CN117011004A - 一种基于知识图谱的个性化服务推荐方法 - Google Patents
一种基于知识图谱的个性化服务推荐方法 Download PDFInfo
- Publication number
- CN117011004A CN117011004A CN202311282806.XA CN202311282806A CN117011004A CN 117011004 A CN117011004 A CN 117011004A CN 202311282806 A CN202311282806 A CN 202311282806A CN 117011004 A CN117011004 A CN 117011004A
- Authority
- CN
- China
- Prior art keywords
- service
- entity
- pension
- knowledge graph
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003068 static effect Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及养老服务推荐技术领域，具体涉及一种基于知识图谱的个性化服务推荐方法，包括以下步骤：S101：养老服务需求形式化表示；S102：养老领域知识图谱的构建；S103：基于构建的知识图谱，根据用户属性进行养老个性化服务推荐。本发明因为基于知识图谱的推荐方法不依赖用户的偏好数据和历史行为数据，即便没有收集足够的用户信息或有新的用户信息加入时，都不会影响推荐系统的启动，并且通过对用户养老需求的形式化表示，在推荐算法中结合用户的静态特征、动态特征和个性化需求，在指定需求的约束条件下，使得个性化的服务推荐更加精准。
Description
技术领域
本发明涉及养老服务推荐技术领域，具体涉及一种基于知识图谱的个性化服务推荐方法。
背景技术
数字化养老是对传统养老模式的升级，借助互联网、物联网、云计算、大数据、人工智能、智能硬件等新一代信息技术产品，将居家养老、社区养老、机构养老有机结合起来，通过采集不同群体老年人的属性数据、行为数据、状态数据，并对数据进行智能化分析处理，感知老年人的养老服务需求，从而精准地为老年人提供养老服务。
目前养老服务主要涉及饮食服务、家政服务、预约挂号、健康监测、运动监控、休闲娱乐、文化学习、社交聊天等内容。导致老年用户及家属需要花费大量时间与精力去寻找满足自身需求的养老服务。而不同的老年群体（如健康人群、失能人群、空巢人群等）的养老需求并不相同，即便是同一个群体，在不同场景和条件约束下的服务需求也不同。如何在众多的养老服务中，精准地为老年人推荐养老服务，满足他们的个性化需求，是提高养老服务质量的保障。
现有被广泛使用的推荐技术是协同过滤技术，该技术是根据与用户（或商品）的相似性分析，来判断用户（或商品）的特点、价值和潜在属性进行推荐。例如，小明想购买一件衣服，协同过滤技术会分析小明与哪些用户的特征比较像，然后看看这些用户喜欢哪些商品，进而给小明推荐相同的商品。或者通过分析小明以往的购买行为来判断小明喜欢的商品类型，然后推荐类似的商品给小明。协同过滤技术需要利用历史数据，学习用户潜在的兴趣偏好，如果没有以往的历史数据，就得不到用户的偏好，推荐结果就会不准确。另外如果新加入的一些用户数据，就需要重新学习用户偏好，效率较低。因此，协同过滤技术存在冷启动和更新滞后的问题。
发明内容
本发明的目的在于提供一种基于知识图谱的个性化服务推荐方法，解决上述技术问题。
本发明的目的可以通过以下技术方案实现：
一种基于知识图谱的个性化服务推荐方法，包括以下步骤：
S101：养老服务需求形式化表示；
S102：养老领域知识图谱的构建；
S103：基于构建的知识图谱，根据用户属性进行养老个性化服务推荐。
作为本发明进一步的方案：在所述的步骤S101中，养老服务需求形式化的具体表示方法如下所示：
S201：养老服务需求由服务ID、用户ID和需求特征集合三元组组成；
S202：服务需求中的需求特征集合中包含若干需求特征；
S203：每个需求特征包括需求特征名称、需求特征关系、需求特征值和需求特征优先级。
作为本发明进一步的方案：在所述的步骤S102中，构建所述的养老领域知识图谱的具体方法如下所示：
S301：养老服务知识抽取，从文本中发现和抽取养老服务的实体与关系，并根据数据结构格式的不同，包括对结构化数据的抽取、对半结构化数据的抽取和对非结构化数据的抽取；
S302：养老服务知识融合，对从不同数据源中抽取的实体和关系，如果是同一个实体或关系，则将他们融合为一个实体或关系；
S303：养老服务知识存储，将抽取融合后的养老服务知识进行存储。
作为本发明进一步的方案：在所述的步骤S301中，对结构化数据的抽取的方法具体如下所示：
将数据表名转化为对应的实体或关系名；
将数据表中行数据中的主键转化为实体或关系ID；
将数据表的列转化成实体或关系的属性；
将数据表中的具体数值转化为对应实体或关系的属性值。
作为本发明进一步的方案：在所述的步骤S301中，对半结构化数据的抽取的方法具体如下所示：
对养老服务网站进行数据爬虫；
根据XPath或CSS选择器结构化模式进行形式化数据抽取；
获得结构化数据并存入数据库中，进而按照结构化数据的抽取方法进行知识抽取。
作为本发明进一步的方案：在所述的步骤S301中，对非结构化数据的抽取的方法具体如下所示：
S401：将非结构化文本数据以句子为单位进行分解并存放到表中；
S402：抽取每个句子中的候选实体；
S403：同一句子中不同实体之间形成候选实体对；
S404：抽取候选实体对的文本特征，所述的文本特征包括实体开始下标、实体结束下标、分词结果、词性标注和命名实体标注；
S405：利用标注规则进行数据标注；
S406：利用标注好的数据训练分类模型；
S407：利用训练好的模型，结合S404抽取的候选实体文本特征进行知识抽取。
作为本发明进一步的方案：在所述的步骤S302中，所述的知识融合的具体方法如下所示：
对步骤S301中抽取的实体或关系进行相似度计算；
如果相似度大于设定的阈值，则进行融合，否则不进行融合。
作为本发明进一步的方案：在所述的步骤S303中，所述的知识存储的具体方法包括：
以知识图谱中每个节点表示一个实体，每条边表示一种关系；
利用图数据库对抽取融合后的养老领域知识进行存储。
作为本发明进一步的方案：在所述的步骤S103中，基于构建的知识图谱，根据用户属性进行养老服务推荐的具体方法包括：
S501：将老年用户的静态特征进行养老服务需求形式化表示，形成硬性约束过滤条件，所述的静态特征包括性别、年龄、居住地和收入情况；
S502：将老年用户描述的个性化需求，按照养老服务需求形式化表示方法进行表示，形成软性约束过滤条件；
S503：将养老领域知识图谱中的实体－关系－实体按照下面的公式进行训练：
；
表示养老领域知识图谱中正确的三元组向量，/>表示养老领域知识图谱中头实体和尾实体随机替换后而得的三元组向量；γ为正负样本之间的间距大小，是一个常数，通常取1；L表示抽取的实体-关系-实体的损失函数；通过随机梯度下降进行迭代训练，使得损失函数达到最优；
S504：将养老服务需求映射到知识图谱的节点上，按照补正S503生成知识表示，每个节点会被转化成一个低维的向量；
S505：对老年用户的动态特征进行提取，分析老人可能需要的服务类别集，所述的动态特征包括性别、年龄、居住地和收入情况；
S506：针对第i（1≤i≤N）个服务类别，获取该类别的所有养老服务的集合，利用硬性约束过滤条件对集合进行过滤，构成候选服务集合；
S507：利用该第i类别养老服务需求向量与候选服务集合中的养老服务进行余弦相似度的计算，按照相似度的计算结果，选取相似度最高的Top-K作为推荐候选集，K表示预设的数值；
S508：利用软性约束过滤条件对推荐候选集中的养老服务按照优先级进行重新排序；
S509：将满足第i个类别需求的服务推荐集合保存进服务推荐列表；
S510：令i=i+1，若i≤N，则执行步骤S506，否则输出服务推荐列表。
本发明的有益效果：
不存在冷启动问题，因为基于知识图谱的推荐方法不依赖用户的偏好数据和历史行为数据，即便没有收集足够的用户信息或有新的用户信息加入时，都不会影响推荐系统的启动；
个性化推荐更精准，通过对用户养老需求的形式化表示，在推荐算法中结合用户的静态特征、动态特征和个性化需求，在指定需求的约束条件下，使得个性化的服务推荐更加精准。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明一种基于知识图谱的个性化服务推荐方法的流程示意图；
图2是本发明构建知识图谱的流程示意图；
图3是本发明非结构化数据知识抽取流程图；
图4是本发明养老个性化服务推荐算法的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
目前，针对养老服务的推荐开展的工作较少。文献（卜云飞.面向养老服务的推荐方法研究及应用[D]. 哈尔滨工业大学, 2017.）考虑了老年人对于养老服务的偏好和需求，首先利用老年人的行为、偏好等历史数据为老年人构建用户画像，然后从用户画像中提取老年人的兴趣和需求，在基于内容的部分结合对养老服务约束条件进行过滤排序，最后针对积累了用户评分信息后的矩阵分解推荐算法利用用户画像计算用户相似度，适用于养老服务领域，然而这种方法也要依赖用户偏好数据，因此冷启动问题并未解决。
文献（黎婧璇. 基于知识图谱和句嵌入的养老服务推荐方法[D].哈尔滨工业大学,2019.）针对老人具有固定消费习惯的特点，研究基于知识图谱的隐式偏好时序养老服务推荐方法。该方法首先选择对老人偏好进行深度时序建模，通过序列化地理解历史服务交互记录，学习老人的隐式偏好信息，然后使用 GRU（Gated Recurrent Unit，门控循环单元）模型，通过改进的 ProjE 知识嵌入方法，进行服务向量的学习，进一步提升服务推荐的准确度。虽然该方法没有利用历史交互记录的全部信息，在冷启动问题的解决上有了一定的改进，但在服务推荐时，未考虑用户特定需求的约束条件，无法满足个性化服务推荐的要求。
知识图谱是由实体和关系组成的多关系图，实体和关系分别被视为节点和不同类型的边，把所有不同种类的信息连接在一起而得到的一个关系网络。
本发明方案针对当前数字化养老领域存在的个性化服务推荐不精准问题，发明了一种基于知识图谱的个性化养老服务推荐方法。首先对养老服务按照服务对象的不同进行服务分类，给出养老服务需求的形式化表示。然后进行养老服务知识抽取、融合与存储，构建养老领域知识图谱。最后，对知识图谱进行向量化处理，并将向量化结果以迭代训练的形式融入至推荐系统中，通过构建的知识图谱游走策略获得可靠的个性化推荐结果。
基于知识图谱的推荐不依赖用户的历史行为数据和偏好数据，不存在冷启动问题，且本方案考虑了不同老年群体，将他们的个性化需求进行形式化表示，经过需求约束过滤，可获得更加精准的个性化推荐。
请参阅图1-4所示，本发明为一种基于知识图谱的个性化服务推荐方法，包括以下步骤：
S101：养老服务需求形式化表示。
S102：养老领域知识图谱的构建。
S103：基于构建的知识图谱，根据用户属性进行养老个性化服务推荐。
步骤S101中所述的养老服务需求形式化表示方法，其特征包括以下步骤：
S201：养老服务需求由服务ID、用户ID和需求特征集合三元组组成，表示如下：
ServiceDemand = (SID,UID,DemandFeatureSet)；
S202：服务需求中的需求特征集合中包含若干需求特征，表示如下：
DemandFeatureSet=(DemandFeature1,DemandFeature2,…,DemandFeaturen)；
S203：每个需求特征由需求特征名称、需求特征关系、需求特征值和需求特征优先级四元组构成，表示如下：
DemandFeature=(DemandFeatureName,DemandRelation,DemandFeatureValue,DemandFeaturePriority)；
例如：不能自理的老人张三在上午8点至下午5点期间，需要在上海市徐汇区园南三村社区，服务评价为优质，价格最好小于500元的护理服务。则该养老服务需求形式化表示为：
ServiceDemand=（10085,104,{(服务对象，等于，不能自理，1),(服务时间，介于，8-17，1),(服务地点，等于，上海市徐汇区园南三村社区，1),(服务类型，等于，护理服务，1),(服务评价，等于，优质，0.8),(服务价格，小于，500，0.6)}）。
步骤S102中所述的养老领域知识图谱的构建方法，其特征包括以下步骤：
S301：养老服务知识抽取。知识抽取是自动地从文本中发现和抽取养老服务的实体与关系。根据数据结构格式的不同，包括对结构化数据的抽取、对半结构化数据的抽取和对非结构化数据的抽取。
S302：养老服务知识融合。由于同一实体或关系，不同的数据源文字表达略有差异。知识融合是对从不同数据源中抽取的实体和关系，如果本质是同一个实体或关系，则将它们融合为一个实体或关系。
S303：养老服务知识存储。知识存储是将抽取融合后的养老服务知识存储起来。
步骤S301中所述的对结构化数据的抽取方法如下：
结构化数据通常存储在关系数据库中，只需要按照如下方式进行映射即可。将数据表名转化为对应的实体或关系名；将数据表中行数据中的主键转化为实体或关系ID；将数据表的列转化成实体或关系的属性；将数据表中的具体数值转化为对应实体或关系的属性值即可。
步骤S301中所述的对半结构化数据的抽取如下：
半结构化数据可以通过对养老服务网站进行数据爬虫，根据XPath或CSS选择器结构化模式进行形式化数据抽取，来获得结构化数据并存入数据库中，进而按照结构化数据的抽取方法进行知识抽取。
步骤S301中所述的对非结构化数据的抽取步骤如下：
S401：将非结构化文本数据以句子为单位进行分解并存放到表中。
S402：抽取每个句子中的候选实体。
S403：同一句子中不同实体之间形成候选实体对。
S404：抽取候选实体对的文本特征，包括（实体开始下标、实体结束下标、分词结果、词性标注、命名实体标注等）。
S405：利用标注规则进行数据标注。
S406：利用标注好的数据训练分类模型。
S407：利用训练好的模型，结合步骤S404抽取的候选实体文本特征进行知识抽取。
步骤S302中所述的知识融合方法如下：
对S301中抽取的实体或关系进行相似度计算，如果相似度大于设定的阈值，则进行融合，否则不进行融合。以实体为例，设实体A的属性集为{a1,a2,a3,…,am}，实体B的属性集为{b1,b2,b3,…,bn}，C表示实体A与实体B的公共属性集，即C = A∩B，实体A与实体B的相似度 S(A,B) = |C| / max (|A|, |B|) 。设融合阈值为0.8，如果实体S(A，B)＞0.8，则认为实体A和实体B是同一个实体，即可进行融合。
步骤S303中所述的知识存储方法如下：
知识图谱中每个节点表示一个实体，每条边表示一种关系。利用图数据库对抽取融合后的养老领域知识进行存储，图数据库具有较高的扩展性和执行效率。
步骤S103中所述的基于构建的知识图谱，根据用户属性进行养老服务推荐的方法，其特征包括以下步骤：
S501：将老年用户的静态特征（如性别、年龄、居住地、收入情况等）进行养老服务需求形式化表示，形成硬性约束过滤条件。
S502：将老年用户描述的个性化需求，按照养老服务需求形式化表示方法进行表示，形成软性约束过滤条件。
S503：将养老领域知识图谱中的实体－关系－实体按照下面的公式进行训练，
；
表示养老领域知识图谱中正确的三元组向量，/>表示养老领域知识图谱中头实体和尾实体随机替换后而得的三元组向量。γ为正负样本之间的间距大小，是一个常数，通常取1。L表示抽取的实体-关系-实体的损失函数，通过随机梯度下降进行迭代训练，使得损失函数达到最优。
S504：将养老服务需求映射到知识图谱的节点上，按照步骤S503生成知识表示，每个节点会被转化成一个低维的向量。
S505：对老年用户的运动、心率、睡眠等动态特征进行提取，分析老人可能需要的服务类别集。例如，如果该老年用户运动量过低，则该老年用户可能需要生活类服务；如果该老年用户每分钟的心率或者睡眠数据不在正常范围内，则该老年用户可能需要医疗健康类服务。
S506：针对第i（1≤i≤N）个服务类别，获取该类别的所有养老服务的集合，利用硬性约束过滤条件对集合进行过滤，构成候选服务集合。
S507：利用该第i类别养老服务需求向量与候选服务集合中的养老服务进行余弦相似度的计算，按照相似度的计算结果，选取相似度最高的Top-K作为推荐候选集（K的具体数值可根据实际需要进行设定）。
S508：利用软性约束过滤条件对推荐候选集中的养老服务按照优先级进行重新排序。
S509：将满足第i个类别需求的服务推荐集合保存进服务推荐列表。
S510：令i=i+1，若i≤N，则执行步骤S506，否则输出服务推荐列表。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (9)
1.一种基于知识图谱的个性化服务推荐方法，其特征在于，包括以下步骤：
S101：养老服务需求形式化表示；
S102：养老领域知识图谱的构建；
S103：基于构建的知识图谱，根据用户属性进行养老个性化服务推荐。
2.根据权利要求1所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S101中，养老服务需求形式化的具体表示方法如下所示：
S201：养老服务需求由服务ID、用户ID和需求特征集合三元组组成；
S202：服务需求中的需求特征集合中包含若干需求特征；
S203：每个需求特征包括需求特征名称、需求特征关系、需求特征值和需求特征优先级。
3.根据权利要求1所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S102中，构建所述的养老领域知识图谱的具体方法如下所示：
S301：养老服务知识抽取，从文本中发现和抽取养老服务的实体与关系，并根据数据结构格式的不同，包括对结构化数据的抽取、对半结构化数据的抽取和对非结构化数据的抽取；
S302：养老服务知识融合，对从不同数据源中抽取的实体和关系，如果是同一个实体或关系，则将它们融合为一个实体或关系；
S303：养老服务知识存储，将抽取融合后的养老服务知识进行存储。
4.根据权利要求3所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S301中，对结构化数据的抽取的方法具体如下所示：
将数据表名转化为对应的实体或关系名；
将数据表中行数据中的主键转化为实体或关系ID；
将数据表的列转化成实体或关系的属性；
将数据表中的具体数值转化为对应实体或关系的属性值。
5.根据权利要求3所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S301中，对半结构化数据的抽取的方法具体如下所示：
对养老服务网站进行数据爬虫；
根据XPath或CSS选择器结构化模式进行形式化数据抽取；
获得结构化数据并存入数据库中，进而按照结构化数据的抽取方法进行知识抽取。
6.根据权利要求3所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S301中，对非结构化数据的抽取的方法具体如下所示：
S401：将非结构化文本数据以句子为单位进行分解并存放到表中；
S402：抽取每个句子中的候选实体；
S403：同一句子中不同实体之间形成候选实体对；
S404：抽取候选实体对的文本特征，所述的文本特征包括实体开始下标、实体结束下标、分词结果、词性标注和命名实体标注；
S405：利用标注规则进行数据标注；
S406：利用标注好的数据训练分类模型；
S407：利用训练好的模型，结合S404抽取的候选实体文本特征进行知识抽取。
7.根据权利要求3所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S302中，所述的知识融合的具体方法如下所示：
对步骤S301中抽取的实体或关系进行相似度计算；
如果相似度大于设定的阈值，则进行融合，否则不进行融合。
8.根据权利要求3所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S303中，所述的知识存储的具体方法包括：
以知识图谱中每个节点表示一个实体，每条边表示一种关系；
利用图数据库对抽取融合后的养老领域知识进行存储。
9.根据权利要求1所述的一种基于知识图谱的个性化服务推荐方法，其特征在于，在所述的步骤S103中，基于构建的知识图谱，根据用户属性进行养老服务推荐的具体方法包括：
S501：将老年用户的静态特征进行养老服务需求形式化表示，形成硬性约束过滤条件，所述的静态特征包括性别、年龄、居住地和收入情况；
S502：将老年用户描述的个性化需求，按照养老服务需求形式化表示方法进行表示，形成软性约束过滤条件；
S503：将养老领域知识图谱中的实体－关系－实体按照下面的公式进行训练：
；
表示养老领域知识图谱中正确的三元组向量，/>表示养老领域知识图谱中头实体和尾实体随机替换后而得的三元组向量；γ为正负样本之间的间距大小，是一个常数，通常取1；L表示抽取的实体-关系-实体的损失函数；通过随机梯度下降进行迭代训练，使得损失函数达到最优；
S504：将养老服务需求映射到知识图谱的节点上，按照补正S503生成知识表示，每个节点会被转化成一个低维的向量；
S505：对老年用户的动态特征进行提取，分析老人可能需要的服务类别集，所述的动态特征包括性别、年龄、居住地和收入情况；
S506：针对第i（1≤i≤N）个服务类别，获取该类别的所有养老服务的集合，利用硬性约束过滤条件对集合进行过滤，构成候选服务集合；
S507：利用该第i类别养老服务需求向量与候选服务集合中的养老服务进行余弦相似度的计算，按照相似度的计算结果，选取相似度最高的Top-K作为推荐候选集，K表示预设的数值；
S508：利用软性约束过滤条件对推荐候选集中的养老服务按照优先级进行重新排序；
S509：将满足第i个类别需求的服务推荐集合保存进服务推荐列表；
S510：令i=i+1，若i≤N，则执行步骤S506，否则输出服务推荐列表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311282806.XA CN117011004A (zh) | 2023-10-07 | 2023-10-07 | 一种基于知识图谱的个性化服务推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311282806.XA CN117011004A (zh) | 2023-10-07 | 2023-10-07 | 一种基于知识图谱的个性化服务推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117011004A true CN117011004A (zh) | 2023-11-07 |
Family
ID=88567617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311282806.XA Pending CN117011004A (zh) | 2023-10-07 | 2023-10-07 | 一种基于知识图谱的个性化服务推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011004A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130082993A (ko) * | 2011-12-26 | 2013-07-22 | 권혁문 | 노인문제 해결을 위한 원스톱 서비스 시스템 |
| 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 |
| CN114840777A (zh) * | 2022-07-04 | 2022-08-02 | 杭州城市大脑有限公司 | 多维度养老服务推荐方法、装置以及电子设备 |
| CN115563977A (zh) * | 2022-09-02 | 2023-01-03 | 山东师范大学 | 基于知识图谱的养生保健知识推荐方法及系统 |
| CN115587915A (zh) * | 2022-09-16 | 2023-01-10 | 郑州大学 | 基于康复医联网和医联体的智慧网络平台及使用方法 |
-
2023
- 2023-10-07 CN CN202311282806.XA patent/CN117011004A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130082993A (ko) * | 2011-12-26 | 2013-07-22 | 권혁문 | 노인문제 해결을 위한 원스톱 서비스 시스템 |
| 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 |
| CN114840777A (zh) * | 2022-07-04 | 2022-08-02 | 杭州城市大脑有限公司 | 多维度养老服务推荐方法、装置以及电子设备 |
| CN115563977A (zh) * | 2022-09-02 | 2023-01-03 | 山东师范大学 | 基于知识图谱的养生保健知识推荐方法及系统 |
| CN115587915A (zh) * | 2022-09-16 | 2023-01-10 | 郑州大学 | 基于康复医联网和医联体的智慧网络平台及使用方法 |
Non-Patent Citations (1)
| Title |
|---|
| 甄卓然: "基于知识图谱的养老服务需求感知系统设计与实现", 中国优秀硕士学位论文全文数据库 社会科学I辑, pages 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kirilenko et al. | Inter-coder agreement in one-to-many classification: fuzzy kappa | |
| Zhang et al. | Scientific evolutionary pathways: Identifying and visualizing relationships for scientific topics | |
| CN111753098A (zh) | 一种基于跨媒体动态知识图谱的教学方法及系统 | |
| Mondal et al. | A course recommendation system based on grades | |
| Aslany | The Indian middle class, its size, and urban-rural variations | |
| Duckham et al. | An algebraic approach to automated geospatial information fusion | |
| Friesen et al. | Determining factors for slum growth with predictive data mining methods | |
| CN111858940A (zh) | 一种基于多头注意力的法律案例相似度计算方法及系统 | |
| CN111368072A (zh) | 基于BTM和GloVe相似度线性融合的微博热点话题发现算法 | |
| Liu et al. | Recommending attractive thematic regions by semantic community detection with multi-sourced VGI data | |
| CN113673943A (zh) | 一种基于履历大数据的人员任免辅助决策方法及系统 | |
| CN116738066B (zh) | 乡村旅游服务推荐方法、装置、电子设备及存储介质 | |
| Wu et al. | Research themes of geographical information science during 1991–2020: a retrospective bibliometric analysis | |
| Bai et al. | Heri-graphs: a dataset creation framework for multi-modal machine learning on graphs of heritage values and attributes with social media | |
| Lopez et al. | Country image appraisal: More than just ticking boxes | |
| Relia et al. | Socio-spatial self-organizing maps: using social media to assess relevant geographies for exposure to social processes | |
| Persia et al. | Improving orienteering-based tourist trip planning with social sensing | |
| Kung et al. | Intelligent pig‐raising knowledge question‐answering system based on neural network schemes | |
| Xu et al. | Exploring the potential of BERT-BiLSTM-CRF and the attention mechanism in building a tourism knowledge graph | |
| CN118504586A (zh) | 一种基于大语言模型的用户风险行为感知方法及相关设备 | |
| Bai | Variable incremental adaptive learning model based on knowledge graph and its application in online learning system | |
| Zhu et al. | Exploring the key factors of old Neighborhood environment affecting physical and mental health of the elderly in skipped-generation household using an RST-DEMATEL model | |
| Keskin et al. | Modeling and Querying Fuzzy SOLAP-Based Framework | |
| Zhao et al. | [Retracted] Evaluation of Teachers’ Educational Technology Ability Based on Fuzzy Clustering Generalized Regression Neural Network | |
| CN117391765A (zh) | 一种药店会员群体画像构建方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231107 |