CN109102341A - 一种用于养老服务的老人画像方法 - Google Patents

一种用于养老服务的老人画像方法 Download PDF

Info

Publication number
CN109102341A
CN109102341A CN201810978257.2A CN201810978257A CN109102341A CN 109102341 A CN109102341 A CN 109102341A CN 201810978257 A CN201810978257 A CN 201810978257A CN 109102341 A CN109102341 A CN 109102341A
Authority
CN
China
Prior art keywords
elderly
model
portrait
service
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810978257.2A
Other languages
English (en)
Other versions
CN109102341B (zh
Inventor
王飞
陈良
渠伟喆
吴志超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shoudainiao Information Technology Suzhou Co ltd
Original Assignee
Shoudainiao Information Technology Suzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shoudainiao Information Technology Suzhou Co ltd filed Critical Shoudainiao Information Technology Suzhou Co ltd
Priority to CN201810978257.2A priority Critical patent/CN109102341B/zh
Publication of CN109102341A publication Critical patent/CN109102341A/zh
Application granted granted Critical
Publication of CN109102341B publication Critical patent/CN109102341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种用于养老服务的老人画像方法，所述方法包括：收集和建立数据库，建立深度学习模型，训练模型和得到用户画像模型。首先搭建深度学习平台，本发明基于ubuntu系统，采用python语言进行编写代码，运用tensorflow框架，用GPU加速缩短运行时间。通过胶囊神经网络与卷积神经网络相结合的深度学习模型，它能够通过老年人的日常生活行为、社会属性等信息作为输入，经过一层卷积网络和两层胶囊神经网络进行处理，然后输出对应的待预测老年人的标签，达到对老年人标签化的目的，能够对老年人进行有效的定位，从而为养老服务奠定有利的基础。

Description

一种用于养老服务的老人画像方法
技术领域
本发明涉及互联网技术领域，具体涉及一种用于养老服务的老人画像方法。
背景技术
随着出生率的下降，人口寿命的延长，我国老年人口数量比例加大，老龄化时代即将来临。在21世纪的第一个十年里，老年人口比例增加了百分之三。在未来的三十年，我国老年人口增加比例将从4.7%上升到5.3%，我国人口老龄化相继超过日本、德国等人口老龄化较为严重的国家。无论国家，还是社会都将会越来越重视老年人群体，空巢老人、独居老人等人数越来越多，老年人的生活方式、健康状态越来越成为人们关心的话题。为了更好地服务老年人，让更多的老年人能够被关心和照顾，更加系统化、规则化地熟悉老年人老年人的各方面的基本状态是非常有必要的。大多数传统的方法是基于调查问卷的形式对老年人的基本生活习惯等信息进行人工存储和标记，其弊端是需要消耗大量的人力和物力的同时，老年人的调查问卷填写的真伪性无法得到高质量的保证。因此本专利提出基于养老服务的老年人用户画像模型。该模型利用深度学习等人工智能技术对老年人的生活习惯、社会属性和消费行为等信息进行抽象处理，实现对老年人进行标签化。该模型具有较高的准确性能，同时节约了大量的资源，该方法实现的用户画像在养老服务方面具有较强的应用能力。该模型主要应用胶囊神经网络与卷积神经网络相结合的深度学习模型，它能够通过老年人的日常生活行为、社会属性等信息作为输入，经过一层卷积网络和两层胶囊神经网络进行处理，然后输出对应的待预测老年人的标签，达到对老年人标签化的目的，能够对老年人进行有效的定位，从而为养老服务奠定有利的基础。
发明内容
要解决的技术问题：本发明的目的是提供一种用于养老服务的老人画像方法，通过胶囊神经网络与卷积神经网络相结合的深度学习模型，它能够通过老年人的日常生活行为、社会属性等信息作为输入，经过一层卷积网络和两层胶囊神经网络进行处理，然后输出对应的待预测老年人的标签，达到对老年人标签化的目的，能够对老年人进行有效的定位，从而为养老服务奠定有利的基础。
技术方案：一种用于养老服务的老人画像方法，所述方法包括：收集和建立数据库，建立深度学习模型，训练模型和得到用户画像模型。
进一步的，所述收集和建立数据库包括：通过电子采集老年人的基本信息，包括：年龄、性别、职业、家庭成员情况、收入、教育水平、兴趣爱好信息作为数据集。
进一步的，所述建立深度学习模型包括以下步骤：
S1. 将数据集中的信息通过采用CBOW模型对老年人的基本信息进行处理，使得采集到的每一位老年人信息生成元素为1024的一维向量；
S2. 将这些一维向量输入到神经网络模型中，首先将一维向量转换成二维向量，形成多张特征图；
S3. 将特征图进行特殊的卷积操作，即将8个卷积单元分别进行卷积操作，然而传统的卷积方法是卷积核进行卷积，相当于1个卷积单元，而本专利使用的是8个卷积单元，然后形成原始胶囊层，其中的参数更新方法使用梯度下降法和动态路由法；
S4. 将原始胶囊进一步进行特殊的卷积操作，形成数字胶囊层，该胶囊层有6个数字胶囊分别代表丧偶、患有疾病、喜欢运动、爱好旅游、擅长网购、喜欢摄影，同时每一个标签均有相应的概率大小，表示该老年人的特征程度，最终实现给老年人进行用户画像。
进一步的，所述训练模型包括以下步骤：
S1. 采用留数法进行训练模型，将数据集分成两份均等的数据集，一份作为训练集，另一份作为测试集；
S2. 首先将训练集的数据输入到模型中，一步一步进行处理之后，采用交叉熵损失函数计算
预测的老年人标签结果与真实的标签结果之间的误差值。通过缩小误差值，分别利用反向梯度下降法和动态路由法对模型中的各个参数进行优化，优化之后的参数作为下一次迭代训练的模型参数；
S3. 每训练50次时，将测试集的数据输入到模型中，检测深度学习模型的预测能力，当该模型预测训练集和测试集的误差非常小时，说明该模型的参数达到最优，模型的能力最强。
进一步的，所述得到用户画像模型后，只需要将待预测的老年人基本信息输入到模型中，可以得到该老年人的用户画像。
有益效果：本发明的用于养老服务的老人画像方法，通过胶囊神经网络与卷积神经网络相结合的深度学习模型，它能够通过老年人的日常生活行为、社会属性等信息作为输入，经过一层卷积网络和两层胶囊神经网络进行处理，然后输出对应的待预测老年人的标签，达到对老年人标签化的目的，能够对老年人进行有效的定位，从而为养老服务奠定有利的基础。
附图说明：
图1为本发明方法的方法示意图；
图2为建立深度学习模型网络连接图。
具体实施方式
实施例1
本发明提供一个对养老服务的老人画像方法，其中老年人进行用户画像的方法示意图如图1所示，方法包括：收集和建立数据库，建立深度学习模型，训练模型和得到用户画像模型。首先，根据老年人的一些信息特征，例如，年龄、性别、职业、家庭成员情况、收入、教育水平、兴趣爱好等，运用人工智能技术-胶囊网络模型，对老年人进行贴标签，完成老年人的用户画像，因此可以更好地了解老年人、更好地提供养老服务。
在完成收集和建立数据库后，建立深度学习模型，对数据处理：
S1. 将老年人的年龄、性别、职业、家庭成员情况、收入、教育水平、兴趣爱好等信息进行处理，如图所示2，运用基于word2vec的 Continous bag-of-words ( CBOW)模型对收集到的老年人特征信息进行处理。用one-hot形式词向量表示老年人的每一个特征信息，每位老年人的特征信息由多个one-hot形式的向量组成，将这些特征信息输入到CBOW模型中，CBOW通过运用Huffman树对数据进行处理，最后输出的结果是一个包含1024个元素的向量，该向量包含老年人的特征信息，例如年龄、性别、职业、家庭成员情况、收入、教育水平、兴趣爱好等的数学描述。
S2. 将包含1024个元素的一维向量作为原始特征，输入到该模型中。该模型为了实现二维卷积操作，需要将1024转换成32*32的二维矩阵。
S3. 实现卷积层操作，该卷积层有256个5*5的卷积核，步长为1，激活函数为ReLU。用256个卷积核对输入的数据进行卷积操作，得到的数值再乘以一个权重W，其权重W是标量，进行训练时使用反向传播更新标量W，生成包含老年人特征属性的特征图，该特征图共有256个，每一个为28*28的二维矩阵。
S4. 形成原始胶囊层，该原始胶囊层有8个卷积单元，每个卷积单元5*5的卷积核，步长为2。将卷积层输出的特征图乘以权重W，得到的值再乘以耦合系数C，其中W是通过反向传播进行更新的一维向量，C是根据设定初始参数b进行计算得到，其中C和b的更新是运用动态路由进行更新。然后将得到的数值输入到原始胶囊网络中，每个卷积单元中的卷积核分别在特征图上进行卷积操作后，乘以权重W，该权重是一维向量，也是使用反向传播进行更新，最终得到一个8*12*12的原始胶囊，该原始胶囊共有32个。
S5. 形成数字胶囊，原始胶囊网络的8*12*12*32张量采用全连接的方式，作为每一个数字胶囊的输入，再乘以8*10的权值向量，同时和S3操作类似乘以耦合系数，输出设定为6个10维向量，即6个数字胶囊。每一个数字胶囊均是向量。
S6. 判断标签值，用向量模的大小衡量一些标签值出现的概率，模值越大，概率越大。6个数字胶囊作为标签值，每个数字胶囊的输出的概率范围为0~1，越大的概率值表明老年人具有这些标签值，例如，6个数字胶囊分别代表丧偶、患有疾病、喜欢运动、爱好旅游、擅长网购、喜欢摄影，其得到的概率分别为0.12，0.17，0.97，0.89，0.45，0.79，则该位老年人的标签为喜欢运动、爱好旅游、喜欢摄影。
建立深度学习模型中，所建立的系统主要包含卷积网络和胶囊网络，其中胶囊网络中包含两个胶囊层，一个是原始胶囊层，另一个是数字胶囊层。每一个胶囊表示一个包含任意值的向量，每个值作为操作对象的一个特征。数据先进行卷积操作，生成包含老年人信息的多个二维特征图，再进行一次卷积操作，但此次进行特殊的卷积操作，具有较大的差别和意义，因其权重W是向量，其参数更新分别使用反向传播算法和动态路由两种方式，能够多角度提取特征，形成原始胶囊层。进一步再生成数字胶囊，最终完成老年人的画像任务。
建立深度学习模型后，即可训练模型：
S1. 首先进行小批量训练，每一次将128个样本（128位老年人信息数据）输入到模型中分别得到预测的128个标签值Y_pred，再将预先已知的真实标签Y与Y_pred通过交叉熵损失函数作为误差，利用误差更新S2，S3，S4中的权重参数W。在S2，S3，S4中，权重W均是使用反向传播算法进行更新，在S3，S4中，每个胶囊权值进行共享，耦合系数C以及相关参数b是通过动态路由进行更新，完成模型的优化。
S2. 优化模型的任务完成之后，我们就可以将待测的老年人信息数据集输入到我们建立好的深度学习系统中，等待系统输出相应的标签集，这些标签集将以文本的形式进行保存，最终通过文本可以看到每一个老年人的标签，实现老年人的用户画像。

Claims (5)

1.一种用于养老服务的老人画像方法，其特征在于，所述方法包括：收集和建立数据库，建立深度学习模型，训练模型和得到用户画像模型。
2.根据权利要求1所述一种用于养老服务的老人画像方法，其特征在于，所述收集和建立数据库包括：通过电子采集老年人的基本信息，包括：年龄、性别、职业、家庭成员情况、收入、教育水平、兴趣爱好信息作为数据集。
3.根据权利要求1所述一种用于养老服务的老人画像方法，其特征在于，所述建立深度学习模型包括以下步骤：
S1. 将数据集中的信息通过采用CBOW模型对老年人的基本信息进行处理，使得采集到的每一位老年人信息生成元素为1024的一维向量；
S2. 将这些一维向量输入到神经网络模型中，首先将一维向量转换成二维向量，形成多张特征图；
S3. 将特征图进行特殊的卷积操作，即将8个卷积单元分别进行卷积操作，然而传统的卷积方法是卷积核进行卷积，相当于1个卷积单元，而本专利使用的是8个卷积单元，然后形成原始胶囊层，其中的参数更新方法使用梯度下降法和动态路由法；
S4. 将原始胶囊进一步进行特殊的卷积操作，形成数字胶囊层，该胶囊层有6个数字胶囊分别代表丧偶、患有疾病、喜欢运动、爱好旅游、擅长网购、喜欢摄影，同时每一个标签均有相应的概率大小，表示该老年人的特征程度，最终实现给老年人进行用户画像。
4.根据权利要求1所述一种用于养老服务的老人画像方法，其特征在于，所述训练模型包括以下步骤：
S1. 采用留数法进行训练模型，将数据集分成两份均等的数据集，一份作为训练集，另一份作为测试集；
S2. 首先将训练集的数据输入到模型中，一步一步进行处理之后，采用交叉熵损失函数计算
预测的老年人标签结果与真实的标签结果之间的误差值；
通过缩小误差值，分别利用反向梯度下降法和动态路由法对模型中的各个参数进行优化，优化之后的参数作为下一次迭代训练的模型参数；
S3. 每训练50次时，将测试集的数据输入到模型中，检测深度学习模型的预测能力，当该模型预测训练集和测试集的误差非常小时，说明该模型的参数达到最优，模型的能力最强。
5.根据权利要求1所述一种用于养老服务的老人画像方法，其特征在于，所述得到用户画像模型后，只需要将待预测的老年人基本信息输入到模型中，可以得到该老年人的用户画像。
CN201810978257.2A 2018-08-27 2018-08-27 一种用于养老服务的老人画像方法 Active CN109102341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810978257.2A CN109102341B (zh) 2018-08-27 2018-08-27 一种用于养老服务的老人画像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810978257.2A CN109102341B (zh) 2018-08-27 2018-08-27 一种用于养老服务的老人画像方法

Publications (2)

Publication Number Publication Date
CN109102341A true CN109102341A (zh) 2018-12-28
CN109102341B CN109102341B (zh) 2021-08-31

Family

ID=64851092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810978257.2A Active CN109102341B (zh) 2018-08-27 2018-08-27 一种用于养老服务的老人画像方法

Country Status (1)

Country Link
CN (1) CN109102341B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191711A (zh) * 2019-12-27 2020-05-22 恒大智慧科技有限公司 智慧社区内阿尔茨海默病老年人防走失方法、设备及介质
CN111291173A (zh) * 2020-01-17 2020-06-16 北京工业大学 一种基于混合神经网络的高校学生画像技术的应用方法
CN111312406A (zh) * 2020-03-15 2020-06-19 智博云信息科技(广州)有限公司 一种疫情标签数据处理方法及系统
CN111581368A (zh) * 2019-02-19 2020-08-25 中国科学院信息工程研究所 一种基于卷积神经网络的面向智能专家推荐的用户画像方法
CN112035756A (zh) * 2020-08-27 2020-12-04 中国建设银行股份有限公司 老人交友推荐方法、装置、电子设备和存储介质
CN112149029A (zh) * 2019-06-26 2020-12-29 北京百度网讯科技有限公司 用户价值观标签的确定方法及装置
CN112184295A (zh) * 2020-09-22 2021-01-05 中国建设银行股份有限公司 康养服务确定方法、装置、电子设备和存储介质
CN112908481A (zh) * 2021-03-18 2021-06-04 马尚斌 一种自动化个人健康评估及管理方法及系统
CN113220985A (zh) * 2021-04-06 2021-08-06 天津大学 基于健康养老环境下嵌入式用户画像模型的服务推荐方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015180397A1 (zh) * 2014-05-31 2015-12-03 华为技术有限公司 一种基于深度神经网络的数据类别识别方法及装置
CN107729560A (zh) * 2017-11-08 2018-02-23 北京奇虎科技有限公司 基于大数据的用户画像构造方法、装置及计算设备
CN107862053A (zh) * 2017-11-08 2018-03-30 北京奇虎科技有限公司 基于用户关系的用户画像构造方法、装置及计算设备
CN108229590A (zh) * 2018-02-13 2018-06-29 阿里巴巴集团控股有限公司 一种获取多标签用户画像的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015180397A1 (zh) * 2014-05-31 2015-12-03 华为技术有限公司 一种基于深度神经网络的数据类别识别方法及装置
CN107729560A (zh) * 2017-11-08 2018-02-23 北京奇虎科技有限公司 基于大数据的用户画像构造方法、装置及计算设备
CN107862053A (zh) * 2017-11-08 2018-03-30 北京奇虎科技有限公司 基于用户关系的用户画像构造方法、装置及计算设备
CN108229590A (zh) * 2018-02-13 2018-06-29 阿里巴巴集团控股有限公司 一种获取多标签用户画像的方法和装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581368A (zh) * 2019-02-19 2020-08-25 中国科学院信息工程研究所 一种基于卷积神经网络的面向智能专家推荐的用户画像方法
CN112149029A (zh) * 2019-06-26 2020-12-29 北京百度网讯科技有限公司 用户价值观标签的确定方法及装置
CN112149029B (zh) * 2019-06-26 2023-07-07 北京百度网讯科技有限公司 用户价值观标签的确定方法及装置
CN111191711A (zh) * 2019-12-27 2020-05-22 恒大智慧科技有限公司 智慧社区内阿尔茨海默病老年人防走失方法、设备及介质
CN111291173B (zh) * 2020-01-17 2022-02-15 北京工业大学 一种基于混合神经网络的高校学生画像技术的应用方法
CN111291173A (zh) * 2020-01-17 2020-06-16 北京工业大学 一种基于混合神经网络的高校学生画像技术的应用方法
CN111312406A (zh) * 2020-03-15 2020-06-19 智博云信息科技(广州)有限公司 一种疫情标签数据处理方法及系统
CN112035756A (zh) * 2020-08-27 2020-12-04 中国建设银行股份有限公司 老人交友推荐方法、装置、电子设备和存储介质
CN112184295A (zh) * 2020-09-22 2021-01-05 中国建设银行股份有限公司 康养服务确定方法、装置、电子设备和存储介质
CN112908481A (zh) * 2021-03-18 2021-06-04 马尚斌 一种自动化个人健康评估及管理方法及系统
CN112908481B (zh) * 2021-03-18 2024-04-16 马尚斌 一种自动化个人健康评估及管理方法及系统
CN113220985A (zh) * 2021-04-06 2021-08-06 天津大学 基于健康养老环境下嵌入式用户画像模型的服务推荐方法
CN113220985B (zh) * 2021-04-06 2022-07-19 天津大学 基于健康养老环境下嵌入式用户画像模型的服务推荐方法

Also Published As

Publication number Publication date
CN109102341B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN109102341A (zh) 一种用于养老服务的老人画像方法
CN113449135B (zh) 图像生成系统与方法
CN110688482B (zh) 多标签识别方法、训练方法及装置
CN111180068A (zh) 一种基于多任务学习模型的慢病预测系统
CN110110751A (zh) 一种基于注意力机制的金字塔网络的中草药识别方法
CN109034960B (zh) 一种基于用户节点嵌入的多属性推断的方法
CN108874959A (zh) 一种基于大数据技术的用户动态兴趣模型建立方法
CN109801269B (zh) 一种基于竞争的挤压和激励神经网络的舌苔体质分类方法
CN109192298A (zh) 基于脑网络的深度脑疾病诊断算法
CN109192299A (zh) 一种基于卷积神经网络的医疗分析辅助系统
CN109829049A (zh) 利用知识库渐进时空注意力网络解决视频问答任务的方法
CN109346183A (zh) 基于循环神经网络模型rnn的疾病诊断预测系统
CN109101629A (zh) 一种基于深度网络结构和节点属性的网络表示方法
CN102262735A (zh) 信息处理设备、信息输出方法及程序
CN110019950A (zh) 视频推荐方法及装置
CN110163145A (zh) 一种基于卷积神经网络的视频教学情感反馈系统
CN109242106A (zh) 样本处理方法、装置、设备和存储介质
Hassani et al. From nature to maths: Improving forecasting performance in subspace-based methods using genetics Colonial Theory
Huettmann et al. Use of machine learning (ML) for predicting and analyzing ecological and ‘presence only’data: an overview of applications and a good outlook
Yoon et al. Real-time hair segmentation using mobile-unet
CN111950637A (zh) 紫质检测方法、装置、皮肤检测仪和可读存储介质
CN113888238B (zh) 一种广告点击率预测方法、装置及计算机设备
Arcagni et al. Extending assortativity: an application to weighted social networks
Alsirhani et al. A novel classification model of date fruit dataset using deep transfer learning
CN117314593B (zh) 一种基于用户行为分析的保险项目推送方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant