本发明涉及智能决策领域，尤其涉及一种需求推荐方法、装置、电子设备及计算机可读存储介质。
背景技术：
随着生活节奏的不断加快，人们常常会忽略自身的身体健康状况，当身体出现一些小毛病(如脸上苍白、胸闷以及头晕等)时，人们并不会很去关注这些小毛病，但如果不及时去解决这些小毛病，很容易给人们带来身体的隐患。目前，关于用户健康需求推荐主要是通过基于人脸识别身份，拉取对应的用户医疗数据，然后为其推荐对应健康需求，但是往往现实场景中，医疗数据有局限无法实时进行拉取，从而会影响用户健康需求推荐的准确性。
技术实现要素：
本发明提供一种需求推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于实时拉取用户的健康数据，提高用户健康的需求推荐准确性。
为实现上述目的，本发明提供的一种需求推荐方法，包括：
获取用户在客户端中输入的身份信息，对所述身份信息进行验证；
在所述身份信息验证成功时，创建所述用户的用户画像；
采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹；
利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别；
利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别；
利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别；
从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
可选地，所述创建所述用户的用户画像，包括：
获取所述用户的基本数据，利用决策树算法构建所述基本数据的决策树；
计算所述决策树中基本数据的负梯度；
根据所述负梯度，更新所述决策树，直至所述决策树趋于平稳时得到所述用户的用户画像。
可选地，所述计算所述决策树中基本数据的负梯度，包括：
利用下述方法计算所述决策树中基本数据的负梯度：
其中，rim表示负梯度，θ表示学习率，l(yi，f(xi)表示损失函数，yi表示第i个基本数据的样本数据预测值，f(xi)表示第i个基本数据的样本数据的真实值，f(x)表示决策树中的区域函数，fm-1(x)表示决策树中的区域拟合函数。
可选地，所述对所述语音数据进行声纹特征提取，得到特征声纹，包括：
将所述语音数据转换为语音频率，计算所述语音频率的维度参数，根据所述维度参数生成所述语音数据的特征声纹。
可选地，所述计算所述语音频率的维度参数，包括：
利用下述方法计算所述语音频率的维度参数：
其中，d(n)表示语音频率的维度参数，i表示语音频率的帧率，n表示语音频率的振幅，b(f)表示语音频率，k表示当前标准语音帧与前后标准语音帧的线性组合。
可选地，所述利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别，包括：
利用所述面部情绪识别模型中的输入门计算所述人脸图像的状态值；
利用所述面部情绪识别模型中的遗忘门计算所述人脸图像的激活值；
根据所述状态值和激活值计算所述人脸图像的状态更新值；
利用所述面部情绪识别模型中的输出门计算所述状态更新值的面部情绪序列；
利用所述人脸特征识别模型中的损失函数计算所述面部情绪序列与对应人脸图像标签的损失值，选取所述损失值小于预设阈值的面部情绪序列，得到面部情绪类别。
可选地，所述预先创建的情绪融合模型，包括：
其中，f(x，a)表示目标情绪类别，k表示融合的情绪类别数量，x表示面部情绪类别和语音情绪类别的特征矢量，
为了解决上述问题，本发明还提供一种需求推荐装置，所述装置包括：
验证模块，用于获取用户在客户端中输入的身份信息，对所述身份信息进行验证；
创建模块，用于在所述身份信息验证成功时，创建所述用户的用户画像；
提取模块，用于采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹；
识别模块，用于利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别；
所述识别模块，还用于利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别；
融合模块，用于利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别；
推荐模块，用于从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的需求推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的需求推荐方法。
本发明实施例首先对用户在客户端中输入的身份信息进行验证；在所述身份信息验证成功时，创建所述用户的用户画像，保证了用户身份的可靠性及用户画像生成的安全性；其次，本发明实施例采集所述用户的人脸图像和语音数据，对人脸图像和语音数据进行面部特征和声纹提取，生成特征图像和特征声纹，并利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别，及利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别，提高了用户的面部情绪和语音情绪识别的准确性；进一步地，本发明实施例利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别，从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户，可以更好的判断出用户的情绪状态及实时拉取用户的健康数据，从而给用户匹配出对应的健康需求推荐方案。因此，本发明提出的一种需求推荐方法、装置、电子设备以及存储介质可以实时拉取用户的健康数据，提高用户健康的需求推荐准确性。
附图说明
图1为本发明一实施例提供的需求推荐方法的流程示意图；
图2为本发明第一实施例中图1提供的需求推荐方法其中一个步骤的详细流程示意图；
图3为本发明一实施例提供的需求推荐装置的模块示意图；
图4为本发明一实施例提供的实现需求推荐方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种需求推荐方法。所述需求推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述需求推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的需求推荐方法的流程示意图。在本发明实施例中，所述需求推荐方法包括：
s1、获取用户在客户端中输入的身份信息，对所述身份信息进行验证。
本发明实施例中，所述客户端也可以称为移动端，用于进行用户身体健康识别及相关健康需求的推荐，所述身份信息用于标记用户身份，包括：账号、密码以及手势等，本发明通过对所述身份信息进行验证，可以确保用户身份的安全性和可靠性。
具体地，所述对所述身份信息进行验证，包括：获取所述身份信息的用户标识；查询所述客户端对应的服务端是否存在所述用户标识；若不存在所述用户标识，则所述身份信息验证失败；若存在所述用户标识，则所述身份信息验证成功。
进一步地，本发明实施例还包括：对于身份信息验证失败的用户，通过所述客户端对应的服务端进行用户的身份信息注册，以保障用户下次可以成功的进行身份验证。
进一步地，为保障所述身份信息的安全性和隐私性，所述身份信息还可存储于一区块链节点中。
s2、在所述身份信息验证成功时，创建所述用户的用户画像。
本发明实施例中，在所述身份信息验证成功时，表明对应用户的身份是可靠和安全的，于是，本发明创建所述用户的用户画像，以描述出所述用户的基本数据，保障后续用户健康需求推荐的前提，其中，所述用户画像包括：基本信息、行为信息以及医疗数据等，所述基本信息包括：职业、姓名以及年龄等，所述行为信息包括：喜好和个性等，所述医疗数据包括：治疗方案和身体数据等。
较佳地，本发明实施例利用决策树算法创建所述用户的用户画像，可选的，所述决策树算法包括：xgboost算法。
详细地，参阅图2所示，所述利用决策树算法创建所述用户的用户画像，包括：
s20、获取所述用户的基本数据，利用决策树算法构建所述基本数据的决策树；
s21、计算所述决策树中基本数据的负梯度；
s22、根据所述负梯度，更新所述决策树，直至所述决策树趋于平稳时得到所述用户的用户画像。
本发明其中一个可选实施例中，所述利用xgboost算法构建所述基本数据的决策树的构建原理为：基于所述基本数据所在的输入空间中，递归的将所述输入空间中每个区域划分为两个子区域并决定每个子区域上的输出值，根据所述输出值，构建所述基本数据的决策树。
进一步地，本发明较佳实施例中，所述负梯度指的是所述基本数据的残差，通过拟合所述基本数据的残差，以增强整个决策树的鲁棒性以及可靠性。
一个优选实施例中，利用下述方法计算所述决策树中基本数据的负梯度：
其中，rim表示负梯度，θ表示学习率，l(yi，f(xi)表示损失函数，yi表示第i个基本数据的样本数据预测值，f(xi)表示第i个基本数据的样本数据的真实值，f(x)表示决策树中的区域函数，fm-1(x)表示决策树中的区域拟合函数。
在本发明至少一个实施例中，利用上述所得到的负梯度，不断的训练所述决策树，直至所述决策树趋于平稳时，生成所述用户的用户画像。
s3、采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹。
本发明实施例中，通过所述客户端对所述用户进行人脸图像和语音数据进行采集，比如用户在登录所述客户端时，通过摄像工具抓取人脸图像，通过录音工具录取语音数据。
进一步地，本发明实施例中，所述对所述人脸图像进行面部特征提取之前，还包括：对所述人脸图像进行预处理操作，以改善人脸图像的质量，保证提取的人脸特征图像的准确性。其中，所述预处理操作包括：通过各比例法将所述人脸图像执行灰度转换操作，得到灰度人脸图像；利用高斯滤波对所述灰度人脸图像进行减噪；并利用对比度增强对减噪后的所述灰度人脸图像进行对比度增强；根据otsu算法将对比度增强后的所述灰度人脸图像进行阈值化操作。
进一步地，本发明实施例中，所述对所述人脸图像进行面部特征提取可以采取下述方法执行：基于静态图像的面部特征提取、基于动态图像的表情提取以及基于深度学习模型的图像面部特征提取。其中，所述面部特征特征包括：开兴、难过、伤心、恐慌等等。
其中，所述基于静态图像的面部特征提取包括：主元分析法、独立分量分析法、线性判别分析法、gabor小波法以及lbp算子法等；所述基于动态图像的面部特征提取包括：光流法、模型法以及几何法等；以及所述基于深度学习模型的图像面部特征提取包括：直接法、映射法以及残差法等。
例如，通过几何法对所述人脸图像进行面部特征提取包括：对人脸图像的关键部位(如眼睛、嘴巴以及眉毛等)进行定位，并测量定位后的所述关键部位的形状、大小及相互比例，将测量结果与实际人脸的形状、大小及相互比例做比对，根据比对结果确定人脸的面部特征，进而实现面部特征的提取。
进一步地，本发明实施例通过差分技术对所述语音数据进行声纹特征提取，得到特征声纹。
其中，所述差分技术包括：将所述语音数据转换为语音频率；计算所述语音频率的维度参数，根据所述维度参数生成所述语音数据的特征声纹。所述维度参数包括：语调、语速等，所述特征声纹包括：平和、连贯以及甜美等。例如，将某用户的语音转换语音频率为70-100hz范围内，根据其语音频率计算出该用户的语调、语速等维度参数，从而可以判断出该用户语音的特征声纹为：平和。
一个可选实施例中，利用下述方法将所述语音数据转换为语音频率：
其中，b(f)表示语音频率，f表示语音数据的预期频率。
一个可选实施例中，利用下述方法计算所述语音频率的维度参数：
其中，d(n)表示语音频率的维度参数，i表示语音频率的帧率，n表示语音频率的振幅，b(f)表示语音频率，k表示当前标准语音帧与前后标准语音帧的线性组合，通常取值为2，表示当前语音帧与前后2个语音帧的线性组合。
s4、利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别。
本发明实施例中，所述训练完成的面部情绪识别模型通过预先收集大量的人脸表情图像及对应的标签进行训练得到，比如人在慌乱时人脸表情会慌张，眼神会不自觉的东张西望等面部情绪特征，于是，本发明实施例将神色慌张、眼神慌张等人脸表情特征建立慌乱情绪类别的标签；人在平和时，人脸面部神色会表现的很平静，眼神平静等面部情绪特征，于是，本发明实施例将神色平静、眼神平静等人脸表情特征建立平和情绪类别的标签。
进一步地，本发明实施例中，所述面部情绪识别模型包括：长短期记忆网络(longshort-termmemory，lstm)模型，所述面部情绪识别模型是一种时间循环神经网络，包括：输入门、遗忘门以及输出门。
其中，在本发明中，所述面部情绪识别模型用于识别出所述人脸图像的面部情绪序列，以识别出人脸面部情绪，从而帮助用户更好的判断出人脸图像中面部情绪类别。
详细地，所述利用训练完成的面部情绪识别模型对所述人脸图像进行面部情绪识别，得到面部情绪类别，包括：利用所述输入门计算所述人脸图像的状态值；利用所述遗忘门计算所述人脸图像的激活值；根据所述状态值和激活值计算所述人脸图像的状态更新值；利用所述输出门计算所述状态更新值的面部情绪序列；利用所述人脸特征识别模型中的损失函数计算所述面部情绪序列与对应人脸图像标签的损失值，选取所述损失值小于预设阈值的面部情绪序列，得到面部情绪类别。
一个可选实施例中，所述损失函数为softmax函数，所述预设阈值为0.1。
s5、利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别。
本发明实施例中，所述训练完成的语音情绪识别模型是通过预先收集大量的声纹特征及对应的标签进行训练得到，比如人在慌张时语速吞吞吐吐、语调高低差异很大等声纹特征，于是，本发明实施例将语速吞吐、语调差异很大等声纹特征建立慌张的标签；人在冷静时语速会很平和、语调连贯等声纹特征，于是，本发明实施例将语速平和、语调连贯等声纹特征建立冷静的标签。
进一步地，本发明实施例中，所述语音情绪识别模型包括：卷积神经网络(convolutionalneuralnetwork，cnn)，所述语音情绪识别模型包括：卷积层、池化层以及全连接层。
其中，在本发明中，所述语音情绪识别模型用于识别出所述语音数据的语音情绪类别，从而帮助用户更好的判断出语音数据中语音情绪类别。
详细地，所述利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别，包括：通过所述卷积层对所述特征声纹进行卷积操作，得到所述特征声纹的特征向量，利用所述池化层对所述特征向量进行池化操作，通过所述激活层的激活函数对池化后的所述特征向量进行计算，得到所述特征声纹的语音情绪类别。
s6、利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别。
本发明实施例中，通过预先创建的情绪融合模型将所述面部情绪类别与所述语音情绪类别进行情绪融合，以更好的判断出用户的情绪状态，从而给用户匹配出对应的健康需求方案。
一个可选实施例中，所述预先创建的情绪融合模型包括：
其中，f(x，a)表示目标情绪类别，k表示融合的情绪类别数量，x表示面部情绪类别和语音情绪类别的特征矢量，
s7、从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
本发明实施例利用相关信息算法从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回在所述用户，帮助用户更好的调节情绪，从而提高身体健康状态。其中，所述健康数据包括：治疗方案和身体数据，所述相关信息算法包括：协同过滤算法。
示例性地，所述目标情绪类别为愤怒，利用相关信息算法从所述用户画像中查询对应的健康数据包括：愤怒带来对应的身体问题及对应的治疗方案(如睡觉、听音乐及散步等)。
本发明实施例首先对用户在客户端中输入的身份信息进行验证；在所述身份信息验证成功时，创建所述用户的用户画像，保证了用户身份的可靠性及用户画像生成的安全性；其次，本发明实施例采集所述用户的人脸图像和语音数据，对人脸图像和语音数据进行面部特征和声纹提取，生成特征图像和特征声纹，并利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别，及利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别，提高了用户的面部情绪和语音情绪识别的准确性；进一步地，本发明实施例利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别，从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户，可以更好的判断出用户的情绪状态及实时拉取用户的健康数据，从而给用户匹配出对应的健康需求推荐方案。因此，本发明可以实时拉取用户的健康数据，提高用户健康的需求推荐准确性。
如图3所示，是本发明需求推荐装置的功能模块图。
本发明所述需求推荐装置100可以安装于电子设备中。根据实现的功能，所述需求推荐装置可以包括验证模块101、创建模块102、提取模块103、识别模块104、融合模块105以及推荐模块106。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述验证模块101，用于获取用户在客户端中输入的身份信息，对所述身份信息进行验证；
所述创建模块102，用于在所述身份信息验证成功时，创建所述用户的用户画像；
所述提取模块103，用于采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹；
所述识别模块104，用于利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别；
所述识别模块104，还用于利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别；
所述融合模块105，用于利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别；
所述推荐模块106，用于从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
详细地，本发明实施例中所述需求推荐装置100中的所述各模块在使用时采用与上述的图1和图2中所述的需求推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图4所示，是本发明实现需求推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如需求推荐程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(smartmediacard，smc)、安全数字(securedigital，sd)卡、闪存卡(flashcard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如需求推荐的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(centralprocessingunit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(controlunit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行需求推荐等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的需求推荐12是多个程序的组合，在所述处理器10中运行时，可以实现：
获取用户在客户端中输入的身份信息，对所述身份信息进行验证；
在所述身份信息验证成功时，创建所述用户的用户画像；
采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹；
利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别；
利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别；
利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别；
从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
具体地，所述处理器10对上述程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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-onlymemory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取用户在客户端中输入的身份信息，对所述身份信息进行验证；
在所述身份信息验证成功时，创建所述用户的用户画像；
采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹；
利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别；
利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别；
利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别；
从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
1.一种需求推荐方法，其特征在于，所述方法包括：
获取用户在客户端中输入的身份信息，对所述身份信息进行验证；
在所述身份信息验证成功时，创建所述用户的用户画像；
采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹；
利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别；
利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别；
利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别；
从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
2.如权利要求1所述的需求推荐方法，其特征在于，所述创建所述用户的用户画像，包括：
获取所述用户的基本数据，利用决策树算法构建所述基本数据的决策树；
计算所述决策树中基本数据的负梯度；
根据所述负梯度，更新所述决策树，直至所述决策树趋于平稳时得到所述用户的用户画像。
3.如权利要求2所述的需求推荐方法，其特征在于，所述计算所述决策树中基本数据的负梯度，包括：
利用下述方法计算所述决策树中基本数据的负梯度：
其中，rim表示负梯度，
4.如权利要求1所述的需求推荐方法，其特征在于，所述对所述语音数据进行声纹特征提取，得到特征声纹，包括：
将所述语音数据转换为语音频率，计算所述语音频率的维度参数，根据所述维度参数生成所述语音数据的特征声纹。
5.如权利要求4中所述的需求推荐方法，其特征在于，所述计算所述语音频率的维度参数，包括：
利用下述方法计算所述语音频率的维度参数：
其中，d(n)表示语音频率的维度参数，i表示语音频率的帧率，n表示语音频率的振幅，b(f)表示语音频率，k表示当前标准语音帧与前后标准语音帧的线性组合。
6.如权利要求1所述的需求推荐方法，其特征在于，所述利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别，包括：
利用所述面部情绪识别模型中的输入门计算所述人脸图像的状态值；
利用所述面部情绪识别模型中的遗忘门计算所述人脸图像的激活值；
根据所述状态值和激活值计算所述人脸图像的状态更新值；
利用所述面部情绪识别模型中的输出门计算所述状态更新值的面部情绪序列；
利用所述人脸特征识别模型中的损失函数计算所述面部情绪序列与对应人脸图像标签的损失值，选取所述损失值小于预设阈值的面部情绪序列，得到面部情绪类别。
7.如权利要求1至6中任意一项所述的需求推荐方法，其特征在于，所述预先创建的情绪融合模型，包括：
其中，f(x，a)表示目标情绪类别，k表示融合的情绪类别数量，x表示面部情绪类别和语音情绪类别的特征矢量，
8.一种需求推荐装置，其特征在于，所述装置包括：
验证模块，用于获取用户在客户端中输入的身份信息，对所述身份信息进行验证；
创建模块，用于在所述身份信息验证成功时，创建所述用户的用户画像；
提取模块，用于采集所述用户的人脸图像和语音数据，对所述人脸图像进行面部特征提取，生成特征图像，及对所述语音数据进行声纹提取，生成特征声纹；
识别模块，用于利用训练完成的面部情绪识别模型对所述特征图像进行面部情绪识别，得到面部情绪类别；
所述识别模块，还用于利用训练完成的语音情绪识别模型对所述特征声纹进行语音情绪识别，得到语音情绪类别；
融合模块，用于利用预先创建的情绪融合模型将所述面部情绪类别和所述语音情绪类别进行情绪融合，得到目标情绪类别；
推荐模块，用于从所述用户画像中查询所述目标情绪类别对应的健康数据，并将所述健康数据返回至所述用户。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的需求推荐方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的需求推荐方法。
技术总结