CN112617832A - 一种心理状态判别方法及装置 - Google Patents

一种心理状态判别方法及装置 Download PDF

Info

Publication number
CN112617832A
CN112617832A CN202011232194.XA CN202011232194A CN112617832A CN 112617832 A CN112617832 A CN 112617832A CN 202011232194 A CN202011232194 A CN 202011232194A CN 112617832 A CN112617832 A CN 112617832A
Authority
CN
China
Prior art keywords
psychological state
information
training
state discrimination
psychological
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
CN202011232194.XA
Other languages
English (en)
Inventor
成晨
郝若晶
程新洲
韩玉辉
晁昆
张涛
赫欣
夏蕊
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011232194.XA priority Critical patent/CN112617832A/zh
Publication of CN112617832A publication Critical patent/CN112617832A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请实施例提供一种心理状态判别方法及装置，涉及计算机技术领域，解决了现有的大学生心理健康服务费时费力，效率较低的技术问题。心理状态判别方法包括：心理状态判别装置首先获取终端在第一预设时间段内的特征信息，然后将特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数。后续，若心理状态分数满足预设值，则心理状态判别装置发出告警信息。其中，特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个。心理状态分数用于表示终端的用户的心理状态是否异常。告警信息用于指示用户的心理状态异常。

Description

一种心理状态判别方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种心理状态判别方法及装置。
背景技术
大学生心理健康问题在当今已经成为一个广泛的社会问题。大学生作为社会生活中活跃而敏感的特殊群体，处于生理、心理都经历着巨大变化的青年时期，心理健康问题较其他人群更为突出。
然而，大学生的心理健康服务还停留在“被动”模式，主要通过传统问卷发放方式或学生向心理健康咨询中心咨询或到医院就诊发现心理异动个体。但由于人力物力所限，现有的大学生心理健康服务费时费力，效率较低。
发明内容
本申请提供一种心理状态判别方法及装置，解决了现有的大学生心理健康服务费时费力，效率较低的技术问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，提供一种心理状态判别方法，包括：心理状态判别装置首先获取终端在第一预设时间段内的特征信息，然后将特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数。后续，若心理状态分数满足预设值，则心理状态判别装置发出告警信息。其中，特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个。心理状态分数用于表示终端的用户的心理状态是否异常。告警信息用于指示用户的心理状态异常。
由上可知，心理状态判别装置可以根据终端在第一预设时间段内的特征信息和预先训练好的心理状态判别模型，快速确定用户心理状态分数，并在心理状态分数满足预设值，则心理状态判别装置发出告警信息，提高了心理状态判别的效率，解决了现有的大学生心理健康服务费时费力，效率较低的技术问题。
第二方面，提供一种心理状态判别装置，包括：获取单元、确定单元和输出单元；获取单元，用于获取终端在第一预设时间段内的特征信息；特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个；确定单元，用于将获取单元获取到的特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数，心理状态分数用于表示终端的用户的心理状态是否异常；输出单元，用于若确定单元确定的心理状态分数满足预设值，则发出告警信息；告警信息用于指示用户的心理状态异常。
第三方面，提供一种心理状态判别装置，包括存储器和处理器。存储器用于存储计算机执行指令，处理器与存储器通过总线连接。当心理状态判别装置运行时，处理器执行存储器存储的计算机执行指令，以使心理状态判别装置执行第一方面所述的心理状态判别方法。
该心理状态判别装置可以是网络设备，也可以是网络设备中的一部分装置，例如网络设备中的芯片系统。该芯片系统用于支持网络设备实现第一方面及其任意一种可能的实现方式中所涉及的功能，例如，接收、确定、分流上述心理状态判别方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。
第四方面，提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令，当计算机执行指令在计算机上运行时，使得该计算机执行第一方面所述的心理状态判别方法。
第五方面，提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如上述第一方面及其各种可能的实现方式所述的心理状态判别方法。
需要说明的是，上述计算机指令可以全部或者部分存储在第一计算机可读存储介质上。其中，第一计算机可读存储介质可以与心理状态判别装置的处理器封装在一起的，也可以与心理状态判别装置的处理器单独封装，本申请对此不作限定。
本发明中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面以及第五方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
在本申请中，上述心理状态判别装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本发明类似，属于本发明权利要求及其等同技术的范围之内。
本发明的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种通信系统的结构示意图；
图2为本申请实施例提供的一种心理状态判别装置的硬件结构示意图；
图3为本申请实施例提供的又一种心理状态判别装置的硬件结构示意图；
图4为本申请实施例提供的一种心理状态判别方法的流程示意图；
图5为本申请实施例提供的又一种心理状态判别方法的流程示意图；
图6为本申请实施例提供的又一种心理状态判别方法的流程示意图；
图7为本申请实施例提供的又一种心理状态判别方法的流程示意图；
图8为本申请实施例提供的一种心理状态判别装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
如背景技术所描述，大学生的心理健康服务还停留在“被动”模式，主要通过传统问卷发放方式或学生向心理健康咨询中心咨询或到医院就诊发现心理异动个体。但由于人力物力所限，现有的大学生心理健康服务费时费力，效率较低。
针对上述问题，本申请实施例提供了一种心理状态判别方法，心理状态判别装置可以根据终端在第一预设时间段内的特征信息和预先训练好的心理状态判别模型，快速确定用户心理状态分数，并在心理状态分数满足预设值，则心理状态判别装置发出告警信息，提高了心理状态判别的效率，解决了现有的大学生心理健康服务费时费力，效率较低的技术问题。
本申请实施例提供的心理状态判别方法适用于通信系统。图1示出了该通信系统的一种结构。如图1所示，该通信系统包括：终端11和电子设备12。
其中，电子设备12分别与终端11连接。
本申请实施例中的终端11可以为各种具有通信功能的手持设备、车载设备、可穿戴设备、计算机、智能家居设备或智能办公设备，本申请实施例对此不作任何限定。例如，手持设备可以是智能手机。车载设备可以是车载导航系统。可穿戴设备可以是智能手环。计算机可以是个人数字助理(personal digital assistant，PDA)电脑、平板型电脑以及膝上型电脑(laptop computer)。智能家居设备可以是智能窗帘、智能水表。智能办公设备可以是智能打印机。
本申请实施例中的电子设备12可以为用于对终端11对应的用户进行心理状态判别的设备，也可以为该设备中的芯片，还可以为该设备中的片上系统。
可选的，该设备可以是物理机，例如：台式电脑，又称台式机或桌面机(desktopcomputer)、手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备。
可选的，上述电子设备12也可以通过部署在物理机上的虚拟机 (virtualmachine，VM)，实现上述电子设备12所要实现的功能。
可选的，上述电子设备12可以是接入网设备，也可以是核心网设备，还可以是其他网络设备，本申请实施例对此不作限定。
当电子设备12为核心网设备时，电子设备12可以是5G非标准组网中的公用数据网网关(public data network gate way，PGW)，也可以是5G标准组网中的用户端口功能(user port function，UPF)和会话管理功能(session management function，SMF)，还可以是其他核心网中的设备，本申请实施例对此不作限定。
当电子设备12为接入网设备时，电子设备12可以为无线接入点 (access point，AP)，也可以为演进式基站(evolved node base station， eNB)，还可以为表示5G网络中的基站，本申请实施例对此不作具体限定。
图1中的终端11和电子设备12均包括图2所示心理状态判别装置所包括的元件。下面以图2所示的心理状态判别装置为例，介绍图1中的终端11和电子设备12的硬件结构。
图2示出了本申请实施例提供的心理状态判别装置的一种硬件结构示意图。如图2所示，该心理状态判别装置包括处理器21，存储器22、通信接口23、总线24。处理器21，存储器22以及通信接口23之间可以通过总线24连接。
处理器21是心理状态判别装置的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器21可以是一个通用中央处理单元(central processing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例，处理器21可以包括一个或多个CPU，例如图2中所示的CPU 0和CPU 1。
存储器22可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
一种可能的实现方式中，存储器22可以独立于处理器21存在，存储器22可以通过总线24与处理器21相连接，用于存储指令或者程序代码。处理器21调用并执行存储器22中存储的指令或程序代码时，能够实现本发明实施例提供的心理状态判别方法。
另一种可能的实现方式中，存储器22也可以和处理器21集成在一起。
通信接口23，用于与其他设备通过通信网络连接。所述通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks， WLAN)等。通信接口23可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。
总线24，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
需要指出的是，图2示出的结构并不构成对该心理状态判别装置的限定。除图2所示部件之外，该心理状态判别装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
图3示出了本申请实施例中心理状态判别装置的另一种硬件结构。如图3所示，心理状态判别装置可以包括处理器31以及通信接口32。处理器31与通信接口32耦合。
处理器31的功能可以参考上述处理器21的描述。此外，处理器31 还具备存储功能，可以参考上述存储器22的功能。
通信接口32用于为处理器31提供数据。该通信接口32可以是心理状态判别装置的内部接口，也可以是心理状态判别装置对外的接口(相当于通信接口23)。
需要指出的是，图2(或图3)中示出的结构并不构成对心理状态判别装置的限定，除图2(或图3)所示部件之外，该心理状态判别装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合上述图1示出的通信系统和上述图2(或图3)示出的心理状态判别装置，对本申请实施例提供的心理状态判别方法进行详细介绍。
本申请实施例提供的心理状态判别方法包括：心理状态判别装置根据第二预设时间段内多个训练终端的特征信息和预设的鸟群觅食算法，训练得到心理状态判别模型的流程(简称为“心理状态判别模型训练流程”)和心理状态判别装置根据心理状态判别模型，对第一预设时间段内的用户的心理状态进行判别的流程(简称为“心理状态判别流程”)。
需要说明的是，第二预设时间段位于第一预设时间段之前。
下面先对“心理状态判别模型训练流程”进行描述。
如图4所示，“心理状态判别模型训练流程”包括：S401-S402。
S401、获取第二预设时间段内的多个特征信息。
其中，每个特征信息唯一对应一个终端。
心理状态判别装置获取第二预设时间段内的多个训练终端的特征信息。
具体的，心理状态判别装置获取多个训练终端在第二预设时间段内的详细记录(abbreviation of detailed record，DR)数据，并根据获取到的每个训练终端的DR数据，确定相应的训练终端的特征信息。其中， DR数据包括：语音呼叫业务的详细记录数据、数据业务的详细记录数据或者事务详细记录数据中的至少一个。
上述训练终端的语音呼叫业务的详细记录数据包括：训练终端的语音业务开始时间、训练终端的语音业务结束时间、训练终端为主叫或者被叫或者训练终端所在基站小区标识中的至少一项。
可选的，心理状态判别装置可以从基站的IUCS接口，获取训练终端的语音业务开始时间、训练终端为主叫或者被叫、训练终端的语音业务结束时间或者训练终端所在基站小区标识中的至少一项。
训练终端的数据业务的详细记录数据包括：训练终端的流量业务开始时间、训练终端的流量业务结束时间、训练终端使用应用程序 (application，APP)的类别、训练终端使用APP的名称、训练终端的上行流量、训练终端的下行流量或者训练终端所在基站小区标识中的至少一项。
可选的，心理状态判别装置可以从基站的S1U-HTTP接口，获取训练终端的流量业务开始时间、训练终端的流量业务结束时间、训练终端使用APP的类别、训练终端使用APP的名称、训练终端的上行流量、训练终端的下行流量或者训练终端所在基站小区标识中的至少一项。
训练终端的事务详细记录数据包括：训练终端的国际移动用户识别码(international mobile subscriber identity，IMSI)、训练终端的国际移动设备识别码(international mobile equipment identity， IMEI)或者训练终端的移动台国际用户识别码(mobile subscriber international ISDN number，MSISDN)中的至少一项。
可选的，心理状态判别装置可以从基站的IUCS接口和S1U-HTTP接口获取训练终端的IMSI、训练终端的IMEI或者训练终端的MSISDN中的至少一项。
可选的，心理状态判别装置还可以关联工参获得位置信息，关联业务特征库得到用户所使用的URL对应的业务类型和动作。
可选的，心理状态判别装置还可以关联教务信息，获取用户的上课时间。
对于任一训练终端而言，在获取到该训练终端在第二预设时间段内的DR数据后，心理状态判别装置根据该DR数据，确定该训练终端的特征信息。
具体的，在获取到该训练终端的语音呼叫业务的详细记录数据后，心理状态判别装置根据该语音呼叫业务的详细记录数据，确定该训练终端的语音业务信息。
训练终端的语音业务信息包括：日均通话时长、日均通话次数、工作日日均通话时长、工作日日均通话次数、双休日日均通话时长、双休日日均通话次数、工作日日间通话时长、工作日日间通话次数、工作日夜间通话时长、工作日夜间通话次数、双休日日间通话时长、双休日日间通话次数、双休日夜间通话时长、双休日夜间通话次数或者日均短信条数中的至少一项。
在获取到该训练终端的数据业务的详细记录数据后，心理状态判别装置根据该数据业务的详细记录数据构建该训练终端的数据业务流量信息和训练终端的应用程序信息。
训练终端的数据业务流量信息包括：日均上网时长、日均白天上网时长、日均夜间上网时长、上课时间的上网时长、上课时间上网时长占比、工作日白天上网时长、工作日夜间上网时长、休息日白天上网时长、休息日夜间上网时长、30天所使用app个数、日均使用app个数、日均使用app次数中的至少一项。
训练终端的应用程序信息包括：训练终端使用应用程序的偏好信息和训练终端使用应用程序的类别信息。
训练终端使用应用程序的偏好信息包括：日均使用app个数、日均使用app次数、日均流量、该类app在所有app中的日均使用个数占比、该类app在所有app中的日均使用次数占比、该类app在所有app中的日均使用流量占比、该类app日均上网时长、该类app日均白天上网时长、该类app日均夜间上网时长、该类app上课时间的上网时长、该类 app上课时间上网时长占比、该类app工作日白天上网时长、该类app 工作日夜间上网时长、该类app休息日白天上网时长、该类app休息日夜间上网时长、该类app30天所使用app个数中的至少一项。
