【技术实现步骤摘要】
本专利技术属于智能服务推荐领域，尤其涉及一种基于用户画像的智能健康照护服务推荐方法和系统。
技术介绍
1、随着人口老龄化不断深化，老龄人口不断增多，对于健康照护服务的需求日益增长。如何提供个性化、精准的健康照护服务成为了一个重要的问题。因此，通过数据挖掘和分析，了解用户健康状况和需求，并为其提供个性化的健康照护服务推荐具有重要意义。
技术实现思路
1、为实现上述目的，本专利技术提供了如下方案：一种基于用户画像的智能健康照护服务推荐方法和系统。其中，一种基于用户画像的智能健康照护服务推荐方法，包括：
2、收集初始用户信息数据并对所述初始用户信息数据进行处理，获得目标用户信息数据；
3、基于所述目标用户信息数据，采用聚类分析和关联规则分析方法，构建居家老年人用户画像，并获得各类人群的标签数据信息；
4、基于所述各类人群的标签数据信息构建初始老年人用户画像标签体系，通过匹配算法对所述初始老年人用户画像标签体系进行完善优化，获得目标老年人用户画像标签体系；
5、基于所述目标老年人用户画像标签体系，匹配居家老年人健康信息和健康照护服务资源，进行有效健康照护和个性化健康照护推荐，获得推荐结果。
6、优选地，所述收集初始用户信息数据并对所述初始用户信息数据进行处理的过程包括，
7、通过红外测距传感器、超声测距传感器和人体感应模块，获得人体生理参数信息；
8、通过图片、语音或现场采集评估并收集老年人的一般信息、健康
9、基于所述人体生理参数信息和综合数据信息获得初始用户信息数据，并对所述初始用户信息数据进行数据识别、数据清洗、数据转换和数据挖掘处理，获得获得目标用户信息数据；
10、其中，所述人体生理参数信息至少包括心电、血压、体温、呼吸率、脉搏、血氧饱和度；
11、所述一般信息至少包括性别、年龄、教育水平、婚姻状况；
12、所述健康状况至少包括疾病情况、疾病管理情况、用药情况；
13、所述功能状况至少包：adl/iadl、认知功能；
14、所述各类生理参数至少包括心率、血压、血氧、血糖；
15、所述行为习惯至少包括吸烟、饮酒、运动；
16、所述偏好信息至少包括喜好的领域、内容、社会参与的内容；
17、所述购买意愿为对健康照护服务的购买意愿。
18、优选地，基于所述目标用户信息数据，采用聚类分析和关联规则分析方法，构建居家老年人用户画像，并获得各类人群的标签数据信息的过程包括，
19、对个体的特征进行描述获取画像，计算画像的相似度和画像聚类后，计算各画像之间的相似度，采用综合计算法和k-means算法对多维数据进行聚类生成群体画像，获得静态群体用户画像；
20、基于居家老年人的综合数据信息，运用聚类算法、关联规则算法进行标签映射，定时更新用户标签，完成用户动态精准图像建模，构建基于用户需求的用户动态画像标签体系。
21、优选地，采用综合计算法和k-means算法对多维数据进行聚类生成群体画像，获得静态群体用户画像的过程包括：
22、从n个数据对象中随机选取k个数据对象作为初始聚类中心；其中数据对象包括一般信息、各类生理参数、行为习惯、偏好信息和购买意愿；
23、计算数据集中各个数据对象与聚类中心的欧氏距离，并根据最小距离对象进行类簇划分；
24、在形成的子类簇中，重新计算每个聚类中所包含的数据对象的均值作为新的聚类中心；
25、循环直到类簇的误差平方和不再变化或目标函数收敛为止，获得若干个静态群体，并对每个静态群体提取代表性特征，获得静态群体用户画像。
26、优选地，运用聚类算法、关联规则算法进行标签映射，定时更新用户标签，完成用户动态精准图像建模的过程包括，
27、使用c4.5决策树算法建模，将是否有意愿使用或已使用健康照护服务作为目标变量，将老年人的一般情况、健康状况、功能状况作为解释变量，生成决策树模型；
