CN110444297A - 医疗信息推荐方法、装置、设备及可读存储介质 - Google Patents

医疗信息推荐方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN110444297A
CN110444297A CN201910722854.3A CN201910722854A CN110444297A CN 110444297 A CN110444297 A CN 110444297A CN 201910722854 A CN201910722854 A CN 201910722854A CN 110444297 A CN110444297 A CN 110444297A
Authority
CN
China
Prior art keywords
data
medical information
user
medical
information
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
Application number
CN201910722854.3A
Other languages
English (en)
Inventor
周羽
徐斌
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.)
Chongqing Xiantao Frontier Consumer Behavior Big Data Co Ltd
Original Assignee
Chongqing Xiantao Frontier Consumer Behavior Big Data 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 Chongqing Xiantao Frontier Consumer Behavior Big Data Co Ltd filed Critical Chongqing Xiantao Frontier Consumer Behavior Big Data Co Ltd
Priority to CN201910722854.3A priority Critical patent/CN110444297A/zh
Publication of CN110444297A publication Critical patent/CN110444297A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Multimedia (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种医疗信息推荐方法、装置、设备及可读存储介质。所述医疗信息推荐方法，包括以下步骤：S1，获取待预测数据，所述待预测数据包括用户数据与医疗数据；S2，通过用户画像分析将步骤S1的用户数据转换为用户特征向量；并根据医疗数据运用聚类算法构建医疗信息推荐系统；S3，将所述用户特征向量输入医疗信息推荐系统，医疗信息推荐系统输出推荐结果。

Description

医疗信息推荐方法、装置、设备及可读存储介质
技术领域
本发明涉及大数据领域，具体涉及一种医疗信息推荐方法、装置、设备及可读存储介质。
背景技术
随着社会的不断发展，未来城市将承载更多的人口，因而城市的可持续发展显得尤为重要。智慧城市的起点是现代信息技术发展下的网络化和数字化，最终目的是将其上升到整合、集群、协同管理的高度，与绿色可持续发展相结合，构建宜居的城市环境。智慧城市以物联网、云计算、大数据、空间地理信息集成等新一代信息技术为基础，通过感知、分析、整合城市运行核心系统的各项关键信息，对城市服务、公共安全、环保、民生、工商业活动在内的各种需求做出智能响应，实现城市规划管理信息化、基础设施智能化、公共服务便捷化。
现有的医疗推荐系统采用固定的搜索方式进行相关医疗信息的推荐，不能很好地通过对个人信息的全面分析以更好地推荐医疗信息。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足，提供一种医疗信息推荐方法、装置、设备及可读存储介质，所述医疗信息推荐方法结合物联网、大数据及神经网络，对用户进行精准画像，以预测用户的医疗需要，更好地给用户推荐相应的医疗信息。
为了实现上述发明目的，本发明提供了以下技术方案：
一种医疗信息推荐方法，包括以下步骤：
S1，获取待预测数据，所述待预测数据包括用户数据与医疗数据；
S2，通过用户画像分析将步骤S1的用户数据转换为用户特征向量；并根据医疗数据运用聚类算法构建医疗信息推荐系统；
S3，将所述用户特征向量输入医疗信息推荐系统，医疗信息推荐系统输出推荐结果。
优选地，所述用户特征向量包括病情标签、性别以及年龄信息。
优选地，所述用户特征向量还包括位置信息。
优选地，所述用户特征向量通过用户画像分析获取，具体获取方式如下所示：
步骤A1，输入待测用户数据，通过SQL查询和数据清洗获取用户的静态画像，所述静态画像包括年龄、职业、性别、婚姻状况数据；
步骤A2，所述用户数据经过SQL查询和数据清洗后输入多标签学习预测模型，获得用户的动态画像。
优选地，所述步骤A1中的数据清洗是指去除不合规则的数据信息，所述不合规则的数据信息包括重复记录的信息、不合法值、噪声数据、空值和缺失值以及隐私信息。
优选地，所述多标签学习预测模型的预测过程如下所示：
A21，输入多标签学习预测模型的数据按照标签种类进行分类，获取该数据针对每一个标签的特征向量；
