本发明专利技术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。本发明专利技术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。使得个性化的服务推荐更加精准。使得个性化的服务推荐更加精准。
【技术实现步骤摘要】
一种基于知识图谱的个性化服务推荐方法
[0001]本专利技术涉及养老服务推荐
，具体涉及一种基于知识图谱的个性化服务推荐方法。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]本专利技术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。
[0006]本专利技术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。
[0007]作为本专利技术进一步的方案：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。
[0008]作为本专利技术进一步的方案：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。
[0009]作为本专利技术进一步的方案：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。
[0010]作为本专利技术进一步的方案：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。
[0011]作为本专利技术进一步的方案：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。
[0012]作为本专利技术进一步的方案：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。
[0013]作为本专利技术进一步的方案：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。
[0014]作为本专利技术进一步的方案：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。
[0015]本专利技术的有益效果：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。
附本文档来自技高网...
【技术保护点】
【技术特征摘要】
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；...
【专利技术属性】
技术研发人员：刘刚，薛晨洋，张君华，沈鸣飞，叶士飞，顾亚军，
申请(专利权)人：苏州元澄科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。