以及历史服务评分信息。
第2步:将收集到的与服务对象相关的信息传入预先设计好的用户画像标签中,对老年人的标签设计标签选择老年用户的人口属性、社会属性、消费属性和健康属性这四个模块;
第3步:将用户画像标签嵌入到神经网络空间中,为每个用户学习一个能够总结其画像特征的高维向量;
第4步:通过嵌入后得到老人数据的高维向量,根据欧式距离计算用户间的相似度,计算出每位用户对于目标服务的预测评分:
(1)利用欧式距离计算用户相似度;
(2)根据用户相似度找出与目标老人u最相似的K个老人,用集合S(u,K)表示,将S中老人喜欢的服务提取出来,并去除u已经使用的服务集合N(i),设此时得到的候选服务集合为E;
(3)对于候选服务集合E中的每个候选服务i,计算目标老人u对它感兴趣的程度p(u,i),公式如下:
设K个老人中的某个老人为v,wuv代表目标老人u与老人v的相似度,rvi代表老人v对候选服务i的动态兴趣变化,公式为:
ωvi代表老人v对于候选服务i的行为权重,设定用户对于服务的浏览、搜索、收藏、加购、购买分别为1-5的权重;代表用户兴趣随时间的动态变化;T代表现在的时间,t是指上一次发生用户对服务产生行为的时间;α代表通过离差标准化使得结果始终在区间[0~1]内的有效常数;
(4)计算:目标老人u对于候选服务i的服预测评分G(u,i):
第5步:通过老人感兴趣程度选取前N个服务作为输出,即得到与目标老人最为匹配的top-N项服务;
进一步地,第2步的标签设计中,消费属性包含按照老年人消费特征分为习惯性消费(Habitual)、享乐型消费(hedonic)、求实性消费(Realistic)、方便性消费(Convenient)、盲目性消费(Blind)以及补偿型消费(Compensatory)六种消费属性。
进一步地,第2步的标签设计中,健康属性的标检具体如下:
其中,依据老年人健康分级模型将老年人按照健康等级Health level分为:4级表示健康良好,3级表示健康尚可,2级代表健康状况差,1级代表健康状况很差或极差。
进一步地,第3步中,将用户画像标签嵌入到神经网络空间中,为每个老年用户学习一个能够总结其画像特征的高维向量的方法如下:将所设计的特征信息标签作为输入,使用预先训练好的Sent2Vec模型,生成基于英语维基百科文本的bigram embeddings,获得老年用户特征标签的嵌入,生成一个老人数据的高维向量。
本发明在人口老龄化和空巢化的加剧使得养老服务领域的需求进一步升高的社会大背景下,提出了一种在健康养老行业基于嵌入式用户画像模型的服务推荐算法。该算法专门针对老年用户群体,刻画用户画像标签,并将不同数据类型的标签数据嵌入神经网络空间,提供了一种数据处理的新方式。该发明所提出的方法能够大大降低矩阵稀疏对于推荐算法的影响,在保证用户特征的前提下实现对于老年用户的个性化服务推荐,能够应用于健康养老跨界服务示范应用平台中的服务推荐模块。
附图说明
图1为本发明所述整体框架图
图2为本发明所述标签嵌入多模态融合框架图
图3为本发明所使用的用户画像标签嵌入具有较好的表达能力
图4为本发明选取的四个属性标签均对算法性能产生影响
图5为本发明所提出的算法在对比实验下具有更高的性能
图6为本发明中服务推荐算法在具体平台上的应用
具体实施方式
下面详细说明本发明的技术实现方案。首先介绍整体框架和流程。
整体框架如图1所示,框架主要分为四个部分:1)数据输入层;2)用户画像模型层;3)数据处理层;4)服务推荐层。其中用户画像模型层又分为标签设计和标签嵌入两部分。
一、数据处理层
本发明所提出的推荐模型是一个连续的模型,每一层都是按顺序排列的。第一层是数据输入层。数据处理层的目的在于收集与服务对象相关的各项信息,主要分为两方面:用户的基本属性以及用户的历史信息。其中基本属性包括用户的个人资料、社会关系、生活喜好等,历史信息包括历史服务使用记录以及历史服务评分信息等。
二、用户画像模型层
该层分为标签设计和标签嵌入:
●标签设计
标签设计只有选择老年用户的人口属性、社会属性、消费属性和健康属性这四个模块,具体标签设计和标签层级如下:
(1)人口属性标签
(2)社会属性标签
(3)消费属性标签
研究表明和青年群体、中年群体相比较,老年人更易受到周围环境、周围人物的影响,在消费过程中出现群体购买效应的特点。按照老年人消费特征分为以下六种消费模式。
①习惯性消费(Habitual):老年人在长期的消费过程已经形成了自己固有的一种消费方式,以及对待消费的态度,他们会对某一种商品或服务的购买形成习惯,不会轻易改变。
②享乐型消费(hedonic):部分老年人家境情况非常良好,经济水平极高,则会偏于休闲享乐型的消费心理特点,注重用经济、用消费水准来提高自身的生活状态,生活品质。
③求实性消费(Realistic):部分老年人习惯了节俭朴素的传统观念,在消费过程中更加注重实际功能、是否优惠以及该商品或服务是否刚需。
④方便性消费(Convenient):在消费过程中更加注重购买和使用是否方便,不愿意在选择过程中花费大量的时间。
⑤盲目性消费(Blind):一少部分的老年家庭在消费中过于盲目,有些时候盲目的心理会导致购买不恰当,造成了一定的经济损失。
⑥补偿型消费(Compensatory):大部分的老年人也会出现一种强烈的消费补偿心理,在子女成人之后,自己的负担减轻,并且大多子女也会赡养老人,给予老人相应的生活补贴,此时老年人则试图补偿过去由于各种原因而未能实现的消费愿望。
消费属性 | 数据类型 |
Habitual,Hedonic,Realistic,Convenient,Blind,Compensatory | varchar(n) |
(4)健康属性标签
依据老年人健康分级模型将老年人按照健康等级分为:
4级表示健康良好。虽然患有一些疾病或有些虚弱,心理或社会适应、适应自然方面虽然可能存在一些问题。但他们的总体状况良好,属于健康情况最好的老年人。
3级表示健康尚可。可能患有比较明显、或较多的疾病,但是在短期内,一般不会危及生命,由于年老或疾病,身体比较虚弱,社会适应和适应自然的能力较差。七、八十岁以上的老人,只要能够自理、能适当活动,躯体和精神等方面没有严重疾病属于此级。
2级代表健康状况差。如患有大病、重病,精神病患者,由于年老或其他原因造成的身体非常虚弱,有严重遗传缺陷又未能治疗,他们的社会适应和适应自然的能力差,生活常常需要别人帮助、或不能完全自理,生活质量差。
1级代表健康状况很差或极差,他们不能自理,生活质量很差。
●标签嵌入
用户画像模型层的第二部分是标签嵌入,主要目标是为每个用户学习一个能够总结其画像特征的高维向量。在该部分我们将设计的特征信息标签作为输入,使用预先训练好的Sent2Vec模型,生成基于16GB的英语维基百科文本的bigram embeddings,Wikipedia文本中包含约6900万个英语句子和约17亿个单词,获得老年用户特征标签的嵌入,为一个大小为700维的向量。
本发明中,用户画像层通过人口、社会、消费和健康四个维度对老年人进行刻画,在每一个维度下,所获取到的老人数据都具有不同的来源或形式,样本同样有可能来源于不同时期的数据采集。基于用户画像层我们将老人数据划分为单词、短语、数字以及用来描述特征的长短句四种不同的模态,具体分析如下:
·单词:在老人数据信息中,一些特定内容的信息可以通过单词的形式进行表达。例如老人的性别、职业、所在城市、政治面貌等。其中单词表示主要集中在人口属性维度。
·短语:对于不能用单个单词准确描述的数据信息,我们通过短语的形式来呈现。例如老人与配偶同住、家庭关系和谐、子女数量为三个以上等。
·数字:在老年人历史使用服务数据中,通过服务评分来体现对于该服务的满意程度,因此在必须考虑的数据信息中,包含对于服务的评分数字,同样涉及老年人健康程度指数、经济能力指数等需要用数字表达的信息。
·长短句:对于群体的精准刻画需要对于不同标签更加具体的特征描述。就老年群体而言,在服务推荐过程中最应该重视其健康属性。即服务对象的健康程度直接影响了服务的选择。因此对于老年人用药情况说明、病例史、症状描述等需要以长短句的形式表达。
从不同的模态数据原始特征中,利用多模态之间的互补性,剔除模态间的冗余性,学习到新的融合特征。将多个模态的信息联合表示,传入连续词袋模型(continuous bagof words,CBOW),映射到一个统一的多模态向量空间,模型示意图2所示。
三、数据处理层
●位置上下文标签
在对老人进行服务推荐时,需要考虑到地理位置对于推荐的影响。例如,老人在外游玩时,由于口碑的影响,可能更喜欢当地的特产。因此,这会导致他们做出不同的选择。此外,用户的移动也有一定的局限性和成本,这也会影响用户的最终决策。在本发明中关于位置上下文主要考虑当前位置与推荐服务之间的距离。
基于此设计位置上下文标签,通过一种动态的个性化自调整机制,滤除噪声服务,提出特定位置环境下的综合影响。位置上下文标签设计所需要的属性及数据类型如下表所示:
根据签到数据利用如下公式计算用户的位置与所推荐服务之间的距离。针对老年服务,设定特定距离为5公里,过滤掉距离老年用户五公里以外的噪声服务,不予考虑推荐。
定义1.(位置与服务间的最大距离(d(lm,ln))):用户可接受的最远服务距离公式计算如下:
●动态兴趣标签
在老人用户使用过某些服务后,通常会通过服务评分来反应对该服务的满意程度。但由于数据的稀疏性,会极大地影响推荐的性能,并且用户对服务的兴趣程度总是在不断发生变化的。因此我们设计用户动态兴趣标签,建立用户兴趣之间的关系,从用户的历史签入标签记录中推导出其对于服务的感兴趣程度。
通过用户画像模型层得到老人数据的700维嵌入向量,根据欧式距离计算用户间的相似度:
定义2.(用户相似度(sim(u,v))):用户u与v的相似度计算公式:
根据用户相似度找出与目标老人u最相似的K个老人,用集合S(u,K)表示,将S中老人喜欢的服务提取出来,并去除u已经使用的服务。
定义3.(用户感兴趣程度(p(u,i))):对于每个候选服务i,目标老人u对它感兴趣的程度用如下公式计算:
其中rvi代表用户v对服务i的动态兴趣变化,具体公式:
wuv代表用户u与用户v的相似度,ωvi代表用户v对于服务i的行为权重。我们设定用户对于服务的浏览、搜索、收藏、加购、购买分别为1-5的权重,代表用户兴趣随时间的动态变化。T代表现在的时间,t是指上一次发生用户对服务产生行为的时间。我们通过离差标准化来对进行处理,使得结果始终在区间[0~1]内。
在动态兴趣标签中所涉及到的属性及数据类型如下表所示:
四、服务推荐层
模型的最后一层为服务推荐输出层。该层的主要工作为整合数据处理层数据,选择目标用户的最近邻为其推荐最为匹配的top-N服务。
定义4.(服务预测评分(G(u,i))):目标老人u对于服务i的预测评分公式如下:
为了更清晰的说明本发明的技术方案的有效性,下面以健康养老跨界服务示范应用平台中服务推荐模块为例进行描述。
1)用户注册:
用户登录平台注册时主要获取以下四部分信息:
●人口属性:性别、年龄、居住地、政治面貌、文化程度等;
●社会属性:配偶情况、子女数量、家庭氛围、经济收入等;
●消费属性:习惯型、享乐型、求实型、方便型、盲目型、补偿型;
●健康属性:是否用药、是否喝酒、饮食习惯、运动频率、体检特征等。
2)服务推荐:
A.在获取用户的静态属性后,根据基础特征进行第一步的服务推荐。
B.当用户开始使用平台后,根据用户所在地理位置排除掉噪声服务,利用其动态属性,即对于服务的浏览时间、加购、收藏、购买对其进行动态兴趣描述,并对之前的推荐服务进行修正。
C.在平台首页的热门推荐模块对不同的用户提供个性化的服务推荐。
本发明提供的在养老服务背景下基于嵌入式用户画像模型的服务推荐算法,从人口、社会、健康和消费层面对老年人进行详细刻画,并将画像标签嵌入神经网络空间,映射为连续统一的高维向量。进而引入位置上下文和动态兴趣模型对高维向量进行修正,更好地描述老年人的兴趣和特征,为其进行更加精准的服务推荐。
Claims (1)
1.一种健康养老环境下基于嵌入式用户画像模型的服务推荐方法,包括下列步骤:
第1步:收集与服务对象相关的各项信息,分为两方面:用户的基本属性以及用户的历史信息,其中,基本属性包括用户的个人资料、社会关系、生活喜好,历史信息包括历史服务使用记录以及历史服务评分信息;
第2步:将收集到的与服务对象相关的信息传入预先设计好的用户画像标签中,对老年人的标签设计标签选择老年用户的人口属性、社会属性、消费属性和健康属性这四个模块;
(1)人口属性标签具体如下:
(2)社会属性标签具体如下:
(3)消费属性包含按照老年人消费特征分为习惯性消费Habitual、享乐型消费hedonic、求实性消费Realistic、方便性消费Convenient、盲目性消费Blind以及补偿型消费Compensatory六种消费属性;
(4)健康属性的标检具体如下:
依据老年人健康分级模型将老年人按照健康等级Health level分为:4级表示健康良好,3级表示健康尚可,2级代表健康状况差,1级代表健康状况很差或极差;
第3步:将用户画像标签嵌入到神经网络空间中,为每个用户学习一个能够总结其画像特征的高维向量,方法为:将用户画像标签嵌入到神经网络空间中,为每个老年用户学习一个能够总结其画像特征的高维向量的方法如下:将所设计的特征信息标签作为输入,使用预先训练好的Sent2Vec模型,生成基于英语维基百科文本的bigram embeddings,获得老年用户特征标签的嵌入,生成一个老人数据的高维向量;
第4步:通过嵌入后得到老人数据的高维向量,根据欧式距离计算用户间的相似度,计算出每位用户对于目标服务的预测评分:
(1)利用欧式距离计算用户相似度;
(2)根据用户相似度找出与目标老人u最相似的K个老人,用集合S(u,K)表示,将S中老人喜欢的服务提取出来,并去除u已经使用的服务集合N(i),设此时得到的候选服务集合为E;
(3)对于候选服务集合E中的每个候选服务i,计算目标老人u对它感兴趣的程度p(u,i),公式如下:
设K个老人中的某个老人为v,wuv代表目标老人u与老人v的相似度,rvi代表老人v对候选服务i的动态兴趣变化,公式为:
ωvi代表老人v对于候选服务i的行为权重,设定用户对于服务的浏览、搜索、收藏、加购、购买分别为1-5的权重;代表用户兴趣随时间的动态变化;T代表现在的时间,t是指上一次发生用户对服务产生行为的时间;α代表通过离差标准化使得结果始终在区间[0~1]内的有效常数;
(4)计算:目标老人u对于候选服务i的服务预测评分G(u,i):
第5步:通过老人感兴趣程度选取前N个服务作为输出,即得到与目标老人最为匹配的top-N项服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367093.1A CN113220985B (zh) | 2021-04-06 | 2021-04-06 | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367093.1A CN113220985B (zh) | 2021-04-06 | 2021-04-06 | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113220985A CN113220985A (zh) | 2021-08-06 |
CN113220985B true CN113220985B (zh) | 2022-07-19 |
Family
ID=77086412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367093.1A Active CN113220985B (zh) | 2021-04-06 | 2021-04-06 | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220985B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116521908B (zh) * | 2023-06-28 | 2024-01-09 | 图林科技(深圳)有限公司 | 一种基于人工智能的多媒体内容个性化推荐方法 |
CN117745395B (zh) * | 2024-02-19 | 2024-05-14 | 西昌学院 | 基于个性化居家养老服务的ai信息推送方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092911A (zh) * | 2012-11-20 | 2013-05-08 | 北京航空航天大学 | 一种融合社会标签相似度基于k近邻的协同过滤推荐系统 |
CN108876069A (zh) * | 2018-09-18 | 2018-11-23 | 哈尔滨工业大学(威海) | 一种养老服务推荐方法 |
CN109102341A (zh) * | 2018-08-27 | 2018-12-28 | 寿带鸟信息科技(苏州)有限公司 | 一种用于养老服务的老人画像方法 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN109871449A (zh) * | 2019-03-18 | 2019-06-11 | 北京邮电大学 | 一种基于语义描述的端到端的零样本学习方法 |
CN111177394A (zh) * | 2020-01-03 | 2020-05-19 | 浙江大学 | 基于句法注意力神经网络的知识图谱关系数据分类方法 |
CN111723285A (zh) * | 2020-05-14 | 2020-09-29 | 天津大学 | 一种基于评分的深度谱卷积协同过滤推荐方法 |
CN112541077A (zh) * | 2020-11-26 | 2021-03-23 | 深圳供电局有限公司 | 一种用于电网用户服务评价的处理方法及系统 |
-
2021
- 2021-04-06 CN CN202110367093.1A patent/CN113220985B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092911A (zh) * | 2012-11-20 | 2013-05-08 | 北京航空航天大学 | 一种融合社会标签相似度基于k近邻的协同过滤推荐系统 |
CN109102341A (zh) * | 2018-08-27 | 2018-12-28 | 寿带鸟信息科技(苏州)有限公司 | 一种用于养老服务的老人画像方法 |
CN108876069A (zh) * | 2018-09-18 | 2018-11-23 | 哈尔滨工业大学(威海) | 一种养老服务推荐方法 |
CN109359244A (zh) * | 2018-10-30 | 2019-02-19 | 中国科学院计算技术研究所 | 一种个性化信息推荐方法和装置 |
CN109871449A (zh) * | 2019-03-18 | 2019-06-11 | 北京邮电大学 | 一种基于语义描述的端到端的零样本学习方法 |
CN111177394A (zh) * | 2020-01-03 | 2020-05-19 | 浙江大学 | 基于句法注意力神经网络的知识图谱关系数据分类方法 |
CN111723285A (zh) * | 2020-05-14 | 2020-09-29 | 天津大学 | 一种基于评分的深度谱卷积协同过滤推荐方法 |
CN112541077A (zh) * | 2020-11-26 | 2021-03-23 | 深圳供电局有限公司 | 一种用于电网用户服务评价的处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
"Personalized Product Service Recommendation Based on User Portrait Mathematical Model";xuesheng lai.et;《2018 International Symposium on Communication Engineering&Computer Science(CECS2018)》;20180728;全文 * |
"推荐系统Match 模块-协同过滤算法(二)";无;《知乎》;20190507;全文 * |
"面向养老服务的推荐方法研究及应用";卜云飞;《中国优秀硕士学位论文全文数据库》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113220985A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alamoudi et al. | Sentiment classification and aspect-based sentiment analysis on yelp reviews using deep learning and word embeddings | |
Villarroel Ordenes et al. | From words to pixels: text and image mining methods for service research | |
Liu et al. | Analyzing changes in hotel customers’ expectations by trip mode | |
CN107038609A (zh) | 一种基于深度学习的商品推荐方法及系统 | |
CN113220985B (zh) | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 | |
Bian et al. | Customer preference identification from hotel online reviews: A neural network based fine-grained sentiment analysis | |
CN107315738A (zh) | 一种文本信息的创新度评估方法 | |
Korpusik et al. | Semantic mapping of natural language input to database entries via convolutional neural networks | |
US20130173583A1 (en) | Keyword index pruning | |
Tammina et al. | Sentiment analysis on customer reviews using convolutional neural network | |
CN117333037A (zh) | 一种面向出版大数据的产业大脑构建方法及装置 | |
Li et al. | Mining online reviews for ranking products: A novel method based on multiple classifiers and interval-valued intuitionistic fuzzy TOPSIS | |
Shin et al. | Analysis on review data of restaurants in Google Maps through text mining: Focusing on sentiment analysis | |
Ishanka et al. | User emotion and personality in context-aware travel destination recommendation | |
CN117391765A (zh) | 一种药店会员群体画像构建方法 | |
US20240062264A1 (en) | Ai- backed e-commerce for all the top rated products on a single platform | |
Hafez et al. | Multi-criteria recommendation systems to foster online grocery | |
CN112950019B (zh) | 一种基于联合注意力机制的售电公司评价情感分类方法 | |
Ozyegen et al. | Classifying multi-level product categories using dynamic masking and transformer models | |
Syaputra et al. | Improving mental health surveillance over Twitter text classification using word embedding techniques | |
Dai et al. | A fuzzy recommendation system for daily water intake | |
Handayani et al. | Sentiment Analysis of Bank BNI User Comments Using the Support Vector Machine Method | |
Amira et al. | Opinion Analysis of Traveler Based on Tourism Site Review Using Sentiment Analysis | |
Smirnov et al. | Method for detecting text markers of depression and depressiveness | |
Oba et al. | Personal semantic variations in word meanings: Induction, application, and analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |