CN115203545A - 基于深度学习和知识图谱的康养服务智能匹配方法和系统 - Google Patents
基于深度学习和知识图谱的康养服务智能匹配方法和系统 Download PDFInfo
- Publication number
- CN115203545A CN115203545A CN202210788468.6A CN202210788468A CN115203545A CN 115203545 A CN115203545 A CN 115203545A CN 202210788468 A CN202210788468 A CN 202210788468A CN 115203545 A CN115203545 A CN 115203545A
- Authority
- CN
- China
- Prior art keywords
- service
- user
- relationship
- organization
- model
- 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
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
- G06F16/30—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
基于深度学习和知识图谱的康养服务智能匹配方法和系统,包括:用户需求获取步骤;需求属性获取步骤;服务与需求匹配步骤;服务组合步骤;服务推荐步骤;服务重选步骤。上述方法、系统和机器人,通过本性、时间、空间三个维度的匹配,不但考虑到了服务的类型的匹配,还考虑到了服务的时间和就近服务,使得匹配得到的服务真实可用,而且在本性维度考虑了服务的综合优先度,使得高效能高质量的服务能够优先被匹配;通过服务组合,可以巧妙地使得多家机构的服务可以为同一个用户的需求进行服务;通过优先度,可以优先满足优先度高的用户需求。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种基于深度学习和知识图谱的康养服务智能匹配方法和系统。
背景技术
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:康养机构的服务供给形成了孤岛,能以与用户的需求进行及时有效地匹配。
因此,现有技术还有待于改进和发展。
发明内容
基于此,有必要针对现有技术的缺陷或不足,提供基于深度学习和知识图谱的康养服务智能匹配方法和系统,以解决康养机构的服务供给之间能够协同地匹配到用户的需求上,从而提高康养服务的利用率和效率,更好地满足用户的康养需求。
第一方面,本发明实施例提供一种人工智能方法,所述方法包括:
用户需求获取步骤:获取用户需求知识图谱中的新增需求;
需求属性获取步骤:获取用户的新增需求的本性属性、时间属性和空间属性;
服务与需求匹配步骤:计算新增需求与服务的匹配度,新增需求与服务的匹配度=g(服务的综合优先度,本性匹配度,时间匹配度,空间匹配度);时间匹配度为服务的时间段与需求的时间段之间的匹配度,空间匹配度为服务面向的区域与用户预期服务的区域的匹配程度,本性匹配度包括需求的类型与服务的类型匹配的程度、需求的内容与服务的内容匹配的程度;
服务组合步骤:将匹配度大于预设匹配度的服务加入到候选服务集合,将候选服务集合中任两个服务进行组合得到组合之后的服务,如果组合之后的服务与需求的匹配度大于现有的最大匹配度,则将该组合后的服务加入到候选服务集合,并从集合中删除组成该组合的两个服务,然后重复该步骤,直至组合之后的服务与需求的匹配度都不大于现有的最大匹配度;
服务推荐步骤:从候选服务集合中找到匹配度最大且未被占用的预设数个服务推荐给用户,并从机构服务知识图谱中提取所述服务的信息及其所属机构的信息发送给用户,由用户从中选择一个服务;
服务重选步骤:如果有多个用户需求同时选择同一个服务,则将该服务分配给综合优先度大的用户需求,将该服务的状态更新为占用状态,向没有获得服务分配的用户需求发送服务已被抢占的提示,并回到服务推荐步骤重新执行。
优选地,所述方法还包括:
用户需求预测深度学习模型训练步骤:获取第一预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取初始的深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,得到用户需求预测深度学习模型;
用户需求预测深度学习模型测试步骤:获取第二预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取训练得到的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行测试;所述第二预设个数的每一用户不属于第一预设个数的每一用户;
测试判断步骤:若测试的预测准确率小于预设准确率,则执行7;若测试的预测准确率大于或等于预设准确率,则将最新的用户需求预测深度学习模型作为用户需求预测深度学习模型,执行模型预测步骤;
再次训练步骤:获取新的第三预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,然后再回到测试判断步骤执行;所述新的第三预设个数的每一用户不属于在训练和测试中已经使用过的用户;
模型预测步骤:获取需要预测需求的用户的数据,获取用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,通过所述模型计算得到的输出,作为预测得到的所述用户的需求;
用户对模型的反馈步骤:将预测得到的需求发送给所述用户,获取用户对预测是否正确的反馈,如果反馈为预测正确,则将预测得到的需求作为所述用户的需求;如果反馈为预测错误,则获取所述用户对预设用户需求类型的选择,作为所述用户的需求,同时获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行增量训练。
优选地,所述方法还包括:
服务的综合优先度计算步骤:根据每一机构的资质计算所述机构的机构基本优先度,获取所述机构的每一服务的评价,计算所述服务的优先度,根据机构基本优先度和所述服务的优先度,计算所述服务的综合优先度;
机构服务知识图谱本体构建步骤:根据各类机构、各类服务及其之间的关系,构建机构服务知识图谱的本体;在机构服务知识图谱的本体中,服务实体具有当前属性、历史属性;当前属性和历史属性都包括本性属性、时间属性和空间属性;本性属性包括基本属性和状态属性;基本属性包括类型、内容、综合优先度、面向的用户类型、收费标准;状态属性包括服务是否空闲、占用;时间属性包括服务可提供的时间段;空间属性包括服务面向的区域;历史属性为过去的当前属性的记录;
机构服务知识图谱形成步骤:接受机构及其服务的注册,根据本体,自动加入机构服务知识图谱。
优选地,所述方法还包括:
服务实体的树状结构:每一服务实体可以包括多个子服务实体;服务实体构成的树是与树;如果机构与服务之间的关系是拥有关系,则机构与所述服务的所有子服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构与所述服务的部分子服务之间是拥有关系或与子服务之间是部分拥有关系;如果A服务与B服务之间的关系是某种关系,则A服务所有子服务与B服务所有子服务都是该种关系;如果A服务与B服务之间的关系是某种部分关系,则A服务某些子服务与B服务某些子服务是该种关系,或A服务某些子服务与B服务某些子服务是该种部分关系;
机构实体的树状结构:每一机构实体可以包括多个子机构实体;机构实体构成的树是或树;如果机构与服务之间的关系是拥有关系,则机构某个或某些子机构与所述服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构某个或某些子机构与所述服务之间都是部分拥有关系;如果A机构与B机构之间的关系是某种关系,则A机构某个或某些子机构与B机构某个或某些子机构之间是该种关系。
第二方面,本发明实施例提供一种人工智能系统,所述系统包括:
用户需求获取模块:获取用户需求知识图谱中的新增需求;
需求属性获取模块:获取用户的新增需求的本性属性、时间属性和空间属性;
服务与需求匹配模块:计算新增需求与服务的匹配度,新增需求与服务的匹配度=g(服务的综合优先度,本性匹配度,时间匹配度,空间匹配度);时间匹配度为服务的时间段与需求的时间段之间的匹配度,空间匹配度为服务面向的区域与用户预期服务的区域的匹配程度,本性匹配度包括需求的类型与服务的类型匹配的程度、需求的内容与服务的内容匹配的程度;
服务组合模块:将匹配度大于预设匹配度的服务加入到候选服务集合,将候选服务集合中任两个服务进行组合得到组合之后的服务,如果组合之后的服务与需求的匹配度大于现有的最大匹配度,则将该组合后的服务加入到候选服务集合,并从集合中删除组成该组合的两个服务,然后重复该模块,直至组合之后的服务与需求的匹配度都不大于现有的最大匹配度;
服务推荐模块:从候选服务集合中找到匹配度最大且未被占用的预设数个服务推荐给用户,并从机构服务知识图谱中提取所述服务的信息及其所属机构的信息发送给用户,由用户从中选择一个服务;
服务重选模块:如果有多个用户需求同时选择同一个服务,则将该服务分配给综合优先度大的用户需求,将该服务的状态更新为占用状态,向没有获得服务分配的用户需求发送服务已被抢占的提示,并回到服务推荐模块重新执行。
优选地,所述系统还包括:
用户需求预测深度学习模型训练模块:获取第一预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取初始的深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,得到用户需求预测深度学习模型;
用户需求预测深度学习模型测试模块:获取第二预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取训练得到的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行测试;所述第二预设个数的每一用户不属于第一预设个数的每一用户;
测试判断模块:若测试的预测准确率小于预设准确率,则执行7;若测试的预测准确率大于或等于预设准确率,则将最新的用户需求预测深度学习模型作为用户需求预测深度学习模型,执行模型预测模块;
再次训练模块:获取新的第三预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,然后再回到测试判断模块执行;所述新的第三预设个数的每一用户不属于在训练和测试中已经使用过的用户;
模型预测模块:获取需要预测需求的用户的数据,获取用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,通过所述模型计算得到的输出,作为预测得到的所述用户的需求;
用户对模型的反馈模块:将预测得到的需求发送给所述用户,获取用户对预测是否正确的反馈,如果反馈为预测正确,则将预测得到的需求作为所述用户的需求;如果反馈为预测错误,则获取所述用户对预设用户需求类型的选择,作为所述用户的需求,同时获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行增量训练。
优选地,所述系统还包括:
服务的综合优先度计算模块:根据每一机构的资质计算所述机构的机构基本优先度,获取所述机构的每一服务的评价,计算所述服务的优先度,根据机构基本优先度和所述服务的优先度,计算所述服务的综合优先度;
机构服务知识图谱本体构建模块:根据各类机构、各类服务及其之间的关系,构建机构服务知识图谱的本体;在机构服务知识图谱的本体中,服务实体具有当前属性、历史属性;当前属性和历史属性都包括本性属性、时间属性和空间属性;本性属性包括基本属性和状态属性;基本属性包括类型、内容、综合优先度、面向的用户类型、收费标准;状态属性包括服务是否空闲、占用;时间属性包括服务可提供的时间段;空间属性包括服务面向的区域;历史属性为过去的当前属性的记录;
机构服务知识图谱形成模块:接受机构及其服务的注册,根据本体,自动加入机构服务知识图谱。
优选地,所述系统还包括:
服务实体的树状结构:每一服务实体可以包括多个子服务实体;服务实体构成的树是与树;如果机构与服务之间的关系是拥有关系,则机构与所述服务的所有子服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构与所述服务的部分子服务之间是拥有关系或与子服务之间是部分拥有关系;如果A服务与B服务之间的关系是某种关系,则A服务所有子服务与B服务所有子服务都是该种关系;如果A服务与B服务之间的关系是某种部分关系,则A服务某些子服务与B服务某些子服务是该种关系,或A服务某些子服务与B服务某些子服务是该种部分关系;
机构实体的树状结构:每一机构实体可以包括多个子机构实体;机构实体构成的树是或树;如果机构与服务之间的关系是拥有关系,则机构某个或某些子机构与所述服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构某个或某些子机构与所述服务之间都是部分拥有关系;如果A机构与B机构之间的关系是某种关系,则A机构某个或某些子机构与B机构某个或某些子机构之间是该种关系。
第三方面,本发明实施例提供一种人工智能装置,所述系统包括第二方面实施例任意一项所述模块的装置。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面,本发明实施例提供一种机器人系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,其特征在于,所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的基于深度学习和知识图谱的康养服务智能匹配方法和系统,包括:用户需求获取步骤;需求属性获取步骤;服务与需求匹配步骤;服务组合步骤;服务推荐步骤;服务重选步骤。上述方法、系统和机器人,通过本性、时间、空间三个维度的匹配,不但考虑到了服务的类型的匹配,还考虑到了服务的时间和就近服务,使得匹配得到的服务真实可用,而且在本性维度考虑了服务的综合优先度,使得高效能高质量的服务能够优先被匹配;通过服务组合,可以巧妙地使得多家机构的服务可以为同一个用户的需求进行服务;通过优先度,可以优先满足优先度高的用户需求。
附图说明
图1为本发明的实施例提供的人工智能系统的模块图;
图2为本发明的实施例提供的人工智能系统的模块图;
图3为本发明的实施例提供的人工智能系统的模块图。
具体实施方式
下面结合本发明实施方式,对本发明实施例中的技术方案进行详细地描述。
一、本发明的基本实施例
第一方面,本发明实施例提供一种人工智能方法,所述方法包括:用户需求获取步骤;需求属性获取步骤;服务与需求匹配步骤;服务组合步骤;服务推荐步骤;服务重选步骤。技术效果:通过本性、时间、空间三个维度的匹配,不但考虑到了服务的类型的匹配,还考虑到了服务的时间和就近服务,使得匹配得到的服务真实可用,而且在本性维度考虑了服务的综合优先度,使得高效能高质量的服务能够优先被匹配;通过服务组合,可以巧妙地使得多家机构的服务可以为同一个用户的需求进行服务;通过优先度,可以优先满足优先度高的用户需求。
在一个优选的实施例中,所述方法还包括:用户需求预测深度学习模型训练步骤;用户需求预测深度学习模型测试步骤;测试判断步骤;再次训练步骤;模型预测步骤;用户对模型的反馈步骤。技术效果:通过在用户使用中根据用户的反馈不断改进需求预测模型,能够使得模型随着使用不断的自我进化。
在一个优选的实施例中,所述方法还包括:服务的综合优先度计算步骤;机构服务知识图谱本体构建步骤;机构服务知识图谱形成步骤。技术效果:从本性、时间、空间多个维度在知识图谱中描述服务,为服务的精准匹配奠定了技术基础。
在一个优选的实施例中,所述方法还包括:服务实体的树状结构;机构实体的树状结构。技术效果:根据机构细分、服务细分的特征,分别组织成或树和与树,为多个服务组合地为同一个需求提供服务的协同奠定了技术基础。。
第二方面,本发明实施例提供一种人工智能系统,如图1所示,所述系统包括:用户需求获取模块;需求属性获取模块;服务与需求匹配模块;服务组合模块;服务推荐模块;服务重选模块。
在一个优选的实施例中,如图2所示,所述系统还包括:用户需求预测深度学习模型训练模块;用户需求预测深度学习模型测试模块;测试判断模块;再次训练模块;模型预测模块;用户对模型的反馈模块。
在一个优选的实施例中,如图3所示,所述系统还包括:服务的综合优先度计算模块;机构服务知识图谱本体构建模块;机构服务知识图谱形成模块。
在一个优选的实施例中,所述系统还包括:服务实体的树状结构;机构实体的树状结构。
第三方面,本发明实施例提供一种人工智能装置,所述系统包括第二方面实施例任意一项所述系统的模块。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面,本发明实施例提供一种机器人系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,其特征在于,所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
二、本发明的优选实施例
(一)关键问题
如何实现用户差异化需求与医康养服务企业多样化供给的精准高效匹配,来提高用户的获得感、幸福感、安全感,促进医康养服务企业的良性竞争和互利共赢?
(二)关键技术
通过大数据和人工智能技术,实现用户差异化需求与医康养服务企业多样化供给的精准高效匹配;
(三)技术重点
能够提高用户的获得感、幸福感、安全感并且能够促进医康养服务企业的良性竞争和互利共赢的用户差异化需求与医康养服务企业多样化供给的精准高效匹配模式。
(四)技术概要方案
采集用户的基本信息(个人简历、家庭信息、等)、养老信息(养老历史、养老现状、等)、健康信息(病历、体征、等)、日常信息(行为、消费、等)、等用户大数据,医康养服务机构的基本信息(企业类型、企业资质、等)、服务信息(服务类型、服务内容、等)、服务记录(服务历史、服务评价、等),根据用户大数据构建用户需求预测深度学习模型,通过该模型实时预测用户的差异化需求,根据医康养专家知识构建医康养服务匹配专家系统模型,根据该专家系统模型向用户及时推荐医康养服务企业的多样化服务。专家对预测和推荐的结果进行抽查,并收集用户的反馈,根据用户的反馈和抽查的结果对模型和系统进行优化和改进。
(五)技术详细方案
用户需求预测步骤
1获取用户大数据。用户大数据包括每一用户的数据。
2用户大数据包括用户的基本信息(个人简历、家庭信息、等)、养老信息(养老历史、养老现状、等)、健康信息(病历、体征、等)、日常信息(行为、消费、等)。
3获取预设的用户需求类型。用户需求类型包括医疗需求、康复需求、养老需求,每种需求类型又包括更为具体的子类型,每种需求子类型又包括更为具体的需求孙类型,如此类推,直至最为基本的不可再分的需求类型。例如,康复需求可以再分为在机构进行康复的需求、在社区进行康复的需求、在家进行康复的需求,还可以不断继续细分。
4获取第一预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取初始的深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,得到用户需求预测深度学习模型。
5获取第二预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取训练得到的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行测试。所述第二预设个数的每一用户不属于第一预设个数的每一用户;
6若测试的预测准确率小于预设准确率,则执行7;若测试的预测准确率大于或等于预设准确率,则将最新的用户需求预测深度学习模型作为用户需求预测深度学习模型,执行8。
7获取新的第三预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,然后再回到6执行。所述新的第三预设个数的每一用户不属于在训练和测试中已经使用过的用户。
8获取需要预测需求的用户的数据,获取用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,通过所述模型计算得到的输出,作为预测得到的所述用户的需求。
9将预测得到的需求发送给所述用户,获取用户对预测是否正确的反馈,如果反馈为预测正确,则将预测得到的需求作为所述用户的需求;如果反馈为预测错误,则获取所述用户对预设用户需求类型的选择,作为所述用户的需求,同时获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行增量训练。
机构服务描述步骤
1获取机构大数据。机构大数据包括每一机构的数据。机构包括医院、社区、养老机构、康养企业、等。机构大数据包括医康养服务机构的基本信息(企业类型、企业资质、等)、服务信息(服务类型、服务内容、等)、服务记录(服务历史、服务评价、等)。
2获取预设的机构服务类型。机构服务类型包括医疗服务、康复服务、养老服务,每种服务类型又包括更为具体的子类型,每种服务子类型又包括更为具体的服务孙类型,如此类推,直至最为基本的不可再分的服务类型。例如,康复服务可以再分为在机构进行康复的服务、在社区进行康复的服务、在家进行康复的服务,还可以不断继续细分。预设的机构服务类型与预设的用户需求类型一一对应。
3根据每一机构的资质计算所述机构的机构基本优先度,获取所述机构的每一服务的评价(包括效能的度量和质量的评价),计算所述服务的优先度,根据机构基本优先度和所述服务的优先度,计算所述服务的综合优先度。
机构服务知识图谱构建步骤
1根据每一机构的每一服务及其综合优先度,构建机构服务知识图谱。知识图谱中有机构实体、服务实体。机构与机构之间的关系包括合作关系、竞争关系、竞争合作关系、等,机构与服务之间的关系包括拥有关系、部分拥有关系、等,服务与服务之间包括先后关系、协作关系、等。服务的属性包括服务的类型、服务的综合优先度、服务的内容、等。同一类型的服务可以具有不同的差异化服务。
2服务实体具有当前属性、历史属性。当前属性和历史属性都包括本性属性、时间属性和空间属性。本性属性包括基本属性和状态属性。基本属性包括类型、内容、面向的用户类型、收费标准。状态属性包括服务是否空闲、占用,如果占用,显示在为哪个用户提供服务。时间属性包括服务可提供的时间段。空间属性包括服务面向的区域。历史属性为过去的当前属性的记录。
3每一机构实体可以包括多个子机构实体。每一服务实体可以包括多个子服务实体。服务实体构成的树是与树。如果机构与服务之间的关系是拥有关系,则机构与所述服务的所有子服务之间都是拥有关系。如果机构与服务之间的关系是部分拥有关系,则机构与所述服务的部分子服务之间是拥有关系或与子服务之间是部分拥有关系。如果A服务与B服务之间的关系是某种关系,则A服务所有子服务与B服务所有子服务都是该种关系。如果A服务与B服务之间的关系是某种部分关系,则A服务某些子服务与B服务某些子服务是该种关系,或A服务某些子服务与B服务某些子服务是该种部分关系。机构实体构成的树是或树。如果机构与服务之间的关系是拥有关系,则机构某个或某些子机构与所述服务之间都是拥有关系。如果机构与服务之间的关系是部分拥有关系,则机构某个或某些子机构与所述服务之间都是部分拥有关系。如果A机构与B机构之间的关系是某种关系,则A机构某个或某些子机构与B机构某个或某些子机构之间是该种关系。
用户需求描述步骤
1基本信息(个人简历、家庭信息、等)、养老信息(养老历史、养老现状、等)、健康信息(病历、体征、等)、日常信息(行为、消费、等)。
2根据每一用户的基本信息计算所述用户的需求基本优先度(例如用户如果为劳模,则基本优先度高),根据用户的健康状况评估所述用户每一需求的紧迫度,计算所述需求的优先度,根据机构基本优先度和所述需求的优先度,计算所述需求的综合优先度。
用户需求知识图谱构建步骤
1根据每一用户的每一需求及其综合优先度,构建用户需求知识图谱。知识图谱中有用户实体、需求实体。用户与用户之间的关系包括亲人关系、邻里关系、朋友关系、等,用户与需求之间的关系包括具有关系、部分具有关系,需求与需求之间包括先后关系、关联关系。需求的属性包括需求的类型、需求的综合优先度、需求的内容、等。同一类型的需求可以具有不同的个性化内容。每一用户实体可以包括多个子用户实体。例如社区用户实体可以包括多个家庭用户实体,家庭用户实体可以包括多个个人用户实体。
2需求实体具有当前属性、历史属性。当前属性和历史属性都包括本性属性、时间属性和空间属性。本性属性包括基本属性和状态属性。基本属性包括类型、内容、面向的机构类型、缴费标准。状态属性包括需求是否未满足、已满足,如果已满足,显示在接受哪个结构提供服务。时间属性包括需求预期的时间段。空间属性包括需求预期服务的区域,例如用户家中。历史属性为过去的当前属性的记录。
3每一需求实体可以包括多个子需求实体。需求实体构成的树是与树。如果用户与需求之间的关系是具有关系,则用户与所述需求的所有子需求之间都是具有关系。如果用户与需求之间的关系是部分具有关系,则用户与所述需求的部分子需求之间是具有关系或与子需求之间是部分具有关系。如果A需求与B需求之间的关系是某种关系,则A需求所有子需求与B需求所有子需求都是该种关系。如果A需求与B需求之间的关系是某种部分关系,则A需求某些子需求与B需求某些子需求是该种关系,或A需求某些子需求与B需求某些子需求是该种部分关系。用户实体构成的树是或树。如果用户与需求之间的关系是具有关系,则用户某个或某些子用户与所述需求之间都是具有关系。如果用户与需求之间的关系是部分具有关系,则用户某个或某些子用户与所述需求之间都是部分具有关系。如果A用户与B用户之间的关系是某种关系,则A用户某个或某些子用户与B用户某个或某些子用户之间是该种关系。
知识图谱形成步骤:
1根据各类用户、各类需求及其之间的关系,构建用户需求知识图谱的本体。
2接受用户及其需求的注册,根据本体,自动加入用户需求知识图谱。
3根据各类机构、各类服务及其之间的关系,构建机构服务知识图谱的本体。
4接受机构及其服务的注册,根据本体,自动加入机构服务知识图谱。
需求与服务匹配步骤
1获取用户需求知识图谱中的新增需求;获取用户的新增需求的需求类型、时间属性和空间属性,在机构服务知识图谱中找到与之最为匹配的服务。新增需求与服务的匹配度=g(服务的综合优先度,本性匹配度,时间匹配度,空间匹配度),g为预设函数,g使得服务的综合优先度越高,本性匹配度越高,时间匹配度越高,空间匹配度越高,则新增需求与服务的匹配度越高。(1)时间匹配度为服务的时间段与需求的时间段之间的匹配度,空间匹配度为服务面向的区域与用户预期服务的区域的匹配程度,本性匹配度包括需求的类型与服务的类型匹配的程度、需求的内容与服务的内容匹配的程度。在匹配时,首先通过需求的类型与服务的类型匹配的程度排除掉类型不相关的服务,再通过计算新增需求与服务的匹配度。(2)在进行匹配时,将匹配度大于预设匹配度的服务加入到候选服务集合,将候选服务集合中任两个服务进行组合得到组合之后的服务,如果组合之后的服务与需求的匹配度大于现有的最大匹配度,则将该组合后的服务加入到候选服务集合,并从集合中删除组成该组合的两个服务,然后重复该步骤,直至组合之后的服务与需求的匹配度都不大于现有的最大匹配度。(3)从候选服务集合中找到匹配度最大且未被占用的预设数个服务推荐给用户,并从机构服务知识图谱中提取所述服务的信息及其所属机构的信息发送给用户,由用户从中选择一个服务。(4)如果有多个用户需求同时选择同一个服务,则将该服务分配给综合优先度大的用户需求,将该服务的状态更新为占用状态,向没有获得服务分配的用户需求发送服务已被抢占的提示,并回到(3)重新执行。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,则对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人工智能方法,其特征在于,所述方法包括:
用户需求获取步骤:获取用户需求知识图谱中的新增需求;
需求属性获取步骤:获取用户的新增需求的本性属性、时间属性和空间属性;
服务与需求匹配步骤:计算新增需求与服务的匹配度,新增需求与服务的匹配度=g(服务的综合优先度,本性匹配度,时间匹配度,空间匹配度);时间匹配度为服务的时间段与需求的时间段之间的匹配度,空间匹配度为服务面向的区域与用户预期服务的区域的匹配程度,本性匹配度包括需求的类型与服务的类型匹配的程度、需求的内容与服务的内容匹配的程度;
服务组合步骤:将匹配度大于预设匹配度的服务加入到候选服务集合,将候选服务集合中任两个服务进行组合得到组合之后的服务,如果组合之后的服务与需求的匹配度大于现有的最大匹配度,则将该组合后的服务加入到候选服务集合,并从集合中删除组成该组合的两个服务,然后重复该步骤,直至组合之后的服务与需求的匹配度都不大于现有的最大匹配度;
服务推荐步骤:从候选服务集合中找到匹配度最大且未被占用的预设数个服务推荐给用户,并从机构服务知识图谱中提取所述服务的信息及其所属机构的信息发送给用户,由用户从中选择一个服务;
服务重选步骤:如果有多个用户需求同时选择同一个服务,则将该服务分配给综合优先度大的用户需求,将该服务的状态更新为占用状态,向没有获得服务分配的用户需求发送服务已被抢占的提示,并回到服务推荐步骤重新执行。
2.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:
用户需求预测深度学习模型训练步骤:获取第一预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取初始的深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,得到用户需求预测深度学习模型;
用户需求预测深度学习模型测试步骤:获取第二预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取训练得到的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行测试;所述第二预设个数的每一用户不属于第一预设个数的每一用户;
测试判断步骤:若测试的预测准确率小于预设准确率,则执行7;若测试的预测准确率大于或等于预设准确率,则将最新的用户需求预测深度学习模型作为用户需求预测深度学习模型,执行模型预测步骤;
再次训练步骤:获取新的第三预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,然后再回到测试判断步骤执行;所述新的第三预设个数的每一用户不属于在训练和测试中已经使用过的用户;
模型预测步骤:获取需要预测需求的用户的数据,获取用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,通过所述模型计算得到的输出,作为预测得到的所述用户的需求;
用户对模型的反馈步骤:将预测得到的需求发送给所述用户,获取用户对预测是否正确的反馈,如果反馈为预测正确,则将预测得到的需求作为所述用户的需求;如果反馈为预测错误,则获取所述用户对预设用户需求类型的选择,作为所述用户的需求,同时获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行增量训练。
3.根据权利要求1所述的人工智能方法,其特征在于,所述方法还包括:
服务的综合优先度计算步骤:根据每一机构的资质计算所述机构的机构基本优先度,获取所述机构的每一服务的评价,计算所述服务的优先度,根据机构基本优先度和所述服务的优先度,计算所述服务的综合优先度;
机构服务知识图谱本体构建步骤:根据各类机构、各类服务及其之间的关系,构建机构服务知识图谱的本体;在机构服务知识图谱的本体中,服务实体具有当前属性、历史属性;当前属性和历史属性都包括本性属性、时间属性和空间属性;本性属性包括基本属性和状态属性;基本属性包括类型、内容、综合优先度、面向的用户类型、收费标准;状态属性包括服务是否空闲、占用;时间属性包括服务可提供的时间段;空间属性包括服务面向的区域;历史属性为过去的当前属性的记录;
机构服务知识图谱形成步骤:接受机构及其服务的注册,根据本体,自动加入机构服务知识图谱。
4.根据权利要求3所述的人工智能方法,其特征在于,所述方法还包括:
服务实体的树状结构:每一服务实体可以包括多个子服务实体;服务实体构成的树是与树;如果机构与服务之间的关系是拥有关系,则机构与所述服务的所有子服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构与所述服务的部分子服务之间是拥有关系或与子服务之间是部分拥有关系;如果A服务与B服务之间的关系是某种关系,则A服务所有子服务与B服务所有子服务都是该种关系;如果A服务与B服务之间的关系是某种部分关系,则A服务某些子服务与B服务某些子服务是该种关系,或A服务某些子服务与B服务某些子服务是该种部分关系;
机构实体的树状结构:每一机构实体可以包括多个子机构实体;机构实体构成的树是或树;如果机构与服务之间的关系是拥有关系,则机构某个或某些子机构与所述服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构某个或某些子机构与所述服务之间都是部分拥有关系;如果A机构与B机构之间的关系是某种关系,则A机构某个或某些子机构与B机构某个或某些子机构之间是该种关系。
5.一种人工智能方法,其特征在于,所述方法包括:
用户需求获取模块:获取用户需求知识图谱中的新增需求;
需求属性获取模块:获取用户的新增需求的本性属性、时间属性和空间属性;
服务与需求匹配模块:计算新增需求与服务的匹配度,新增需求与服务的匹配度=g(服务的综合优先度,本性匹配度,时间匹配度,空间匹配度);时间匹配度为服务的时间段与需求的时间段之间的匹配度,空间匹配度为服务面向的区域与用户预期服务的区域的匹配程度,本性匹配度包括需求的类型与服务的类型匹配的程度、需求的内容与服务的内容匹配的程度;
服务组合模块:将匹配度大于预设匹配度的服务加入到候选服务集合,将候选服务集合中任两个服务进行组合得到组合之后的服务,如果组合之后的服务与需求的匹配度大于现有的最大匹配度,则将该组合后的服务加入到候选服务集合,并从集合中删除组成该组合的两个服务,然后重复该模块,直至组合之后的服务与需求的匹配度都不大于现有的最大匹配度;
服务推荐模块:从候选服务集合中找到匹配度最大且未被占用的预设数个服务推荐给用户,并从机构服务知识图谱中提取所述服务的信息及其所属机构的信息发送给用户,由用户从中选择一个服务;
服务重选模块:如果有多个用户需求同时选择同一个服务,则将该服务分配给综合优先度大的用户需求,将该服务的状态更新为占用状态,向没有获得服务分配的用户需求发送服务已被抢占的提示,并回到服务推荐模块重新执行。
6.根据权利要求5所述的人工智能系统,其特征在于,所述系统还包括:
用户需求预测深度学习模型训练模块:获取第一预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取初始的深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,得到用户需求预测深度学习模型;
用户需求预测深度学习模型测试模块:获取第二预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取训练得到的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行测试;所述第二预设个数的每一用户不属于第一预设个数的每一用户;
测试判断模块:若测试的预测准确率小于预设准确率,则执行7;若测试的预测准确率大于或等于预设准确率,则将最新的用户需求预测深度学习模型作为用户需求预测深度学习模型,执行模型预测模块;
再次训练模块:获取新的第三预设个数的每一用户对预设用户需求类型的选择,作为所述用户的需求,获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行训练,然后再回到测试判断模块执行;所述新的第三预设个数的每一用户不属于在训练和测试中已经使用过的用户;
模型预测模块:获取需要预测需求的用户的数据,获取用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,通过所述模型计算得到的输出,作为预测得到的所述用户的需求;
用户对模型的反馈模块:将预测得到的需求发送给所述用户,获取用户对预测是否正确的反馈,如果反馈为预测正确,则将预测得到的需求作为所述用户的需求;如果反馈为预测错误,则获取所述用户对预设用户需求类型的选择,作为所述用户的需求,同时获取所述用户的数据,获取最新的用户需求预测深度学习模型,将所述用户的数据作为所述模型的输入,将所述用户的需求作为所述模型的预期输出,对所述模型进行增量训练。
7.根据权利要求5所述的人工智能系统,其特征在于,所述系统还包括:
服务的综合优先度计算模块:根据每一机构的资质计算所述机构的机构基本优先度,获取所述机构的每一服务的评价,计算所述服务的优先度,根据机构基本优先度和所述服务的优先度,计算所述服务的综合优先度;
机构服务知识图谱本体构建模块:根据各类机构、各类服务及其之间的关系,构建机构服务知识图谱的本体;在机构服务知识图谱的本体中,服务实体具有当前属性、历史属性;当前属性和历史属性都包括本性属性、时间属性和空间属性;本性属性包括基本属性和状态属性;基本属性包括类型、内容、综合优先度、面向的用户类型、收费标准;状态属性包括服务是否空闲、占用;时间属性包括服务可提供的时间段;空间属性包括服务面向的区域;历史属性为过去的当前属性的记录;
机构服务知识图谱形成模块:接受机构及其服务的注册,根据本体,自动加入机构服务知识图谱。
8.根据权利要求7所述的人工智能系统,其特征在于,所述系统还包括:
服务实体的树状结构:每一服务实体可以包括多个子服务实体;服务实体构成的树是与树;如果机构与服务之间的关系是拥有关系,则机构与所述服务的所有子服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构与所述服务的部分子服务之间是拥有关系或与子服务之间是部分拥有关系;如果A服务与B服务之间的关系是某种关系,则A服务所有子服务与B服务所有子服务都是该种关系;如果A服务与B服务之间的关系是某种部分关系,则A服务某些子服务与B服务某些子服务是该种关系,或A服务某些子服务与B服务某些子服务是该种部分关系;
机构实体的树状结构:每一机构实体可以包括多个子机构实体;机构实体构成的树是或树;如果机构与服务之间的关系是拥有关系,则机构某个或某些子机构与所述服务之间都是拥有关系;如果机构与服务之间的关系是部分拥有关系,则机构某个或某些子机构与所述服务之间都是部分拥有关系;如果A机构与B机构之间的关系是某种关系,则A机构某个或某些子机构与B机构某个或某些子机构之间是该种关系。
9.一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210788468.6A CN115203545A (zh) | 2022-07-06 | 2022-07-06 | 基于深度学习和知识图谱的康养服务智能匹配方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210788468.6A CN115203545A (zh) | 2022-07-06 | 2022-07-06 | 基于深度学习和知识图谱的康养服务智能匹配方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115203545A true CN115203545A (zh) | 2022-10-18 |
Family
ID=83578748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210788468.6A Pending CN115203545A (zh) | 2022-07-06 | 2022-07-06 | 基于深度学习和知识图谱的康养服务智能匹配方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115203545A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394394A (zh) * | 2022-10-27 | 2022-11-25 | 曹县人民医院 | 基于大数据处理技术的居民健康服务预约方法及系统 |
-
2022
- 2022-07-06 CN CN202210788468.6A patent/CN115203545A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115394394A (zh) * | 2022-10-27 | 2022-11-25 | 曹县人民医院 | 基于大数据处理技术的居民健康服务预约方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beckers et al. | A DSS classification model for research in human resource information systems | |
Kurka et al. | Selection of MCA methods to support decision making for renewable energy developments | |
Lim et al. | StakeRare: using social networks and collaborative filtering for large-scale requirements elicitation | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
Oukil et al. | Ranking dispatching rules in multi-objective dynamic flow shop scheduling: a multi-faceted perspective | |
Ekel et al. | Multiobjective and multiattribute decision making in a fuzzy environment and their power engineering applications | |
US20020103695A1 (en) | Methods and apparatus for gauging group choices | |
Zhu et al. | A hybrid multi-criteria decision making model for elective admission control in a Chinese public hospital | |
Mattila et al. | Maintenance scheduling of a fleet of fighter aircraft through multi-objective simulation-optimization | |
Fung et al. | A fuzzy expected value-based goal programing model for product planning using quality function deployment | |
EP3905162A2 (en) | Schedule management service system and method | |
KR20210118634A (ko) | 데이터 기반 콜센터 업무 효율 개선 시스템 및 그 방법 | |
Liang | Application of interactive possibilistic linear programming to aggregate production planning with multiple imprecise objectives | |
Joseph et al. | Effects of flexibility and scheduling decisions on the performance of an FMS: simulation modelling and analysis | |
US20140280243A1 (en) | Intelligent presence server systems and methods | |
CN110909235A (zh) | 一种基于大数据的企业创新专家智库平台 | |
Zahiri et al. | An MCDA-DEA approach for mixed-model assembly line balancing problem under uncertainty | |
CN107977855B (zh) | 一种管理用户信息的方法及装置 | |
Lu et al. | Using the best-worst method to develop intellectual capital indicators in financial service company | |
CN115203545A (zh) | 基于深度学习和知识图谱的康养服务智能匹配方法和系统 | |
US20230019856A1 (en) | Artificial intelligence machine learning platform trained to predict dispatch outcome | |
EP3764310A1 (en) | Prediction task assistance device and prediction task assistance method | |
CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
Monghasemi et al. | A hybrid of genetic algorithm and evidential reasoning for optimal design of project scheduling: A systematic negotiation framework for multiple decision-makers | |
CN110348807A (zh) | 一种信息处理方法和相关装置 |
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 |