A22，每一个标签的特征向量通过该标签对应的分类器获取每一个标签的预测概率向量；
A23，每一个标签的预测概率向量通过多标签分类器得到预测结果。
优选地，所述步骤S2构建医疗信息推荐系统的具体过程如下：
B1，将医疗数据分为不同类型的数据；
B2，各类型的医疗数据分别进行特征提取，将各类型的数据转换为特征矩阵，通过聚类算法构建各类型数据分类器；
B3，将各分类器的输出结果集合。
一种用户购物消费需求预测装置，包括：数据获取模块、数据处理模块以及医疗信息推荐模块；
其中，数据获取模块，用于获取用户数据和医疗数据；
数据处理模块，用于将用于获取的用户数据和医疗数据转换为特征向量，并将特征向量输入模型模块；
模型模块，医疗信息推荐模块，利用聚类算法搭建医疗信息推荐模块，用于根据特征向量，判断医疗需求，并给用户推荐相应的医疗信息。
一种医疗信息推荐设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时，实现医疗信息推荐方法的步骤。
一种可读存储介质，所述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执行时，实现医疗信息推荐方法的步骤。
与现有技术相比，本发明的有益效果：通过对用户进行画像分析得到用户的相关信息，以更加全面地对用户的医疗需求进行监管，预测推荐相应的医疗信息。
附图说明：
图1为本发明示例性实施例1的医疗信息推荐方法的流程图；
图2为本发明示例性实施例1的医疗信息推荐方法的用户特征的获取流程图；
图3为本发明示例性实施例1的医疗信息推荐方法的多标签学习预测模型的预测过程流程图；
图4为本发明示例性实施例2中医疗信息推荐装置的结构示意图；
图5为本发明示例性实施例3中医疗信息推荐设备的结构示意图；
图6为本发明示例性实施例3中医疗信息推荐设备的具体结构示意图。。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，本实施例提供一种医疗信息推荐方法，包括以下步骤：
步骤S1，获取待预测数据，所述待预测数据包括用户数据与医疗数据；
其中，用户数据包括年龄、职业、性别、位置信息、婚姻状况、病历以及搜索历史等数据；医疗数据包括医院信息、科室信息、医生信息、药品信息、医疗文章信息等数据。
步骤S2，通过用户画像分析将步骤S1的用户数据转换为用户特征向量；并根据医疗数据运用聚类算法构建医疗信息推荐系统；
步骤S3，将所述用户特征向量输入医疗信息推荐系统，医疗信息推荐系统输出推荐结果。
上述医疗信息推荐方法通过物联网、云计算、大数据等技术相结合，更好地对用户数据进行整理、统计及分析，综合考虑用户各方面的信息，预测其医疗需求，减少用户获取收集信息的时间，更快更精准的提供其所需的信息。
用手机拨打电话、接发短信、浏览网页等行为发生时，就会产生用户数据，通过对这些数据进行分析，做精准画像，得到用户特征向量，结合大量的医疗信息，预测用户的医疗需求，推荐相应的医院、科室、医生、文章等信息给用户。上述医疗信息推荐方法通过WiFi探针设备、GPS设备、蓝牙模块、RFID模块、通讯模块等模块，获取手机设备的MAC地址(网卡MAC)及IMEI码(手机串码)以及其他信息，获取的数据通过数据融合、数据统计、数据分析等，实现智能决策。
所述用户特征向量包括病情标签、性别以及年龄等信息。
例如用户特征向量为“上火”、“手脚冰凉”、“干咳”、“食欲下降”四个病情描述标签，将病情描述标签输入医疗信息推荐系统，根据以往分类结果为患者推荐“内科”；
再根据内科评分机制以及医生忙碌状态，推荐相应医生；所述医生可以为网约医生也可以为医院的医生。
文章推荐方面，例如根据用户以往搜索历史得到用户特征向量为“胆结石”，医疗信息推荐系统就为这个用户推荐相关文本，例如“胆结石如何诊断？”、“胆结石对健康有什么样的危害？”、“补充钙质会增加肾结石概率吗？”、“如何预防胆结石”、“X线检查在结石病的诊断治疗中的作用”等类型的文章，为用户提供帮助。
所述用户特征向量包括位置信息。
综合考虑标签标签和位置信息，推荐距离较近且更擅长病情标签的医院，再结合相应科室医生的预约情况，推荐医生。
例如用户特征向量显示病情标签为发烧、年龄6岁，结合位置信息，则会推荐与位置信息距离较近的儿童医院；再根据评分机制以及医生忙碌状态，推荐相应医生；再分享一些儿童发烧的相关文章给用户，帮助用户快速获取信息。
其中，步骤S2用户特征向量通过用户画像分析获取，具体获取方式如下所示：
步骤A1，输入待测用户数据，通过SQL查询和数据清洗获取用户的静态画像，所述静态画像包括年龄、职业、性别、婚姻状况等数据；
步骤A2，所述用户数据经过SQL查询和数据清洗后输入多标签学习预测模型，获得用户的动态画像，所述动态画像包括用户病情标签、搜索标签、历史就医情况以及就医需求等。
其中，步骤A1中的数据清洗是指去除不合规则的数据信息，如重复记录、不合法值、噪声数据、空值和缺失值以及隐私信息。
其中，多标签学习预测模型的预测过程如下所示：
A21，输入多标签学习预测模型的数据按照标签种类进行分类，获取该数据针对每一个标签的特征向量；
A22，每一个标签的特征向量通过该标签对应的分类器获取每一个标签的预测概率向量；
A23，每一个标签的预测概率向量通过多标签分类器得到预测结果。
本实施例步骤A21中采用的分类方法为k-means聚类方法。本实施例步骤A22中采用的分类器为XGBOOST分类器或GBDT分类器；则采用的多标签分类器为XGBOOST多标签分类器或GBDT多标签分类器。
多标签学习预测模型需采用已标注的样本进行训练，以调整模型的参数，使其得到的用户特征向量与医疗领域相关，例如为病情标签等，以更加准确的推荐医疗信息。
采集到的用户数据通讯网络(有线网络光纤、无线网络3G\4G\5G\WiFi等)传输到机器学习后台系统进行分析比对。机器学习后台系统依托Hadoop和Spark大数据平台，对海量数据，包括用户的个人信息、移动轨迹、消费信息和搜索信息进行整合、处理和统计。使用MapReduce计算框架，对分布式存储的海量数据进行计算，在此基础上实现数据共享、数据融合、统计分析、智能决策。通过对用户进行画像分析，从大量的数据中得到用户特征，以便用于结合医疗信息，预测用户的医疗需求，推荐医院、科室以及文章等信息。
其中，步骤S2，根据医疗数据运用聚类算法构建医疗信息推荐系统的具体过程如下；
B1，将医疗数据分为不同类型的数据；将医疗数据分为医院信息、科室信息、医生信息、药品信息、病情描述信息、医疗文本信息等种类的信息；
B2，各类型的医疗数据分别进行特征提取，将各类型的数据转换为特征矩阵，通过聚类算法构建各类型数据分类器；
B3，将各分类器的输出结果集合。
其中，步骤S3将所述用户特征向量输入医疗信息推荐系统，医疗信息推荐系统输出推荐结果。
例如用户特征向量为“上火”、“手脚冰凉”、“干咳”、“食欲下降”四个病情描述标签，将病情描述标签输入医疗信息推荐系统，根据以往分类结果为患者推荐“内科”；系统根据内科评分机制以及医生忙碌状态，推荐相应医生。文章推荐方面，例如根据用户以往搜索历史得到用户特征向量为“胆结石”，医疗信息推荐系统就为这个用户推荐相关文本，例如“胆结石如何诊断？”、“胆结石对健康有什么样的危害？”、“补充钙质会增加肾结石概率吗？”、“如何预防胆结石”、“X线检查在结石病的诊断治疗中的作用”等类型的文章，为用户提供帮助。
实施例2
相应于上面的方法实施例，本实施例还提供了一种医疗信息推荐装置，下文描述的医疗信息推荐装置与上文描述的医疗信息推荐方法可相互对应参照。
参见图4所示，该装置包括以下模块：数据获取模块101、数据处理模块102、医疗信息推荐模块103；
其中，数据获取模块101，用于获取用户数据和医疗数据；本实施例可以通过手机或移动终端等采集用户数据；采集的用户数据包括手机或移动终端等WIFI MAC地址、根据手机设备的MAC地址和IMEI，通过云端大数据比对，定位用户的身份，获取到对应的手机号、日常使用的APP等信息。
数据处理模块102，用于将获取的用户数据和医疗数据转换为特征向量，并将特征向量输入医疗信息推荐模块103；
医疗信息推荐模块103，利用聚类算法搭建医疗信息推荐模块103，用于根据特征向量，判断特征所述类别，并给用户推荐相应的医院、科室、文章等。
数据处理模块102还包括用户画像分析模块，通过用户画像分析模块将用户数据转换为用户特征向量；
所述用户画像分析模块包括查询清洗模块以及多标签学习预测模块；所述查询清洗模块用于剔除不合规则的数据信息，并获取用户的静态画像；所述多标签学习预测模块采用XGBOOST分类器获取用户标签，将用户数据转换为用户特征向量，以预测用户的购物消费需求。
应用本发明实施例所提供的装置，获取用户数据和商品数据；数据通过数据处理模块102转换为相应的特征向量，通过医疗信息推荐模块预测医疗需求，以提供与医疗需求相匹配的医院、科室、文章等，帮助用户更好地更快地获取医疗信息。
实施例3
相应于上面的方法实施例，本实施例还提供了一种医疗信息推荐设备，下文描述的一种医疗信息推荐设备与上文描述的一种医疗信息推荐方法可相互对应参照。
参见图5所示，该医疗信息推荐设备包括：
存储器Dl，用于存储计算机程序；
处理器D2，用于执行计算机程序时实现上述方法实施例的医疗信息推荐方法的步骤。
具体的，请参考图6，为本实施例提供的医疗信息推荐设备的具体结构示意图，该商店及产品推荐设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在用户行政业务需求预测设备301上执行存储介质330中的一系列指令操作。
用户购物消费需求预测设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
上文所描述的医疗信息推荐方法中的步骤可以由医疗信息推荐设备的结构实现。
实施例4
相应于上面的方法实施例，本实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种医疗信息推荐方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的医疗信息推荐方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。

Claims (10)

1.一种医疗信息推荐方法，其特征在于，包括以下步骤：
S1，获取待预测数据，所述待预测数据包括用户数据与医疗数据；
S2，通过用户画像分析将步骤S1的用户数据转换为用户特征向量；并根据医疗数据运用聚类算法构建医疗信息推荐系统；
S3，将所述用户特征向量输入医疗信息推荐系统，医疗信息推荐系统输出推荐结果。
2.根据权利要求1所述的医疗信息推荐方法，其特征在于，所述用户特征向量包括病情标签、性别以及年龄信息。
3.根据权利要求1所述的医疗信息推荐方法，其特征在于，所述用户特征向量还包括位置信息。
4.根据权利要求1所述的医疗信息推荐方法，其特征在于，所述用户特征向量通过用户画像分析获取，具体获取方式如下所示：
步骤A1，输入待测用户数据，通过SQL查询和数据清洗获取用户的静态画像，所述静态画像包括年龄、职业、性别、婚姻状况数据；
步骤A2，所述用户数据经过SQL查询和数据清洗后输入多标签学习预测模型，获得用户的动态画像。
5.根据权利要求4所述的医疗信息推荐方法，其特征在于，所述步骤A1中的数据清洗是指去除不合规则的数据信息，所述不合规则的数据信息包括重复记录的信息、不合法值、噪声数据、空值和缺失值以及隐私信息。
6.根据权利要求4所述的医疗信息推荐方法，其特征在于，所述多标签学习预测模型的预测过程如下所示：
A21，输入多标签学习预测模型的数据按照标签种类进行分类，获取该数据针对每一个标签的特征向量；
A22，每一个标签的特征向量通过该标签对应的分类器获取每一个标签的预测概率向量；
A23，每一个标签的预测概率向量通过多标签分类器得到预测结果。
7.根据权利要求1所述的医疗信息推荐方法，其特征在于，所述步骤S2构建医疗信息推荐系统的具体过程如下：
B1，将医疗数据分为不同类型的数据；
B2，各类型的医疗数据分别进行特征提取，将各类型的数据转换为特征矩阵，通过聚类算法构建各类型数据分类器；
B3，将各分类器的输出结果集合。
8.一种用于实施权利要求1至7任一项所述的医疗信息推荐方法的用户购物消费需求预测装置，其特征在于，包括：数据获取模块、数据处理模块以及医疗信息推荐模块；
其中，数据获取模块，用于获取用户数据和医疗数据；
数据处理模块，用于将用于获取的用户数据和医疗数据转换为特征向量，并将特征向量输入模型模块；
模型模块，医疗信息推荐模块，利用聚类算法搭建医疗信息推荐模块，用于根据特征向量，判断医疗需求，并给用户推荐相应的医疗信息。
9.一种医疗信息推荐设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时，实现如权利要求l至7任一项所述医疗信息推荐方法的步骤。
10.一种可读存储介质，其特征在于，所述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执行时，实现如权利要求1至7任一项所述医疗信息推荐方法的步骤。
CN201910722854.3A 2019-08-06 2019-08-06 医疗信息推荐方法、装置、设备及可读存储介质 Pending CN110444297A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910722854.3A CN110444297A (zh) 2019-08-06 2019-08-06 医疗信息推荐方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910722854.3A CN110444297A (zh) 2019-08-06 2019-08-06 医疗信息推荐方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN110444297A true CN110444297A (zh) 2019-11-12

Family

ID=68433496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910722854.3A Pending CN110444297A (zh) 2019-08-06 2019-08-06 医疗信息推荐方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110444297A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035611A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 目标用户推荐方法、装置、计算机设备和存储介质
CN112133431A (zh) * 2020-08-27 2020-12-25 绿瘦健康产业集团有限公司 一种健康资讯消息推送方法、装置、介质及终端设备
CN112562854A (zh) * 2020-12-17 2021-03-26 山东大学 一种高龄人员精准医疗关怀服务推荐方法及系统
CN113076405A (zh) * 2021-06-04 2021-07-06 明品云(北京)数据科技有限公司 基于用户画像的解决方案匹配方法及系统
CN114065856A (zh) * 2021-11-16 2022-02-18 北京和兴创联健康科技有限公司 基于医生画像的医生推荐方法、装置、设备及存储介质
WO2022105003A1 (zh) * 2020-11-23 2022-05-27 深圳市鹰硕教育服务有限公司 医疗信息处理方法、装置及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017010612A1 (ko) * 2015-07-10 2017-01-19 주식회사 루닛 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법
CN109669931A (zh) * 2018-12-29 2019-04-23 上海携程商务有限公司 历史数据异常分析方法、系统、设备及存储介质
CN109933729A (zh) * 2019-03-28 2019-06-25 广州麦迪森在线医疗科技有限公司 一种基于用户偏好的医疗学术资讯推荐方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017010612A1 (ko) * 2015-07-10 2017-01-19 주식회사 루닛 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법
CN109669931A (zh) * 2018-12-29 2019-04-23 上海携程商务有限公司 历史数据异常分析方法、系统、设备及存储介质
CN109933729A (zh) * 2019-03-28 2019-06-25 广州麦迪森在线医疗科技有限公司 一种基于用户偏好的医疗学术资讯推荐方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112133431A (zh) * 2020-08-27 2020-12-25 绿瘦健康产业集团有限公司 一种健康资讯消息推送方法、装置、介质及终端设备
CN112035611A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 目标用户推荐方法、装置、计算机设备和存储介质
WO2022105003A1 (zh) * 2020-11-23 2022-05-27 深圳市鹰硕教育服务有限公司 医疗信息处理方法、装置及电子设备
CN112562854A (zh) * 2020-12-17 2021-03-26 山东大学 一种高龄人员精准医疗关怀服务推荐方法及系统
CN113076405A (zh) * 2021-06-04 2021-07-06 明品云(北京)数据科技有限公司 基于用户画像的解决方案匹配方法及系统
CN114065856A (zh) * 2021-11-16 2022-02-18 北京和兴创联健康科技有限公司 基于医生画像的医生推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110444297A (zh) 医疗信息推荐方法、装置、设备及可读存储介质
US11631152B2 (en) Security check system and method for configuring security check device
Zhang et al. A case study of sensor data collection and analysis in smart city: provenance in smart food supply chain
CN110415091A (zh) 商店及商品推荐方法、装置、设备及可读存储介质
US10387773B2 (en) Hierarchical deep convolutional neural network for image classification
CN108427708B (zh) 数据处理方法、装置、存储介质和电子装置
CN103678417B (zh) 人机交互数据处理方法和装置
CN107908789A (zh) 用于生成信息的方法和装置
US20190392258A1 (en) Method and apparatus for generating information
Subbu et al. Big data for context aware computing–perspectives and challenges
WO2023011382A1 (zh) 推荐方法、推荐模型训练方法及相关产品
CN110428231A (zh) 行政信息推荐方法、装置、设备及可读存储介质
Kim et al. seq2vec: Analyzing sequential data using multi-rank embedding vectors
CN113051480A (zh) 资源推送方法、装置、电子设备及存储介质
ApurvaSree et al. Churn prediction in telecom using classification algorithms
Balamurugan et al. Enhanced petri nets for traceability of food management using internet of things
Wang et al. Unsupervised outlier detection for mixed-valued dataset based on the adaptive k-nearest neighbor global network
Cheng et al. Clustering indoor positioning data using E-DBSCAN
Wu et al. Topological machine learning for multivariate time series
CN116340643B (zh) 对象推荐的调整方法及装置、存储介质、电子设备
CN114360182B (zh) 一种智能告警方法、装置、设备及存储介质
Jing et al. A Novel Prediction Method Based on Artificial Intelligence and Internet of Things for Detecting Coronavirus Disease (COVID‐19)
Gupta et al. Data mining framework for IoT applications
CN111400567B (zh) 一种基于ai的用户数据的处理方法、装置及系统
CN115392351A (zh) 风险用户识别方法、装置、电子设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191112