训练终端使用应用程序的类别信息用于表示应用程度的类别。示例性的，训练终端使用应用程序的类别可以为：游戏类、社交类、视频类、网贷类等。
需要说明的是，应用程序的类别可以通过人为方式进行区分。同一个应用程序可以属于多个类别，例如：应用程序A的类别可以属于购物类，也可以属于购房类。
上述应用程序可以是安装在训练终端中的嵌入式应用程序(即训练终端的系统应用)或者可下载应用程序。其中，嵌入式应用程序是作为训练终端(如手机)实现的一部分提供的应用程序。可下载应用程序是一个可以提供自己的因特网协议多媒体子系统(internet protocol multimedia subsystem，IMS)连接的应用程序，该可下载应用程序是可以预先安装在训练终端中的应用或可以由用户下载并安装在训练终端中的第三方应用。
在获取到该训练终端的语音呼叫业务的详细记录数据和数据业务的详细记录数据后，心理状态判别装置根据该语音呼叫业务的详细记录数据和该数据业务的详细记录数据，确定该训练终端的移动轨迹信息。
训练终端的移动轨迹信息包括：工作日日间离校时长、工作日夜间离校时长、双休日日间离校时长、双休日夜间离校时长、上课时间离校时长、上课时间离校时长占比中的至少一项。
需要说明的是，本申请实施例提及的“日间”和“夜间”均用于表示一个时间段，该时间段的时长可以根据实际情况人为设定。
综上可以看出，训练终端的特征信息可以包括机型信息、语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个。
进一步地，为了提高计算的准确性，在获取到多个训练终端在第二预设时间段内的特征信息后，心理状态判别装置根据等频分箱法对获取到的特征信息进行归一化处理，以及异常值的删除。
可选的，在获取上述所有静态指标后，心理状态判别装置还可以计算该指标的上一个计算周期(即前60天-前30天)的值，以及上两个计算周期(即前90天-前60天)的值，然后得到指标的异动特征。
在获取到上述多个特征信息后，心理状态判别装置用症状自评量表 SCL90对学生进行自测，得到每个学生在躯体化、强迫症状、人际关系敏感、抑郁、焦虑、敌对、恐怖、偏执及精神病性九个维度方面的心理健康水平，也就是每个维度中，得分1、2、3、4、5的项目数及占比，作为训练集。
示例性的，该训练集如下述表1所示。
表1
Figure RE-GDA0002969284310000101
Figure RE-GDA0002969284310000111
针对不同的目标，选择不同的指标作为训练集。例如，若希望判断学生是否焦虑，则选择“焦虑类平均分是否大于3.5”作为训练集的目标。若希望判断学生是否心理健康，则选择“所有项目平均分是否大于2.5”作为训练目标。同时，也可以对上述指标进行线性或非线性计算，得到组合类的训练目标。
S402、根据第二预设时间段内多个训练终端的特征信息和预设的鸟群觅食算法，训练得到心理状态判别模型。
现有的鸟群觅食算法主要用于处理连续变量的优化问题，而本申请中的模型选择问题是离散类优化问题(-1表示不选择该特征，1表示选择该特征)，因此需要对现有的鸟群觅食算法进行修改，算法步骤如下：
粒子初始化。设共有M个特征作为备选特征，则初始化的向量有M 维。粒子在M维空间中搜索“最好的位置”，“最好的位置”由目标函数在(即适应度值)决定，设粒子群中有S个粒子，进行了t次迭代，则粒子当前的位置表示为(第i个粒子)Xi(t)＝[Xi1(t),Xi2(t),...,XiM(t)]。
其中，初始的粒子Xi(0)＝[Xi1(0),Xi2(0),…,Xim(0)]，Xi(0)被随机初始化为-1或1。
更新每个粒子。粒子的速度为Vi(t)＝[Vi1(t),Vi2(t),...,ViM(t)]。粒子的位置和速度根据其个体最好位置和全局最好位置更新，在每次迭代中，更新粒子的个体最好位置和全局最好位置。粒子个体的最好位置即该粒子本身在历次迭代中所获得的最好位置，一般用Pi(t)＝[Pi1(t),Pi2(t),...,PiM(t)]表示，对于最大优化问题，个体最好位置按照如下方式更新：
Figure RE-GDA0002969284310000112
粒子的全局最好位置即整个粒子群体搜索到的目前的最好位置，一般用G(t)＝[Pg1(t),Pg2(t),...,PgM(t)],1≤g≤M表示。全局最好位置按照如下方式更新：
Vij(t+1)＝Vij(t+1)+c1·rand·(Pij(t)-Xij(t))+c2·rand·(Gj(t)-Xij(t))(2)
Xij(t+1)＝Vij(t+1)+Xij(t)(3)
其中1≤i≤S,1≤j≤M，t表示迭代次数，c1为调节其向个体自身位置运动方向的步长，c2为调节其向全局最好位置运动的步长，rand是随机数，服从[0,1]均匀分布。通常，限制粒子速度变换的范围为
Figure RE-GDA0002969284310000121
限定粒子的位置范围为
Figure RE-GDA0002969284310000122
在达到预先设置的迭代次数前执行上述步骤，通过以上算法获得M为空间的是适应度达到最大值的解向量。
本场景中Vmax＝1。
每次迭代后，若Xi1(t)>0,则表示选择该特征作为训练需要使用的特征；反之，则不选择该特征进行训练。
鸟群觅食算法中，非支配解是指设某个最大值多目标场景中，解集为S，其中x和y是两个解，若fi(x)≥fi(y),(i＝1,2,…m)恒成立且 fi(x)＝fi(y),(i＝1,2,…m)不恒成立，则x支配y，x称为非支配解。
支配解：若fi(x)≤fi(y),(i＝1,2,…m)恒成立且fi(x)＝fi(y),(i＝1,2,…m)不恒成立，则y支配x，y称为非支配解。
Pareto最优解和最优解集：若中存在解z，它不被任何解支配，则称z为Pareto最优解。所有的Pareto最优解组成了Pareto最优解集。 Pareto最优解集是算法求解的最终目标。
可选的，结合图4，如图5所示，上述S402具体可以替换为S501-S503。
S501、获取多个目标值。
其中，多个目标值分别对应多个心理状态。
示例性的，预设多个目标分别是：目标a：抑郁类平均分是否大于 3.5；目标b：焦虑类平均分是否大于3.5。目标c：对于重点关注的学生群体(挂科学生、有心理健康问题史的学生、留级生等)，所有项目平均分是否大于2.5；目标d：对于普通的学生群体，所有项目平均分是否大于3.5。
S502、根据多个特征信息、多个目标值，和预设的鸟群觅食算法，确定多个训练模型。
其中，多个训练模型与多个目标值对应。
具体的，心理状态判别装置初始化粒子群(即多个特征信息)，其中粒子群中有S个粒子，每个粒子表示一种模型选择方式(对应多个目标值)，每个粒子是一个向量，若一共有m个特征，则粒子中有m个元素，设某个粒子初始化为Xi(0)＝[Xi1(0),Xi2(0),…,Xim(0)]，每个Xi*(0) 随机初始化为-1或1，每个Xi*表示是否选择该特征，-1表示不选择该特征，1表示选择该特征。
用初始化后的模型选择的结果分别进行机器学习学习的训练过程，采用决策树算法，得到所有的粒子，对应于目标a和目标b的目标函数值F(x)＝(TP+TN)/(TP+TN+FN+FP)，也就是F1-score值。
S503、从多个训练模型中确定心理状态判别模型。
具体的，在确定多个训练模型后，心理状态判别装置根据多目标的鸟群觅食算法进行粒子群的更新。最终得到所有的非支配解的集合。集合中的每一个粒子，就是一种模型选择方案。通过分析每一种模型选择方案，可以知道针对不同的目标，哪些特征具备强相关性，从而更好地进行学生行为的监督。
可选的，结合图5，如图6所示，上述S502具体可以替换为S601-S604。
S601、根据多个特征信息和多个目标值，确定多个适应度值。
其中，多个适应度值为多个特征信息中，每个特征信息与多个目标值之间的适应度值。
具体的，心理状态判别装置对粒子群S(对应多个特征信息)进行初始化，包括给每个粒子的每一位赋值为-1或1，并初始化每个量子粒子速度0，计算每个粒子针对于两个不同目标的适应度值。
S602、根据多个适应度值，确定多个非支配解及其等级。
其中，多个非支配解与多个适应度值对应。
具体的，心理状态判别装置把S中每个量子粒子按照适应度值赋予其非支配解等级并排序，具体方法为：首先遍历S中的每个解a，确定a 支配的解的集合Sa以及支配a的解的数目na。若na＝0，则说明a不被任何解支配，此时，令解a的非支配等级为1。然后，对于每个非支配等级为1的解a，遍历Sa中的每一个解b，并令nb＝nb-1，若nb＝0，则把解b 放入集合B，令集合B中所有解b的非支配等级为2。接着对集合B中的每一个解进行相同操作，得到的集合非支配等级是3，以此类推，直到确定所有解的非支配等级。
心理状态判别装置根据多个适应度值，确定多个非支配解及其等级的具体实现过程为：
Figure RE-GDA0002969284310000141
Figure RE-GDA0002969284310000151
S603、根据多个非支配解及其等级确定多个分散度的值。
其中，多个分散度与多个非支配解对应。
具体的，心理状态判别装置把相同非支配等级的解按照适应度值从大到小排序。计算每个解的相邻两个解的适应度值之差除以最大适应度值与最小适应度值之差(各个目标函数分别计算)，并把对于各个适应度值求得的结果求和，即得到了每个解的分散度。其中，具有最大适应度值和最小适应度值的分散度为无穷大。
然后，心理状态判别装置把非支配等级为1的解保存在数据仓库 Data中，设data容量很大，但是最终求得的Pareto最优解集中有M个解。
S604、将非支配解的等级相同的个体按照分散度的值从大到小排序，并将前M个非支配解确定为多个训练模型。
其中，M为大于1的整数。
具体的，心理状态判别装置用鸟群觅食算法进化量子粒子群，得到了新的解集Snew。
接着，心理状态判别装置把Snew和S混合，并对其进行非支配排序和分散度计算，把非支配等级相同的个体按照分散度从大到小排序，把非支配等级为1的个体加入数据仓库data中。若data中解的个数大于M，将其按照分散度排序，取前M个解。
如果t<T，则把S用Snew代替，继续用鸟群觅食算法进化量子粒子群，得到了新的解集Snew；否则，迭代终止，data即为得到的非支配解集，解集中的每一种解就是一种模型选择方法。
接下来对“心理状态判别流程”进行描述。
采用上述方法训练好心理状态判别模型之后，可以根据心理状态判别模型，对第一预设时间段内的用户的心理状态进行判别。如图7所示，包括：S701-S703。
S701、获取终端在第一预设时间段内的特征信息。
其中，特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个。
心理状态判别装置可以根据上述获取终端在第二预设时间段内的特征信息的方法，获取终端在第一预设时间段内的特征信息，具体方法在此不再赘述。
S702、将特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数。
示例性的，心理状态判别装置获取终端在2019年11月份中，连续7 天的特征信息。将上述特征信息输入到预先训练好的心理状态判别模型，目标预测模型通过训练上述特征信息，输出概率值为a。
S703、若心理状态分数满足预设值，则发出告警信息。
其中，告警信息用于指示用户的心理状态异常。
本申请实施例提供一种心理状态判别方法，包括：心理状态判别装置首先获取终端在第一预设时间段内的特征信息，然后将特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数。后续，若心理状态分数满足预设值，则心理状态判别装置发出告警信息。其中，特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个。心理状态分数用于表示终端的用户的心理状态是否异常。告警信息用于指示用户的心理状态异常。
