CN113284623B - 基于用户能力的个性化认知训练任务推荐算法及系统 - Google Patents

Abstract

本发明属于个性化推荐技术领域，具体涉及基于用户能力的个性化认知训练任务推荐算法及系统。包括步骤:建立机器初测推荐任务训练列表；建立人工评价推荐任务训练列表；以及合并排序，建立最优推荐任务训练列表。本发明供一种设计合理、综合考虑多因素且推荐结果准确度高的基于用户能力的个性化认知训练任务推荐算法。

Description

基于用户能力的个性化认知训练任务推荐算法及系统

技术领域

本发明属于个性化推荐技术领域，具体涉及基于用户能力的个性化认知训练任务推荐算法及系统。

背景技术

随着医疗行业的快速发展，如何为用户及时准确地推荐满足其个性化需求的认知训练是当前的一个研究热点。推荐系统作为一种重要的信息过滤技术和手段，吸引了大量学者的研究。目前，推荐系统已经被广泛应用在各种大型多媒体和电子商务网站上，如亚马逊、京东、谷歌新闻和淘宝等。推荐系统主要分为三类:基于内容的推荐、基于协同过滤的推荐和基于混合的推荐。其中，基于协同过滤的推荐算法是最经典、应用最广泛的。

为了为用户及时准确地推荐满足其个性化需求的认知训练，研究人员将推荐系统引入到医疗行业中。例如，研究人员提出了基于疾病的推荐系统，该系统可以通过人工判定用户的疾病状况，然后为其推荐训练任务。但是上述方法没有考虑用户的认知功能的具体受损情况。因此现有的认知训练推荐算法在准确度方面仍然存在很大的提升空间。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、综合考虑多因素且推荐结果准确度高的基于用户能力的个性化认知训练任务推荐算法。

本发明的再一目的在于提供基于用户能力的个性化认知训练任务推荐系统。

根据本发明的基于用户能力的个性化认知训练任务推荐算法，包括以下步骤:

建立机器初测推荐任务训练列表；

建立人工评价推荐任务训练列表；以及

合并排序，建立最优推荐任务训练列表，

其中，所述建立机器初测推荐任务训练列表包括以下步骤：

S1-1：建立一般认知能力模型，并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K)，然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理，其中，

建立一般认知能力结构方程模型的公式如下：

x =Λ _X η _LK +ε _LK

y =Λ _y η _TK +ε _TK

其中，x是单项量表或综合性量表分项组成的向量，η _LK 是认知能力组成的向量，Λ _X 是量表与认知能力之间的关系，是量表在认知能力上的因子负荷矩阵，ε _LK 是量表测量上的误差，y是训练任务组成的向量，η _TK 是认知能力组成的向量，Λ _y 是训练任务与认知能力之间的关系，是训练任务在认知能力上的因子负荷矩阵；ε _TK 是训练任务计算上的误差，

对于所述能力权重矩阵(L×K)，L表示量表集合，K表示能力集合;w _mn 表示量表l_m∈L对能力k _n ∈K的权重，w _mn ∈L×K，

对于所述训练任务能力权重矩阵(T×K)，T表示训练任务集合，K表示能力集合，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重，r _fj ∈T×K；

S1-2：指通过系统预先设置好的量表进行施测，根据量表作答情况来收集数据，构建用户u和能力k的关联分数w _uk ，

S1-3：计算用户u对训练任务i的匹配度P _ui ，公式如下：

P _ui = ∑W _uk r _fj

k∈G(u,i)

其中，G(u,i)表示用户u和训练任务i共有的能力，W _uk 表示用户u和能力k的关联分数，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重；

S1-4：建立机器初测推荐任务训练列表：对集I(u)中的所有训练任务进行按照用户匹配度进行排序，其中，

集I(u)是指针对用户目前系统中所有任务训练的集合，这个集会随着系统升级不断增加，如2.0系统共有77个任务训练；

所述建立人工评价推荐任务训练列表包括以下步骤：

S2-1：建立疾病训练模型：确定训练任务i和疾病d的关联度w _id ，构建疾病训练任务权重矩阵(I×D)并进行标准化处理，其中，

I表示训练任务集合，D表示疾病集合，

w _id 表示训练任务i∈I对疾病d∈D的权重，w _id ∈I×D；

S2-2：基于用户已持有的医学检测结果，确定用户u和疾病d的关联性分数Q _ui 分数，分数范围在1-100分，d _u ∈D;

S2-3计算用户u对训练任务i的匹配度P’ _ui ，公式如下：

P’ _ui = ∑Q _ui W _id

d∈H(u)

其中，H(u)表示用户确诊的疾病的集合，W _id 表示训练任务i和疾病d的关联性分数，Q _ui 表示用户u和疾病d的关联性分数，

S2-4：建立人工评价推荐任务训练列表：对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序，其中，

集I’(u)是指基于文献或经验的疾病对应的一般任务训练的集合，可以是多个疾病的并集，这个集会随着对疾病认知的加深而不断变化，如偏侧忽略可训练的任务包括长空捕雀、一锤定音、寻枝摘果等；

所述建立最优推荐任务训练列表包括步骤：训练任务经过双重测评推荐，将用户u对训练任务i的匹配度P _ui 和P’ _ui 分别进行加权再求和，计算每个训练任务的推荐得分S，

S=aP _ui +bP’ _ui

其中a表示机器初测对应的权重；b表示人工评价对应的权重，将每个训练任务按得分高低排列，该顺序规则为最优推荐。

根据本发明的基于用户能力的个性化认知训练任务推荐算法，其中，

其中，通过以下步骤构建所述用户u和能力k的关联分数w _uk ：

用户依次完成机器初测预先设定的n个综合性测评子单元，并分别生成原始分数X _n ；

提取受试者在n个综合性测评子单元中的原始分数，然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换，生成用户u和能力k的关联分数w _uk ，公式如下：

W _uk =w _mn *{100-10*(X _i -

_i )/σ _i }

其中，

i的取值范围为1～n；W _uk 是进行标准化转换后的综合性测评子单元分数，即用户u 和能力k的关联分数，如果用户被测量出能力较差，偏离常模越多，W _uk 的值越大；X _i 是综合 性测评子单元中的原始分；

_i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合 性测评子单元原始得分的平均值；σ _i 是与受试者年龄、性别、职业、教育程度匹配的健康人 群综合性测评子单元原始得分的标准差；

_i 和σ _i 又叫做健康用户综合常模参数；w _mn 表示量 表l_m∈L对能力k_n∈K的权重。

基于用户能力的个性化认知训练任务推荐系统，所述系统包括机器初测模块、人工评价模块和综合推荐模块，

其中，所述机器初测模块用于建立机器初测推荐任务训练列表，通过以下步骤建立机器初测推荐任务训练列表：

S1-1：建立一般认知能力模型，并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K)，然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理，其中，

建立一般认知能力结构方程模型的公式如下：

x =Λ _X η _LK +ε _LK

y =Λ _y η _TK +ε _TK

其中，x是单项量表或综合性量表分项组成的向量，η _LK 是认知能力组成的向量，Λ _X 是量表与认知能力之间的关系，是量表在认知能力上的因子负荷矩阵，ε _LK 是量表测量上的误差，y是训练任务组成的向量，η _TK 是认知能力组成的向量，Λ _y 是训练任务与认知能力之间的关系，是训练任务在认知能力上的因子负荷矩阵；ε _TK 是训练任务计算上的误差，

对于所述能力权重矩阵(L×K)，L表示量表集合，K表示能力集合;w _mn 表示量表l_m∈L对能力k _n ∈K的权重，w _mn ∈L×K，

对于所述训练任务能力权重矩阵(T×K)，T表示训练任务集合，K表示能力集合，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重，r _fj ∈T×K；

S1-2：指通过预先设置好的量表进行施测，根据量表作答情况来收集数据，构建用户u和能力k的关联分数w _uk ，

S1-3：计算用户u对训练任务i的匹配度P _ui ，公式如下：

P _ui = ∑W _uk r _fj

k∈G(u,i)

其中，G(u,i)表示用户u和训练任务i共有的能力，W _uk 表示用户u和能力k的关联分数，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重；

S1-4：建立机器初测推荐任务训练列表：对集I(u)中的所有训练任务进行按照用户匹配度进行排序，集I(u)是指针对用户目前系统中所有任务训练的集合，

所述人工测评模块用于建立人工评价推荐任务训练列表，通过以下步骤建立人工评价推荐任务训练列表：

S2-1：建立疾病训练模型，确定训练任务i和疾病d的关联度w _id ，构建疾病训练任务权重矩阵(I×D)并进行标准化处理，其中，

I表示训练任务集合，D表示疾病集合，

w _id 表示训练任务i∈I对疾病d∈D的权重，w _id ∈I×D；

S2-2：基于用户已持有的医学检测结果，确定用户u和疾病d的关联性分数Q _ui 分数，分数范围在1-100分，d _u ∈D;

S2-3计算用户u对训练任务i的匹配度P’ _ui ，公式如下：

P’ _ui = ∑Q _ui W _id

d∈H(u)

其中，H(u)表示用户确诊的疾病的集合，W _id 表示训练任务i和疾病d的关联性分数，Q _ui 表示用户u和疾病d的关联性分数，

S2-4：建立人工评价推荐任务训练列表，对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序；

所述综合推荐模块用于建立最优推荐任务训练列表，通过以下步骤建立最优推荐任务训练列表：

训练任务经过双重测评推荐，将用户u对训练任务i的匹配度P _ui 和P’ _ui 分别进行加权再求和，计算每个训练任务的推荐得分S，

S=aP _ui +bP’ _ui

其中a表示机器初测对应的权重，b表示人工评价对应的权重，将每个训练任务按得分高低排列，该顺序规则为最优推荐。

本发明通过优化算法提高了认知训练推荐算法的准确度，它能够基于用户的能力进行个性化的推荐认知训练任务，并通过机器算法和人工评价相结合的方式做到治疗方案的互为补充，平衡机器和人为的问题，减少决策误差。该方案基于认知任务训练的不断丰富，具有较强的兼容性和可拓展性。

附图说明

图1为本申请的基于用户能力的个性化认知训练任务推荐算法的流程图；

图2为根据本申请的实施例的构建认知能力的实例图；

图3为根据本申请的实施例的另一构建认知能力的实例图；

图4为本申请的基于用户能力的个性化认知训练任务推荐系统的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

根据本发明的基于用户能力的个性化认知训练任务推荐算法，包括以下步骤:

建立机器初测推荐任务训练列表；

建立人工评价推荐任务训练列表；以及

合并排序，建立最优推荐任务训练列表，

其中，所述建立机器初测推荐任务训练列表包括以下步骤：

S1-1：建立一般认知能力模型，并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K)，然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理，其中，

建立一般认知能力结构方程模型的公式如下：

x =Λ _X η _LK +ε _LK

y =Λ _y η _TK +ε _TK

其中，x是单项量表或综合性量表分项组成的向量，η _LK 是认知能力组成的向量，Λ _X 是量表与认知能力之间的关系，是量表在认知能力上的因子负荷矩阵，ε _LK 是量表测量上的误差，y是训练任务组成的向量，η _TK 是认知能力组成的向量，Λ _y 是训练任务与认知能力之间的关系，是训练任务在认知能力上的因子负荷矩阵；ε _TK 是训练任务计算上的误差，

对于所述能力权重矩阵(L×K)，L表示量表集合，K表示能力集合;w _mn 表示量表l_m∈L对能力k _n ∈K的权重，w _mn ∈L×K，

对于所述训练任务能力权重矩阵(T×K)，T表示训练任务集合，K表示能力集合，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重，r _fj ∈T×K；

S1-2：指通过系统预先设置好的量表进行施测，根据量表作答情况来收集数据，构建用户u和能力k的关联分数w _uk ，

S1-3：计算用户u对训练任务i的匹配度P _ui ，公式如下：

P _ui = ∑W _uk r _fj

k∈G(u,i)

其中，G(u,i)表示用户u和训练任务i共有的能力，W _uk 表示用户u和能力k的关联分数，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重；

S1-4：建立机器初测推荐任务训练列表：对集I(u)中的所有训练任务进行按照用户匹配度进行排序，

集I(u)是指针对用户目前系统中所有任务训练的集合，这个集会随着系统升级不断增加，如2.0系统共有77个任务训练。

所述建立人工评价推荐任务训练列表包括以下步骤：

S2-1：建立疾病训练模型：确定训练任务i和疾病d的关联度w _id ，构建疾病训练任务权重矩阵(I×D)并进行标准化处理，其中，

I表示训练任务集合，D表示疾病集合，

w _id 表示训练任务i∈I对疾病d∈D的权重，w _id ∈I×D；

S2-2：基于用户已持有的医学检测结果，确定用户u和疾病d的关联性分数Q _ui 分数，分数范围在1-100分，d _u ∈D;

S2-3计算用户u对训练任务i的匹配度P’ _ui ，公式如下：

P’ _ui = ∑Q _ui W _id

d∈H(u)

其中，H(u)表示用户确诊的疾病的集合，W _id 表示训练任务i和疾病d的关联性分数，Q _ui 表示用户u和疾病d的关联性分数。，

S2-4：建立人工评价推荐任务训练列表：对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序；

集I’(u)是指基于文献或经验的疾病对应的一般任务训练的集合，可以是多个疾病的并集，这个集会随着对疾病认知的加深而不断变化，如偏侧忽略可训练的任务包括长空捕雀、一锤定音、寻枝摘果等。

所述建立最优推荐任务训练列表包括步骤：训练任务经过双重测评推荐，将用户u对训练任务i的匹配度P _ui 和P’ _ui 分别进行加权再求和，计算每个训练任务的推荐得分S，

S=aP _ui +bP’ _ui

其中a表示机器初测对应的权重；b表示人工评价对应的权重，将每个训练任务按得分高低排列，该顺序规则为最优推荐。

权重“a”和“b”系统默认值为0.5,0.5，表示任务训练推荐尊重机器算法和人工评价的双重意见；如a=1,b=0，则表示完全参照机器算法的推荐；如a=0,b=1，则表示完全参照人工评价的推荐。在实际运用中可根据有经验的治疗师对患者的了解程度自行设定，机器与人工互为补充，以此来减少单一机器算法或人工评价的决策误差。

根据本发明的基于用户能力的个性化认知训练任务推荐算法，其中，

其中，通过以下步骤构建所述用户u和能力k的关联分数w _uk ：

用户依次完成机器初测预先设定的n个综合性测评子单元，并分别生成原始分数X _n ；

提取受试者在n个综合性测评子单元中的原始分数，然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换，生成用户u和能力k的关联分数w _uk ，公式如下：

W _uk =w _mn *{100-10*(X _i -

_i )/σ _i }

其中，

i的取值范围为1～n；W _uk 是进行标准化转换后的综合性测评子单元分数，即用户u 和能力k的关联分数，如果用户被测量出能力较差，偏离常模越多，W _uk 的值越大；X _i 是综合 性测评子单元中的原始分；

_i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合 性测评子单元原始得分的平均值；σ _i 是与受试者年龄、性别、职业、教育程度匹配的健康人 群综合性测评子单元原始得分的标准差；

_i 和σ _i 又叫做健康用户综合常模参数；w _mn 表示量 表l_m∈L对能力k_n∈K的权重。

以下结合附图，详细说明本申请各实施例提供的技术方案。

如图1所示，本发明的基于用户能力的个性化认知训练任务推荐算法，包括步骤:

S1建立机器初测推荐任务训练列表；

S2建立人工评价推荐任务训练列表；以及

S3合并排序，建立最优推荐任务训练列表。

其中，步骤S1建立机器初测推荐任务训练列包括以下步骤

S1-1建立一般认知能力模型，依据智力理论和脑功能网络的研究成果，构建能力权重矩阵，训练任务能力权重矩阵，然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理。

建立一般认知能力结构方程模型的公式如下：

x =Λ _X η _LK +ε _LK

y =Λ _y η _TK +ε _TK

其中，x是单项量表或综合性量表分项组成的向量；η _LK 是认知能力组成的向量；Λ _X 是量表与认知能力之间的关系，是量表在认知能力上的因子负荷矩阵；ε _LK 是量表测量上的误差。y是训练任务组成的向量；η _TK 是认知能力组成的向量；Λ _y 是训练任务与认知能力之间的关系，是训练任务在认知能力上的因子负荷矩阵；ε _TK 是训练任务计算上的误差。

例如，如图2所示，在本例中x _BNT 即x ，BNT为MoCA测试中命名子测试的缩写；Λ _X =0.81；η _BNT-Gc 即η _LK ，BNT为MoCA测试中命名子测试的缩写，Gc为能力理解知识的缩写；ε _BNT-Gc 即ε _LK ，值为0，MoCA测试中命名子测试与能力理解知识的表达式为：

x _BNT =0.81*η _BNT-Gc +ε _BNT-Gc

如图3所示，在本例中y ₃₀₀₀₁ 即y ，30001为打地鼠的ID；Λ _X =0.88；η _30001-Gv 即η _TK ，30001为打地鼠的ID，Gv为能力视觉处理的缩写；ε _30001-Gv 即ε _TK ，值为0，打地鼠与能力视觉处理的表达式为：

y ₃₀₀₀₁ =0.88*η _30001-Gv +ε _30001-Gv

其中，根据一般认知能力结构方程模型，构建能力权重矩阵(L×K) ,其中L表示量表集合;K表示能力集合;w _mn 表示量表l_m∈L对能力k _n ∈K的权重，w _mn ∈L×K。

表1能力权重矩阵

	理解知识	视觉处理	流体推理	短期记忆	处理速度
						命名	0.81	0.83
数字顺背			0.42	0.88
						句子复述	0.65			0.87

注：量表集合L为MoCA测试中的命名子测试、数字顺背子测试、句子复述子测试，共3个元素。能力集合K为理解知识、视觉处理、流体推理、短期记忆、处理速度，共5个元素。

其中，根据一般认知能力结构方程模型，构建训练任务能力权重矩阵(T×K) ,其中，

T表示训练任务集合;K表示能力集合;r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重，r _fj ∈T×K。

表2训练任务能力权重矩阵

	理解知识	视觉处理	流体推理	短期记忆	处理速度
						打地鼠		0.88			0.82
动点点击		0.89	0.4		0.85

注：量表集合T为打地鼠、动点点击，共2个元素。能力集合K为理解知识、视觉处理、流体推理、短期记忆、处理速度，共5个元素。

S1-2：通过机器初测计算用户自身能力状况，其中，机器初测是指通过系统预先设置好的量表进行施测，根据量表作答情况来收集数据，测量结果会被智能分析，并比对常模以确定用户自身能力状况，构建用户u和能力k的关联分数w _uk 。通过系统预先设置好的量表进行的测试包括MoCA、MMSE、ADL、PHQ-9、GAD-7、生活满意度指数等临床应用较广的量表和任务式测评工具。

其中，通过以下步骤构建所述用户u和能力k的关联分数w _uk ：

（1）用户依次完成机器初测预先设定的综合性测评子单元1、2、3、......n个测评，并生成原始分数X ₀₁ 、X ₀₂ 、X ₀₃ 、......X _n 。

例如用户张某进行了MoCA测试，生成了MoCA测评得分表，原始分数在最后一列显示，包括总分和分项分数，如以下表3所示。

表3 MoCA测评得分表

（2）系统会自动提取受试者在n个综合性测评子单元中的原始分数，然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换，生成用户u和能力k的关联分数w _uk ，公式如下：

W _uk =w _mn *{100-10*(X _i -

_i )/σ _i }

其中，i的取值范围为1～n；

W _uk 是进行标准化转换后的综合性测评子单元分数，即用户u和能力k的关联分数，如果用户被测量出能力较差，偏离常模越多，W _uk 的值越大；

X _i 是综合性测评子单元中的原始分；

_i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合性测评子单元原始 得分的平均值；

σ _i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合性测评子单元原始得分的标准差；

_i 和σ _i 又叫做健康用户综合常模参数；

w _mn 表示量表l_m∈L对能力k_n∈K的权重。

在本实施例中，根据常模参数和计算公式，得出用户张某在MoCA测试的数字顺背子测试对流体推理能力的关联分数为W _uk ＝46.2，对短期记忆能力的关联分数为W _uk ＝96.8。

S1-3：计算用户u对训练任务i的匹配度P _ui ，公式如下：

P _ui = ∑W _uk r _fj

k∈G(u,i)

其中，G(u,i)表示用户u和训练任务i共有的能力；

W _uk 表示用户u和能力k的关联分数；

r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重。

在本实施例中，得出用户张某对打地鼠训练任务的匹配度为P _ui ＝86.4，对动点点击训练任务的匹配度为P _ui ＝94.6。

S1-4：建立机器初测推荐任务训练列表：对集I(u)中的所有训练任务进行按照用户匹配度进行排序。取Top-N个物品，为每个训练任务赋予解释。保存Top-N个训练任务到机器初测推荐任务训练列表中，例如动点点击的排名高于打地鼠。

其中，所述建立人工评价推荐任务训练列表包括以下步骤。

S2-1：建立疾病训练模型，依据疾病病理特征和康复训练文献，确定训练任务i和疾病d的关联度w _id ，构建疾病训练任务权重矩阵(I×D)并进行标准化处理。其中，

I表示训练任务集合;

D表示疾病集合;

w _id 表示训练任务i∈I对疾病d∈D的权重，w _id ∈I×D;

表4

	阿兹海默症	轻度认知障碍	血管性认知障碍	偏侧忽略
					打地鼠	0.65	0.74	0.76	0.86
动点点击	0.87	0.92	0.79	0.82

S2-2：通过医生诊断结果（人工评价），包括对受试者主述、病史、查体情况、影像学检查结果、日常生活能力评估结果以及其它量表评估结果，综合确定用户自身（疾病）状况，用Q _ui 分数表示，分数范围在1-100分，分数越高表示患疾病d的风险越高，d _u ∈D;在本实施例中，对用户张某诊断结果为患轻度认知障碍的风险较高，Q _ui ＝98。

S2-3：算用户u对训练任务i的匹配度P’ _ui ，公式如下：

P’ _ui = ∑Q _ui W _id

d∈H(u)

其中，H(u)表示用户确诊的疾病的集合，

W _id 表示训练任务i和疾病d的关联性分数；

Q _ui 表示用户u和疾病d的关联性分数。

在本实施例中，得出用户张某对打地鼠训练任务的匹配度为P’ _ui ＝72.52，对动点点击训练任务的匹配度为P’ _ui ＝90.16。

S2-4：建立人工评价推荐任务训练列表：对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序。取Top-N个物品，为每个训练任务赋予解释。保存Top-N个训练任务到人工评价推荐任务训练列表中，例如动点点击的排名高于打地鼠。

其中，在步骤“合并排序，建立最优推荐任务训练列表”中，训练任务经过双重测评推荐，通常用户会累计大量的训练任务。将用户u对训练任务i的匹配度P _ui 和P’ _ui 分别进行加权再求和，计算每个训练任务的推荐得分S。

S=aP _ui +bP’ _ui

其中a表示机器初测对应的权重；b表示人工评价对应的权重。

将每个训练任务按得分高低排列，该顺序规则为最优推荐。

在本实施例中，得出用户张某对打地鼠训练任务的推荐得分为S＝79.46，对动点点击训练任务的推荐得分为S＝92.38。动点点击的排名高于打地鼠。

如图4所示，基于用户能力的个性化认知训练任务推荐系统，所述系统包括处理器模块、电源模块、人机交互模块、通信模块、录入模块、测评模块、存储模块、计算模块和输出模块，上述电源模块、人机交互模块、通信模块、录入模块、测评模块、存储模块、计算模块和输出模块各自与处理器模块连接，所述测评模块包括机器初测模块，人工评价模块和综合难度推荐模块。

其中，所述机器初测模块用于建立机器初测推荐任务训练列表，通过以下步骤建立机器初测推荐任务训练列表：

S1-1：建立一般认知能力模型，并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K)，然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理，其中，

建立一般认知能力结构方程模型的公式如下：

x =Λ _X η _LK +ε _LK

y =Λ _y η _TK +ε _TK

其中，x是单项量表或综合性量表分项组成的向量，η _LK 是认知能力组成的向量，Λ _X 是量表与认知能力之间的关系，是量表在认知能力上的因子负荷矩阵，ε _LK 是量表测量上的误差，y是训练任务组成的向量，η _TK 是认知能力组成的向量，Λ _y 是训练任务与认知能力之间的关系，是训练任务在认知能力上的因子负荷矩阵；ε _TK 是训练任务计算上的误差，

对于所述能力权重矩阵(L×K)，L表示量表集合，K表示能力集合;w _mn 表示量表l_m∈L对能力k _n ∈K的权重，w _mn ∈L×K，

对于所述训练任务能力权重矩阵(T×K)，T表示训练任务集合，K表示能力集合，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重，r _fj ∈T×K；

S1-2：指通过预先设置好的量表进行施测，根据量表作答情况来收集数据，构建用户u和能力k的关联分数w _uk ，

S1-3：计算用户u对训练任务i的匹配度P _ui ，公式如下：

P _ui = ∑W _uk r _fj

k∈G(u,i)

其中，G(u,i)表示用户u和训练任务i共有的能力，W _uk 表示用户u和能力k的关联分数，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重；

S1-4：建立机器初测推荐任务训练列表：对集I(u)中的所有训练任务进行按照用户匹配度进行排序，集I(u)是指针对用户目前系统中所有任务训练的集合，

所述人工测评模块用于建立人工评价推荐任务训练列表，通过以下步骤建立人工评价推荐任务训练列表：

S2-1：建立疾病训练模型，确定训练任务i和疾病d的关联度w _id ，构建疾病训练任务权重矩阵(I×D)并进行标准化处理，其中，

I表示训练任务集合，D表示疾病集合，

w _id 表示训练任务i∈I对疾病d∈D的权重，w _id ∈I×D；

S2-2：基于用户已持有的医学检测结果，确定用户u和疾病d的关联性分数Q _ui 分数，分数范围在1-100分，d _u ∈D;

S2-3计算用户u对训练任务i的匹配度P’ _ui ，公式如下：

P’ _ui = ∑Q _ui W _id

d∈H(u)

其中，H(u)表示用户确诊的疾病的集合，W _id 表示训练任务i和疾病d的关联性分数，Q _ui 表示用户u和疾病d的关联性分数，

S2-4：建立人工评价推荐任务训练列表，对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序；

所述综合推荐模块用于建立最优推荐任务训练列表，通过以下步骤建立最优推荐任务训练列表：

训练任务经过双重测评推荐，将用户u对训练任务i的匹配度P _ui 和P’ _ui 分别进行加权再求和，计算每个训练任务的推荐得分S，

S=aP _ui +bP’ _ui

其中a表示机器初测对应的权重，b表示人工评价对应的权重，将每个训练任务按得分高低排列，该顺序规则为最优推荐。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (4)

1.基于用户能力的个性化认知训练任务推荐算法，其特征在于，包括以下步骤:

建立机器初测推荐任务训练列表；

建立人工评价推荐任务训练列表；以及

合并排序，建立最优推荐任务训练列表，

其中，所述建立机器初测推荐任务训练列表包括以下步骤：

S1-1：建立一般认知能力模型，并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K)，然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理，其中，

建立一般认知能力结构方程模型的公式如下：

x =Λ _X η _LK +ε _LK

y =Λ _y η _TK +ε _TK

其中，x是单项量表或综合性量表分项组成的向量，η _LK 是认知能力组成的向量，Λ _X 是量表与认知能力之间的关系，是量表在认知能力上的因子负荷矩阵，ε _LK 是量表测量上的误差，y是训练任务组成的向量，η _TK 是认知能力组成的向量，Λ _y 是训练任务与认知能力之间的关系，是训练任务在认知能力上的因子负荷矩阵；ε _TK 是训练任务计算上的误差，

对于所述能力权重矩阵(L×K)，L表示量表集合，K表示能力集合;w _mn 表示量表l_m∈L对能力k _n ∈K的权重，w _mn ∈L×K，

对于所述训练任务能力权重矩阵(T×K)，T表示训练任务集合，K表示能力集合，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重，r _fj ∈T×K；

S1-2：指通过预先设置好的量表进行施测，根据量表作答情况来收集数据，构建用户u和能力k的关联分数w _uk ，

S1-3：计算用户u对训练任务i的匹配度P _ui ，公式如下：

P _ui = ∑W _uk r _fj

k∈G(u,i)

其中，G(u,i)表示用户u和训练任务i共有的能力，W _uk 表示用户u和能力k的关联分数，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重；

S1-4：建立机器初测推荐任务训练列表：对集I(u)中的所有训练任务进行按照用户匹配度进行排序，集I(u)是指针对用户目前系统中所有任务训练的集合，

所述建立人工评价推荐任务训练列表包括以下步骤：

S2-1：建立疾病训练模型，确定训练任务i和疾病d的关联度w _id ，构建疾病训练任务权重矩阵(I×D)并进行标准化处理，其中，

I表示训练任务集合，D表示疾病集合，

w _id 表示训练任务i∈I对疾病d∈D的关联度，w _id ∈I×D；

S2-2：基于用户已持有的医学检测结果，确定用户u和疾病d的关联性分数Q _ui 分数，分数范围在1-100分，d _u ∈D;

S2-3计算用户u对训练任务i的匹配度P’ _ui ，公式如下：

P’ _ui = ∑Q _ui W _id

d∈H(u)

其中，H(u)表示用户确诊的疾病的集合，W _id 表示训练任务i和疾病d的关联度， Q _ui 表示用户u和疾病d的关联性分数，

S2-4：建立人工评价推荐任务训练列表，对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序；

所述建立最优推荐任务训练列表包括步骤：训练任务经过双重测评推荐，将用户u对训练任务i的匹配度P _ui 和P’ _ui 分别进行加权再求和，计算每个训练任务的推荐得分S，

S=aP _ui +bP’ _ui

其中a表示机器初测对应的权重，b表示人工评价对应的权重，将每个训练任务按得分高低排列，该顺序规则为最优推荐。

2. 根据权利要求1所述的基于用户能力的个性化认知训练任务推荐算法，其特征在于，通过以下步骤构建所述用户u和能力k的关联分数w _uk ：

用户依次完成机器初测预先设定的n个综合性测评子单元，并分别生成原始分数X _n ；

提取受试者在n个综合性测评子单元中的原始分数，然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换，生成用户u和能力k的关联分数w _uk ，公式如下：

W _uk =w _mn *{100-10*(X _i -

_i )/σ _i }

其中，

i的取值范围为1～n；W _uk 是进行标准化转换后的综合性测评子单元分数，即用户u和能 力k的关联分数，如果用户被测量出能力较差，偏离常模越多，W _uk 的值越大；X _i 是综合性测 评子单元中的原始分；

_i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合性测 评子单元原始得分的平均值；σ _i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综 合性测评子单元原始得分的标准差；

_i 和σ _i 又叫做健康用户综合常模参数；w _mn 表示量表l_m ∈L对能力k_n∈K的权重。

3.基于用户能力的个性化认知训练任务推荐系统，其特征在于，所述系统包括机器初测模块、人工评价模块和综合推荐模块，

其中，所述机器初测模块用于建立机器初测推荐任务训练列表，通过以下步骤建立机器初测推荐任务训练列表：

S1-1：建立一般认知能力模型，并根据所述一般认知能力模型构建能力权重矩阵(L×K)以及训练任务能力权重矩阵(T×K)，然后对能力权重矩阵和训练任务能力权重矩阵中的权重进行标准化处理，其中，

建立一般认知能力结构方程模型的公式如下：

x =Λ _X η _LK +ε _LK

y =Λ _y η _TK +ε _TK

其中，x是单项量表或综合性量表分项组成的向量，η _LK 是认知能力组成的向量，Λ _X 是量表与认知能力之间的关系，是量表在认知能力上的因子负荷矩阵，ε _LK 是量表测量上的误差，y是训练任务组成的向量，η _TK 是认知能力组成的向量，Λ _y 是训练任务与认知能力之间的关系，是训练任务在认知能力上的因子负荷矩阵；ε _TK 是训练任务计算上的误差，

对于所述能力权重矩阵(L×K)，L表示量表集合，K表示能力集合;w _mn 表示量表l_m∈L对能力k _n ∈K的权重，w _mn ∈L×K，

对于所述训练任务能力权重矩阵(T×K)，T表示训练任务集合，K表示能力集合，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重，r _fj ∈T×K；

S1-2：指通过预先设置好的量表进行施测，根据量表作答情况来收集数据，构建用户u和能力k的关联分数w _uk ，

S1-3：计算用户u对训练任务i的匹配度P _ui ，公式如下：

P _ui = ∑W _uk r _fj

k∈G(u,i)

其中，G(u,i)表示用户u和训练任务i共有的能力，W _uk 表示用户u和能力k的关联分数，r _fj 表示训练任务t _f ∈T对能力k _j ∈K的权重；

S1-4：建立机器初测推荐任务训练列表：对集I(u)中的所有训练任务进行按照用户匹配度进行排序，集I(u)是指针对用户目前系统中所有任务训练的集合，

所述人工测评模块用于建立人工评价推荐任务训练列表，通过以下步骤建立人工评价推荐任务训练列表：

S2-1：建立疾病训练模型，确定训练任务i和疾病d的关联度w _id ，构建疾病训练任务权重矩阵(I×D)并进行标准化处理，其中，

I表示训练任务集合，D表示疾病集合，

w _id 表示训练任务i∈I对疾病d∈D的关联度，w _id ∈I×D；

S2-2：基于用户已持有的医学检测结果，确定用户u和疾病d的关联性分数Q _ui 分数，分数范围在1-100分，d _u ∈D;

S2-3计算用户u对训练任务i的匹配度P’ _ui ，公式如下：

P’ _ui = ∑Q _ui W _id

d∈H(u)

其中，H(u)表示用户确诊的疾病的集合，W _id 表示训练任务i和疾病d的关联度， Q _ui 表示用户u和疾病d的关联性分数，

S2-4：建立人工评价推荐任务训练列表，对集I’(u)中的所有训练任务进行按照用户匹配度进行加权、去重、排序；

所述综合推荐模块用于建立最优推荐任务训练列表，通过以下步骤建立最优推荐任务训练列表：

训练任务经过双重测评推荐，将用户u对训练任务i的匹配度P _ui 和P’ _ui 分别进行加权再求和，计算每个训练任务的推荐得分S，

S=aP _ui +bP’ _ui

其中a表示机器初测对应的权重，b表示人工评价对应的权重，将每个训练任务按得分高低排列，该顺序规则为最优推荐。

4.根据权利要求3所述的基于用户能力的个性化认知训练任务推荐系统，其特征在于，通过以下步骤构建所述用户u和能力k的关联分数w _uk ：

用户依次完成机器初测预先设定的n个综合性测评子单元，并分别生成原始分数X _n ；

提取受试者在n个综合性测评子单元中的原始分数，然后根据健康用户综合常模参数对综合性测评子单元中的原始分数进行标准化转换，生成用户u和能力k的关联分数w _uk ，公式如下：

W _uk =w _mn *{100-10*(X _i -

_i )/σ _i }

其中，

i的取值范围为1～n；W _uk 是进行标准化转换后的综合性测评子单元分数，即用户u和能 力k的关联分数，如果用户被测量出能力较差，偏离常模越多，W _uk 的值越大；X _i 是综合性测 评子单元中的原始分；

_i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综合性测 评子单元原始得分的平均值；σ _i 是与受试者年龄、性别、职业、教育程度匹配的健康人群综 合性测评子单元原始得分的标准差；

_i 和σ _i 又叫做健康用户综合常模参数；w _mn 表示量表l_m ∈L对能力k_n∈K的权重。

Images