CN117745395A - 基于个性化居家养老服务的ai信息推送方法及系统 - Google Patents
基于个性化居家养老服务的ai信息推送方法及系统 Download PDFInfo
- Publication number
- CN117745395A CN117745395A CN202410183077.0A CN202410183077A CN117745395A CN 117745395 A CN117745395 A CN 117745395A CN 202410183077 A CN202410183077 A CN 202410183077A CN 117745395 A CN117745395 A CN 117745395A
- Authority
- CN
- China
- Prior art keywords
- template
- data
- personalized demand
- feedback data
- personalized
- 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 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 97
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000010801 machine learning Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 10
- 235000005911 diet Nutrition 0.000 description 23
- 230000037213 diet Effects 0.000 description 23
- 230000036541 health Effects 0.000 description 22
- 238000007726 management method Methods 0.000 description 13
- 244000141353 Prunus domestica Species 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 235000020785 dietary preference Nutrition 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 235000004280 healthy diet Nutrition 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002716 delivery method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 235000006180 nutrition needs Nutrition 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000020803 food preference Nutrition 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000004213 low-fat Nutrition 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于个性化居家养老服务的AI信息推送方法及系统,通过机器学习网络对各个模板养老服务反馈数据进行处理,并且能根据这些模板养老服务反馈数据不断对机器学习网络进行参数更新,这种动态调整和优化方式能够实时适应各种变化,提高服务质量。通过自注意力编码,够对目标养老服务反馈数据进行深度分析和理解,以便生成更为准确的个性化需求预测。此外,还可以根据这些预测结果继续进行AI信息推送,从而形成一个持续优化、自我改进的循环。由此,通过多层级的AI神经网络训练和优化,以及对用户反馈数据的深度处理和分析,实现了对养老服务个性化需求的高精度预测和定制化信息推送,显著提升了居家养老服务的智能化水平和用户体验。
Description
技术领域
本申请涉及人工智能技术领域,具体而言,涉及一种基于个性化居家养老服务的AI信息推送方法及系统。
背景技术
随着社会的进步和人口老龄化的加剧,居家养老服务的需求日益增长,对服务的个性化和精细化要求也越来越高。传统的居家养老服务往往缺乏个性化,无法满足不同老年人的多样化需求。因此,如何准确地了解和预测老年人的个性化需求,提供定制化的服务,成为居家养老服务领域亟待解决的问题。
在现有的居家养老服务系统中,大部分服务模式仍然是一种标准化、通用化的形式,往往难以满足不同老年人的个性化需求。这主要是因为每位老年人的生活习惯、身体状况、健康需求等方面都有所不同,而传统的服务方式往往难以进行精细化的区分和对应。
另外,当前的养老服务反馈数据处理多采用人工操作,效率较低,且易出错。特别是当用户数量众多时,如何快速准确地处理大量的反馈数据,是一项具有挑战性的任务。此外,由于缺乏有效的预测机制,养老服务提供者往往难以准确把握未来的服务需求,从而影响了服务质量和用户满意度。
发明内容
有鉴于此,本申请的目的在于提供一种基于个性化居家养老服务的AI信息推送方法及系统。
依据本申请的第一方面,提供一种基于个性化居家养老服务的AI信息推送方法,所述方法包括:
获取居家养老服务平台上传的多个模板养老服务反馈数据和各个模板养老服务反馈数据的个性化需求标签数据,每个模板养老服务反馈数据的个性化需求标签数据用于反映基于专家知识标注生成的所述每个模板养老服务反馈数据的个性化需求字段;
依据机器学习网络确定所述各个模板养老服务反馈数据的第一个性化需求预测数据,每个模板养老服务反馈数据的第一个性化需求预测数据用于反映依据所述机器学习网络输出的所述每个模板养老服务反馈数据的个性化需求字段;
针对每个个性化需求标签数据,依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络;
依据所述每个个性化需求标签数据对应的第一AI神经网络确定所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第二个性化需求预测数据,每个模板养老服务反馈数据的第二个性化需求预测数据用于反映依据所述每个个性化需求标签数据对应的第一AI神经网络输出的所述每个模板养老服务反馈数据的个性化需求字段;
依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成目标AI神经网络,依据所述目标AI神经网络对目标养老服务用户的目标养老服务反馈数据进行自注意力编码,生成所述目标养老服务反馈数据的自注意力编码向量,依据所述目标AI神经网络根据所述自注意力编码向量进行个性化需求预测,生成所述目标养老服务反馈数据的目标个性化需求字段,并根据所述目标个性化需求字段对所述目标养老服务用户进行AI信息推送。
在第一方面的一种可能的实施方式中,所述依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络,包括:
依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,确定所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数;
依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络。
在第一方面的一种可能的实施方式中,所述依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络,包括:
依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,确定所述每个个性化需求标签数据对应的网络参数更新信息;
将所述每个个性化需求标签数据对应的网络参数更新信息与所述机器学习网络的网络参数进行融合,生成融合后的网络参数,所述融合后的网络参数为所述每个个性化需求标签数据对应的第一AI神经网络的网络参数。
在第一方面的一种可能的实施方式中,所述依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,确定所述每个个性化需求标签数据对应的网络参数更新信息,包括:
对所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数进行均值计算,生成所述每个个性化需求标签数据对应的第一训练均值误差参数;
依据所述每个个性化需求标签数据对应的第一训练均值误差参数,对所述机器学习网络的网络参数进行导数计算,生成所述每个个性化需求标签数据对应的第一导数计算参数;
依据所述每个个性化需求标签数据对应的第一导数计算参数和所述机器学习网络的网络参数,确定所述每个个性化需求标签数据对应的网络参数更新信息。
在第一方面的一种可能的实施方式中,所述依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成目标AI神经网络,包括:
依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成第二AI神经网络,所述第二AI神经网络包括自注意力层和第一全连接层;
依据所述第二AI神经网络确定所述多个模板养老服务反馈数据的第三个性化需求预测数据,每个模板养老服务反馈数据的第三个性化需求预测数据用于反映依据所述第二AI神经网络输出的所述每个模板养老服务反馈数据的个性化需求字段;
依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,对所述第一全连接层进行参数更新,生成第二全连接层;
依据所述自注意力层和所述第二全连接层,确定目标AI神经网络。
在第一方面的一种可能的实施方式中,所述依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成第二AI神经网络,包括:
依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,确定所述多个模板养老服务反馈数据的第二训练误差参数;
依据所述多个模板养老服务反馈数据的第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络。
在第一方面的一种可能的实施方式中,所述依据所述多个模板养老服务反馈数据的第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络,包括:
依据所述多个模板养老服务反馈数据的第一训练误差参数和第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络。
在第一方面的一种可能的实施方式中,所述依据所述第二AI神经网络确定所述多个模板养老服务反馈数据的第三个性化需求预测数据,包括:
依据所述自注意力层对所述多个模板养老服务反馈数据进行自注意力编码,生成所述多个模板养老服务反馈数据的第一自注意力向量;
对所述多个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述多个模板养老服务反馈数据的第二自注意力向量;
依据所述第一全连接层,依据所述多个模板养老服务反馈数据的第二自注意力向量,对所述多个模板养老服务反馈数据进行个性化需求预测处理,生成所述多个模板养老服务反馈数据的第三个性化需求预测数据;
所述对所述多个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述多个模板养老服务反馈数据的第二自注意力向量,包括:
依据所述第一全连接层,依据所述多个模板养老服务反馈数据的第一自注意力向量,对所述多个模板养老服务反馈数据进行个性化需求预测处理,生成所述多个模板养老服务反馈数据的第四个性化需求预测数据,所述每个模板养老服务反馈数据的第四个性化需求预测数据用于反映依据所述每个模板养老服务反馈数据的第一自注意力向量输出的所述每个模板养老服务反馈数据的个性化需求字段;
依据所述每个模板养老服务反馈数据的第四个性化需求预测数据和个性化需求标签数据,确定所述每个模板养老服务反馈数据的第三训练误差参数;
依据所述每个模板养老服务反馈数据的第三训练误差参数,对所述第一全连接层进行反向传播处理,生成所述每个模板养老服务反馈数据的训练优化信息;
依据所述每个模板养老服务反馈数据的训练优化信息,对所述每个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述每个模板养老服务反馈数据的第二自注意力向量。
在第一方面的一种可能的实施方式中,所述依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,对所述第一全连接层进行参数更新,生成第二全连接层,包括:
依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,确定所述多个模板养老服务反馈数据的第四训练误差参数;
依据所述多个模板养老服务反馈数据的第三训练误差参数和第四训练误差参数,对所述第一全连接层进行参数更新,生成第二全连接层。
依据本申请的第二方面,提供一种基于个性化居家养老服务的AI信息推送系统,所述基于个性化居家养老服务的AI信息推送系统包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该基于个性化居家养老服务的AI信息推送系统实现前述的基于个性化居家养老服务的AI信息推送方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,在所述计算机可执行指令被执行时,实现前述的基于个性化居家养老服务的AI信息推送方法。
依据上述任意一个方面,本申请的技术效果在于:
通过结合居家养老服务平台上传的模板养老服务反馈数据与专家知识标注的个性化需求标签数据,实现了对养老服务个性化需求的精确预测与信息推送。具体来说,利用机器学习网络对模板数据进行初步个性化需求预测,进而根据预测结果与标签数据的对比进行网络的参数更新,生成针对每个个性化需求标签数据的第一AI神经网络,从而能够准确地学习和理解各种养老服务需求的特点和差异。进一步地,通过第一AI神经网络对模板数据进行二次个性化需求预测,再次与标签数据进行对比,对机器学习网络进行参数更新,最终生成目标AI神经网络,该目标AI神经网络不仅具备高度精确的需求预测能力,而且能够自适应地学习和优化,以适应不断变化的养老服务需求。此外,还利用目标AI神经网络对目标养老服务用户的目标养老服务反馈数据进行自注意力编码,生成自注意力编码向量。这一步骤有效地提取了用户反馈中的关键信息,为后续的个性化需求预测提供了有力支持。最终,根据自注意力编码向量进行个性化需求预测,生成目标养老服务反馈数据的目标个性化需求字段,并据此对目标养老服务用户进行AI信息推送。这一过程实现了对用户需求的精准响应,大大提高了养老服务的个性化和满意度。由此,通过多层级的AI神经网络训练和优化,以及对用户反馈数据的深度处理和分析,实现了对养老服务个性化需求的高精度预测和定制化信息推送,显著提升了居家养老服务的智能化水平和用户体验。
通过机器学习网络对各个模板养老服务反馈数据进行处理,并且能根据这些模板养老服务反馈数据不断对机器学习网络进行参数更新,这种动态调整和优化方式能够实时适应各种变化,提高服务质量。通过自注意力编码,够对目标养老服务反馈数据进行深度分析和理解,以便生成更为准确的个性化需求预测。此外,还可以根据这些预测结果继续进行AI信息推送,从而形成一个持续优化、自我改进的循环。由此,通过多层级的AI神经网络训练和优化,以及对用户反馈数据的深度处理和分析,实现了对养老服务个性化需求的高精度预测和定制化信息推送,显著提升了居家养老服务的智能化水平和用户体验。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于个性化居家养老服务的AI信息推送方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的基于个性化居家养老服务的AI信息推送方法的基于个性化居家养老服务的AI信息推送系统的组件结构示意图。
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,下面将依据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加至少一个其它操作,也可以从流程图中销毁至少一个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。依据本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都对应于本申请保护的范围。
图1示出了本申请实施例提供的基于个性化居家养老服务的AI信息推送方法及系统的流程示意图,应当理解,在其它实施例中,本实施例的基于个性化居家养老服务的AI信息推送方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该基于个性化居家养老服务的AI信息推送方法的详细步骤包括:
步骤S110,获取居家养老服务平台上传的多个模板养老服务反馈数据和各个模板养老服务反馈数据的个性化需求标签数据,每个模板养老服务反馈数据的个性化需求标签数据用于反映基于专家知识标注生成的所述每个模板养老服务反馈数据的个性化需求字段。
本实施例中,所述居家养老服务平台是一个专门为老年人提供居家养老服务的信息平台,整合了各类养老服务资源,通过信息化手段,为老年人提供便捷、个性化的养老服务。比如智慧养老云平台,老年人或其家属可以通过该平台预约家政服务、健康管理、心理咨询等养老服务,智慧养老云平台会根据老年人的需求和偏好,推荐合适的服务供应商。
所述模板养老服务反馈数据是指居家养老服务平台收集的关于老年人接受养老服务后的样本反馈信息,这些样本反馈信息按照一定的格式或模板进行整理。例如,一份模板养老服务反馈数据可能包括老年人的基本信息(如姓名、年龄)、接受的服务类型(如家政服务、健康管理)、服务评价(如满意度评分、文字评价)、服务使用行为等。
所述个性化需求标签数据是指对养老服务反馈数据进行深入分析后,提取出的反映老年人个性化需求的数据标签。例如,如果一个老年人在反馈中提到需要“低糖饮食”,那么这个“低糖饮食”就可以作为一个个性化需求标签。这样的个性化需求标签数据可以帮助服务供应商更准确地了解老年人的需求,并提供符合其需求的服务。
所述个性化需求字段是指描述老年人个性化需求的特定数据项或信息点。举例说明,在养老服务反馈数据中,“饮食偏好”可以是一个个性化需求字段,其下可能包括“低盐”、“低糖”、“素食”等具体的个性化需求标签。
专家知识标注是指利用专家的专业知识和经验,对养老服务反馈数据进行解读和标注,以提取出其中的个性化需求字段和标签。例如,居家养老服务平台可能会聘请具有医学、营养学等背景的专家,对老年人的健康相关的反馈数据进行专业分析,标注出与“健康问题”、“营养需求”等相关的个性化需求字段和标签。
步骤S120,依据机器学习网络确定所述各个模板养老服务反馈数据的第一个性化需求预测数据,每个模板养老服务反馈数据的第一个性化需求预测数据用于反映依据所述机器学习网络输出的所述每个模板养老服务反馈数据的个性化需求字段。
本实施例中,所述机器学习网络是已经训练过或者未训练过初始化的模型,能够处理输入数据并产生预测输出。所述第一个性化需求预测数据是机器学习网络处理模板养老服务反馈数据后输出的初步预测结果,反映老年人的可能个性化需求。
例如,有一份新的模板养老服务反馈数据输入到这个机器学习网络中。
这份模板养老服务反馈数据可能包含以下内容:
基本信息:李先生,70岁。
服务类型:居家清洁、健康饮食指导。
服务评价:对居家清洁服务满意,但希望健康饮食指导更加个性化,因为有特定的饮食禁忌。
当这份模板养老服务反馈数据输入到机器学习网络中时,可以分析并输出第一个性化需求预测数据。在这个例子中,第一个性化需求预测数据可能表明李先生有“特定的饮食禁忌”这一个性化需求。这个预测结果就是基于机器学习网络对输入数据的处理和分析得出的。
步骤S130,针对每个个性化需求标签数据,依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络。
例如,假设有一个关于“饮食偏好”的个性化需求标签数据,这个个性化需求标签数据下可能包含“素食”、“低糖”、“低盐”等不同的具体需求。
当机器学习网络对模板养老服务反馈数据进行处理并输出第一个性化需求预测数据时,可以得到老年人可能有的饮食偏好预测。比如,对于李先生,初步预测他可能需要“低糖”饮食。
然后,将这个预测结果与李先生真实的个性化需求标签数据进行比较。如果李先生确实需要“低糖”饮食,那么这个预测是准确的;如果不是,那么需要对机器学习网络的参数进行调整,以减少这种预测误差。
通过多次这样的比较和调整,可以逐步优化网络参数,使得针对“饮食偏好”这个个性化需求标签的预测更加准确。最终,会得到一个专门用于预测“饮食偏好”这个特定需求的AI神经网络,即第一AI神经网络。
这样,当再有新的养老服务反馈数据输入时,可以直接使用这个优化过的第一AI神经网络进行快速、准确的个性化需求预测,为老年人提供更加贴心的服务。
步骤S140,依据所述每个个性化需求标签数据对应的第一AI神经网络确定所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第二个性化需求预测数据,每个模板养老服务反馈数据的第二个性化需求预测数据用于反映依据所述每个个性化需求标签数据对应的第一AI神经网络输出的所述每个模板养老服务反馈数据的个性化需求字段。
本实施例中,所述第一AI神经网络是经过优化和训练后,专门用于预测某个特定个性化需求(如“饮食偏好”)的神经网络模型。
所述第二个性化需求预测数据是基于第一AI神经网络处理模板养老服务反馈数据后输出的更精确、更个性化的预测结果。所述个性化需求字段在模板养老服务反馈数据中代表了老年人具体的个性化需求。
举例说明,假设已经为“饮食偏好”这个个性化需求标签训练出了一个高效的第一AI神经网络。现在,有一份新的模板养老服务反馈数据输入到这个第一AI神经网络中。
这份模板养老服务反馈数据可能包含以下内容:
基本信息:王女士,65岁。
服务类型:健康饮食指导。
服务评价:希望饮食计划能更加符合个人的营养需求和口味偏好。
当这份模板养老服务反馈数据输入到专门预测“饮食偏好”的第一AI神经网络中时,可以进行深入分析并输出第二个性化需求预测数据。在这个例子中,预测数据可能表明王女士需要“高蛋白、低脂肪、偏爱川菜口味”的饮食计划。
这个第二个性化需求预测数据是基于第一AI神经网络对输入数据的深度处理和分析得出的,因此相比初步预测数据更加精确和个性化。
这样,就可以根据这个更精确的预测结果为王女士制定完全符合她个人营养需求和口味偏好的饮食计划,提供更高质量的服务。
步骤S150,依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成目标AI神经网络,依据所述目标AI神经网络对目标养老服务用户的目标养老服务反馈数据进行自注意力编码,生成所述目标养老服务反馈数据的自注意力编码向量,依据所述目标AI神经网络根据所述自注意力编码向量进行个性化需求预测,生成所述目标养老服务反馈数据的目标个性化需求字段,并根据所述目标个性化需求字段对所述目标养老服务用户进行AI信息推送。
例如,所述自注意力编码是一种先进的深度学习技术,可以使神经网络在处理数据时有选择性地关注更重要的部分。在这里,它用于处理目标养老服务反馈数据,生成自注意力编码向量。
假设已经收集了大量老年人的模板养老服务反馈数据,并经过第一AI神经网络的处理得到了第二个性化需求预测数据。现在,要为一位特定的目标养老服务用户(比如张先生)提供更加个性化的服务。
首先,将张先生的目标养老服务反馈数据输入到目标AI神经网络中。这份数据可能包括他的基本信息、过去接受的服务类型、服务评价等。所述目标AI神经网络利用自注意力编码技术处理张先生的反馈数据,生成一个自注意力编码向量。这个自注意力编码向量能够突出张先生反馈中最重要的部分,比如他特别提到的健康问题或饮食偏好。基于自注意力编码向量,目标AI神经网络进一步分析并生成张先生的目标个性化需求字段。例如,可能预测出张先生需要“定期健康检查”和“低糖饮食计划”。最后,根据这些目标个性化需求字段,可以为张先生推送相关信息和服务建议。比如,推荐合适的健康检查套餐和符合他饮食偏好的营养餐。基于以上步骤,能够为每位老年人提供更加精细化、个性化的养老服务。
基于以上步骤,本申请实施例通过结合居家养老服务平台上传的模板养老服务反馈数据与专家知识标注的个性化需求标签数据,实现了对养老服务个性化需求的精确预测与信息推送。具体来说,利用机器学习网络对模板数据进行初步个性化需求预测,进而根据预测结果与标签数据的对比进行网络的参数更新,生成针对每个个性化需求标签数据的第一AI神经网络,从而能够准确地学习和理解各种养老服务需求的特点和差异。进一步地,通过第一AI神经网络对模板数据进行二次个性化需求预测,再次与标签数据进行对比,对机器学习网络进行参数更新,最终生成目标AI神经网络,该目标AI神经网络不仅具备高度精确的需求预测能力,而且能够自适应地学习和优化,以适应不断变化的养老服务需求。此外,还利用目标AI神经网络对目标养老服务用户的目标养老服务反馈数据进行自注意力编码,生成自注意力编码向量。这一步骤有效地提取了用户反馈中的关键信息,为后续的个性化需求预测提供了有力支持。最终,根据自注意力编码向量进行个性化需求预测,生成目标养老服务反馈数据的目标个性化需求字段,并据此对目标养老服务用户进行AI信息推送。这一过程实现了对用户需求的精准响应,大大提高了养老服务的个性化和满意度。由此,通过多层级的AI神经网络训练和优化,以及对用户反馈数据的深度处理和分析,实现了对养老服务个性化需求的高精度预测和定制化信息推送,显著提升了居家养老服务的智能化水平和用户体验。
在一种可能的实施方式中,步骤S130可以包括:
步骤S131,依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,确定所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数。
步骤S132,依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络。
例如,首先依据每个个性化需求标签数据(比如“饮食偏好”、“健康需求”等)对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,确定每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数。比如,对张女士的养老服务反馈数据进行了分析。张女士在反馈中提到,她希望得到的饮食指导能够更加符合她的个人口味和健康需求。那么,可以将这份反馈数据与“饮食偏好”和“健康需求”这两个个性化需求标签数据进行了比对,并计算出了第一训练误差参数,这个第一训练误差参数反映了初步预测的饮食计划与张女士真实需求之间的差异。
接下来,在收集了大量类似张女士这样的反馈数据后,开始对这些第一训练误差参数进行综合分析。它发现,很多老年人在“饮食偏好”和“健康需求”这两个方面都有特殊的要求。于是,针对这两个个性化需求标签,对原有的机器学习网络进行了参数更新,生成了两个专门用于预测老年人饮食偏好和健康需求的第一AI神经网络。
通过这样的步骤,本实施例能够不断优化其预测能力,为每位老年人提供更加准确、个性化的服务建议和信息推送。同时,随着更多反馈数据的积累和网络参数的持续更新,这个居家养老服务平台的服务质量和用户满意度也会不断提升。
在一种可能的实施方式中,步骤S132可以包括:
步骤S1321,依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,确定所述每个个性化需求标签数据对应的网络参数更新信息。
步骤S1322,将所述每个个性化需求标签数据对应的网络参数更新信息与所述机器学习网络的网络参数进行融合,生成融合后的网络参数,所述融合后的网络参数为所述每个个性化需求标签数据对应的第一AI神经网络的网络参数。
例如,假设分析了与“健康管理”标签相关的模板养老服务反馈数据。通过比较预测的健康管理计划与老年人的实际反馈,计算得到了第一训练误差参数。这些第一误差参数用于反映在哪些方面(如锻炼建议、饮食计划等)其预测与老年人的实际需求存在差距。基于这些误差参数,生成了针对“健康管理”标签的网络参数更新信息。
在得到与“健康管理”标签相关的网络参数更新信息后,开始将这些网络参数更新信息与其原始的机器学习网络参数进行融合。这个融合过程是一个精细的调整过程,需要确保新的参数既能反映老年人的个性化需求,又能保持网络的整体稳定性。经过一系列的计算和验证,最终生成了与“健康管理”标签对应的第一AI神经网络的网络参数。
基于以上步骤,可以不断地根据老年人的实际反馈调整其服务预测模型,确保提供的养老服务更加贴近老年人的真实需求。同时,随着更多反馈数据的积累和模型的持续优化,这个养老服务机构的服务质量和用户满意度也会不断提升。
在一种可能的实施方式中,步骤S1321可以包括:
1、对所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数进行均值计算,生成所述每个个性化需求标签数据对应的第一训练均值误差参数。
2、依据所述每个个性化需求标签数据对应的第一训练均值误差参数,对所述机器学习网络的网络参数进行导数计算,生成所述每个个性化需求标签数据对应的第一导数计算参数。
3、依据所述每个个性化需求标签数据对应的第一导数计算参数和所述机器学习网络的网络参数,确定所述每个个性化需求标签数据对应的网络参数更新信息。
例如,首先收集了大量与“健康管理”个性化需求标签相关的养老服务反馈数据,这些养老服务反馈数据包括老年人的健康状况、锻炼习惯、饮食偏好等方面的信息。通过对这些养老服务反馈数据进行处理和分析,计算得到了第一训练误差参数。然后,对这些了第一训练误差参数进行均值计算,得到了“健康管理”标签对应的第一训练均值误差参数。这个均值误差参数反映了在预测老年人健康管理需求方面的整体准确度。
在得到“健康管理”标签对应的第一训练均值误差参数后,开始对这个第一训练均值误差参数进行导数计算。这个导数计算过程是为了找出哪些网络参数对预测误差的影响最大,从而确定需要重点调整的网络参数。经过计算,得到了与“健康管理”标签对应的第一导数计算参数。
在得到第一导数计算参数后,开始确定需要更新的网络参数。这个过程涉及对原始网络参数的调整和优化,以减小预测误差并提高模型的预测能力。将第一导数计算参数与网络参数进行对比和分析,确定了针对“健康管理”标签的网络参数更新信息。这些信息指明了哪些网络参数需要进行调整以及调整的具体幅度和方向。
基于以上步骤,能够精确地定位到需要优化的网络参数,并生成相应的更新信息。这些更新信息将被用于改进服务预测模型,提高模型的准确性和适应性,从而为老年人提供更加个性化、贴心的养老服务。
在一种可能的实施方式中,步骤S150可以包括:
步骤S151,依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成第二AI神经网络,所述第二AI神经网络包括自注意力层和第一全连接层。
例如,依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据之间的差异,可以对原始的机器学习网络进行参数更新,生成了第二AI神经网络。这个第二AI神经网络的特点是包含了自注意力层和第一全连接层,其中自注意力层能够帮助第二AI神经网络更好地关注重要的输入信息,而第一全连接层则负责将自注意力层的输出转化为最终的预测结果。
步骤S152,依据所述第二AI神经网络确定所述多个模板养老服务反馈数据的第三个性化需求预测数据,每个模板养老服务反馈数据的第三个性化需求预测数据用于反映依据所述第二AI神经网络输出的所述每个模板养老服务反馈数据的个性化需求字段。
例如,在得到第二AI神经网络后,开始使用这个到第二AI神经网络对新的模板养老服务反馈数据进行预测。通过输入这些模板养老服务反馈数据,第二AI神经网络输出了对应的第三个性化需求预测数据。这些第三个性化需求预测数据反映了根据网络预测结果对每个老年人的个性化养老服务需求的判断。
步骤S153,依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,对所述第一全连接层进行参数更新,生成第二全连接层。
例如,在得到第三个性化需求预测数据后,将其与实际的个性化需求标签数据进行对比和分析。基于这个对比结果,对第一全连接层进行参数更新,生成了第二全连接层。这个新的全连接层能够更好地适应和反映老年人的个性化需求,提高预测的准确性。
步骤S154,依据所述自注意力层和所述第二全连接层,确定目标AI神经网络。
在得到第二全连接层后,将其与自注意力层结合,生成了最终的目标AI神经网络。这个目标AI神经网络结合了自注意力机制的优势和全连接层的强大拟合能力,能够更准确地预测和满足老年人的个性化养老服务需求。
基于以上步骤,可以不断地优化其预测模型,确保提供的养老服务更加符合老年人的实际需求。同时,随着更多数据的积累和模型的持续优化,这个养老服务机构的服务质量和用户满意度也会不断提升。
在一种可能的实施方式中,步骤S151可以包括:
步骤S1511,依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,确定所述多个模板养老服务反馈数据的第二训练误差参数。
步骤S1512,依据所述多个模板养老服务反馈数据的第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络。
例如,依据所述多个模板养老服务反馈数据的第一训练误差参数和第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络。
在一种可能的实施方式中,步骤S153可以包括:
步骤S1521,依据所述自注意力层对所述多个模板养老服务反馈数据进行自注意力编码,生成所述多个模板养老服务反馈数据的第一自注意力向量。
步骤S1522,对所述多个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述多个模板养老服务反馈数据的第二自注意力向量。
步骤S1523,依据所述第一全连接层,依据所述多个模板养老服务反馈数据的第二自注意力向量,对所述多个模板养老服务反馈数据进行个性化需求预测处理,生成所述多个模板养老服务反馈数据的第三个性化需求预测数据。
在步骤S1522中,可以包括:
1、依据所述第一全连接层,依据所述多个模板养老服务反馈数据的第一自注意力向量,对所述多个模板养老服务反馈数据进行个性化需求预测处理,生成所述多个模板养老服务反馈数据的第四个性化需求预测数据,所述每个模板养老服务反馈数据的第四个性化需求预测数据用于反映依据所述每个模板养老服务反馈数据的第一自注意力向量输出的所述每个模板养老服务反馈数据的个性化需求字段。
2、依据所述每个模板养老服务反馈数据的第四个性化需求预测数据和个性化需求标签数据,确定所述每个模板养老服务反馈数据的第三训练误差参数。
3、依据所述每个模板养老服务反馈数据的第三训练误差参数,对所述第一全连接层进行反向传播处理,生成所述每个模板养老服务反馈数据的训练优化信息。
4、依据所述每个模板养老服务反馈数据的训练优化信息,对所述每个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述每个模板养老服务反馈数据的第二自注意力向量。
例如,所述多个模板养老服务反馈数据的第一自注意力向量作为输入,这些第一自注意力向量已经通过自注意力编码处理,突出了数据中的重要特征。利用第一全连接层对这些自注意力向量进行进一步处理。全连接层具备学习和理解数据内在关系的能力,能够将自注意力向量转化为更具代表性的特征表达。通过全连接层的处理,生成了多个模板养老服务反馈数据的第四个性化需求预测数据。这些数据反映了根据第一自注意力向量的输出对每个模板养老服务反馈数据的个性化需求字段的预测结果。
在此基础上,将生成的第四个性化需求预测数据与实际的个性化需求标签数据进行对比。个性化需求标签数据是真实反映老年人服务需求的数据,通过与预测数据的对比,可以计算出每个模板养老服务反馈数据的第三训练误差参数。这些第三训练误差参数反映了在预测个性化需求时的准确程度,为后续的优化提供了依据。
利用计算得到的第三训练误差参数,对第一全连接层进行反向传播处理。反向传播是一种优化神经网络的方法,通过计算误差梯度并更新网络参数,使得网络的预测结果更加接近真实值。在这个过程中,生成了每个模板养老服务反馈数据的训练优化信息,这些信息指导了网络参数的调整方向,有助于提高预测的准确性。
然后,根据生成的训练优化信息,对每个模板养老服务反馈数据的第一自注意力向量进行更新。更新的目的是使得自注意力向量更加准确地反映数据中的重要特征,提高网络的预测性能。通过更新操作,生成了每个模板养老服务反馈数据的第二自注意力向量。这些新的自注意力向量将作为后续预测和学习的输入,进一步提升的预测能力。
基于以上步骤,能够不断优化其预测模型,提高个性化需求预测的准确性和服务质量。随着更多数据的积累和模型的持续优化,这个智能化养老服务机构将能够更好地满足老年人的实际需求,提升用户满意度。
在一种可能的实施方式中,步骤S153可以包括:
步骤S1531,依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,确定所述多个模板养老服务反馈数据的第四训练误差参数。
本实施例中,确定第四训练误差参数(前述的第一、第二、第三训练误差参数同理)的具体计算公式如下:
(MSE = frac{1}{n} sum_{i=1}^{n} (Y_i - hat{Y}_i)^2)
其中:
(n) 是样本数量。
(Y_i) 是第 (i) 个模板养老服务反馈数据的真实个性化需求标签数据。
(hat{Y}_i) 是第 (i) 个模板养老服务反馈数据的第三个性化需求预测数据,即网络输出的预测值。
从而,可以得到第四训练误差参数,反映了预测值与真实个性化需求标签数据之间的平均平方误差。这个第四训练误差参数越小,说明预测准确性越高。
步骤S1532,依据所述多个模板养老服务反馈数据的第三训练误差参数和第四训练误差参数,对所述第一全连接层进行参数更新,生成第二全连接层。
例如,在得到第三训练误差参数和第四训练误差参数后,开始对这些第三训练误差参数和第四训练误差参数进行分析和处理。基于第三训练误差参数和第四训练误差参数的大小和方向,确定了需要对第一全连接层的哪些参数进行调整。参数更新是神经网络优化的关键步骤,通过调整网络中的权重和偏置等参数,可以使得网络的输出更加接近真实值。利用特定的优化算法,如梯度下降算法,对第一全连接层的参数进行更新。这个更新过程可能涉及多次迭代和调整,直到达到预设的训练目标或误差阈值。
示例性的,对于第一全连接层的参数更新,假设该层的权重矩阵为 (W),偏置向量为 (b),学习率为 (eta),则参数更新的计算公式(前述的参数更新同理)如下:
计算损失函数对权重矩阵 (W) 的梯度:(frac{partial Loss}{partial W})
计算损失函数对偏置向量 (b) 的梯度:(frac{partial Loss}{partial b})
更新权重矩阵 (W):(W = W - eta times frac{partial Loss}{partial W})
更新偏置向量 (b):(b = b - eta times frac{partial Loss}{partial b})
这里的 (Loss) 可以是第三训练误差参数和第四训练误差参数的组合,具体取决于如何定义和计算这两个误差参数。
通过多次迭代更新,第一全连接层的参数会逐渐优化,最终生成第二全连接层。新的全连接层具有更新后的权重矩阵和偏置向量,能够更好地学习和理解老年人的个性化服务需求。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于个性化居家养老服务的AI信息推送系统100。
对于一个实施例,图2示出了基于个性化居家养老服务的AI信息推送系统100,该基于个性化居家养老服务的AI信息推送系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,基于个性化居家养老服务的AI信息推送系统100能够作为本申请实施例中所述网关等设备。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于个性化居家养老服务的AI信息推送系统100。
对于一个实施例,图2示出了基于个性化居家养老服务的AI信息推送系统100,该基于个性化居家养老服务的AI信息推送系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,基于个性化居家养老服务的AI信息推送系统100能够作为本申请实施例中所述网关等设备。
一种可替代的实施方式中,基于个性化居家养老服务的AI信息推送系统100可包括具有指令114的至少一个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该至少一个计算机可读介质相汇聚被配置为执行指令114以实现模块从而执行本公开中所述的动作的至少一个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(至少一个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为基于个性化居家养老服务的AI信息推送系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一种可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括至少一个输入/输出控制器,以向NVM/存储设备108及(至少一个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(至少一个)非易失性存储设备(例如,至少一个硬盘驱动器(HDD)、至少一个光盘(CD)驱动器和/或至少一个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为基于个性化居家养老服务的AI信息推送系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(至少一个)输入/输出设备110进行访问。
(至少一个)输入/输出设备110可为基于个性化居家养老服务的AI信息推送系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、在线监控组件组件等。网络接口112可为基于个性化居家养老服务的AI信息推送系统100提供接口以依据至少一个网络通信,基于个性化居家养老服务的AI信息推送系统100可依据至少一个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的至少一个组件进行无线通信,例如接入依据通信标准的无线网络,或它们的组合进行无线通信。
对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,基于个性化居家养老服务的AI信息推送系统100可以但不限于是:台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,基于个性化居家养老服务的AI信息推送系统100可具有更多或更少的组件和/或不同的架构。例如,一种可替代的实施方式中,基于个性化居家养老服务的AI信息推送系统100包括至少一个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于个性化居家养老服务的AI信息推送方法,其特征在于,所述方法包括:
获取居家养老服务平台上传的多个模板养老服务反馈数据和各个模板养老服务反馈数据的个性化需求标签数据,每个模板养老服务反馈数据的个性化需求标签数据用于反映基于专家知识标注生成的所述每个模板养老服务反馈数据的个性化需求字段;
依据机器学习网络确定所述各个模板养老服务反馈数据的第一个性化需求预测数据,每个模板养老服务反馈数据的第一个性化需求预测数据用于反映依据所述机器学习网络输出的所述每个模板养老服务反馈数据的个性化需求字段;
针对每个个性化需求标签数据,依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络;
依据所述每个个性化需求标签数据对应的第一AI神经网络确定所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第二个性化需求预测数据,每个模板养老服务反馈数据的第二个性化需求预测数据用于反映依据所述每个个性化需求标签数据对应的第一AI神经网络输出的所述每个模板养老服务反馈数据的个性化需求字段;
依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成目标AI神经网络,依据所述目标AI神经网络对目标养老服务用户的目标养老服务反馈数据进行自注意力编码,生成所述目标养老服务反馈数据的自注意力编码向量,依据所述目标AI神经网络根据所述自注意力编码向量进行个性化需求预测,生成所述目标养老服务反馈数据的目标个性化需求字段,并根据所述目标个性化需求字段对所述目标养老服务用户进行AI信息推送。
2.根据权利要求1所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络,包括:
依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一个性化需求预测数据和个性化需求标签数据,确定所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数;
依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络。
3.根据权利要求2所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,对所述机器学习网络进行参数更新,生成所述每个个性化需求标签数据对应的第一AI神经网络,包括:
依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,确定所述每个个性化需求标签数据对应的网络参数更新信息;
将所述每个个性化需求标签数据对应的网络参数更新信息与所述机器学习网络的网络参数进行融合,生成融合后的网络参数,所述融合后的网络参数为所述每个个性化需求标签数据对应的第一AI神经网络的网络参数。
