CN109241090A - 一种用户确定方法和装置 - Google Patents
一种用户确定方法和装置 Download PDFInfo
- Publication number
- CN109241090A CN109241090A CN201811146611.1A CN201811146611A CN109241090A CN 109241090 A CN109241090 A CN 109241090A CN 201811146611 A CN201811146611 A CN 201811146611A CN 109241090 A CN109241090 A CN 109241090A
- Authority
- CN
- China
- Prior art keywords
- user
- matched
- feature vector
- dimension
- feature
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种用户确定方法,该方法包括:基于历史病程数据,确定特征向量表,所述特征向量表包括用户与特征向量之间的对应关系;基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量;计算所述待匹配用户的特征向量与所述特征向量表中的各特征向量之间的相似度;基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户,其中,相似度越高则被推荐的概率越高。
Description
技术领域
本申请涉及数据分析技术领域,具体而言,涉及一种用户确定方法和装置。
背景技术
电子病历是健康服务和医学研究等的基础数据源,电子病历的质量管理主要是通过医院相关部门进行人工检查,而人工检查结果的可靠性、准确性很大程度上依赖于相关工作人员的专业水平、工作态度,不能完全避免个人情感因素的干扰,且效率低下,不能充分利用质量要求相关的领域知识,有可能会导致电子病历中数据缺失、不准确,从而,在进行病历匹配选择相似病历用户时,导致选择的相似病历的用户的匹配度差。
发明内容
有鉴于此,本申请的目的在于提供一种用户确定方法和装置,用于解决现有技术中确定推荐用户准确度低的问题。
第一方面,本申请实施例提供了一种用户确定方法,该方法包括:
基于历史病程数据,确定特征向量表,所述特征向量表包括用户与特征向量之间的对应关系;
基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量;
计算所述待匹配用户的特征向量与所述特征向量表中的各特征向量之间的相似度;
基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户。
可选地,还包括:
基于医疗相关数据,确定至少一个特征维度和对应的描述维度;
所述基于历史病程数据,确定特征向量表,包括:
针对所述至少一个特征维度中的每个特征维度,根据每个用户的历史病程数据,确定对应用户的该特征维度在对应的描述维度下的值,得到每个用户的特征向量,形成所述特征向量表。
可选地,所述基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量,包括:
针对所述至少一个特征维度中的每个特征维度,基于所述待匹配用户的历史病程数据,确定所述待匹配用户该特征维度在对应的描述维度下的值,得到所述待匹配用户的特征向量。
可选地,所述基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户,包括:
将大于设定阈值的相似度对应的用户确定为所述待匹配用户的推荐用户。
可选地,还包括:
基于所述推荐用户的历史病程数据,生成推荐理由,并显示给所述待推荐用户。
第二方面,本申请实施例提供了一种用户确定装置,该系统包括:
第一确定模块,用于基于历史病程数据,确定特征向量表,所述特征向量表包括用户与特征向量之间的对应关系;
第二确定模块,用于基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量;
计算模块,用于计算所述待匹配用户的特征向量与所述特征向量表中的各特征向量之间的相似度;
第三确定模块,用于基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户。
可选地,还包括:第四确定模块,所述第四确定模块用于:
基于医疗相关数据,确定至少一个特征维度和对应的描述维度;
所述第一确定模块具体用于:
针对所述至少一个特征维度中的每个特征维度,根据每个用户的历史病程数据,确定对应用户的该特征维度在对应的描述维度下的值,得到每个用户的特征向量,形成所述特征向量表。
可选地,所述第二确定模块具体用于:
针对所述至少一个特征维度中的每个特征维度,基于所述待匹配用户的历史病程数据,确定所述待匹配用户该特征维度在对应的描述维度下的值,得到所述待匹配用户的特征向量。
第三方面,本申请实施例提供了一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法的步骤。
本申请实施例提供的用户确定方法,通过历史病程数据,确定特征向量表,待匹配用户的历史病程数据,确定所述待匹配用户的特征向量,计算待匹配用户的特征向量与特征向量表中的各特征向量之间的相似度,基于计算得到的各相似度,从特征向量表中为待匹配用户确定推荐用户。这样,生成表征用户的病程的多维度的特征向量表,使得在通过特征向量表为匹配用户时降低了匹配难度,提高了匹配效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种用户确定方法的流程示意图;
图2为本申请实施例提供的一种用户确定装置的第一种结构示意图;
图3为本申请实施例提供的一种用户确定装置的第二种结构示意图;
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种用户确定方法,如图1所示,该方法包括以下步骤:
S101,基于历史病程数据,确定特征向量表,所述特征向量表包括用户与特征向量之间的对应关系;
这里,历史病程数据一般为用户的入院记录、首次病程、每日病程等,其中,用户一般为患者,病程包括用户的诊断记录、用药记录、手术记录等,历史病程数据一般为用户预设时间段内的数据,预设时间段可以为3个月、6个月等;每个用户对应一个特征向量,每个特征向量包括多个特征维度对应的向量。
在基于历史病程数据,确定特征向量表之前,还包括:
基于医疗相关数据,确定至少一个特征维度和对应的描述维度;
在基于历史病程数据,确定特征向量表时,包括:
针对所述至少一个特征维度中的每个特征维度,根据每个用户的历史病程数据,确定对应用户的该特征维度在对应的描述维度下的值,得到每个用户的特征向量,形成所述特征向量表。
这里,医疗相关数据可以为医疗领域的相关规范、百度百科资料、病程数据、医疗相关人员的建议等,医疗相关人员可以包括医护人员、医疗专家等等;特征维度一般是用户对应的特征,描述维度一般是对特征维度的描述信息,每个特征维度对应至少一个描述维度,不同的特征维度对应的描述维度的数目可以相同,也可以不相同,可根据实际情况确定。在实际应用中,特征向量中的特征维度一般有30个,描述维度一般有100个,特征向量一般为30×100的向量,例如,特征维度可以为心率维度、血压维度、血糖维度、是否存在病史维度等等,描述维度可以为血糖高于100、低压低于90等等,每个特征维度对应3-10个描述维度,可根据实际情况确定。
在具体实施中,在确定出特征维度和描述维度后,针对每个用户的每个特征维度,根据每个用户的历史病程数据,确定该用户的该特征维度在对应的描述维度下的值,得到该用户的特征向量。在确定每个特征维度的值时,对各个特征维度对应的数据进行归一化处理,特征维度对应的数据落在描述维度的信息的不同的范围,确定的特征维度在描述维度下的值不同。通过多维度地、深度地从医疗百科数据中进行特征抽取,形成多样化的特征维度和描述维度,使得最终形成的特征向量更加贴近用户的实际病程数据,从而提高了后期进行相似度计算的准确度。
例如,特征维度包括三个,分别为与心率相关的维度、与血压相关的维度、与血糖相关的维度,其中,与心率相关的维度包括心率小于或等于50分/次、心率大于50分/次且小于或等于55分/次、心率大于55分/次且小于或者等于85分/次、心率大于85分/次且小于或者等于90分/次、心率大于90分/次等,与血压相关的维度包括血压大于120且小于或者等于130、血压大于130且小于或者等于140、血压大于140等,与血糖相关的维度包括血糖大于6且小于或者等于7、血糖大于7等;用户A的历史病程数据包括心率为80,高血压为130,血糖为7.2,那么,得到该用户的心率对应的向量为[0,0,1,0,0],血压对应的向量为[0,1,0],血糖对应的向量为[0,1],用户A的特征向量表示如下:
心率 | 血压 | 血糖 | |
心率≤50次/分 | 0 | 0 | 0 |
50次/分<心率≤55次/分 | 0 | 0 | 0 |
55次/分<心率≤85次/分 | 1 | 0 | 0 |
85次/分<心率≤90次/分 | 0 | 0 | 0 |
心率≥120次/分 | 0 | 0 | 0 |
120<血压≤130 | 0 | 1 | 0 |
130<血压≤140 | 0 | 0 | 0 |
血压>140 | 0 | 0 | 0 |
6<血糖≤7 | 0 | 0 | 0 |
血糖>7 | 0 | 0 | 1 |
特征向量表包括多个用户的特征向量,特征向量表的形式可看参考上表,本申请对此不进行示意。
S102,基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量;
这里,待匹配用户可以为特征向量表中的用户,也可以为特征向量表外的用户,本申请对此不予限制;待匹配用户包括医院患者等等;待匹配用户的历史病程数据一般为距离当前时间间隔预设时间段获取的数据,预设时间段一般为3个月、6个月等;待匹配用户的特征向量与特征向量表中的特征向量的维度相同,待匹配用户的特征向量一般也为30×100维。
在基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量时,包括以下步骤:
针对所述至少一个特征维度中的每个特征维度,基于所述待匹配用户的历史病程数据,确定所述待匹配用户该特征维度在对应的描述维度下的值,得到所述待匹配用户的特征向量。
在具体实施中,针对每个特征维度,根据待匹配用户的历史病程数据,确定待匹配用户的该特征维度在对应的描述维度下的值,得到该待匹配用户的特征向量。
例如,延续步骤S101中的示例,特征维度包括三个,分别为与心率相关的维度、与血压相关的维度、与血糖相关的维度,其中,与心率相关的维度包括心率小于或等于50分/次、心率大于50分/次且小于或等于55分/次、心率大于55分/次且小于或者等于85分/次、心率大于85分/次且小于或者等于90分/次、心率大于90分/次等,与血压相关的维度包括血压大于120且小于或者等于130、血压大于130且小于或者等于140、血压大于140等,与血糖相关的维度包括血糖大于6且小于或者等于7、血糖大于7等,待匹配用户B的历史病程数据包括心率为100,高血压为130,血糖为6.0,那么,得到该用户的心率对应的向量为[0,0,0,1,0],血压对应的向量为[0,1,0],血糖对应的向量为[1,0]。
S103,计算所述待匹配用户的特征向量与所述特征向量表中的各特征向量之间的相似度;
余弦相似度s的公式如下:
其中,s为待匹配用户的特征向量与特征向量表中任一特征向量的相似度;Ai为待匹配用户的特征向量中的第i个值,Bi为特征向量表中任一特征向量中的第i个值,n为正整数。
采用余弦相似度计算时,得到的余弦相似度的值一般位于[-1,1]之间,此时可以对得到的各余弦相似度值进行归一化处理,将得到的相似度的值处理到[0,1]之间,可以采用以下公式处理得到的相似度的值:
r=s×0.5+0.5
其中,s为余弦相似度,r为相似度。
在具体实施中,在得到待匹配用户的特征向量后,针对特征向量表中的每个特征向量,通过相似度计算公式计算该匹配用户的特征向量与该特征向量的相似度,最终得到多个相似度。
如,特征向量表中包括三个用户的特征向量,分别为L1、L2、L3,待匹配用户的特征向量为L0,利用上述相似度公式计算L0与L1之间的相似度r1,L0与L2之间的相似度r2,L0与L3之间的相似度r3。
S104,基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户。
在基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户,包括:
将大于设定阈值的相似度对应的用户确定为所述待匹配用户的推荐用户。
这里,设定阈值一般为预先设置,该设定阈值可以为基于大数据分析得到的,也可以是根据用户的经验设置的,本申请对此不予限制。
在具体实施中,在得到各个相似度后,按照由大到小的顺序对相似度进行排序,将排序靠前的前预设数目个相似度对应的用户确定为推荐用户,或者将大于设定阈值的相似度对应的用户确定为推荐用户,相似度越高则被推荐的概率越高。
例如,得到5个相似度,分别为0.7、0.2、0.3、0.8、0.9,设定阈值为0.75,大于设定阈值的相似度为0.8和0.9,在特征向量表中,将0.8对应的特征向量对应用户和0.9对应的特征向量对应的用户确定为推荐用户。
在为待匹配用户确定推荐用户后,还包括以下步骤:
基于所述推荐用户的历史病程数据,生成推荐理由,并显示给所述待推荐用户。
在具体实施中,根据推荐用户的历史病程数据中的用药记录、诊断记录等,生成包括用药记录、诊断记录的推荐理由,显示为待推荐用户。
例如,推荐用户L的历史病程数据包括在患S病时使用过W药和G药,在给待推荐用户生成的推荐理由为:推荐用户L患S是使用过W药和G药,供您参考。
本申请通过历史病程数据,生成表征用户的病程的多维度的特征向量表,使得在通过特征向量表为匹配用户时降低了匹配难度,提高了匹配效率。另外,在为待匹配用户确定推荐理由后,对于同一个医院的不同科室、上下级医院、同级医院而言,在对待匹配用户进行治疗时的治疗方案和经验均可以实现共享。
本申请实施例提供了一种用户确定装置,如图2所示,该装置具体包括:
第一确定模块21,用于基于历史病程数据,确定特征向量表,所述特征向量表包括用户与特征向量之间的对应关系;
第二确定模块22,用于基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量;
计算模块23,用于计算所述待匹配用户的特征向量与所述特征向量表中的各特征向量之间的相似度;
第三确定模块24,用于基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户。
可选地,所述第二确定模块22具体用于:
针对所述至少一个特征维度中的每个特征维度,基于所述待匹配用户的历史病程数据,确定所述待匹配用户该特征维度在对应的描述维度下的值,得到所述待匹配用户的特征向量。
可选地,所述计算模块23具体用于:
将大于设定阈值的相似度对应的用户确定为所述待匹配用户的推荐用户。
本申请实施例提供了一种用户推荐装置,如图3所示,该装置与图2中的装置相比,还包括:第四确定模块25,所述第四确定模块25用于:
基于医疗相关数据,确定至少一个特征维度和对应的描述维度;
所述第一确定模块21具体用于:
针对所述至少一个特征维度中的每个特征维度,根据每个用户的历史病程数据,确定对应用户的该特征维度在对应的描述维度下的值,得到每个用户的特征向量,形成所述特征向量表。
可选地,还包括:生成模块26,所述生成模块26用于:
基于所述推荐用户的历史病程数据,生成推荐理由,并显示给所述待推荐用户。
对应于图1中的用户确定方法,本申请实施例还提供了一种计算机设备400,如图4所示,该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机程序时实现上述用户确定方法。
具体地,上述存储器401和处理器402能够为通用的存储器和处理器,这里不做具体限定,当处理器402运行存储器401存储的计算机程序时,能够执行上述用户确定方法,解决了现有技术中确定推荐用户准确度低的问题,本申请通过历史病程数据,确定特征向量表,待匹配用户的历史病程数据,确定所述待匹配用户的特征向量,计算待匹配用户的特征向量与特征向量表中的各特征向量之间的相似度,基于计算得到的各相似度,从特征向量表中为待匹配用户确定推荐用户。这样,生成表征用户的病程的多维度的特征向量表,使得在通过特征向量表为匹配用户时降低了匹配难度,提高了匹配效率。
对应于图1中的用户确定方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述用户确定方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述用户确定方法,解决了现有技术中确定推荐用户准确度低的问题,本申请通过历史病程数据,确定特征向量表,待匹配用户的历史病程数据,确定所述待匹配用户的特征向量,计算待匹配用户的特征向量与特征向量表中的各特征向量之间的相似度,基于计算得到的各相似度,从特征向量表中为待匹配用户确定推荐用户。这样,生成表征用户的病程的多维度的特征向量表,使得在通过特征向量表为匹配用户时降低了匹配难度,提高了匹配效率
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元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。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种用户确定方法,其特征在于,该方法包括:
基于历史病程数据,确定特征向量表,所述特征向量表包括用户与特征向量之间的对应关系;
基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量;
计算所述待匹配用户的特征向量与所述特征向量表中的各特征向量之间的相似度;
基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户。
2.如权利要求1所述的方法,其特征在于,还包括:
基于医疗相关数据,确定至少一个特征维度和对应的描述维度;
所述基于历史病程数据,确定特征向量表,包括:
针对所述至少一个特征维度中的每个特征维度,根据每个用户的历史病程数据,确定对应用户的该特征维度在对应的描述维度下的值,得到每个用户的特征向量,形成所述特征向量表。
3.如权利要求2所述的方法,其特征在于,所述基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量,包括:
针对所述至少一个特征维度中的每个特征维度,基于所述待匹配用户的历史病程数据,确定所述待匹配用户该特征维度在对应的描述维度下的值,得到所述待匹配用户的特征向量。
4.如权利要求1所述的方法,其特征在于,所述基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户,包括:
将大于设定阈值的相似度对应的用户确定为所述待匹配用户的推荐用户。
5.如权利要求1所述的方法,其特征在于,还包括:
基于所述推荐用户的历史病程数据,生成推荐理由,并显示给所述待推荐用户。
6.一种用户确定装置,其特征在于,该系统包括:
第一确定模块,用于基于历史病程数据,确定特征向量表,所述特征向量表包括用户与特征向量之间的对应关系;
第二确定模块,用于基于待匹配用户的历史病程数据,确定所述待匹配用户的特征向量;
计算模块,用于计算所述待匹配用户的特征向量与所述特征向量表中的各特征向量之间的相似度;
第三确定模块,用于基于计算得到的各相似度,从所述特征向量表中为该所述待匹配用户确定推荐用户。
7.如权利要求1所述的装置,其特征在于,还包括:第四确定模块,所述第四确定模块用于:
基于医疗相关数据,确定至少一个特征维度和对应的描述维度;
所述第一确定模块具体用于:
针对所述至少一个特征维度中的每个特征维度,根据每个用户的历史病程数据,确定对应用户的该特征维度在对应的描述维度下的值,得到每个用户的特征向量,形成所述特征向量表。
8.如权利要求7所述的装置,其特征在于,所述第二确定模块具体用于:
针对所述至少一个特征维度中的每个特征维度,基于所述待匹配用户的历史病程数据,确定所述待匹配用户该特征维度在对应的描述维度下的值,得到所述待匹配用户的特征向量。
9.一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811146611.1A CN109241090A (zh) | 2018-09-29 | 2018-09-29 | 一种用户确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811146611.1A CN109241090A (zh) | 2018-09-29 | 2018-09-29 | 一种用户确定方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109241090A true CN109241090A (zh) | 2019-01-18 |
Family
ID=65055428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811146611.1A Pending CN109241090A (zh) | 2018-09-29 | 2018-09-29 | 一种用户确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241090A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948062A (zh) * | 2019-03-29 | 2019-06-28 | 广州市百果园网络科技有限公司 | 一种目标匹配方法、装置、服务器、系统及存储介质 |
CN111785362A (zh) * | 2020-06-04 | 2020-10-16 | 北京同有三和中医药发展基金会 | 信息查询方法及装置、可读存储介质、电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460073A (zh) * | 2017-12-27 | 2018-08-28 | 广州市百果园信息技术有限公司 | 群组推荐方法、存储介质和服务器 |
CN108510402A (zh) * | 2018-06-06 | 2018-09-07 | 中国平安人寿保险股份有限公司 | 险种信息推荐方法、装置、计算机设备及存储介质 |
CN108564220A (zh) * | 2018-04-19 | 2018-09-21 | 广州优视网络科技有限公司 | 用户性别预测方法、装置、存储介质和计算机设备 |
-
2018
- 2018-09-29 CN CN201811146611.1A patent/CN109241090A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460073A (zh) * | 2017-12-27 | 2018-08-28 | 广州市百果园信息技术有限公司 | 群组推荐方法、存储介质和服务器 |
CN108564220A (zh) * | 2018-04-19 | 2018-09-21 | 广州优视网络科技有限公司 | 用户性别预测方法、装置、存储介质和计算机设备 |
CN108510402A (zh) * | 2018-06-06 | 2018-09-07 | 中国平安人寿保险股份有限公司 | 险种信息推荐方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948062A (zh) * | 2019-03-29 | 2019-06-28 | 广州市百果园网络科技有限公司 | 一种目标匹配方法、装置、服务器、系统及存储介质 |
CN111785362A (zh) * | 2020-06-04 | 2020-10-16 | 北京同有三和中医药发展基金会 | 信息查询方法及装置、可读存储介质、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3189779B1 (en) | Electrocardiogram (ecg) authentication method and apparatus | |
Clemens et al. | In the shadow of a giant: Medicare’s influence on private physician payments | |
US9773044B2 (en) | Multi-dimensional feature merging for supporting evidence in a question and answering system | |
Guidi et al. | A machine learning system to improve heart failure patient assistance | |
US11875277B2 (en) | Learning and applying contextual similiarities between entities | |
Etzioni et al. | The aging population and its impact on the surgery workforce | |
US7809660B2 (en) | System and method to optimize control cohorts using clustering algorithms | |
CN110197720A (zh) | 糖尿病的预测方法及装置、存储介质、计算机设备 | |
CN110880361A (zh) | 一种个性化精准用药推荐方法及装置 | |
CN104199855B (zh) | 一种针对中医药学信息的检索系统和方法 | |
Koehl et al. | Landmark-free geometric methods in biological shape analysis | |
Hosseini et al. | Safety and in-hospital outcomes of transvenous lead extraction for cardiac implantable device–related infections: analysis of 13 years of inpatient data in the United States | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN109346171A (zh) | 一种辅助诊断方法、装置和计算机设备 | |
CN106503471A (zh) | 基于电子病历的医疗数据查询系统及方法 | |
CN109241090A (zh) | 一种用户确定方法和装置 | |
Greene et al. | Predicting sagittal plane lifting postures from image bounding box dimensions | |
CN105825429A (zh) | 基于医学大数据的保险精算方法和系统 | |
Chang et al. | A deep learning based wearable medicines recognition system for visually impaired people | |
CN106502547A (zh) | 运用于移动终端的电子病历医疗数据查询系统及方法 | |
Greene et al. | Estimating trunk angle kinematics during lifting using a computationally efficient computer vision method | |
CN109299238A (zh) | 一种数据查询方法和装置 | |
CN108351895A (zh) | 向去识别化的数据库整合和/或添加纵向信息 | |
CN109935287A (zh) | 一种病历信息的相似度分析方法、装置及设备 | |
Ciecholewski | Ischemic heart disease detection using selected machine learning methods |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |