CN114840777A - 多维度养老服务推荐方法、装置以及电子设备 - Google Patents

多维度养老服务推荐方法、装置以及电子设备 Download PDF

Info

Publication number
CN114840777A
CN114840777A CN202210776454.2A CN202210776454A CN114840777A CN 114840777 A CN114840777 A CN 114840777A CN 202210776454 A CN202210776454 A CN 202210776454A CN 114840777 A CN114840777 A CN 114840777A
Authority
CN
China
Prior art keywords
endowment
user
old
service
endowment service
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
CN202210776454.2A
Other languages
English (en)
Other versions
CN114840777B (zh
Inventor
申永生
胡徐蕾
杨威
谢卓岚
陈冲杰
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.)
Hangzhou City Brain Co ltd
Original Assignee
Hangzhou City Brain 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 Hangzhou City Brain Co ltd filed Critical Hangzhou City Brain Co ltd
Priority to CN202210776454.2A priority Critical patent/CN114840777B/zh
Publication of CN114840777A publication Critical patent/CN114840777A/zh
Application granted granted Critical
Publication of CN114840777B publication Critical patent/CN114840777B/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
    • G06F16/90—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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Animal Behavior & Ethology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种多维度养老服务推荐方法、装置及电子设备。该方法包括对知识图谱进行学习得到老年用户与多个待推荐养老服务推荐的匹配得分，形成待推荐养老服务集以实现基于老年用户个人维度的养老服务推荐。在此基础上，基于老年用户多维度用户特征信息及老年用户与多个待推荐养老服务的匹配得分，构建社区养老服务的需求模型并通过学习确定各项用户特征信息对应的权重
Figure 269901DEST_PATH_IMAGE001
。并以老年用户的居住地行政区划为维度，根据用户特征权重及养老服务匹配得分对各社区养老服务的需求度进行评分，最终形成兼容个人维度推荐和社区维度的养老服务的准确推荐。

Description

多维度养老服务推荐方法、装置以及电子设备
技术领域
本发明涉及数据处理技术领域，且特别涉及多维度养老服务推荐方法、装置及电子设备。
背景技术
老年人口增加带来的人口老龄化问题极速扩大了养老服务的需求，保障老年人必要的生活服务在社会上得到了越来越多的关注。近年来，为完善养老服务体系，政府加大了对养老服务的投入，各式各样的养老服务出现在了市场上，如何选择适合每个老年人的养老服务成为了当前不可避免的难题。推荐系统是互联网发展后海量信息下的产物，是可以为用户提供所需产品建议的技术手段，其结合用户的年龄、性别，产品的特征，历史表现等信息，利用机器学习搭建模型算法为用户提供个性化推荐。
现有对于养老服务的推荐多聚焦于个人维度，即只针对老年人用户个人进行相关养老服务的推荐。但随着老年人口增加、人口老龄化问题日益凸显，以社区为依托的养老服务逐渐成为一种新型的养老方式。对于汇集大量老年用户社区养老而言，传统的仅聚焦于个人维度的养老服务推荐将很难兼顾大量老年用户的需求、无法实现准确推荐，且极易造成有限社会养老服务的浪费或不均衡分配。
发明内容
本发明为了克服现有技术的不足，提供一种多维度养老服务推荐方法、装置及电子设备。
为了实现上述目的，本发明多维度养老服务推荐方法，其包括：
获取老年用户和养老服务的历史交互信息，构建养老服务知识图谱和图数据库；
利用推荐模型对知识图谱进行学习以预测老年用户
Figure 55706DEST_PATH_IMAGE001
与多个待推荐养老服务
Figure 504005DEST_PATH_IMAGE002
的 匹配得分
Figure 955846DEST_PATH_IMAGE003
；并根据预测的匹配得分
Figure 85476DEST_PATH_IMAGE003
对多个待推荐的养老服务进行排序，选取 前N个养老服务作为基于个人维度的待推荐养老服务集；
获取老年用户自身的多维度用户特征信息，根据居住地行政区划
Figure 431007DEST_PATH_IMAGE004
获得各项 养老服务的老年用户特征向量
Figure 174841DEST_PATH_IMAGE005
，其中
Figure 176295DEST_PATH_IMAGE006
分别表征各维度 的用户特征信息；
基于各项养老服务的老年用户特征向量
Figure 171933DEST_PATH_IMAGE007
和老年用户
Figure 247336DEST_PATH_IMAGE001
对养老服务
Figure 975121DEST_PATH_IMAGE002
的匹配得分 构建社区养老服务的需求模型
Figure 526188DEST_PATH_IMAGE008
；其中，
Figure 997620DEST_PATH_IMAGE009
表示社区，
Figure 442377DEST_PATH_IMAGE010
表 示用户特征
Figure 606642DEST_PATH_IMAGE011
的权重，
Figure 645005DEST_PATH_IMAGE012
表示老年用户特征向量
Figure 326653DEST_PATH_IMAGE007
的第
Figure 704545DEST_PATH_IMAGE013
维度特征信息
Figure 836449DEST_PATH_IMAGE011
，
Figure 299792DEST_PATH_IMAGE003
表示 老年用户
Figure 299978DEST_PATH_IMAGE001
对养老服务
Figure 532376DEST_PATH_IMAGE002
的匹配得分；
根据各行政区划内老年用户样本集对已构建的社区养老服务需求模型进行学习， 构建各项用户特征信息对应的权重
Figure 100760DEST_PATH_IMAGE014
；
基于各项用户特征信息对应的权重
Figure 785820DEST_PATH_IMAGE015
，从社区维度预测待推荐养老服务集内每个 养老服务的需求度评分
Figure 340429DEST_PATH_IMAGE016
；并根据评分
Figure 427334DEST_PATH_IMAGE017
形成兼容社区维度 的推荐列表并向老年用户推荐。
根据本发明的一实施例，在获得老年用户自身的多维度用户特征信息后，将每一 维度的用户特征信息进行编码，得到对于各项养老服务的老年用户特征向量
Figure 901040DEST_PATH_IMAGE007
。
根据本发明的一实施例，根据老年用户样本集内每一老年用户样本对于各项养老 服务的老年用户特征向量
Figure 260346DEST_PATH_IMAGE007
以及每一老年用户样本与养老服务的历史交互数量信息
Figure 415384DEST_PATH_IMAGE018
对 已构建的社区养老服务需求模型进行学习，所采用的损失函数为
Figure 684691DEST_PATH_IMAGE019
。
根据本发明的一实施例，在形成老年用户样本集时对样本进行平衡化处理，其包括：
确定各维度用户特征信息经编码后所形成的用户特征信息指标所占有的样本数量；
采用下采样法对样本进行随机抽取，将各用户特征信息指标所占有样本数量转换为同一数量级。
根据本发明的一实施例，老年用户和养老服务相关的历史交互信息包括使用信息和评价信息，在构建养老服务知识图谱时以老年用户作为养老服务知识图谱的节点，将老年用户与养老服务的历史交互作为关系的边加入到知识图谱中以构建出协同知识图谱。
根据本发明的一实施例，利用推荐模型对知识图谱进行学习以预测老年用户
Figure 532562DEST_PATH_IMAGE001
与 多个待推荐养老服务
Figure 129896DEST_PATH_IMAGE002
的匹配得分
Figure 88625DEST_PATH_IMAGE003
包括：
利用transR模型在实体空间和关系空间构建实体和关系嵌入，将知识图谱上每个 节点参数化为一个向量，以三元组
Figure 946860DEST_PATH_IMAGE020
的形式保存数据，
Figure 887003DEST_PATH_IMAGE021
为
Figure 33950DEST_PATH_IMAGE020
的头实体，
Figure 858687DEST_PATH_IMAGE022
为
Figure 774690DEST_PATH_IMAGE020
的关系，
Figure 636467DEST_PATH_IMAGE023
为
Figure 270711DEST_PATH_IMAGE020
的尾实体；
构建无效三元组并基于transR模型的损失函数区分有效三元组和无效三元组的相对顺序；
通过图卷积模式挖掘相邻实体节点的联通信息以衡量不同邻节点对于某头节点 的关系权重
Figure 633559DEST_PATH_IMAGE024
；对于节点
Figure 669648DEST_PATH_IMAGE021
，以其为头节点的三元组集合为
Figure 686014DEST_PATH_IMAGE025
, 所获取的邻节点信息为
Figure 869871DEST_PATH_IMAGE026
，其中
Figure 974093DEST_PATH_IMAGE024
为关系权重，
Figure 536793DEST_PATH_IMAGE027
为尾向量；
使用聚合器聚合实体表示
Figure 68268DEST_PATH_IMAGE028
和邻节点信息为
Figure 473842DEST_PATH_IMAGE029
并表征两者之间的交互，聚合器 聚合信息：
Figure 381755DEST_PATH_IMAGE030
，其中
Figure 313808DEST_PATH_IMAGE031
为按位乘运算，LeakyReLU为激活函数；其中，在
Figure 16184DEST_PATH_IMAGE032
层可得到高阶实体表示：
Figure 909054DEST_PATH_IMAGE033
，
Figure 27183DEST_PATH_IMAGE034
，
Figure 626791DEST_PATH_IMAGE035
来自上一信 息传播层，储存了实体
Figure 562386DEST_PATH_IMAGE023