4.根据权利要求3所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数,确定所述每个个性化需求标签数据对应的网络参数更新信息,包括:
对所述每个个性化需求标签数据对应的各个模板养老服务反馈数据的第一训练误差参数进行均值计算,生成所述每个个性化需求标签数据对应的第一训练均值误差参数;
依据所述每个个性化需求标签数据对应的第一训练均值误差参数,对所述机器学习网络的网络参数进行导数计算,生成所述每个个性化需求标签数据对应的第一导数计算参数;
依据所述每个个性化需求标签数据对应的第一导数计算参数和所述机器学习网络的网络参数,确定所述每个个性化需求标签数据对应的网络参数更新信息。
5.根据权利要求1所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成目标AI神经网络,包括:
依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成第二AI神经网络,所述第二AI神经网络包括自注意力层和第一全连接层;
依据所述第二AI神经网络确定所述多个模板养老服务反馈数据的第三个性化需求预测数据,每个模板养老服务反馈数据的第三个性化需求预测数据用于反映依据所述第二AI神经网络输出的所述每个模板养老服务反馈数据的个性化需求字段;
依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,对所述第一全连接层进行参数更新,生成第二全连接层;
依据所述自注意力层和所述第二全连接层,确定目标AI神经网络。
6.根据权利要求5所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,对所述机器学习网络进行参数更新,生成第二AI神经网络,包括:
依据所述多个模板养老服务反馈数据的第二个性化需求预测数据和个性化需求标签数据,确定所述多个模板养老服务反馈数据的第二训练误差参数;
依据所述多个模板养老服务反馈数据的第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络。
7.根据权利要求6所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述多个模板养老服务反馈数据的第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络,包括:
依据所述多个模板养老服务反馈数据的第一训练误差参数和第二训练误差参数,对所述机器学习网络进行参数更新,生成第二AI神经网络。
8.根据权利要求5所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述第二AI神经网络确定所述多个模板养老服务反馈数据的第三个性化需求预测数据,包括:
依据所述自注意力层对所述多个模板养老服务反馈数据进行自注意力编码,生成所述多个模板养老服务反馈数据的第一自注意力向量;
对所述多个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述多个模板养老服务反馈数据的第二自注意力向量;
依据所述第一全连接层,依据所述多个模板养老服务反馈数据的第二自注意力向量,对所述多个模板养老服务反馈数据进行个性化需求预测处理,生成所述多个模板养老服务反馈数据的第三个性化需求预测数据;
所述对所述多个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述多个模板养老服务反馈数据的第二自注意力向量,包括:
依据所述第一全连接层,依据所述多个模板养老服务反馈数据的第一自注意力向量,对所述多个模板养老服务反馈数据进行个性化需求预测处理,生成所述多个模板养老服务反馈数据的第四个性化需求预测数据,所述每个模板养老服务反馈数据的第四个性化需求预测数据用于反映依据所述每个模板养老服务反馈数据的第一自注意力向量输出的所述每个模板养老服务反馈数据的个性化需求字段;
依据所述每个模板养老服务反馈数据的第四个性化需求预测数据和个性化需求标签数据,确定所述每个模板养老服务反馈数据的第三训练误差参数;
依据所述每个模板养老服务反馈数据的第三训练误差参数,对所述第一全连接层进行反向传播处理,生成所述每个模板养老服务反馈数据的训练优化信息;
依据所述每个模板养老服务反馈数据的训练优化信息,对所述每个模板养老服务反馈数据的第一自注意力向量进行更新,生成所述每个模板养老服务反馈数据的第二自注意力向量。
9.根据权利要求8所述的基于个性化居家养老服务的AI信息推送方法,其特征在于,所述依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,对所述第一全连接层进行参数更新,生成第二全连接层,包括:
依据所述多个模板养老服务反馈数据的第三个性化需求预测数据和个性化需求标签数据,确定所述多个模板养老服务反馈数据的第四训练误差参数;
依据所述多个模板养老服务反馈数据的第三训练误差参数和第四训练误差参数,对所述第一全连接层进行参数更新,生成第二全连接层。
10.一种基于个性化居家养老服务的AI信息推送系统,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的基于个性化居家养老服务的AI信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410183077.0A CN117745395B (zh) | 2024-02-19 | 2024-02-19 | 基于个性化居家养老服务的ai信息推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410183077.0A CN117745395B (zh) | 2024-02-19 | 2024-02-19 | 基于个性化居家养老服务的ai信息推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117745395A true CN117745395A (zh) | 2024-03-22 |
CN117745395B CN117745395B (zh) | 2024-05-14 |
Family
ID=90279850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410183077.0A Active CN117745395B (zh) | 2024-02-19 | 2024-02-19 | 基于个性化居家养老服务的ai信息推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745395B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597961A (zh) * | 2019-09-18 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种文本类目标注方法、装置、电子设备及存储介质 |
CN113220985A (zh) * | 2021-04-06 | 2021-08-06 | 天津大学 | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 |
US20210398210A1 (en) * | 2020-06-17 | 2021-12-23 | Notto Intellectual Property Holdings | Systems and methods of transaction tracking and analysis for near real-time individualized credit scoring |
CN114818721A (zh) * | 2022-06-30 | 2022-07-29 | 湖南工商大学 | 一种结合序列标注的事件联合抽取模型与方法 |
KR102455016B1 (ko) * | 2022-03-28 | 2022-10-18 | 세영정보통신(주) | 비콘 신호를 이용한 생체 데이터 통합 모니터링 시스템 |
CN116312927A (zh) * | 2023-02-20 | 2023-06-23 | 京大(北京)技术有限公司 | 一种基于养老服务机器人的健康管理方法 |
CN117158923A (zh) * | 2023-07-26 | 2023-12-05 | 厦门瞳景智能科技有限公司 | 基于元宇宙的居家养老远程监控方法 |
-
2024
- 2024-02-19 CN CN202410183077.0A patent/CN117745395B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597961A (zh) * | 2019-09-18 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 一种文本类目标注方法、装置、电子设备及存储介质 |
US20210398210A1 (en) * | 2020-06-17 | 2021-12-23 | Notto Intellectual Property Holdings | Systems and methods of transaction tracking and analysis for near real-time individualized credit scoring |
CN113220985A (zh) * | 2021-04-06 | 2021-08-06 | 天津大学 | 基于健康养老环境下嵌入式用户画像模型的服务推荐方法 |
KR102455016B1 (ko) * | 2022-03-28 | 2022-10-18 | 세영정보통신(주) | 비콘 신호를 이용한 생체 데이터 통합 모니터링 시스템 |
CN114818721A (zh) * | 2022-06-30 | 2022-07-29 | 湖南工商大学 | 一种结合序列标注的事件联合抽取模型与方法 |
CN116312927A (zh) * | 2023-02-20 | 2023-06-23 | 京大(北京)技术有限公司 | 一种基于养老服务机器人的健康管理方法 |
CN117158923A (zh) * | 2023-07-26 | 2023-12-05 | 厦门瞳景智能科技有限公司 | 基于元宇宙的居家养老远程监控方法 |
Non-Patent Citations (4)
Title |
---|
YIN, PZ 等: "A generalized AI method for pathology cancer diagnosis and prognosis prediction based on transfer learning and hierarchical split", 《PHYSICS IN MEDICINE AND BIOLOGY》, vol. 68, no. 17, 7 September 2023 (2023-09-07), pages 1 - 10 * |
宋信强 等: "GPT-4影响的全面分析:经济高质量发展与国家安全防范", 《广东财经大学学报》, vol. 38, no. 02, 20 April 2023 (2023-04-20), pages 100 - 112 * |
方力: "人工智能背景下乡镇养老设施规划布局研究——以宜春市袁州区为例", 《小城镇建设》, vol. 41, no. 12, 13 December 2023 (2023-12-13), pages 22 - 29 * |
王丽丹: "公共管理专业人才培养模式探索", 《教育信息化论坛》, no. 02, 10 February 2023 (2023-02-10), pages 81 - 83 * |
Also Published As
Publication number | Publication date |
---|---|
CN117745395B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021203819A1 (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
WO2021159776A1 (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
US20210279552A1 (en) | Method for making recommendations to a user and apparatus, computing device, and storage medium | |
KR102012676B1 (ko) | 콘텐츠 추천 방법, 장치 및 시스템 | |
US11334813B2 (en) | Method and apparatus for managing machine learning process | |
CN109992710A (zh) | 点击率预估方法、系统、介质和计算设备 | |
CN109902801A (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
KR102050738B1 (ko) | 상품 추천 서비스 시스템에서의 협업 필터링 기반 상품 추천을 위한 장치 | |
EP3867830A1 (en) | Adapting prediction models | |
CN111259647A (zh) | 基于人工智能的问答文本匹配方法、装置、介质及电子设备 | |
CN117575663A (zh) | 基于深度学习的装修成本估算方法及系统 | |
Wang et al. | Modeling uncertainty to improve personalized recommendations via Bayesian deep learning | |
CN116992024A (zh) | 评语生成模型训练方法、装置、计算机设备及存储介质 | |
Ertekin et al. | Approximating the crowd | |
CN113743104B (zh) | 实体链接方法及相关装置、电子设备、存储介质 | |
CN117745395B (zh) | 基于个性化居家养老服务的ai信息推送方法及系统 | |
CN116670689A (zh) | 多级多目标自动化机器学习 | |
CN113222073A (zh) | 训练迁移学习模型和推荐模型的方法及装置 | |
CN116361643A (zh) | 实现对象推荐的模型训练方法及对象推荐方法及相关装置 | |
WO2022215559A1 (ja) | ハイブリッドモデル作成方法、ハイブリッドモデル作成装置、及び、プログラム | |
CN113420165B (zh) | 二分类模型的训练、多媒体数据的分类方法及装置 | |
KR102443786B1 (ko) | 인공지능을 활용한 콘텐츠 흥행 등급 예측 방법 및 장치 | |
Gong et al. | Large population size IGA with individuals’ fitness not assigned by user | |
CN115878839A (zh) | 一种视频推荐方法、装置、计算机设备和计算机程序产品 | |
CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |