一种基于知识图谱的健身计划课程推荐方法与流程

1.本发明涉及健身个性化推荐技术领域，具体为一种基于知识图谱的健身计划课程推荐方法。


背景技术：

2.健身大致分为器械锻炼和非器械锻炼，很多人都喜欢这项塑性又健康的运动。健身运动可以采用各种徒手练习，如各种徒手健美操、韵律操、形体操以及各种自抗力动作，也可以采用各种不同的运动器械进行各种练习，如哑铃、杠铃、壶铃等举重器械，单杠、双杠、绳、杆等体操器械，以及弹簧拉力器、滑轮拉力器、橡筋带和各种特制的综合力量练习架等力量训练器械，还有功率自行车、台阶器、平跑机、划船器等有氧训练器材。
3.为了达到形体健美的目的，需要有专门的训练方法，例如采用杠铃等举重器械做各种动作时，在器械的轻重、动作的做法，安排的组数、次数，运动的速度等方面都有特殊的要求和安排。现有的健身计划课程推荐主要是通过人为经验判断生成，对定制者的要求较高，受人为主观影响较大，且增加了沟通成本。
4.目前，人们健身时，一般通过查询相关资料或者参考别人的健身方法来进行健身，由于每个人的身体素质之间存在差异，所以，单纯的模仿别人的健身方法来执行自己的健身计划，难以达到健身效果，导致用户的健身不具有针对性，且效率低下，影响用户健身的积极性和健身体验。
5.有些健身手机软件可以根据用户的一些基本特征和健身目的推荐一些健身计划，但是推荐的课程存在单一性，训练的肌肉相对少，不能整体快速的达到很好的健身效果。
6.现有的健身计划课程推荐主要是通过人为经验判断生成，对定制者的要求较高，受人为主观影响较大，且增加了沟通成本。
7.由于每个人的身体素质之间存在差异，所以，单纯的模仿别人的健身方法来执行自己的健身计划，难以达到健身效果，导致用户的健身不具有针对性。
8.有些健身手机软件可以根据用户的一些基本特征和健身目的推荐一些健身计划课程，但是推荐的课程存在单一性，训练的肌肉相对少，不能整体快速的达到很好的健身效果。


技术实现要素：

9.(一)解决的技术问题
10.针对现有技术的不足，本发明提供了一种基于知识图谱的健身计划课程推荐方法，包括收集用户身体素质特征情况和健身动作课程；对健身课程动作描述进行知识属性抽取，结构化知识图谱；将标注好的用户身体素质特征情况数据集和健身课程图谱喂给ripplenet；对ripplenet在以上收集的训练集上进行微调训练；调整训练模型的超参数，得到最优超参数组合，即训练好的模型；传入当前用户身体素质特征给模型，得到推荐训练的健身计划动作课程。
11.本发明专利技术能够让用户无需人为经验和沟通，根据用户自身的身体素质特征自动推荐健身计划课程。
12.知识图谱丰富了健身课程推荐的多样性，通过ripplenet网络模型进行推荐，有效解决了推荐系统的冷启动问题。
13.(二)技术方案
14.为实现以上目的，本发明通过以下技术方案予以实现：一种基于知识图谱的健身计划课程推荐方法包括如下步骤；
15.s1、收集用户身体素质特征情况和健身动作课程数据集；
16.其中用户训练健身课程情况记录数据集具体包括：每条用户身体素质特征对应学过的健身计划课程动作，处理成(ui，vi，1)或者(ui，vi，0)，ui是用户身体素质的id编号，vi是课程动作的id编号，0代表做对了ui用户没有训练vi动作课程，1代表用户ui训练了vi课程动作；
17.s2、对健身课程动作描述进行知识属性抽取，结构化知识图谱；
18.具体包括：将每个健身计划课程动作结构化成三元组(h,r,t),其中h∈e,r∈r,t∈e，e和r分别代表了健身课程动作知识图谱g中的实体和关系，例如，(20，shoulder.stretch，瑜伽)，编号是20的健身课程动作，训练瑜伽下的肩部的深度拉伸；
19.s3、将一个用户身体素质特征u和一个课程v作为输入，输出是用户身体素质特征u会做训练课程动作v的概率，对于输入u,该用户的历史训练课程情况vu作为健身课程动作知识图谱的种子集，然后通过实体之间的关系链传播到多层的图谱实体集合知识图谱的种子集，然后通过实体之间的关系链传播到多层的图谱实体集合即是距离vu种子集k-hop的一个ripple set；
20.s4、调整模型的超参数；
21.具体包括：使用不同的超参数来训练模型，根据在验证集上的效果选出模型的最优超参数；
22.s5、网络模型训练结束后，传入当前准备健身的用户身体素质特征给模型，即可通过模型得到推荐用户训练的健身动作课程；
23.其中，在一种基于知识图谱的健身计划课程推荐方法中，用户身体素质特征u＝{u1,u2,...},健身动作课程v＝{v1,v2,...}，用户身体素质特征和健身动作课程的相关矩阵y＝{y
uv
|u∈u,v∈v}定义了用户做健身课程动作的情况，用户u做过的健身课程动作v，y值为1，否则为0；
24.在ripplenet里面，定义用户u相关的k-hop的相关健身课程动作和锻炼点实体集合如下：
[0025][0026]
集合里的是用户已经训练过的健身课程的集合，看作用户u在健身课程知识图谱里的初始种子健身课程集合。
[0027]
另外，
[0028]
使用1-hop的ripple set，对于set中的每一个(h,r,t)，计算与健身课程动作
embedding的相关性，相关性计算公式如下：
[0029]
pi＝softmax(v
trihi
)
ꢀꢀꢀ
(3)
[0030]
最后通过加权所有t对应的embedding，就得到了第一个表示用户健身课程动作经第一轮扩散后的结果：
[0031][0032]
接下来，重复上面的过程，假设一共h次，那么最终用户embedding的结果为：
[0033][0034]
而最终的预测值计算如下：
[0035][0036]
优选的，所述s1中收集用户身体素质特征情况和健身动作课程数据集具体包括：用户身体素质情况数据集的收集是通过在线的健身管理系统和手机健身软件爬取，收集评价健身有效果的用户做的健身计划课程数据集，通过爬取各个垂直健身网站以及手机健身软件来构建健身计划课程动作知识图谱。
[0037]
优选的，所述身体素质特征包括生理参数、身体参数和体质等级等。
[0038]
本发明公开了一种基于知识图谱的健身计划课程推荐方法，其具备的有益效果如下：
[0039]
该基于知识图谱的健身计划课程推荐方法，与现有技术相比，本发明方法提供一种基于知识图谱的健身计划课程推荐方法，基于ripplenet的健身个性化推荐比基于cf的推荐模型更细粒度地发现用户潜在的健身动作掌握情况，并且丰富了课程多样性，最终提高了推荐的精度到90％、auc值到84.4％。
附图说明
[0040]
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1为本发明基于知识图谱的健身计划课程推荐方法流程图。
具体实施方式
[0042]
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
[0043]
本技术实施例通过提供一种基于知识图谱的健身计划课程推荐方法，解决了传统的健身课程推荐方法弊端，
[0044]
该方法在线生成推荐课程、可根据客户自身身体情况定制化生成健身课程。健身
软件获取身体素质特征包括生理参数、身体参数和体质等级等，根据该健身用户的身体素质特征快速的推荐与该健身用户对应的健身计划课程，实现针对性健身，提高用户的健身体验；而且，无需专业的健身教练即可实现专业健身，降低健身成本。
[0045]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0046]
本发明实施例公开一种基于知识图谱的健身计划课程推荐方法，根据附图1所示，包括如下步骤；
[0047]
s1、收集用户身体素质特征情况和健身动作课程数据集；
[0048]
其中用户训练健身课程情况记录数据集具体包括：每条用户身体素质特征对应学过的健身计划课程动作，处理成(ui，vi，1)或者(ui，vi，0)，ui是用户身体素质的id编号，vi是课程动作的id编号，0代表做对了ui用户没有训练vi动作课程，1代表用户ui训练了vi课程动作；
[0049]
s2、对健身课程动作描述进行知识属性抽取，结构化知识图谱；
[0050]
具体包括：将每个健身计划课程动作结构化成三元组(h,r,t),其中h∈e,r∈r,t∈e，e和r分别代表了健身课程动作知识图谱g中的实体和关系，例如，(20，shoulder.stretch，瑜伽)，编号是20的健身课程动作，训练瑜伽下的肩部的深度拉伸；
[0051]
s3、将一个用户身体素质特征u和一个课程v作为输入，输出是用户身体素质特征u会做训练课程动作v的概率，对于输入u,该用户的历史训练课程情况vu作为健身课程动作知识图谱的种子集，然后通过实体之间的关系链传播到多层的图谱实体集合知识图谱的种子集，然后通过实体之间的关系链传播到多层的图谱实体集合即是距离vu种子集k-hop的一个ripple set；
[0052]
s4、调整模型的超参数；
[0053]
具体包括：使用不同的超参数来训练模型，根据在验证集上的效果选出模型的最优超参数；
[0054]
s5、网络模型训练结束后，传入当前准备健身的用户身体素质特征给模型，即可通过模型得到推荐用户训练的健身动作课程；
[0055]
其中，在一种基于知识图谱的健身计划课程推荐方法中，用户身体素质特征u＝{u1,u2,...},健身动作课程v＝{v1,v2,...}，用户身体素质特征和健身动作课程的相关矩阵y＝{y
uv
|u∈u,v∈v}定义了用户做健身课程动作的情况，用户u做过的健身课程动作v，y值为1，否则为0；
[0056]
在ripplenet里面，定义用户u相关的k-hop的相关健身课程动作和锻炼点实体集合如下：
[0057][0058]
集合里的是用户已经训练过的健身课程的集合，看作用户u在健身课程知识图谱里的初始种子健身课程集合；
[0059]
另外，
[0060]
使用1-hop的ripple set，对于set中的每一个(h,r,t)，计算与健身课程动作
embedding的相关性，相关性计算公式如下：
[0061]
pi＝softmax(v
trihi
)
ꢀꢀ
(3)
[0062]
最后通过加权所有t对应的embedding，就得到了第一个表示用户健身课程动作经第一轮扩散后的结果：
[0063][0064]
接下来，重复上面的过程，假设一共h次，那么最终用户embedding的结果为：
[0065][0066]
而最终的预测值计算如下：
[0067][0068]
所述s1中收集用户身体素质特征情况和健身动作课程数据集具体包括：用户身体素质情况数据集的收集是通过在线的健身管理系统和手机健身软件爬取，收集评价健身有效果的用户做的健身计划课程数据集，通过爬取各个垂直健身网站以及手机健身软件来构建健身计划课程动作知识图谱。
[0069]
所述身体素质特征包括生理参数、身体参数和体质等级等。
[0070]
提出将ripplenet模型应用于健身计划课程的个性化推荐场景；
[0071]
提出了一种基于知识图谱的健身计划课程个性化推荐。
[0072]
提出根据身体素质情况特征在健身动作课程知识图谱上的传播影响因子做课程个性化推荐。
[0073]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0074]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种基于知识图谱的健身计划课程推荐方法，其特征在于：包括如下步骤；s1、收集用户身体素质特征情况和健身动作课程数据集；其中用户训练健身课程情况记录数据集具体包括：每条用户身体素质特征对应学过的健身计划课程动作，处理成(u
i
，v
i
，1)或者(u
i
，v
i
，0)，u
i
是用户身体素质的id编号，v
i
是课程动作的id编号，0代表做对了u
i
用户没有训练v
i
动作课程，1代表用户u
i
训练了v
i
课程动作；s2、对健身课程动作描述进行知识属性抽取，结构化知识图谱；具体包括：将每个健身计划课程动作结构化成三元组(h,r,t),其中h∈e,r∈r,t∈e，e和r分别代表了健身课程动作知识图谱g中的实体和关系，例如，(20，shoulder.stretch，瑜伽)，编号是20的健身课程动作，训练瑜伽下的肩部的深度拉伸；s3、将一个用户身体素质特征u和一个课程v作为输入，输出是用户身体素质特征u会做训练课程动作v的概率，对于输入u,该用户的历史训练课程情况v
u
作为健身课程动作知识图谱的种子集，然后通过实体之间的关系链传播到多层的图谱实体集合即是距离v
u
种子集k-hop的一个rippleset；s4、调整模型的超参数；具体包括：使用不同的超参数来训练模型，根据在验证集上的效果选出模型的最优超参数；s5、网络模型训练结束后，传入当前准备健身的用户身体素质特征给模型，即可通过模型得到推荐用户训练的健身动作课程；其中，在一种基于知识图谱的健身计划课程推荐方法中，用户身体素质特征u＝{u1,u2,...},健身动作课程v＝{v1,v2,...}，用户身体素质特征和健身动作课程的相关矩阵y＝{y
uv
|u∈u,v∈v}定义了用户做健身课程动作的情况，用户u做过的健身课程动作v，y值为1，否则为0；在ripplenet里面，定义用户u相关的k-hop的相关健身课程动作和锻炼点实体集合如下：集合里的是用户已经训练过的健身课程的集合，看作用户u在健身课程知识图谱里的初始种子健身课程集合；另外，使用1-hop的rippleset，对于set中的每一个(h,r,t)，计算与健身课程动作embedding的相关性，相关性计算公式如下：p
i
＝softmax(v
t
r
i
h
i
)
ꢀꢀ
(3)最后通过加权所有t对应的embedding，就得到了第一个表示用户健身课程动作经第一轮扩散后的结果：
接下来，重复上面的过程，假设一共h次，那么最终用户embedding的结果为：而最终的预测值计算如下：2.根据权利要求1所述的一种基于知识图谱的健身计划课程推荐方法，其特征在于：所述s1中收集用户身体素质特征情况和健身动作课程数据集具体包括：用户身体素质情况数据集的收集是通过在线的健身管理系统和手机健身软件爬取，收集评价健身有效果的用户做的健身计划课程数据集；通过爬取各个垂直健身网站以及手机健身软件来构建健身计划课程动作知识图谱。3.根据权利要求2所述的一种基于知识图谱的健身计划课程推荐方法，其特征在于：所述身体素质特征包括生理参数、身体参数和体质等级等。

技术总结
本发明公开一种基于知识图谱的健身计划课程推荐方法，涉及健身个性化推荐领域。该基于知识图谱的健身计划课程推荐方法，包括收集用户身体素质特征情况和健身动作课程数据集，对健身课程动作描述进行知识属性抽取，结构化知识图谱，将一个用户身体素质特征u和一个课程v作为输入，输出是用户身体素质特征u会做训练课程动作v的概率，调整模型的超参数。该基于知识图谱的健身计划课程推荐方法，基于RippleNet的健身个性化推荐比基于CF的推荐模型更细粒度地发现用户潜在的健身动作掌握情况，并且丰富了课程多样性，最终提高了推荐的精度到90％、AUC值到84.4％。AUC值到84.4％。


技术研发人员：刘林娜 宋涛
受保护的技术使用者：深圳市智乾坤科技有限公司
技术研发日：2023.03.24
技术公布日：2023/8/5