由上可知，心理状态判别装置可以根据终端在第一预设时间段内的特征信息和预先训练好的心理状态判别模型，快速确定用户心理状态分数，并在心理状态分数满足预设值，则心理状态判别装置发出告警信息，提高了心理状态判别的效率，解决了现有的大学生心理健康服务费时费力，效率较低的技术问题。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本申请实施例可以根据上述方法示例对心理状态判别装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，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。
如图8所示，为本申请实施例提供的一种心理状态判别装置80的结构示意图。该心理状态判别装置80用于解决现有的大学生心理健康服务费时费力，效率较低的技术问题，例如用于执行图4、图5、图6或图7 所示的心理状态判别方法。该心理状态判别装置80包括：获取单元801、确定单元802和输出单元803。
获取单元801，用于获取终端在第一预设时间段内的特征信息。特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个。例如，结合图7，获取单元801用于执行S701。
确定单元802，用于将获取单元801获取到的特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数，心理状态分数用于表示终端的用户的心理状态是否异常。例如，结合图7，确定单元802用于执行S702。
输出单元803，用于若确定单元802确定的心理状态分数满足预设值，则发出告警信息。告警信息用于指示用户的心理状态异常。例如，结合图7，输出单元803用于执行S703。
可选的，心理状态判别装置还包括：训练单元804。
训练单元804，用于根据第二预设时间段内多个训练终端的特征信息和预设的鸟群觅食算法，训练得到心理状态判别模型。第二预设时间段位于第一预设时间段之前。例如，结合图4，训练单元804用于执行S402。
可选的，训练单元804，具体用于：
获取第二预设时间段内的多个特征信息，每个特征信息唯一对应一个终端。例如，结合图4、图5或图6，训练单元804用于执行S401。
获取多个目标值。多个目标值分别对应多个心理状态。例如，结合图5或图6，训练单元804用于执行S501。
根据多个特征信息、多个目标值，和预设的鸟群觅食算法，确定多个训练模型。多个训练模型与多个目标值对应。例如，结合图5，训练单元804用于执行S502。
从多个训练模型中确定心理状态判别模型。例如，结合图5或图6，训练单元804用于执行S503。
可选的，训练单元804，具体用于：
根据多个特征信息和多个目标值，确定多个适应度值。多个适应度值为多个特征信息中，每个特征信息与多个目标值之间的适应度值。例如，结合图6，训练单元804用于执行S601。
根据多个适应度值，确定多个非支配解及其等级。多个非支配解与多个适应度值对应。例如，结合图6，训练单元804用于执行S602。
根据多个非支配解及其等级确定多个分散度的值。多个分散度与多个非支配解对应。例如，结合图6，训练单元804用于执行S603。
将非支配解的等级相同的个体按照分散度的值从大到小排序，并将前M个非支配解确定为多个训练模型。M为大于1的整数。例如，结合图 6，训练单元804用于执行S604。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令。当计算机执行指令在计算机上运行时，使得计算机执行如上述实施例提供的心理状态判别方法中，心理状态判别装置执行的各个步骤。
本申请实施例还提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现上述实施例提供的心理状态判别方法中，心理状态判别装置执行的各个步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述模块或单元的划分，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。例如多个单元或组件可以结合或者可以集成到另一个装置，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接口，装置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。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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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，在本发明各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的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，可以存储在一个可读取的存储介质中。基于这样的理解，本申请实施例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全部或部分可以以软件产品的形式体现出来，该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个设备(可以是单片机，芯片等)或处理器(processor)执行本发明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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种心理状态判别方法，其特征在于，包括：
获取终端在第一预设时间段内的特征信息；所述特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个；
将所述特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数，所述心理状态分数用于表示所述终端的用户的心理状态是否异常；
若所述心理状态分数满足预设值，则发出告警信息；所述告警信息用于指示所述用户的心理状态异常。
2.根据权利要求1所述的心理状态判别方法，其特征在于，所述心理状态判别方法还包括：
根据第二预设时间段内多个训练终端的特征信息和预设的鸟群觅食算法，训练得到所述心理状态判别模型；所述第二预设时间段位于所述第一预设时间段之前。
3.根据权利要求2所述的心理状态判别方法，其特征在于，所述根据第二预设时间段内多个训练终端的所述特征信息和预设的鸟群觅食算法，训练得到所述心理状态判别模型，包括：
获取所述第二预设时间段内的多个特征信息，每个特征信息唯一对应一个终端；
获取多个目标值；所述多个目标值分别对应多个心理状态；
根据所述多个特征信息、所述多个目标值，和预设的鸟群觅食算法，确定多个训练模型；所述多个训练模型与所述多个目标值对应；
从所述多个训练模型中确定所述心理状态判别模型。
4.根据权利要求3所述的心理状态判别方法，其特征在于，所述根据所述多个特征信息、所述多个目标值，和预设的鸟群觅食算法，确定多个训练模型，包括：
根据所述多个特征信息和所述多个目标值，确定多个适应度值；所述多个适应度值为所述多个特征信息中，每个特征信息与所述多个目标值之间的适应度值；
根据所述多个适应度值，确定多个非支配解及其等级；所述多个非支配解与所述多个适应度值对应；
根据所述多个非支配解及其等级确定多个分散度的值；所述多个分散度与所述多个非支配解对应；
将所述非支配解的等级相同的个体按照所述分散度的值从大到小排序，并将前M个非支配解确定为所述多个训练模型；M为大于1的整数。
5.一种心理状态判别装置，其特征在于，包括：获取单元、确定单元和输出单元；
所述获取单元，用于获取终端在第一预设时间段内的特征信息；所述特征信息包括语音业务信息、数据业务流量信息、应用程序信息或者移动轨迹信息中的至少一个；
所述确定单元，用于将所述获取单元获取到的所述特征信息输入到预先训练好的心理状态判别模型，以确定心理状态分数，所述心理状态分数用于表示所述终端的用户的心理状态是否异常；
所述输出单元，用于若所述确定单元确定的所述心理状态分数满足预设值，则发出告警信息；所述告警信息用于指示所述用户的心理状态异常。
6.根据权利要求5所述的心理状态判别装置，其特征在于，所述心理状态判别装置还包括：训练单元；
所述训练单元，用于根据第二预设时间段内多个训练终端的特征信息和预设的鸟群觅食算法，训练得到所述心理状态判别模型；所述第二预设时间段位于所述第一预设时间段之前。
7.根据权利要求6所述的心理状态判别装置，其特征在于，所述训练单元，具体用于：
获取所述第二预设时间段内的多个特征信息，每个特征信息唯一对应一个终端；
获取多个目标值；所述多个目标值分别对应多个心理状态；
根据所述多个特征信息、所述多个目标值，和预设的鸟群觅食算法，确定多个训练模型；所述多个训练模型与所述多个目标值对应；
从所述多个训练模型中确定所述心理状态判别模型。
8.根据权利要求7所述的心理状态判别装置，其特征在于，所述训练单元，具体用于：
根据所述多个特征信息和所述多个目标值，确定多个适应度值；所述多个适应度值为所述多个特征信息中，每个特征信息与所述多个目标值之间的适应度值；
根据所述多个适应度值，确定多个非支配解及其等级；所述多个非支配解与所述多个适应度值对应；
根据所述多个非支配解及其等级确定多个分散度的值；所述多个分散度与所述多个非支配解对应；
将所述非支配解的等级相同的个体按照所述分散度的值从大到小排序，并将前M个非支配解确定为所述多个训练模型；M为大于1的整数。
9.一种心理状态判别装置，其特征在于，包括存储器和处理器；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过总线连接；
当所述心理状态判别装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述心理状态判别装置执行如权利要求1-4任一项所述的心理状态判别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括计算机执行指令，当所述计算机执行指令在计算机上运行时，使得所述计算机执行如权利要求1-4任一项所述的心理状态判别方法。
CN202011232194.XA 2020-11-06 2020-11-06 一种心理状态判别方法及装置 Pending CN112617832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011232194.XA CN112617832A (zh) 2020-11-06 2020-11-06 一种心理状态判别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011232194.XA CN112617832A (zh) 2020-11-06 2020-11-06 一种心理状态判别方法及装置

Publications (1)

Publication Number Publication Date
CN112617832A true CN112617832A (zh) 2021-04-09

Family

ID=75302972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011232194.XA Pending CN112617832A (zh) 2020-11-06 2020-11-06 一种心理状态判别方法及装置

Country Status (1)

Country Link
CN (1) CN112617832A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113693600A (zh) * 2021-08-27 2021-11-26 安徽淘云科技股份有限公司 基于行为心理学的儿童心理分析机器人及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103905486A (zh) * 2012-12-26 2014-07-02 中国科学院心理研究所 一种心理健康状态评估方法
CN107195297A (zh) * 2017-07-18 2017-09-22 太原理工大学 一种融合数据归一化的自适应变异鸟群语音识别系统
US20190108453A1 (en) * 2017-10-06 2019-04-11 Formotiv LLC Predicting actions based on psychographic optimization of biometric data
CN111027189A (zh) * 2019-11-28 2020-04-17 武汉理工大学 基于设计信息模型的工作流模型推荐方法
CN111341416A (zh) * 2018-12-18 2020-06-26 华为技术有限公司 一种心理压力评估模型处理方法以及相关设备
CN111740866A (zh) * 2020-06-24 2020-10-02 中国联合网络通信集团有限公司 一种离网预测方法及装置
CN111769985A (zh) * 2020-06-29 2020-10-13 中国联合网络通信集团有限公司 一种数据流量预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103905486A (zh) * 2012-12-26 2014-07-02 中国科学院心理研究所 一种心理健康状态评估方法
CN107195297A (zh) * 2017-07-18 2017-09-22 太原理工大学 一种融合数据归一化的自适应变异鸟群语音识别系统
US20190108453A1 (en) * 2017-10-06 2019-04-11 Formotiv LLC Predicting actions based on psychographic optimization of biometric data
CN111341416A (zh) * 2018-12-18 2020-06-26 华为技术有限公司 一种心理压力评估模型处理方法以及相关设备
CN111027189A (zh) * 2019-11-28 2020-04-17 武汉理工大学 基于设计信息模型的工作流模型推荐方法
CN111740866A (zh) * 2020-06-24 2020-10-02 中国联合网络通信集团有限公司 一种离网预测方法及装置
CN111769985A (zh) * 2020-06-29 2020-10-13 中国联合网络通信集团有限公司 一种数据流量预测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113693600A (zh) * 2021-08-27 2021-11-26 安徽淘云科技股份有限公司 基于行为心理学的儿童心理分析机器人及方法

Similar Documents

Publication Publication Date Title
CN106355449B (zh) 用户选取方法和装置
Li et al. Multiple location profiling for users and relationships from social network and content
CN105608179B (zh) 确定用户标识的关联性的方法和装置
WO2015176560A1 (zh) 识别用户行为的方法、用户设备及行为识别服务器
CN107123056B (zh) 一种基于位置的社交大数据信息最大化方法
CN111177473B (zh) 人员关系分析方法、装置和可读存储介质
CN111339436B (zh) 一种数据识别方法、装置、设备以及可读存储介质
CN110909222B (zh) 基于聚类的用户画像建立方法、装置、介质及电子设备
Christoforidis et al. Recommendation of points-of-interest using graph embeddings
US11663282B2 (en) Taxonomy-based system for discovering and annotating geofences from geo-referenced data
CN109446171B (zh) 一种数据处理方法和装置
CN111047425A (zh) 一种行为预测方法及装置
CN111405030B (zh) 一种消息推送方法、装置、电子设备和存储介质
CN113412607B (zh) 内容推送方法、装置、移动终端及存储介质
CN110166344A (zh) 一种身份标识识别方法、装置以及相关设备
CN112887371A (zh) 边缘计算方法、装置、计算机设备及存储介质
CN106294406A (zh) 一种用于处理应用访问数据的方法与设备
CN112617832A (zh) 一种心理状态判别方法及装置
CN110335061A (zh) 交易模式画像建立方法、装置、介质及电子设备
CN112052399A (zh) 一种数据处理方法、装置和计算机可读存储介质
CN108139900A (zh) 传送关于应用的更新的信息
CN112764923B (zh) 计算资源分配方法、装置、计算机设备及存储介质
CN112541548B (zh) 关系网络的生成方法、装置、计算机设备及存储介质
CN113409096B (zh) 目标对象识别方法、装置、计算机设备及存储介质
CN117009631A (zh) 投放对象筛选方法、装置、设备和存储介质

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