(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210930581.3 (22)申请日 2022.08.04 (71)申请人 北京富通智康科技有限公司 地址 100193 北京市海淀区马连洼北路138 号院1号楼3层316 -16 (72)发明人 王欣梅　闫晓　赵伟　 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) G06F 17/16(2006.01) G06F 16/215(2019.01) (54)发明名称 一种基于健康管理标签的用户画像方法 (57)摘要 本发明公开了一种基于健康管理标签的用 户画像方法， 包括： 获取用户健康管理大数据并 预处理； 将预处理后的数据根据相应的业务规则 标注得到用户基础标签； 获取膳食质量指标， 计 算得到膳食质量指数， 并根据膳食质量指数排序 的结果标注得到用户风险标签； 对用户聚类得到 用户分类， 所述用户分类结合膳食质量指标得到 群体特征标签； 根据膳食特征标签、 膳食风险标 签和膳食质量指数预测用户的膳食需求并为用 户推荐健康膳食方案， 然后， 根据用户膳食需求 进行标注得到用户预测标签； 组成健康管理标签 体系， 将所述健康管理标签提取出来构成用户画 像。 通过上述方式， 本发明能够通过健康管理标 签体系匹配到相似用户的用户画 像， 提高了膳食 推荐方案的适配性。 权利要求书3页 说明书7页 附图4页 CN 115130006 A 2022.09.30 CN 115130006 A 1.一种基于健康管理标签的用户画像方法， 其特 征在于， 包括： S10.获取用户健康管理大 数据， 并对所述数据进行 预处理； S20.将预处理后的数据根据相应的业务规则标注得到用户基础标签， 所述用户基础标 签， 用于描述用户的基本特 征； S30.基于所述用户基础标签， 获取膳食质量指标， 通过Topsis算法计算得到膳食质量 指数， 对所述膳食质量指数进行排序， 并根据所述膳食质量指数排序的结果标注得到用户 风险标签， 所述用户风险标签， 用于描述用户个人 更深层健康特 征； S40.基于所述用户风险标签， 利用无监督聚类算法对用户进行聚类得到用户分类， 所 述用户分类结合所述膳食质量指标得到群体特征标签， 所述群体特征标签， 用于描述用户 群体特征； S50.基于所述群体特征标签， 根据膳食特征标签、 膳食风险标签和膳食质量指数预测 用户的膳食需求并为用户推荐健康膳食方案， 然后， 根据所述用户膳食需求进行标注得到 用户预测标签； S60.基于所述S10~S50， 组成健康管理标签体系， 将所述健康管理标签提取出来构成用 户画像； 所述用户健康管理大 数据主要是通过健康管理系统或 从互联网上爬取获得的； 所述业务规则为业务专家制定的行业 规则。 2.如权利要求1所述的一种基于健康管理标签的用户画像方法， 其特 征在于， 所述用户健康管理大数据， 包括若干个用户的健康管理大数据， 其中每个用户的健康 管理大数据包括静态数据和动态数据， 其中， 静态数据包括人口属 性： 性别、 年龄和受教育 水平； 商业属性： 行业或职业； 健康属性： 身体指标和现病史； 生活方式： 抽烟、 饮酒和睡眠； 动态属性包括膳食记录数据： 食材、 三大营养结构、 三大关键元素、 其他营养元素、 维生素和 矿物质； 所述预处理指对所述用户健康管理大数据进行数据合并、 数据清洗、 数据标准化和数 据变换。 3.如权利要求1所述的一种基于健康管理标签的用户画像方法， 其特 征在于， 所述用户基础标签， 包括： 人口属性标签、 健康属性标签、 生活方式标签和膳食偏好标 签， 膳食偏好标签是通过获取所述膳食记录数据中的食材数据， 利用关联规则算法得到高 频单例食材和高频组合食材进行 标注得到 。 4.如权利要求1所述的一种基于健康管理标签的用户画像方法， 其特 征在于， 所述用户风险标签， 包括： 职业风险标签、 指标风险标签、 不当生活方式标签和膳食风 险标签； 所述膳食质量指标是通过利用主成分分析方法分析用户所述膳食记录数据得到， 所述 膳食质量指标包括膳 食结构、 三大 元素、 必需脂肪酸、 维生素和矿物质。 5.如权利要求1所述的一种基于健康管理标签的用户画像方法， 其特 征在于， 所述通过Topsis算法计算得到膳 食质量指数， 对所述膳 食质量指数进行排序， 包括： S31.将用户所述膳食质量指标分为中间型指标和区间型指标， 对所述中间型指标和区 间型指标进行正向化处理， 所述中间型指标是指膳食质量指标接近一个具体的值， 所述区 间型指标 是指膳食质量指标接 近一个区间的值；权　利　要　求　书 1/3 页 2 CN 115130006 A 2S32.将处理后的膳食质量指标数据利用Topsis算法进行膳食质量评价， 得到标准化矩 阵Z， 所述标准化矩阵 ， 其中， n为用户数， m为膳食质量指标数， n、 m均为 大于等于1的正整数， 所述 表示第i个用户的膳食质量向量， i为大于等于1 的正整数； S33.取所述标准化矩阵中每一列最大的数和最小的数分别构建膳食质量最优解向量和膳 食质量最劣解向量， 其中， 膳食质量最优解向量 ， ； 膳食质量最劣解向量 ， ； S34.分别计算用户i的膳食质量向量与所述膳食质量最优解向量的距离 和膳食质量 最劣解向量的距离 ， 得到膳食质量指数 ， 计算公式为： ； ； ； 其中， j为大于等于1的正整数； S35.对所述膳食质量指数 进行降序排序， 得到用户的膳食质量综合情况以及得到各 膳食质量指标 下的膳食风险分布。 6.如权利要求5所述的一种基于健康管理标签的用户画像方法， 其特 征在于， 所述得到各膳食质量指标下的膳食风险分布包括： 膳食质量指数是由m个膳食质量指 标计算得到， 每一个膳食质量指标为一个维度， 对每个维度的膳食质量指标进行标准化评 价， 如果标准 化评价分值偏低， 则在该维度上表现相对较差， 存在一定的膳 食风险。 7.如权利要求1所述的一种基于健康管理标签的用户画像方法， 其特 征在于， 所述利用无监督聚类算法对用户进行聚类得到用户分类， 所述无监督聚类算法包括k ‑ means算法； 所述k‑means算法， 包括： 获取用户所述膳食记录数据， 使用k ‑means算法将用户分成三 类， 分别是 营养过剩型、 营养平衡型和营养缺乏型； 所述群体特征标签， 包括人群特征标签、 风险特征标签、 生活方式特征标签和膳食特征 标签， 膳食特征标签包括： 多油、 多盐、 多糖、 少油、 少盐、 少糖、 食材单一、 食材多样、 素食主 义、 肉食主义和谷物为主。 8.如权利要求1所述的一种基于健康管理标签的用户画像方法， 其特 征在于， 所述用户预测标签， 包括： 风险预测标签、 需求预测标签、 生活方式干预标签和膳食干 预标签；权　利　要　求　书 2/3 页 3 CN 115130006 A 3