CN111063436A - 数据处理方法及装置、存储介质及电子终端 - Google Patents
数据处理方法及装置、存储介质及电子终端 Download PDFInfo
- Publication number
- CN111063436A CN111063436A CN201911165531.5A CN201911165531A CN111063436A CN 111063436 A CN111063436 A CN 111063436A CN 201911165531 A CN201911165531 A CN 201911165531A CN 111063436 A CN111063436 A CN 111063436A
- Authority
- CN
- China
- Prior art keywords
- processed
- data
- clustering
- objects
- historical data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003863 physical function Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及计算机技术领域,具体涉及一种数据处理方法、一种数据处理装置、一种存储介质以及一种电子终端。所述方法包括:获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据;基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵;根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值;根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。本公开的方法可以实现对各待处理对象进行准确的分类。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种数据处理方法、一种数据处理装置、一种存储介质以及一种电子终端。
背景技术
现有技术中,我国的老年化智能服务中心起步较晚,大多数老年社区中对老年居民的信息统计不够完善和系统,各老年居民的相关信息中只包含一些基础数据。另外,对于各老年居民的服务人员的分配也缺乏合理的、统一的执行策略。
目前,在对老年社区中的老年用户进行管理和分组时,一般根据疾病的诊断结果来进行分组,根据疾病和主要并发症进行分组。并不能完全的考虑到老年用户的全部实际情况。此外,在为各老年用户分配医护人员或者照护人员时,也缺乏统一的标准或策略。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种数据处理方法、一种数据处理装置、一种存储介质以及一种电子终端,实现实时的根据用户的咨询请求提供精准的答复结果,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种数据处理方法,包括:
获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据;
基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵;
根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值;
根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。
在本公开的一种示例性实施例中,所述历史数据包括医疗类数据、评估类数据;
所述对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据,包括:
根据用户标识提取各所述待处理对象对应的各类别的历史数据;
利用自然语言处理模型对所述历史数据进行识别,以获取所述待处理对象的目标特征数据。
在本公开的一种示例性实施例中,所述基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵,包括:
选取一目标特征数据作为第一目标特征数据,将所述第一目标特征数据分别与其余的n个所述目标特征数据进行比对,以获取所述第一目标特征数据对应的n个比对结果;其中,n为正整数;
遍历所述待处理对象的n+1个所述目标特征数据,以构建所述待处理对象对应的n+1阶特征矩阵。
在本公开的一种示例性实施例中,所述根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象,包括:
从多个权重值中随机选取k个权重值作为初始聚类中心;其中,k为正整数;
根据各所述权重值与各所述初始聚类中心的距离,对所述初始聚类中心进行更新,以确定聚类中心;
基于各所述聚类中心对所述权重值进行聚类。
在本公开的一种示例性实施例中,所述根据各所述权重值与各所述初始聚类中心的距离,对所述初始聚类中心进行更新,以确定聚类中心,包括:
计算各所述权重值与各所述初始聚类中心的距离,并所述距离对所述权重值进行聚类以获取多个类别;
确定各类别的类别中心以更新所述初始聚类中心;
重复上述步骤至各类别中心不再变化,以确定所述聚类中心。
在本公开的一种示例性实施例中,所述方法还包括:
根据预设的人员配置策略,为各类别的所述待处理对象执行业务人员配置。
在本公开的一种示例性实施例中,所述方法还包括:
响应于一业务系统的数据处理指令,以获取所述历史数据。
根据本公开的第二方面,提供一种数据处理装置,包括:
历史数据解析模块,用于获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据;
特征矩阵生成模块,用于基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵;
