.270 智能系统学报 第11卷 在此基础上，令cos0=0.85时通过文献[18]的 表5工作压力分布 HGSM算法、文献[19]的SLH-MTM-L2算法(2 Table 5 Working pressure distribution layer)与本文方法在分类准确度和运行时间两方面 工作压力工作压力 工作压力 工作类型用户人数 进行比较，结果如表4所示。由结果可知本文提出 较轻人数适中人数较大人数 的用户工作类型分组方法基本可以保证准确的用户 应急服务业 13 8 3 2 分组，且运算耗时较少，在用户记录项繁多且需要实 普通服务业 10 6 3 1 时计算的情况下优势明显。 政府机关 8 7 1 0 表4对比实验结果 企业 27 13 6 0 Table 4 Contrast test results 工厂 6 2 4 教育 5 0 0 算法 用户分组率/%分组准确度/%计算耗时/ms 在对上述用户进行分类时可采用两种分类粒 HGSM 93.15 94.12 1275 度：一是无视工作类型分类，适合在形成相似用户组 SLH-MTM-L2 94.52 95.65 2765 后组内推送与用户工作类型无关的信息；二是参考 本文算法 94.52 95.65 843 工作类型分类，适合在形成相似用户组后组内推送 3.2用户社会行为数据的相似度分组测试与分析 与用户工作类型有关的信息。 首先利用前节的用户工作类型分组数据及最优 以无视工作类型的分类粒度为例，在3类用户 化的cosB值计算出各工作类型分组中经济条件指 中随机选取5个用户，由专家结合实际情况给出的 数和压力指数，其次计算出基于不同的用户社会行 工作心理建议，对于不同用户最终的推送信息是： 为数据的相似度cosw值，并根据ω角度将用户分 工作压力较轻用户的健康建议分别为： 为三大类，即处于0≤w<30°的用户工作压力较 1)需要不断树立新的目标，让自己再拼搏一次： 2)轻松工作之余可开辟“第二战场”，让时间变 轻：处于30°≤w<60°的用户工作压力适中：处于 60°≤w<90°的用户工作压力较重。算法的处理 得有意义 3)您还可以做得更好，赚更多的钞票。 流程如图6所示。表5给出了测试中6种工作类型 工作压力适中的3位用户的健康建议分别为： 用户的工作压力分布情况。 1)请您保持健康的心态，保持现在的工作步调： 、开始 2)车间工作会枯燥，建议休息时看看书调节心情； 读人一组用户工 3)你可以选择默默无闻，也可以选择惊天动地。 作类型相似分组 工作压力较重的用户的健康建议分别为： 数据 1)请正确地认识自己，不要让办不到的事压垮你： 读取与此用户对 2)学会休息，学会说“不”，学会满足，避免成为 应的移动轨迹及 一个完美主义者： 相关信息信息 3)工作狂，请多陪陪家人，顺便放松自己。 由移动轨迹时间序列计 算得出用户工作时间及 通过以上推荐建议内容可知本分组算法的效果 加班指数 良好，适当地将工作压力程度相似的用户分组，相似 分组用户间对于工作压力辅导健康建议具有可相互 由用户通勤工具计算用 户经济条件指数 推送性，从而在功能性和可实施性的角度完成了用 户分组的测试。 计算基于用户社会行为 数据的相似度 4结束语 基于位置信息的服务已融入到人们的生产生活 组结束？ 中，各种健康养生推荐服务已成为研究热点。针对 有限医疗资源条件下如何实现用户的个性化健康建 依据相似度向量角度 形成相似用户组 议推荐服务问题，本文提出了一种利用已记录的用 户移动轨迹数据信息实现移动医疗环境下的个性化 结束 推荐算法，将已有的心理健康建议推荐给具有相似 图6用户工作压力分组流程图 工作环境与工作压力的用户，提高了推荐效率，大幅 Fig.6 User working pressure grouping flow chart 缩减了由人工填写心理健康建议的代价。算法测试在此基础上，令 ｃｏｓ θ ＝ ０．８５ 时通过文献［１８］的 ＨＧＳＭ 算法、 文献 ［ １９］ 的 ＳＬＨ⁃ＭＴＭ⁃Ｌ２ 算法 （ ２ ｎｄ ｌａｙｅｒ）与本文方法在分类准确度和运行时间两方面 进行比较，结果如表 ４ 所示。 由结果可知本文提出 的用户工作类型分组方法基本可以保证准确的用户 分组，且运算耗时较少，在用户记录项繁多且需要实 时计算的情况下优势明显。 表 ４ 对比实验结果 Ｔａｂｌｅ ４ Ｃｏｎｔｒａｓｔ ｔｅｓｔ ｒｅｓｕｌｔｓ 算法 用户分组率／ ％分组准确度／ ％ 计算耗时／ ｍｓ ＨＧＳＭ ９３．１５ ９４．１２ １ ２７５ ＳＬＨ⁃ＭＴＭ⁃Ｌ２ ９４．５２ ９５．６５ ２ ７６５ 本文算法 ９４．５２ ９５．６５ ８４３ ３．２ 用户社会行为数据的相似度分组测试与分析 首先利用前节的用户工作类型分组数据及最优 化的 ｃｏｓ θ 值计算出各工作类型分组中经济条件指 数和压力指数，其次计算出基于不同的用户社会行 为数据的相似度 ｃｏｓ ω 值，并根据 ω 角度将用户分 为三大类，即处于 ０ ≤ ω ＜ ３０° 的用户工作压力较 轻；处于 ３０° ≤ ω ＜ ６０° 的用户工作压力适中；处于 ６０° ≤ ω ＜ ９０° 的用户工作压力较重。 算法的处理 流程如图 ６ 所示。 表 ５ 给出了测试中 ６ 种工作类型 用户的工作压力分布情况。 图 ６ 用户工作压力分组流程图 Ｆｉｇ．６ Ｕｓｅｒ ｗｏｒｋｉｎｇ ｐｒｅｓｓｕｒｅ ｇｒｏｕｐｉｎｇ ｆｌｏｗ ｃｈａｒｔ 表 ５ 工作压力分布 Ｔａｂｌｅ ５ Ｗｏｒｋｉｎｇ ｐｒｅｓｓｕｒｅ ｄｉｓｔｒｉｂｕｔｉｏｎ 工作类型 用户人数 工作压力 较轻人数 工作压力 适中人数 工作压力 较大人数 应急服务业 １３ ８ ３ ２ 普通服务业 １０ ６ ３ １ 政府机关 ８ ７ １ ０ 企业 ２７ １３ ６ ８ 工厂 ６ ２ ４ ０ 教育 ５ ５ ０ ０ 在对上述用户进行分类时可采用两种分类粒 度：一是无视工作类型分类，适合在形成相似用户组 后组内推送与用户工作类型无关的信息；二是参考 工作类型分类，适合在形成相似用户组后组内推送 与用户工作类型有关的信息。 以无视工作类型的分类粒度为例，在 ３ 类用户 中随机选取 ５ 个用户，由专家结合实际情况给出的 工作心理建议，对于不同用户最终的推送信息是： 工作压力较轻用户的健康建议分别为： １）需要不断树立新的目标，让自己再拼搏一次； ２）轻松工作之余可开辟“第二战场”，让时间变 得有意义； ３）您还可以做得更好，赚更多的钞票。 工作压力适中的 ３ 位用户的健康建议分别为： １）请您保持健康的心态，保持现在的工作步调； ２）车间工作会枯燥，建议休息时看看书调节心情； ３）你可以选择默默无闻，也可以选择惊天动地。 工作压力较重的用户的健康建议分别为： １）请正确地认识自己，不要让办不到的事压垮你； ２）学会休息，学会说“不”，学会满足，避免成为 一个完美主义者； ３）工作狂，请多陪陪家人，顺便放松自己。 通过以上推荐建议内容可知本分组算法的效果 良好，适当地将工作压力程度相似的用户分组，相似 分组用户间对于工作压力辅导健康建议具有可相互 推送性，从而在功能性和可实施性的角度完成了用 户分组的测试。 ４ 结束语 基于位置信息的服务已融入到人们的生产生活 中，各种健康养生推荐服务已成为研究热点。 针对 有限医疗资源条件下如何实现用户的个性化健康建 议推荐服务问题，本文提出了一种利用已记录的用 户移动轨迹数据信息实现移动医疗环境下的个性化 推荐算法，将已有的心理健康建议推荐给具有相似 工作环境与工作压力的用户，提高了推荐效率，大幅 缩减了由人工填写心理健康建议的代价。 算法测试 ·２７０· 智 能 系 统 学 报 第 １１ 卷