CN117275665A - 基于pams编码的运动方案推荐方法、***及电子设备 - Google Patents
基于pams编码的运动方案推荐方法、***及电子设备 Download PDFInfo
- Publication number
- CN117275665A CN117275665A CN202311320230.1A CN202311320230A CN117275665A CN 117275665 A CN117275665 A CN 117275665A CN 202311320230 A CN202311320230 A CN 202311320230A CN 117275665 A CN117275665 A CN 117275665A
- Authority
- CN
- China
- Prior art keywords
- motion
- schemes
- scheme
- user
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 276
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000012216 screening Methods 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 22
- 238000012512 characterization method Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于pams编码的运动方案推荐方法、***及电子设备,涉及方案推荐技术领域,所述方法包括:获取运动侧数据和用户侧数据;对用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量;对运动侧数据中的数据进行排列组合,生成多种初始运动方案;利用预设筛选规则、深度神经网络和余弦相似度,基于用户特征向量和各初始运动方案中的运动侧数据确定多个第二候选运动方案并随机选择多组待重排运动方案;分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体;基于各组待重排运动方案对应的超平形体,确定用户的推荐运动方案。本发明实现了考虑更加全面的运动方案的推荐。
Description
技术领域
本发明涉及方案推荐技术领域,特别是涉及一种基于pams编码的运动方案推荐方法、***及电子设备。
背景技术
现有的运动推荐方法包括线上推荐和线下推荐2种。线下推荐以专家的人工诊断为主,线上推荐基于互联网的推荐模型,但是仅考虑用户喜好作为推荐依据,推荐结果的精度较低,且推荐的结果是运动种类,而不是运动方案,使得用户并不清楚适合自己的运动方案,针对性较差。
发明内容
本发明的目的是提供一种基于pams编码的运动方案推荐方法、***及电子设备,实现了考虑更加全面的运动方案的推荐。
为实现上述目的,本发明提供了如下方案:
一种基于pams编码的运动方案推荐方法,包括:
获取运动侧数据和用户侧数据;所述运动侧数据包括:基于pams行为样本开放平台中的所有运动的种类和对应的运动编码代号,用户侧数据包括:环境因素、当下的热门运动以及用户的个性特征、健康状况和运动兴趣;
对所述用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量;
对所述运动侧数据中的数据进行排列组合,生成多种初始运动方案;
利用预设筛选规则、深度神经网络和余弦相似度,基于所述用户特征向量和各所述初始运动方案中的运动侧数据,确定多个第二候选运动方案;
从各所述第二候选运动方案中随机选择多组待重排运动方案;所述待重排运动方案包括预设个数个第二候选运动方案;
分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体;
基于各组待重排运动方案对应的超平形体,确定所述用户的推荐运动方案。
可选地,利用预设筛选规则、深度神经网络和余弦相似度,基于所述用户特征向量和各所述初始运动方案中的运动侧数据,确定多个第二候选运动方案,具体包括:
利用所述预设筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一候选运动方案;
利用所述深度神经网络,确定所述用户特征向量对应的用户表征和所各所述第一候选运动方案对应的方案表征;
分别计算所述用户表征和各所述第一候选运动方案对应的方案表征之间的余弦相似度;
根据各余弦相似度确定所述用户的多个所述第二候选运动方案。
可选地,所述预设筛选规则包括:特征筛选规则和特征相似度规则。
可选地,利用所述预设筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一候选运动方案,包括:
利用所述特征筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一初始候选运动方案;
利用所述特征相似度规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第二初始候选运动方案;
将所有所述第一初始候选运动方案和所有所述第二初始候选运动方案的并集确定为多个第一候选运动方案。
可选地,所述特征规则,包括:疾病筛选、运动强度筛选、场地筛选、气温筛选和用户要求筛选。
可选地,利用所述特征相似度筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一初始候选运动方案,具体包括:
采用协同过滤算法,分别将各初始运动方案中和所述用户特征向量结成对应的特征行为向量;
获取多个不同的标准行为向量;
分别计算各特征行为向量和各标准向量的均方根误差;所述均方根误差的数量是所述特征行为向量的数量与所述标准行为向量的数量的乘积;
将前预设个数个均方根误差对应的初始运动方案确定为第一初始候选运动方案。
一种基于pams编码的运动方案推荐***,包括:
数据获取模块,用于获取运动侧数据和用户侧数据;所述运动侧数据包括:基于pams行为样本开放平台中的所有运动的种类和对应的运动编码代号,用户侧数据包括:环境因素、当下的热门运动以及用户的个性特征、健康状况和运动兴趣;
量化模块,用于对所述用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量;
初始运动方案生成模块,用于对所述运动侧数据中的数据进行排列组合,生成多种初始运动方案;
筛选模块,用于利用预设筛选规则、深度神经网络和余弦相似度,基于所述用户特征向量和各所述初始运动方案中的运动侧数据,确定多个第二候选运动方案;
待重排运动方案确定模块,用于从各所述第二候选运动方案中随机选择多组待重排运动方案;所述待重排运动方案包括预设个数个第二候选运动方案;
超平形体确定模块,用于分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体;
推荐运动方案确定模块,用于基于各组待重排运动方案对应的超平形体,确定所述用户的推荐运动方案。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于pams编码的运动方案推荐方法。
可选地,所述存储器为可读存储介质。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于pams编码的运动方案推荐方法、***及电子设备,首先,对用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量;其次,对运动侧数据中的数据进行排列组合,生成多种初始运动方案;再次,利用预设筛选规则、深度神经网络和余弦相似度,基于用户特征向量和各初始运动方案中的运动侧数据确定多个第二候选运动方案并随机选择多组待重排运动方案;最后,分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体并基于各组待重排运动方案对应的超平形体,确定用户的推荐运动方案,从而实现了考虑更加全面的运动方案的推荐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的基于pams编码的运动方案推荐方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于pams编码的运动方案推荐方法、***及电子设备,旨在实现考虑更加全面的运动方案的推荐。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的基于pams编码的运动方案推荐方法流程示意图。如图1所示,本实施例中的基于pams编码的运动方案推荐方法,包括:
步骤101:获取运动侧数据和用户侧数据。
其中,运动侧数据包括:基于pams行为样本开放平台中的所有运动的种类和对应的运动编码代号,用户侧数据包括:环境因素、当下的热门运动以及用户的个性特征、健康状况和运动兴趣。
步骤102:对用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量。
具体的,用户侧数据的获取和量化采用ETL(Extract-Transform-Load)流程,经过抽提、转换和加载3个阶段。
在抽提阶段,通过用户在APP的使用痕迹获取用户的个性特征、健康状况、运动兴趣。
在转换阶段,将用户的个性特征、健康状况、运动兴趣以及环境因素按照对应的预设阈值进行量化打分,任一数据的预设阈值均采用区域阶梯公式设置,区域阶梯公式如下:
其中,y为量化分数值,v1、v2和v3均为预设分数,x为数据,t1、t2、t3和t4均为预设的数据范围的端值。
在加载阶段,按照结构化的方式将一个用户侧数据中的各数据进行集中,形成用户侧的用户特征向量。
步骤103:对运动侧数据中的数据进行排列组合,生成多种初始运动方案。
具体的,初始运动方案是专家根据运动侧数据确定的,例如“开合跳+单腿蹲+平板支撑”作为一个初始运动方案。
步骤104:利用预设筛选规则、深度神经网络和余弦相似度,基于用户特征向量和各初始运动方案中的运动侧数据,确定多个第二候选运动方案。
作为一种可选的实施方式,步骤104,具体包括:
步骤1041:利用预设筛选规则,基于用户特征向量和各初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一候选运动方案。
作为一种可选的实施方式,预设筛选规则包括:特征筛选规则和特征相似度规则。
作为一种可选的实施方式,步骤1041,包括:
利用特征筛选规则,基于用户特征向量和各初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一初始候选运动方案。
利用特征相似度规则,基于用户特征向量和各初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第二初始候选运动方案。
将所有第一初始候选运动方案和所有第二初始候选运动方案的并集确定为多个第一候选运动方案。
作为一种可选的实施方式,特征规则,包括:疾病筛选、运动强度筛选、场地筛选、气温筛选和用户要求筛选。
具体的,对于每种特征规则筛选,利用下述公式进行:
其中,i1表示运动的序号,j1表示筛选规则的序号。一项运动i1必须符合当前用户的所有特征规则,才能成为该用户该规则下的运动方案中的运动内容。
作为一种可选的实施方式,利用特征相似度筛选规则,基于用户特征向量和各初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一初始候选运动方案,具体包括:
采用协同过滤算法,分别将各初始运动方案中和用户特征向量结成对应的特征行为向量。
获取多个不同的标准行为向量。分别计算各特征行为向量和各标准向量的均方根误差;均方根误差的数量是特征行为向量的数量与标准行为向量的数量的乘积。
将前预设个数个均方根误差对应的初始运动方案确定为第一初始候选运动方案。
具体的,采用均方根误差评价特征行为向量和标准向量的相似度。
步骤1042:利用深度神经网络,确定用户特征向量对应的用户表征和所各第一候选运动方案对应的方案表征。
具体的,深度神经网络为任意已知可实现向量表征的网络结构,方案表征为向量。
步骤1043:分别计算用户表征和各第一候选运动方案对应的方案表征之间的余弦相似度。
具体的,余弦相似度的计算公式为:
其中,cos(c,d)为向量c和向量d的余弦相似度,<c,d>为向量c和向量d的哈达玛乘积,即向量c和向量d对应位置的元素相乘后的结果相加,||c||2为向量c的模长,||d||2为向量d的模长。
余弦相似度用于评价两个向量之间的差异性,取值在0-1之间。余弦相似度越小,两个特征越相似,反之亦然。
步骤1044:根据各余弦相似度确定用户的多个第二候选运动方案。
具体的,将余弦相似度按照从小到大排序,将前n(n可以任意取值,一般取20)个第一候选运动方案作为第二候选运动方案。
为了避免推荐方案一直集中于最优解而造成推荐方案的单一,通过重排的方式(即步骤105-步骤107)对第二候选运动方案加以补充,使得最终的推荐方案具有多样性。
步骤105:从各第二候选运动方案中随机选择多组待重排运动方案;待重排运动方案包括预设个数个第二候选运动方案。
具体的,从各第二候选运动方案中随机选择多组待重排运动方案;每组待重排运动方案包括m个第二候选运动方案。
步骤106:分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体。
具体的,记任一组待重排运动方案中的运动方案构成的集合为S。将S中的m个运动方案的向量(方案表征)作为列,组成的矩阵为:VS∈Rf*m。
其中,f为每个方案表征的维度。
以这m个向量作为边,组成超平形体P(S),超平形体的体积vol(P(S))可以衡量S中运动方案的多样性。设f≤m,行列式与体积满足:vol(P(S))越大说明运动方案的多样性越丰富。
步骤107:基于各组待重排运动方案对应的超平形体,确定用户的推荐运动方案。
具体的,通过寻找满足如下目标函数的待重排运动方案,得到既符合运动推荐方案,又具备一定运动方案多样性的运动推荐方案列表,即寻找运动方案种类最丰富时的运动方案的集合j。
其中,θ为权重系数,取值范围为0-1;rewardj是待重排运动方案j的丰富程度得分,通过1-COS(cj,dj)获得,cj为待重排运动方案j的特征向量,dj为除了待重排运动方案j以外的推荐的其它运动方案的特征向量。
实施例2
本实施例中的基于pams编码的运动方案推荐***,包括:
数据获取模块,用于获取运动侧数据和用户侧数据;运动侧数据包括:基于pams行为样本开放平台中的所有运动的种类和对应的运动编码代号,用户侧数据包括:环境因素、当下的热门运动以及用户的个性特征、健康状况和运动兴趣。
量化模块,用于对用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量。
初始运动方案生成模块,用于对运动侧数据中的数据进行排列组合,生成多种初始运动方案。
筛选模块,用于利用预设筛选规则、深度神经网络和余弦相似度,基于用户特征向量和各初始运动方案中的运动侧数据,确定多个第二候选运动方案。
待重排运动方案确定模块,用于从各第二候选运动方案中随机选择多组待重排运动方案;待重排运动方案包括预设个数个第二候选运动方案。
超平形体确定模块,用于分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体。
推荐运动方案确定模块,用于基于各组待重排运动方案对应的超平形体,确定用户的推荐运动方案。
实施例3
一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例1中的基于pams编码的运动方案推荐方法。
作为一种可选的实施方式,存储器为可读存储介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于pams编码的运动方案推荐方法,其特征在于,所述方法包括:
获取运动侧数据和用户侧数据;所述运动侧数据包括:基于pams行为样本开放平台中的所有运动的种类和对应的运动编码代号,用户侧数据包括:环境因素、当下的热门运动以及用户的个性特征、健康状况和运动兴趣;
对所述用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量;
对所述运动侧数据中的数据进行排列组合,生成多种初始运动方案;
利用预设筛选规则、深度神经网络和余弦相似度,基于所述用户特征向量和各所述初始运动方案中的运动侧数据,确定多个第二候选运动方案;
从各所述第二候选运动方案中随机选择多组待重排运动方案;所述待重排运动方案包括预设个数个第二候选运动方案;
分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体;
基于各组待重排运动方案对应的超平形体,确定所述用户的推荐运动方案。
2.根据权利要求1所述的基于pams编码的运动方案推荐方法,其特征在于,利用预设筛选规则、深度神经网络和余弦相似度,基于所述用户特征向量和各所述初始运动方案中的运动侧数据,确定多个第二候选运动方案,具体包括:
利用所述预设筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一候选运动方案;
利用所述深度神经网络,确定所述用户特征向量对应的用户表征和所各所述第一候选运动方案对应的方案表征;
分别计算所述用户表征和各所述第一候选运动方案对应的方案表征之间的余弦相似度;
根据各余弦相似度确定所述用户的多个所述第二候选运动方案。
3.根据权利要求2所述的基于pams编码的运动方案推荐方法,其特征在于,所述预设筛选规则包括:特征筛选规则和特征相似度规则。
4.根据权利要求3所述的基于pams编码的运动方案推荐方法,其特征在于,利用所述预设筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一候选运动方案,包括:
利用所述特征筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一初始候选运动方案;
利用所述特征相似度规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第二初始候选运动方案;
将所有所述第一初始候选运动方案和所有所述第二初始候选运动方案的并集确定为多个第一候选运动方案。
5.根据权利要求3所述的基于pams编码的运动方案推荐方法,其特征在于,所述特征规则,包括:疾病筛选、运动强度筛选、场地筛选、气温筛选和用户要求筛选。
6.根据权利要求4所述的基于pams编码的运动方案推荐方法,其特征在于,利用所述特征相似度筛选规则,基于所述用户特征向量和各所述初始运动方案中的运动侧数据对对应的初始运动方案进行筛选,得到多个第一初始候选运动方案,具体包括:
采用协同过滤算法,分别将各初始运动方案中和所述用户特征向量结成对应的特征行为向量;
获取多个不同的标准行为向量;
分别计算各特征行为向量和各标准向量的均方根误差;所述均方根误差的数量是所述特征行为向量的数量与所述标准行为向量的数量的乘积;
将前预设个数个均方根误差对应的初始运动方案确定为第一初始候选运动方案。
7.一种基于pams编码的运动方案推荐***,其特征在于,所述***包括:
数据获取模块,用于获取运动侧数据和用户侧数据;所述运动侧数据包括:基于pams行为样本开放平台中的所有运动的种类和对应的运动编码代号,用户侧数据包括:环境因素、当下的热门运动以及用户的个性特征、健康状况和运动兴趣;
量化模块,用于对所述用户侧数据的各数据按照预设阈值进行量化,得到用户特征向量;
初始运动方案生成模块,用于对所述运动侧数据中的数据进行排列组合,生成多种初始运动方案;
筛选模块,用于利用预设筛选规则、深度神经网络和余弦相似度,基于所述用户特征向量和各所述初始运动方案中的运动侧数据,确定多个第二候选运动方案;
待重排运动方案确定模块,用于从各所述第二候选运动方案中随机选择多组待重排运动方案;所述待重排运动方案包括预设个数个第二候选运动方案;
超平形体确定模块,用于分别基于各组待重排运动方案对应的方案表征,构建各组待重排运动方案对应的超平形体;
推荐运动方案确定模块,用于基于各组待重排运动方案对应的超平形体,确定所述用户的推荐运动方案。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的基于pams编码的运动方案推荐方法。
9.根据权利要求8所述的一种电子设备,其特征在于,所述存储器为可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320230.1A CN117275665B (zh) | 2023-10-12 | 2023-10-12 | 基于pams编码的运动方案推荐方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320230.1A CN117275665B (zh) | 2023-10-12 | 2023-10-12 | 基于pams编码的运动方案推荐方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117275665A true CN117275665A (zh) | 2023-12-22 |
CN117275665B CN117275665B (zh) | 2024-05-03 |
Family
ID=89215898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311320230.1A Active CN117275665B (zh) | 2023-10-12 | 2023-10-12 | 基于pams编码的运动方案推荐方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117275665B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407412A (zh) * | 2016-09-23 | 2017-02-15 | 英华达(上海)科技有限公司 | 一种好友推荐方法 |
CN110575663A (zh) * | 2019-09-25 | 2019-12-17 | 郑州大学 | 一种基于人工智能的体育辅助训练方法 |
CN110633346A (zh) * | 2019-08-27 | 2019-12-31 | 腾讯科技(深圳)有限公司 | 一种运动路线推荐方法、装置及存储介质 |
CN111125522A (zh) * | 2019-12-16 | 2020-05-08 | 华为技术有限公司 | 向用户推荐运动方案的方法、电子设备以及存储介质 |
CN112967783A (zh) * | 2021-02-26 | 2021-06-15 | 特斯联科技集团有限公司 | 一种基于神经网络学习算法的社区健身推荐方法和*** |
CN115018588A (zh) * | 2022-06-24 | 2022-09-06 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
