基于时序学习方法的生成式人工智能（GenAI）赋能个性化移动健身应用运动推荐

《Journal of Social Computing》：GenAI Enabled Workout Recommendation Using Temporal Learning Approach for Personalized Mobile Fitness Applications

　　

移动健身应用因健康关注度提升、易用性和灵活性而在疫情期间得到普及，该类应用利用可穿戴传感器可视化用户参与情况以监测身体健康状况，但目前多提供通用性而非个性化的健康推荐。为克服这一挑战，研究人员提出了一种以个性化身体活动建议为核心的推荐系统，旨在利用生成式人工智能（Generative Artificial Intelligence, GenAI）深度协同过滤技术增强用户动机并促进其对锻炼方案的依从性。该方案将推荐问题视为稀疏值预测问题，即利用能够基于用户画像创建多种运动组合的GenAI模型预测用户未来缺失的运动时长。为提升预测精度，研究人员将显式用户数据与领域特定侧特征融合生成潜在表示（Latent Representation），再通过生成式 Transformer 处理以产生高度定制化的运动计划。消融实验（Ablation Study）用于衡量各组件对个性化的贡献，特别是系统生成的、在训练数据中完全不存在的新颖运动组合的效果。该研究旨在利用GenAI创建更智能的健身推荐系统，准确推荐活动以维持身体活动水平、改善健康问题并提升用户参与度。

该论文发表于《Journal of Social Computing》，研究背景源于移动健身应用在疫情期间的快速普及与固有局限。尽管可穿戴设备与健身追踪应用能够提供运动数据可视化与基础提醒功能，但现有系统多依赖于静态历史数据与预定义运动模板，缺乏针对个体特征的动态适应能力，导致用户初始采纳行为后逐渐流失，难以维持长期健康计划依从性。传统协同过滤（Collaborative Filtering, CF）方法从基础矩阵分解（Matrix Factorization, MF）发展至神经协同过滤（Neural Collaborative Filtering, NCF）等复杂方法，但仍存在非线性用户-项目交互建模不足、侧信息整合机制欠缺等问题。生成式人工智能技术的兴起为推荐系统带来变革，大型语言模型与生成式Transformer能够创建个性化推荐而非仅从既定选项中选择，有效解决冷启动问题并适应用户偏好的动态变化。在此背景下，研究人员开展了DNPAR-GAI（Deep Network Based Physical Activity Recommendation using Generative Artificial Intelligence）系统的研究工作。

研究人员构建了一种GenAI增强的深度协同过滤框架，通过两阶段预测模型融合可穿戴设备的显式用户数据（运动时长）与年龄、身高、体重、预期减重等隐式用户输入，形成丰富的潜在特征向量。该系统的核心创新在于将推荐任务重新定义为稀疏值预测问题：时序矩阵分解（Temporal Matrix Factorization, TMF）作为时序潜在编码器捕获长期时变用户-运动交互模式，而非直接输出预测结果；长短期记忆网络（Long Short-Term Memory, LSTM）处理序列依赖关系；最终由条件生成式Transformer基于用户趋势推断并合成未观测到的运动模式，实现"生成功能"而非简单检索。该系统能够生成训练数据中不存在的新颖运动组合，同时满足生理约束条件（工时限制、安全强度阈值、工休时间限制），确保推荐方案的安全性、一致性与可行性。实验结果表明，DNPAR-GAI在预测精度、个性化增益与推荐新颖性方面均优于基线方法，R²值达0.911-0.972，显著提升了用户参与度与长期依从性。

该系统的重要意义在于突破了传统推荐系统仅能从现有运动目录中选择既定方案的限制，实现了真正意义上的动态个性化健身计划生成，为公共健康目标提供了技术支撑。

在关键技术方法方面，研究人员采用了以下核心技术路径：基于真实健身追踪设备的数据集（505台设备，40.2%女性，覆盖18-60岁用户，包含初、中、高级健身水平，运动类型涵盖步行、跑步、骑行、力量训练、高强度间歇训练（High-Intensity Interval Training, HIIT）及柔韧性练习）；显式与隐式数据融合的特征嵌入（Embedding）机制；TMF时序潜在编码器（含时间特定偏置、用户特定偏置及基于 occurrence 的上下文偏移）；LSTM网络处理序列依赖；GMF与LSTM的融合架构；条件生成式Transformer的自回归序列生成（含位置编码、缩放点积自注意力、多头注意力机制、位置前馈网络及残差归一化）；基于Adam优化器与均方误差损失的超参数调优（最优配置为40个epoch、5个隐藏神经元）；以及消融实验与5折交叉验证评估体系。

研究结果部分按以下结构展开：

"Introduction"部分阐述了研究背景与动机，说明大数据时代个性化推荐系统的必要性，指出健身追踪设备因缺乏个性化自适应推荐导致用户流失的问题，介绍从MF到NCF、再到GenAI技术的发展脉络，明确GenAI在解决冷启动与动态偏好适应方面的优势，提出DNPAR-GAI系统的核心架构设想（TMF+LSTM+生成式Transformer的两阶段模型），并列举四项主要贡献：解耦的时序-生成推荐架构、TMF作为时序潜在编码器而非直接预测器、自回归条件生成式Transformer架构、以及TMF对时序偏置建模有效性的实验验证。

"Related Work"部分综述了相关研究现状。协同过滤方面，介绍了基于内存与基于模型的两类CF方法，MF的点积机制及其局限性，ACF注意力网络、NPE、JRL等变体，以及跨域推荐系统的知识迁移挑战。身体活动识别方面，回顾了CNN-LSTM自适应人体监测识别系统、多数据集深度学习框架评估等研究。数据稀疏性处理方面，讨论了属性感知多样化序列推荐（ADSR）、属性感知图卷积网络（GCN）等方法。GenAI健身推荐系统方面，分析了现有方案多基于预制锻炼方案或无法动态生成训练计划的不足，对比了DNPAR-GAI与PlanFitting等框架的差异，明确指出当前文献在利用GenAI分析个体活动模式合成个性化方案、处理稀疏数据、多模态集成、可解释推荐、动态适应长期预测等方面的研究空白。

"Deep Network Based Physical Activity Recommendation System"部分详细阐述了DNPAR-GAI框架的技术实现。3.1节提出系统架构：输入层接收显式用户与活动向量及附加属性，嵌入层融合隐式与显式数据以解决稀疏性问题，预测层采用TMF和LSTM的两阶段算法。3.2节描述特征嵌入向量生成：用户基础信息（姓名、年龄、体重、身高）与预期减重目标作为隐式数据，与显式运动时长数据融合，生成用户潜在向量pu与活动潜在向量tu的密集矩阵。3.3节介绍面向线性数据的新型预测——TMF模型：在GMF基础上引入时间特征，通过公式TMF(temp)=(ti×pu)+(pu×temp₀)+bias_i+bias_u,occ_o捕获动态用户偏好，强调TMF仅作为时序潜在编码器，其输出作为LSTM和生成式Transformer的条件上下文。3.4节阐述时序学习：LSTM通过输入门、遗忘门、输出门及记忆单元处理长期依赖，公式(5)-(10)详细描述了各门控机制的计算过程。3.5节描述融合与学习机制：GMF和LSTM共享嵌入层后分别通过线性核与非线性核建模，最终通过concatenation与sigmoid激活生成预测输出，公式(11)-(14)展示了融合架构。3.6节详细说明了面向运动计划合成的生成式Transformer架构：以TMF-LSTM融合层输出的zu作为条件上下文，通过位置编码与加性条件生成运动令牌序列，采用缩放点积自注意力、多头注意力、位置前馈网络及残差归一化，公式(15)-(20)完整呈现了生成过程，并通过领域特定约束（工时限制、安全强度阈值、工休时间限制）确保生成方案的可行性。3.7节总结了基于GenAI的工作计划合成自适应个性化机制，强调生成式Transformer在实时推荐、冷启动用户处理及动态进化方面的优势。

"Assessment of DNPAR-GAI's Performance"部分报告了实验评估结果。4.1节描述数据集：505台健身追踪设备，40.2%女性，覆盖14个月匿名数据，用户年龄18-60岁，运动类型多样。4.2节介绍评估指标：MAE、RMSE、训练时间、R²的预测精度指标，以及个性化增益、新颖性评分、依从率的用户中心评估指标。4.3节列举基线方法：GMF、DMF、基于内容的过滤、CF、耦合CF、timeSVD++、基于注意力的NCF、基于属性的NCF、DCF等。4.4节报告LSTM超参数影响：通过实验确定最优配置为40个epoch和5个隐藏神经元，RMSE达0.222，MAE为1.409，R²达0.972。4.5-4.6节进行矩阵分解准确性分析：TMF相比NMF和GMF具有最低MAE，GMF具有最高R²值。4.7节展示推荐系统性能分析：DNPAR-GAI的R²值0.911为所有对比系统最高，TMF-LSTM-GenAI优于timeSVD++和TBMF，证明时序偏置建模不足而需要生成式条件机制，计算复杂度分析表明TMF复杂度为O(p×q×n×t)，LSTM为O(dim×hid×T)。4.8节消融研究证实：移除嵌入向量后模型性能下降，TMF和LSTM对建模非线性关系至关重要。4.9节模型分析显示：训练准确率在40个epoch时达到97%并趋于稳定，损失函数同步收敛；同时介绍了基于Android的案例研究应用，集成Firebase和Firestore实现用户认证与安全数据存储。

讨论部分总结如下：研究人员指出，结合生成式Transformer后模型的预测精度、用户参与度与交互性均得到显著提升，生成的运动计划与用户健身目标一致性增强，从而提高了依从性和长期承诺。消融研究确认了TMF和LSTM组件对个人化的贡献，特别是生成新颖运动组合的能力得到了验证。系统的实时数据融合与动态进化机制使其能够适应用户不断变化的健身水平和环境条件，克服了传统系统在用户行为变化时的僵化问题。计算复杂度分析表明该架构在可接受范围内实现了性能提升。

研究结论部分翻译：DNPAR-GAI系统持续收集用户数据，有助于构建更先进的智能健身教练版本。利用健身房锻炼历史，通过GenAI生成合成数据以提供更好的自适应情境健身建议。可穿戴技术的日益普及使得健身追踪设备能够为增加用户提供自适应反馈。然而，大多数运动应用适应性低，无法提供对长期用户保留至关重要的智能动态个性化。本文提出了一种基于深度网络的定制推荐系统，使健身房的身体活动用户能够接收最适合其情境的活动建议。基于用户数据进行训练的补充深度神经网络模型提供更个性化和相关的建议。该系统提升了个性化水平，有助于缓解推荐系统最常见的缺陷，从而更好地促进健身计划的依从性，并推动其他重要的公共健康目标。DNPAR-GAI整合了一个多阶段预测算法，其中TMF线性建模模式，LSTM网络捕获复杂非线性的运动轨迹。此外，基于AI的增强技术提升了用户锻炼表示的适应性。融合层通过将补充特征与预测输出相结合进一步增强了推荐精度。广泛的实验评估证明，所提出的系统在利用真实和AI生成用户模式方面优于基线系统。注意力机制和基于Transformer的生成器整合将有助于实现情境感知、及时、行为自适应的推荐，这将提高系统的响应性和用户参与度。利用基于生成模拟的强化学习，系统将能够学习和理解不断变化的运动模式，以帮助维持用户的动机和长期健身。