[發(fā)明專利]基于機器學(xué)習(xí)和用戶畫像技術(shù)的社交用戶推薦方法及裝置

有效

• 申請?zhí)枺?/td>: 201810758562.0
• 申請日: 2018-07-11
• 公開（公告）號: CN108920682B
• 公開（公告）日: 2021-08-31
• 發(fā)明（設(shè)計）人: 陳建成
• 申請（專利權(quán)）人: 廈門盈趣科技股份有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q50/00
• 代理公司: 北京超凡志成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 魏彥

1.一種基于機器學(xué)習(xí)和用戶畫像技術(shù)的社交用戶推薦方法，其特征在于，應(yīng)用于服務(wù)器，所述服務(wù)器配置有用戶畫像模型及神經(jīng)網(wǎng)絡(luò)模型，所述方法包括：

獲取社交用戶的運動數(shù)據(jù)及個人屬性，其中，所述個人屬性包括社交用戶設(shè)定的人口特征信息和偏好信息，所述運動數(shù)據(jù)包括所述社交用戶當(dāng)前的運動加速度、旋轉(zhuǎn)角速度以及腳底壓力；

所述運動數(shù)據(jù)通過社交用戶佩戴的可穿戴設(shè)備檢測得到,所述可穿戴設(shè)備配置有濾波電路，所述可穿戴設(shè)備的采集頻率根據(jù)人體運動頻率進(jìn)行設(shè)定，所述可穿戴設(shè)備包括通信模塊和處理器，通過所述處理器對所述可穿戴設(shè)備采集的運動數(shù)據(jù)進(jìn)行初步處理，通過所述通信模塊將處理后的運動數(shù)據(jù)傳輸至所述服務(wù)器；

對所述運動數(shù)據(jù)進(jìn)行處理，并將處理后的數(shù)據(jù)輸入所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運算，得到所述社交用戶的運動情境類型；

將所述社交用戶的運動情境類型及個人屬性輸入所述用戶畫像模型，得到所述社交用戶的用戶畫像；

基于所述社交用戶的用戶畫像以及配置于所述用戶畫像模型的初始社交推薦方案將所述社交用戶推薦給滿足設(shè)定條件的其他用戶；

所述方法還包括：

獲取其他用戶對所述社交用戶的評價信息；

其中，所述評價信息包括其他用戶對本次推薦的滿意度和對所述社交用戶的印象評分，所述滿意度和所述印象評分通過在社交結(jié)束時向用戶發(fā)送調(diào)查問卷的形式進(jìn)行采集；根據(jù)其他用戶對所述社交用戶的評價信息對所述用戶畫像模型進(jìn)行優(yōu)化；

所述方法還包括：

根據(jù)其他用戶對所述社交用戶的評價信息對所述初始社交推薦方案進(jìn)行優(yōu)化；若其他用戶對本次推薦的滿意度權(quán)重大于預(yù)設(shè)值，則將本次社交推薦方案作為固定工作樣本保留；

所述運動數(shù)據(jù)中包括腳底的壓力數(shù)據(jù)，并且所述運動數(shù)據(jù)以矩陣形式保存，所述對所述運動數(shù)據(jù)進(jìn)行處理，并將處理后的數(shù)據(jù)輸入所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運算，得到所述社交用戶的運動情境類型的步驟，包括：

對所述壓力數(shù)據(jù)進(jìn)行小波變換操作；

根據(jù)矩陣的非監(jiān)督算法對經(jīng)過小波變換操作后的壓力數(shù)據(jù)進(jìn)行去噪，并將信噪比高于預(yù)設(shè)信噪比的壓力數(shù)據(jù)作為所述社交用戶的步態(tài)數(shù)據(jù)；

根據(jù)所述社交用戶的步態(tài)數(shù)據(jù)確定所述社交用戶的運動情境類型；

所述方法還包括對運動數(shù)據(jù)進(jìn)行降維處理的步驟，所述步驟包括：

將矩陣中每一元素減去所在列的均值后，除以所在列的標(biāo)準(zhǔn)差。

2.如權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述社交用戶的步態(tài)數(shù)據(jù)確定所述社交用戶的運動情境類型的步驟，包括：

獲取所述步態(tài)數(shù)據(jù)的時域特征和頻域特征；

采用模糊C均值法從所述步態(tài)數(shù)據(jù)的時域特征中得到基于所述步態(tài)數(shù)據(jù)的步態(tài)頻域特征子集；

將所述步態(tài)頻域特征子集與所述時域特征融合，得到所述社交用戶的步態(tài)特征集；

通過神經(jīng)網(wǎng)絡(luò)模型對所述步態(tài)特征集進(jìn)行識別，得到所述社交用戶的運動情境類型。

3.一種基于機器學(xué)習(xí)和用戶畫像技術(shù)的社交用戶推薦裝置，其特征在于，應(yīng)用于服務(wù)器，所述服務(wù)器配置有用戶畫像模型及神經(jīng)網(wǎng)絡(luò)模型，所述裝置包括：

獲取模塊，用于獲取社交用戶的運動數(shù)據(jù)及個人屬性，其中，所述個人屬性包括社交用戶設(shè)定的人口特征信息和偏好信息，所述運動數(shù)據(jù)包括所述社交用戶當(dāng)前的運動加速度、旋轉(zhuǎn)角速度以及腳底壓力；

所述運動數(shù)據(jù)通過社交用戶佩戴的可穿戴設(shè)備檢測得到,所述可穿戴設(shè)備配置有濾波電路，所述可穿戴設(shè)備的采集頻率根據(jù)人體運動頻率進(jìn)行設(shè)定，所述可穿戴設(shè)備包括通信模塊和處理器，通過所述處理器對所述可穿戴設(shè)備采集的運動數(shù)據(jù)進(jìn)行初步處理，通過所述通信模塊將處理后的運動數(shù)據(jù)傳輸至所述服務(wù)器；

處理模塊，用于對所述運動數(shù)據(jù)進(jìn)行處理，并將處理后的數(shù)據(jù)輸入所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運算，得到所述社交用戶的運動情境類型；

用戶畫像生成模塊，用于將所述社交用戶的運動情境類型及個人屬性輸入所述用戶畫像模型，得到所述社交用戶的用戶畫像；

推薦模塊，用于基于所述社交用戶的用戶畫像以及配置于所述用戶畫像模型的初始社交推薦方案將所述社交用戶推薦給滿足設(shè)定條件的其他用戶；

所述獲取模塊還用于獲取其他用戶對所述社交用戶的評價信息；所述裝置還包括：

優(yōu)化模塊，用于根據(jù)其他用戶對所述社交用戶的評價信息對所述用戶畫像模型進(jìn)行優(yōu)化；

其中，所述評價信息包括其他用戶對本次推薦的滿意度和對所述社交用戶的印象評分，所述滿意度和所述印象評分通過在社交結(jié)束時向用戶發(fā)送調(diào)查問卷的形式進(jìn)行采集；

所述優(yōu)化模塊還用于：

根據(jù)其他用戶對所述社交用戶的評價信息對配置于所述用戶畫像模型的初始社交推薦方案進(jìn)行優(yōu)化；若其他用戶對本次推薦的滿意度權(quán)重大于預(yù)設(shè)值，則將本次社交推薦方案作為固定工作樣本保留；

所述處理模塊具體用于：

對所述運動數(shù)據(jù)中的壓力數(shù)據(jù)進(jìn)行小波變換操作；

根據(jù)矩陣的非監(jiān)督算法對經(jīng)過小波變換操作后的壓力數(shù)據(jù)進(jìn)行去噪，并將信噪比高于預(yù)設(shè)信噪比的壓力數(shù)據(jù)作為所述社交用戶的步態(tài)數(shù)據(jù)；

根據(jù)所述社交用戶的步態(tài)數(shù)據(jù)確定所述社交用戶的運動情境類型；

所述社交用戶推薦裝置還用于對運動數(shù)據(jù)進(jìn)行降維處理，將矩陣中每一元素減去所在列的均值后，除以所在列的標(biāo)準(zhǔn)差。