权重值计算模块,用于根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值;
聚类处理模块,用于根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的数据处理方法。
根据本公开的第四方面,提供一种电子终端,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述的数据处理方法
本公开的一种实施例所提供的数据处理方法中,通过识别并提取各待处理对象的目标特征数据,并根据对目标特征数据的比对计算结果构建各待处理对象的特征矩阵,从而可以更加准确的通过目标特征数据来描述待处理对象的当前状态。再根据特征矩阵计算各待处理对象的权重值,并根据权重值进行聚类,可以对各待处理对象进行准确的分类。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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的附图。
图1示意性示出本公开示例性实施例中一种数据处理方法的流程示意图;
图2示意性示出本公开示例性实施例中一种数据处理装置的组成示意图;
图3示意性示出本公开示例性实施例中一种电子设备的组成示意图;
图4示意性示出本公开示例性实施例中一种程序产品的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
目前,在对老年社区中的老年用户进行管理和分组时,一般根据疾病的诊断结果来进行分组,根据疾病和主要并发症进行分组。并不能完全的考虑到老年用户的全部实际情况。此外,在为各老年用户分配医护人员或者照护人员时,也缺乏统一的标准或策略。
针对现有技术存在的问题,本示例实施方式中首先提供了一种数据处理方法,可以应用于对老年社区中老年用户的分组管理,以及医护人员的合理分配。参考图1中所示,上述的数据处理方法可以包括以下步骤:
步骤S11,获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据;
步骤S12,基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵;
步骤S13,根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值;
步骤S14,根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。
本示例实施方式所提供的数据处理方法,通过识别并提取各待处理对象的目标特征数据,并根据对目标特征数据的比对计算结果构建各待处理对象的特征矩阵,一方面,可以更加准确的通过目标特征数据来描述待处理对象的当前状态。另一方面,再根据特征矩阵计算各待处理对象的权重值,并根据权重值进行聚类,可以对各待处理对象进行准确的分类。
下面,将结合附图及实施例对本示例实施方式中的数据处理方法中各个步骤进行更详细的说明。
步骤S11,获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据;
本示例实施方式中,上述的数据处理方法可以在服务器端执行。用户可以在终端设备利用业务系统向服务器端发送处理历史数据的数据处理指令。该数据处理指令中可以包含待处理的历史数据的地址信息。便可以服务器端获取历史数据。
或者,在本公开的其他示例性实施方式中,上述的数据处理方法也可以在用户终端设备侧执行。用户在业务系统的人机交互界面中提交数据处理指令,并在本地执行数据处理方法。
举例来说,上述的待处理对象可以是养老社区中的各老年用户。对应,历史数据可以是各老年用户的历史医疗数据,以及相关的评估信息。例如,历史数据可以是老年用户的体检、门诊、住院等医疗数据,或者是社区、检测机构提供的各类评估数据,例如生理状态评估、心理状态评估等等。
本示例实施方式中,具体来说,上述的步骤S11可以包括:
步骤S111,根据用户标识提取各所述待处理对象对应的各类别的历史数据;
步骤S112,利用自然语言处理模型对所述历史数据进行识别,以获取所述待处理对象的目标特征数据。
具体来说,上述的用户标识可以是待处理对象的姓名、ID、证件编码或者诊断号码等唯一身份标识。可以根据各老年用户的用户标识筛选该用户对应的相关历史数据,形成各待处理对象的历史数据集合。并利用自然语言处理模型对各待处理对象的历史数据分别进行识别,从而提取各待处理对象的多个目标特征数据。
举例来说,待处理对象的多个目标特征数据可以包括:用药、疾病、营养、躯体功能、认知情感、衰退、出院时间、年龄以及居住10种特征信息中的任意多项。此外,还可以对各目标特征数据进行等级划分,例如,对于特征“用药”,可以划分为:5种及以上,5种以下;对于特征“疾病”,可以划分为:老年疾病稳定期,老年疾病非稳定期;对于特征“营养”,可以划分为:良,不良;对于特征“躯体功能”,可以划分为:无障碍、障碍;对于特征“认知情感”,可以划分为:无障碍、障碍;对于特征“衰退”,可以划分为:老年抑郁表现分期1至7期;对于特征G“出院时间”,可以划分为:7天及以内,7天以上;对于特征“疼痛”,可以划分为:无,有;对于特征“年龄”,可以划分为:90岁及以上,90岁以下;对于特征“居住”,可以划分为:非独居,独居。
当然,在本公开的其他示例性实施方式中,也可以根据实际需要选择用户的其他特征作为目标特征,或者针对目标特征采用其他的等级、类型划分策略,本公开对此不做特殊限定。
步骤S12,基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵。
本示例实施方式中,在获取各待处理对象的目标特征数据之后,便可以构建各待处理对象的特征矩阵,利用层次分析法获取居民权重值。具体来说,对于一待处理对象来说,可以选取一目标特征数据作为第一目标特征数据,将所述第一目标特征数据分别与其余的n个所述目标特征数据进行比对,以获取所述第一目标特征数据对应的n个比对结果;其中,n为正整数;循环执行上述的方法,直至将待处理对象的n+1个目标特征数据,均与其他的目标特征数据进行比对,从而构建所述待处理对象对应的n+1阶特征矩阵。
举例来说,对于待处理对象的第i个特征“年龄”,第j个特征“居住”,Aij用于表示特征“年龄”相对于特征“居住”的重要性打分。例如,可以用数值1-9来标度第i个特征相比第j个特征的重要程度,其中,1可以表示两个特征的重要程度相同,9可以表示第i个特征相比第j个特征的重要程度最高,中间各数据依次过渡。具体来说,可以利用人工的方式来确定各待处理对象的第i个特征相对于第j个特征的重要程度。或者,可以利用部分已经标记的样本数据训练一基于有监督的机器学习模型,并利用该模型确定第i个特征相对于第j个特征的重要程度。
则对于待处理对象来说,若包含n个特征进行比对,则对应生成的n阶特征矩阵包括:
依次对各待处理对象执行上述的方法,从而可以获取各待处理对象的特征矩阵。通过该矩阵可以容纳各老年居民的多项信息,并将各信息有机的整合在一起,便于对老年居民的状态进行描述。此外,还可以根据各老年居民的特征矩阵对其进行标记。
步骤S13,根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值。
本示例实施方式中,在获取各待处理对象的特征矩阵后,便可以对特征矩阵进行运算,并将运算结果作为该待处理对象的权重值,或者状态评估值。
步骤S14,根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。
本示例实施方式中,具体来说,上述的步骤S14可以包括:
步骤S411,从多个权重值中随机选取k个权重值作为初始聚类中心;其中,k为正整数;
步骤S412,根据各所述权重值与各所述初始聚类中心的距离,对所述初始聚类中心进行更新,以确定聚类中心;
步骤S413,基于各所述聚类中心对所述权重值进行聚类。
本示例实施方式中,针对各待处理对象的权重值,可以随机选取1、3或5个权重值作为初始聚类中心。并计算其余各权重值与各个初始聚类中心之间的距离,并选取距离值最小的初始聚类中心进行聚类,从而实现对各权重值进行第一次聚类。
对于各类来说,可以各类中包含的权重值,选取中心权重值作为该类的更新的聚类中心,从而实现对聚类中心进行更新,并重新计算各权重值与更新后的聚类中心之间的距离,选取距离值最小的聚类中心进行聚类。重复执行上述的步骤,直至聚类中心不在变化,将该些聚类中心作为作为最终的聚类中心。
计算各权重值与各聚类中心之间的距离,并选取距离值最小的聚类中心进行聚类,从而实现对各权重值进行聚类处理,划分为目标数量的类。进而对待处理对象进行分类,将具有相同或相似特征的老年居民划分为一个类别。由于权重值是根据各老年居民的多项特征进行计算,从而可以对各老年居民的类别划分更加精确。实现对老年居民的自动分类和管理,并可以利用分类结果对各老年用户进行标记。
基于上述内容,在本公开的一些示例性实施方式中,上述的方法还可以包括:
步骤S15,根据预设的人员配置策略,为各类别的所述待处理对象执行业务人员配置。
本示例实施方式中,具体来说,可以根据分类结果中老年居民的数量以及等级,为各老年居民配置看护人员。例如,若分类结果包括三个类别,第一类别为普通类别,对应配置0.5个看护人员,即两个老年居民配置一个看护人员;第二类别为中等类别,对应配置1个看护人员,即1个老年居民配置一个看护人员;第三类别为高等类别,对应的配置3个看护人员,即1个老年居民配置三个看护人员。当然,在本公开的其他示例性实施方式中,人员配置策略也可以包含其他内容或配置规则,本公开对此不做特殊限定。
基于上述内容,本示例实施方式中,当待处理对象的目标特征数据发生更新时,用户可以向服务器端发送用户分类更新请求,从而可以根据更新后的目标特征数据重新执行上述的方法,对聚类结果进行更新,从而实现实时的对老年居民的健康状态进行监控和管理。
本公开各实施例所提供的数据处理方法中,可以提取各待处理对象的多个不相关的特征来构建对应的特征矩阵,可以融合待处理对象的多个特征,可以更加准确的通过目标特征数据来描述待处理对象的状态。再根据特征矩阵计算各待处理对象的权重值,并根据权重值进行聚类,可以对各待处理对象进行准确的分类。便于对老年居民进行分组管理并分配标签。有效的解决目前老年居民健康管理中无法根据健康情况实施分组进行管理的问题。对于老年居民社区中的老年居民可以进行准确的实现高、中、低的分层,并可根据各群组人群比例进行业务人员配比,降低人员浪费。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
进一步的,参考图2所示,本示例的实施方式中还提供了一种数据处理装置20,包括:历史数据解析模块201、特征矩阵生成模块202、权重值计算模块203以及聚类处理模块204。其中:
所述历史数据解析模块201可以用于获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据。
所述特征矩阵生成模块202可以用于基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵。
所述权重值计算模块203可以用于根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值。
所述聚类处理模块204可以,用于根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。
在本示例性实施方式中,所述历史数据包括医疗类数据、评估类数据;所述历史数据解析模块201可以包括:待处理对象标记单元、数据识别单元。其中:
所述待处理对象标记单元可以用于根据用户标识提取各所述待处理对象对应的各类别的历史数据。
所述数据识别单元可以用于利用自然语言处理模型对所述历史数据进行识别,以获取所述待处理对象的目标特征数据。
在本示例性实施方式中,所述特征矩阵生成模块202可以包括:比对执行单元。
所述比对执行单元可以用于选取一目标特征数据作为第一目标特征数据,将所述第一目标特征数据分别与其余的n个所述目标特征数据进行比对,以获取所述第一目标特征数据对应的n个比对结果;其中,n为正整数;以及遍历所述待处理对象的n+1个所述目标特征数据,以构建所述待处理对象对应的n+1阶特征矩阵。
在本示例性实施方式中,所述聚类处理模块204还可以包括:初始聚类中心选取单元、聚类中心更新单元和聚类执行单元。其中:
所述初始聚类中心选取单元可以用于从多个权重值中随机选取k个权重值作为初始聚类中心;其中,k为正整数。
所述聚类中心更新单元可以用于根据各所述权重值与各所述初始聚类中心的距离,对所述初始聚类中心进行更新,以确定聚类中心。
所述聚类执行单元可以用于基于各所述聚类中心对所述权重值进行聚类。
在本示例性实施方式中,所述聚类中心更新单元可以包括:距离计算单元、更新执行单元。其中:
所述距离计算单元可以用于计算各所述权重值与各所述初始聚类中心的距离,并所述距离对所述权重值进行聚类以获取多个类别。
所述更新执行单元可以用于确定各类别的类别中心以更新所述初始聚类中心;并重复上述步骤至各类别中心不再变化,以确定所述聚类中心。
在本示例性实施方式中,所述装置20还可以包括:人员配置模块。
所述人员配置模块可以用于根据预设的人员配置策略,为各类别的所述待处理对象执行业务人员配置。
在本示例性实施方式中,所述装置20还可以包括:指令响应模块。
所述指令响应模块可以用于响应于一业务系统的数据处理指令,以获取所述历史数据。
上述的数据处理装置20中各模块的具体细节已经在对应的数据处理方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图3来描述根据本发明的这种实施方式的电子设备300。图3显示的电子设备300仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于:上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元310执行,使得所述处理单元310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元310可以执行如图1中所示方法。
存储单元320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202,还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204,这样的程序模块3205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备60(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备300交互的设备通信,和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且,电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器360通过总线330与电子设备300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图4所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据;
基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵;
根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值;
根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。
2.根据权利要求1所述的方法,其特征在于,所述历史数据包括医疗类数据、评估类数据;
所述对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据,包括:
根据用户标识提取各所述待处理对象对应的各类别的历史数据;
利用自然语言处理模型对所述历史数据进行识别,以获取所述待处理对象的目标特征数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵,包括:
选取一目标特征数据作为第一目标特征数据,将所述第一目标特征数据分别与其余的n个所述目标特征数据进行比对,以获取所述第一目标特征数据对应的n个比对结果;其中,n为正整数;
遍历所述待处理对象的n+1个所述目标特征数据,以构建所述待处理对象对应的n+1阶特征矩阵。
4.根据权利要求1所述的方法,其特征在于,所述根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象,包括:
从多个权重值中随机选取k个权重值作为初始聚类中心;其中,k为正整数;
根据各所述权重值与各所述初始聚类中心的距离,对所述初始聚类中心进行更新,以确定聚类中心;
基于各所述聚类中心对所述权重值进行聚类。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述权重值与各所述初始聚类中心的距离,对所述初始聚类中心进行更新,以确定聚类中心,包括:
计算各所述权重值与各所述初始聚类中心的距离,并所述距离对所述权重值进行聚类以获取多个类别;
确定各类别的类别中心以更新所述初始聚类中心;
重复上述步骤至各类别中心不再变化,以确定所述聚类中心。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的人员配置策略,为各类别的所述待处理对象执行业务人员配置。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于一业务系统的数据处理指令,以获取所述历史数据。
8.一种数据处理装置,其特征在于,包括:
历史数据解析模块,用于获取历史数据,对所述历史数据进行识别,以提取各待处理对象对应的多个目标特征数据;
特征矩阵生成模块,用于基于所述待处理对象的多个目标特征数据之间的重要性比对结果,构建所述待处理对象的特征矩阵;
权重值计算模块,用于根据所述待处理对象对应的特征矩阵计算所述待处理对象的权重值;
聚类处理模块,用于根据各所述待处理对象的权重值对各所述待处理对象进行聚类,以获取多个类别的待处理对象。
9.一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至7中任一项所述的数据处理方法。
10.一种电子终端,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165531.5A CN111063436A (zh) | 2019-11-25 | 2019-11-25 | 数据处理方法及装置、存储介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165531.5A CN111063436A (zh) | 2019-11-25 | 2019-11-25 | 数据处理方法及装置、存储介质及电子终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111063436A true CN111063436A (zh) | 2020-04-24 |
Family
ID=70298135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911165531.5A Pending CN111063436A (zh) | 2019-11-25 | 2019-11-25 | 数据处理方法及装置、存储介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111063436A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114078277A (zh) * | 2022-01-19 | 2022-02-22 | 深圳前海中电慧安科技有限公司 | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146183A (zh) * | 2017-05-26 | 2017-09-08 | 北京居家云舍科技服务有限公司 | 一种适老化智能家居环境生活状态的分析方法及系统 |
CN107658023A (zh) * | 2017-09-25 | 2018-02-02 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质和电子设备 |
CN107688911A (zh) * | 2017-09-13 | 2018-02-13 | 北京有心科技有限公司 | 一种老年人照护需求评估方法、系统和设备 |
CN108764621A (zh) * | 2018-04-17 | 2018-11-06 | 华东师范大学 | 一种数据驱动的居家养老协同看护调度方法 |
CN109740065A (zh) * | 2019-01-22 | 2019-05-10 | 云南大学 | 基于特征模型的个性化信息推荐方法 |
CN110136836A (zh) * | 2019-03-27 | 2019-08-16 | 周凡 | 一种基于体检报告聚类分析的疾病预测方法 |
CN110189097A (zh) * | 2019-05-09 | 2019-08-30 | 福建福寿康宁科技有限公司 | 基于主动健康的医养结合个性化养老服务系统 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
US20200395129A1 (en) * | 2017-08-15 | 2020-12-17 | Medial Research Ltd. | Systems and methods for identification of clinically similar individuals, and interpretations to a target individual |
-
2019
- 2019-11-25 CN CN201911165531.5A patent/CN111063436A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107146183A (zh) * | 2017-05-26 | 2017-09-08 | 北京居家云舍科技服务有限公司 | 一种适老化智能家居环境生活状态的分析方法及系统 |
US20200395129A1 (en) * | 2017-08-15 | 2020-12-17 | Medial Research Ltd. | Systems and methods for identification of clinically similar individuals, and interpretations to a target individual |
CN107688911A (zh) * | 2017-09-13 | 2018-02-13 | 北京有心科技有限公司 | 一种老年人照护需求评估方法、系统和设备 |
CN107658023A (zh) * | 2017-09-25 | 2018-02-02 | 泰康保险集团股份有限公司 | 疾病预测方法、装置、介质和电子设备 |
CN108764621A (zh) * | 2018-04-17 | 2018-11-06 | 华东师范大学 | 一种数据驱动的居家养老协同看护调度方法 |
CN109740065A (zh) * | 2019-01-22 | 2019-05-10 | 云南大学 | 基于特征模型的个性化信息推荐方法 |
CN110136836A (zh) * | 2019-03-27 | 2019-08-16 | 周凡 | 一种基于体检报告聚类分析的疾病预测方法 |
CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
CN110189097A (zh) * | 2019-05-09 | 2019-08-30 | 福建福寿康宁科技有限公司 | 基于主动健康的医养结合个性化养老服务系统 |
Non-Patent Citations (1)
Title |
---|
张曦: "协同过滤技术在广电用户个性化推荐中的研究", no. 5 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114078277A (zh) * | 2022-01-19 | 2022-02-22 | 深圳前海中电慧安科技有限公司 | 一人一档的人脸聚类方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210327594A1 (en) | Machine-learning based query construction and pattern identification | |
US11232365B2 (en) | Digital assistant platform | |
CN107799160B (zh) | 用药辅助决策方法及装置、存储介质、电子设备 | |
JP7164843B2 (ja) | 医療記録問題リスト生成 | |
JP6916310B2 (ja) | 人間参加型対話式モデル訓練 | |
WO2015022649A2 (en) | Modeling of patient risk factors at discharge | |
CN111144658B (zh) | 医疗风险预测方法、装置、系统、存储介质与电子设备 | |
Patil et al. | Performance overview of an artificial intelligence in biomedics: a systematic approach | |
US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
CN114613523A (zh) | 线上医疗问诊的医生分配方法、装置、存储介质及设备 | |
Sariyer et al. | Use of data mining techniques to classify length of stay of emergency department patients | |
US20180322942A1 (en) | Medical protocol evaluation | |
Kandula et al. | A bootstrapping algorithm to improve cohort identification using structured data | |
CN112908452A (zh) | 事件数据建模 | |
Rios et al. | Supervised extraction of diagnosis codes from EMRs: role of feature selection, data selection, and probabilistic thresholding | |
US20200219617A1 (en) | Apparatus and method for initial information gathering from patients at the point of care | |
Akbar et al. | Predictive analytics model based on multiclass classification for asthma severity by using random forest algorithm | |
CN111063436A (zh) | 数据处理方法及装置、存储介质及电子终端 | |
Xue et al. | Differential diagnosis of heart disease in emergency departments using decision tree and medical knowledge | |
CN114579626A (zh) | 数据处理方法、数据处理装置、电子设备和介质 | |
CN114743632A (zh) | 疾病治疗方案的推荐方法及装置、存储介质、电子设备 | |
CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
CN112992348A (zh) | 养老模式预测系统、方法、设备及存储介质 | |
Mohan | Predicting post-procedural complications using neural networks on MIMIC-III data | |
US20180322959A1 (en) | Identification of low-efficacy patient population |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |