CN111126601A - 信息处理方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种信息处理方法及装置、电子设备和存储介质，其中，所述方法包括：获取目标用户的体征信息；其中，所述目标用户的体征信息是由信息被隔离方提供的；利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果；其中，所述分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。本公开实施例可提高样本体征信息的利用率。

Description

信息处理方法及装置、电子设备和存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种信息处理方法及装置、电子设备和存储介质。

背景技术

随着人工智能的普及，机器学习技术被大众所知。机器学习技术可以使电子设备具备学习能力，从而可以较为准确地对结果进行预测。通常，可以通过大量的样本信息进行训练，得到一个性能优越的机器学习模型。

但是，用于进行机器学习模型进行训练的样本信息，一些样本信息是具有私密性质的，通常是不能被泄露的，因此，容易造成大量样本信息的浪费。

发明内容

本公开提出了一种信息处理技术方案。

根据本公开的一方面，提供了一种信息处理方法，包括：获取目标用户的体征信息；其中，所述目标用户的体征信息是由信息被隔离方提供的；利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果；其中，所述分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。

在一个可能的实现方式中，所述利用分类模型对所述体征信息进行特征提取之前，还包括：对所述体征信息进行预处理，得到预处理后的所述体征信息；所述利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果，包括：利用所述分类模型对预处理后的所述体征信息进行特征提取，得到所述分类模型输出的目标结果。

通过先对获取的体征信息进行预处理，再利用分类模型对预处理后的体征信息进行特征提取，可以在体征信息中提取有效的信息，使得利用分类模型提取的特征更加准确，得到的目标结果也更加准确。

在一个可能的实现方式中，所述对所述体征信息进行预处理，得到预处理后的体征信息，包括：对所述体征信息进行筛选，得到筛选后的体征信息；对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息。

通过对体征进行筛选，可以减少体征信息中无效的信息部分，保留体征信息中有效的信息部分，通过对对筛选后的体征信息进行特征处理，可以进一步将筛选后的体征信息整合成适应进行分类模型特征提取的体征信息。

在一个可能的实现方式中，所述对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息，包括：判断所述筛选后的体征信息是否满足预设的体征条件，得到判断结果；基于所述判断结果生成预处理后的所述体征信息。

通过利用有预设的体征条件，可以初步对体征信息中的体征参数进行整理，使得得到的预处理后的体征信息可以更加准确、细致地表示目标用户的体征。

在一个可能的实现方式中，所述体征信息包括第一体征参数；所述预设的体征条件包括：所述第一体征参数的参数值大于预设的参数值；或者，所述第一体征参数的参数值小于或等于预设的参数值；或者，所述第一体征参数的参数值在预设的参数值区间。

通过将第一体征参数的参数值与预设的参数值进行比较，可以得到目标用户的第一体征参数是否满足体征条件的判断结果，从而可以初步对体征信息进行整理，使得到预处理后的体征信息可以更加准确地描述目标用户的体征。

在一个可能的实现方式中，所述体征信息包括第二体征参数；所述对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息，包括：对所述筛选后的体征信息中的第二体征参数进行编码转换，生成新的体征参数；和/或，根据所述筛选后的体征信息中多个第二体征参数之间的相互作用关系，生成新的体征参数。

这里，生成新的体征参数更能体现目标用户的体征，还可以表示体征参数之间可能存在的关联关系，从而使得得到的预处理后的体征信息可以更加准确地描述目标用户的体征。

在一个可能的实现方式中，所述利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果，包括：利用分类模型对所述体征信息进行特征提取，得到所述目标用户患有的疾病类型。

在一个可能的实现方式中，所述方法还包括：根据所述目标用户患有的疾病类型，判断是否为所述目标用户提供目标服务。

如此，不仅可以实现对目标用户可能患有的疾病进行预测，还可以为是否向目标用户提供目标服务进行有效的指导，提高提供目标服务的效率和准确率。

在一个可能的实现方式中，在获取目标用户的体征信息之前，所述方法还包括：获取样本用户的样本体征信息以及标注信息；利用构建的机器学习模型对所述样本体征信息进行特征提取，得到所述机器学习模型的输出结果；基于所述输出结果以及所述标注信息，对所述机器学习模型的网络参数进行调整，得到所述分类模型。

