买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：纳里健康科技有限公司

摘要：本发明公开了5G应用领域中一种考虑用户激活兴趣的医疗资讯推荐方法，基于医疗资讯平台中用户的行为序列，给用户推荐感兴趣的医疗资讯。本发明从用户实际决策角度出发，认为用户在浏览医疗资讯时，会根据浏览过的医疗资讯，引发其他兴趣。其他兴趣可以从潜在兴趣空间中抽取：用户历史行为序列和其他用户的相似行为序列，分别代表了用户的重复和探索兴趣。本发明分为四个部分：第一部分是基于用户当前的点击序列，得到用户当前兴趣；第二部分是根据用户当前兴趣去用户潜在兴趣空间中激活用户的兴趣，得到用户的激活兴趣；第三部分是结合用户的当前兴趣和激活兴趣，得到用户综合兴趣；第四部分是根据用户综合兴趣，给用户推荐医疗资讯。

主权项：1.5G应用领域中一种考虑用户激活兴趣的医疗资讯推荐方法，其特征在于：基于用户当前的点击序列，得到用户当前兴趣；用户集合是U,物品集合是V；用户ui的当前行为序列为其中下标m表示用户ui当前行为序列的长度，序列中第个t个物品表示为对于物品它的向量表征是这里的物品代表医疗资讯；采用GRU网络来对用户当前行为序列进行建模，得到用户的当前兴趣；具体为：其中,encoder表示序列编码器，采用GRU网络作为序列编码器，把GRU网络的最后一个隐向量输出作为用户当前兴趣ps，GRU网络的输入是行为序列的向量表征序列根据用户当前兴趣去用户潜在兴趣空间中激活用户的兴趣，得到用户的激活兴趣；用户潜在兴趣空间包含两种序列：用户历史行为序列和其他用户的相似行为序列，这两种序列的权重取决于用户属于保守稳定型还是探索求新型；若用户历史行为序列的权重高，则表示用户的兴趣较为稳定；反之，表示用户喜欢了解新事物；用户历史行为序列表示为其中下标n表示用户ui历史行为序列的长度，序列中第个t个物品表示为对于物品它的向量表征是其他用户的相似行为序列通过两个指标过滤得到：第一个是Jaccard相似度系数；第二个是类目丰富度；分别对这两个指标设置过滤阈值，得到其他用户的相似行为序列为其中下标n2表示过滤出n2个用户的行为序列；第j个相似行为序列表示为其中下标表示行为序列的长度，序列中第个t个物品表示为其他用户的相似行为序列只从其他用户的当前行为序列中抽取，因为医疗资讯时效性比较强；当前用户的当前行为序列和其他用户的当前行为序列的Jaccard相似度系数计算公式为其中Set·表示将序列转换为集合，|·|表示集合内的元素个数；第二个过滤指标是类目丰富度，因为过滤出其他用户的相似行为序列的目的是为了扩展当前用户的兴趣，所以抽取兴趣较为广泛的其他用户行为序列；设计公式其中表示序列内包含的类目数量，表示序列内包含的不同的医疗资讯的数量；用当前用户的当前兴趣对潜在兴趣空间中的两种序列进行信息激活和信息选择；这两种序列表达了不同的语义，用户历史行为序列表示用户重复过去的兴趣，其他用户的相似行为序列表示用户探索新的兴趣；因此，把对这两种序列进行信息激活和选择的网络称之为重复-探索网络，具体包含两步：信息激活和信息选择；重复-探索网络的第一步是用门机制对潜在兴趣空间中的两种序列进行信息激活： 其中，it是门，it作用是对用户历史行为序列中的第个t个物品的信息进行激活；ps是用户当前兴趣，是医疗资讯的向量表征；Wi和Ui是矩阵参数，bi是向量参数；σ为sigmoid激活函数；encoder是序列编码器，采用GRU网络作为序列编码器，GRU网络最后一个隐向量输出即为用户历史行为序列向量表征pl，pl称之为用户的重复兴趣信息；过滤出的相似行为序列集合为第j个相似行为序列为同样采用门机制对行为序列进行信息激活，得到相似行为序列的向量表征并对所有序列集合中的序列向量表征求平均，得到用户的探索兴趣信息pf，公式为：重复-探索网络对的第二步是信息选择过程；在第一步信息激活中，已经得到用户的探索兴趣信息pf和重复兴趣信息pl；用户是偏向于重复过去的兴趣还是探索新的兴趣，取决于用户本身以及从潜在兴趣空间中抽取出的兴趣信息；信息选择过程采用注意力机制对这两个兴趣信息进行选择，具体为:pa＝αf·pf+1-αf·pl 其中，Wf、Wl和Wu是矩阵参数，bf是向量参数，中的q是向量参数，上标是向量转置符号；σ为sigmoid激活函数；αf表示探索兴趣信息pf的权重，取值取决于用户ui本身的向量表征、用户的探索兴趣信息pf和重复兴趣信息pl；embui是用户的向量表征；向量pa是用户的激活兴趣，是由用户当前兴趣从潜在兴趣空间通过重复-探索网络得到；结合用户的当前兴趣和激活兴趣，得到用户综合兴趣；对两种兴趣赋予权重，然后求和，得到用户综合兴趣p，具体为：p＝λs·ps+λa·pa其中，λs和λa代表用户的当前兴趣和激活兴趣的权重，λs和λa是超参数，设置λs＝0.7以及λa＝0.3；p是用户综合兴趣；根据用户综合兴趣，给用户推荐医疗资讯；将医疗资讯集合中的医疗资讯vτ的向量表征embvτ乘以用户综合兴趣p，再用softmax函数计算出医疗资讯vτ的分数： 其中，p代表用户综合兴趣，embvτ是医疗资讯vτ的向量表征，表示医疗资讯vτ被点击的可能性；对于该用户样本数据，损失函数为： 其中，yτ代表医疗资讯vτ的one-hot编码；函数用梯度下降法来最优化。

全文数据：

权利要求：

百度查询： 纳里健康科技有限公司 5G应用领域中一种考虑用户激活兴趣的医疗资讯推荐方法