CN112115322A - 用户分群方法、装置、电子设备及存储介质 - Google Patents
用户分群方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112115322A CN112115322A CN202011021840.8A CN202011021840A CN112115322A CN 112115322 A CN112115322 A CN 112115322A CN 202011021840 A CN202011021840 A CN 202011021840A CN 112115322 A CN112115322 A CN 112115322A
- Authority
- CN
- China
- Prior art keywords
- clustering
- user
- sample data
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 92
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 7
- 238000011282 treatment Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 108091005995 glycated hemoglobin Proteins 0.000 description 2
- 230000002218 hypoglycaemic effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种用户分群方法,包括:从数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据;对预构建的分群预测模型进行训练,得到所述样本数据的输出结果;基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数;根据所述优化损失函数,对所述用户分群模型进行训练,得到优化用户分群模型;利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果通过显示屏幕输出。本发明还涉及区块链技术,回访数据可存储于区块链中。本发明还揭露一种用户分群装置、电子设备及计算机可读存储介质。本发明可以提高用户分群的效率和可扩展性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种用户分群方法、装置、电子设备及计算机可读存储介质。
背景技术
不同的用户具有不同的年龄、性别等差异,因此,对不同用户的服务方式或者策略也不尽相同。例如,不同的患者即使患的病相同,但是治疗方法也会不一样。因此,需要把患者分成若干的子群,为每个子群制定不一样的治疗方法,达到最佳的治疗效果。
目前的用户分群方法,要么是基于知识的用户分群方法,要么是基于知识和数据的用户分群方法,这两种分群方法都需要对专业的指南知识,如专业医学知识,进行梳理,这种梳理行为需要耗费大量的人力时间,成本过高,效率较低;且这两种分群方法以指南知识为基础,而不是纯数据驱动模型,缺乏可扩展性。
发明内容
本发明提供一种用户分群方法、装置、电子设备及计算机可读存储介质,其主要目的在于提供一种可扩展、更高效的纯数据驱动的用户分群方法。
为实现上述目的,本发明提供的一种用户分群方法,所述方法应用于电子设备中,并包括:
从与所述电子设备通讯连接的数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据;
利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果;
基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数;
根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型;
利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果通过所述电子设备的显示屏幕输出。
可选地,所述将所述回访数据进行整理,得到样本数据,包括:
将所述回访数据按照时间顺序进行排序,得到初始样本数据;
将所述初始样本数据中的指标数据转化为多维特征向量,得到样本数据。
可选地,所述利用所述样本数据对预构建的分群预测模型进行训练,包括:
利用所述分群预测模型对所述样本数据执行分群操作,得到多个分群方案的预测概率值;
计算所述预测概率值与标准分群结果的交叉熵损失函数,得到损失值;
根据损失函数对所述分群预测模型的参数进行修改,并利用修改后的分群预测模型重新对所述样本数据执行分群操作,直到预设的停止条件达到。
可选地,所述基于所述输出结果对预构建的用户分群模型的损失函数进行调整,包括:
修改所述损失函数中分群方案的选择方法;
在所述损失函数中增加预设惩罚项。
可选地,所述修改所述损失函数中分群方案的选择方法,包括:
将所述选择方法修改为如下函数:
其中,a″′是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案的Q值,A′DNN是所述分群预测模型输入样本数据s′时输出的预测概率值最高的n种分群方案,n为预设常数。
可选地,所述优化损失函数包括:
L=R+Q(s′,a″′)-Q(s,a)+P(s)
其中,s是当前样本数据;a是当前分群方案;s′是当前样本数据的下一个样本数据;a″′是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;Q(s′,a″′)是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案a″′的Q值;R是样本数据s的奖励;P(s)是惩罚值。
可选地,所述利用所述优化用户分群模型对待分群用户数据进行分群,得到分群方案,包括:
将所述待分群用户数据输入至所述优化用户分群模型中;
利用所述优化用户分群模型输出所述待分群用户数据的各个分群方案及各个分群方案对应的预期奖励值;
选择预期奖励值最大的分群方案作为所述待分群用户数据的分群结果。
为了解决上述问题,本发明还提供一种用户分群装置,所述装置包括:
样本数据获取模块,用于从与所述电子设备通讯连接的数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据;
分群预测模型训练模块,用于利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果;
损失函数改进模块,用于基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数;
用户分群模型训练模块,根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型;
分群模块,用于利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果通过所述电子设备的显示屏幕输出。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序指令;及
处理器,执行所述存储器中存储的计算机程序指令以实现上述中任意一项所述的用户分群方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行以实现上述中任意一项所述的用户分群方法。
本发明实施例收集大量的回访数据作为样本数据,有利于后续对分群模型进行优化;利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果,利用分群预测模型进行分群预测,提高了工作效率;基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数,通过改进损失函数,限制用户分群模型采取专家最可能决策的分群方案,提高分群方案的准确性;根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型,利用收集的样本数据进行训练,没有浪费收集的数据信息,提高了数据利用率;利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,减少了大量的人力劳动,且所述优化用户分群模型可扩展性强,便于后续进行扩展。因此本发明提出的用户分群方法、装置及计算机可读存储介质,可以实现更高效的、可扩展的、纯数据驱动的用户分群的目的。
附图说明
图1为本发明一实施例提供的用户分群方法的流程示意图;
图2为本发明一实施例提供的样本数据生成方法的流程示意图;
图3为本发明一实施例提供的模型训练方法的流程示意图;
图4为本发明一实施例提供的损失函数改进方法的流程示意图;
图5为本发明一实施例提供的优化用户分群模型生成方法的流程示意图;
图6为本发明一实施例提供的分群方法的流程示意图;
图7为本发明一实施例提供的用户分群装置的模块示意图;
图8为本发明一实施例提供的实现用户分群方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供的用户分群方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述用户分群方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的用户分群方法的流程示意图。在本实施例中,所述用户分群方法包括:
S1、从数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据。
本发明实施例中,所述数据库与执行本方案所述用户分群方法的电子设备通讯连接。
较佳地,本发明其中一个实施例中,所述用户为曾经患过病的患者,因此,所述用户的回访数据包括多个患者的长期随访记录,内容包括但不限于,人口统计学信息、检验检查指标、用药史、专家开药等指标数据。其中,所述专家开药可认为是专家分群,作为用户分群的标准分群结果。
本发明实施例中,所述回访数据可以从医疗平台的数据库中获取,为了保证上述回访数据的私密和安全性,上述回访数据也可以从预设的区块链节点中获取。
详细地,参阅图2所示,所述将所述回访数据进行整理,得到样本数据,包括:
S10、将所述回访数据按照时间顺序进行排序,得到初始样本数据;
S11、将所述初始样本数据中的指标数据转化为多维特征向量,得到样本数据。
S2、利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果。
较佳地,本发明中所述分群预测模型是用于预测多分类问题的深度神经网络(Deep Neural Networks,DNN)模型。其中,所述DNN模型包括输入层、隐藏层、输出层和softmax函数。所述输入层用于接收数据;所述隐藏层用于对所述数据进行计算以及增强模型的分类能力;所述输出层包括多个输出结点,每个输出结点输出该结点对应类别的得分,所述softmax函数用于把所述输出得分换算为概率值。
进一步地,对于所述预构建的分群预测模型,需要对所述分群预测模型进行训练,提高所述分群预测模型的准确率。
详细地,参阅图3所示,所述利用所述样本数据对预构建的分群预测模型进行训练,包括:
S20、利用所述分群预测模型对所述样本数据执行分群操作,得到多个分群方案的预测概率值;
S21、计算所述预测概率值与标准分群结果的交叉熵损失函数,得到损失值;
S22、根据损失函数对所述分群预测模型的参数进行修改,并利用修改后的分群预测模型重新对所述样本数据执行分群操作,直到预设的停止条件达到。
其中,所述预设的停止条件是指所述损失值不再下降。
本发明实施例中所述交叉熵损失函数,包括:
其中,H(p,q)是损失函数值,n是分群方案总数,p(xi)是第i个分群方案的真实概率值,q(xi)是第i个分群方案的预测概率值。
进一步地,本发明实施例将所述样本数据输入至训练完成的分群预测模型,得到所述样本数据的输出结果。
S3、基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数。
优选地,所述预构建的用户分群模型是基于深度强化学习算法的DQN(Deep Q-learning,深度Q值学习)模型,可以优化序列决策问题的长期目标。
较佳地,所述DQN模型的输入为state,输出为各个action对应的Q(预期奖励)值,reward参与训练以优化模型对action的选择。本发明较佳实施例中,所述用户分群模型的输入state为所述样本数据,action为分群方案的独特编码,reward(奖励)根据患病种类不同而不同,以糖尿病为例,reward=-(用户下次回访是否发生并发症)-(用户下次回访是否发生低血糖事件)+(用户下次回访糖化血红蛋白是否达标)。
本发明实施例中所述损失函数如下:
L=R+Q(s′,a″)-Q(s,a)
其中,s是当前样本数据;a是当前分群方案;s′是当前样本数据的下一个样本数据;a″是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;Q(s′,a″)是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案a″的Q值;R是样本数据s的reward(奖励)。
优选地,为了使所述用户分群模型的分群结果尽可能靠近专家分群结果,提高分群结果的可信度,需要对所述损失函数进行改进。
详细地,参阅图4所示,所述基于所述输出结果对预构建的用户分群模型的损失函数进行改进,包括:
S30、修改所述损失函数中分群方案的选择方法;
S31、在所述损失函数中增加预设惩罚项。
进一步地,所述修改所述损失函数中分群方案的选择方法,包括:
将所述选择方法修改为如下函数:
其中,a″′是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案的Q值,A′DNN是所述分群预测模型输入样本数据s′时输出的预测概率值最高的n种分群方案,n为预设常数,可取值为所有分群方案总数的1/3。
进一步地,所述预设惩罚项是当前分群方案高出专家分群方案的惩罚项,包括:
其中,P(s)是惩罚值;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;ADNN是所述分群预测模型输入样本数据s时输出的预测概率值最高的n种分群方案,n为预设常数,可取值为所有分群方案总数的1/3;是所述用户分群模型在输入为样本数据s时,输出的所有分群方案属于ADNN的Q值的平均值。
详细地,本发明实施例通过上述步骤对所述损失函数进行改进,得到优化损失函数。进一步地,所述优化损失函数包括:
L=R+Q(s′,a″′)-Q(s,a)+P(s)
其中,s是当前样本数据;a是当前分群方案;s′是当前样本数据的下一个样本数据;a″′是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;Q(s′,a″′)是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案a″′的Q值;R是样本数据s的reward(奖励);P(s)是惩罚值。
优选地,本发明只使用了纯数据的模型,但在模型训练过程中通过改进损失函数限制了模型倾向采取专家最可能决策的分群方案,提高分群方案的可信度。
S4、根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型。
详细地,参阅图5所示,所述S4包括:
S40、将所述样本数据输入至所述用户分群模型中,得到训练结果;
S41、利用所述优化损失函数计算所述训练结果的损失值;
S42、将所述损失值与预设的损失阈值进行比较;
S43、在所述损失值大于或等于所述损失阈值时,调整所述用户分群模型的参数,并返回S40,重新进行训练,得到训练结果;
S44、当所述损失值小于所述损失阈值时,得到所述优化用户分群模型。
优选地,本发明利用了收集的大量用户回访数据进行训练学习,数据利用率较高。
S5、利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果输出。
详细地,参阅图6所示,所述利用所述优化用户分群模型对待分群用户数据进行分群,得到分群方案,包括:
S50、将所述待分群用户数据输入至所述优化用户分群模型中;
S51、利用所述优化用户分群模型输出所述待分群用户数据的各个分群方案及各个分群方案对应的预期奖励值(Q值);
S52、选择预期奖励值(Q值)最大的分群方案作为所述待分群用户数据的分群结果。
较佳地,本发明较佳实施例通过所述优化用户分群模型对患者进行分群,得到的分群结果可以帮助医生快速了解患者的治疗情况,以便进行下一步的治疗方案。
本发明实施例收集大量的回访数据作为样本数据,有利于后续对分群模型进行优化;利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果,利用分群预测模型进行分群预测,提高了工作效率;基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数,通过改进损失函数,限制用户分群模型采取专家最可能决策的分群方案,提高分群方案的准确性;根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型,利用收集的样本数据进行训练,没有浪费收集的数据信息,提高了数据利用率;利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,减少了大量的人力劳动,且所述优化用户分群模型可扩展性强,便于后续进行扩展。因此本发明提出的用户分群方法、装置及计算机可读存储介质,可以实现更高效的、可扩展的、纯数据驱动的用户分群的目的。
如图7所示,是本发明用户分群装置的功能模块图。
本发明所述用户分群装置100可以安装于电子设备中。根据实现的功能,所述用户分群装置100可以包括样本数据获取模块101、分群预测模型训练模块102、损失函数改进模块103、用户分群模型训练模块104和分群模块105。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述样本数据获取模块101,用于从数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据。
较佳地,本发明其中一个实施例中,所述用户为曾经患过病的患者,因此,所述用户的回访数据包括多个患者的长期随访记录,内容包括但不限于,人口统计学信息、检验检查指标、用药史、专家开药等指标数据。其中,所述专家开药可认为是专家分群,作为用户分群的标准分群结果。
本发明实施例中,所述回访数据可以从医疗平台的数据库中获取,为了保证上述回访数据的私密和安全性,上述回访数据也可以从预设的区块链节点中获取。
详细地,在将所述回访数据进行整理,得到样本数据时,所述样本数据获取模块101具体执行下述操作:
将所述回访数据按照时间顺序进行排序,得到初始样本数据;
将所述初始样本数据中的指标数据转化为多维特征向量,得到样本数据。
所述分群预测模型训练模块102,用于利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果。
较佳地,本发明中所述分群预测模型是用于预测多分类问题的深度神经网络(Deep Neural Networks,DNN)模型。其中,所述DNN模型包括输入层、隐藏层、输出层和softmax函数。所述输入层用于接收数据;所述隐藏层用于对所述数据进行计算以及增强模型的分类能力;所述输出层包括多个输出结点,每个输出结点输出该结点对应类别的得分,所述softmax函数用于把所述输出得分换算为概率值。
进一步地,对于所述预构建的分群预测模型,需要对所述分群预测模型进行训练,提高所述分群预测模型的准确率。
详细地,在利用所述样本数据对预构建的分群预测模型进行训练时,所述分群预测模型训练模块102具体执行下述操作:
利用所述分群预测模型对所述样本数据执行分群操作,得到多个分群方案的预测概率值;
计算所述预测概率值与标准分群结果的交叉熵损失函数,得到损失值;
根据损失函数对所述分群预测模型的参数进行修改,并利用修改后的分群预测模型重新对所述样本数据执行分群操作,直到预设的停止条件达到。
其中,所述预设的停止条件是指所述损失值不再下降。
本发明实施例中所述交叉熵损失函数,包括:
其中,H(p,q)是损失函数值,n是分群方案总数,p(xi)是第i个分群方案的真实概率值,q(xi)是第i个分群方案的预测概率值。
进一步地,本发明实施例将所述样本数据输入至训练完成的分群预测模型,得到所述样本数据的输出结果。
所述损失函数改进模块103,用于基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数。
优选地,所述预构建的用户分群模型是基于深度强化学习算法的DQN(Deep Q-learning,深度Q值学习)模型,可以优化序列决策问题的长期目标。
较佳地,所述DQN模型的输入为state,输出为各个action对应的Q(预期奖励)值,reward参与训练以优化模型对action的选择。本发明较佳实施例中,所述用户分群模型的输入state为所述样本数据,action为分群方案的独特编码,reward(奖励)根据患病种类不同而不同,以糖尿病为例,reward=-(用户下次回访是否发生并发症)-(用户下次回访是否发生低血糖事件)+(用户下次回访糖化血红蛋白是否达标)。
本发明实施例中所述损失函数如下:
L=R+Q(s′,a″)-Q(s,a)
其中,s是当前样本数据;a是当前分群方案;s′是当前样本数据的下一个样本数据;a″是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;Q(s′,a″)是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案a″的Q值;R是样本数据s的reward(奖励)。
优选地,为了使所述用户分群模型的分群结果尽可能靠近专家分群结果,提高分群结果的可信度,需要对所述损失函数进行改进。
详细地,所述基于所述输出结果对预构建的用户分群模型的损失函数进行改进,包括:
修改所述损失函数中分群方案的选择方法;
在所述损失函数中增加预设惩罚项。
进一步地,所述修改所述损失函数中分群方案的选择方法,包括:
将所述选择方法修改为如下函数:
其中,a″′是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案的Q值,A′DNN是所述分群预测模型输入样本数据s′时输出的预测概率值最高的n种分群方案,n为预设常数,可取值为所有分群方案总数的1/3。
进一步地,所述预设惩罚项是当前分群方案高出专家分群方案的惩罚项,包括:
其中,P(s)是惩罚值;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;ADNN是所述分群预测模型输入样本数据s时输出的预测概率值最高的n种分群方案,n为预设常数,可取值为所有分群方案总数的1/3;是所述用户分群模型在输入为样本数据s时,输出的所有分群方案属于ADNN的Q值的平均值。
详细地,本发明实施例通过上述步骤对所述损失函数进行改进,得到优化损失函数。进一步地,所述优化损失函数包括:
L=R+Q(s′,a″′)-Q(s,a)+P(s)
其中,s是当前样本数据;a是当前分群方案;s′是当前样本数据的下一个样本数据;a″′是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;Q(s′,a″′)是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案a″′的Q值;R是样本数据s的reward(奖励);P(s)是惩罚值。
优选地,本发明只使用了纯数据的模型,但在模型训练过程中通过改进损失函数限制了模型倾向采取专家最可能决策的分群方案,提高分群方案的可信度。
所述用户分群模型训练模块104,用于根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型。
详细地,所述用户分群模型训练模块104具体用于:
将所述样本数据输入至所述用户分群模型中,得到训练结果;
利用所述优化损失函数计算所述训练结果的损失值;
将所述损失值与预设的损失阈值进行比较;
在所述损失值大于或等于所述损失阈值时,调整所述用户分群模型的参数,并重新进行训练,得到训练结果;
当所述损失值小于所述损失阈值时,得到所述优化用户分群模型。
优选地,本发明利用了收集的大量用户回访数据进行训练学习,数据利用率较高。
所述分群模块105,用于利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果输出。
详细地,在利用所述优化用户分群模型对待分群用户数据进行分群,得到分群方案,所述分群模块105具体执行下述操作:
将所述待分群用户数据输入至所述优化用户分群模型中;
利用所述优化用户分群模型输出所述待分群用户数据的各个分群方案及各个分群方案对应的预期奖励值(Q值);
选择预期奖励值(Q值)最大的分群方案作为所述待分群用户数据的分群结果。
较佳地,本发明较佳实施例通过所述优化用户分群模型对患者进行分群,得到的分群结果可以帮助医生快速了解患者的治疗情况,以便进行下一步的治疗方案。
如图8所示,是本发明实现用户分群方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如用户分群程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如用户分群程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行用户分群程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图8仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图8示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的用户分群程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
从与所述电子设备通讯连接的数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据;
利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果;
基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数;
根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型;
利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果通过所述电子设备的显示屏幕输出。
进一步地,所述电子设备1集成的模块/单元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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种用户分群方法,其特征在于,所述方法应用于电子设备中,并包括:
从与所述电子设备通讯连接的数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据;
利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果;
基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数;
根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型;
利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果通过所述电子设备的显示屏幕输出。
2.如权利要求1所述的用户分群方法,其特征在于,所述将所述回访数据进行整理,得到样本数据,包括:
将所述回访数据按照时间顺序进行排序,得到初始样本数据;
将所述初始样本数据中的指标数据转化为多维特征向量,得到样本数据。
3.如权利要求1所述的用户分群方法,其特征在于,所述利用所述样本数据对预构建的分群预测模型进行训练,包括:
利用所述分群预测模型对所述样本数据执行分群操作,得到多个分群方案的预测概率值;
计算所述预测概率值与标准分群结果的交叉熵损失函数,得到损失值;
根据损失函数对所述分群预测模型的参数进行修改,并利用修改后的分群预测模型重新对所述样本数据执行分群操作,直到预设的停止条件达到。
4.如权利要求1所述的用户分群方法,其特征在于,所述基于所述输出结果对预构建的用户分群模型的损失函数进行调整,包括:
修改所述损失函数中分群方案的选择方法;
在所述损失函数中增加预设惩罚项。
6.如权利要求5所述的用户分群方法,其特征在于,所述优化损失函数包括:
L=R+Q(s′,a″′)-Q(s,a)+P(s)
其中,s是当前样本数据;a是当前分群方案;s′是当前样本数据的下一个样本数据;a″′是样本数据s′输入所述用户分群模型后,输出的最大Q值对应的分群方案;Q(s,a)是所述用户分群模型在输入为样本数据s时,输出的对应分群方案a的Q值;Q(s′,a″′)是所述用户分群模型在输入为样本数据s′时,输出的对应分群方案a″′的Q值;R是样本数据s的奖励;P(s)是惩罚值。
7.如权利要求1至6中任意一项所述的用户分群方法,其特征在于,所述利用所述优化用户分群模型对待分群用户数据进行分群,得到分群方案,包括:
将所述待分群用户数据输入至所述优化用户分群模型中;
利用所述优化用户分群模型输出所述待分群用户数据的各个分群方案及各个分群方案对应的预期奖励值;
选择预期奖励值最大的分群方案作为所述待分群用户数据的分群结果。
8.一种用户分群装置,其特征在于,所述装置包括:
样本数据获取模块,用于从与所述电子设备通讯连接的数据库中获取用户的回访数据,并将所述回访数据进行整理,得到样本数据;
分群预测模型训练模块,用于利用所述样本数据对预构建的分群预测模型进行训练,并利用训练完成的所述分群预测模型得到所述样本数据的输出结果;
损失函数改进模块,用于基于所述输出结果对预构建的用户分群模型的损失函数进行调整,得到优化损失函数;
用户分群模型训练模块,根据所述优化损失函数,利用所述样本数据对所述用户分群模型进行训练,得到优化用户分群模型;
分群模块,用于利用所述优化用户分群模型对待分群用户数据进行分群,得到分群结果,并将所述分群结果通过所述电子设备的显示屏幕输出。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个计算机程序指令;及
处理器,执行所述存储器中存储的计算机程序指令以执行如权利要求1至7中任一项所述的用户分群方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的用户分群方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021840.8A CN112115322B (zh) | 2020-09-25 | 2020-09-25 | 用户分群方法、装置、电子设备及存储介质 |
PCT/CN2021/096532 WO2022062449A1 (zh) | 2020-09-25 | 2021-05-27 | 用户分群方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011021840.8A CN112115322B (zh) | 2020-09-25 | 2020-09-25 | 用户分群方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115322A true CN112115322A (zh) | 2020-12-22 |
CN112115322B CN112115322B (zh) | 2024-05-07 |
Family
ID=73796783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011021840.8A Active CN112115322B (zh) | 2020-09-25 | 2020-09-25 | 用户分群方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112115322B (zh) |
WO (1) | WO2022062449A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112346A (zh) * | 2021-04-30 | 2021-07-13 | 平安普惠企业管理有限公司 | 用户分类方法、装置、电子设备及存储介质 |
WO2022062449A1 (zh) * | 2020-09-25 | 2022-03-31 | 平安科技(深圳)有限公司 | 用户分群方法、装置、电子设备及存储介质 |
CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
WO2023050668A1 (zh) * | 2021-09-30 | 2023-04-06 | 平安科技(深圳)有限公司 | 基于因果推断的分群模型构建方法和医疗数据处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447685A (zh) * | 2018-09-26 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 基于机器学习的产品数据推送方法、装置和计算机设备 |
KR20190101043A (ko) * | 2018-02-22 | 2019-08-30 | 한국과학기술원 | 동적인 피쳐 획득과 분류를 위한 공동 학습 프레임워크 |
CN111062491A (zh) * | 2019-12-13 | 2020-04-24 | 周世海 | 一种基于强化学习的智能体探索未知环境方法 |
CN111091710A (zh) * | 2019-12-18 | 2020-05-01 | 上海天壤智能科技有限公司 | 交通信号控制方法、系统及介质 |
CN111651220A (zh) * | 2020-06-04 | 2020-09-11 | 上海电力大学 | 一种基于深度强化学习的Spark参数自动优化方法及系统 |
CN111666494A (zh) * | 2020-05-13 | 2020-09-15 | 平安科技(深圳)有限公司 | 分群决策模型生成、分群处理方法、装置、设备及介质 |
CN111683010A (zh) * | 2020-05-26 | 2020-09-18 | 广东省电信规划设计院有限公司 | 基于光缆网光路的双路由的生成方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364131A (zh) * | 2018-02-09 | 2018-08-03 | 合不合(厦门)网络科技有限公司 | 利用类神经网络进行人格类型的自动识别与分群的方法 |
CN110473147A (zh) * | 2018-05-09 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 一种视频去模糊方法和装置 |
CN109086787B (zh) * | 2018-06-06 | 2023-07-25 | 平安科技(深圳)有限公司 | 用户画像获取方法、装置、计算机设备以及存储介质 |
CN111199240A (zh) * | 2018-11-16 | 2020-05-26 | 马上消费金融股份有限公司 | 银行卡识别模型的训练方法、银行卡识别方法以及装置 |
CN109451523B (zh) * | 2018-11-23 | 2021-09-17 | 南京邮电大学 | 基于流量识别技术和q学习的快速切换方法 |
CN110706303B (zh) * | 2019-10-15 | 2021-05-11 | 西南交通大学 | 基于GANs的人脸图像生成方法 |
CN112115322B (zh) * | 2020-09-25 | 2024-05-07 | 平安科技(深圳)有限公司 | 用户分群方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-25 CN CN202011021840.8A patent/CN112115322B/zh active Active
-
2021
- 2021-05-27 WO PCT/CN2021/096532 patent/WO2022062449A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190101043A (ko) * | 2018-02-22 | 2019-08-30 | 한국과학기술원 | 동적인 피쳐 획득과 분류를 위한 공동 학습 프레임워크 |
CN109447685A (zh) * | 2018-09-26 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 基于机器学习的产品数据推送方法、装置和计算机设备 |
CN111062491A (zh) * | 2019-12-13 | 2020-04-24 | 周世海 | 一种基于强化学习的智能体探索未知环境方法 |
CN111091710A (zh) * | 2019-12-18 | 2020-05-01 | 上海天壤智能科技有限公司 | 交通信号控制方法、系统及介质 |
CN111666494A (zh) * | 2020-05-13 | 2020-09-15 | 平安科技(深圳)有限公司 | 分群决策模型生成、分群处理方法、装置、设备及介质 |
CN111683010A (zh) * | 2020-05-26 | 2020-09-18 | 广东省电信规划设计院有限公司 | 基于光缆网光路的双路由的生成方法及装置 |
CN111651220A (zh) * | 2020-06-04 | 2020-09-11 | 上海电力大学 | 一种基于深度强化学习的Spark参数自动优化方法及系统 |
Non-Patent Citations (2)
Title |
---|
TODD HESTER ET AL: "Deep Q-Learning from Demonstrations", 《THE THIRTY-SECOND AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE (AAAI-18)》, pages 3223 - 3229 * |
ZHIHAO SHEN ET AL: "DeepAPP: a deep reinforcement learning framework for mobile application usage prediction", 《SENSYS ’19》, 13 November 2019 (2019-11-13), pages 1 - 14 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022062449A1 (zh) * | 2020-09-25 | 2022-03-31 | 平安科技(深圳)有限公司 | 用户分群方法、装置、电子设备及存储介质 |
CN113112346A (zh) * | 2021-04-30 | 2021-07-13 | 平安普惠企业管理有限公司 | 用户分类方法、装置、电子设备及存储介质 |
WO2023050668A1 (zh) * | 2021-09-30 | 2023-04-06 | 平安科技(深圳)有限公司 | 基于因果推断的分群模型构建方法和医疗数据处理方法 |
CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022062449A1 (zh) | 2022-03-31 |
CN112115322B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115322B (zh) | 用户分群方法、装置、电子设备及存储介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN114420279A (zh) | 一种医疗资源推荐方法、装置、设备及存储介质 | |
CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN116483976A (zh) | 挂号科室推荐方法、装置、设备及存储介质 | |
CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
CN112214602B (zh) | 基于幽默度的文本分类方法、装置、电子设备及存储介质 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN111667340A (zh) | 基于大数据的目标物推荐方法、装置及计算机可读存储介质 | |
CN116521867A (zh) | 文本聚类方法、装置、电子设备及存储介质 | |
CN116719891A (zh) | 中医信息分组聚类方法、装置、设备及计算机存储介质 | |
CN116720525A (zh) | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 | |
CN116504317A (zh) | 疾病与基因关系预测方法、装置、电子设备及介质 | |
CN113436743B (zh) | 基于表示学习的多结局疗效预测方法、装置及存储介质 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN112232408B (zh) | 目标推荐方法、装置、电子设备及计算机可读存储介质 | |
CN112259254B (zh) | 基于交互反馈的病例搜索方法、装置及可读存储介质 | |
CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
CN116188049B (zh) | 基于链式分析的潜在用户挖掘方法及装置 | |
CN114968412B (zh) | 基于人工智能的配置文件生成方法、装置、设备及介质 | |
CN116522105B (zh) | 基于云计算的数据一体化搭建的方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40040611 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |