基于物聯網的健身方法推薦系統設計

文/高峰 胡峽進

隨著社會的進步，人們對于運動健身越來越重視，越來越多的人開始追求強健的體魄、優美的形體。同時，國家也大力提倡“全民運動”，根據《全民健身計劃（2016-2020年）》的規劃，到2020年，每周參加一次及以上體育鍛煉的人數要達到7億，經常參加鍛煉的人數要達到4.35億，體育產業總規模要超過3萬億元。但是，運動健身領域長期以來存在一些不如人意的地方：

（1）傳統健身房模式難以適應新的時代。現在的健身房主要模式是辦會員卡和私教收費，基本現狀是，很多健身房不愿出售短期卡，導致會員卡的期限越來越長，一些不能堅持鍛煉的會員就會產生被欺騙的感覺，引起大家的反感。

（2）健身行業難見創新。健身行業也嘗試著和互聯網融合，推出有像Keep、咕咚一類的APP軟件，但形式過于單一，核心內容無非就是視頻教程、飲食記錄、勵志激勵等，運動方案也是有氧運動居多，而且發展趨勢是越來越細化，不夠全面。健身APP功能單一，沒有突破，缺乏個性化，效果不佳。

（3）健身方案難以落地，且一種方法不一定適合所有人。比如：備受推崇的游泳減脂，很多人沒有條件游泳，即使有條件，公眾游泳池在夏天也是人滿為患，難以進行系統的訓練；再如：慢跑可以減脂，但是有的人膝蓋有損傷，對跑步的有效速度難以把握。

綜上所述，空泛的健身理論造成的結果就是理論很多人都懂，但實際上很多難以實施，導致健身能有效果、能堅持的人鳳毛麟角。目前，關于運動健身的硬件設備已經很發達，如智能手環、智能手表、智能體脂稱等，這些設備，可以使用戶方便地獲取運動時間、心率、體重、體脂、肌肉含量等信息。對于非專業運動員，這些設備采集到的數據已經夠用。但是，如何利用好這些數據，是目前亟待解決的一個問題。

圖1：基于用戶的協同過濾推薦

本文旨在提出一套個性化智能健身系統的設計方案，為不同健身目標的用戶分階段推薦個性化的健身方案。

1 健身推薦方法

1.1 常規推薦

針對新進入系統的用戶，系統將為其推薦簡單、易操作的運動方案和飲食方案，這些方案由人工篩選出來。由于沒有足夠的數據，常規推薦只用于解決推薦系統中新用戶的冷啟動問題。

1.2 基于內容的推薦

基于內容（Content-based，CB）的推薦，是根據運動、飲食方案的特征和用戶的歷史行為進行推薦，不依賴其他用戶。推薦給用戶的是與其曾經喜歡的方案的相似方案。其推薦方式為：

1.2.1 獲得方案的描述信息

本系統通過加標簽來描述一個方案的特征，標簽通過人工標注，也可以通過方案描述內容或用戶反饋的內容抽取。

1.2.2 獲取用戶偏好信息

獲取用戶的歷史行為，比如對某一方案的完成度、點贊、評分、評價、收藏等行為，這些行為代表了用戶的偏好，根據這些偏好可以為建立用戶偏好模型，根據此模型可以推斷用戶是否喜歡某一方案。

1.2.3 生成推薦

將用戶偏好的特征和方案的特征進行比較，把匹配程度比較高的方案推薦給用戶。

基于內容的推薦思路比較簡單，推薦比較準確，對于加入系統數據庫的方案，即使沒有用戶評分也能通過其標簽作為特征，推薦給喜歡的用戶，同時可以推薦冷門的方案。但是，基于內容的推薦存在新用戶冷啟動的問題，且新穎度較差。針對新用戶，可以采用常規推薦來彌補；針對新穎度，則可以采用基于協同過濾的推薦來補充。

1.3 基于協同過濾的推薦

基于協同過濾（Collaborative Filtering，CF）的推薦需要獲取用戶對方案的偏好信息，然后通過用戶的偏好信息挖掘方案和用戶之間的相關性，根據這種相關性推斷用戶喜歡的其他方案。基于協同過濾的推薦方法主要有基于用戶的協同過濾推薦、基于項目的協同過濾推薦和基于模型的協同過濾推薦，種類繁多，本系統采用基于用戶的協同過濾方式。

基于用戶的協同過濾推薦，主要是根據用戶對方案的偏好信息挖掘相似用戶，找到和目標用戶有相似偏好的用戶群體，給目標用戶推薦其相似偏好群體普遍喜歡但該用戶并未接觸過的方案。算法原理如圖1所示。

圖1的流程是：如果用戶1和用戶2都喜歡方案A和方案B，而用戶3只喜歡方案C，則認為用戶1和用戶2偏好相似，可以認為用戶2喜歡的方案用戶1也會喜歡；由于用戶2還喜歡方案C，則認為用戶1應該也會喜歡方案C，只是沒有接觸過，故而可以給用戶1推薦方案C。

2 推薦策略

本系統將用戶分為三類：以減脂為目的的用戶；以增肌為目的的用戶以及以保持健康為目的的用戶。針對這三類用戶，分階段推薦運動及飲食方案。

圖2：推薦系統架構設計

針對第一類以減脂為目的的用戶，推薦系統分三步進行：

第一階段：考慮到這類用戶不愛運動、飲食過量的特點，系統將為其推薦簡單、可操作的運動方案和飲食方案。該步驟中的方案通用性較強，沒什么個性化成分，由人工篩選，目的是激發用戶的運動習慣、改善用戶的飲食結構。在推薦方案的過程中，還要不斷收集用戶的反饋信息、采集用戶數據，為后續階段的推薦做數據準備。

第二階段：一段時間之后，等獲取到了用戶對所推薦方案的反饋信息、采集到了足夠的用戶數據，即可改為“基于內容的推薦方法”，根據用戶對之前方案的反饋情況，結合其運動水平、運動周期、興趣愛好、飲食習慣等信息，為其推薦其喜歡的運動、飲食方案，目的是維持用戶的興趣。

第三階段：如果用戶能夠堅持，再經過一段時間，系統將收集到更多的用戶數據，基于這些數據，采用“基于協同過濾推薦的方法”，挖掘和該用戶同類型的其它用戶，將同類用戶喜歡的方案推薦過去。

對于第二類以增肌為目的的用戶，和對第一類用戶是類似的，只是側重點有所不同，比如多推薦力量訓練，多推薦高蛋白飲食。

對于第三類用戶，他們的目的是保持健康。這類用戶飲食方面沒有太大問題，主要是需要維持運動習慣。針對這類用戶，側重于運動方案的推薦，當其運動量長期不達標時，發出提醒即可。

3 系統架構設計

本系統主要分為四大模塊，分別是：方案管理模塊、推薦引擎組、用戶反饋模塊、用戶數據采集模塊。方案管理模塊負責方案數據的錄入、編輯，還要給方案一個初始評分，并為每種方案打上若干個標簽，標簽可以通過方案的描述信息自動提取，也可人工編輯。初始評分是為常規推薦服務的，評分高的方案優先推薦給用戶，用于解決新用戶的冷啟動問題。打便簽是為基于內容的推薦服務的，推薦引擎組利用標簽為用戶產生基于內容的推薦結果；推薦引擎組是核心模塊，負責結合方案數據、用戶數據，分階段地為各類用戶推薦運動、飲食方案；用戶反饋模塊負責收集用戶反饋數據，主要是對所推薦方案的反饋信息，包括評分、點贊、收藏、評價、意見、建議等。將采集到的信息經過處理之后，傳入用戶數據收集模塊；用戶數據收集模塊負責收集用戶數據采集設備采集到的數據，結合用戶反饋信息進行處理，將處理結果持久化到數據庫中，以便推薦引擎組進行推薦。設計架構圖如圖2所示。

4 展望和不足

綜上所述,依據物聯網設備采集的相關數據信息，為不同類型的用戶提供了個性化的混合推薦系統，有利于用戶提高健身的效果。健身不僅與這些數據有關，還與用戶的飲食有關，而飲食的數據是一個不確定的因素，只能根據自身的定期且定量的數據來界定，然后進一步完善健身推薦系統。