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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 44
- 230000003993 interaction Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Description
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;
基于各项养老服务的老年用户特征向量和老年用户对养老服务的匹配得分
构建社区养老服务的需求模型;其中,表示社区,表
示用户特征的权重,表示老年用户特征向量的第维度特征信息,表示
老年用户对养老服务的匹配得分;
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以及每一老年用户样本与养老服务的历史交互数量信息对
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。
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。
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;
使用聚合器聚合实体表示和邻节点信息为并表征两者之间的交互,聚合器
聚合信息:,其中为按位乘运算,LeakyReLU为激活函数;其中,在层可得到高阶实体表示:,,来自上一信
息传播层,储存了实体在前层的邻域信息,和为聚合器参数;
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:, , 通过内积来预测匹配得分:,所采用的损失函数为 ,其中,为老年用户和养老服务之间的正样例,为老年用户和养老服务之间的负样例。
根据本发明的一实施例,每个三元组在r关系空间中的投影向量分别为,则,,其中
是三元组中关系r的变换矩阵,分别为h,r,t的嵌入表示,为
的相似性得分;利用损失函数区分有
效三元组和无效三元组的相对顺序,其中,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,为的
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;
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与多
个待推荐养老服务的匹配得分;并根据预测的匹配得分对多个待推荐的养
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获得各项养老服务的
老年用户特征向量,其中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和老年用户对养老服
务的匹配得分构建社区养老服务的需求模型;其中,
表示社区,表示用户特征的权重,表示老年用户特征向量的第维度特征信息,表示老年用户对养老服务的匹配得分。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。社区预测推荐模块基于各项用户特征信息对应的权重,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;并根据评分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。
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。以三元组的形式保存数据,为的头
实体,为的关系,为的尾实体。若每个三元组在r关系空间中的
投影向量分别为,则,,
其中是三元组中关系r的变换矩阵,分别为h,r,t的嵌入表示,为的相似性得分。
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,为无效三元组的尾实体。损失函数为,其中,为sigmoid函数,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。譬如,对于节点,以其为头节点的三元组集合为, 所获取的邻节点信息为
,其中为关系权重,为尾向量。关系权重基于注意力机制学习得到。
具体而言,先计算,其中,为关系r的变换
矩阵,作为非线性激活函数,使注意力得分依赖于关系空间r上和的距离,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,为任意以为头节点的三元组
关系。
步骤S204,使用聚合器聚合实体表示和邻节点信息并表征两者之间的交
互,聚合器聚合信息:,其中为按位
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,在层可
得到高阶实体表示:,,来自上一信息传播层,储存了实体t在前层的邻域信息,和为聚合器
可训练矩阵参数。
通过内积来预测匹配得分:
其中,T为矩阵转置,为转置后任一养老用户的模型表示,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,的结果分数越高,表示用户和养
老服务交互的概率越高。所采用的损失函数为 ,其中,为老年用户和养老服务之间的正样例,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
老年用户与多个待推荐养老服务的匹配得分。
基于老年用户与多个待推荐养老服务的匹配得分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
区划形成目标老年用户的特征向量。其中,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。
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,用户年
龄,用户文化程度,用户婚姻状况,用户经济状况,用户失能情况,用户居住情况以及用户居住地行政区划。以用户居住地行政区划为维度所形成的该老年用户的特征向量;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,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。如这个维度的用户特征信息中男性编码为
1,女性编码为2;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;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;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;这个维度的用户特征信息中按用户月收入数字编码;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;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;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。
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。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以及每
一老年用户样本与养老服务的历史交互数量信息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。
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。
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与多
个待推荐养老服务的匹配得分;并根据预测的匹配得分对多个待推荐的养
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。
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和用户预测推荐
模块20得到的老年用户对养老服务的匹配得分构建社区养老服务的需求模型;其中,表示社区,表示用户特征的权重,表
示老年用户特征向量的第维度特征信息,表示老年用户对养老服务的匹
配得分。
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;
基于各项养老服务的老年用户特征向量和老年用户对养老服务的匹配得分构建
社区养老服务的需求模型;其中,表示社区,表示用
户特征信息的权重,表示老年用户特征向量的第维度特征信息,表示
老年用户对养老服务的匹配得分;
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。
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;
使用聚合器聚合实体表示和邻节点信息为并表征两者之间的交互,聚合器聚合
信息:,其中
为按位乘运算,LeakyReLU为激活函数;其中,在层可得到高阶实体表示:,,来自上一信
息传播层,储存了实体在前层的邻域信息,和为聚合器可训练矩阵参数;
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与多个待推
荐养老服务的匹配得分;并根据预测的匹配得分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;
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和老年用户对养老服
务的匹配得分构建社区养老服务的需求模型;其中,
表示社区,表示用户特征的权重,表示老年用户特征向量的第维度特征信息,表示老年用户对养老服务的匹配得分;
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。
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)
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)
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 |
-
2022
- 2022-07-04 CN CN202210776454.2A patent/CN114840777B/zh active Active
Patent Citations (16)
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)
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)
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 |