WO2023083183A1 (zh) * | 2021-11-12 | 2023-05-19 | 北京京东方技术开发有限公司 | 健身方案信息的推荐方法和装置 |
CN116543220A (zh) * | 2023-05-11 | 2023-08-04 | 天翼数字生活科技有限公司 | 健身方案推荐方法、装置及设备 |
CN116738041A (zh) * | 2023-05-26 | 2023-09-12 | 青岛智慧同城信息科技有限公司 | 一种运动方案智能推荐方法、***及电子设备 |
-
2023
- 2023-10-12 CN CN202311320230.1A patent/CN117275665B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407412A (zh) * | 2016-09-23 | 2017-02-15 | 英华达(上海)科技有限公司 | 一种好友推荐方法 |
CN110633346A (zh) * | 2019-08-27 | 2019-12-31 | 腾讯科技(深圳)有限公司 | 一种运动路线推荐方法、装置及存储介质 |
CN110575663A (zh) * | 2019-09-25 | 2019-12-17 | 郑州大学 | 一种基于人工智能的体育辅助训练方法 |
CN111125522A (zh) * | 2019-12-16 | 2020-05-08 | 华为技术有限公司 | 向用户推荐运动方案的方法、电子设备以及存储介质 |
CN112967783A (zh) * | 2021-02-26 | 2021-06-15 | 特斯联科技集团有限公司 | 一种基于神经网络学习算法的社区健身推荐方法和*** |
WO2023083183A1 (zh) * | 2021-11-12 | 2023-05-19 | 北京京东方技术开发有限公司 | 健身方案信息的推荐方法和装置 |
CN115018588A (zh) * | 2022-06-24 | 2022-09-06 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN116543220A (zh) * | 2023-05-11 | 2023-08-04 | 天翼数字生活科技有限公司 | 健身方案推荐方法、装置及设备 |
CN116738041A (zh) * | 2023-05-26 | 2023-09-12 | 青岛智慧同城信息科技有限公司 | 一种运动方案智能推荐方法、***及电子设备 |
Non-Patent Citations (1)
Title |
---|
司梦楚;季同同;张春明;: "服装智能推荐***在电商平台中的应用", 服装学报, no. 06, 15 December 2019 (2019-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117275665B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379506B (zh) | 针对心电图数据使用二值化神经网络的心律不齐检测方法 | |
CN107330514B (zh) | 一种基于集成极限学习机的空气质量预测方法 | |
CN106682385B (zh) | 健康信息交互*** | |
CN109635204A (zh) | 基于协同过滤和长短记忆网络的在线推荐*** | |
CN108197736A (zh) | 一种基于变分自编码器和极限学习机的空气质量预测方法 | |
CN107122411B (zh) | 一种基于离散多视图哈希的协同过滤推荐方法 | |
CN111797321A (zh) | 一种面向不同场景的个性化知识推荐方法及*** | |
CN104918046B (zh) | 一种局部描述子压缩方法和装置 | |
CN109886406A (zh) | 一种基于深度压缩的复数卷积神经网络压缩方法 | |
CN104794367B (zh) | 基于隐语义模型的就医资源评分与推荐方法 | |
CN106327240A (zh) | 一种基于gru神经网络的推荐方法和*** | |
CN109740924B (zh) | 融合属性信息网络和矩阵分解的物品评分预测方法 | |
CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
CN111640483B (zh) | 基于akc模型的健身方案推荐方法 | |
CN109446414A (zh) | 一种基于神经网络分类的软件信息站点快速标签推荐方法 | |
CN110851566A (zh) | 一种改进的可微分网络结构搜索的方法 | |
CN113204674B (zh) | 基于局部-整体图推理网络的视频-段落检索方法及*** | |
CN109086463B (zh) | 一种基于区域卷积神经网络的问答社区标签推荐方法 | |
CN110135497A (zh) | 模型训练的方法、面部动作单元强度估计的方法及装置 | |
CN112817940B (zh) | 基于梯度压缩的联邦学习数据处理*** | |
CN109189889A (zh) | 一种弹幕识别模型建立方法、装置、服务器及介质 | |
CN117275665B (zh) | 基于pams编码的运动方案推荐方法、***及电子设备 | |
JP6468364B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
CN113449182B (zh) | 一种知识信息个性化推荐方法及*** | |
CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |