专利交易市场

本发明涉及智能饮食推荐技术领域，具体涉及基于人工智能的糖尿病患者饮食智能推荐方法。获取糖尿病患者的身体数据、食材的营养成分数据以及对食材的评分；根据身体数据确定健康程度系数；通过健康程度系数调节食材的评分血糖含量的相关指标，确定糖尿病患者的评分置信度；结合食材之间营养成分数据的相似性，以及通过评分置信度加权的食材的评分，确定食材之间的相似性；根据食材之间的相似性、糖尿病患者对食材的评分以及最近一次食用食材的时间长度，确定食材的智能评分，对糖尿病患者进行饮食推荐。本发明在考虑到糖尿病患者对食材口味的喜爱，同时保证了食材的营养成分，提高了智能推荐算法对于糖尿病患者进行推荐的准确性。

本发明属于理财产品推荐领域，提供了一种理财产品推荐方法、系统、存储介质及设备。其中，该方法包括获取理财用户数据；基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；其中，自编码神经网络模型的训练过程为：采用理财用户数据预训练自编码神经网络模型；将理财用户数据及其若干个最近邻数据拼接构成训练数据；以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值。

本申请提出了一种习题智能推荐方法、装置、计算机设备及存储介质，先通过第一预设公式，根据每个学生的做题情况，计算出每个学生掌握到位的知识点以及可能掌握不到位的知识点；然后通过第二预设公式，进一步地计算出合适推荐给学生的习题，解决了目前的错题推荐中错题题目较为单一，以及错题推荐的质量针对性不强的问题。能够针对学生自身的作业情况和知识点掌握情况，自动生成个性化的推荐练习习题，使学生将时间花在最该练习的题目上，帮助学生高效学习，从而能够节约做题时间，达到个性化学习，提升学习效率的目的。

本发明提出了一种基于扩散模型的对比学习去偏智能推荐方法，包括：S1，从用户物品的交互图中提取到偏见物品特征，物品流行度特征和物品语义特征，将个体与邻居节点的偏见物品特征，物品流行度特征和物品语义特征进行结合，再采用超图卷积对用户和物品的表示进行编码，得到编码后的嵌入；S2，将编码后的嵌入输入扩散模型，扩散模型输出不同嵌入的最终输出；然后将所述不同嵌入的最终输出进行聚合操作，得到用户物品交互嵌入表示；然后基于所述用户物品交互嵌入表示计算用户推荐交互物品的评分，将评分降序排列生成相关候选物品的推荐列表。本发明方法不仅能够捕捉多边复杂关系，而且通过引入扩散模型，在图卷积神经网络中增加了更多的随机性和多样性。