CN117936035A - 一种基于大数据的心理咨询对比分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于大数据的心理咨询对比分析方法及系统，包括：首先，响应于待匹配心理咨询模板的发布指令，并进行标准检验。通过检验的模板会与心理咨询模板数据库中的历史模板进行相似度匹配，选取最高相似度的历史心理咨询模板。然后，获取这个历史模板对应的历史用户作为活跃用户，并从用户数据库中提取多个待定用户。最后，基于待匹配的心理咨询模板，对活跃用户以及待定用户进行心理咨询对比分析操作，确定出适配用户，将待匹配心理咨询模板推送至所述适配用户，如此设计，利用大数据进行心理咨询对比分析，能够实现个性化的服务推送，提高心理咨询服务的精确度和效率，从而更好地满足用户的需求。

Description

一种基于大数据的心理咨询对比分析方法及系统

技术领域

本发明涉及大数据技术领域，具体而言，涉及一种基于大数据的心理咨询对比分析方法及系统。

背景技术

在传统的心理咨询服务中，如何精确有效地为用户提供个性化的咨询服务是一个重要问题。然而，由于每个人的心理状态和需求都有其独特性，因此，采用传统的模式进行服务往往难以满足用户的实际需求。同时，传统的心理咨询服务方式通常需要大量的人力和时间投入，且效率较低。因此，开发一种可以自动、准确并高效地为用户提供个性化心理咨询服务的方法，具有重要的实际应用价值。本技术方案正是在这样的背景下产生的，它利用大数据技术，通过对比分析，提供更精确、有效的心理咨询服务。

发明内容

本发明的目的在于提供一种基于大数据的心理咨询对比分析方法及系统。

第一方面，本发明实施例提供一种基于大数据的心理咨询对比分析方法，包括：

响应于待匹配心理咨询模板的发布指令，对所述待匹配心理咨询模板进行标准检验；

当所述待匹配心理咨询模板通过所述标准检测时，从心理咨询模板数据库中确定出与所述待匹配心理咨询模板相似度最高的历史心理咨询模板；

获取所述历史心理咨询模板对应的历史用户作为所述待匹配心理咨询模板的活跃用户，并从用户数据库中提取多个待定用户；

基于所述待匹配心理咨询模板对所述活跃用户以及所述多个待定用户进行心理咨询对比分析操作，确定出适配用户，并将所述待匹配心理咨询模板推送至所述适配用户。

第二方面，本发明实施例提供一种服务器系统，包括服务器，所述服务器用于执行第一方面所述的方法。

相比现有技术，本发明提供的有益效果包括：采用本发明公开的一种基于大数据的心理咨询对比分析方法及系统，包括：首先，响应于待匹配心理咨询模板的发布指令，并进行标准检验。通过检验的模板会与心理咨询模板数据库中的历史模板进行相似度匹配，选取最高相似度的历史心理咨询模板。然后，获取这个历史模板对应的历史用户作为活跃用户，并从用户数据库中提取多个待定用户。最后，基于待匹配的心理咨询模板，对活跃用户以及待定用户进行心理咨询对比分析操作，确定出适配用户，将待匹配心理咨询模板推送至所述适配用户，如此设计，利用大数据进行心理咨询对比分析，能够实现个性化的服务推送，提高心理咨询服务的精确度和效率，从而更好地满足用户的需求。

附图说明

为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的基于大数据的心理咨询对比分析方法的步骤流程示意图；

图2为本发明实施例提供的计算机设备的结构示意框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

下面结合附图，对本发明的具体实施方式进行详细说明。

为了解决前述背景技术中的技术问题，图1为本公开实施例提供的基于大数据的心理咨询对比分析方法的流程示意图，下面对该基于大数据的心理咨询对比分析方法进行详细介绍。

步骤S201，响应于待匹配心理咨询模板的发布指令，对所述待匹配心理咨询模板进行标准检验；

步骤S202，当所述待匹配心理咨询模板通过所述标准检测时，从心理咨询模板数据库中确定出与所述待匹配心理咨询模板相似度最高的历史心理咨询模板；

步骤S203，获取所述历史心理咨询模板对应的历史用户作为所述待匹配心理咨询模板的活跃用户，并从用户数据库中提取多个待定用户；

步骤S204，基于所述待匹配心理咨询模板对所述活跃用户以及所述多个待定用户进行心理咨询对比分析操作，确定出适配用户，并将所述待匹配心理咨询模板推送至所述适配用户。

在本发明实施例中，示例性的，一个心理咨询平台可以接收到一个新的心理咨询模板，比如"处理压力的策略"。这个模板在被发布前需要经过一些基本的质量检验，例如确保它包含了必要的内容，逻辑清晰等。如果新的心理咨询模板通过了检验，将在其心理咨询模板数据库中找出与之最相似的历史模板。例如，如果已有的模板包括"处理压力的技巧"和"压力管理"，可以确定"处理压力的技巧"这个模板与新模板的相似度最高。接着，会找到那些在过去使用过相似模板的用户，并将他们视为活跃用户。此外，还会从其用户数据库中选择一些待定用户进行后续分析。例如，可以找出曾经接受过"处理压力的技巧"咨询的用户，并同时选择一部分其他用户作为待定用户。最后，会根据新模板与活跃用户和待定用户之间的匹配程度来决定最终的目标用户(即适配用户)。如果一个待定用户的需求与新模板非常匹配，就会把这个新模板推送给他。

在本发明实施例中，前述步骤S204可以通过以下示例执行实施。

(1)获得所述待匹配心理咨询模板；

(2)对所述待匹配心理咨询模板执行模板特征抽取操作，得到待匹配模板特征；

(3)获得多个待定用户特征；各个待定用户特征为对各个待定用户的心理咨询关联数据执行用户特征抽取操作获得的；

(4)获得所述待匹配心理咨询模板对应的所述活跃用户，并确定所述活跃用户对应的活跃用户特征；所述活跃用户为兴趣系数高于预置兴趣系数阈值的用户；所述兴趣系数用于描述所述活跃用户对所述待匹配心理咨询模板的关注意向强度；

(5)根据所述待匹配模板特征与所述活跃用户特征之间的一致性，对所述活跃用户特征进行优化，得到优化活跃用户特征；

(6)根据所述优化活跃用户特征与各个待定用户特征之间的一致性，从所述多个待定用户特征中确定出适配用户特征；

(7)向所述适配用户特征对应的适配用户发送所述待匹配心理咨询模板。

在本发明实施例中，示例性的，获得了一个新的待匹配心理咨询模板，比如"应对工作压力的方法"。对这个新的模板进行特征抽取，可以包括其主题(压力管理)、目标人群(工作人员)等关键信息。在用户数据库中选出一部分待定用户，然后根据他们过去的咨询历史、偏好等信息抽取出他们的用户特征。找出了那些曾经对类似模板表现出高兴趣的活跃用户，例如，过去经常咨询压力管理问题的用户。然后根据这些用户的行为数据，确定了他们的活跃用户特征。分析了新模板的特征和活跃用户特征的匹配程度，并据此对活跃用户特征进行了优化。例如，如果新模板主要针对的是"应对工作压力"，而某个活跃用户的特征显示他对"应对生活压力"更感兴趣，那么可以微调这个用户的特征以更好地匹配新模板。进一步比较了优化后的活跃用户特征和待定用户特征之间的一致性，然后从待定用户中确定了最能匹配新模板的适配用户。比如，如果有个待定用户的特征显示他正面临工作压力，并对相关咨询非常感兴趣，那么他可以被确定为适配用户。最后，将新的心理咨询模板"应对工作压力的方法"推送给了这个适配用户。如此设计，通过精准的用户和模板匹配，使得心理咨询服务更加个性化和高效。

在本发明实施例的另一种实施方式中，假设该心理咨询平台上线了一个名为"应对工作压力的方法"的心理咨询模板，它包含了一系列与工作压力相关的建议和方法。分析了"应对工作压力的方法"模板的内容，并提取出主题为"压力管理"，目标人群为"工作人员"等关键信息。从用户数据库中筛选出一部分待定用户，例如，用户A、用户B和用户C。然后分析他们过去的咨询历史、偏好等信息，提取出用户A对压力管理问题感兴趣，用户B对焦虑问题感兴趣，用户C对人际关系问题感兴趣等用户特征。通过分析用户A、用户B和用户C的行为数据，发现用户A曾经频繁咨询有关压力管理的问题，用户B则经常点击焦虑相关的文章，而用户C则在平台上参与了一些人际关系方面的讨论。根据这些行为数据确定了活跃用户特征。比较"应对工作压力的方法"模板的特征与活跃用户特征的匹配程度。如果发现用户A对"应对生活压力"更感兴趣，会对用户A的特征进行微调，以更好地匹配新模板的主题。将优化后的活跃用户特征与待定用户特征进行比较，例如，对比用户A的特征和某个待定用户的特征，看是否存在相似之处。如果有一个待定用户的特征显示他正面临工作压力，并对相关咨询非常感兴趣，那么他可以被确定为最适配的用户。将"应对工作压力的方法"模板推送给被确定为最适配的用户，以便他们获取个性化的、与工作压力相关的心理咨询服务。

在本发明实施例中，前述对所述待匹配心理咨询模板执行模板特征抽取操作，得到待匹配模板特征的步骤可以通过以下示例执行实施。

(1)根据模板特征抽取模型对所述待匹配心理咨询模板执行模板特征抽取操作，得到所述待匹配模板特征；其中，所述模板特征抽取模型为根据样本一致性系数与样本匹配系数之间的偏差，对第一基础模型执行模型训练流程得到；所述样本一致性系数为样本模板特征与样本用户特征之间的一致性，所述样本模板特征为根据所述第一基础模型对样本心理咨询模板执行模板特征抽取操作得到，所述样本用户特征为根据第二基础模型对样本心理咨询关联数据执行用户特征抽取操作获得的；所述样本匹配系数用于描述向样本用户发送所述样本心理咨询模板的匹配情况；

前述获得多个待定用户特征的步骤，可以通过以下示例执行实施。

根据用户特征抽取模型对各个待定用户的心理咨询关联数据执行用户特征抽取操作，得到多个待定用户特征；所述用户特征抽取模型为根据所述样本一致性系数与所述样本匹配系数之间的偏差，对所述第二基础模型执行模型训练流程得到。

在本发明实施例中，示例性的，这个步骤中，采用了一个训练好的模型，该模型基于样本一致性系数与样本匹配系数之间的偏差进行训练。这里，样本一致性系数是指样本模板特征与样本用户特征之间的一致性。例如，如果在过去的数据中，一种特定类型的用户(比如压力大的上班族)倾向于使用某种类型的心理咨询模板(如压力管理技巧)，那么这种模板和用户的一致性系数就会较高。这个模型通过分析这些一致性系数，来提取待匹配模板的特征。在这个步骤中，使用了另一个训练好的模型来提取待定用户的特征。这个模型同样基于样本一致性系数与样本匹配系数之间的偏差进行训练。这里的样本匹配系数用于描述向样本用户发送所述样本心理咨询模板的匹配情况。例如，如果在过去的数据中，某种类型的用户(比如压力大的上班族)使用某种类型的心理咨询模板(如压力管理技巧)后，得到了良好的反馈，那么这种模板和用户的匹配系数就会较高。通过分析这些匹配系数，来提取待定用户的特征。

在本发明实施例的另一种实施方式中，示例性的，在过去的数据中，观察到压力大的上班族用户倾向于使用压力管理技巧这种心理咨询模板。因此，通过分析这些数据，计算出相应的样本一致性系数，该系数表示样本模板特征与样本用户特征之间的一致性。例如，如果有100个样本用户中的80个倾向于使用压力管理技巧，那么这种模板和用户的一致性系数就会较高。当一个新的用户需要进行心理咨询时，使用另一个训练好的模型来提取待定用户的特征。这个模型也基于样本一致性系数与样本匹配系数之间的偏差进行训练。例如，如果这个新用户是一个压力大的上班族，会通过分析样本数据中类似用户所使用的心理咨询模板以及反馈情况，提取出该用户的特征。如此设计，能够利用已有数据中的一致性系数和匹配系数来提取待定用户的特征，以便在后续的场景中为用户推荐适合的心理咨询模板。这样做可以提高用户满意度，并更好地满足他们的需求。

在本发明实施例中，还提供了以下实施范式。

(1)获得所述样本用户对应的所述样本心理咨询模板以及所述样本心理咨询关联数据，所述样本心理咨询模板预先配置了所述样本匹配系数；

(2)根据所述第一基础模型对所述样本心理咨询模板执行模板特征抽取操作，得到所述样本模板特征；

(3)根据所述第二基础模型对所述样本心理咨询关联数据执行用户特征抽取操作，得到所述样本用户特征；

(4)确定所述样本模板特征与所述样本用户特征之间的一致性，得到所述样本一致性系数；

(5)根据所述样本一致性系数与所述样本匹配系数之间的偏差，对所述第一基础模型以及所述第二基础模型执行模型训练流程，得到所述模板特征抽取模型以及所述用户特征抽取模型。

在本发明实施例中，可以获取一份样本数据，其中包括样本用户的信息，他们使用过的心理咨询模板，以及这些模板与用户之间的匹配系数。例如，样本用户"张三"曾经使用过"压力管理技巧"的心理咨询模板，并且给出了高度积极的反馈，因此这个模板与张三的匹配系数较高。第一基础模型将对上述的样本心理咨询模板(如"压力管理技巧")进行特征抽取，比如模板的主题、适用人群等。第二基础模型则会分析样本用户(如"张三")的数据，抽取出他的用户特征，比如他的年龄、职业、咨询历史等。接着，会分析样本模板特征和样本用户特征之间的一致性，从而得出一个样本一致性系数。例如，如果"张三"是一位经常面临压力的上班族，那么他与"压力管理技巧"这个模板的一致性系数就会较高。最后，将根据样本一致性系数与样本匹配系数之间的偏差，对两个基础模型进行训练，进一步优化这两个模型。这样，当有新的心理咨询模板或用户数据出现时，就能更准确地提取他们的特征，并进行有效的匹配。如此设计，可以利用机器学习和大数据技术提升心理咨询服务的精准度，从而帮助用户更好地找到他们需要的资源。

在本发明实施例的另一种实施方式中，会获取一份包含样本用户信息的样本数据。例如，样本用户"张三"使用过"压力管理技巧"的心理咨询模板，并给出了高度积极的反馈。第一个基础模型将对样本心理咨询模板进行特征抽取，例如提取模板的主题和适用人群等信息。假设"压力管理技巧"的心理咨询模板的主题是"应对工作压力"，适用人群为"职场人士"。第二个基础模型将分析样本用户的数据，抽取出用户的特征，例如年龄、职业、咨询历史等。会分析样本模板特征和样本用户特征之间的一致性，计算得出一个样本一致性系数。如果"张三"是一位经常面临压力的上班族，与"压力管理技巧"这个模板的一致性系数将会较高。根据样本一致性系数与样本匹配系数之间的偏差，对两个基础模型进行训练和优化。当发现样本一致性系数与样本匹配系数存在较大偏差时，会对两个基础模型进行调整和优化，以提高匹配精准度。

在本发明实施例中，所述样本心理咨询模板包括向目标样本用户匹配成功的目标样本心理咨询模板，以及向非目标样本用户匹配失败的非目标样本心理咨询模板，所述样本匹配系数包括正向数值标注以及负向数值标注，正向数值高于负向数值；所述目标样本心理咨询模板预先配置了所述正向数值标注，所述非目标样本心理咨询模板预先配置了所述负向数值标注；前述确定所述样本模板特征与所述样本用户特征之间的一致性，得到所述样本一致性系数的步骤，可以通过以下示例执行实施。

(1)确定目标样本模板特征与所述目标样本用户对应的目标样本用户特征之间的一致性，得到第一样本一致性系数；所述目标样本模板特征为所述目标样本心理咨询模板对应的模板特征；

(2)确定非目标样本模板特征与所述非目标样本用户对应的非目标样本用户特征之间的一致性，得到第二样本一致性系数；所述非目标样本模板特征为所述非目标样本心理咨询模板对应的模板特征；

前述根据所述样本一致性系数与所述样本匹配系数之间的偏差，对所述第一基础模型以及所述第二基础模型执行模型训练流程，得到所述模板特征抽取模型以及所述用户特征抽取模型的步骤，可以通过以下示例执行实施。

(1)根据所述第一样本一致性系数与所述正向数值标注之间的第一偏差，以及所述第二样本一致性系数与所述负向数值标注之间的第二偏差，对所述第一基础模型以及所述第二基础模型执行模型训练流程直到达到训练终止要求；

(2)将训练完成的第一基础模型确定为所述模板特征抽取模型，将训练完成的第二基础模型确定为所述用户特征抽取模型。

在本发明实施例中，示例性的，在这个步骤中，考虑了两种类型的样本模板：一种是曾经成功匹配到目标用户的模板(比如"压力管理技巧"对于压力大的上班族)，另一种是没有成功匹配到目标用户的模板(比如"儿童教育技巧"对于没有孩子的用户)。这两种类型的模板都会被纳入样本数据。会分别计算目标样本模板特征与目标样本用户特征之间的一致性(第一样本一致性系数)，以及非目标样本模板特征与非目标样本用户特征之间的一致性(第二样本一致性系数)。接着，会根据这两个一致性系数与样本匹配系数之间的偏差，来调整和训练模型。比如，如果发现某种类型的用户(比如压力大的上班族)与某个模板(比如"压力管理技巧")的匹配情况并不像预期的那样好，它就会调整模型参数，以便在未来更准确地预测这种情况。在经过一段时间的训练后，第一基础模型和第二基础模型的性能会得到提升，此时就会将这两个优化后的模型作为最终的模板特征抽取模型和用户特征抽取模型。如此设计，能够更准确地理解用户需求和心理咨询模板的特点，从而提供更加精准、个性化的服务。

在本发明实施例中，前述根据所述第一样本一致性系数与所述正向数值标注之间的第一偏差，以及所述第二样本一致性系数与所述负向数值标注之间的第二偏差，对所述第一基础模型以及所述第二基础模型执行模型训练流程直到达到训练终止要求的步骤，可以通过以下示例执行实施。

(1)根据所述第一样本一致性系数与所述正向数值标注之间的第一偏差，确定第一代价参量；

(2)根据所述第二样本一致性系数与所述负向数值标注之间的第二偏差，确定第二代价参量；

(3)根据所述第一代价参量以及所述第二代价参量，确定目标代价参量；

(4)根据所述目标代价参量优化所述第一基础模型以及所述第二基础模型各自对应的模型权重直到达到训练终止要求。

在本发明实施例中，会计算出第一样本一致性系数(即目标样本模板特征与目标样本用户特征之间的一致性)与预先配置的正向数值标注(即匹配成功的评分)之间的偏差，然后用这个偏差来确定第一代价参量。比如，如果一致性系数与正向数值标注之间的偏差较大，那么第一代价参量可能就会较高。同样，也会计算出第二样本一致性系数(即非目标样本模板特征与非目标样本用户特征之间的一致性)与预先配置的负向数值标注(即匹配失败的评分)之间的偏差，然后用这个偏差来确定第二代价参量。接着，会结合这两个代价参量，确定一个目标代价参量。这个参数可以是通过某种特定的函数或者算法计算出来的，比如它可以是第一代价参量和第二代价参量的加权平均。最后，会根据目标代价参量，优化第一基础模型和第二基础模型的权重，直到满足训练终止要求。比如，当目标代价参量小于某个预设的阈值时，训练就会停止。

在本发明实施例中，所述第一基础模型包括原始互动元素特征抽取单元、原始主题相关特征抽取单元以及原始多模态学习单元，前述根据所述第一基础模型对所述样本心理咨询模板执行模板特征抽取操作，得到所述样本模板特征的步骤，可以通过以下示例执行实施。

(1)根据所述原始互动元素特征抽取单元，对所述样本心理咨询模板执行互动元素特征抽取操作，得到样本互动元素特征；

(2)根据所述原始主题相关特征抽取单元，对所述样本心理咨询模板执行主题相关特征抽取操作，得到样本主题相关特征；

(3)根据所述原始多模态学习单元，对所述样本互动元素特征以及所述样本主题相关特征执行整合操作，得到所述样本模板特征。

在本发明实施例中，示例性的，会通过原始互动元素特征抽取单元分析样本心理咨询模板中的互动元素。比如，如果一个心理咨询模板是一个交互式问答环节，那么其互动元素特征可以包括问题数量、问题类型(是否是开放性问题或是选择题)等。接着，会通过原始主题相关特征抽取单元分析样本心理咨询模板的主题相关特征。比如，如果模板的主题是"应对压力"，那么其主题相关特征可以包括压力源、应对策略等。最后，会通过原始多模态学习单元将上述两类特征整合在一起，形成最终的样本模板特征。这可以涉及到特征融合、权重调整等操作。如此设计，可以从不同的角度理解和抽取心理咨询模板的特征，从而更准确地匹配用户需求。

在本发明实施例的另一种实施方式中，示例性的，假设有一个心理咨询模板是一个交互式问答环节，其中包含以下问题：问题1:"你最近是否感到压力很大？"问题2:"你通常如何应对压力？"通过原始互动元素特征抽取单元，会分析样本心理咨询模板中的互动元素特征。对于这个模板，可以抽取的互动元素特征包括问题的数量(2个问题)和问题类型(开放性问题和选择题)。现在假设本发明实施的心理咨询模板的主题是"应对压力"。在这个阶段，会分析样本心理咨询模板的主题相关特征。对于这个模板，可以抽取的主题相关特征包括压力源(例如工作、学业、人际关系等)和应对策略(如放松技巧、时间管理等)。将前两步抽取的特征进行整合，形成最终的样本模板特征。这个过程可以涉及特征融合和权重调整操作。例如，可以根据问题数量和问题类型的重要性为互动元素特征分配权重，并为主题相关特征分配适当的权重。

在本发明实施例中，还提供了以下实施方式。

(1)获得多个基础用户对应的心理咨询关联数据；

(2)根据所述用户特征抽取模型对各个基础用户的心理咨询关联数据执行用户特征抽取操作，得到各个基础用户对应的基础用户特征；

(3)根据所述各个基础用户对应的基础用户特征，建设所述用户数据库；

前述获得多个待定用户特征的步骤，可以通过以下示例执行实施。

(1)根据所述用户数据库，获得所述多个待定用户特征。

在本发明实施例中，示例性的，可以收集大量基础用户的心理咨询关联数据，例如他们过去使用过哪些心理咨询模板，给出了什么样的反馈等。然后，会通过已经训练好的用户特征抽取模型，分析这些基础用户的心理咨询关联数据，提取出他们的特征。比如，可以发现某个用户更倾向于使用涉及"压力管理"的模板，而另一个用户则更喜欢"人际交往技巧"的模板。接着，会将所有基础用户的特征整合在一起，建立一个用户数据库。这个数据库能够帮助快速查找和匹配用户。根据所述用户数据库，获得所述多个待定用户特征。在有新的用户加入时，可以根据他们提供的信息和用户数据库中的数据，预测他们可能的用户特征。如此设计，可以建立起一个全面、精准的用户特征数据库，从而更好地为不同的用户提供个性化的心理咨询服务。

在本发明实施例的另一种实施方式中，假设是一个在线心理咨询平台，用户可以通过平台进行心理咨询。当用户在平台上选择并使用某个心理咨询模板时，会记录下来。例如，用户A在过去的几个月里使用了"压力管理"和"人际交往技巧"两个模板，并给出了积极的反馈。使用用户特征抽取模型对用户A的心理咨询关联数据进行分析。模型可能发现用户A更倾向于使用涉及"压力管理"的模板，同时也能发现用户A对于"人际交往技巧"模板也有兴趣。将用户A的特征(对"压力管理"和"人际交往技巧"模板的倾向性)与其他基础用户的特征整合在一起，并建立一个用户数据库。假设有一个新用户B加入了并提供了一些基本信息。可以通过分析用户B的信息并与用户数据库进行匹配，预测出用户B可能对于某些心理咨询模板更感兴趣。例如，如果用户B表示他们希望解决工作压力问题，可以预测用户B可以对"压力管理"模板感兴趣。通过以上几个步骤，可以建立起一个全面、精准的用户特征数据库，从而更好地为不同的用户提供个性化的心理咨询服务。

在本发明实施例中，可以通过以下示例执行实施。

(1)按照预设周期获得所述用户数据库中各个基础用户对应的心理咨询关联数据；

(2)将心理咨询关联数据出现变化的基础用户确定为待调整用户；

(3)根据所述用户特征抽取模型对所述待调整用户的调整心理咨询关联数据执行用户特征抽取操作，得到所述待调整用户的调整用户特征；

(4)根据所述待调整用户的调整用户特征，对所述用户数据库进行调整。

在本发明实施例中，示例性的，会定期(比如每周、每月等)收集用户数据库中所有用户的最新心理咨询关联数据，以了解他们的最新需求和反馈。会分析这些新收集到的数据，并找出那些心理咨询关联数据有显著变化的用户，将他们确定为待调整用户。比如，如果某个用户开始频繁使用与"亲子关系"相关的模板，而过去他主要使用的是"压力管理"的模板，那么这个用户就可以被标记为待调整用户。接着，会通过用户特征抽取模型，对待调整用户的新数据进行分析，提取出他们的新特征。最后，会根据待调整用户的新特征，对用户数据库进行更新。这样，当这些用户下次使用心理咨询服务时，就能提供更符合他们当前需求的模板。如此设计，能够持续跟踪并适应用户的变化，从而提供更个性化、精准的服务。

在本发明实施例的另一种实施方式中，在每周五晚上自动触发数据收集流程，从用户数据库中获取每个用户最近一周的心理咨询关联数据。这些数据可以包括用户使用的模板、模板使用次数、用户对每个模板的评分以及咨询的主题等。分析最新收集到的数据，发现某个用户在过去几周频繁使用与"亲子关系"相关的模板，而之前主要使用的是"压力管理"的模板。这种明显的变化表明该用户对心理咨询需求的重点发生了转移，可能需要适应性调整。利用用户特征抽取模型对那些被标记为待调整用户的最新数据进行处理。通过分析这些用户最近的心理咨询记录，模型识别出他们对不同模板的偏好、主题倾向以及情绪状态等新特征。将待调整用户的新特征与用户数据库中的信息进行匹配和更新。对于之前被标记为"压力管理"用户，现在会将其标记为"亲子关系"用户，并相应地更新数据库中的用户偏好标签。这样，在用户下次使用心理咨询服务时，可以根据他们的最新需求为他们推荐更相关的模板。

在本发明实施例中，前述获得多个基础用户对应的心理咨询关联数据的步骤，可以通过以下示例执行实施。

(1)获得多个基础用户对应的用户属性信息以及用户交互信息；

(2)将各个基础用户对应的用户属性信息以及用户交互信息，确定为所述各个基础用户对应的心理咨询关联数据。

在本发明实施例中，示例性的，可以收集基础用户的各种属性信息和交互信息。用户属性信息可以包括年龄、性别、职业、教育背景等，而用户交互信息则可以包括用户在使用心理咨询服务过程中的行为数据，如使用频率、停留时间、偏好模板等。接着，将这些用户属性信息和用户交互信息作为心理咨询关联数据，用于分析用户特征和需求。比如，可能发现年轻用户更倾向于使用涉及"职业规划"的模板，而高频用户更喜欢"压力管理"的模板。

如此设计，可以获得丰富的用户数据，从而更准确地理解用户需求，提供更符合他们需求的心理咨询服务。

在本发明实施例的另一种实施方式中，在一个心理咨询平台上，用户注册时需要填写个人资料，包括年龄、性别、职业和教育背景等信息。这些信息将作为用户的基础属性信息被收集。用户使用心理咨询服务时，会记录用户的行为数据，例如他们在平台上的使用频率、停留时间以及使用的模板偏好等信息。这些数据将作为用户的交互信息被收集。根据用户的年龄和性别等属性信息，将用户分组为不同的群体，比如年轻女性群体、中年男性群体等。然后将每个群体的交互信息与其相关联，形成心理咨询关联数据。分析用户在使用心理咨询服务过程中的行为数据，如使用频率、停留时间和偏好模板，将这些交互信息与用户的其他属性信息进行关联，形成更全面的心理咨询关联数据。通过分析心理咨询关联数据，可能发现年轻用户更倾向于使用涉及"职业规划"的模板，因为这一群体的用户可能对未来的职业发展更感兴趣。还可能发现高频用户更喜欢"压力管理"的模板，由于这些用户在平台上的使用频率较高，他们可能更需要关于应对压力的咨询。通过以上设计和分析，能够获得丰富的用户数据，并根据用户的属性信息和交互信息更准确地理解用户需求。可以根据这些用户需求提供更符合用户期望的心理咨询服务，比如推荐相关的模板、提供专业建议等，以满足各类用户的心理健康需求。

在本发明实施例中，前述根据模板特征抽取模型对所述待匹配心理咨询模板执行模板特征抽取操作，得到所述待匹配模板特征的步骤之后，本发明实施例还提供以下示例。

(1)获得所述待匹配心理咨询模板对应的多个先期训练用户以及各个先期训练用户对应的先期训练匹配系数；

(2)根据所述用户特征抽取模型对各个先期训练用户执行用户特征抽取操作，得到各个先期训练用户的先期训练用户特征；

(3)根据所述待匹配模板特征与各个先期训练用户特征之间的一致性，确定各个先期训练用户对应的先期训练一致性系数；

(4)根据所述各个先期训练用户对应的先期训练一致性系数与所述各个先期训练用户对应的先期训练匹配系数之间的偏差，对所述模板特征抽取模型以及所述用户特征抽取模型进行二次训练，得到优化模板特征抽取模型以及优化用户特征抽取模型。

在本发明实施例中，示例性的，会找出所有曾经使用过待匹配心理咨询模板的用户(即先期训练用户)，并记录他们对该模板的匹配系数。这个匹配系数可以是基于用户的反馈或者行为数据计算出来的。接着，会通过用户特征抽取模型分析这些先期训练用户的数据，提取出他们的特征。会比较待匹配模板特征和每个先期训练用户特征之间的一致性，并计算出一个一致性系数。如果待匹配模板特征与某个用户特征高度一致，那么这个用户的一致性系数就会较高。最后，会比较每个用户的一致性系数和他们的匹配系数之间的偏差，然后用这个偏差来对模板特征抽取模型和用户特征抽取模型进行进一步的训练和优化。通过这种方式，能够持续改进和优化其匹配算法，从而提供更准确、更个性化的服务。

在本发明实施例的另一种实施方式中，示例性的，首先搜索数据库，找到所有使用过特定模板的用户。例如，如果正在优化针对抑郁症的咨询模板，那么将从数据库中检索所有使用过该模板的用户。每个用户都会有一个与模板相关的匹配系数。这个系数可能基于用户反馈(如满意度评分)和行为数据(如再次使用该模板的频率)。假设满意度评分在1-5之间，再次使用频率在0-10之间，匹配系数可以用公式Match_Coefficient(匹配系数)＝0.6*Satisfaction_Score(满意度评分)+0.4*Frequency_of_Use(再次使用该模板的频率)来计算。通过预先定义的算法分析用户数据，提取关键特征。比如，年龄、性别、问题类型等可以直接从用户信息中获取；而问题严重程度可以根据用户的历史记录和行为进行复杂的计算和推断。假设通过某种方式(如深度学习网络)将模板特征和用户特征都转化为向量，那么一致性系数可以通过计算两个向量的余弦相似性得到。如果偏差大于某个阈值(例如0.5)，那么这可以意味着该用户对模板的满意度与他的特征与模板的一致性存在较大的不匹配，需要优化模型或模板。根据上述偏差对模型进行优化。具体方法可以包括调整权重、增加隐藏层等，这通常需要机器学习和深度学习知识。

在本发明实施例中，所述待定用户为多个，前述获得所述待匹配心理咨询模板对应的多个先期训练用户以及各个先期训练用户对应的先期训练匹配系数的步骤，可以通过以下示例执行实施。

(1)根据所述待匹配模板特征与各个待定用户特征之间的一致性，得到各个待定用户特征对应的候选一致性；

(2)根据所述各个待定用户特征对应的候选一致性，从所述多个待定用户中提取所述多个先期训练用户；

(3)向所述多个先期训练用户发送所述待匹配心理咨询模板；

(4)根据所述多个先期训练用户各自对应的匹配情况，确定各个先期训练用户对应的先期训练匹配系数。

在本发明实施例中，示例性的，会比较待匹配模板特征和每个待定用户特征之间的一致性，并计算出一个候选一致性系数。接着，会根据这个候选一致性系数，从待定用户中筛选出那些与待匹配模板特征高度一致的用户，将他们确定为先期训练用户。会向这些先期训练用户发送待匹配的心理咨询模板，让他们尝试使用。最后，会收集这些先期训练用户对待匹配模板的反馈，然后根据他们的反馈确定他们的匹配系数。通过这些步骤，可以找出那些最可能对待匹配模板感兴趣的用户，并收集他们的反馈，用以优化模板特征抽取模型和用户特征抽取模型。

在本发明实施例的另一种实施方式中，首先，将对心理咨询模板的特征进行提取。例如，如果模板是用于处理抑郁症的，则其特征可以包括“针对抑郁症”、“使用认知行为疗法”等。接着，将这些模板特征与所有待定用户(也就是尚未接触过该模板的用户)的特征进行比较。用户的特征可以包括他们的问题类型、以往反应良好的治疗方法等。一致性系数是衡量模板特征与用户特征相似度的一个数字。这个数字可以通过多种方式计算得出，最常见的是计算余弦相似度。具体来说，如果将模板特征和用户特征都视为高维空间中的向量，那么它们之间的余弦相似度(即两向量夹角的余弦值)就可以作为一致性系数。这个系数的取值范围通常在-1到1之间，值越大，表明一致性越高。在计算出所有待定用户的一致性系数后，会设定一个阈值，比如0.7，然后选择出一致性系数大于这个阈值的用户。这些用户被认为是与模板特征高度一致的，因此他们被确定为先期训练用户。将向筛选出的先期训练用户推送待匹配模板，邀请他们尝试并提供反馈。用户在使用模板后，会提供他们的反馈，这可以包括满意度评分、改善程度等信息。会收集和整理这些反馈信息，用于下一步的计算。会为每个先期训练用户计算一个匹配系数。例如，如果满意度评分是1-5分，改善程度也是1-5分，那么匹配系数可以是这两者的加权平均。最后，根据匹配系数和一致性系数，可以对特征抽取模型进行优化。例如，如果发现某个用户的一致性系数很高，但是匹配系数却很低，那么可以需要调整模型，使得它在评估这类用户时能更准确。

在本发明实施例中，本发明实施例还提供以下实施例。

(1)根据所述优化模板特征抽取模型对所述待匹配心理咨询模板执行模板特征抽取操作，得到优化待匹配模板特征；

本发明实施例还提供以下方式。

(1)根据所述优化用户特征抽取模型对所述活跃用户对应的心理咨询关联数据执行用户特征抽取操作，得到所述活跃用户对应的目标活跃用户特征；

前述根据所述待匹配模板特征与所述活跃用户特征之间的一致性，对所述活跃用户特征进行优化，得到优化活跃用户特征的步骤，可以通过以下示例执行实施。

(1)根据所述优化待匹配模板特征与所述目标活跃用户特征之间的一致性，对所述活跃用户特征进行优化，得到所述优化活跃用户特征。

在本发明实施例中，示例性的，会使用已经优化过的模板特征抽取模型来分析待匹配的心理咨询模板，从而得到更准确的模板特征。接着，会使用优化过的用户特征抽取模型来分析活跃用户的心理咨询关联数据，提取出他们的特征。最后，会比较优化过的待匹配模板特征和目标活跃用户特征之间的一致性，并根据这个一致性对活跃用户特征进行进一步的优化。

在本发明实施例的另一种实施方式中，首先会对待匹配的心理咨询模板进行分析。比如，如果这个模板是用于处理焦虑症的，那么会利用模板特征抽取模型提取出模板的关键特征，例如“针对焦虑症”、“采用认知行为疗法”等。接着，会分析活跃用户的数据。假设某位活跃用户在过去的咨询中经常谈及焦虑问题，而且反馈显示他对认知行为疗法反应良好。那么，就会利用用户特征抽取模型提取出这些关键信息，作为该用户的特征。然后，会比较模板特征和用户特征之间的一致性。例如，如果待匹配模板特征包括“针对焦虑症”、“采用认知行为疗法”，而用户特征也包括“有焦虑问题”、“对认知行为疗法反应良好”，那么这两组特征就高度一致。一致性可以通过多种方式计算，最常见的是使用余弦相似度。在这个例子中，如果将模板特征和用户特征都视为高维空间中的向量(如“针对焦虑症”为1，否则为0；“采用认知行为疗法”为1，否则为0)，那么他们的余弦相似度就可以作为一致性的度量。这个值的范围通常在-1到1之间，值越接近1，表示一致性越高。最后，根据模板特征与用户特征之间的一致性，可以进一步优化用户特征抽取模型。比如，如果发现某个特征(如“对认知行为疗法反应良好”)在预测用户对模板的反应方面特别有效，那么就可以增加这个特征的权重。

下面提供一种本发明实施例的整理流程实施方式。

假设有一个在线心理咨询平台，该平台使用AI技术来推荐最合适的心理咨询模板给用户。现在，有一份新的待匹配心理咨询模板，该模板用于处理工作压力导致的失眠问题。平台需要找到最可能需要这份模板的用户。

首先，平台会对待匹配的心理咨询模板进行标准检验。这一步是为了确保模板的质量和有效性。只有通过了标准检验的模板才能进入下一步。

然后，平台从心理咨询模板数据库中确定出与待匹配心理咨询模板相似度最高的历史心理咨询模板。比如说，之前有一份关于职业疲劳引发的失眠问题的模板与当前的模板相似度很高。那么，使用过这份历史模板的用户就被视为活跃用户。

接下来，平台会从用户数据库中提取多个待定用户，这些用户可以是潜在的需要此模板的人群。接着，平台会根据待匹配的心理咨询模板对活跃用户以及待定用户进行心理咨询对比分析。这一步的目标是确定出适配用户，也就是最可能需要此心理咨询模板的用户。

假设平台有一个预训练好的模型，该模型可以抽取心理咨询模板和用户特征。对于待匹配的心理咨询模板，可以使用该模型提取出模板特征；对于待定用户，也可以通过他们的心理咨询关联数据(如历史咨询记录、用户反馈等)来提取出用户特征。同时，还可以得到活跃用户的特征，并通过兴趣系数(描述用户对待匹配心理咨询模板的关注意向强度)来筛选出真正的活跃用户。

然后，根据待匹配模板特征与活跃用户特征之间的一致性，对活跃用户特征进行优化。这样，就得到了优化活跃用户特征。接着，再根据优化活跃用户特征与各个待定用户特征之间的一致性，从待定用户中确定出适配用户。

最后，平台将待匹配的心理咨询模板推送给这些适配用户。这样，这些用户就可以利用这份心理咨询模板来解决他们的失眠问题。

值得说明的是，针对模板特征抽取，可以使用卷积神经网络(ConvolutionalNeural Networks，CNN)或者自然语言处理(Natural Language Processing，NLP)中常用的词嵌入(Word Embedding)模型如word2vec，GloVe等对心理咨询模板进行特征抽取。这些特征可以包括模板中问题的关键词、问题类型、问题复杂性等。针对用户特征抽取，可以使用各种数据挖掘技术从用户的心理咨询关联数据中提取出用户特征。例如，可以通过用户的历史咨询记录分析出用户的问题类型、问题频率等。同时，也可以根据用户反馈、互动情况等信息提取出用户满意度、活跃度等特征。针对活跃用户特征优化，可以主要是利用活跃用户与待匹配模板特征之间的一致性来对活跃用户特征进行优化。一般可以定义一个损失函数来衡量一致性，例如使用余弦相似度(Cosine Similarity)或者皮尔逊相关系数(Pearson Correlation Coefficient)。然后可以使用梯度下降(Gradient Descent)等优化算法来最小化这个损失函数，从而得到优化后的活跃用户特征。针对适配用户确定，可以在确定适配用户时，同样需要根据优化后的活跃用户特征与待定用户特征之间的一致性来进行。可以为每个待定用户定义一个适配度分数，这个分数就是优化后的活跃用户特征与该待定用户特征的一致性。然后，就可以根据这个适配度分数来确定出适配用户。

本发明实施例提供一种计算机设备100，计算机设备100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，计算机设备100执行前述的基于大数据的心理咨询对比分析方法。如图2所示，图2为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括存储器111、处理器112及通信单元113。为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。例如，可通过一条或多条通讯总线或信号线实现这些元件相互之间电性连接。

出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。

Claims (10)

1.一种基于大数据的心理咨询对比分析方法，其特征在于，包括：

响应于待匹配心理咨询模板的发布指令，对所述待匹配心理咨询模板进行标准检验；

当所述待匹配心理咨询模板通过所述标准检测时，从心理咨询模板数据库中确定出与所述待匹配心理咨询模板相似度最高的历史心理咨询模板；

获取所述历史心理咨询模板对应的历史用户作为所述待匹配心理咨询模板的活跃用户，并从用户数据库中提取多个待定用户；

基于所述待匹配心理咨询模板对所述活跃用户以及所述多个待定用户进行心理咨询对比分析操作，确定出适配用户，并将所述待匹配心理咨询模板推送至所述适配用户。

2.根据权利要求1所述的方法，其特征在于，所述基于所述待匹配心理咨询模板对所述活跃用户以及所述多个待定用户进行心理咨询对比分析操作，确定出适配用户，并将所述待匹配心理咨询模板推送至所述适配用户，包括：

获得所述待匹配心理咨询模板；

根据模板特征抽取模型对所述待匹配心理咨询模板执行模板特征抽取操作，得到待匹配模板特征；其中，所述模板特征抽取模型为根据样本一致性系数与样本匹配系数之间的偏差，对第一基础模型执行模型训练流程得到；所述样本一致性系数为样本模板特征与样本用户特征之间的一致性，所述样本模板特征为根据所述第一基础模型对样本心理咨询模板执行模板特征抽取操作得到，所述样本用户特征为根据第二基础模型对样本心理咨询关联数据执行用户特征抽取操作获得的；所述样本匹配系数用于描述向样本用户发送所述样本心理咨询模板的匹配情况；

根据用户特征抽取模型对各个待定用户的心理咨询关联数据执行用户特征抽取操作，得到多个待定用户特征；所述用户特征抽取模型为根据所述样本一致性系数与所述样本匹配系数之间的偏差，对所述第二基础模型执行模型训练流程得到；各个待定用户特征为对各个待定用户的心理咨询关联数据执行用户特征抽取操作获得的；

获得所述待匹配心理咨询模板对应的所述活跃用户，并确定所述活跃用户对应的活跃用户特征；所述活跃用户为兴趣系数高于预置兴趣系数阈值的用户；所述兴趣系数用于描述所述活跃用户对所述待匹配心理咨询模板的关注意向强度；

根据所述待匹配模板特征与所述活跃用户特征之间的一致性，对所述活跃用户特征进行优化，得到优化活跃用户特征；

根据所述优化活跃用户特征与各个待定用户特征之间的一致性，从所述多个待定用户特征中确定出适配用户特征；

向所述适配用户特征对应的适配用户发送所述待匹配心理咨询模板。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获得所述样本用户对应的所述样本心理咨询模板以及所述样本心理咨询关联数据，所述样本心理咨询模板预先配置了所述样本匹配系数；

根据所述第一基础模型对所述样本心理咨询模板执行模板特征抽取操作，得到所述样本模板特征；

根据所述第二基础模型对所述样本心理咨询关联数据执行用户特征抽取操作，得到所述样本用户特征；所述样本心理咨询模板包括向目标样本用户匹配成功的目标样本心理咨询模板，以及向非目标样本用户匹配失败的非目标样本心理咨询模板，所述样本匹配系数包括正向数值标注以及负向数值标注，正向数值高于负向数值；所述目标样本心理咨询模板预先配置了所述正向数值标注，所述非目标样本心理咨询模板预先配置了所述负向数值标注；

确定目标样本模板特征与所述目标样本用户对应的目标样本用户特征之间的一致性，得到第一样本一致性系数；所述目标样本模板特征为所述目标样本心理咨询模板对应的模板特征；

确定非目标样本模板特征与所述非目标样本用户对应的非目标样本用户特征之间的一致性，得到第二样本一致性系数；所述非目标样本模板特征为所述非目标样本心理咨询模板对应的模板特征；

根据所述第一样本一致性系数与所述正向数值标注之间的第一偏差，确定第一代价参量；

根据所述第二样本一致性系数与所述负向数值标注之间的第二偏差，确定第二代价参量；

根据所述第一代价参量以及所述第二代价参量，确定目标代价参量；

根据所述目标代价参量优化所述第一基础模型以及所述第二基础模型各自对应的模型权重直到达到训练终止要求；

将训练完成的第一基础模型确定为所述模板特征抽取模型，将训练完成的第二基础模型确定为所述用户特征抽取模型。

4.根据权利要求3所述的方法，其特征在于，所述第一基础模型包括原始互动元素特征抽取单元、原始主题相关特征抽取单元以及原始多模态学习单元，所述根据所述第一基础模型对所述样本心理咨询模板执行模板特征抽取操作，得到所述样本模板特征，包括：

根据所述原始互动元素特征抽取单元，对所述样本心理咨询模板执行互动元素特征抽取操作，得到样本互动元素特征；

根据所述原始主题相关特征抽取单元，对所述样本心理咨询模板执行主题相关特征抽取操作，得到样本主题相关特征；

根据所述原始多模态学习单元，对所述样本互动元素特征以及所述样本主题相关特征执行整合操作，得到所述样本模板特征。

5.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获得多个基础用户对应的心理咨询关联数据；

根据所述用户特征抽取模型对各个基础用户的心理咨询关联数据执行用户特征抽取操作，得到各个基础用户对应的基础用户特征；

根据所述各个基础用户对应的基础用户特征，建设所述用户数据库；

所述多个待定用户特征通过以下方式获取，包括：

根据所述用户数据库，获得所述多个待定用户特征。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

按照预设周期获得所述用户数据库中各个基础用户对应的心理咨询关联数据；

将心理咨询关联数据出现变化的基础用户确定为待调整用户；

根据所述用户特征抽取模型对所述待调整用户的调整心理咨询关联数据执行用户特征抽取操作，得到所述待调整用户的调整用户特征；

根据所述待调整用户的调整用户特征，对所述用户数据库进行调整。

7.根据权利要求5所述的方法，其特征在于，所述获得多个基础用户对应的心理咨询关联数据，包括：

获得多个基础用户对应的用户属性信息以及用户交互信息；

将各个基础用户对应的用户属性信息以及用户交互信息，确定为所述各个基础用户对应的心理咨询关联数据。

8.根据权利要求5所述的方法，其特征在于，所述待定用户为多个，所述根据模板特征抽取模型对所述待匹配心理咨询模板执行模板特征抽取操作，得到所述待匹配模板特征之后，所述方法还包括：

根据所述待匹配模板特征与各个待定用户特征之间的一致性，得到各个待定用户特征对应的候选一致性；

根据所述各个待定用户特征对应的候选一致性，从所述多个待定用户中提取多个先期训练用户；

向所述多个先期训练用户发送所述待匹配心理咨询模板；

根据所述多个先期训练用户各自对应的匹配情况，确定各个先期训练用户对应的先期训练匹配系数；

根据所述用户特征抽取模型对各个先期训练用户执行用户特征抽取操作，得到各个先期训练用户的先期训练用户特征；

根据所述待匹配模板特征与各个先期训练用户特征之间的一致性，确定各个先期训练用户对应的先期训练一致性系数；

根据所述各个先期训练用户对应的先期训练一致性系数与所述各个先期训练用户对应的先期训练匹配系数之间的偏差，对所述模板特征抽取模型以及所述用户特征抽取模型进行二次训练，得到优化模板特征抽取模型以及优化用户特征抽取模型。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

根据所述优化模板特征抽取模型对所述待匹配心理咨询模板执行模板特征抽取操作，得到优化待匹配模板特征；

所述方法还包括：

根据所述优化用户特征抽取模型对所述活跃用户对应的心理咨询关联数据执行用户特征抽取操作，得到所述活跃用户对应的目标活跃用户特征；

所述根据所述待匹配模板特征与所述活跃用户特征之间的一致性，对所述活跃用户特征进行优化，得到优化活跃用户特征，包括：

根据所述优化待匹配模板特征与所述目标活跃用户特征之间的一致性，对所述活跃用户特征进行优化，得到所述优化活跃用户特征。

10.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-9中任一项所述的方法。