CN115130006A - 一种基于健康管理标签的用户画像方法 - Google Patents

一种基于健康管理标签的用户画像方法 Download PDF

Info

Publication number
CN115130006A
CN115130006A CN202210930581.3A CN202210930581A CN115130006A CN 115130006 A CN115130006 A CN 115130006A CN 202210930581 A CN202210930581 A CN 202210930581A CN 115130006 A CN115130006 A CN 115130006A
Authority
CN
China
Prior art keywords
user
label
meal
health management
diet
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.)
Pending
Application number
CN202210930581.3A
Other languages
English (en)
Inventor
王欣梅
闫晓
赵伟
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.)
Beijing Futong Zhikang Technology Co ltd
Original Assignee
Beijing Futong Zhikang 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 Beijing Futong Zhikang Technology Co ltd filed Critical Beijing Futong Zhikang Technology Co ltd
Priority to CN202210930581.3A priority Critical patent/CN115130006A/zh
Publication of CN115130006A publication Critical patent/CN115130006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于健康管理标签的用户画像方法，包括：获取用户健康管理大数据并预处理；将预处理后的数据根据相应的业务规则标注得到用户基础标签；获取膳食质量指标，计算得到膳食质量指数，并根据膳食质量指数排序的结果标注得到用户风险标签；对用户聚类得到用户分类，所述用户分类结合膳食质量指标得到群体特征标签；根据膳食特征标签、膳食风险标签和膳食质量指数预测用户的膳食需求并为用户推荐健康膳食方案，然后，根据用户膳食需求进行标注得到用户预测标签；组成健康管理标签体系，将所述健康管理标签提取出来构成用户画像。通过上述方式，本发明能够通过健康管理标签体系匹配到相似用户的用户画像，提高了膳食推荐方案的适配性。

Description

一种基于健康管理标签的用户画像方法
技术领域
本发明涉及数据分析领域，特别是涉及一种基于健康管理标签的用户画像方法。
背景技术
以健康管理信息化平台媒介，经过一定周期的健康管理，会产生大量多维度多模态的用户健康管理大数据。用户画像作为大数据技术的重要应用之一，其目标是在多维度上构建针对用户的描述性标签属性。通过构建多维、动态、异构、多层次的用户健康画像和健康评估机制，可以更直观的理解用户的真正需求和潜在需求，完成描述用户、认识用户、了解用户、理解用户、获得用户的循环。
现有的用户画像构建了相关领域标签，但是标签划分得不细致，考虑的不全面。公告号为CN 114036387 A，名称为一种大健康领域标签体系构建方法的专利文献，提供了一种用户画像的构建方法，基于上述的方法构建了大健康领域标签体系，标签体系包括一级表大类目、二级表语义类目以及三级表精确描述，但是在健康管理领域划分的并不详细。
其次，现有用户画像能根据标签推荐相关膳食却不能根据用户相似度推荐膳食。公告号为CN 111564199 A ，名称为一种智能化营养干预的方法的专利文献，能生成以每日任务形式呈现的用户个性化干预方案，接收用户对每日任务完成情况的反馈，渐进化调整所述用户个性化干预方案，但是不能根据用户相似度推荐膳食。
发明内容
为了解决上述技术问题，本公开提供了一种基于健康管理标签的用户画像方法，其特征在于，包括：
S10.获取用户健康管理大数据，并对所述数据进行预处理；
所述用户健康管理大数据主要是通过健康管理系统或从互联网上爬取获得的；
S20.将预处理后的数据根据相应的业务规则标注得到用户基础标签，所述用户基础标签，用于描述用户的基本特征；
所述业务规则为业务专家制定的行业规则；
S30.基于所述用户基础标签，获取膳食质量指标，通过Topsis算法计算得到膳食质量指数，对所述膳食质量指数进行排序，并根据所述膳食质量指数排序的结果标注得到用户风险标签，所述用户风险标签，用于描述用户个人更深层健康特征；
S40.基于所述用户风险标签，利用无监督聚类算法对用户进行聚类得到用户分类，所述用户分类结合所述膳食质量指标得到群体特征标签，所述群体特征标签，用于描述用户群体特征；
S50.基于所述群体特征标签，根据膳食特征标签、膳食风险标签和膳食质量指数预测用户的膳食需求并为用户推荐健康膳食方案，然后，根据所述用户膳食需求进行标注得到用户预测标签；
S60.基于所述S10~S50，组成健康管理标签体系，将所述健康管理标签提取出来构成用户画像。
进一步的，所述用户健康管理大数据，包括若干个用户的健康管理大数据，其中每个用户的健康管理大数据包括静态数据和动态数据，其中，静态数据包括人口属性：性别、年龄和受教育水平；
商业属性：行业或职业；
健康属性：身体指标和现病史；
生活方式：抽烟、饮酒和睡眠；
动态属性包括膳食记录数据：食材、三大营养结构、三大关键元素、其他营养元素、维生素和矿物质；
所述预处理指对所述用户健康管理大数据进行数据合并、数据清洗、数据标准化和数据变换。
进一步的，所述用户基础标签，包括：人口属性标签、健康属性标签、生活方式标签和膳食偏好标签，其中，膳食偏好标签是通过获取所述膳食记录数据中的食材数据，利用关联规则算法得到高频单例食材和高频组合食材进行标注得到。
进一步的，所述用户风险标签，包括：职业风险标签、指标风险标签、不当生活方式标签和膳食风险标签；
所述膳食质量指标是通过利用主成分分析方法分析用户所述膳食记录数据得到，所述膳食质量指标包括膳食结构、三大元素、必需脂肪酸、维生素和矿物质。
进一步的，所述通过Topsis算法计算得到膳食质量指数，对所述膳食质量指数进行排序，包括：
S31.将用户所述膳食质量指标分为中间型指标和区间型指标，对所述中间型指标和区间型指标进行正向化处理，所述中间型指标是指膳食质量指标越接近一个具体的值，所述区间型指标是指膳食质量指标接近一个区间的值；
S32.将处理后的膳食质量指标数据利用Topsis算法进行膳食质量评价，得到标准化矩阵Z，所述标准化矩阵
Figure 681521DEST_PATH_IMAGE001
，其中，n为用户数，m为膳食质量指标数，n、m均为大于等于1的正整数。所述
Figure 402484DEST_PATH_IMAGE002
表示第i个用户的膳食质量向量，i为大于等于1的正整数；
S33.取所述标准化矩阵中每一列最大的数和最小的数分别构建膳食质量最优解向量和膳食质量最劣解向量，其中，膳食质量最优解向量
Figure 678744DEST_PATH_IMAGE003
，
Figure 443438DEST_PATH_IMAGE004
；膳食质量最劣解向量
Figure 821461DEST_PATH_IMAGE005
，
Figure 64224DEST_PATH_IMAGE006
；
S34.分别计算用户i的膳食质量向量与所述膳食质量最优解向量的距离
Figure 460570DEST_PATH_IMAGE007
和膳食质量最劣解向量的距离
Figure 130586DEST_PATH_IMAGE008
，得到膳食质量指数
Figure 527063DEST_PATH_IMAGE009
，计算公式为：
Figure 307937DEST_PATH_IMAGE010
；
Figure 824369DEST_PATH_IMAGE011
；
Figure 212756DEST_PATH_IMAGE012
；
其中，j为大于等于1的正整数；
S35.对所述膳食质量指数
Figure 549060DEST_PATH_IMAGE009
进行降序排序，得到用户的膳食质量综合情况以及得到各膳食质量指标下的膳食风险分布。
进一步的，所述得到各膳食质量指标下的膳食风险分布包括：膳食质量指数是由m个膳食质量指标计算得到，每一个膳食质量指标为一个维度，对每个维度的膳食质量指标进行标准化评价，如果标准化评价分值偏低，则在该维度上表现相对较差，存在一定的膳食风险。
进一步的，所述利用无监督聚类算法对用户进行聚类得到用户分类，所述无监督聚类算法包括k-means算法；
所述k-means算法，包括：获取用户所述膳食记录数据，使用k-means算法将用户分成三类，分别是营养过剩型、营养平衡型和营养缺乏型；
所述群体特征标签，包括人群特征标签、风险特征标签、生活方式特征标签和膳食特征标签，其中，膳食特征标签包括：多油、多盐、多糖、少油、少盐、少糖、食材单一、食材多样、素食主义、肉食主义和谷物为主。
进一步的，所述用户预测标签，包括：风险预测标签、需求预测标签、生活方式干预标签和膳食干预标签；
所述根据膳食特征标签、膳食风险标签和膳食质量指数预测用户的膳食需求并为用户推荐健康膳食方案还包括：使用余弦相似度函数首先计算用户所述个体风险标签和群体特征标签的相似度，然后计算用户所述群体特征标签和膳食偏好标签的相似度，将所述个体风险标签和群体特征标签的相似度以及群体特征标签和膳食偏好标签的相似度进行匹配得到相似用户和相似膳食偏好，最后可以实现相似用户的健康膳食方案互相推荐。
进一步的，所述健康管理标签层级结构，包括：用户原始数据、用户基础标签、用户风险标签、群体特征标签和用户预测标签。
本发明的有益效果是：
1.本发明构建了健康管理标签层级结构，用于生成用户画像，在健康管理范围内，健康管理标签层级结构划分细致，涉及的范围全面；
2.依据健康管理标签层级，将用户所述膳食记录数据分为三类，明确了无监督聚类算法分类数量，显著提升了无监督分类方法的效率；
3.生产的用户画像可以根据用户与用户群体之间的相似度和用户群体与膳食之间的相似度给相似用户提供相似的膳食推荐，实现精准推荐，有利于提高膳食推荐的匹配度，同时提高推荐效率。
附图说明
图1是本发明一种基于健康管理标签的用户画像方法的健康管理标签体系的流程图。
图2是本发明一种基于健康管理标签的用户画像方法的健康管理标签体系的健康管理大数据结构图。
图3是本发明一种基于健康管理标签的用户画像方法的健康管理标签体系的膳食质量指标结构图。
图4是本发明一种基于健康管理标签的用户画像方法的健康管理标签层级结构的示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
图1是本发明实施例提供的一种基于健康管理标签的用户画像方法的流程图，该方法包括：
S10.获取用户健康管理大数据，并对所述数据进行预处理；
所述用户健康管理大数据主要是通过健康管理系统或从互联网上爬取获得的。
进一步的，参考图2，所述用户健康管理大数据，包括若干个用户的健康管理大数据，其中每个用户的健康管理大数据包括静态数据和动态数据。其中，静态数据包括人口属性：性别、年龄和受教育水平；商业属性：行业或职业；健康属性：身体指标和现病史；生活方式：抽烟、饮酒和睡眠；动态属性包括膳食记录数据：食材、三大营养结构、三大关键元素、其他营养元素、维生素和矿物质；
所述预处理指对所述用户健康管理大数据进行数据合并、数据清洗、数据标准化和数据变换。
S20.将预处理后的数据根据相应的业务规则标注得到用户基础标签，所述用户基础标签，用于描述用户的基本特征；
所述业务规则为业务专家制定的行业规则。
进一步的，所述用户基础标签，包括：人口属性标签、健康属性标签、生活方式标签和膳食偏好标签。其中，膳食偏好标签是通过获取所述膳食记录数据中的食材数据，利用关联规则算法得到高频单例食材和高频组合食材进行标注得到。
选取某一用户一定时间范围内的全天饮食记录数据，利用关联规则算法发现高频食材和高频食材组合，以此确定该用户的食材偏好标签。
结果如下：
支持度>30%的高频单例食材：
[猪肉(肥瘦)] [米饭(蒸)] [胡萝卜(红)] [西红柿] [豆腐] [豆角] [金针菇(鲜)] [面条] [土豆] [鲜玉米] [鸡胸肉] [鸡腿] [鸡蛋] [黄瓜] [香蕉] [豆浆] [鲜肉包] [面包] [火龙果]。
支持度>10%的高频组合食材：
[豆浆 鸡蛋] [鸡蛋 胡萝卜(红)] [豆角 面条] [鸡蛋 黄瓜] [鸡腿 土豆] [豆浆 面包]。
S30.基于所述用户基础标签，获取膳食质量指标，通过Topsis算法计算得到膳食质量指数，对所述膳食质量指数进行排序，并根据所述膳食质量指数排序的结果标注得到用户风险标签，所述用户风险标签，用于描述用户个人更深层健康特征。
进一步的，所述用户风险标签，包括：职业风险标签、指标风险标签、不当生活方式标签和膳食风险标签；
所述膳食质量指标是通过利用主成分分析方法分析用户所述膳食记录数据得到，参考图3，所述膳食质量指标包括膳食结构、三大元素、必需脂肪酸、维生素和矿物质。
进一步的，所述通过Topsis算法计算得到膳食质量指数，对所述膳食质量指数进行排序，包括：
S31.将用户所述膳食质量指标分为中间型指标和区间型指标，对所述中间型指标和区间型指标进行正向化处理，所述中间型指标是指膳食质量指标越接近一个具体的值，所述区间型指标是指膳食质量指标接近一个区间的值；
S32.将处理后的膳食质量指标数据利用Topsis算法进行膳食质量评价，得到标准化矩阵Z，所述标准化矩阵
Figure 133625DEST_PATH_IMAGE001
，其中，n为用户数，m为膳食质量指标数，n、m均为大于等于1的正整数。所述
Figure 255296DEST_PATH_IMAGE002
表示第i个用户的膳食质量向量，i为大于等于1的正整数；
S33.取所述标准化矩阵中每一列最大的数和最小的数分别构建膳食质量最优解向量和膳食质量最劣解向量，其中，膳食质量最优解向量
Figure 267114DEST_PATH_IMAGE003
，
Figure 90714DEST_PATH_IMAGE004
；膳食质量最劣解向量
Figure 213390DEST_PATH_IMAGE005
，
Figure 455147DEST_PATH_IMAGE006
；
S34.分别计算用户i的膳食质量向量与所述膳食质量最优解向量的距离
Figure 637867DEST_PATH_IMAGE007
和膳食质量最劣解向量的距离
Figure 948762DEST_PATH_IMAGE008
，得到膳食质量指数
Figure 875130DEST_PATH_IMAGE009
，计算公式为：
Figure 971393DEST_PATH_IMAGE010
；
Figure 121752DEST_PATH_IMAGE011
；
Figure 919943DEST_PATH_IMAGE012
；
其中，j为大于等于1的正整数；
S35.对所述膳食质量指数
Figure 394875DEST_PATH_IMAGE009
进行降序排序，得到用户的膳食质量综合情况以及得到各膳食质量指标下的膳食风险分布。
进一步的，所述得到各膳食质量指标下的膳食风险分布包括：膳食质量指数是由m个膳食质量指标计算得到，每一个膳食质量指标为一个维度，对每个维度的膳食质量指标进行标准化评价，如果标准化评价分值偏低，则在该维度上表现相对较差，存在一定的膳食风险。
S40.基于所述用户风险标签，利用无监督聚类算法对用户进行聚类得到用户分类，所述用户分类结合所述膳食质量指标得到群体特征标签，所述群体特征标签，用于描述用户群体特征。
进一步的，所述利用无监督聚类算法对用户进行聚类得到用户分类，所述无监督聚类算法包括k-means算法；
所述k-means算法，包括：获取用户所述膳食记录数据，使用k-means算法将用户分成三类，分别是营养过剩型、营养平衡型和营养缺乏型；
所述群体特征标签，包括人群特征标签、风险特征标签、生活方式特征标签和膳食特征标签，其中，膳食特征标签包括：多油、多盐、多糖、少油、少盐、少糖、食材单一、食材多样、素食主义、肉食主义和谷物为主；
S50.基于所述群体特征标签，根据膳食特征标签、膳食风险标签和膳食质量指数预测用户的膳食需求并为用户推荐健康膳食方案，然后，根据所述用户膳食需求进行标注得到用户预测标签。
进一步的，所述用户预测标签，包括：风险预测标签、需求预测标签、生活方式干预标签和膳食干预标签；
所述根据膳食特征标签、膳食风险标签和膳食质量指数预测用户的膳食需求并为用户推荐健康膳食方案还包括：使用余弦相似度函数首先计算用户所述个体风险标签和群体特征标签的相似度，然后计算用户所述群体特征标签和膳食偏好标签的相似度，将所述个体风险标签和群体特征标签的相似度以及群体特征标签和膳食偏好标签的相似度进行匹配得到相似用户和相似膳食偏好，最后可以实现相似用户的健康膳食方案互相推荐。
S60.基于所述S10~S50，组成健康管理标签体系，将所述健康管理标签提取出来构成用户画像。
进一步的，参考图4，所述健康管理标签层级结构，包括：用户原始数据、用户基础标签、用户风险标签、群体特征标签和用户预测标签。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。
因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于健康管理标签的用户画像方法，其特征在于，包括：
S10.获取用户健康管理大数据，并对所述数据进行预处理；
S20.将预处理后的数据根据相应的业务规则标注得到用户基础标签，所述用户基础标签，用于描述用户的基本特征；
S30.基于所述用户基础标签，获取膳食质量指标，通过Topsis算法计算得到膳食质量指数，对所述膳食质量指数进行排序，并根据所述膳食质量指数排序的结果标注得到用户风险标签，所述用户风险标签，用于描述用户个人更深层健康特征；
S40.基于所述用户风险标签，利用无监督聚类算法对用户进行聚类得到用户分类，所述用户分类结合所述膳食质量指标得到群体特征标签，所述群体特征标签，用于描述用户群体特征；
S50.基于所述群体特征标签，根据膳食特征标签、膳食风险标签和膳食质量指数预测用户的膳食需求并为用户推荐健康膳食方案，然后，根据所述用户膳食需求进行标注得到用户预测标签；
S60.基于所述S10~S50，组成健康管理标签体系，将所述健康管理标签提取出来构成用户画像；
所述用户健康管理大数据主要是通过健康管理系统或从互联网上爬取获得的；
所述业务规则为业务专家制定的行业规则。
2.如权利要求1所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述用户健康管理大数据，包括若干个用户的健康管理大数据，其中每个用户的健康管理大数据包括静态数据和动态数据，其中，静态数据包括人口属性：性别、年龄和受教育水平；商业属性：行业或职业；健康属性：身体指标和现病史；生活方式：抽烟、饮酒和睡眠；动态属性包括膳食记录数据：食材、三大营养结构、三大关键元素、其他营养元素、维生素和矿物质；
所述预处理指对所述用户健康管理大数据进行数据合并、数据清洗、数据标准化和数据变换。