在前
Figure 880235DEST_PATH_IMAGE036
层的邻域信息，
Figure 51322DEST_PATH_IMAGE037
和
Figure 771017DEST_PATH_IMAGE038
为聚合器参数；
重复以上步骤，通过多层传播，在L层后，获得老年用户和养老服务节点的多个注 意力表示，再采用层聚合机制将每一步的表示连接成一个向量：
Figure 877513DEST_PATH_IMAGE039
,
Figure 682658DEST_PATH_IMAGE040
, 通过内积来预测匹配得分：
Figure 408169DEST_PATH_IMAGE041
，所采用的损失函数为
Figure 513528DEST_PATH_IMAGE042
，其中
Figure 915559DEST_PATH_IMAGE043
，
Figure 473579DEST_PATH_IMAGE044
为老年用户
Figure 533939DEST_PATH_IMAGE001
和养老服务
Figure 962647DEST_PATH_IMAGE002
之间的正样例，
Figure 535579DEST_PATH_IMAGE045
为老年用户
Figure 112054DEST_PATH_IMAGE001
和养老服务
Figure 241684DEST_PATH_IMAGE046
之间的负样例。
根据本发明的一实施例，每个三元组
Figure 462581DEST_PATH_IMAGE020
在r关系空间中的投影向量分别为
Figure 285044DEST_PATH_IMAGE047
，则
Figure 348815DEST_PATH_IMAGE048
，
Figure 282135DEST_PATH_IMAGE049
，其中
Figure 606806DEST_PATH_IMAGE050
是三元组中关系r的变换矩阵，
Figure 600170DEST_PATH_IMAGE051
分别为h，r，t的嵌入表示，
Figure 151237DEST_PATH_IMAGE052
为
Figure 622670DEST_PATH_IMAGE020
的相似性得分；利用损失函数
Figure 818159DEST_PATH_IMAGE053
区分有 效三元组和无效三元组的相对顺序，其中
Figure 982424DEST_PATH_IMAGE054
，
Figure 755208DEST_PATH_IMAGE055
为通过随机替换有效三元组中的一个实体而构建的无效三元组，
Figure 30332DEST_PATH_IMAGE056
为
Figure 595174DEST_PATH_IMAGE055
的 尾实体，G为养老服务知识图谱。
根据本发明的一实施例，在根据预测的匹配得分
Figure 461499DEST_PATH_IMAGE003
对多个待推荐的养老服 务进行排序时，基于排序结果以及养老知识图谱中与排序结果相对应的用户节点相邻边的 权重信息生成与用户特征信息相关的推荐理由；多维度养老服务推荐方法还包括：
获取老年用户的最终养老服务选择并判断最终养老服务是否属于推荐的养老服务集内；
当最终的养老服务选择不属于推荐的养老服务集内时，在基于匹配得分
Figure 924841DEST_PATH_IMAGE003
的排序列表内匹配查找该最终养老服务所对应的推荐理由；
基于推荐理由获取该老年用户的用户特征信息以更新老年用户特征向量
Figure 675760DEST_PATH_IMAGE007
并优 化社区养老服务的需求模型。
本发明另一方面还提供一种多维度养老服务推荐装置，其包括知识图谱构建模 块、用户预测推荐模块、获取模块、需求模型构建模块、权重构建模块以及社区预测推荐模 块。知识图谱构建模块获取老年用户和养老服务的历史交互信息，构建养老服务知识图谱 和图数据库。用户预测推荐模块利用推荐模型对知识图谱进行学习以预测老年用户
Figure 908158DEST_PATH_IMAGE001
与多 个待推荐养老服务
Figure 210963DEST_PATH_IMAGE002
的匹配得分
Figure 161602DEST_PATH_IMAGE003
；并根据预测的匹配得分
Figure 965478DEST_PATH_IMAGE003
对多个待推荐的养 老服务进行排序，选取前N个养老服务作为基于个人维度的待推荐养老服务集。获取模块获 取老年用户自身的多维度用户特征信息，根据居住地行政区划
Figure 52383DEST_PATH_IMAGE004
获得各项养老服务的 老年用户特征向量
Figure 791669DEST_PATH_IMAGE005
，其中
Figure 964024DEST_PATH_IMAGE006
分别表征各维度的用户特征 信息。需求模型构建模块基于各项养老服务的老年用户特征向量
Figure 56745DEST_PATH_IMAGE007
和老年用户
Figure 263736DEST_PATH_IMAGE001
对养老服 务
Figure 642764DEST_PATH_IMAGE002
的匹配得分构建社区养老服务的需求模型
Figure 489367DEST_PATH_IMAGE008
；其中，
Figure 448095DEST_PATH_IMAGE009
表示社区，
Figure 571909DEST_PATH_IMAGE010
表示用户特征
Figure 590681DEST_PATH_IMAGE011
的权重，
Figure 675311DEST_PATH_IMAGE012
表示老年用户特征向量
Figure 172152DEST_PATH_IMAGE007
的第
Figure 150472DEST_PATH_IMAGE013
维度特征信息
Figure 340145DEST_PATH_IMAGE011
，
Figure 161339DEST_PATH_IMAGE003
表示老年用户
Figure 461871DEST_PATH_IMAGE001
对养老服务
Figure 294697DEST_PATH_IMAGE002
的匹配得分。权重构建模块根据各行政区划内老 年用户样本集对已构建的社区养老服务需求模型进行学习，构建各项用户特征信息对应的 权重
Figure 327376DEST_PATH_IMAGE014
。社区预测推荐模块基于各项用户特征信息对应的权重
Figure 448915DEST_PATH_IMAGE015
，从 社区维度预测待推荐养老服务集内每个养老服务的需求度评分
Figure 349875DEST_PATH_IMAGE016
；并根据评分
Figure 240471DEST_PATH_IMAGE017
形成兼容社区维度的推荐列表并向老年用 户推荐。
本发明另一方面还提供一种电子设备，其包括一个或多个处理器和存储装置。存储装置用于存储一个或多个程序。当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述多维度养老服务推荐方法。
本发明提供的多维度养老服务推荐方法在个人维度上提供养老服务的基础上，基于老年用户多属性特征及老年用户与养老服务匹配得分构建以社区为维度的养老服务需求模型；并基于该行政区划内老年用户样本集对该养老服务需求模型进行训练，从而确定该社区养老服务需求模型内各类用户特征的权重。进而基于各类用户特征的权重和养老服务匹配得分对社区养老服务的需求度进行评分，根据社区养老服务需求度评分对待推荐养老服务集内的养老服务进行再次排序，最终形成同时兼顾个人维度和社区维度的养老服务准确推荐。本发明提供的多维度养老服务推荐方法在个人维度推荐的基础上引入社区维度，且在社区维度对养老服务进行需求评分的同时又兼顾居住地行政区划内老年用户的特征权重以充分考虑个体需求的差异性，从而实现新型社区养老模式下养老服务的精准推荐，进而促进有限社会养老服务的均衡分配。
为让本发明的上述和其它目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。
附图说明
图1所示为本发明一实施例提供的多维度养老服务推荐方法的流程示意图。
