【技术实现步骤摘要】
本专利技术涉及设备推荐，具体涉及基于用户历史行为的护理设备推荐方法及系统。
技术介绍
1、随着老龄化社会的到来，护理设备的需求量大幅增长，老年人和慢性病患者对智能护理设备的需求不仅限于基本的健康监测，还包括个性化的支持，如辅助行走设备、智能床垫、健康管理设备等，为了提高设备的适配性，基于用户行为的推荐方法越来越重要。
2、现有技术存在以下缺陷：
3、1、现有推荐系统依赖用户完整的行为数据，以确保设备推荐的准确性，然而，由于行为数据采集的局限性，可能会出现数据不连续或时间段缺失，导致推荐效果下降；
4、2、推荐系统往往难以精准捕捉用户的个性化需求，特别是在处理具有时空变化的行为数据时，可能会因数据采样不足而无法识别用户需求的动态变化，从而导致推荐不够精确。
5、基于此，本专利技术提出基于用户历史行为的护理设备推荐方法及系统，能够利用已知数据点估算缺失值，从而弥补数据不连续或缺失的问题，并对用户行为进行预测后，填补用户行为数据的时空缺口，有效提高推荐效果和准确性。
技术实现思路
1、本专利技术的目的是提供基于用户历史行为的护理设备推荐方法及系统，以解决
技术介绍
中不足。
2、为了实现上述目的，本专利技术提供如下技术方案：基于用户历史行为的护理设备推荐方法，所述推荐方法包括以下步骤：
3、收集用户的行为数据，对行为数据附加时间和空间标签，使用k-means算法对用户行为数据进行聚类分析，识别用户的行为模式，基于聚类结果
4、使用半方差函数描述用户行为数据相似性形成半方差模型，基于半方差模型特征选择对应的补缺模型后，依据聚类后的用户行为数据训练选择的补缺模型，估算在时间或空间上缺失的行为数据；
5、结合用户行为数据的特征数据和补缺模型的预测结果，分配每一特征数据的权重，使用多因素加权法设定推荐规则，基于推荐规则生成护理设备推荐列表。
6、在一个优选的实施方式中，使用半方差函数描述用户行为数据相似性形成半方差模型，包括以下步骤：
7、在用户行为数据中，选取需要描述相似性的特征对，对于每对用户数据点，计算特征值之间的差值，表达式为：δx＝xi-xj，式中，δx为差值，xi为用户i数据点，xj为用户j数据点，将差值平方得到变异值，表达式为：式中，r为变异值；
8、将用户位置数据划分为不同距离区间，将用户数据对按距离间隔分组，每组包含所有在该距离区间内的用户对，计算每个距离区间内所有数据对的均方变异值，作为该距离的半方差值，完成半方差模型的构建，半方差模型表达式为：式中，r为半方差值，n(h)表示在距离区间内的数据对数量，绘制不同距离下的半方差值，得到半方差图，半方差图用于描述距离和变异之间的关系。
9、在一个优选的实施方式中，基于半方差模型特征选择对应的补缺模型后，依据聚类后的用户行为数据训练选择的补缺模型，以估算在时间或空间上缺失的行为数据，包括以下步骤：
10、基于聚类结果，提取簇的数据作为训练集，在选择的簇数据上训练补缺模型；
11、在时间或空间上缺失的行为数据位置，通过补缺模型估算，补缺模型表达式为：式中，为位置s0处的预测值，即要估算的缺失行为数据值，x(si)为位置si处的已知数据点的观测值，表示用户在位置si处的行为数据值，n表示用于插值的已知数据点的总数，λi表示位置si对位置s0的插值权重，将插值结果填充至用户行为数据的空白区域，生成完整的历史记录。
12、在一个优选的实施方式中，所述插值权重λi的获取逻辑为：获取位置si的观测值波动幅值、位置si与位置s0之间的半方差值以及半方差基台值，将观测值波动幅值、半方差值以及半方差基台值进行归一化处理，使观测值波动幅值、半方差值以及半方差基台值的取值范围映射到[0,1]之间，将归一化完成后的观测值波动幅值、半方差值以及半方差基台值求和后获取位置si求和值，取求和值倒数作为影响值，将所有位置的影响值求和获取影响分母值，通过影响值比上影响分母值得到每个位置si的插值权重λi。
13、在一个优选的实施方式中，使用k-means算法对用户行为数据进行聚类分析，识别用户的行为模式，包括以下步骤：
14、随机选择k个数据点作为初始簇中心，计算每个数据点与簇中心的距离，将数据点分配到距离最小的簇；
15、对每个簇重新计算簇中心，将簇中心设为该簇中所有数据点的均值，当簇中心不再发生变化或达到预设的迭代次数时，算法收敛；
16、根据聚类结果，分析每个簇中心的特征值，提取典型行为模式，将每个聚类分组命名；
17、根据聚类结果，将每个用户分配到相似的组别，计算每个组别的用户数量和特征分布，以获取不同组别在整体用户中的比例和特征分布。
18、在一个优选的实施方式中，结合用户行为数据的特征数据和补缺模型的预测结果，分配每一特征数据的权重，使用多因素加权法设定推荐规则，基于推荐规则生成护理设备推荐列表，包括以下步骤：
19、基于加权后的特征数据和补缺模型的结果，设定推荐规则；
20、根据推荐规则，基于每个设备的特征得分生成推荐列表，计算每个护理设备的综合评分：式中，si为第i个护理设备的综合评分，m为特征数据的数量，wj为第j个特征数据的权重，fij为第i个护理设备在第j个特征数据上的表现，将所有护理设备依据综合评分由大到小进行排序，生成推荐设备列表；
21、将推荐的护理设备按优先级展示给用户，包括每个设备的特点、适用人群和使用效果信息。
22、在一个优选的实施方式中，推荐系统收集用户的行为数据，对行为数据附加时间和空间标签，包括以下步骤：
23、通过智能穿戴设备、智能监测设备实时采集用户的健康数据，包括血压、心率、体温、睡眠质量、活动量，记录用户使用各类护理设备的频率和使用时长；
24、为每条行为数据添加用户所在时间段的标签，用于分析用户在不同时间段的健康变化和设备使用习惯，标注行为数据的日期，以捕捉行为数据的周期性变化；
25、在行为数据上加上地理位置信息，用于分析不同地点对健康数据和设备使用的影响，为用户添加活动区域的标签，用于分析在不同活动区域下的健康状况和设备需求。
26、基于用户历史行为的护理设备推荐系统，包括数据收集模块、聚类模块、模型训练模块、推荐模块；
27、数据收集模块：收集用户的行为数据，对行为数据附加时间和空间标签；
28、聚类模块：使用k-means算法对用户行为数据进行聚类分析，识别用户的行为模式，基于聚类结果将用户划分不同组别；
29、模型训练模块：使用半方差函数描述用户行为数据相似性形成半方差模型，基于半方差模型特征选择对应的补缺模型后，依据聚类后的用户行为数据训练选择的补缺模型，估算在时间或空间上缺失的行为数据；
30、推荐模块：结合用户行为数据的特征数据和补缺模型本文档来自技高网...
【技术保护点】
1.基于用户历史行为的护理设备推荐方法，其特征在于：所述推荐方法包括以下步骤：
2.根据权利要求1所述的基于用户历史行为的护理设备推荐方法，其特征在于：使用半方差函数描述用户行为数据相似性形成半方差模型，包括以下步骤：
3.根据权利要求2所述的基于用户历史行为的护理设备推荐方法，其特征在于：基于半方差模型特征选择对应的补缺模型后，依据聚类后的用户行为数据训练选择的补缺模型，以估算在时间或空间上缺失的行为数据，包括以下步骤：
4.根据权利要求3所述的基于用户历史行为的护理设备推荐方法，其特征在于：所述插值权重λi的获取逻辑为：获取位置si的观测值波动幅值、位置si与位置s0之间的半方差值以及半方差基台值，将观测值波动幅值、半方差值以及半方差基台值进行归一化处理，使观测值波动幅值、半方差值以及半方差基台值的取值范围映射到[0,1]之间，将归一化完成后的观测值波动幅值、半方差值以及半方差基台值求和后获取位置si求和值，取求和值倒数作为影响值，将所有位置的影响值求和获取影响分母值，通过影响值比上影响分母值得到每个位置si的插值权重λi。
5
6.根据权利要求5所述的基于用户历史行为的护理设备推荐方法，其特征在于：结合用户行为数据的特征数据和补缺模型的预测结果，分配每一特征数据的权重，使用多因素加权法设定推荐规则，基于推荐规则生成护理设备推荐列表，包括以下步骤：
7.根据权利要求6所述的基于用户历史行为的护理设备推荐方法，其特征在于：推荐系统收集用户的行为数据，对行为数据附加时间和空间标签，包括以下步骤：
8.基于用户历史行为的护理设备推荐系统，用于实现权利要求1-7任一项所述的推荐方法，其特征在于：包括数据收集模块、聚类模块、模型训练模块、推荐模块；
...【技术特征摘要】
1.基于用户历史行为的护理设备推荐方法，其特征在于：所述推荐方法包括以下步骤：
2.根据权利要求1所述的基于用户历史行为的护理设备推荐方法，其特征在于：使用半方差函数描述用户行为数据相似性形成半方差模型，包括以下步骤：
3.根据权利要求2所述的基于用户历史行为的护理设备推荐方法，其特征在于：基于半方差模型特征选择对应的补缺模型后，依据聚类后的用户行为数据训练选择的补缺模型，以估算在时间或空间上缺失的行为数据，包括以下步骤：
4.根据权利要求3所述的基于用户历史行为的护理设备推荐方法，其特征在于：所述插值权重λi的获取逻辑为：获取位置si的观测值波动幅值、位置si与位置s0之间的半方差值以及半方差基台值，将观测值波动幅值、半方差值以及半方差基台值进行归一化处理，使观测值波动幅值、半方差值以及半方差基台值的取值范围映射到[0,1]之间，将归一化完成后的观测值波动幅值、半方差值以及半方差基台值求和后获取位置si...
【专利技术属性】
技术研发人员：董小蒙，
申请(专利权)人：北京亿家老小医疗科技有限公司，
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。