3.如权利要求1所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述用户基础标签，包括：人口属性标签、健康属性标签、生活方式标签和膳食偏好标签，膳食偏好标签是通过获取所述膳食记录数据中的食材数据，利用关联规则算法得到高频单例食材和高频组合食材进行标注得到。
4.如权利要求1所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述用户风险标签，包括：职业风险标签、指标风险标签、不当生活方式标签和膳食风险标签；
所述膳食质量指标是通过利用主成分分析方法分析用户所述膳食记录数据得到，所述膳食质量指标包括膳食结构、三大元素、必需脂肪酸、维生素和矿物质。
5.如权利要求1所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述通过Topsis算法计算得到膳食质量指数，对所述膳食质量指数进行排序，包括：
S31.将用户所述膳食质量指标分为中间型指标和区间型指标，对所述中间型指标和区间型指标进行正向化处理，所述中间型指标是指膳食质量指标接近一个具体的值，所述区间型指标是指膳食质量指标接近一个区间的值；
S32.将处理后的膳食质量指标数据利用Topsis算法进行膳食质量评价，得到标准化矩阵Z，所述标准化矩阵
Figure 515887DEST_PATH_IMAGE001
，其中，n为用户数，m为膳食质量指标数，n、m均为大于等于1的正整数，所述
Figure 245945DEST_PATH_IMAGE002
Figure 445983DEST_PATH_IMAGE002
表示第i个用户的膳食质量向量，i为大于等于1的正整数；
S33.取所述标准化矩阵中每一列最大的数和最小的数分别构建膳食质量最优解向量和膳食质量最劣解向量，其中，膳食质量最优解向量
Figure 246536DEST_PATH_IMAGE003
，
Figure 866DEST_PATH_IMAGE004
；膳食质量最劣解向量
Figure 800195DEST_PATH_IMAGE005
，
Figure 854738DEST_PATH_IMAGE006
；
S34.分别计算用户i的膳食质量向量与所述膳食质量最优解向量的距离
Figure 300894DEST_PATH_IMAGE007
和膳食质量最劣解向量的距离
Figure 339257DEST_PATH_IMAGE008
，得到膳食质量指数
Figure 411119DEST_PATH_IMAGE009
，计算公式为：
Figure 70901DEST_PATH_IMAGE010
；
Figure 202805DEST_PATH_IMAGE011
；
Figure 197306DEST_PATH_IMAGE012
；
其中，j为大于等于1的正整数；
S35.对所述膳食质量指数
Figure 338437DEST_PATH_IMAGE009
进行降序排序，得到用户的膳食质量综合情况以及得到各膳食质量指标下的膳食风险分布。
6.如权利要求5所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述得到各膳食质量指标下的膳食风险分布包括：膳食质量指数是由m个膳食质量指标计算得到，每一个膳食质量指标为一个维度，对每个维度的膳食质量指标进行标准化评价，如果标准化评价分值偏低，则在该维度上表现相对较差，存在一定的膳食风险。
7.如权利要求1所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述利用无监督聚类算法对用户进行聚类得到用户分类，所述无监督聚类算法包括k-means算法；
所述k-means算法，包括：获取用户所述膳食记录数据，使用k-means算法将用户分成三类，分别是营养过剩型、营养平衡型和营养缺乏型；
所述群体特征标签，包括人群特征标签、风险特征标签、生活方式特征标签和膳食特征标签，膳食特征标签包括：多油、多盐、多糖、少油、少盐、少糖、食材单一、食材多样、素食主义、肉食主义和谷物为主。
8.如权利要求1所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述用户预测标签，包括：风险预测标签、需求预测标签、生活方式干预标签和膳食干预标签；
所述根据膳食特征标签、膳食风险标签和膳食质量指数预测用户的膳食需求并为用户推荐健康膳食方案还包括：使用余弦相似度函数首先计算用户所述个体风险标签和群体特征标签的相似度，然后计算用户所述群体特征标签和膳食偏好标签的相似度，将所述个体风险标签和群体特征标签的相似度以及群体特征标签和膳食偏好标签的相似度进行匹配得到相似用户和相似膳食偏好，最后可以实现相似用户的健康膳食方案互相推荐。
9.如权利要求1所述的一种基于健康管理标签的用户画像方法，其特征在于，
所述健康管理标签层级结构，包括：用户原始数据、用户基础标签、用户风险标签、群体特征标签和用户预测标签。
CN202210930581.3A 2022-08-04 2022-08-04 一种基于健康管理标签的用户画像方法 Pending CN115130006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210930581.3A CN115130006A (zh) 2022-08-04 2022-08-04 一种基于健康管理标签的用户画像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210930581.3A CN115130006A (zh) 2022-08-04 2022-08-04 一种基于健康管理标签的用户画像方法

Publications (1)

Publication Number Publication Date
CN115130006A true CN115130006A (zh) 2022-09-30

Family

ID=83386239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210930581.3A Pending CN115130006A (zh) 2022-08-04 2022-08-04 一种基于健康管理标签的用户画像方法

Country Status (1)

Country Link
CN (1) CN115130006A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798685A (zh) * 2022-12-18 2023-03-14 重庆邮电大学 一种基于食物图像分割的抑郁症膳食管理方法
CN116705337A (zh) * 2023-08-07 2023-09-05 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798685A (zh) * 2022-12-18 2023-03-14 重庆邮电大学 一种基于食物图像分割的抑郁症膳食管理方法
CN115798685B (zh) * 2022-12-18 2024-05-24 广西康久生物科技有限公司 一种基于食物图像分割的抑郁症膳食管理方法
CN116705337A (zh) * 2023-08-07 2023-09-05 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法
CN116705337B (zh) * 2023-08-07 2023-10-27 山东第一医科大学第一附属医院(山东省千佛山医院) 一种健康数据采集及智能分析方法

Similar Documents

Publication Publication Date Title
Willits-Smith et al. Addressing the carbon footprint, healthfulness, and costs of self-selected diets in the USA: a population-based cross-sectional study
Ofli et al. Is saki# delicious? the food perception gap on instagram and its relation to health
Chen et al. Eating healthier: Exploring nutrition information for healthier recipe recommendation
CN115130006A (zh) 一种基于健康管理标签的用户画像方法
US10902351B1 (en) Methods and systems for using artificial intelligence to analyze user activity data
Achananuparp et al. Extracting food substitutes from food diary via distributional similarity
US11461700B2 (en) Methods and systems for using artificial intelligence to analyze user activity data
TW200926020A (en) Personalized meal planning method and system thereof
CN116417115B (zh) 妊娠期糖尿病患者个性化营养方案推荐方法及系统
Letunovska et al. Analysis of the model of consumer behavior in the healthy products segment as a perspective for the inclusive marketing development
CN111261260A (zh) 一种膳食推荐系统
Gallo et al. Food recommendations for reducing water footprint
CN111755098A (zh) 一种平衡膳食数学模型建立方法
US20190228678A1 (en) System for control over food and diet and related method to reduce environmental impact
Calanche Morales et al. An Approach to the Spanish Consumer’s Perception of the Sensory Quality of Environmentally Friendly Seabass
Eftimov et al. FoodEx2vec: New foods’ representation for advanced food data analysis
Díez et al. Clustering people according to their preference criteria
Metwally et al. Learning personal food preferences via food logs embedding
Balakrishna et al. Statistical methods for the analysis of food composition databases: a review
Hafez et al. Multi-criteria recommendation systems to foster online grocery
Kogias et al. A two-level food classification system for people with diabetes mellitus using convolutional neural networks
Loesch et al. Automated Identification of Food Substitutions Using Knowledge Graph Embeddings.
US12001796B2 (en) Methods and systems for personal recipe generation
CN114388102A (zh) 饮食推荐方法及装置和电子设备
Hsieh et al. Social Media Mining for an Analysis of Nutrition and Dietary Health in Taiwan

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