28、通过所述决策树模型分析，进一步挖掘不同群体在目标变量上的影响因素及其特征；
29、采用综合计算法，考虑不同属性的权重，计算个性化推荐的相似度，表达式为：
30、相似度(a，b)＝σwk*sim(ak，bk)
31、其中：a，b为两个个体wk为第k个属性的权重sim(ak，bk)为第k个属性的相似度。
32、优选地，通过所述决策树模型分析，进一步挖掘不同群体在目标变量上的影响因素及其特征的过程包括：
33、通过决策树模型判断影响目标变量的主要特征，为每个静态群体画更详细的画像；
34、对新来的老年人，根据其特征进行分类，被分配到相应的静态群体；
35、定期收集老年人更新的数据，调整群体划分和画像描述，构建动态的用户画像模型；
36、根据所述用户画像模型，为每个老年人提供个性化的健康管理服务推荐。
37、优选地，根据所述用户画像模型，为每个老年人提供个性化的健康管理服务推荐的过程包括，
38、根据收集到的用户行为数据，提取用户偏好特征，然后采用apriori算法进行关联规则挖掘，找出用户行为数据中的关联规则；
39、所述采用apriori算法进行关联规则挖掘，找出用户行为数据中的关联规则的操作步骤包括：
40、扫描数据库，统计每个项目集的支持度；
41、从频繁1项集开始，通过连接操作生成候选k项集；
42、计算每个候选k项集的支持度，筛选出频繁k项集；
43、对每个频繁k项集生成关联规则，计算置信度；
44、按支持度和置信度筛选出满足最小支持度和置信度的强关联规则；
45、将提取出的用户偏好特征和关联规则对应，为每个用户贴上标签，形成初步动态用户画像；
46、定期收集和分析新用户行为数据，调整和更新每个用户的标签，实现动态用户画像模型的持续优化；
47、完善基于用户画像标签的个性化内容和服务推荐体系，根据用户实时行为动态更新和完善用户画像，为用户提供更精准的个性化服务。
48、优选地，所述采用apriori算法进行关联规则挖掘的过程包括：
49、扫描整个数据库；
50、对事物各项属性值计算；
51、设定支持度和置信度，并在统计不同结果之后进行比较；
52、产生频繁项集；
53、对频繁项集进行连接、剪枝、产生候选集；
54、重复以上步骤，直到找出所有频繁项集。
55、优选地，所述进行有效健康照护和个性化健康照护推荐包括：
56、通过内容推荐和协同过滤推荐完成健康管理内容的个性推荐，以及根据情景感知进行更精本文档来自技高网...
【技术保护点】
1.一种基于用户画像的智能健康照护服务推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于用户画像的智能健康照护服务推荐方法，其特征在于，所述收集初始用户信息数据并对所述初始用户信息数据进行处理的过程包括，
3.根据权利要求1所述的基于用户画像的智能健康照护服务推荐方法，其特征在于，基于所述目标用户信息数据，采用聚类分析和关联规则分析方法，构建居家老年人用户画像，并获得各类人群的标签数据信息的过程包括，
4.根据权利要求3所述的基于用户画像的智能健康照护服务推荐方法，其特征在于，采用综合计算法和K-means算法对多维数据进行聚类生成群体画像，获得静态群体用户画像的过程包括：
5.根据权利要求3所述的基于用户画像的智能健康照护服务推荐方法，其特征在于，运用聚类算法、关联规则算法进行标签映射，定时更新用户标签，完成用户动态精准图像建模的过程包括，
6.根据权利要求5所述的基于用户画像的智能健康照护服务推荐方法，其特征在于，通过所述决策树模型分析，进一步挖掘不同群体在目标变量上的影响因素及其特征的过程包括：
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。