通过利用信息隔离方提供的样本体征信息对机器学习模型进行训练，可以得到分类模型，由于样本体征信息具有较高的信息质量，从而得到的分类模型也具有较高的性能，可以提高目标结果的准确性。

在一个可能的实现方式中，所述标注信息包括所述样本用户患有的疾病类型。

这里，标注信息可以包括样本用户患有的疾病类型，利用得到训练好的机器学习模型可以对目标用户容易或可能患有的疾病类型进行预测，从而为目标用户提供有效的参考。

在一个可能的实现方式中，所述体征信息包括所述目标用户在医疗机构检查得到的至少一个体征参数的参数值。

这里，由于体征信息可以包括目标用户在医疗机构检查得到的至少一个体征参数的参数值，通过全面的体征参数可以得到分类模型输出的准确的目标结果。

根据本公开的一方面，提供了一种信息处理装置，包括：获取模块，用于获取目标用户的体征信息；其中，所述目标用户的体征信息是由信息被隔离方提供的；确定模块，用于利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果；其中，所述分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。

在一个可能的实现方式中，所述装置还包括：预处理模块，用于对所述体征信息进行预处理，得到预处理后的所述体征信息；所述确定模块，具体用于利用所述分类模型对预处理后的所述体征信息进行特征提取，得到所述分类模型输出的目标结果。

在一个可能的实现方式中，所述预处理模块，具体用于对所述体征信息进行筛选，得到筛选后的体征信息；对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息。

在一个可能的实现方式中，所述预处理模块，具体用于判断所述筛选后的体征信息是否满足预设的体征条件，得到判断结果；基于所述判断结果生成预处理后的所述体征信息。

在一个可能的实现方式中，所述体征信息包括第一体征参数；所述预设的体征条件包括：所述第一体征参数的参数值大于预设的参数值；或者，所述第一体征参数的参数值小于或等于预设的参数值；或者，所述第一体征参数的参数值在预设的参数值区间。

在一个可能的实现方式中，所述体征信息包括第二体征参数；所述预处理模块，具体用于对所述筛选后的体征信息中的第二体征参数进行编码转换，生成新的体征参数；和/或，根据所述筛选后的体征信息中多个第二体征参数之间的相互作用关系，生成新的体征参数。

在一个可能的实现方式中，所述确定模块，具体用于利用分类模型对所述体征信息进行特征提取，得到所述目标用户患有的疾病类型。

在一个可能的实现方式中，所述确定模块，还用于根据所述目标用户患有的疾病类型，判断是否为所述目标用户提供目标服务。

在一个可能的实现方式中，所述装置还包括：训练模块，用于获取样本用户的样本体征信息以及标注信息；利用构建的机器学习模型对所述样本体征信息进行特征提取，得到所述机器学习模型的输出结果；基于所述输出结果以及所述标注信息，对所述机器学习模型的网络参数进行调整，得到所述分类模型。

在一个可能的实现方式中，所述标注信息包括所述样本用户患有的疾病类型。

在一个可能的实现方式中，所述体征信息包括所述目标用户在医疗机构检查得到的至少一个体征参数的参数值。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述信息处理方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述信息处理方法。

在本公开实施例中，可以获取目标用户的体征信息，目标用户的体征信息是由信息被隔离方提供的。然后可以利用分类模型对所述体征信息进行特征提取，得到分类模型输出的目标结果。这里，分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。这样，利用信息隔离方提供的样本体征信息训练得到分类模型，可以用于信息被隔离方，在保证了信息隔离方的样本体征信息的安全性的基础上，还提高了样本体征信息的利用率，提高了分类模型的使用范围。

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，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的信息处理方法的流程图。

图2示出根据本公开实施例的信息处理方法一示例的框图。

图3示出根据本公开实施例的信息处理装置的框图。

图4示出根据本公开实施例的电子设备示例的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例提供的信息处理方案，可以获取目标用户的体征信息，然后利用训练好的分类模型对体征信息进行特征提取，得到分类模型输出的目标结果。这里，目标用户的体征信息是由信息被隔离方提供的，样本用户的样本体征信息是由信息隔离方提供。通过这种方式，利用信息隔离方提供的样本体征信息进行训练得到的分类模型，由于样本体征信息的信息量较大并且准确率高，从而分类模型具有较好的性能。利用分类模型对信息被隔离方提供的体征信息进行特征提取，可以提高目标结果的准确率，实现在样本体征信息的安全性的基础上，提高分类模型的使用范围。

在相关技术中，用户的样本体征信息通常具有私密性，例如，医院或体检中心检测的样本体征信息，不方便提供给第三方的，即，这些样本体征信息需要进行信息隔离，信息被隔离方难以得到样本体征信息，从而无法利用样本体征信息进行应用上的指导。而本公开实施例提供的信息处理方案，可以将利用样本体征信息训练得到的分类模型为信息被隔离方所用，不仅可以在保证样本体征信息不被泄露的基础上，使样本体征信息得到有效的利用，还可以为信息被隔离方提供有效指导，例如，为信息被隔离方提供目标用户可能患有某种疾病的有效指导。

本公开实施例提供的技术方案可以应用于疾病预测、服务类型的提供的扩展等等，本公开实施例对此不做限定。

图1示出根据本公开实施例的信息处理方法的流程图。该信息处理方法可以由终端设备、服务器或其它类型的电子设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该信息处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。下面以电子设备作为执行主体为例对本公开实施例的信息处理方法进行说明。

步骤S11，获取目标用户的体征信息；其中，所述目标用户的体征信息是由信息被隔离方提供的。

在本公开实施例中，目标用户的体征信息可以是目标用户的身体特征信息。目标用户的体征信息可以是信息被隔离方提供的，信息被隔离方可以是提供样本体征信息的第三方，样本体征信息需要进行保密，为了保证样本体征信息的安全性，通常情况下，样本体征信息不可以向信息被隔离方公开。这里，目标用户的体征信息可以是由目标用户向信息被隔离方提供的。

这里，体征信息可以包括目标用户在医疗机构检查得到的至少一个体征参数的参数值，其中，体征参数可以包括目标用户的年龄、体重、血糖、血液指标参数、脂类指标参数、心肺功能指标参数等参数。例如，目标用户的年龄是25，其中，年龄是体征参数，25是该体征参数的参数值。由于体征信息可以包括目标用户在医疗机构检查得到的至少一个体征参数的参数值，通过全面的体征参数可以得到分类模型输出的准确的目标结果。

步骤S12，利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果；其中，所述分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。

在本公开实施例中，可以利用预先训练好的分类模型对体征信息进行特征提取，例如，利用分类模型对体征信息进行卷积操作、池化操作、特征交互等，可以得到分类模型输出的目标结果。这里，目标结果对应一个或多个检测类型，也可以对应至少一个检测类型的概率。检测类型可以指示体能、身体状况等方面的检验项目，例如，高血糖、高血脂等检测类型。目标结果可以是对目标用户的体能、身体状况等方面的预测结果。

在一个实现方式中，可以利用分类模型提取体征信息中多个体征参数之间的交互信息，例如，可以提取体征信息中多个体征参数之间的二阶交互信息以及更高阶的交互信息，从而可以得到准确的目标结果。

这里，分类模型可以是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。信息隔离方可以是保存样本体征信息的一方，例如，可以是医疗机构、体检机构、代理方等对样本用户的样本体征信息进行保密的一方。样本体征信息是需要进行保密的信息，从而样本体征信息难以向信息被隔离方公开。这里，样本体征信息可以是样本用户的身体特征信息，例如，样本用户的年龄、体重、血糖、血液指标参数、脂类指标参数、心肺功能指标参数等样本体征信息。

通过这种方式，基于样本体征信息进行训练得到的分类模型，可以由信息隔离方转移到信息被隔离方，使得样本体征信息即使未向信息被隔离方公开，也可以实现样本体征信息向信息被隔离方提供有效的指导。

在一个可能的实现方式中，可以利用分类模型对体征信息进行特征提取，得到目标用户患有的疾病类型。

在本公开实施例中，可以利用分类模型可以得到目标用户患有的疾病类型，即，可以利用分类模型为目标用户可能患有的疾病进行预测，这里，得到的疾病类型可以是一个或多个，在得到的疾病类型是多个的情况下，利用分类模型可以得到目标用户患有每个疾病类型的概率。这样，可以实现由信息被隔离方提供的体征信息快速预测目标用户可能患有的疾病类型。

在该实现方式的一个示例中，可以根据目标用户患有的疾病类型，判断是否为目标用户提供目标服务。

在该示例中，可以将目标用户患有的疾病类型的概率与预设阈值进行比较，如果目标用户患有的疾病类型的概率大于或等于预设阈值，则可以认为目标用户很有可能会患有该疾病类型的疾病，进而可以针对该疾病类型向目标用户提供目标服务，例如，可以针对该疾病类型为目标用户提供疾病预警服务、为目标用户提供担保服务或者为目标用户提供定制性保障服务、体能训练指导服务等。如果目标用户患有的疾病类型的概率小于预设阈值，则可以认为目标用户患有该疾病类型的疾病的可能性较低，可以不做处理。这里，在疾病类型是多个的情况下，可以将目标用户对应的每个该疾病类型的概率与该疾病类型的预设阈值进行比较，不同疾病类型的预设阈值可以相同，也可以不同，可以根据具体的应用场景进行设置。

举例来说，医院或体检机构可以是信息隔离方，医院或体检机构保存的用户的体征信息可以是样本用户的样本体征信息。利用样本体征信息可以对构建的机器学习模型进行训练，可以得到分类模型。信息被隔离方可以为用户提供疾病保证的目标服务。通过将目标用户的体征信息输入分类模型，可以得到目标用户患有某种疾病的概率，如果该概率大于预设阈值，则可以为该目标用户提供该疾病的疾病保证。如此，不仅可以实现对目标用户可能患有的疾病进行预测，还可以为是否向目标用户提供目标服务进行有效的指导，提高提供目标服务的效率和准确率。

在一个可能的实现方式中，可以对体征信息进行预处理，得到预处理后的所述体征信息，然后利用分类模型对预处理后的体征信息进行特征提取，得到分类模型输出的目标结果。

在该实现方式中，为了更好地利用分类模型对体征信息进行特征提取，可以在获取目标用户的体征信息之后，先对获取的体征信息进行预处理，然后再利用分类模型对预处理后的体征信息进行特征提取，从而可以在体征信息中提取有效的信息，使得利用分类模型提取的特征更加准确，得到的目标结果也更加准确。这里，预处理可以包括归一化处理、离散化处理、升阶处理、降维处理、编码处理、数据变换处理等一个或多个处理。

在该实现方式的一个示例中，可以对体征信息进行筛选，得到筛选后的体征信息，然后对筛选后的体征信息进行特征处理，得到预处理后的体征信息。

在该示例中，对体征信息进行预处理可以包括对体征进行筛选。例如，可以对体征信息进行数据清洗，将明显不可信的体征信息进行删除。再例如，可以对体征信息进行去重，可以对重复的体征信息进行去重。通过对体征进行筛选，可以减少体征信息中无效的信息部分，保留体征信息中有效的信息部分。在对体征信息进行筛选后，可以对筛选后的体征信息进行特征处理，进一步将筛选后的体征信息整合成适应进行分类模型特征提取的体征信息，这里的特征处理可以包括归一化、离散化、编码等，使得经过特征处理后的体征信息可以更加形象地体现目标用户的体征。

在一个示例中，可以判断筛选后的体征信息是否满足预设的体征条件，得到判断结果，基于判断结果生成预处理后的体征信息。

在该示例中，可以将筛选后的体征信息与预设的体征条件进行比对，判断筛选后的体征信息是否满足预设的体征条件。这里，体征信息可以包括至少一个体征参数的参数值，体征参数可以对应相应的体征条件。在判断筛选后的体征信息是否满足预设的体征条件时，可以分别判断一个或多个体征参数的参数值是否符合该体征参数对应的体征条件，得到判断结果，然后根据得到的判断结果可以得到预处理后的体征信息。举例来说，如果某个体征参数的参数值符合该体征参数对应的体征条件，则可以用1表示，如果某个体征参数的参数值不符合该体征参数对应的体征条件，则可以用0表示，这里的1和0可以作为预处理后的体征信息中新生成的体征信息。通过利用有预设的体征条件，可以初步对体征信息中的体征参数进行整理，使得得到的预处理后的体征信息可以更加准确、细致地表示目标用户的体征。这里的体征条件可以根据体征参数的医疗指标进行设置。

在一个示例中，体征信息包括第一体征参数；上述预设的体征条件可以包括：第一体征参数的参数值大于预设的参数值；或，第一体征参数的参数值小于或等于预设的参数值；或，第一体征参数的参数值在预设的参数值区间。

在该示例中，第一体征参数可以是体征信息中任意一个体征参数，每个第一体征参数可以对应一个体征调整。在判断筛选后的体征信息是否满足预设的体征条件时，可以分别判断每个第一体征参数的参数值是否符合该第一体征参数对应的体征条件，例如，可以判断某个第一体征参数的参数值是否大于预设的参数值，或者，判断某个第一体征参数的参数值是否小于或等于预设的参数值，或者，判断某个第一体征参数的参数值是否在预设的参数值区间。举例来说，判断男性的腰围(第一体征参数)是否大于90厘米(预设的参数值)；再例如，判断目标用户的甘油三酯(第一体征参数)是否低于1.70毫摩/升(预设的参数值)。通过将第一体征参数的参数值与预设的参数值进行比较，可以得到目标用户的第一体征参数是否满足体征条件的判断结果，从而可以初步对体征信息进行整理，使得到预处理后的体征信息可以更加准确地描述目标用户的体征。

在一个示例中，体征信息包括第二体征参数，可以对筛选后的体征信息中的第二体征参数进行编码转换，生成新的体征参数；和/或，根据筛选后的体征信息中多个第二体征参数之间的相互作用关系，生成新的体征参数。

在该示例中，第二体征参数可以是体征信息中任意一个体征参数，第二体征参数可以与第一体征参数相同，也可以不同。在对筛选后的体征信息进行特征处理时，可以对筛选后的体征信息包括的第二体征参数进行相应的编码转换，例如，对于连续变化的第二体征参数，可以在不影响第二体征参数的参数值原有单调性的情况下，对第二体征参数的参数值进行去中心化、取对数等编码转换，得到新的体征参数。再例如，可以将文本类型的第二体征参数编码转换为数据类型的体征参数。

和/或，可以根据筛选后的体征信息包括的多个第二体征参数之间的相互作用关系，例如，相乘、相加、加权等相互作用关系，可以由多个第二体征参数得到新的体征参数。举例来说，一个新的体征参数可以等于血压、血脂和血糖之间的乘积，这个新的体征参数可以综合考虑血压、血脂和血糖三个原有的第二体征参数，还可以包括这三个第二体征参数之间可能存在的关联关系，从而使得得到的预处理后的体征信息可以更加准确地描述目标用户的体征。

上述分类模型可以是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的，下面对得到分类模型的过程进行说明。

在一个实现方式中，可以获取样本用户的样本体征信息以及标注信息，然后利用构建的机器学习模型对样本体征信息进行特征提取，可以得到机器学习模型的输出结果，再基于机器学习模型的输出结果以及标注信息，对机器学习模型的网络参数进行调整，得到分类模型。

在该实现方式中，样本用户的样本体征信息可以是信息隔离方提供的，例如，可以是医院或体检机构提供的患者的体征信息。样本用户的样本体征信息是不方便提供给第三方的保密信息，信息量较大并且具有较高的准确性，从而可以利用样本体征信息对构建的机器学习模型进行训练，得到分类模型。在获取样本体征信息之后，可以先对样本体征信息进行预处理，例如，对样本体征信息进行归一化处理、离散化处理、升阶处理、降维处理、编码处理、数据变换处理等一个或多个操作，从而可以在样本体征信息中提取有效的信息，减少样本体征信息中无效信息的干扰。然后可以将预处理后的样本体征信息输入至构建的机器学习模型中，利用构建的机器学习模型提取样本体征信息中的交互信息，最终可以得到机器学习模型的输出结果，该输出结果可以是样本用户对应的检测类型，或者，可以是样本用户对应于每个检测类型的概率，例如，输出样本用户对应的疾病类型，或者，输入样本用户患有每个疾病类型的概率。

进一步地，可以将机器学习模型的输出结果与该样本用户的标注信息进行比较，得到比较结果，然后可以根据比较结果确定机器学习模型的损失，利用得到的损失对机器学习模型的网路参数进行调整，使得机器学习模型的输出结果与标注信息中的目标结果趋于一致。这里，构建的机器学习模型可以是支持向量机模型、朴素贝叶斯模型、回归模型等神经网络结构的模型，也可以是根据具体的应用场景设计的机器学习模型，本公开不对具体的机器学习模型进行限制。

通过利用信息隔离方提供的样本体征信息对机器学习模型进行训练，可以得到分类模型，由于样本体征信息具有较高的信息质量，从而得到的分类模型也具有较高的性能，可以提高目标结果的准确性。

在该实现方式的一个示例中，上述标注信息可以包括样本用户患有的疾病类型。在机器学习模型的输出结果表示疾病类型的情况下，可以将机器学习模型的输出结果表示的疾病类型与标注信息包括的疾病类型进行比较，得到比较结果。然后可以根据该比较结果确定机器学习模型的损失，利用得到的损失对机器学习模型的网路参数进行调整，使机器学习模型的输出结果表示的疾病类型与标注信息包括的疾病类型趋于一致，实现机器学习模型的训练。利用训练好的机器学习模型可以对目标用户容易或可能患有的疾病类型进行预测，从而为目标用户提供有效的参考。

下面结合附图2对本公开实施例提供的信息处理方案进行举例说明。图2示出根据本公开实施例的信息处理方法一示例的框图。

在一个示例中，上述分类模型可以是疾病分类模型。疾病分类模型的训练过程可以作为流程上游。在流程上游，可以利用医院或体检机构提供的患者的体征信息得到疾病分类模型，利用疾病分类模型可以得到某个患者患有某种疾病的概率。将训练好的疾病分类模型用于其他业务的过程可以作为流程下游。在流程下游，可以将疾病分类模型迁移到保障服务中，通过将目标用户的体征信息输入疾病分类模型，可以预测目标用户患有的至少一种疾病的概率，从而可以根据目标用户患有的至少一种疾病的概率判断是否向目标用户提供保障服务，起到为目标用户提供个性化服务的作用。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种信息处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

图3示出根据本公开实施例的信息处理装置的框图，如图3所示，所述装置包括：

获取模块31，用于获取目标用户的体征信息；其中，所述目标用户的体征信息是由信息被隔离方提供的；

确定模块32，用于利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果；其中，所述分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。

在一个可能的实现方式中，所述装置还包括：预处理模块，用于对所述体征信息进行预处理，得到预处理后的所述体征信息；所述确定模块，具体用于利用所述分类模型对预处理后的所述体征信息进行特征提取，得到所述分类模型输出的目标结果。

在一个可能的实现方式中，所述预处理模块，具体用于对所述体征信息进行筛选，得到筛选后的体征信息；对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息。

在一个可能的实现方式中，所述预处理模块，具体用于判断所述筛选后的体征信息是否满足预设的体征条件，得到判断结果；基于所述判断结果生成预处理后的所述体征信息。

在一个可能的实现方式中，所述体征信息包括第一体征参数；所述预设的体征条件包括：所述第一体征参数的参数值大于预设的参数值；或者，所述第一体征参数的参数值小于或等于预设的参数值；或者，所述第一体征参数的参数值在预设的参数值区间。

在一个可能的实现方式中，所述体征信息包括第二体征参数；所述预处理模块，具体用于对所述筛选后的体征信息中的第二体征参数进行编码转换，生成新的体征参数；和/或，根据所述筛选后的体征信息中多个第二体征参数之间的相互作用关系，生成新的体征参数。

在一个可能的实现方式中，所述确定模块32，具体用于利用分类模型对所述体征信息进行特征提取，得到所述目标用户患有的疾病类型。

在一个可能的实现方式中，所述确定模块32，还用于根据所述目标用户患有的疾病类型，判断是否为所述目标用户提供目标服务。

在一个可能的实现方式中，所述装置还包括：训练模块，用于获取样本用户的样本体征信息以及标注信息；利用构建的机器学习模型对所述样本体征信息进行特征提取，得到所述机器学习模型的输出结果；基于所述输出结果以及所述标注信息，对所述机器学习模型的网络参数进行调整，得到所述分类模型。

在一个可能的实现方式中，所述标注信息包括所述样本用户患有的疾病类型。

在一个可能的实现方式中，所述体征信息包括所述目标用户在医疗机构检查得到的至少一个体征参数的参数值。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图4是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图4，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (20)

1.一种信息处理方法，其特征在于，包括：

获取目标用户的体征信息；其中，所述目标用户的体征信息是由信息被隔离方提供的；

利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果；其中，所述分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述利用分类模型对所述体征信息进行特征提取之前，还包括：

对所述体征信息进行预处理，得到预处理后的所述体征信息；

所述利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果，包括：

利用所述分类模型对预处理后的所述体征信息进行特征提取，得到所述分类模型输出的目标结果。

3.根据权利要求2所述的方法，其特征在于，所述对所述体征信息进行预处理，得到预处理后的体征信息，包括：

对所述体征信息进行筛选，得到筛选后的体征信息；

对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息。

4.根据权利要求3所述的方法，其特征在于，所述对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息，包括：

判断所述筛选后的体征信息是否满足预设的体征条件，得到判断结果；

基于所述判断结果生成预处理后的所述体征信息。

5.根据权利要求4所述的方法，其特征在于，所述体征信息包括第一体征参数；所述预设的体征条件包括：

所述第一体征参数的参数值大于预设的参数值；或者，

所述第一体征参数的参数值小于或等于预设的参数值；或者，

所述第一体征参数的参数值在预设的参数值区间。

6.根据权利要求3所述的方法，其特征在于，所述体征信息包括第二体征参数；所述对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息，包括：

对所述筛选后的体征信息中的第二体征参数进行编码转换，生成新的体征参数；和/或，

根据所述筛选后的体征信息中多个第二体征参数之间的相互作用关系，生成新的体征参数。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果，包括：

利用分类模型对所述体征信息进行特征提取，得到所述目标用户患有的疾病类型。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

根据所述目标用户患有的疾病类型，判断是否为所述目标用户提供目标服务。

9.根据权利要求1至8任意一项所述的方法，其特征在于，在获取目标用户的体征信息之前，所述方法还包括：

获取样本用户的样本体征信息以及标注信息；

利用构建的机器学习模型对所述样本体征信息进行特征提取，得到所述机器学习模型的输出结果；

基于所述输出结果以及所述标注信息，对所述机器学习模型的网络参数进行调整，得到所述分类模型。

10.根据权利要求9所述的方法，其特征在于，所述标注信息包括所述样本用户患有的疾病类型。

11.根据权利要求1至10任意一项所述的方法，其特征在于，所述体征信息包括所述目标用户在医疗机构检查得到的至少一个体征参数的参数值。

12.一种信息处理装置，其特征在于，包括：

获取模块，用于获取目标用户的体征信息；其中，所述目标用户的体征信息是由信息被隔离方提供的；

确定模块，用于利用分类模型对所述体征信息进行特征提取，得到所述分类模型输出的目标结果；其中，所述分类模型是基于信息隔离方提供的样本用户的样本体征信息进行训练得到的。

13.根据权利要求12所述的装置，其特征在于，所述装置还包括：

预处理模块，用于对所述体征信息进行预处理，得到预处理后的所述体征信息；

所述确定模块，具体用于利用所述分类模型对预处理后的所述体征信息进行特征提取，得到所述分类模型输出的目标结果。

14.根据权利要求13所述的装置，其特征在于，所述预处理模块，具体用于对所述体征信息进行筛选，得到筛选后的体征信息；对所述筛选后的体征信息进行特征处理，得到预处理后的所述体征信息。

15.根据权利要求14所述的装置，其特征在于，所述预处理模块，具体用于判断所述筛选后的体征信息是否满足预设的体征条件，得到判断结果；基于所述判断结果生成预处理后的所述体征信息。

16.根据权利要求15所述的装置，其特征在于，所述体征信息包括第一体征参数；所述预设的体征条件包括：

所述第一体征参数的参数值大于预设的参数值；或者，

所述第一体征参数的参数值小于或等于预设的参数值；或者，

所述第一体征参数的参数值在预设的参数值区间。

17.根据权利要求14所述的装置，其特征在于，所述体征信息包括第二体征参数；所述预处理模块，具体用于对所述筛选后的体征信息中的第二体征参数进行编码转换，生成新的体征参数；和/或，根据所述筛选后的体征信息中多个第二体征参数之间的相互作用关系，生成新的体征参数。

18.根据权利要求12至17任意一项所述的装置，其特征在于，所述确定模块，具体用于利用分类模型对所述体征信息进行特征提取，得到所述目标用户患有的疾病类型。

19.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至11中任意一项所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至11中任意一项所述的方法。

Images