CN113377967A - 一种目标方案的获取方法、系统、电子设备及介质 - Google Patents

一种目标方案的获取方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN113377967A
CN113377967A CN202110922752.3A CN202110922752A CN113377967A CN 113377967 A CN113377967 A CN 113377967A CN 202110922752 A CN202110922752 A CN 202110922752A CN 113377967 A CN113377967 A CN 113377967A
Authority
CN
China
Prior art keywords
service
category
user
target
scheme
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.)
Granted
Application number
CN202110922752.3A
Other languages
English (en)
Other versions
CN113377967B (zh
Inventor
姚娟娟
钟南山
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.)
Shanghai Mingping Medical Data Technology Co ltd
Original Assignee
Mingpinyun Beijing Data 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 Mingpinyun Beijing Data Technology Co Ltd filed Critical Mingpinyun Beijing Data Technology Co Ltd
Priority to CN202110922752.3A priority Critical patent/CN113377967B/zh
Publication of CN113377967A publication Critical patent/CN113377967A/zh
Application granted granted Critical
Publication of CN113377967B publication Critical patent/CN113377967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用于数据处理技术领域，提供了一种目标方案的获取方法、系统、电子设备及介质，方法包括：获取样本用户的属性数据，采用聚类算法对样本用户的属性数据进行聚类处理，得到多个用户类别；获取目标用户的属性数据，并根据目标用户的属性数据和多个用户类别获取目标用户类别；根据预设知识图谱和目标用户类别匹配待选择业务方案；获取目标用户历史业务数据和样本用户历史业务数据，并根据样本用户历史业务数据和目标用户历史业务数据确定待选择业务方案中各业务类别权重；根据各业务类别权重和待选择业务方案获取目标方案；解决未根据个体状况制定业务方案所导致的用户执行不合理业务的问题。

Description

一种目标方案的获取方法、系统、电子设备及介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种目标方案的获取方法、系统、电子设备及介质。
背景技术
随着社会的发展，人们对业务的选择也变得多种多样。由于个体差异，同样的业务方案对每个人产生的影响也会有差异，因此个性化业务方案的制定对个体至关重要。然而个体并不能有效根据自身情况来制定合理的业务方案，更不能根据自身情况制定合理的业务执行时间和选择合理的业务类别。此外，不合理的业务方案还会给个体带来不良影响。
发明内容
本发明提供了一种目标方案的获取方法、系统、电子设备及介质，以解决现有技术中未根据个体状况制定业务方案所导致的用户执行不合理业务的问题。
本发明提供的目标方案的获取方法，包括：
获取样本用户的属性数据，采用聚类算法对所述样本用户的属性数据进行聚类处理，得到多个用户类别；
获取目标用户的属性数据，并根据所述目标用户的属性数据和所述多个用户类别获取目标用户类别；
根据预设知识图谱和所述目标用户类别匹配待选择业务方案，所述待选择业务方案包括多个业务子方案，每个业务子方案均包括业务类别和业务时间；
获取目标用户历史业务数据和样本用户历史业务数据，并根据所述样本用户历史业务数据和所述目标用户历史业务数据确定待选择业务方案中各业务类别权重，所述业务数据包括业务类别、业务类别频次和业务类别时间；
根据所述各业务类别权重和所述待选择业务方案获取目标方案。
可选的，所述根据所述样本用户历史业务数据和所述目标用户历史业务数据确定待选择业务方案中各业务类别权重的步骤，具体包括：
获取所述样本用户对所述业务类别的评分数据，并根据所述评分数据建立业务类别标签矩阵；
根据所述标签矩阵和所述样本用户的历史业务数据建立业务类别标签相似度；
根据所述目标用户历史业务数据和所述业务类别标签相似度确定待选择业务方案中各业务类别权重。
可选的，所述根据所述目标用户历史业务数据和所述业务类别标签相似度确定待选择业务方案中各业务类别权重，具体包括：
根据所述目标用户历史业务数据的各业务类别时间建立业务类别的时间评价参数；
根据所述目标用户历史业务数据的各业务类别频次建立业务类别的频次评价参数；
根据所述业务类别标签相似度、各业务类别的时间评价参数和各业务类别的频次评价参数确定待选择业务方案中各业务类别权重。
可选的，所述目标方案的获取方法，还包括：
获取目标用户的实时属性数据，得到目标用户的当前用户类别；
根据所述当前用户类别判断目标用户所对应的用户类别是否有变化；
若是，则对目标用户属性数据的变化趋势进行分析，得到分析结果；
根据所述分析结果调整目标方案。
可选的，所述根据所述分析结果调整目标方案的步骤，具体包括：
获取目标用户的当前属性数据和历史属性数据；
若当前属性数据优于历史属性数据，则根据所述目标用户的当前用户类别获取对应的目标方案；
若历史属性数据优于当前属性数据，则获取目标用户属性数据变化的原因，并根据所述目标用户属性数据变化的原因调整目标方案。
可选的，所述根据所述目标用户属性数据变化的原因调整目标方案的步骤，具体包括：
若目标用户属性数据变化的原因与业务相关，则重复步骤采用聚类算法对所述样本用户的属性数据进行聚类处理，得到多个用户类别；
根据重复聚类后的目标用户类别获取对应的目标方案。
可选的，所述根据所述目标用户属性数据变化的原因调整目标方案的步骤，具体包括：
若目标用户属性数据变化的原因与业务相关，则降低目标用户的业务强度和业务时间；
若目标用户属性数据变化的原因与业务无关，则根据目标用户的当前用户类别获取对应的目标方案。
本发明还提供一种目标方案的获取系统，包括：
聚类模块，用于获取样本用户的属性数据，采用聚类算法对所述样本用户的属性数据进行聚类处理，得到多个用户类别；
目标类别获取模块，用于获取目标用户的属性数据，并根据所述目标用户的属性数据和所述多个用户类别获取目标用户类别；
匹配模块，用于根据预设知识图谱和所述目标用户类别匹配待选择业务方案，所述待选择业务方案包括多个业务子方案，每个业务子方案均包括业务类别和业务时间；
权重获取模块，用于获取目标用户历史业务数据和样本用户历史业务数据，并根据所述样本用户历史业务数据和所述目标用户历史业务数据确定待选择业务方案中各业务类别权重，所述业务数据包括业务类别、业务类别频次和业务类别时间；
目标方案获取模块，用于根据所述各业务类别权重和所述待选择业务方案获取目标方案。
本发明还提供一种电子设备，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行所述目标方案的获取方法。
本发明还提供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实现如上述所述目标方案的获取方法。
本发明的有益效果：本发明中的目标方案的获取方法，通过采用聚类算法对样本用户的属性数据处理建立用户类别，根据用户类别与目标用户历史业务数据获取目标业务方案；通过聚类将用户分为多个用户类别，充分考虑到了个体差异，便于实现对业务方案的个性化制定；根据对目标用户历史业务数据的分析生成目标业务方案充分考虑了目标用户对不同业务类别的偏爱，基于此生成的目标业务方案可以提高目标用户对目标业务方案执行的积极性。此外，还根据用户执行业务方案后的属性数据反馈进行重复聚类，提高了对用户类别建立方式的合理性，从而提高了目标业务方案的合理性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明实施例中目标方案的获取方法的流程示意图；
图2是本发明实施例中各业务类别权重确定方法的一流程示意图；
图3是本发明实施例中各业务类别权重确定方法的另一流程示意图；
图4是本发明实施例中目标方案调整方法的流程示意图；
图5是本发明实施例中目标方案的获取系统的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
第一实施例
健康的体魄是人们工作和生活的基础，随着社会的不断发展，人们越来越注重身体健康，越来越多的人选择运动让自己变的健康。人们对运动的选择也变得多种多样，由于个体差异，同样的运动强度和运动时间对每个人身体产生的影响也会有差异，但是人们不能有效根据自身情况通过合理的运动来达到身体健康的目的。此外，不合理的运动会造成人们消耗过多的热量，导致过量运动等问题，某些不适宜的运动可能还会引发一些潜在疾病。为了解决现有技术中未根据个体身体状况制定运动方案所导致的不合理运动的问题，本发明提供了一种目标方案的获取方法。
图1是本发明在一实施例中提供的目标方案的获取方法的流程示意图。
如图1所示，目标方案的获取方法，包括步骤S110-S150：
S110，获取样本用户的属性数据，采用聚类算法对样本用户的属性数据进行聚类处理，得到多个用户类别；
S120，获取目标用户的属性数据，并根据目标用户的属性数据和多个用户类别获取目标用户类别；
S130，根据预设知识图谱和目标用户类别匹配待选择业务方案；
S140，获取目标用户历史业务数据和样本用户历史业务数据，并根据样本用户历史业务数据和目标用户历史业务数据确定待选择业务方案中各业务类别权重；
S150，根据各业务类别权重和待选择业务方案获取目标方案。
在本实施例的步骤S110中，样本用户的属性数据为样本用户的健康数据，样本用户的健康数据可以通过预设的医疗平台或者移动智能管理设备获取，移动健康管理设备包括但不限于智能手机、穿戴设备，移动健康管理设备通过体征数据传感器获取样本用户的健康数据。获取不同样本用户的属性数据后，对不同样本用户的属性数据进行预处理，去除无效的属性数据。属性数据包括生理特征和疾病特征指标。生理特征指标包括但不限于身高信息、体重信息、年龄、睡眠信息；疾病指标包括但不限于心率信息、血压信息、血糖信息、血氧饱和度信息、热消耗量信息、呼吸信息。
具体地，聚类算法包括但不限于K-means聚类算法、DBSCAN聚类算法。采用DBSCAN聚类算法对属性数据集进行聚类，得到多个用户类别。具体地，根据实际经验设置属性数据集的半径Eps和最少属性数据个数MinPts，然后使用DBSCAN算法对属性数据集进行聚类，得到聚类结果，聚类结果包括不同的簇类，对不同的簇类进行标记得到对应的用户类别。此外，还可以采用K-means聚类算法对属性数据集进行分类，得到若干个用户类别。具体地，根据实际经验设定K值，采用K-means聚类算法对属性数据集进行聚类，得到聚类结果，聚类结果包括不同的簇类，对不同的簇类进行标记得到对应的用户类别。通过对不同用户的属性数据进行聚类处理后，将用户分为不同的用户类别，充分考虑到了个体差异，便于实现对目标业务方案的个性化制定。
在本实施例中，聚类结果的合理性可以通过同一用户类别中不同用户的属性数据是否符合预设条件来进行判断，同一用户类别中不同用户的属性数据是否符合预设条件可以根据实际中不同用户的健康状态进行判断；具体地，若一个个体身体处于健康状态，另一个个体身体处于严重异常状态，而采用聚类算法对属性数据集处理后的聚类结果，处于健康状态的个体与处于严重异常状态的个体分别对应的健康类别相同，则可以调整聚类参数DBSCAN算法的半径Eps以及最少属性数据个数MinPts或者K-means聚类算法的K值，并采用调整后的聚类参数再进行聚类，获取新的聚类结果，对其进行标记得到对应的用户类别。
在本实施例的步骤S120中，目标用户的属性数据为目标用户的健康数据，目标用户的属性数据的获取方式与样本用户的属性数据的获取方式相同，获取目标用户的属性数据后，对目标用户的属性数据进行预处理，去除无效的属性数据，然后根据目标用户的属性数据获取目标用户类别。
在本实施例的步骤S130中，业务为运动，待选择运动方案为待选择运动方案，每个运动子方案包括运动类别和运动时间。预设知识图谱包括用户类别与运动方案的关联关系，预设知识图谱中同一个用户类别对应一个运动方案，一个运动方案包括多个运动子方案，每个运动子方案包括运动类别和运动时间。目标用户可以根据属性数据获取到用户类别，然后根据用户类别获取到能够执行的多个子运动方案，即是根据用户类别获取待选择运动方案。预设知识图谱包括用户类别与运动方案的关联关系，用户类别与运动方案的关联关系可以通过用户健康数据与运动方案的关联关系获取，用户健康数据与运动方案的关联关系可以通过公开的运动处方获取。
在本实施例的步骤S140中，获取目标用户历史业务数据和样本用户历史业务数据，业务数据包括业务类别、业务类别频次和业务类别时间；目标用户历史业务数据为目标用户历史运动数据，样本用户历史业务数据为样本用户历史运动数据，运动数据包括运动类别、运动类别频次和运动类别时间。根据样本用户历史业务数据和目标用户历史业务数据确定待选择业务方案中各业务类别权重，即根据目标用户历史运动数据和样本用户历史运动数据确定待选择运动方案中各运动类别权重。具体地，根据样本用户历史业务数据和目标用户历史业务数据确定待选择业务方案中各业务类别权重的具体实现方法请参见图2，图2是本发明在一实施例中提供的各业务类别权重确定方法的一流程示意图。
如图2所示，根据目标用户历史运动数据和样本用户历史运动数据确定待选择运动方案中各运动类别权重可以包括以下步骤S210-S230：
S210，获取样本用户对业务类别的评分数据，并根据评分数据建立业务类别标签矩阵；
S220，根据标签矩阵和样本用户的历史业务数据建立业务类别标签相似度；
S230，根据目标用户历史业务数据和业务类别标签相似度确定待选择业务方案中各业务类别权重。
在本实施例的步骤S210中，业务为运动，业务类别标签矩阵为运动类别标签矩阵，业务类别标签相似度为运动类别标签相似度。获取样本用户对业务类别的评分数据，并根据评分数据建立业务类别标签矩阵包括；首先获取样本用户对运动类别的评分数据，评分数据为样本用户对不同运动类别的评分，可以通过调查问卷或者其他方式获取；然后根据评价分数建立运动类别标签矩阵。具体地，根据评价分数所建立的运动类别m的标签矩阵Am为：Am={Ami}，i的范围为1~n，n为有效样本用户的总个数，m为运动类别的标号，Am为运动类别m的标签矩阵，i为样本用户的标号，Ami为样本用户i对运动类别m的评分。
在本实施例的步骤S220中，为了避免样本用户对运动类别评分的不客观，在运动类别标签相似度获取过程中引入了样本用户的历史运动数据，因此采用样本用户的历史运动数据与评分数据相结合获取运动类别标签相似度的方式充分考虑了样本用户的实际运动情况，使得获取到的运动类别标签相似度更准确。根据标签矩阵和样本用户的历史业务数据建立业务类别标签相似度具体为根据标签矩阵和样本用户的历史运动数据建立运动类别标签相似度，运动类别标签相似度的数学表达如下：
Figure 70797DEST_PATH_IMAGE001
其中，sim(m，j)为运动类别m和运动类别j的标签相似度，j为运动类别的标号，Am为运动类别m的标签矩阵，Aj为运动类别j的标签矩阵，Ami为样本用户i对运动类别m的评分；Aji为样本用户i对运动类别j的评分，g(mi)为运动类别m所对应的样本用户i的运动频次和运动时间的综合评价指数，g(ji)为运动类别j所对应的样本用户i的运动频次和运动时间的综合评价指数。
具体地，g(mi)的数学表达为g(mi)=f(mi)*Xm+h(mi)*Km，其中，f(mi)为运动类别m所对应的样本用户i的运动频次评价参数，Xm为运动频次对运动类别m的影响因子，Km为运动时间对运动类别m的影响因子，h(mi)为运动类别m所对应的样本用户i的运动时间评价参数。f(mi)可以根据样本用户i所对应的运动类别m的频次确定，h(ji)可以根据样本用户i所对应的运动类别j的时间确定。g(ji)的数学表达为g(ji)=f(ji)*Xj+h(ji)*Kj，其中，f(ji)为运动类别j所对应的样本用户i的运动频次评价参数，Xj为运动频次对运动类别j的影响因子，Kj为运动时间对运动类别j的影响因子，h(ji)为运动类别j所对应的样本用户i的运动时间评价参数。f(ji)可以根据样本用户i所对应的运动类别j的频次确定，h(ji)可以根据样本用户i所对应的运动类别j的时间确定。
在本实施例的步骤S230中，根据目标用户历史业务数据和业务类别标签相似度确定待选择业务方案中各业务类别权重，具体包括：根据目标用户历史运动数据获取历史运动数据的各运动类别频次和历史运动数据的各运动类别时间；然后根据历史运动数据的各业务类别频次、历史运动数据的各运动类别时间和运动类别标签相似度获取各运动类别权重。
具体地，根据目标用户历史业务数据的各业务类别频次和历史业务数据的各业务类别时间确定目标用户的各业务类别偏好度，然后根据业务类别标签相似度对目标用户的各业务类别偏好度进行更新。根据目标用户历史业务数据和业务类别标签相似度确定待选择业务方案中各业务类别权重的具体实现方法请参见图3，图3是本发明在一实施例中提供的各业务类别权重确定方法的另一流程示意图。
如图3所示，根据目标用户历史业务数据和业务类别标签相似度确定待选择业务方案中各业务类别权重可以包括以下步骤S310-S330：
S310，根据目标用户历史业务数据的各业务类别时间建立业务类别的时间评价参数；
S320，根据目标用户历史业务数据的各业务类别频次建立业务类别的频次评价参数；
S330，根据业务类别标签相似度、各业务类别的时间评价参数和各业务类别的频次评价参数确定待选择业务方案中各业务类别权重。
在本实施例的步骤S310中，根据目标用户历史业务数据的各业务类别时间建立业务类别的时间评价参数具体为根据目标用户历史运动数据的每个运动类别时间确定时间评价参数，具体地，获取目标用户历史运动数据总运动时间和每个运动类别的运动总时间，每个运动类别的运动总时间与总运动时间的比值为这个运动类别的时间评价参数。
在本实施例的步骤S320中，根据目标用户历史业务数据的各业务类别频次建立业务类别的频次评价参数具体为根据目标用户历史运动数据的每个运动类别频次确定频次评价参数，具体地，获取目标用户历史运动数据总运动频次和每个运动类别的运动频次，每个运动类别的运动总频次与总频次的比值为这个运动类别的频次评价参数。
在本实施例的步骤S330中，根据业务类别标签相似度和各业务类别的时间评价参数以及各业务类别的频次评价参数确定待选择业务方案中各业务类别权重具体为根据运动类别标签相似度、各运动类别的时间评价参数以及各运动类别的频次评价参数获取各运动类别权重，可以先根据每个类别的时间评价参数和每个类别的频次评价参数确定目标用户对各运动类别的偏好度。具体地，目标用户对运动类别m的偏好度为运动类别m所对应的目标用户的运动频次和运动时间的综合评价指数，目标用户对运动类别m的偏好度g(mx)的数学表达为：
g(mx)=f(mx)*Xm+h(mx)*Km；
其中，m为运动类别的标号，x为目标用户的标号，g(mx)为目标用户对运动类别m的偏好度，Amx为运动类别m所对应的目标用户的评价指数，f(mx)为运动类别m所对应的目标用户的时间评价参数，Xm为时间对运动类别m的影响因子，h(mx)为运动类别m所对应的目标用户的频次评价参数，Km为频次对运动类别m的影响因子。
具体地，时间对运动类别m的影响因子可以根据执行运动类别m后，健康数据随运动时间的变化程度来确定；频次对运动类别m的影响因子可以根据执行运动类别m后，健康数据随运动频次的变化程度来确定。确定目标用户对各运动类别偏好度后，根据各运动类别偏好度和各运动类别的相似度确定各运动类别权重。
具体地，根据各运动类别偏好度和各运动类别的相似度确定各运动类别权重，可以包括：
根据各运动类别偏好度获取各运动类别偏好度占比，所有运动类别偏好度相加为总偏好度，各运动类别偏好度百分比可以根据单个运动类别偏好度与总偏好度的百分比得到。设定一个运动类别偏好度百分比阈值，例如可以为50%、45%、30%等。当一个运动类别偏好度百分比大于偏好度百分比阈值，获取当前运动类别与另一运动类别的相似度，当相似度大于相似度阈值时，则根据对另一运动类别偏好度百分比进行扩大，根据扩大后的偏好度百分比为这个运动类别权重，若运动类别不满足扩大偏好度百分比的条件，则原偏好度百分比为这个运动类别的运动权重。相似度阈值可以根据实际情况进行设定。在本实施例中，根据目标用户历史运动数据确定目标用户各运动类别偏好度，根据样本用户历史运动数据确定各运动类别的相似度，根据相似度对各运动类别偏好度进行调整，使得生成的目标运动方案更符合用户偏好，提高了目标用户对目标运动方案执行的积极性，充分实现了运动方案的个性化定制。
在本实施例的步骤S150中，根据步骤S140得到的各业务类别权重和待选择业务方案获取目标方案具体为根据各运动类别权重和待运动方案获取目标方案，具体地，根据各运动类别权重确定待选择运动方案中的权重最高的运动类别，根据权重最高的运动类别生成目标方案。
在本实施例中，目标方案的获取方法还包括根据目标用户实时属性数据调整目标方案。目标方案调整方法的具体实现方法请参见图4，图4是本发明在一实施例中提供的目标方案调整方法的流程示意图。
如图4所示，目标方案调整方法可以包括以下步骤S410-S430：
S410，获取目标用户的实时属性数据，得到目标用户的当前用户类别；
S420，根据当前用户类别判断目标用户所对应的用户类别是否有变化；
S430，若是，则对目标用户属性数据的变化趋势进行分析，得到分析结果；
S440，根据分析结果调整目标方案。
在本实施例的步骤S430中，目标用户属性数据的变化趋势可以根据目标用户属性数据偏离正常值的情况和历史属性数据偏离正常值的情况来进行分析。
在本实施例的步骤S440中，根据分析结果调整目标方案可以根据当前属性数据与历史属性数据比较后的变化情况和变化原因来获取。获取实时属性数据与历史属性数据，分别获取不同属性数据与正常值的偏差，获取单个属性数据与单个属性数据正常值比值的绝对值较大的属性数据，分析这个属性数据与正常值比值的绝对值较大的影响因素，得到属性数据变化的影响因素。
具体地，根据目标用户属性数据偏离正常值的情况和历史属性数据偏离正常值的情况来确定当前属性数据优于历史属性数据还是历史属性数据优于当前属性数据。若当前属性数据优于历史属性数据，则根据目标用户的当前用户类别获取对应的目标方案。若历史属性数据优于当前属性数据，则获取目标用户属性数据变化的原因，并根据目标用户属性数据变化的原因调整目标方案。若属性数据变化的原因与业务方案无关，根据目标用户的当前用户类别获取对应的目标方案，具体为：根据目标用户类别重复步骤S130-S150生成新的目标方案。若目标用户属性数据的原因与运动方案相关，则可以通过两种方式来调整目标方案。一种是重复步骤S110采用聚类算法对样本用户的属性数据进行聚类处理，得到多个用户类别，对用户类别进行更新，采用这种方式可以避免由聚类初始参数设置不合理所导致的用户类别中属性数据有误的问题；另一种是降低目标方案的业务强度和业务时间生成新的目标方案，采用这种方式可以避免由运动不合理所导致的身体损害问题。
第二实施例
基于与第一实施例中方法相同的发明构思，相应的，本实施例还提供了一种目标方案的获取系统。
图5为本发明提供的目标方案的获取系统的流程示意图。
如图5所示，所示系统5包括：51聚类模块、52目标类别获取模块、53匹配模块、54权重获取模块以及55目标方案获取模块。
其中，聚类模块，用于获取样本用户的属性数据，采用聚类算法对样本用户的属性数据进行聚类处理，得到多个用户类别；
目标类别获取模块，用于获取目标用户的属性数据，并根据目标用户的属性数据和多个用户类别获取目标用户类别；
匹配模块，用于根据预设知识图谱和目标用户类别匹配待选择业务方案，待选择业务方案包括多个业务子方案，每个业务子方案均包括业务类别和业务时间；
权重获取模块，用于获取目标用户历史业务数据和样本用户历史业务数据，并根据样本用户历史业务数据和目标用户历史业务数据确定待选择业务方案中各业务类别权重，业务数据包括业务类别、业务类别频次和业务类别时间；
目标方案获取模块，用于根据各业务类别权重和待选择业务方案获取目标方案。
在一些示例性实施例中，权重获取模块包括：
标签矩阵建立单元，用于获取样本用户对业务类别的评分数据，并根据评分数据建立业务类别标签矩阵；
标签相似度建立单元，用于根据标签矩阵和样本用户的历史业务数据建立业务类别标签相似度；
权重确定单元，用于根据目标用户历史业务数据和业务类别标签相似度确定待选择业务方案中各业务类别权重。
在一些示例性实施例中，权重确定单元还包括：
时间参数确定子单元，用于根据目标用户历史业务数据的各业务类别时间建立业务类别的时间评价参数；
频次参数确定子单元，用于根据目标用户历史业务数据的各业务类别频次建立业务类别的频次评价参数；
权重确定子单元，用于根据所述业务类别标签相似度和各业务类别的时间评价参数以及各业务类别的频次评价参数确定待选择业务方案中各业务类别权重。
在一些示例性实施例中，目标方案的获取系统还包括：
当前用户类别获取模块，用于获取目标用户的实时属性数据，得到目标用户的当前用户类别；
判断模块，用于根据当前用户类别判断目标用户所对应的用户类别是否有变化；
分析模块，用于若是，则对目标用户属性数据的变化趋势进行分析，得到分析结果；
调整模块，用于根据分析结果调整目标方案。
在一些示例性实施例中，目标方案调整模块包括：
属性数据获取单元，用于获取目标用户的当前属性数据和历史属性数据；
目标方案获取单元，用于若当前属性数据优于历史属性数据，则根据目标用户的当前用户类别获取对应的目标方案；
调整单元，用于若历史属性数据优于当前属性数据，则获取目标用户属性数据变化的原因，并根据目标用户属性数据变化的原因调整目标方案。
在一些示例性实施例中，方案调整单元包括：
重复聚类子单元，用于若目标用户属性数据变化的原因与业务相关，则重复步骤采用聚类算法对所述样本用户的属性数据进行聚类处理，得到多个用户类别；
第一目标方案获取子单元，用于根据重复聚类后的目标用户类别获取对应的目标方案。
在一些示例性实施例中，方案调整单元包括：
目标方案调整子单元，用于若目标用户属性数据变化的原因与业务相关，则降低目标用户的业务强度和业务时间；
第二目标方案获取子单元，用于若目标用户属性数据变化的原因与业务无关，则根据目标用户的当前用户类别获取对应的目标方案。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子设备，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子设备，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子设备执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中，说明书对“本实施例”、“一实施例”、“另一实施例”、“示例性实施例”或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”、“示例性实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中，尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构（例如，动态RAM（DRAM））可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。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。
本发明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发明，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。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种目标方案的获取方法，其特征在于，所述目标方案的获取方法包括：
获取样本用户的属性数据，采用聚类算法对所述样本用户的属性数据进行聚类处理，得到多个用户类别；
获取目标用户的属性数据，并根据所述目标用户的属性数据和所述多个用户类别获取目标用户类别；
根据预设知识图谱和所述目标用户类别匹配待选择业务方案，所述待选择业务方案包括多个业务子方案，每个业务子方案均包括业务类别和业务时间；
获取目标用户历史业务数据和样本用户历史业务数据，并根据所述样本用户历史业务数据和所述目标用户历史业务数据确定待选择业务方案中各业务类别权重，所述业务数据包括业务类别、业务类别频次和业务类别时间；
根据所述各业务类别权重和所述待选择业务方案获取目标方案。
2.根据权利要求1所述的目标方案的获取方法，其特征在于，所述根据所述样本用户历史业务数据和所述目标用户历史业务数据确定待选择业务方案中各业务类别权重的步骤，具体包括：
获取所述样本用户对所述业务类别的评分数据，并根据所述评分数据建立业务类别标签矩阵；
根据所述标签矩阵和所述样本用户的历史业务数据建立业务类别标签相似度；
根据所述目标用户历史业务数据和所述业务类别标签相似度确定待选择业务方案中各业务类别权重。
3.根据权利要求2所述的目标方案的获取方法，其特征在于，所述根据所述目标用户历史业务数据和所述业务类别标签相似度确定待选择业务方案中各业务类别权重，具体包括：
根据所述目标用户历史业务数据的各业务类别时间建立业务类别的时间评价参数；
根据所述目标用户历史业务数据的各业务类别频次建立业务类别的频次评价参数；
根据所述业务类别标签相似度、各业务类别的时间评价参数和各业务类别的频次评价参数确定待选择业务方案中各业务类别权重。
4.根据权利要求1所述的目标方案的获取方法，其特征在于，所述目标方案的获取方法，还包括：
获取目标用户的实时属性数据，得到目标用户的当前用户类别；
根据所述当前用户类别判断目标用户所对应的用户类别是否有变化；
若是，则对目标用户属性数据的变化趋势进行分析，得到分析结果；
根据所述分析结果调整目标方案。
5.根据权利要求4所述的目标方案的获取方法，其特征在于，所述根据所述分析结果调整目标方案的步骤，具体包括：
获取目标用户的当前属性数据和历史属性数据；
若当前属性数据优于历史属性数据，则根据所述目标用户的当前用户类别获取对应的目标方案；
若历史属性数据优于当前属性数据，则获取目标用户属性数据变化的原因，并根据所述目标用户属性数据变化的原因调整目标方案。
6.根据权利要求5所述的目标方案的获取方法，其特征在于，所述根据所述目标用户属性数据变化的原因调整目标方案的步骤，具体包括：
若目标用户属性数据变化的原因与业务相关，则重复步骤采用聚类算法对所述样本用户的属性数据进行聚类处理，得到多个用户类别；
根据重复聚类后的目标用户类别获取对应的目标方案。
7.根据权利要求5所述的目标方案的获取方法，其特征在于，所述根据所述目标用户属性数据变化的原因调整目标方案的步骤，具体包括：
若目标用户属性数据变化的原因与业务相关，则降低目标用户的业务强度和业务时间；
若目标用户属性数据变化的原因与业务无关，则根据目标用户的当前用户类别获取对应的目标方案。
8.一种目标方案的获取系统，其特征在于，所述目标方案的获取系统包括：
聚类模块，用于获取样本用户的属性数据，采用聚类算法对所述样本用户的属性数据进行聚类处理，得到多个用户类别；
目标类别获取模块，用于获取目标用户的属性数据，并根据所述目标用户的属性数据和所述多个用户类别获取目标用户类别；
匹配模块，用于根据预设知识图谱和所述目标用户类别匹配待选择业务方案，所述待选择业务方案包括多个业务子方案，每个业务子方案均包括业务类别和业务时间；
权重获取模块，用于获取目标用户历史业务数据和样本用户历史业务数据，并根据所述样本用户历史业务数据和所述目标用户历史业务数据确定待选择业务方案中各业务类别权重，所述业务数据包括业务类别、业务类别频次和业务类别时间；
目标方案获取模块，用于根据所述各业务类别权重和所述待选择业务方案获取目标方案。
9.一种电子设备，其特征在于，包括处理器、存储器和通信总线；
所述通信总线用于将所述处理器和存储器连接；
所述处理器用于执行所述存储器中存储的计算机程序，以实现如权利要求1-7中任一项所述的方法。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110922752.3A 2021-08-12 2021-08-12 一种目标方案的获取方法、系统、电子设备及介质 Active CN113377967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110922752.3A CN113377967B (zh) 2021-08-12 2021-08-12 一种目标方案的获取方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110922752.3A CN113377967B (zh) 2021-08-12 2021-08-12 一种目标方案的获取方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN113377967A true CN113377967A (zh) 2021-09-10
CN113377967B CN113377967B (zh) 2021-12-21

Family

ID=77576945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110922752.3A Active CN113377967B (zh) 2021-08-12 2021-08-12 一种目标方案的获取方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113377967B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817286A (zh) * 2022-04-29 2022-07-29 中冶赛迪重庆信息技术有限公司 一种铜冶炼设备数据处理方法、系统、电子设备及介质
CN114942813A (zh) * 2022-05-31 2022-08-26 重庆长安汽车股份有限公司 汽车目标显示方案的生成方法、装置、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190179917A1 (en) * 2017-12-08 2019-06-13 Apple Inc. Geographical knowledge graph
CN112528009A (zh) * 2020-12-07 2021-03-19 北京健康有益科技有限公司 生成用户慢病调理方案的方法、装置及计算机可读介质
CN112699309A (zh) * 2021-03-23 2021-04-23 北京搜狐新媒体信息技术有限公司 资源推荐方法、装置、可读介质以及设备
CN113035319A (zh) * 2021-04-26 2021-06-25 南通大学 糖尿病患者生活方式管理路径自动推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190179917A1 (en) * 2017-12-08 2019-06-13 Apple Inc. Geographical knowledge graph
CN112528009A (zh) * 2020-12-07 2021-03-19 北京健康有益科技有限公司 生成用户慢病调理方案的方法、装置及计算机可读介质
CN112699309A (zh) * 2021-03-23 2021-04-23 北京搜狐新媒体信息技术有限公司 资源推荐方法、装置、可读介质以及设备
CN113035319A (zh) * 2021-04-26 2021-06-25 南通大学 糖尿病患者生活方式管理路径自动推荐方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114817286A (zh) * 2022-04-29 2022-07-29 中冶赛迪重庆信息技术有限公司 一种铜冶炼设备数据处理方法、系统、电子设备及介质
CN114942813A (zh) * 2022-05-31 2022-08-26 重庆长安汽车股份有限公司 汽车目标显示方案的生成方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN113377967B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN113377967B (zh) 一种目标方案的获取方法、系统、电子设备及介质
TWI743428B (zh) 目標用戶群體的確定方法和裝置
CN108985638A (zh) 一种用户投资风险评估方法和装置以及存储介质
CN110909222A (zh) 基于聚类的用户画像建立方法、装置、介质及电子设备
CN112870726A (zh) 图形处理器的资源分配方法、装置和存储介质
US20140012593A1 (en) Apparatuds and method for lifestyle management based on model
Roy et al. A middleware framework for ambiguous context mediation in smart healthcare application
CN115271931A (zh) 一种信用卡产品的推荐方法、装置、电子设备和介质
CN113468402B (zh) 目标对象确定方法、装置及存储介质
Chen et al. Sequential multi-class three-way decisions based on cost-sensitive learning
CN113343306B (zh) 基于差分隐私的数据查询方法、装置、设备及存储介质
CN113032671B (zh) 内容处理方法、装置、电子设备和存储介质
CN112052399B (zh) 一种数据处理方法、装置和计算机可读存储介质
Hollmig et al. An evaluation of combinations of lossy compression and change-detection approaches for time-series data
CN111009299A (zh) 相似药品推荐方法及系统、服务器及介质
CN114627998B (zh) 乳腺生物节律监测数据的传输方法及系统
CN113420165B (zh) 二分类模型的训练、多媒体数据的分类方法及装置
CN109754319A (zh) 信用分值确定系统、方法、终端及服务器
JP5318443B2 (ja) 保健指導支援システム及びプログラム
CN110837894B (zh) 一种特征处理方法、装置及存储介质
CN114461822A (zh) 资源处理方法、装置、设备及存储介质
Bassi Analysing markets within the latent class approach: an application to the pharma sector
CN113407827A (zh) 基于用户价值分类的信息推荐方法、装置、设备及介质
CN113761379A (zh) 商品推荐方法及装置、电子设备和介质
Jabbar et al. A novel data offloading scheme for QoS optimization in 5G based internet of medical things

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
TR01 Transfer of patent right

Effective date of registration: 20220715

Address after: 201615 room 1904, G60 Kechuang building, No. 650, Xinzhuan Road, Songjiang District, Shanghai

Patentee after: Shanghai Mingping Medical Data Technology Co.,Ltd.

Address before: 102400 no.86-n3557, Wanxing Road, Changyang, Fangshan District, Beijing

Patentee before: Mingpinyun (Beijing) data Technology Co.,Ltd.

TR01 Transfer of patent right