一种基于用户反馈的视觉训练项目推荐方法和装置制造方法及图纸

本发明专利技术提供了一种基于用户反馈的视觉训练项目推荐方法和装置，所述方法包括：获取用户数据；用户数据包括对训练项目的得分和偏好值以及用户信息；将用户数据输入至训练项目预测模型，基于分类标签对下一次的训练项目进行预测；根据预测结果的得分值，选择得分值排名前三的训练项目推荐给所述用户；TabNet的编解码结构对所述视力检查结果和用户信息进行无监督训练，获得用户特征；通过用户特征构建分类标签；分类标签根据查找样本数据和匹配样本数据设置。本申请实施例综合考虑用户的客观数据和主观偏好，可推荐客观上能达到较好训练效果且主观上更愿意配合参与的项目，从而达到更优的推荐效果。优的推荐效果。优的推荐效果。

【技术实现步骤摘要】
一种基于用户反馈的视觉训练项目推荐方法和装置


[0001]本专利技术涉及视觉训练领域，尤其涉及一种基于用户反馈的视觉训练项目推荐方法、装置、终端设备及计算机可读存储介质。

技术介绍

[0002]视觉训练是一种提高视觉功能和视觉表现的个性化训练，具体而言，其可以针对常见的视觉缺陷，包括：视觉信息处理异常、视觉和运动协调异常、脑创伤或休克后视觉的康复等都可以通过视觉训练进行克服。
[0003]通常情况下，在进行视觉训练之前，患者需要进行多项视觉功能的检查，例如双眼视力检查、双眼屈光检查、注视性质检查、对比敏感度检查、同时视功能检查、融合功能检查和立体视功能检查等。专家、医生或相关的技术人员，会根据这些检查数据，基于自己的经验安排视觉训练方案。视觉训练方案的制定对人的经验具有较强的依赖，并且人的主观经验将会直接影响到训练效果。另一方面，现有技术也有基于规则的方式自动生成训练方案，以降低训练方案对专家或医生的依赖，但是这种技术方案需要制定较为繁杂的规则，并且，其无法个性化、精细化地针对用户情况给出合理的视觉训练方案。例如，无法在制定的过程中结合考虑用户的反馈信息。

技术实现思路

[0004]本专利技术提供了一种基于用户反馈的视觉训练项目推荐方法、装置、终端设备及计算机可读存储介质，以解决现有技术无法个性化、精细化地针对用户情况给出合理的视觉训练方案的技术问题。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种基于用户反馈的视觉训练项目推荐方法，包括：
[0006]获取用户数据；其中，所述用户数据包括用户信息、当前时刻的视力检查结果、上一次训练项目、已训练次数、上一次训练得分值和对上一次训练项目的偏好值；其中，所述偏好值通过用户端反馈得到；
[0007]将所述用户数据输入至训练项目预测模型，基于预先构建好的分类标签对下一次的训练项目进行预测；根据预测结果的得分值，选择得分值排名前三的训练项目推荐给所述用户；
[0008]其中，所述训练项目预测模型基于TabNet网络结构进行构建；所述TabNet包括编解码结构和预测结构；所述编解码结构用于对所述视力检查结果和用户信息进行无监督训练，获得用户特征，所述用户特征用于构建所述分类标签；所述分类标签根据若干用户样本数据进行设置；所述用户样本数据包括查找样本数据和匹配样本数据。
[0009]作为优选方案，所述分类标签根据查找样本的下一次训练项目以及筛选出的匹配样本的下一次训练项目进行设置；其中，所述筛选出的匹配样本根据查找样本和匹配样本之间的相似度筛选得到。
[0010]作为优选方案，所述筛选出的匹配样本根据查找样本和匹配样本之间的相似度筛选得到，具体地：
[0011]筛选出余弦相似度大于预设值的匹配样本；
[0012]或者，按照余弦相似度从大到小的顺序筛选出若干数量的匹配样本。
[0013]作为优选方案，所述用户信息包括年龄和性别；所述视力检查结果包括视力、散瞳、验光、注视性质、同时视、融合功能、立体视、弱视类型、眼位、眼球震颤情况和诊断结果。
[0014]作为优选方案，在所述将所述用户数据输入至训练项目预测模型之前，还包括：将所述上一次训练得分值和对上一次训练项目的偏好值进行归一化；将用户信息和视力检查结果中的离散特征进行embedding操作，所述训练项目预测模型的损失函数采用交叉熵函数。
[0015]相应的，本专利技术实施例还提供了一种基于用户反馈的视觉训练项目推荐装置，包括用户数据获取模块和推荐模块；其中，
[0016]所述用户数据获取模块，用于获取用户数据；其中，所述用户数据包括用户信息、当前时刻的视力检查结果、上一次训练项目、已训练次数、上一次训练得分值和对上一次训练项目的偏好值；其中，所述偏好值通过用户端反馈得到；
[0017]所述推荐模块，用于将所述用户数据输入至训练项目预测模型，基于预先构建好的分类标签对下一次的训练项目进行预测；根据预测结果的得分值，选择得分值排名前三的训练项目推荐给所述用户；
[0018]其中，所述训练项目预测模型基于TabNet网络结构进行构建；所述TabNet包括编解码结构和预测结构；所述编解码结构用于对所述视力检查结果和用户信息进行无监督训练，获得用户特征，所述用户特征用于构建所述分类标签；所述分类标签根据若干用户样本数据进行设置；所述用户样本数据包括查找样本数据和匹配样本数据。
[0019]作为优选方案，所述分类标签根据查找样本的下一次训练项目以及筛选出的匹配样本的下一次训练项目进行设置；其中，所述筛选出的匹配样本根据查找样本和匹配样本之间的相似度筛选得到。
[0020]作为优选方案，所述筛选出的匹配样本根据查找样本和匹配样本之间的相似度筛选得到，具体地：
[0021]筛选出余弦相似度大于预设值的匹配样本；
[0022]或者，按照余弦相似度从大到小的顺序筛选出若干数量的匹配样本。
[0023]相应的，本专利技术实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于用户反馈的视觉训练项目推荐方法。
[0024]相应的，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的基于用户反馈的视觉训练项目推荐方法。
[0025]相比于现有技术，本专利技术实施例具有如下有益效果：
[0026]本专利技术实施例提供了一种基于用户反馈的视觉训练项目推荐方法、装置、终端设备及计算机可读存储介质，所述视觉训练项目推荐方法包括：获取用户数据；其中，所述用户数据包括用户信息、当前时刻的视力检查结果、上一次训练项目、已训练次数、上一次训
练得分值和对上一次训练项目的偏好值；其中，所述偏好值通过用户端反馈得到；将所述用户数据输入至训练项目预测模型，基于预先构建好的分类标签对下一次的训练项目进行预测；根据预测结果的得分值，选择得分值排名前三的训练项目推荐给所述用户；其中，所述训练项目预测模型基于TabNet网络结构进行构建；所述TabNet包括编解码结构和预测结构；所述编解码结构用于对所述视力检查结果和用户信息进行无监督训练，获得用户特征，所述用户特征用于构建所述分类标签；所述分类标签根据若干用户样本数据进行设置；所述用户样本数据包括查找样本数据和匹配样本数据。实施本申请实施例，将用户信息、视力检查结果、上一次训练项目、已训练次数、上一次训练得分值和对上一次训练项目的偏好值输入至预测模型，而分类标签根据查找样本数据和匹配样本数据进行设置，相比现有技术可以综合考虑得分值以及用户端反馈的偏好，基于用户反馈对训练项目进行推荐，解决了现有技术无法个性化、精细化地针对用户情况给出合理的视觉训练方案的问题，提高了推荐的准确性和针对性。
附图说明
[0027]图1：为本专利技术基于用户反馈提供的视觉训练项目推荐方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户反馈的视觉训练项目推荐方法，其特征在于，包括：获取用户数据；其中，所述用户数据包括用户信息、当前时刻的视力检查结果、上一次训练项目、已训练次数、上一次训练得分值和对上一次训练项目的偏好值；其中，所述偏好值通过用户端反馈得到；将所述用户数据输入至训练项目预测模型，基于预先构建好的分类标签对下一次的训练项目进行预测；根据预测结果的得分值，选择得分值排名前三的训练项目推荐给所述用户；其中，所述训练项目预测模型基于TabNet网络结构进行构建；所述TabNet包括编解码结构和预测结构；所述编解码结构用于对所述视力检查结果和用户信息进行无监督训练，获得用户特征，所述用户特征用于构建所述分类标签；所述分类标签根据若干用户样本数据进行设置；所述用户样本数据包括查找样本数据和匹配样本数据。2.如权利要求1所述的一种基于用户反馈的视觉训练项目推荐方法，其特征在于，所述分类标签根据查找样本的下一次训练项目以及筛选出的匹配样本的下一次训练项目进行设置；其中，所述筛选出的匹配样本根据查找样本和匹配样本之间的相似度筛选得到。3.如权利要求2所述的一种基于用户反馈的视觉训练项目推荐方法，其特征在于，所述筛选出的匹配样本根据查找样本和匹配样本之间的相似度筛选得到，具体地：筛选出余弦相似度大于预设值的匹配样本；或者，按照余弦相似度从大到小的顺序筛选出若干数量的匹配样本。4.如权利要求3所述的一种基于用户反馈的视觉训练项目推荐方法，其特征在于，所述用户信息包括年龄和性别；所述视力检查结果包括视力、散瞳、验光、注视性质、同时视、融合功能、立体视、弱视类型、眼位、眼球震颤情况和诊断结果。5.如权利要求4所述的一种基于用户反馈的视觉训练项目推荐方法，其特征在于，在所述将所述用户数据输入至训练项目预测模型之前，还包括：将所述上一次训练得分值和对上一次训练项目的偏好值进行归一化；将用户信息和视力检查结果中的离散特征进行embedding操作，所述训练项目预测模型的损失函数采用交叉熵函数。6.一种基...

【专利技术属性】
技术研发人员：谢伟浩，
申请(专利权)人：广州视景医疗软件有限公司，
类型：发明
国别省市：