图2所示为图1中利用推荐模型对知识图谱进行学习的流程示意图。
图3所示为本发明一实施例提供的多维度养老服务推荐装置的结构示意图。
图4所示为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供的多维度养老服务推荐方法，可以用于计算机设备中。
在一种可能实现方式中，该计算机设备可以为终端，该终端可以为手机、计算机、平板电脑等多种类型的终端。在另一种可能实现方式中，该计算机设备可以包括服务器和终端。
图1所示为本申请实施例提供的多维度养老服务推荐方法的流程示意图，该方法包括：
步骤S10、获取老年用户和养老服务的历史交互信息，构建养老服务知识图谱和图数据库。
推荐系统是基于用户特征、产品特征以及历史表现等信息，利用机器学习搭建模型算法为用户提供个性化推荐。在众多推荐算法中，协同过滤是应用最为广泛的技术，它可以根据用户历史信息作出推荐，工程实施简洁，但在用户产品交互稀少的环境下很难得到有效的推荐，也存在冷启动等问题。知识图谱是大型的结构化语义网络，通过对较为复杂的文档进行提取加工处理，以简单的三元组来表示实体间的相互关系，实现基于知识的推理。知识图谱为大量异构的数据提供了智能化的表达方式，使之更贴近于人类的思维模式。将知识图谱与推荐系统相结合，可以提高协同过滤的质量，提升推荐产品的可靠性与适宜性。基于知识图谱推荐养老服务能更加全面地分析每个老年用户的特征，通过协同过滤，结合大量的行为和数据分析，为老年用户群体生成个性化的养老服务推荐。
于本实施中，老年用户和养老服务相关的历史交互信息来自于各养老结构且包括养老服务的使用信息和评价信息。在构建养老服务知识图谱时以老年用户作为养老服务知识图谱的节点，将老年用户与养老服务的历史交互作为关系的边加入到知识图谱中以构建出协同知识图谱。
步骤S20，利用推荐模型对知识图谱进行学习以预测老年用户
Figure 958897DEST_PATH_IMAGE001
与多个待推荐养 老服务
Figure 302154DEST_PATH_IMAGE002
的匹配得分
Figure 272384DEST_PATH_IMAGE003
；并根据预测的匹配得分
Figure 17486DEST_PATH_IMAGE003
对多个待推荐的养老服务进行 排序，选取前N个养老服务作为基于个人维度的待推荐养老服务集。
如图2所示，本实施例采用KGAT模型对知识图谱进行学习，得到老年用户与养老服务推荐匹配得分，其具体的学习步骤如下所示：
步骤S201，利用transR模型在实体空间和关系空间构建实体和关系嵌入，将知识 图谱上每个节点参数化为一个向量。以三元组
Figure 657546DEST_PATH_IMAGE020
的形式保存数据，
Figure 488098DEST_PATH_IMAGE021
为
Figure 465282DEST_PATH_IMAGE020
的头 实体，
Figure 517420DEST_PATH_IMAGE022
为
Figure 390698DEST_PATH_IMAGE020
的关系，
Figure 770864DEST_PATH_IMAGE023
为
Figure 755001DEST_PATH_IMAGE020
的尾实体。若每个三元组
Figure 412378DEST_PATH_IMAGE020
在r关系空间中的 投影向量分别为
Figure 456557DEST_PATH_IMAGE047
，则
Figure 324019DEST_PATH_IMAGE048
，
Figure 111847DEST_PATH_IMAGE049
， 其中
Figure 630856DEST_PATH_IMAGE050
是三元组中关系r的变换矩阵，
Figure 908254DEST_PATH_IMAGE051
分别为h，r，t的嵌入表示，
Figure 935116DEST_PATH_IMAGE052
为
Figure 464317DEST_PATH_IMAGE020
的相似性得分。
步骤S202，构建无效三元组并基于transR模型的损失函数区分有效三元组和无效 三元组的相对顺序。于本实施例中，通过随机替换有效三元组中的一个实体（头实体或尾实 体）来构建的无效三元组
Figure 893025DEST_PATH_IMAGE057
，
Figure 341323DEST_PATH_IMAGE058
为无效三元组
Figure 121061DEST_PATH_IMAGE057
的尾实体。损失函数为
Figure 437641DEST_PATH_IMAGE059
，其中
Figure 720855DEST_PATH_IMAGE060
，
Figure 605635DEST_PATH_IMAGE061
为sigmoid函数，
Figure 279193DEST_PATH_IMAGE062
为自然对数，G为老 养老服务知识图谱。
步骤S203，通过图卷积模式挖掘相邻实体节点的联通信息以衡量不同邻节点对于 某头节点的关系权重
Figure 946934DEST_PATH_IMAGE024
。譬如，对于节点
Figure 412551DEST_PATH_IMAGE021
，以其为头节点的三元组集合为
Figure 405914DEST_PATH_IMAGE025
, 所获取的邻节点信息为
Figure 816036DEST_PATH_IMAGE063
，其中
Figure 349786DEST_PATH_IMAGE024
为关系权重，
Figure 607592DEST_PATH_IMAGE027
为尾向量。关系权重
Figure 443961DEST_PATH_IMAGE024
基于注意力机制学习得到。 具体而言，先计算
Figure 420007DEST_PATH_IMAGE064
，其中，
Figure 757447DEST_PATH_IMAGE065
为关系r的变换 矩阵，
Figure 869760DEST_PATH_IMAGE066
作为非线性激活函数，使注意力得分依赖于关系空间r上
Figure 391877DEST_PATH_IMAGE028
和
Figure 589640DEST_PATH_IMAGE027
的距离，可以为 更近的实体传播更多的信息，T为矩阵转置。再通过softmax函数将多分类输出转化为概率， 得到标准化
Figure 730771DEST_PATH_IMAGE067
，
Figure 963170DEST_PATH_IMAGE068
为任意以
Figure 141341DEST_PATH_IMAGE021
为头节点的三元组 关系。
步骤S204，使用聚合器聚合实体表示
Figure 888717DEST_PATH_IMAGE028
和邻节点信息
Figure 505643DEST_PATH_IMAGE029
并表征两者之间的交 互，聚合器聚合信息：
Figure 779499DEST_PATH_IMAGE030
，其中
Figure 190889DEST_PATH_IMAGE069
为按位 乘运算，LeakyReLU为激活函数。堆叠多个传播层后，可获得更多的连接信息。其中，在
Figure 425561DEST_PATH_IMAGE032
层可 得到高阶实体表示：
Figure 846178DEST_PATH_IMAGE070
，
Figure 725272DEST_PATH_IMAGE071
，
Figure 573142DEST_PATH_IMAGE035
来自上一信息传播层，储存了实体t在前
Figure 295111DEST_PATH_IMAGE036
层的邻域信息，
Figure 253839DEST_PATH_IMAGE037
和
Figure 236708DEST_PATH_IMAGE038
为聚合器 可训练矩阵参数。
步骤S205，重复以上步骤，通过多层传播，在L层后，获得老年用户和养老服务节点 的多个注意力表示，再采用层聚合机制将每一步的表示连接成一个向量：
Figure 317796DEST_PATH_IMAGE039
,
Figure 199165DEST_PATH_IMAGE040
；
通过内积来预测匹配得分：
Figure 899267DEST_PATH_IMAGE041
；
其中，T为矩阵转置，
Figure 815271DEST_PATH_IMAGE072
为转置后任一养老用户的模型表示，
Figure 67261DEST_PATH_IMAGE073
为任一养老服 务的模型表示，由多层聚合后的注意力表示得到，
Figure 701504DEST_PATH_IMAGE003
的结果分数越高，表示用户
Figure 188986DEST_PATH_IMAGE001
和养 老服务
Figure 959496DEST_PATH_IMAGE002
交互的概率越高。所采用的损失函数为
Figure 116808DEST_PATH_IMAGE042
，其中
Figure 910452DEST_PATH_IMAGE074
，
Figure 14674DEST_PATH_IMAGE044
为老年用户
Figure 967586DEST_PATH_IMAGE001
和养老服务
Figure 499062DEST_PATH_IMAGE002
之间的正样例，
Figure 29269DEST_PATH_IMAGE045
负样例。
于本实施例中，KGAT模型将每个节点参数化为向量再通过TransR进行递归邻居传 播学习节点嵌入，利用养老服务知识图谱内的关系信息与养老服务双向图融合，获取高阶 信息作为边信息，增强老年用户与养老服务的联系，从而提供更准确基于个人维度的养老 服务推荐。KGAT模型发挥了高阶连通性的优势，强化推荐系统的精确性。然而，本发明都此 不作任何限定。于其它实施例中，也可采用其它模型进行养老服务知识图谱的学习以获得 老年用户
Figure 671603DEST_PATH_IMAGE001
与多个待推荐养老服务
Figure 479022DEST_PATH_IMAGE002
的匹配得分
Figure 181399DEST_PATH_IMAGE003
。
基于老年用户
Figure 949635DEST_PATH_IMAGE001
与多个待推荐养老服务
Figure 395660DEST_PATH_IMAGE002
的匹配得分
Figure 323164DEST_PATH_IMAGE003
将多个待推荐的养老 服务进行降序排列并选取前N个养老服务形成待推荐养老服务集。该步骤中待推荐养老服 务集是基于老年用户的个人历史交互信息所形成基于个人维度的养老服务推荐。
本实施例提供的多维度养老服务推荐方法在步骤S20所提供的个人维度的养老服 务推荐的基础上执行步骤S30，获取老年用户自身的多维度用户特征信息，根据居住地行政 区划
Figure 117814DEST_PATH_IMAGE004
形成目标老年用户的特征向量
Figure 170084DEST_PATH_IMAGE005
。其中，
Figure 482116DEST_PATH_IMAGE006
分别 表征各维度的用户特征信息。具体而言，在获得老年用户自身的多维度用户特征信息后，将 每一维度的用户特征信息进行编码，得到对于各项养老服务的老年用户特征向量
Figure 201811DEST_PATH_IMAGE007
。
于本实施例中，老年用户自身的多维度用户特征信息包括用户性别
Figure 183673DEST_PATH_IMAGE075
，用户年 龄
Figure 723239DEST_PATH_IMAGE076
，用户文化程度
Figure 573383DEST_PATH_IMAGE077
，用户婚姻状况
Figure 147584DEST_PATH_IMAGE078
，用户经济状况
Figure 549615DEST_PATH_IMAGE079
，用户失能情况
Figure 842056DEST_PATH_IMAGE080
，用户居住情况
Figure 964733DEST_PATH_IMAGE081
以及用户居住地行政区划
Figure 596703DEST_PATH_IMAGE004
。以用户居住地行政区划
Figure 982685DEST_PATH_IMAGE004
为维度所形成的该老年用户的特征向量
Figure 559160DEST_PATH_IMAGE082
；然而，本发明对此不作任何限定。于其 它实施例中，也可基于老年用户最终选择养老模式的理由来扩展老年用户的多维度用户特 征信息，如子女情况以及基础疾病的状况等特征信息。
上述老年用户特征向量中，
Figure 688790DEST_PATH_IMAGE004
行政区划采用民政信息中心区划，其余用户特征 信息经编码处理以形成用户特征信息指标。如
Figure 424533DEST_PATH_IMAGE075
这个维度的用户特征信息中男性编码为 1，女性编码为2；
Figure 981417DEST_PATH_IMAGE076
这个维度的用户特征信息将根据用户的实际年龄径向编码；
Figure 45188DEST_PATH_IMAGE077
这个 维度的用户特征信息中小学学历编码为1，初中学历编码为2，高中学历编码为3，本科编码 为4，硕士后编码为5；
Figure 650612DEST_PATH_IMAGE078
这个维度的用户特征信息中未婚编码为1，已婚编码为2，其他状 态编码为3；
Figure 53912DEST_PATH_IMAGE079
这个维度的用户特征信息中按用户月收入数字编码；
Figure 844013DEST_PATH_IMAGE080
这个维度的 用户特征信息中能力完好编码为1，轻度失能编码为2，中度失能编码为3，重度失能编码为 4；
Figure 332763DEST_PATH_IMAGE081
这个维度的用户特征信息中独居编码为1，与配偶子女亲友同居编码为2，养老机构 编码为3；
Figure 256726DEST_PATH_IMAGE004
根据不同的行政区划标记不同的数字。例如，杭州市西湖区（行政区划标记 为330106）内某老年用户的多维度用户特征信息经编码后的特征向量为
Figure 514532DEST_PATH_IMAGE083
。
步骤S40，基于各项养老服务的老年用户特征向量
Figure 475535DEST_PATH_IMAGE007
和步骤S20所得到的老年用户
Figure 451581DEST_PATH_IMAGE001
对养老服务
Figure 664388DEST_PATH_IMAGE002
的匹配得分构建社区养老服务的需求模型：
Figure 776700DEST_PATH_IMAGE008
；
其中，
Figure 174183DEST_PATH_IMAGE009
表示社区，
Figure 371947DEST_PATH_IMAGE010
表示用户特征信息
Figure 372133DEST_PATH_IMAGE011
的权重，
Figure 401268DEST_PATH_IMAGE012
表示老年用户特征向量
Figure 907336DEST_PATH_IMAGE007
的第
Figure 530078DEST_PATH_IMAGE013
维度特征信息
Figure 147005DEST_PATH_IMAGE011
，
Figure 296226DEST_PATH_IMAGE003
表示老年用户
Figure 973195DEST_PATH_IMAGE001
对养老服务
Figure 332501DEST_PATH_IMAGE002
的匹配得分。
步骤S50，根据各行政区划内老年用户样本集对步骤S40已构建的社区养老服务需 求模型进行学习，构建各项用户特征信息对应的权重
Figure 753118DEST_PATH_IMAGE014
。具体而言，根 据老年用户样本集内每一老年用户样本对于各项养老服务的老年用户特征向量
Figure 491267DEST_PATH_IMAGE007
以及每 一老年用户样本与养老服务的历史交互数量信息
Figure 276821DEST_PATH_IMAGE018
对已构建的社区养老服务需求模型进 行学习，所采用的损失函数为
Figure 936472DEST_PATH_IMAGE019
。
在形成老年用户样本集时，由于不同用户特征信息所占有的样本数量存在显著差 异，这个差异会对社区养老服务需求模型的训练学习产生较大的影响。如对于失能情况
Figure 957518DEST_PATH_IMAGE080
这一维度的用户特征信息，能力完好的用户特征信息指标（编码为1）所占有样本 数量将远远大于该用户特征信息其它指标（如编码为2,3或4）所占有的样本数量，甚至形成 了数量级差。因此，在形成老年用户样本集时对样本进行平衡化处理，具体包括：确定各维 度用户特征信息经编码后所形成的用户特征信息指标所占有的样本数量。采用下采样法对 样本进行随机抽取，将各用户特征信息指标所占有样本数量转换为同一数量级以消除样本 数量差异对模型训练的影响。
步骤S60，基于各项用户特征信息对应的权重
Figure 19015DEST_PATH_IMAGE015
，从社区维度预测待推荐养老服务 集内每个养老服务的需求度评分
Figure 959158DEST_PATH_IMAGE016
；并根据评分
Figure 106105DEST_PATH_IMAGE017
形成兼容 社区维度的推荐列表并向老年用户推荐。
相较于现有基于个人维度的养老服务推荐，本实施例提供的多维度养老服务推荐方法在个人维度推荐的基础上引入社区维度，在社区维度上对各类养老服务的需求度进行评分，实现兼顾个人维度和社区维度的精确推荐，避免了有限的社会养老资源的过度分配或分配不均，从而更好地对社会养老资源进行规划及调配并为此提供数据支持。进一步的，在社区维度上评定各类养老服务需求度时，充分考虑到老年用户对养老服务的个体需求度差异，对区域内老年用户特征赋权并基于历史交互数据学习构建各权重，社区维度评分中兼顾个人维度的需求，进而实现双维度下的养老服务的精确推荐，更具有现实的数据支撑意义。
此外，本实施例提供的多维度养老服务推荐方法在数据来源上更丰富，其不仅依赖老年用户与养老服务的历史交互信息构建知识图谱，同时引入老年用户的多维度属性特征，包括性别、年龄、文化程度、婚姻状况、家庭困难类型、失能情况（健康状况）、居住情况等，根据老年用户的特征信息构建各项特征对应的权重，从而对各社区的养老服务需求度进行评分。即本实施例所提供的多维度养老服务推荐方法不仅在推荐上兼容多维度，同时在数据来源上也实现了多维度，两方面的多维度更好地提高了推荐的精准度。
在另一实施例中，在步骤S60根据预测的匹配得分
Figure 930842DEST_PATH_IMAGE003
对多个待推荐的养老服 务进行排序时可基于排序结果以及养老知识图谱中与排序结果相对应的用户节点相邻边 的权重信息生成与用户特征信息相关的推荐理由。多维度养老服务推荐方法还包括：获取 老年用户的最终养老服务选择并判断最终养老服务是否属于推荐的养老服务集内。当最终 的养老服务选择不属于推荐的养老服务集内时，在排序列表内匹配查找该最终养老服务所 对应的推荐理由。基于推荐理由获取该老年用户的特征信息以更新老年用户特征向量
Figure 846845DEST_PATH_IMAGE007
并 优化社区养老服务的需求模型。
基于老年用户的最终养老服务选择的反馈可不断扩展更新老年用户特征向量模型，进而优化社区维度的养老服务需求模型和评分以提高养老服务推荐的准确性。
图3所示为本实例提供的多维度养老服务推荐装置的结构示意图。该装置包括知识图谱构建模块10、用户预测推荐模块20、获取模块30、需求模型构建模块40、权重构建模块50以及社区预测推荐模块60。知识图谱构建模块10获取老年用户和养老服务的历史交互信息，构建养老服务知识图谱和图数据库。
用户预测推荐模块20利用推荐模型对知识图谱进行学习以预测老年用户
Figure 974201DEST_PATH_IMAGE001
与多 个待推荐养老服务
Figure 139603DEST_PATH_IMAGE002
的匹配得分
Figure 440135DEST_PATH_IMAGE003
；并根据预测的匹配得分
Figure 663174DEST_PATH_IMAGE003
对多个待推荐的养 老服务进行排序，选取前N个养老服务作为基于个人维度的待推荐养老服务集。
获取模块30获取老年用户自身的多维度用户特征信息，根据居住地行政区划
Figure 23749DEST_PATH_IMAGE004
获得各项养老服务的老年用户特征向量
Figure 942026DEST_PATH_IMAGE005
，其中
Figure 46248DEST_PATH_IMAGE006
分 别表征各维度的用户特征信息。
需求模型构建模块40基于各项养老服务的老年用户特征向量
Figure 874527DEST_PATH_IMAGE007
和用户预测推荐 模块20得到的老年用户
Figure 406002DEST_PATH_IMAGE001
对养老服务
Figure 811576DEST_PATH_IMAGE002
的匹配得分构建社区养老服务的需求模型
Figure 453910DEST_PATH_IMAGE008
；其中，
Figure 120383DEST_PATH_IMAGE009
表示社区，
Figure 885077DEST_PATH_IMAGE010
表示用户特征
Figure 715630DEST_PATH_IMAGE011
的权重，
Figure 99338DEST_PATH_IMAGE012
表 示老年用户特征向量
Figure 698946DEST_PATH_IMAGE007
的第
Figure 634541DEST_PATH_IMAGE013
维度特征信息
Figure 952390DEST_PATH_IMAGE011
，
Figure 389057DEST_PATH_IMAGE003
表示老年用户
Figure 843172DEST_PATH_IMAGE001
对养老服务
Figure 949668DEST_PATH_IMAGE002
的匹 配得分。
权重构建模块50根据各行政区划内老年用户样本集对已构建的社区养老服务需 求模型进行学习，构建各项用户特征信息对应的权重
Figure 426917DEST_PATH_IMAGE014
。
社区预测推荐模块60基于各项用户特征信息对应的权重
Figure 214744DEST_PATH_IMAGE015
，从社区维度预测待推 荐养老服务集内每个养老服务的需求度评分
Figure 851262DEST_PATH_IMAGE016
；并根据评分
Figure 66343DEST_PATH_IMAGE017
形成兼容社区维度的推荐列表并向老年用户推荐。
于本实施例中，用户预测推荐模块20将采用KGAT模型对知识图谱进行学习，得到老年用户与养老服务推荐匹配分数，其学习的步骤如上文步骤S201至步骤S205所述。
由于多维度养老服务推荐装置的各功能已在其对应的方法步骤S10至步骤S60中予以详细说明，于此不再赘述。
图4示出了适于用来实现本公开实施例的电子设备的结构示意图。需要说明的是，图4示出的电子设备仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。该电子设备100包括一个或多个处理器101和存储装置102。存储装置102用于存储一个或多个程序。当一个或多个程序被一个或多个处理器101执行，使得一个或多个处理器101实现本实施例提供的多维度养老服务推荐方法。
本发明提供的多维度养老服务推荐方法在个人维度上提供养老服务的基础上，基于老年用户多属性特征及老年用户与养老服务匹配得分构建以社区为维度的养老服务需求模型；并基于该行政区划内老年用户样本集对该养老服务需求模型进行训练，从而确定该社区养老服务需求模型内各类用户特征的权重。进而基于各类用户特征的权重和养老服务匹配得分对社区养老服务的需求度进行评分，根据社区养老服务需求度评分对待推荐养老服务集内的养老服务进行再次排序，最终形成同时兼顾个人维度和社区维度的养老服务准确推荐。本发明提供的多维度养老服务推荐方法在个人维度推荐的基础上引入社区维度，且在社区维度对养老服务进行需求评分的同时又兼顾居住地行政区划内老年用户的特征权重以充分考虑个体需求的差异性，从而实现新型社区养老模式下养老服务的精准推荐，进而促进有限社会养老服务的均衡分配。
虽然本发明已由较佳实施例揭露如上，然而并非用以限定本发明，任何熟知此技艺者，在不脱离本发明的精神和范围内，可作些许的更动与润饰，因此本发明的保护范围当视权利要求书所要求保护的范围为准。

Claims (10)

1.一种多维度养老服务推荐方法，其特征在于，包括：
获取老年用户和养老服务的历史交互信息，构建养老服务知识图谱和图数据库；
利用推荐模型对知识图谱进行学习以预测老年用户
Figure 207926DEST_PATH_IMAGE001
与多个待推荐养老服务
Figure 569638DEST_PATH_IMAGE002
的匹配 得分
Figure 546821DEST_PATH_IMAGE003
；并根据预测的匹配得分
Figure 677588DEST_PATH_IMAGE003
对多个待推荐的养老服务进行排序，选取前N 个养老服务作为基于个人维度的待推荐养老服务集；
获取老年用户自身的多维度用户特征信息，根据居住地行政区划
Figure 82024DEST_PATH_IMAGE004
获得各项养老 服务的老年用户特征向量
Figure 931032DEST_PATH_IMAGE005
，其中
Figure 714836DEST_PATH_IMAGE006
分别表征各维度的用 户特征信息；
基于各项养老服务的老年用户特征向量
Figure 965688DEST_PATH_IMAGE007
和老年用户
Figure 541026DEST_PATH_IMAGE001
对养老服务
Figure 877330DEST_PATH_IMAGE002
的匹配得分构建 社区养老服务的需求模型
Figure 196316DEST_PATH_IMAGE008
；其中，
Figure 567254DEST_PATH_IMAGE009
表示社区，
Figure 313493DEST_PATH_IMAGE010
表示用 户特征信息
Figure 871513DEST_PATH_IMAGE011
的权重，
Figure 994190DEST_PATH_IMAGE012
表示老年用户特征向量
Figure 954056DEST_PATH_IMAGE007
的第
Figure 871196DEST_PATH_IMAGE013
维度特征信息
Figure 182092DEST_PATH_IMAGE011
，
Figure 842880DEST_PATH_IMAGE003
表示 老年用户
Figure 922832DEST_PATH_IMAGE001
对养老服务
Figure 276453DEST_PATH_IMAGE002
的匹配得分；
根据各行政区划内老年用户样本集对已构建的社区养老服务需求模型进行学习，构建 各项用户特征信息对应的权重
Figure 809065DEST_PATH_IMAGE014
；
基于各项用户特征信息对应的权重
Figure 273545DEST_PATH_IMAGE015
，从社区维度预测待推荐养老服务集内每个养老 服务的需求度评分
Figure 942424DEST_PATH_IMAGE016
；并根据评分
Figure 466946DEST_PATH_IMAGE017
形成兼容社区维度的推 荐列表并向老年用户推荐。
2.根据权利要求1所述多维度养老服务推荐方法，其特征在于，在获得老年用户自身的 多维度用户特征信息后，将每一维度的用户特征信息进行编码，得到对于各项养老服务的 老年用户特征向量
Figure 486854DEST_PATH_IMAGE007
。
3.根据权利要求1所述的多维度养老服务推荐方法，其特征在于，根据老年用户样本集 内每一老年用户样本对于各项养老服务的老年用户特征向量
Figure 489445DEST_PATH_IMAGE007
以及每一老年用户样本与 养老服务的历史交互数量信息
Figure 278410DEST_PATH_IMAGE018
对已构建的社区养老服务需求模型进行学习，所采用的 损失函数为
Figure 239413DEST_PATH_IMAGE019
。
4.根据权利要求1所述的多维度养老服务推荐方法，其特征在于，在形成老年用户样本集时对样本进行平衡化处理，其包括：
确定各维度用户特征信息经编码后所形成的用户特征信息指标所占有的样本数量；
采用下采样法对样本进行随机抽取，将各用户特征信息指标所占有样本数量转换为同一数量级。
5.根据权利要求1所述的多维度养老服务推荐方法，其特征在于，老年用户和养老服务相关的历史交互信息包括使用信息和评价信息，在构建养老服务知识图谱时以老年用户作为养老服务知识图谱的节点，将老年用户与养老服务的历史交互作为关系的边加入到知识图谱中以构建出协同知识图谱。
6.根据权利要求1所述的多维度养老服务推荐方法，其特征在于，利用推荐模型对知识 图谱进行学习以预测老年用户
Figure 481038DEST_PATH_IMAGE001
与多个待推荐养老服务
Figure 287320DEST_PATH_IMAGE002
的匹配得分
Figure 196370DEST_PATH_IMAGE003
包括：
利用transR模型在实体空间和关系空间构建实体和关系嵌入，将知识图谱上每个节点 参数化为一个向量，以三元组
Figure 797116DEST_PATH_IMAGE020
的形式保存数据，
Figure 791617DEST_PATH_IMAGE021
为
Figure 422097DEST_PATH_IMAGE020
的头实体，
Figure 185654DEST_PATH_IMAGE022
为
Figure 957301DEST_PATH_IMAGE020
的关系，
Figure 439098DEST_PATH_IMAGE023
为
Figure 587183DEST_PATH_IMAGE020
的尾实体；
构建无效三元组并基于transR模型的损失函数区分有效三元组和无效三元组的相对顺序；
通过图卷积模式挖掘相邻实体节点的联通信息以衡量不同邻节点对于某头节点的关 系权重
Figure 205246DEST_PATH_IMAGE024
；对于节点
Figure 413373DEST_PATH_IMAGE021
，以其为头节点的三元组集合为
Figure 116887DEST_PATH_IMAGE025
, 所获取的邻节点信息为
Figure 803083DEST_PATH_IMAGE026
，其中
Figure 541232DEST_PATH_IMAGE024
为关系权重，
Figure 654682DEST_PATH_IMAGE027
为尾向量；
使用聚合器聚合实体表示
Figure 845491DEST_PATH_IMAGE028
和邻节点信息为
Figure 335379DEST_PATH_IMAGE029
并表征两者之间的交互，聚合器聚合 信息：
Figure 928034DEST_PATH_IMAGE030
，其中
Figure 477964DEST_PATH_IMAGE031
为按位乘运算，LeakyReLU为激活函数；其中，在
Figure 156070DEST_PATH_IMAGE032
层可得到高阶实体表示：
Figure 184069DEST_PATH_IMAGE033
，
Figure 631231DEST_PATH_IMAGE034
，
Figure 352062DEST_PATH_IMAGE035
来自上一信 息传播层，储存了实体
Figure 783043DEST_PATH_IMAGE023
在前
Figure 614733DEST_PATH_IMAGE036
层的邻域信息，
Figure 916402DEST_PATH_IMAGE037
和
Figure 808134DEST_PATH_IMAGE038
为聚合器可训练矩阵参数；
重复以上步骤，通过多层传播，在L层后，获得老年用户和养老服务节点的多个注意力 表示，再采用层聚合机制将每一步的表示连接成一个向量：
Figure 460832DEST_PATH_IMAGE039
,
Figure 830634DEST_PATH_IMAGE040
, 通过内积来预测匹配得分：
Figure 517967DEST_PATH_IMAGE041
，所采用的损失函数为
Figure 580601DEST_PATH_IMAGE042
，其中
Figure 455016DEST_PATH_IMAGE043
，
Figure 894088DEST_PATH_IMAGE044
为老年用户u和养老服务i之间的正样例，
Figure 173278DEST_PATH_IMAGE045
负样例。
7.根据权利要求6所述的多维度养老服务推荐方法，其特征在于，每个三元组
Figure 672392DEST_PATH_IMAGE020
在r关系空间中的投影向量分别为
Figure 34104DEST_PATH_IMAGE046
，则
Figure 745708DEST_PATH_IMAGE047
，
Figure 142054DEST_PATH_IMAGE048
，其中
Figure 546491DEST_PATH_IMAGE049
是三元组中关系r的变换矩阵，
Figure 395498DEST_PATH_IMAGE050
分别为h，r，t的嵌入表示，
Figure 910793DEST_PATH_IMAGE051
为
Figure 161646DEST_PATH_IMAGE020
的相似性得分；利用损失函数
Figure 2563DEST_PATH_IMAGE052
区分有效三元组和无效三元组的相 对顺序，其中
Figure 338866DEST_PATH_IMAGE053
，
Figure 657852DEST_PATH_IMAGE054
为通过随机替换有 效三元组中的一个实体而构建的无效三元组，
Figure 763211DEST_PATH_IMAGE055
为
Figure 775030DEST_PATH_IMAGE054
的尾实体，G为养老服务知识图 谱。
8.根据权利要求1所述的多维度养老服务推荐方法，其特征在于，在根据预测的匹配得 分
Figure 333050DEST_PATH_IMAGE003
对多个待推荐的养老服务进行排序时，基于排序结果以及养老知识图谱中与排 序结果相对应的用户节点相邻边的权重信息生成与用户特征信息相关的推荐理由；
所述多维度养老服务推荐方法还包括：
获取老年用户的最终养老服务选择并判断最终养老服务是否属于推荐的养老服务集内；
当最终的养老服务选择不属于推荐的养老服务集内时，在基于匹配得分
Figure 455727DEST_PATH_IMAGE003
的排序 列表内匹配查找该最终养老服务所对应的推荐理由；
基于推荐理由获取该老年用户的用户特征信息以更新老年用户特征向量
Figure 415592DEST_PATH_IMAGE007
并优化社 区养老服务的需求模型。
9.一种多维度养老服务推荐装置，其特征在于，包括：
知识图谱构建模块，获取老年用户和养老服务的历史交互信息，构建养老服务知识图谱和图数据库；
用户预测推荐模块，利用推荐模型对知识图谱进行学习以预测老年用户
Figure 332733DEST_PATH_IMAGE001
与多个待推 荐养老服务
Figure 909208DEST_PATH_IMAGE002
的匹配得分
Figure 569996DEST_PATH_IMAGE003
；并根据预测的匹配得分
Figure 384368DEST_PATH_IMAGE003
对多个待推荐的养老服务 进行排序，选取前N个养老服务作为基于个人维度的待推荐养老服务集；
获取模块，获取老年用户自身的多维度用户特征信息，根据居住地行政区划
Figure 3569DEST_PATH_IMAGE004
获得 各项养老服务的老年用户特征向量
Figure 536181DEST_PATH_IMAGE005
，其中
Figure 735081DEST_PATH_IMAGE006
分别表征各 维度的用户特征信息；
需求模型构建模块，基于各项养老服务的老年用户特征向量
Figure 669539DEST_PATH_IMAGE007
和老年用户
Figure 194061DEST_PATH_IMAGE001
对养老服 务
Figure 948391DEST_PATH_IMAGE002
的匹配得分构建社区养老服务的需求模型
Figure 479211DEST_PATH_IMAGE056
；其中，
Figure 268175DEST_PATH_IMAGE009
表示社区，
Figure 698019DEST_PATH_IMAGE010
表示用户特征
Figure 205224DEST_PATH_IMAGE011
的权重，
Figure 277085DEST_PATH_IMAGE012
表示老年用户特征向量
Figure 920556DEST_PATH_IMAGE007
的第
Figure 786881DEST_PATH_IMAGE013
维度特征信息
Figure 515803DEST_PATH_IMAGE011
，
Figure 125776DEST_PATH_IMAGE003
表示老年用户
Figure 889332DEST_PATH_IMAGE001
对养老服务
Figure 660979DEST_PATH_IMAGE002
的匹配得分；
权重构建模块，根据各行政区划内老年用户样本集对已构建的社区养老服务需求模型 进行学习，构建各项用户特征信息对应的权重
Figure 142776DEST_PATH_IMAGE014
；
社区预测推荐模块，基于各项用户特征信息对应的权重
Figure 290861DEST_PATH_IMAGE015
，从社区维度预测待推荐养 老服务集内每个养老服务的需求度评分
Figure 908924DEST_PATH_IMAGE016
；并根据评分
Figure 851472DEST_PATH_IMAGE017
形 成兼容社区维度的推荐列表并向老年用户推荐。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一项所述的多维度养老服务推荐方法。
CN202210776454.2A 2022-07-04 2022-07-04 多维度养老服务推荐方法、装置以及电子设备 Active CN114840777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776454.2A CN114840777B (zh) 2022-07-04 2022-07-04 多维度养老服务推荐方法、装置以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776454.2A CN114840777B (zh) 2022-07-04 2022-07-04 多维度养老服务推荐方法、装置以及电子设备

Publications (2)

Publication Number Publication Date
CN114840777A true CN114840777A (zh) 2022-08-02
CN114840777B CN114840777B (zh) 2022-09-27

Family

ID=82573677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776454.2A Active CN114840777B (zh) 2022-07-04 2022-07-04 多维度养老服务推荐方法、装置以及电子设备

Country Status (1)

Country Link
CN (1) CN114840777B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011004A (zh) * 2023-10-07 2023-11-07 苏州元澄科技股份有限公司 一种基于知识图谱的个性化服务推荐方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835003A (zh) * 2015-05-04 2015-08-12 南京邮电大学 一种面向移动养老服务的系统及其实现方法
CN105763623A (zh) * 2016-04-08 2016-07-13 四川省亚丁胡杨人力资源集团有限公司 一种老年人智能服务系统
CN106533912A (zh) * 2016-11-16 2017-03-22 四川省亚丁胡杨人力资源集团有限公司 一种基于智能社区的用户交流系统
CN108197285A (zh) * 2018-01-15 2018-06-22 腾讯科技（深圳）有限公司 一种数据推荐方法以及装置
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
US20200034795A1 (en) * 2018-07-27 2020-01-30 Microsoft Technology Licensing, Llc Recommending related services
CN111461811A (zh) * 2020-02-27 2020-07-28 北京三快在线科技有限公司 对象信息处理方法、装置、电子设备及可读存储介质
CN111897967A (zh) * 2020-07-06 2020-11-06 北京大学 一种基于知识图谱和社交媒体的医疗问诊推荐方法
CN112183228A (zh) * 2020-09-09 2021-01-05 青岛联合创智科技有限公司 一种社区智慧养老服务系统及方法
US20210098109A1 (en) * 2019-09-27 2021-04-01 Guangzhou huali science and technology vocational college Virtual community system for elderly health service based on big data technology
CN112669922A (zh) * 2020-12-30 2021-04-16 湖南鸿鸬智能科技有限公司 一种社区健康服务系统
CN112861006A (zh) * 2021-02-22 2021-05-28 中国科学院计算技术研究所 融合元路径语义的推荐方法及系统
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法
WO2021230469A1 (ko) * 2020-05-13 2021-11-18 주식회사 세진마인드 아이템 추천 방법
CN114048379A (zh) * 2021-11-11 2022-02-15 泰康保险集团股份有限公司 服务推荐方法及装置、存储介质和电子设备
CN114360731A (zh) * 2021-12-09 2022-04-15 武汉科技大学 一种面向老年照护的医养结合知识服务系统构建方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835003A (zh) * 2015-05-04 2015-08-12 南京邮电大学 一种面向移动养老服务的系统及其实现方法
CN105763623A (zh) * 2016-04-08 2016-07-13 四川省亚丁胡杨人力资源集团有限公司 一种老年人智能服务系统
CN106533912A (zh) * 2016-11-16 2017-03-22 四川省亚丁胡杨人力资源集团有限公司 一种基于智能社区的用户交流系统
CN108197285A (zh) * 2018-01-15 2018-06-22 腾讯科技（深圳）有限公司 一种数据推荐方法以及装置
US20200034795A1 (en) * 2018-07-27 2020-01-30 Microsoft Technology Licensing, Llc Recommending related services
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
US20210098109A1 (en) * 2019-09-27 2021-04-01 Guangzhou huali science and technology vocational college Virtual community system for elderly health service based on big data technology
CN111461811A (zh) * 2020-02-27 2020-07-28 北京三快在线科技有限公司 对象信息处理方法、装置、电子设备及可读存储介质
WO2021230469A1 (ko) * 2020-05-13 2021-11-18 주식회사 세진마인드 아이템 추천 방법
CN111897967A (zh) * 2020-07-06 2020-11-06 北京大学 一种基于知识图谱和社交媒体的医疗问诊推荐方法
CN112183228A (zh) * 2020-09-09 2021-01-05 青岛联合创智科技有限公司 一种社区智慧养老服务系统及方法
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐系统及方法
CN112669922A (zh) * 2020-12-30 2021-04-16 湖南鸿鸬智能科技有限公司 一种社区健康服务系统
CN112861006A (zh) * 2021-02-22 2021-05-28 中国科学院计算技术研究所 融合元路径语义的推荐方法及系统
CN114048379A (zh) * 2021-11-11 2022-02-15 泰康保险集团股份有限公司 服务推荐方法及装置、存储介质和电子设备
CN114360731A (zh) * 2021-12-09 2022-04-15 武汉科技大学 一种面向老年照护的医养结合知识服务系统构建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIA-CHING YING 等: "《Preference-Aware Community Detection for Item Recommendation》", 《IEEE》 *
张红凤等: "养老服务资源对老年人社会养老服务需求的影响研究", 《中国人口？资源与环境》 *
田甜等: "成都市社区居家养老服务需求及影响因素", 《中国老年学杂志》 *
黎婿漩: "《基于知识图谱和句嵌入的养老服务推荐方法》", 《中国优秀硕士学位论文全文数据库 (社会科学Ⅰ辑)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011004A (zh) * 2023-10-07 2023-11-07 苏州元澄科技股份有限公司 一种基于知识图谱的个性化服务推荐方法

Also Published As

Publication number Publication date
CN114840777B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN110837602B (zh) 基于表示学习和多模态卷积神经网络的用户推荐方法
CN112214685A (zh) 一种基于知识图谱的个性化推荐方法
CN112613602A (zh) 基于知识感知超图神经网络的推荐方法及系统
CN110674279A (zh) 基于人工智能的问答处理方法、装置、设备及存储介质
EP3832487A1 (en) Systems and methods driven by link-specific numeric information for predicting associations based on predicate types
CN115062732B (zh) 基于大数据用户标签信息的资源共享合作推荐方法及系统
CN112131261B (zh) 基于社区网络的社区查询方法、装置和计算机设备
Zhang Graph neural networks: link prediction
Bedi et al. CitEnergy: A BERT based model to analyse Citizens’ Energy-Tweets
CN114840777B (zh) 多维度养老服务推荐方法、装置以及电子设备
CN115344698A (zh) 标签处理方法、装置、计算机设备、存储介质和程序产品
CN112258250A (zh) 基于网络热点的目标用户识别方法、装置和计算机设备
CN112507224A (zh) 基于异质网络表示学习的人机物融合系统服务推荐方法
CN117635238A (zh) 一种商品推荐方法、装置、设备及存储介质
CN116401353A (zh) 一种结合内部与外部知识图谱的安全多跳问答方法及系统
CN117194771B (zh) 一种图模型表征学习的动态知识图谱服务推荐方法
CN113656589B (zh) 对象属性确定方法、装置、计算机设备及存储介质
CN114153996A (zh) 多图注意力协同的地学知识图谱更新方法和装置
CN112084418B (zh) 一种基于邻居信息和属性网络表征学习的微博用户社团发现方法
CN112016701B (zh) 一种融合时序和属性行为的异常变化检测方法及系统
CN115545833A (zh) 一种基于用户社交信息的推荐方法及系统
Liu POI recommendation model using multi-head attention in location-based social network big data
CN115564013B (zh) 提高网络表示学习表示能力的方法、模型训练方法和系统
Zhu A novel social network measurement and perception pattern based on a multi-agent and convolutional neural network
CN114912009A (zh) 用户画像的生成方法、装置、电子设备和计算机程序介质

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
GR01 Patent grant
GR01 Patent grant