健身动作的推荐方法及装置

技术领域

本申请涉及互联网技术领域，特别涉及一种健身动作的推荐方法。本申请同时涉及一种健身动作的推荐装置，一种计算设备，以及一种计算机可读存储介质。

背景技术

随着人们的生活水平的提高，越来越多的人开始注重自己的身体健康，并投入到健身运动中，而通过健身APP可以根据健身课程计划，随时随地的进行健身运动。

在目前的健身课程中，健身课程结构比较固定，在内容编排上，以课程或计划粒度推荐给用户，在锻炼一节健身课程时，动作的强度和难度是无法根据用户自身的情况作出动态调整的，从而导致用户在跟着健身课程锻炼时，会因能力不匹配而产生健身阻力。

发明内容

有鉴于此，本申请实施例提供了一种健身动作的推荐方法。本申请同时涉及一种健身动作的推荐装置，一种计算设备，以及一种计算机可读存储介质，以解决现有技术中存在的健身课程结构固定，无法根据用户的实际情况动态调整的问题。

根据本申请实施例的第一方面，提供了一种健身动作的推荐方法，包括：

获取目标用户的参考动作集合和至少一个待推荐动作；

基于所述参考动作集合确定所述目标用户的当前健身状态信息；

根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作。

根据本申请实施例的第二方面，提供了一种健身动作的推荐装置，包括：

获取模块，被配置为获取目标用户的参考动作集合和至少一个待推荐动作；

确定模块，被配置为基于所述参考动作集合确定所述目标用户的当前健身状态信息；

推荐模块，被配置为根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作。

根据本申请实施例的第三方面，提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述计算机指令时实现所述健身动作的推荐方法的步骤。

根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现所述健身动作的推荐方法的步骤。

本申请提供的健身动作的推荐方法，获取目标用户的参考动作集合和至少一个待推荐动作；基于所述参考动作集合确定所述目标用户的当前健身状态信息；根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作。本申请一实施例实现了在用户的健身过程中，采集用户的参考动作集合，并通过参考动作集合确定用户的当前健身状态，当前健身状态用于表明目标用户的实时自身情况，并根据参考动作集合和用户的当前健身状态为用户动态分配更合适的健身动作，用以匹配用户当前的健身状态，提升用户健身的积极性。

附图说明

图1是本申请一实施例提供的一种健身动作的推荐方法的流程图；

图2是本申请一实施例提供的确定用户当前健身状态信息的示意图；

图3是本申请一实施例提供的健身动作推荐方法的系统流程图；

图4是本申请一实施例提供的一种应用于健身课程的健身动作的推荐方法的处理流程图；

图5是本申请一实施例提供的一种健身动作的推荐装置的结构示意图；

图6是本申请一实施例提供的一种计算设备的结构框图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

在本申请一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请一个或多个实施例。在本申请一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本申请一个或多个实施例中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

随着人们生活水平的提升，越来越多的人开始注重自己的身体健康，并跟随各种线上或线下的健身课程进行训练，在线上的健身课程中，健身动作的结构比较固定，在内容编排上为用户推荐健身课程，用户每次根据健身课程进行锻炼，而健身课程中健身动作的强度和难度是无法根据用户自身情况来作出动态调整的，同样的动作对不同的用户而言有不同的锻炼效果，固定的健身动作对于身体素质较好的用户起不到锻炼的最好效果，对身体素质较差的用户会产生较大的负担。

基于此，在本申请中，提供了一种健身动作的推荐方法，本申请同时涉及一种健身动作的推荐装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。

图1示出了根据本申请一实施例提供的一种健身动作的推荐方法的流程图，具体包括以下步骤：

步骤102：获取目标用户的参考动作集合和至少一个待推荐动作。

其中，目标用户具体是指正在使用健身课程的用户；参考动作具体是指在当前健身课程中，目标用户已经执行过的动作；待推荐动作具体是指需要向目标用户推荐的下一个健身动作。

具体的，通过本申请提供的健身动作的推荐方法，需要给目标用户推荐下一个健身动作，目标用户在参加健身课程的过程中，将已经执行过的动作作为参考动作，例如，目标用户已经执行了3个健身动作，则这3个健身动作组成了目标用户的参考动作集合。而待推荐动作可以是用户在过去的健身课程中参与过的健身动作，例如目标用户在过去的30天内，参加了15次健身课程，每次健身课程有10个健身动作，每次健身课程之间的健身动作可以相同也可以不同，经过统计，可以统计出目标用户在过去30天内参加的15次健身课程中共计有30个健身动作，则这30个健身动作即可作为目标用户的待推荐动作。

需要注意的是，为了提升用户的健身体验，用户在当前次健身课程中已经执行过的健身动作(即参考动作集合中的动作)不再作为待推荐动作，在本申请提供的一具体实施方式中，以用户在过去的课程中共锻炼过30个健身动作为例，在当前次的健身课程中，已经从这30个健身动作中执行了3个动作，则这3个动作为参考动作，剩余的27个健身动作为待推荐动作。

在本申请提供的另一具体实施方式中，用户在当前次健身课程中已经执行了5个健身动作(即参考动作)，在过去的课程中共锻炼过30个健身动作，在5个参考动作中有2个是过去锻炼过的健身动作，则待推荐动作即是30个健身动作中除去这2个健身动作外的其他28个健身动作。

步骤104：基于所述参考动作集合确定所述目标用户的当前健身状态信息。

参考动作集合中存储的是目标用户在当前健身课程中已经执行的健身动作，根据参考动作集合可以确定目标用户的当前健身状态信息。具体的，当前健身状态信息是指目标用户可以完成健身动作的状态信息，例如对于高抬腿的动作，目标用户在做了12个高抬腿和做了50个高抬腿后的状态肯定是不一样的，做了12个高抬腿后还会有多余的精力做其他的动作，而做了50个高抬腿后可能就需要休息一下。

在实际应用中，每个用户的自身状态也各不相同，例如对于大体重的用户做跑跳动作就会比较吃力，对于小体重的用户而言做跑跳动作就会相对轻松一些。因此，确定目标用户的当前健身状态信息还需要参考目标用户的个人情况，基于此，基于所述参考动作集合确定所述目标用户的当前健身状态信息，包括：

获取所述目标用户的用户画像信息和预测健身能力；

基于所述用户画像信息、所述预测健身能力和所述参考动作集合确定所述目标用户的当前健身状态信息。

其中，目标用户的用户画像信息具体是指与目标用户对应的用户属性信息，具体的，用户画像信息可以包括用户的年龄、身高、体重、体脂率、耐力信息等等属性信息，通过用户画像信息可以为该目标用户划定相应的用户等级，例如将用户等级分为K1-K5共5个等级，其中，K5用户的身体素质最好，K1用户的身体素质最差等等。在实际应用中，用户画像信息可以是用户在使用健身课程之前，根据健身课程的调查问卷输入的信息；还可以是用户在过去预设时间区间内参与健身课程的过程中，反馈给健身课程的反馈信息来生成；还可以是上述两种方式的结合，用户画像信息的具体获取方式，在本申请中不做限定。

预测健身能力具体是指对目标用户的健身能力的预测信息，在实际应用中，可以根据用户在过去预设时间区间内参与的健身课程来对用户的健身能力进行预测。预测健身能力是基于用户的历史健身数据、练课记录数据来归纳总结的。例如对使用健身课程的用户进行数据统计分析，发现体重较大、体脂率较高、参与健身课程难度较低的用户健身能力较差，则对于这类用户画像信息的用户对应的预测健身能力为1级；对于体脂率较低、参与健身课程难度较高、健身课程完成度高的用户健身能力较强，这类用户对应的预测健身能力为5级等等。

在实际应用中，预测健身能力还会与用户在历史健身过程中的行为反馈有关，例如用户在执行某个健身动作过程中，会选择继续或终止，如果选择继续，则说明该动作对用户是适合的，若选择终止，则说明该动作对用户是不合适的，用户不希望执行该健身动作，通过用户的行为反馈信息用于评估用户的预测健身能力。

在获得用户画像信息和预测健身能力之后，参考用户画像信息和预测健身能力，再结合参考动作集合即可确定目标用户的当前健身状态信息。即参考了用户的用户健身能力，又参考了用户已经完成的参考动作，可以更准确的获取目标用户的当前健身状态信息。

更进一步的，参见图2，图2示出了本申请一实施例提供的确定用户当前健身状态信息的示意图，如图2所示根据预测健身能力和用户画像信息可以确定用户的初始健身能力信息和健身动作容量信息，根据参考动作信息可以确定用户的健身能力变更信息，基于初始健身能力信息和健身能力变更信息可以确定用户的当前能力，并根据用户的当前能力来确定当前健身能力信息和健身难度信息。具体的，基于所述用户画像信息、所述预测健身能力和所述参考动作集合确定所述目标用户的当前健身状态信息，包括：

S1042、根据所述用户画像信息和所述预测健身能力确定所述目标用户的初始健身能力信息和健身动作容量信息。

具体的，根据用户画像信息和预测健身能力即可确定目标用户的初始健身能力信息，初始健身能力信息具体是指目标用户在还未进行健身课程时的健身能力信息。

根据用户画像信息和预测健身能力还可以确定用户的健身动作容量信息，健身动作容量信息具体是指一个健身动作的次数，例如对于高抬腿的健身动作，如果健身动作容量信息可以是1分钟15次，也可以是1分钟30次。

S1044、基于所述参考动作集合确定所述目标用户的健身能力变更信息。

在获取参考动作集合后，即可根据参考动作集合确定目标用户的健身能力变更信息，健身能力变更信息具体是指目标用户的在当前次健身课程的实时状态，例如参考动作集合中的参考动作难度有提升，则可以认为该用户的健身能力增强；若参考动作集合中的参考动作难度有降低，则可以认为该用户的健身能力降低。

根据参考动作集合确定目标用户的健身能力变更信息，用于对目标用户的当前健身能力进行计算。

具体的，基于所述参考动作集合确定所述目标用户的健身能力变更信息，包括：

获取所述参考动作集合中每个参考动作对应的动作反馈信息；

基于每个参考动作和每个参考动作对应的动作反馈信息确定所述目标用户的健身能力变更信息。

在实际应用中，用户针对参考动作集合中的参考动作也会做出相应的动作反馈，例如继续、终止等，通过每个参考动作和每个参考动作对应的反馈信息即可确定目标用户的健身能力变更信息。

例如参考动作集合中的参考动作1的难度为3，用户选择了继续；参考动作2的难度为4，用户选择了继续，可以确定用户的健身能力有相应的提升。

又例如参考动作集合中的参考动作1的难度为4，用户选择了终止；为用户推荐了参考动作2，对应的难度为3，用户还是选择了终止，则可以确定该动作对用户而言有点难，从而确定该用户的健身能力有相应的降低。

S1046、根据所述初始健身能力信息和所述健身能力变更信息确定所述目标用户的当前健身能力信息和健身难度信息。

在确定了初始健身能力信息和健身能力变更信息之后，即可根据两者确定目标用户的当前健身能力信息和健身难度信息，其中，当前健身能力信息具体是指用户在当前状态下的健身能力信息，例如用户的初始健身能力信息为3.4，健身能力变更信息为增加0.3，则用户的当前健身能力信息为3.7；若用户的初始健身能力信息为3.4，健身能力变更信息为降低0.6，则用户的当前健身能力信息为2.8。

健身难度可以理解为目标用户所能承受的健身动作的难度，在实际应用中，每个健身动作都有相应的动作难度，健身动作的动作难度通常由健身动作的复杂度和健身动作的容量来确定，例如有的动作虽然比较简单，但是重复次数较多，这个健身动作的难度就较高；有的动作比较复杂，但是重复次数较少，该健身动作的难度可能就较低。

S1048、基于所述健身动作容量信息、所述当前健身能力信息和所述健身难度信息生成所述目标用户的当前健身状态信息。

在获得健身容量信息、当前健身能力信息和健身难度信息之后，三者即可作为目标用户的当前健身状态信息。在实际应用中，所述当前健身状态信息包括除了上述的健身容量信息、当前健身能力信息和健身难度信息之外，还可以包括用户的用户群组信息、用户偏好信息等等。其中，用户群组信息具体是指目标用户所在的健身群组，例如可以是跑步小组、撸铁小组、卷腹小组等等；用户偏好信息具体可以是指用户在健身过程中的一些偏好信息，例如健身时间段、健身时长、健身强度等等。

步骤106：根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作。

在获得用户的当前健身状态信息之后，即可根据当前健身状态信息和所述参考动作集合在待推荐动作中确定目标推荐动作，即通过用户的实时健身能力和用户的锻炼记录来生成目标用户的练课偏好信息，通过在待推荐动作中确定目标推荐动作来代替固定动作，并根据当前健身状态信息调整动作容量、提升动作难度、增减休息时间等方式来确定目标动作，做到了结合用户的实际情况，动态为用户推荐健身动作。

具体的，根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作，包括：

S1062、获取所述参考动作集合中每个参考动作对应的参考动作信息，获取每个待推荐动作对应的待推荐动作信息。

在实际应用中，需要根据每个参考动作对应的参考动作信息来为后面的推荐动作提供参考，即需要在参考动作集合中确定参考动作信息，参考动作信息具体可以包括参考动作标识、参考动作的动作难度、参考动作的动作容量等。

同时还可以获取每个待推荐动作对应的待推荐动作信息，待推荐动作信息可以包括待推荐动作标识、待推荐动作难度、待推荐动作的动作容量、待推荐动作的锻炼部位等等信息。

在实际应用中，参考动作集合为了方便记录，可能仅记录有参考动作的动作标识和参考动作的动作容量，例如参考动作1，动作容量为1分钟15次；参考动作2，动作容量为1分钟23次等等。对于参考动作的其他信息无法直接记录在参考动作集合中，基于此，获取所述参考动作集合中每个参考动作对应的参考动作信息，包括：

在所述参考动作集合中确定目标参考动作；

在预设动作信息库中获取所述目标参考动作对应的目标参考动作信息。

在本申请提供的实施例中，以目标参考动作为例进行解释说明，在实际引用中，目标参考动作即需要获取参考动作信息的参考动作，例如在参考动作集合中共有3个参考动作，分别为参考动作1、参考动作2、参考动作3，当需要获取参考动作1的参考动作信息时，则参考动作1为目标参考动作；当需要获取参考动作2的参考动作信息时，参考动作2为目标参考动作。

预设动作信息库具体是指用于存储参考动作对应参考动作信息的数据库，其具体表现形式可以是数据库、存储表等，在本申请中，对预设动作信息库的具体表现形式不做限定。其可以起到存储参考动作信息的作用即可。

在预设动作信息库中通常会保存有健身动作的动作标识、动作难度信息、动作类型、动作对应的锻炼部位等等信息。通过参考动作集合中记录的参考动作标识，即可在预设动作信息库中获取对应的参考动作信息，需要注意的是，在预设动作信息库中会存储有健身动作对应的动作信息，获取目标参考动作对应的目标参考动作信息的过程中，可以只从该条动作信息记录中获取本申请所需的参考动作信息，例如某个健身动作在预设动作信息库中存储有30个动作信息的字段，本申请提供的方法只需要其中的3个字段，则根据参考动作的动作标识在对应的动作信息记录中获取所需的3个字段的信息即可。

通过上述方法，可以获得参考动作集合中每个参考动作对应的参考动作信息。

S1064、根据所述当前健身状态信息和每个参考动作信息生成参考信息。

在获得每个参考动作对应的参考动作信息之后，即可根据目标用户的当前健身状态信息和每个参考动作信息来生成参考信息，该参考信息具体是指用于为目标用户选取推荐健身动作的参考信息。

具体的，根据所述当前健身状态信息和每个参考动作信息生成参考信息，包括：

根据所述当前健身状态信息和每个参考动作信息生成每个参考动作对应的参考子信息；

拼接每个参考子信息，生成参考信息。

在实际应用中，可以将当前健身状态信息与每个参考动作信息进行拼接，生成每个参考动作对应的参考子信息，例如目标用户的当前健身状态信息I1，第一个参考动作对应的参考动作信息为C1，第二个参考动作对应的参考动作信息为C2。则根据当前健身状态信息I1和第一个参考动作信息C1生成第一个参考动作对应的参考子信息I1C1,，根据当前健身状态信息I2和第二个参考动作信息C2生成第二个参考动作对应的参考子信息I1C2。

在获得每个参考子信息之后，即可将每个参考子信息进行拼接，从而获得参考信息，例如将参考子信息I1C1与参考子信息I1C2进行拼接，生成参考信息I1C1I1C2。

在本申请提供的一具体实施方式中，以当前健身状态信息包括用户群组(减脂群组)、用户能力(3.2)、用户偏好信息(有氧、早晨)，参考动作信息为参考动作标识(D1)、动作难度(K2)、动作容量(15次/60秒)为例。将当前健身状态信息和参考动作信息进行拼接之后获得参考子信息为(D1，K2，15次/60秒，减脂群组，3.2，有氧、早晨)。

S1066、基于所述参考信息和每个待推荐动作信息生成每个待推荐动作对应的待推荐动作参考信息。

在获得参考信息后，即可根据参考信息和每个待推荐信息进行拼接，从而生成每个待推荐动作对应的待推荐动作参考信息。需要注意的是，在本申请提供的方法中，需要将参考信息和每个待推荐动作的待推荐动作信息进行拼接，从而生成每个待推荐动作对应的待推荐动作参考信息。

在本申请提供的一具体实施方式中，以参考信息为CI为例，第1个待推荐动作信息为TI1，第2个待推荐动作信息为TI2。则第1个待推荐动作对应的待推荐动作参考信息为CITI1，第2个待推荐动作对应的待推荐动作参考信息为CITI2。需要注意的是，这里的CI、TI1、TI2是为了示意待推荐动作参考信息的拼接方式，在实际应用中，参考信息和每个待推荐动作信息均有多个维度的信息组成。

S1068、根据每个待推荐动作参考信息确定目标推荐动作。

在获得每个待推荐动作参考信息后，即可根据每个待推荐动作参考信息来确定当前次推荐给用户的目标推荐动作。具体的，根据每个待推荐动作参考信息确定目标推荐动作，包括：

将每个待推荐动作参考信息输入至动作推荐模型进行处理；

获得所述动作推荐模型输出的目标推荐动作，其中，所述动作推荐模型根据每个待推荐动作参考信息确定每个待推荐动作对应的推荐概率，并基于每个待推荐动作对应的推荐概率确定目标推荐动作。

其中，动作推荐模型是指预先训练好的人工智能模型，在本申请提供的实施例中，动作推荐模型优选的是序列模型，如Transformer模型，将每个待推荐动作参考信息输入至动作推荐模型中进行处理，动作推荐模型通过对待推荐动作参考信息进行处理，获得每个待推荐动作参考信息对应的推荐概率，在实际应用中，会获得每个待推荐动作参考信息对应的继续概率和终止概率，即用户继续执行该健身动作的概率和用户停止执行该健身动作的概率，可以将继续概率设置为正数，将终止概率设置为负数，例如当某个待推荐动作对应的继续概率为70％，则其对应的推荐概率为0.7；若某个待推荐动作对应的终止概率为0.8，则其对应的推荐概率为-0.8，基于此，可以理解为推荐动作对应的推荐概率为(-1，1)的区间。

在确定每个待推荐动作对应的推荐概率后，即可基于每待推荐动作对应的推荐概率来确定目标推荐动作。具体的，选取推荐概率最高的待推荐动作为目标推荐动作。若有至少两个相同推荐概率的待推荐动作，则可以选取历史执行次数最多的待推荐动作为目标推荐动作，或随机选取一个待推荐动作为目标推荐动作。

具体的，以动作推荐模型为Transformer模型为例进行解释说明，所述动作推荐模型包括嵌入层、编码器、解码器和输出层；

将每个待推荐动作参考信息输入至动作推荐模型进行处理，包括：

将每个待推荐动作参考信息输入至所述嵌入层做嵌入化处理，获得每个待推荐动作参考信息对应的待编码矩阵；

将每个待编码矩阵输入至所述编码器做编码处理，获得每个待编码矩阵对应的编码矩阵；

将每个编码矩阵输入至所述解码器做解码处理，获得每个编码矩阵对应的解码矩阵；

将每个解码矩阵输入所述输出层，获得每个待推荐动作参考信息对应的推荐概率，并基于每个待推荐动作参考信息对应的推荐概率确定目标推荐动作。

其中，嵌入层可以理解为word embedding层，将待推荐动作参考信息输入至该嵌入层中做嵌入化处理，可以获得每个待推荐动作参考信息对应的待编码矩阵。在实际应用中，每个待推荐动作参考信息是由多个具体信息组成的，例如待推荐动作参考信息(D1，K2，15次/60秒，减脂群组，3.2，有氧、早晨，D3，K3)。其中，(D1，K2，15次/60秒，减脂群组，3.2，有氧、早晨)为用户的参考信息，(D3，K3)为待推荐动作信息，在嵌入层中，将待推荐动作参考信息中的每个信息进行编码，再进行拼接，获得待推荐动作参考信息对应的待编码矩阵。

在获得嵌入层输出的待编码矩阵后，将待编码矩阵输入至编码器中做编码处理，编码器通常会包括n个顺次连接的编码层，其中，n为大于等于2的正整数，将待编码矩阵通过n个编码层的编码处理后，获得编码器输出的编码矩阵。

在获得编码器输出的编码矩阵后，再将编码矩阵输入至解码器中做解码处理，解码器通常会包括m个顺次连接的解码层，其中，m为大于等于2的正整数，将编码矩阵通过m个解码层的解码处理后，获得解码器输出的解码矩阵。

再将解码矩阵输入至动作推荐模型的输出层，在输出层中对解码矩阵做归一化处理，最终获得每个待推荐动作参考信息对应的推荐概率。根据每个待推荐动作参考信息对应的推荐概率来确定目标推荐动作。

在实际应用中，所述动作推荐模型通过下述方法训练获得：

获得样本动作参考信息和所述样本动作参考信息对应的样本反馈信息；

将所述样本动作参考信息输入至所述动作推荐模型进行处理，获得所述动作推荐模型输出的预测反馈信息；

根据所述预测反馈信息和所述样本反馈信息计算模型损失值；

基于所述模型损失值调整所述动作推荐模型的模型参数，并继续训练所述动作推荐模型，直至达到模型训练停止条件。

动作推荐模型需要预先训练，模型的输入为样本动作参考信息，样本动作参考信息包括有参考动作的特征信息(包括动作标识、动作难度、动作容量)和用户的特征信息(包括用户群组、用户能力、用户偏好信息、用户练课记录等)，将样本动作参考信息输入至动作推荐模型中，在动作推荐模型的嵌入层中对各个信息做嵌入化处理，例如将动作标识和用户群组做one-hot编码，获得对应的编码信息，将动作难度、动作容量、用户能力、用户偏好信息等做embedding处理，获得对应的编码信息，再将每个特征信息对应的编码信息进行拼接，获得待编码矩阵。

再将待编码矩阵经过编码器处理获得编码矩阵，将编码矩阵经过解码器处理获得解码矩阵，再将解码矩阵经过输出层处理，获得样本动作参考信息对应的预测反馈信息，预测反馈信息包括继续或终止，再根据模型输出的预测反馈信息和样本反馈信息联合计算模型损失值，计算模型损失值的损失函数在实际应用中可以是交叉熵损失函数、绝对值损失函数、平方损失函数、0-1损失函数等等，在本申请中，对损失函数的选择不做限定，以实际应用为准。

在计算模型损失值后，根据模型损失值反向传播调整动作推荐模型的模型参数，具体的，可以是调节动作推荐模型中的编码器、解码器和输出层的模型参数，通常情况下，嵌入层的参数是固定，可以不参与训练调参，更进一步的，调整参数可以是调整动作推荐模型中的学习率参数、Batch_size参数等等。并用下一批次的样本动作参考信息和样本反馈信息继续训练该动作推荐模型，直至达到模型训练停止条件，在实际引用中，模型训练停止条件包括模型损失值小于预设阈值；和/或所述动作推荐模型的训练轮次达到预设轮次。

本申请提供的健身动作的推荐方法，获取目标用户的参考动作集合和至少一个待推荐动作；基于所述参考动作集合确定所述目标用户的当前健身状态信息；根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作。本申请一实施例实现了在用户的健身过程中，采集用户的参考动作集合，并通过参考动作集合确定用户的当前健身状态，当前健身状态用于表明目标用户的实时自身情况，并根据参考动作集合和用户的当前健身状态为用户动态分配更合适的健身动作，用以匹配用户当前的健身状态，提升用户健身的积极性。

下述结合附图3，对本申请提供的健身动作的推荐方法进行进一步解释说明，图3示出了本申请一实施例提供的健身动作的推荐方法的系统流程图。如图3所示，本申请提供的健身动作的推荐方法分为三个部分，分别为线上执行、离线训练和数据库，下面依次对每个部分进行解释说明。

在数据库中存储有用户的信息，具体的，包括用户画像信息、用户练课数据、用户行为历史数据。其中，用户画像信息包括用户的年龄、身高、体重、体脂率、耐力等等；用户练课数据包括用户在过去一段时间内参与的健身课程信息；用户行为历史数据包括用户在过去一段时间内参与健身课程时的动作反馈信息，例如继续、终止等。在数据库中还存储有健身动作的动作信息和课程信息，在动作信息中存储有健身动作标识、健身动作难度等等。在课程信息中存储有现有的健身课程信息，例如课程难度、课程对应的健身动作等等。

离线训练中用于表示如何根据数据库中的数据来训练用户能力模型和行为反馈预测模型。具体的，通过用户能力模型统计和计算用户的能力和动作难度。用户行为反馈预测模型是一个序列模型，即动作推荐模型，模型的输入为用户的动作列表信息，输出为用户针对该动作的行为反馈。同时还会根据用户能力模型输出的用户的能力和动作难度来确定待推荐动作难度的升降信息、动作容量、相似健身动作等。在离线训练中，还会涉及到健身动作的召回池，召回池即用户在过去的健身课程中参与执行过的健身动作的集合，即召回池存储有至少一个待推荐动作。

在线上执行的过程中，根据用户的能力来为用户分发健身课程，在健身课程中将用户能力(当前健身状态信息)、参考动作集合和召回池中的每个待推荐动作进行拼接，生成每个待推荐动作对应的待推荐动作参考信息，并将每个待推荐动作参考信息输入至行为反馈预测模型，获得模型输出的每个待推荐动作参考信息对应的推荐概率，选择概率最高的待推荐动作为目标推荐动作，推荐给用户，并实时通过用户在训练中的反馈，对用户推荐的动作进行调整，并实时更新用户能力，用户能力模型也会根据用户的实时能力和用户的练课记录来生成用户的偏好信息，从而通过替换健身动作、调整动作容量、调整健身动作难度、增减休息时间等方式来为用户继续推荐下一个目标推荐动作。

下面结合附图4，以本申请提供的健身动作的推荐方法在健身课程的应用为例，对所述健身动作的推荐方法进行进一步说明。其中，图4示出了本申请一实施例提供的一种应用于健身课程的健身动作的推荐方法的处理流程图，具体包括以下步骤：

步骤402：接收用户发送的健身请求。

步骤404：响应于该健身请求为用户推荐健身课程A，并为用户推荐健身课程A中的健身动作，并获取至少一个待推荐动作。

步骤406：将用户完成的健身动作添加至参考动作集合。

步骤408：根据参考动作集合确定用户的当前状态信息。

步骤410：获取参考动作集合中参考动作对应的参考动作信息，获取每个待推荐动作对应的待推荐动作信息。

步骤412：根据用户的当前状态信息和每个参考动作信息生成每个参考动作对应的参考子信息。

步骤414：拼接每个参考子信息，生成参考信息。

步骤416：拼接参考信息和每个待推荐动作信息，生成每个待推荐动作对应的待推荐动作参考信息。

步骤418：将每个待推荐动作参考信息输入至动作推荐模型进行处理，获得每个待推荐动作参考信息对应的推荐概率。

步骤420：选取推荐概率最高的待推荐动作为目标推荐动作。

与上述健身动作的推荐方法实施例相对应，本申请还提供了健身动作的推荐装置实施例，图5示出了本申请一实施例提供的一种健身动作的推荐装置的结构示意图。如图5所示，该装置包括：

获取模块502，被配置为获取目标用户的参考动作集合和至少一个待推荐动作；

确定模块504，被配置为基于所述参考动作集合确定所述目标用户的当前健身状态信息；

推荐模块506，被配置为根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作。

可选的，所述推荐模块506，进一步被配置为：

获取所述参考动作集合中每个参考动作对应的参考动作信息，获取每个待推荐动作对应的待推荐动作信息；

根据所述当前健身状态信息和每个参考动作信息生成参考信息；

基于所述参考信息和每个待推荐动作信息生成每个待推荐动作对应的待推荐动作参考信息；

根据每个待推荐动作参考信息确定目标推荐动作。

可选的，所述推荐模块506，进一步被配置为：

在所述参考动作集合中确定目标参考动作；

在预设动作信息库中获取所述目标参考动作对应的目标参考动作信息。

可选的，所述推荐模块506，进一步被配置为：

根据所述当前健身状态信息和每个参考动作信息生成每个参考动作对应的参考子信息；

拼接每个参考子信息，生成参考信息。

可选的，所述推荐模块506，进一步被配置为：

将每个待推荐动作参考信息输入至动作推荐模型进行处理；

获得所述动作推荐模型输出的目标推荐动作，其中，所述动作推荐模型根据每个待推荐动作参考信息确定每个待推荐动作对应的推荐概率，并基于每个待推荐动作对应的推荐概率确定目标推荐动作。

可选的，所述动作推荐模型包括嵌入层、编码器、解码器和输出层；

可选的，所述推荐模块506，进一步被配置为：

将每个待推荐动作参考信息输入至所述嵌入层做嵌入化处理，获得每个待推荐动作参考信息对应的待编码矩阵；

将每个待编码矩阵输入至所述编码器做编码处理，获得每个待编码矩阵对应的编码矩阵；

将每个编码矩阵输入至所述解码器做解码处理，获得每个编码矩阵对应的解码矩阵；

将每个解码矩阵输入所述输出层，获得每个待推荐动作参考信息对应的推荐概率，并基于每个待推荐动作参考信息对应的推荐概率确定目标推荐动作。

可选的，所述装置还包括训练模块，被配置为：

获得样本动作参考信息和所述样本动作参考信息对应的样本反馈信息；

将所述样本动作参考信息输入至所述动作推荐模型进行处理，获得所述动作推荐模型输出的预测反馈信息；

根据所述预测反馈信息和所述样本反馈信息计算模型损失值；

基于所述模型损失值调整所述动作推荐模型的模型参数，并继续训练所述动作推荐模型，直至达到模型训练停止条件。

可选的，所述确定模块504，进一步被配置为：

获取所述目标用户的用户画像信息和预测健身能力；

基于所述用户画像信息、所述预测健身能力和所述参考动作集合确定所述目标用户的当前健身状态信息。

可选的，所述确定模块504，进一步被配置为：

根据所述用户画像信息和所述预测健身能力确定所述目标用户的初始健身能力信息和健身动作容量信息；

基于所述参考动作集合确定所述目标用户的健身能力变更信息；

根据所述初始健身能力信息和所述健身能力变更信息确定所述目标用户的当前健身能力信息和健身难度信息；

基于所述健身动作容量信息、所述当前健身能力信息和所述健身难度信息生成所述目标用户的当前健身状态信息。

可选的，所述确定模块504，进一步被配置为：

获取所述参考动作集合中每个参考动作对应的动作反馈信息；

基于每个参考动作和每个参考动作对应的动作反馈信息确定所述目标用户的健身能力变更信息。

可选的，所述当前健身状态信息还包括用户群组信息、用户偏好信息中的至少一项。

本申请提供的健身动作的推荐装置，获取目标用户的参考动作集合和至少一个待推荐动作；基于所述参考动作集合确定所述目标用户的当前健身状态信息；根据所述当前健身状态信息和所述参考动作集合在所述至少一个待推荐动作中确定目标推荐动作。本申请一实施例实现了在用户的健身过程中，采集用户的参考动作集合，并通过参考动作集合确定用户的当前健身状态，当前健身状态用于表明目标用户的实时自身情况，并根据参考动作集合和用户的当前健身状态为用户动态分配更合适的健身动作，用以匹配用户当前的健身状态，提升用户健身的积极性。

上述为本实施例的一种健身动作的推荐装置的示意性方案。需要说明的是，该健身动作的推荐装置的技术方案与上述的健身动作的推荐方法的技术方案属于同一构思，健身动作的推荐装置的技术方案未详细描述的细节内容，均可以参见上述健身动作的推荐方法的技术方案的描述。

图6示出了根据本申请一实施例提供的一种计算设备600的结构框图。该计算设备600的部件包括但不限于存储器610和处理器620。处理器620与存储器610通过总线630相连接，数据库650用于保存数据。

计算设备600还包括接入设备640，接入设备640使得计算设备600能够经由一个或多个网络660通信。这些网络的示例包括公用交换电话网(PSTN)、局域网(LAN)、广域网(WAN)、个域网(PAN)或诸如因特网的通信网络的组合。接入设备640可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(NIC))中的一个或多个，诸如IEEE802.11无线局域网(WLAN)无线接口、全球微波互联接入(Wi-MAX)接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、蓝牙接口、近场通信(NFC)接口，等等。

在本申请的一个实施例中，计算设备600的上述部件以及图6中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图6所示的计算设备结构框图仅仅是出于示例的目的，而不是对本申请范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。

计算设备600可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或PC的静止计算设备。计算设备600还可以是移动式或静止式的服务器。

其中，处理器620执行所述计算机指令时实现所述的健身动作的推荐方法的步骤。

上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的健身动作的推荐方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述健身动作的推荐方法的技术方案的描述。

本申请一实施例还提供一种计算机可读存储介质，其存储有计算机指令，该计算机指令被处理器执行时实现如前所述健身动作的推荐方法的步骤。

上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的健身动作的推荐方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述健身动作的推荐方法的技术方案的描述。

上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上公开的本申请优选实施例只是用于帮助阐述本申请。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本申请的内容，可作很多的修改和变化。本申请选取并具体描述这些实施例，是为了更好地解释本申请的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本申请。本申请仅受权利要求书及其全部范围和等效物的限制。