CN112885480A - 用户信息的处理方法、装置、存储介质和电子设备 - Google Patents

用户信息的处理方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN112885480A
CN112885480A CN202110204717.8A CN202110204717A CN112885480A CN 112885480 A CN112885480 A CN 112885480A CN 202110204717 A CN202110204717 A CN 202110204717A CN 112885480 A CN112885480 A CN 112885480A
Authority
CN
China
Prior art keywords
user
node
target
edge
target user
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
CN202110204717.8A
Other languages
English (en)
Inventor
李彦东
冯仓龙
王挺顺
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.)
Neusoft Corp
Original Assignee
Neusoft Corp
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 Neusoft Corp filed Critical Neusoft Corp
Priority to CN202110204717.8A priority Critical patent/CN112885480A/zh
Publication of CN112885480A publication Critical patent/CN112885480A/zh
Pending legal-status Critical Current

Links

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
    • G16H50/70—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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种用户信息的处理方法、装置、存储介质和电子设备，涉及电子信息处理技术领域，该方法包括：获取目标用户的目标用户信息，目标用户信息用于表征目标用户的状态，根据目标用户信息，和预先建立的用户图谱，确定用于表征目标用户的目标用户特征，用户图谱为根据第一数量个用户的用户信息建立的，包括第一数量个节点和任意两个节点之间的边，每个节点对应一个用户，每个边用于表征该边两端的两个节点之间的相关度，根据目标用户特征、用户图谱和预先训练的预测模型，预测目标用户的目标属性的预测结果，预测模型为根据第一数量个用户的用户信息训练得到的。本公开利用目标用户特征和用户图谱预测目标属性，能够提高预测准确度。

Description

用户信息的处理方法、装置、存储介质和电子设备
技术领域
本公开涉及电子信息处理技术领域，具体地，涉及一种用户信息的处理方法、装置、存储介质和电子设备。
背景技术
随着电子信息技术的不断发展，越来越多的检查手段和检查设备，能够采集反映用户体征状态的用户信息，使得研究人员可以通过对用户信息的分析，对用户的未来的体征状态进行预测。例如通过采集饮食习惯、锻炼方式、基因序列等用户信息预测青少年的身高、体重，或者通过采集血液参数、激素参数、蛋白质属性、基因序列等用户信息预测慢性病治愈患者是否会复发等。通常情况下，在对某个具体用户的体征状态进行预测时，是通过分析该用户的用户信息来实现的，预测的准确度不高。
发明内容
为了解决现有技术中存在的问题，本公开的目的是提供一种用户信息的处理方法、装置、存储介质和电子设备。
为了实现上述目的，根据本公开实施例的第一方面，提供一种用户信息的处理方法，该方法包括：
获取目标用户的目标用户信息，所述目标用户信息用于表征所述目标用户的状态，包括：用户属性、检查信息、调查信息中的一种或多种；
根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征，所述用户图谱为根据第一数量个用户的用户信息建立的，包括第一数量个节点和任意两个节点之间的边，每个节点对应一个所述用户，每个边用于表征该边两端的两个节点之间的相关度；
根据所述目标用户特征、所述用户图谱和预先训练的预测模型，预测所述目标用户的目标属性的预测结果，所述预测模型为根据第一数量个所述用户的用户信息训练得到的。
可选地，所述根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征，包括：
通过图卷积神经网络GCN提取所述用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征；
根据所述目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定所述目标用户特征。
可选地，所述根据所述目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定所述目标用户特征，包括：
在所述用户图谱包括的所述节点中，确定与所述目标用户信息匹配的目标节点，并将所述目标节点的节点特征，作为所述目标用户特征。
可选地，所述根据所述目标用户特征、所述用户图谱和预先训练的预测模型，预测所述目标用户的目标属性的预测结果，包括：
在所述用户图谱中确定所述目标节点对应的关联节点，所述关联节点与所述目标节点之间的边表征的相关度大于或等于预设的相关度阈值；
将所述目标用户特征、所述关联节点对应的节点特征，和所述关联节点与所述目标节点之间的边对应的边特征，作为所述预测模型的输入，以得到所述预测模型输出的所述目标属性的预测结果。
可选地，在所述根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征之前，所述方法还包括：
获取第一数量个所述用户的用户信息，每个所述用户的用户信息用于表征该用户的状态，包括用户属性、检查信息、调查信息中的一种或多种；
在所述用户图谱中建立每个所述用户对应的节点；
根据第一节点对应的所述用户的用户信息，和第二节点对应的所述用户的用户信息，确定所述第一节点和所述第二节点之间的相关度，并按照所述第一节点和所述第二节点的之间的相关度，在所述第一节点和所述第二节点之间建立边，所述第一节点为所述用户图谱中的任一节点，所述第二节点为所述用户图谱中除所述第一节点之外的任一节点。
可选地，所述预测模型是通过以下方式训练的：
通过GCN提取所述用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征；
在所述用户图谱中确定每个节点对应的样本关联节点，所述样本关联节点与该节点之间的边表征的相关度大于或等于预设的相关度阈值；
将该节点对应的节点特征、所述样本关联节点对应的节点特征，和该节点与所述样本关联节点之间的边对应的边特征，作为该节点对应的所述用户对应的样本输入，以得到包括每个所述用户对应的所述样本输入的样本输入集；
获取样本输出集，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括对应的所述用户的所述目标属性的真实属性值；
将所述样本输入集作为所述预测模型的输入，将所述样本输出集作为所述预测模型的输出，以训练所述预测模型。
根据本公开实施例的第二方面，提供一种用户信息的处理装置，该装置包括：
获取模块，用于获取目标用户的目标用户信息，所述目标用户信息用于表征所述目标用户的状态，包括：用户属性、检查信息、调查信息中的一种或多种；
确定模块，用于根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征，所述用户图谱为根据第一数量个用户的用户信息建立的，包括第一数量个节点和任意两个节点之间的边，每个节点对应一个所述用户，每个边用于表征该边两端的两个节点之间的相关度；
处理模块，用于根据所述目标用户特征、所述用户图谱和预先训练的预测模型，预测所述目标用户的目标属性的预测结果，所述预测模型为根据第一数量个所述用户的用户信息训练得到的。
可选地，所述确定模块包括：
提取子模块，用于通过图卷积神经网络GCN提取所述用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征；
第一确定子模块，用于根据所述目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定所述目标用户特征。
可选地，所述第一确定子模块用于：
在所述用户图谱包括的所述节点中，确定与所述目标用户信息匹配的目标节点，并将所述目标节点的节点特征，作为所述目标用户特征。
可选地，所述处理模块包括：
第二确定子模块，用于在所述用户图谱中确定所述目标节点对应的关联节点，所述关联节点与所述目标节点之间的边表征的相关度大于或等于预设的相关度阈值；
处理子模块，用于将所述目标用户特征、所述关联节点对应的节点特征，和所述关联节点与所述目标节点之间的边对应的边特征，作为所述预测模型的输入，以得到所述预测模型输出的所述目标属性的预测结果。
可选地，所述获取模块，还用于在所述根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征之前，获取第一数量个所述用户的用户信息，每个所述用户的用户信息用于表征该用户的状态，包括用户属性、检查信息、调查信息中的一种或多种；
所述装置还包括：
建立模块，用于在所述用户图谱中建立每个所述用户对应的节点；
所述建立模块，还用于根据第一节点对应的所述用户的用户信息，和第二节点对应的所述用户的用户信息，确定所述第一节点和所述第二节点之间的相关度，并按照所述第一节点和所述第二节点的之间的相关度，在所述第一节点和所述第二节点之间建立边，所述第一节点为所述用户图谱中的任一节点，所述第二节点为所述用户图谱中除所述第一节点之外的任一节点。
可选地，所述预测模型是通过以下方式训练的：
通过GCN提取所述用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征；
在所述用户图谱中确定每个节点对应的样本关联节点，所述样本关联节点与该节点之间的边表征的相关度大于或等于预设的相关度阈值；
将该节点对应的节点特征、所述样本关联节点对应的节点特征，和该节点与所述样本关联节点之间的边对应的边特征，作为该节点对应的所述用户对应的样本输入，以得到包括每个所述用户对应的所述样本输入的样本输入集；
获取样本输出集，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括对应的所述用户的所述目标属性的真实属性值；
将所述样本输入集作为所述预测模型的输入，将所述样本输出集作为所述预测模型的输出，以训练所述预测模型。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例的第一方面所述方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开实施例的第一方面所述方法的步骤。
通过上述技术方案，本公开首先获取用于表征目标用户的状态的目标用户信息，其中包括用户属性、检查信息、调查信息中的一种或多种。之后，根据目标用户信息和预先建立的用户图谱，确定能够表征目标用户的目标用户特征，用户图谱是根据第一数量个用户的用户信息建立的，包括与每个用户对应的节点和任意两个节点之间的边，每个边用于表征该边两端的两个节点之间的相关度。最后，利用根据第一数量个用户的用户信息训练得到的预测模型，根据目标用户特征和用户图谱，预测目标用户的目标属性的预测结果。本公开通过用户图谱来获取目标用户特征，并利用目标用户特征和用户图谱预测目标属性，能够提高预测目标属性的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种用户信息的处理方法的流程图；
图2是根据一示例性实施例示出的一种用户图谱的示意图；
图3是根据一示例性实施例示出的另一种用户信息的处理方法的流程图；
图4是根据一示例性实施例示出的另一种用户信息的处理方法的流程图；
图5是根据一示例性实施例示出的另一种用户信息的处理方法的流程图；
图6是根据一示例性实施例示出的一种训练预测模型的流程图；
图7是根据一示例性实施例示出的一种用户信息的处理装置的框图；
图8是根据一示例性实施例示出的另一种用户信息的处理装置的框图；
图9是根据一示例性实施例示出的另一种用户信息的处理装置的框图；
图10是根据一示例性实施例示出的另一种用户信息的处理装置的框图；
图11是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种用户信息的处理方法的流程图，如图1所示，该方法可以包括以下步骤：
步骤101，获取目标用户的目标用户信息，目标用户信息用于表征目标用户的状态，包括：用户属性、检查信息、调查信息中的一种或多种。
举例来说，要对目标用户进行预测，首先需要采集目标用户的目标用户信息。目标用户信息能够表征目标用户的状态，可以由多种数据组成，每种数据可以属于用户属性、检查信息或者调查信息，也就是说可以将目标用户信息理解为一个数据组，其中包括了用户属性、检查信息、调查信息中的一种或多种。其中，用户属性可以包括多种数据，例如目标用户的身高、体重、年龄、性别等。检查信息是目标用户进行多项检查得到的，可以包括多种数据，例如检查图像(例如：CT图像、PET图像、MRI图像、DR图像、DSA图像等)，和/或检查数据(例如：血液参数、激素参数、蛋白质属性、基因序列等)。调查信息可以是目标用户参加问卷调查，或者在医院就诊得到的，可以包括多种数据，例如：吸烟史、锻炼方式等。例如，目标用户信息可以包括：身高、体重、年龄、吸烟史和锻炼方式，共5种数据。需要说明的是，上述目标用户信息均是在得到目标用户授权的前提下获取的。
步骤102，根据目标用户信息，和预先建立的用户图谱，确定用于表征目标用户的目标用户特征，用户图谱为根据第一数量个用户的用户信息建立的，包括第一数量个节点和任意两个节点之间的边，每个节点对应一个用户，每个边用于表征该边两端的两个节点之间的相关度。
示例的，要获取能够表征目标用户的目标用户特征，可以根据第一数量个用户的用户信息预先建立一个用户图谱，其中包括了与每个用户对应的节点，和任意两个节点之间能够反映这两个节点之间的相关度的边。两个节点之间的相关度，即为两个节点对应的两个用户之间的相关度，可以理解为两个节点对应的两个用户的用户信息之间的关联程度或者相关系数。例如，针对每个节点，可以将对应的用户的用户信息作为该节点的值，也可以作为该节点的标签。针对每个边，可以将该边两端的两个节点之间的相关度作为该边的值，也可以用该边的宽度来表示该边两端的两个节点之间的相关度。以预先采集的4(即第一数量)个用户的用户信息来举例，建立如图2所示的用户图谱，其中包括4个节点：节点A、节点B、节点C、节点D，分别对应用户1，用户2，用户3，用户4，还包括6个边：边AB、边AC、边AD、边BC、边BD、边CD，其中边AB的值为0.7，表示节点A与节点B(即用户1与用户2)之间的相关度，边AC的值为0.3，表示节点A和节点C(即用户1与用户3)之间的相关度，依次类推。
之后可以根据目标用户信息和用户图谱，来确定能够表征目标用户的目标用户特征，目标用户特征例如可以是一组能够表征目标用户的特征向量。可以理解为，用户图谱中的每个节点、每个边都有各自对应的特征向量来表示，可以利用目标用户信息，在用户图谱中查找与目标用户信息匹配的节点，然后将与目标用户信息匹配的节点对应的特征向量，作为目标用户特征。
步骤103，根据目标用户特征、用户图谱和预先训练的预测模型，预测目标用户的目标属性的预测结果，预测模型为根据第一数量个用户的用户信息训练得到的。
示例的，可以将目标用户特征和用户图谱，作为预先训练的预测模型的输入，以得到预测模型输出的目标用户的目标属性的预测结果。也可以先根据目标用户特征，在用户图谱中找到与目标用户特征存在关联的节点，然后将目标用户特征、与目标用户特征存在关联的节点对应的节点特征输入预测模型，以得到预测模型输出的预测结果。还可以先根据目标用户特征，在用户图谱中找到与目标用户特征存在关联的节点和边，然后将目标用户特征、与目标用户特征存在关联的节点对应的节点特征，和与目标用户特征存在关联的边对应的边特征输入预测模型，以得到预测模型输出的预测结果。预测结果可以理解为预测模型对目标属性的属性值的预测。其中，目标属性可以理解为目标用户或者医生所关注的属性，可以是一种用户属性，也可以是其他属性。例如，目标属性可以是未来目标用户的身高是否会超过平均值，那么预测结果可以“是”或者“否”。目标属性也可以是未来目标用户的体重状态，那么预测结果可以是“过重”、“适中”或者“过轻”。目标属性还可以是未来目标用户的慢性病是否会复发，那么预测结果可以是“复发”或者“不复发”。
预测模型是预先根据第一数量个用户的用户信息训练的模型，也就是说，训练预测模型的用户信息与构建用户图谱的用户信息相同。预测模型例如可以是Dense_layer+softmax组合的分类网络，其中，Dense_layer(即全连接层)例如可以包括三层，每层的输入尺寸分别为：32、64、2。以将目标用户特征和用户图谱，作为预测模型的输入来举例，首先，将目标用户特征和用户图谱作为Dense_layer的输入，并将Dense_layer的输出作为softmax的输入，以得到softmax输出的概率值，最后根据这个概率值确定预测结果。以目标属性是未来目标用户的身高是否会超过平均值来举例，若softmax输出的概率值大于或等于0.5，可以确定预测结果为“是”，若softmax输出的概率值小于0.5，可以确定预测结果为“否”。再比如，目标属性是未来目标用户的慢性病是否会复发，若softmax输出的概率值大于或等于0.5，可以确定预测结果为“复发”，若softmax输出的概率值小于0.5，可以确定预测结果为“不复发”。这样，可以通过用户图谱将目标用户信息抽象为目标用户特征，并且可以将目标用户特征和用户图谱结合起来，利用预测模型对目标属性进行预测，由于用户图谱能够反映不同用户的用户信息和不同用户之间的相关度，因此预测模型既能够考虑目标用户，又能够考虑其他用户之间的相关度，提高了预测目标属性的准确度。
综上所述，本公开首先获取用于表征目标用户的状态的目标用户信息，其中包括用户属性、检查信息、调查信息中的一种或多种。之后，根据目标用户信息和预先建立的用户图谱，确定能够表征目标用户的目标用户特征，用户图谱是根据第一数量个用户的用户信息建立的，包括与每个用户对应的节点和任意两个节点之间的边，每个边用于表征该边两端的两个节点之间的相关度。最后，利用根据第一数量个用户的用户信息训练得到的预测模型，根据目标用户特征和用户图谱，预测目标用户的目标属性的预测结果。本公开通过用户图谱来获取目标用户特征，并利用目标用户特征和用户图谱预测目标属性，能够提高预测目标属性的准确度。
图3是根据一示例性实施例示出的另一种用户信息的处理方法的流程图，如图3所示，步骤102的实现方式可以包括：
步骤1021，通过图卷积神经网络GCN提取用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征。
步骤1022，根据目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定目标用户特征。
示例的，确定目标用户特征的过程，可以通过GCN(英文：Graph ConvolutionalNetwork，中文：图卷积神经网络)来提取用户图谱中每个节点对应的节点特征，和每个边对应的边特征。节点特征为能够表征对应的节点的特征向量，同样的，边特征为能够表征对应的边的特征向量。因此提取节点特征和边特征，可以理解为利用GCN将用户图谱用特征向量来表示。之后，可以根据目标用户信息，和GCN提取的每个节点对应的节点特征和每个边对应的边特征，来确定能够表征目标用户的目标用户特征。
在一种应用场景中，步骤1022的实现方式可以为：
在用户图谱包括的节点中，确定与目标用户信息匹配的目标节点，并将目标节点的节点特征，作为目标用户特征。
其中，目标节点与目标用户信息匹配，可以理解为目标节点对应的用户的用户信息，与目标用户信息匹配。例如，可以先确定用户图谱中的每个节点对应的用户的用户信息，与目标用户信息的差值，若差值小于预设的第一阈值，那么确定该节点为目标节点，即目标节点对应的用户的用户信息，与目标用户信息的距离较小。也可以先确定用户图谱中的每个节点对应的用户的用户信息，与目标用户信息的相关度，若相关度大于预设的第二阈值，那么可以确定该节点为目标节点，即目标节点对应的用户的用户信息，与目标用户信息的关联程度较高。
在另一种应用场景中，还可以通过GraphSAGE(英文：Graph SAmple andaggreGatE)对用户图谱中的每个节点和每个边进行学习归纳，以得到每个节点对应的节点特征和每个边的边特征。由于GraphSAGE具有学习归纳的能力，因此可以根据用户图谱中已有的每个节点对应的节点特征和每个边对应的边特征，利用预设的推导式模型，确定出与目标用户信息对应的目标用户特征。也就是说，可以直接利用目标用户信息生成目标用户特征，这样若用户图谱中不存在与目标用户信息匹配的目标节点，也可以得到目标用户特征，降低了目标用户特征对用户图谱的依赖程度，能够提高目标用户特征获得的成功率。
图4是根据一示例性实施例示出的另一种用户信息的处理方法的流程图，如图4所示，步骤103可以包括：
步骤1031，在用户图谱中确定目标节点对应的关联节点，关联节点与目标节点之间的边表征的相关度大于或等于预设的相关度阈值。
步骤1032，将目标用户特征、关联节点对应的节点特征，和关联节点与目标节点之间的边对应的边特征，作为预测模型的输入，以得到预测模型输出的目标属性的预测结果。
举例来说，在确定目标节点之后，可以在用户图谱中筛选出与目标节点之间的相关度大于或等于预设的相关度阈值的关联节点，即关联节点与目标节点之间的边表征的相关度大于或等于预设的相关度阈值。关联节点可以是一个或多个。以相关度为皮尔逊相关系数(英文：Pearson Correlation Coefficient)为例，相关度的取值范围为-1到1之间，相关度阈值可以设置为0.3。之后，可以将目标用户特征、关联节点对应的节点特征，和关联节点与目标节点之间的边对应的边特征，作为预测模型的输入，以得到预测模型输出的目标属性的预测结果。关联节点与目标节点的相关度较高，表示关联节点对应的用户，与目标用户的相关度较高。这样，可以将目标用户特征、关联节点对应的节点特征，和关联节点与目标节点之间的边对应的边特征结合起来，利用预测模型对目标属性进行预测，使得预测模型能够综合考虑目标用户和，与目标用户相关度较高的用户(即关联节点对应的用户)，从而提高预测目标属性的准确度。
图5是根据一示例性实施例示出的另一种用户信息的处理方法的流程图，在步骤102之前，该方法还可以包括以下步骤：
步骤104，获取第一数量个用户的用户信息，每个用户的用户信息用于表征该用户的状态，包括用户属性、检查信息、调查信息中的一种或多种。
步骤105，在用户图谱中建立每个用户对应的节点。
步骤106，根据第一节点对应的用户的用户信息，和第二节点对应的用户的用户信息，确定第一节点和第二节点之间的相关度，并按照第一节点和第二节点的之间的相关度，在第一节点和第二节点之间建立边，第一节点为用户图谱中的任一节点，第二节点为用户图谱中除第一节点之外的任一节点。
示例的，在确定目标用户特征之前，可以先获取第一数量个用户的用户信息以建立用户图谱。其中，每个用户的用户信息能够表征该用户的状态，用户信息可以是由多种数据组成，每种数据可以属于用户属性、检查信息或者调查信息，也就是说可以将用户信息理解为一个数据组，其中包括了用户属性、检查信息、调查信息中的一种或多种。例如，用户信息可以包括：身高、体重、年龄、血液参数、激素参数和基因序列，共6种数据。
需要说明的是，在得到第一数量个用户的用户信息后，可以对每个用户信息中包括的数据进行数据清洗，再进行归一化处理。具体的，数据清洗的过程可以是删除数据缺失较多的用户信息，还可以对数据缺失较少的用户信息进行插值法来补全。例如，可以先获取1000个用户的用户信息，每个用户信息中包括10种数据，若其中有20个用户的用户信息中，至少缺少5种数据，那么可以删除这20个用户的用户信息，此时第一数量为980。若某个用户的用户信息中，只缺少1种数据，那么可以根据该种数据的概率分布，将该用户的用户信息中该种数据进行插值，从而补全该用户的用户信息。
之后，在用户图谱中建立第一数量个节点，每个节点对应一个用户。然后，根据任意两个用户的用户信息，确定这两个用户对应的两个节点之间的相关度。两个节点之间的相关度，可以理解为两个节点对应的两个用户的用户信息之间的关联程度或者相关系数。两个节点的相关度，例如可以是两个节点对应的两个用户的皮尔逊相关系数，具体可以通过以下公式来得到：
Figure BDA0002949371720000141
其中，第一数量个用户的用户信息中，每个用户信息均包括n种数据，rX,Y表示用户X和用户Y的皮尔逊相关系数，Xi表示用户X的用户信息中第i种数据的值，
Figure BDA0002949371720000142
表示用户X的用户信息包括的n种数据的平均值，σX表示用户X的用户信息包括的n种数据的标准差，Yi表示用户Y的用户信息中第i种数据的值，
Figure BDA0002949371720000143
表示用户Y的用户信息包括的n种数据的平均值，σY表示用户Y的用户信息包括的n种数据的标准差。
以第一节点为用户图谱中的任一节点，第二节点为用户图谱中除第一节点之外的任一节点为例，可以先确定第一节点和第二节点之间的相关度，然后按照第一节点和第二节点的之间的相关度，在第一节点和第二节点之间建立边。具体的，可以将第一节点和第二节点之间的相关度作为该边的值，也可以用该边的宽度来表示第一节点和第二节点之间的相关度，即第一节点和第二节点之间的相关度越大，该边的宽度越宽。进一步的，还可以设置第三阈值(例如可以是0.3)，若第一节点和第二节点之间的相关度大于或等于第三阈值，可以将第一节点和第二节点之间的相关度作为该边的值，若第一节点和第二节点之间的相关度小于第三阈值，可以将0作为该边的值。
图6是根据一示例性实施例示出的一种训练预测模型的流程图，如图6所示，上述预测模型是通过以下方式训练的：
步骤A)通过GCN提取用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征。
步骤B)在用户图谱中确定每个节点对应的样本关联节点，样本关联节点与该节点之间的边表征的相关度大于或等于预设的相关度阈值。
步骤C)将该节点对应的节点特征、样本关联节点对应的节点特征，和该节点与样本关联节点之间的边对应的边特征，作为该节点对应的用户对应的样本输入，以得到包括每个用户对应的样本输入的样本输入集。
步骤D)获取样本输出集，样本输出集中包括与每个样本输入对应的样本输出，每个样本输出包括对应的用户的目标属性的真实属性值。
举例来说，在对预测模型进行训练时，需要先获取样本输入集和样本输出集。样本输入集中包括了第一数量个用户中每个用户对应的样本输入。样本输出集中包括了与每个样本输入对应的样本输出，每个样本输出包括对应的用户的目标属性的真实属性值。
获取样本输入集的具体方式为：首先通过GCN提取用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征。之后，针对每个节点，在用户图谱中确定与该节点之间的相关度大于或等于预设的相关度阈值的样本关联节点。之后，将该节点对应的节点特征、样本关联节点对应的节点特征，和该节点与样本关联节点之间的边对应的边特征，作为该节点对应的用户对应的样本输入，从而得到包括了每个用户对应的样本输入的样本输入集。
步骤E)将样本输入集作为预测模型的输入，将样本输出集作为预测模型的输出，以训练预测模型。
示例的，在对预测模型训练时，可以将样本输入集作为预测模型的输入，将样本输出集作为预测模型的输出来训练，使得在输入样本输入集时，预测模型的输出，能够和样本输出集匹配。例如，可以根据预测模型的输出，与样本输出集的差(或者均方差)作为预测模型的损失函数，以降低损失函数为目标，利用反向传播算法来修正预测模型中的神经元的参数，神经元的参数例如可以是神经元的权重(英文：Weight)和偏置量(英文：Bias)。重复上述步骤，直至损失函数满足预设条件，例如损失函数小于预设的损失阈值。
需要说明的是，在步骤C)得到样本输入集之后，还可以对样本输入集中包括的样本输入进行归一化处理，并进行正负样本均衡，得到处理后的样本输入集，使得处理后的样本输入集更具有通用性。可以将处理后的样本输入集作为预测模型的输入，将样本输出集作为预测模型的输出来训练预测模型。
综上所述，本公开首先获取用于表征目标用户的状态的目标用户信息，其中包括用户属性、检查信息、调查信息中的一种或多种。之后，根据目标用户信息和预先建立的用户图谱，确定能够表征目标用户的目标用户特征，用户图谱是根据第一数量个用户的用户信息建立的，包括与每个用户对应的节点和任意两个节点之间的边，每个边用于表征该边两端的两个节点之间的相关度。最后，利用根据第一数量个用户的用户信息训练得到的预测模型，根据目标用户特征和用户图谱，预测目标用户的目标属性的预测结果。本公开通过用户图谱来获取目标用户特征，并利用目标用户特征和用户图谱预测目标属性，能够提高预测目标属性的准确度。
图7是根据一示例性实施例示出的一种用户信息的处理装置的框图，如图7所示，该装置200包括：
获取模块201，用于获取目标用户的目标用户信息，目标用户信息用于表征目标用户的状态，包括：用户属性、检查信息、调查信息中的一种或多种。
确定模块202，用于根据目标用户信息，和预先建立的用户图谱，确定用于表征目标用户的目标用户特征，用户图谱为根据第一数量个用户的用户信息建立的，包括第一数量个节点和任意两个节点之间的边，每个节点对应一个用户，每个边用于表征该边两端的两个节点之间的相关度。
处理模块203，用于根据目标用户特征、用户图谱和预先训练的预测模型，预测目标用户的目标属性的预测结果，预测模型为根据第一数量个用户的用户信息训练得到的。
图8是根据一示例性实施例示出的另一种用户信息的处理装置的框图，如图8所示，确定模块202可以包括：
提取子模块2021，用于通过图卷积神经网络GCN提取用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征。
第一确定子模块2022，用于根据目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定目标用户特征。
在一种实现方式中，第一确定子模块2022可以用于：
在用户图谱包括的节点中，确定与目标用户信息匹配的目标节点，并将目标节点的节点特征，作为目标用户特征。
图9是根据一示例性实施例示出的另一种用户信息的处理装置的框图，如图9所示，处理模块203可以包括：
第二确定子模块2031，用于在用户图谱中确定目标节点对应的关联节点，关联节点与目标节点之间的边表征的相关度大于或等于预设的相关度阈值。
处理子模块2032，用于将目标用户特征、关联节点对应的节点特征，和关联节点与目标节点之间的边对应的边特征，作为预测模型的输入，以得到预测模型输出的目标属性的预测结果。
图10是根据一示例性实施例示出的另一种用户信息的处理装置的框图，如图10所示，获取模块201，还用于在根据目标用户信息，和预先建立的用户图谱，确定用于表征目标用户的目标用户特征之前，获取第一数量个用户的用户信息，每个用户的用户信息用于表征该用户的状态，包括用户属性、检查信息、调查信息中的一种或多种。
该装置200还可以包括：
建立模块204，用于在用户图谱中建立每个用户对应的节点。
建立模块204，还用于根据第一节点对应的用户的用户信息，和第二节点对应的用户的用户信息，确定第一节点和第二节点之间的相关度，并按照第一节点和第二节点的之间的相关度，在第一节点和第二节点之间建立边，第一节点为用户图谱中的任一节点，第二节点为用户图谱中除第一节点之外的任一节点。
需要说明的是，上述预测模型是通过以下方式训练的：
步骤A)通过GCN提取用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征。
步骤B)在用户图谱中确定每个节点对应的样本关联节点，样本关联节点与该节点之间的边表征的相关度大于或等于预设的相关度阈值。
步骤C)将该节点对应的节点特征、样本关联节点对应的节点特征，和该节点与样本关联节点之间的边对应的边特征，作为该节点对应的用户对应的样本输入，以得到包括每个用户对应的样本输入的样本输入集。
步骤D)获取样本输出集，样本输出集中包括与每个样本输入对应的样本输出，每个样本输出包括对应的用户的目标属性的真实属性值。
步骤E)将样本输入集作为预测模型的输入，将样本输出集作为预测模型的输出，以训练预测模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先获取用于表征目标用户的状态的目标用户信息，其中包括用户属性、检查信息、调查信息中的一种或多种。之后，根据目标用户信息和预先建立的用户图谱，确定能够表征目标用户的目标用户特征，用户图谱是根据第一数量个用户的用户信息建立的，包括与每个用户对应的节点和任意两个节点之间的边，每个边用于表征该边两端的两个节点之间的相关度。最后，利用根据第一数量个用户的用户信息训练得到的预测模型，根据目标用户特征和用户图谱，预测目标用户的目标属性的预测结果。本公开通过用户图谱来获取目标用户特征，并利用目标用户特征和用户图谱预测目标属性，能够提高预测目标属性的准确度。
图11是根据一示例性实施例示出的一种电子设备300的框图。如图11所示，该电子设备300可以包括：处理器301，存储器302。该电子设备300还可以包括多媒体组件303，输入/输出(I/O)接口304，以及通信组件305中的一者或多者。
其中，处理器301用于控制该电子设备300的整体操作，以完成上述的用户信息的处理方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件305可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备300可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的用户信息的处理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的用户信息的处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器302，上述程序指令可由电子设备300的处理器301执行以完成上述的用户信息的处理方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的用户信息的处理方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种用户信息的处理方法，其特征在于，所述方法包括：
获取目标用户的目标用户信息，所述目标用户信息用于表征所述目标用户的状态，包括：用户属性、检查信息、调查信息中的一种或多种；
根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征，所述用户图谱为根据第一数量个用户的用户信息建立的，包括第一数量个节点和任意两个节点之间的边，每个节点对应一个所述用户，每个边用于表征该边两端的两个节点之间的相关度；
根据所述目标用户特征、所述用户图谱和预先训练的预测模型，预测所述目标用户的目标属性的预测结果，所述预测模型为根据第一数量个所述用户的用户信息训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征，包括：
通过图卷积神经网络GCN提取所述用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征；
根据所述目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定所述目标用户特征。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定所述目标用户特征，包括：
在所述用户图谱包括的所述节点中，确定与所述目标用户信息匹配的目标节点，并将所述目标节点的节点特征，作为所述目标用户特征。
4.根据权利要求3所述的方法，其特征在于，所述根据所述目标用户特征、所述用户图谱和预先训练的预测模型，预测所述目标用户的目标属性的预测结果，包括：
在所述用户图谱中确定所述目标节点对应的关联节点，所述关联节点与所述目标节点之间的边表征的相关度大于或等于预设的相关度阈值；
将所述目标用户特征、所述关联节点对应的节点特征，和所述关联节点与所述目标节点之间的边对应的边特征，作为所述预测模型的输入，以得到所述预测模型输出的所述目标属性的预测结果。
5.根据权利要求1-4中任一项所述的方法，其特征在于，在所述根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征之前，所述方法还包括：
获取第一数量个所述用户的用户信息，每个所述用户的用户信息用于表征该用户的状态，包括用户属性、检查信息、调查信息中的一种或多种；
在所述用户图谱中建立每个所述用户对应的节点；
根据第一节点对应的所述用户的用户信息，和第二节点对应的所述用户的用户信息，确定所述第一节点和所述第二节点之间的相关度，并按照所述第一节点和所述第二节点的之间的相关度，在所述第一节点和所述第二节点之间建立边，所述第一节点为所述用户图谱中的任一节点，所述第二节点为所述用户图谱中除所述第一节点之外的任一节点。
6.根据权利要求5所述的方法，其特征在于，所述预测模型是通过以下方式训练的：
通过GCN提取所述用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征；
在所述用户图谱中确定每个节点对应的样本关联节点，所述样本关联节点与该节点之间的边表征的相关度大于或等于预设的相关度阈值；
将该节点对应的节点特征、所述样本关联节点对应的节点特征，和该节点与所述样本关联节点之间的边对应的边特征，作为该节点对应的所述用户对应的样本输入，以得到包括每个所述用户对应的所述样本输入的样本输入集；
获取样本输出集，所述样本输出集中包括与每个所述样本输入对应的样本输出，每个所述样本输出包括对应的所述用户的所述目标属性的真实属性值；
将所述样本输入集作为所述预测模型的输入，将所述样本输出集作为所述预测模型的输出，以训练所述预测模型。
7.一种用户信息的处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标用户的目标用户信息，所述目标用户信息用于表征所述目标用户的状态，包括：用户属性、检查信息、调查信息中的一种或多种；
确定模块，用于根据所述目标用户信息，和预先建立的用户图谱，确定用于表征所述目标用户的目标用户特征，所述用户图谱为根据第一数量个用户的用户信息建立的，包括第一数量个节点和任意两个节点之间的边，每个节点对应一个所述用户，每个边用于表征该边两端的两个节点之间的相关度；
处理模块，用于根据所述目标用户特征、所述用户图谱和预先训练的预测模型，预测所述目标用户的目标属性的预测结果，所述预测模型为根据第一数量个所述用户的用户信息训练得到的。
8.根据权利要求7所述的装置，其特征在于，所述确定模块包括：
提取子模块，用于通过图卷积神经网络GCN提取所述用户图谱中，用于表征每个节点的节点特征，和用于表征每个边的边特征；
第一确定子模块，用于根据所述目标用户信息、每个节点对应的节点特征和每个边对应的边特征，确定所述目标用户特征。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤。
CN202110204717.8A 2021-02-23 2021-02-23 用户信息的处理方法、装置、存储介质和电子设备 Pending CN112885480A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110204717.8A CN112885480A (zh) 2021-02-23 2021-02-23 用户信息的处理方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110204717.8A CN112885480A (zh) 2021-02-23 2021-02-23 用户信息的处理方法、装置、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN112885480A true CN112885480A (zh) 2021-06-01

Family

ID=76054224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110204717.8A Pending CN112885480A (zh) 2021-02-23 2021-02-23 用户信息的处理方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN112885480A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121448A (zh) * 2017-12-29 2018-06-05 阿里巴巴集团控股有限公司 信息提醒方法、装置及设备
CN108198623A (zh) * 2017-12-15 2018-06-22 东软集团股份有限公司 人体身体状态检测方法、装置、存储介质及电子设备
CN110675954A (zh) * 2019-10-11 2020-01-10 北京百度网讯科技有限公司 信息处理方法及装置、电子设备、存储介质
CN110706095A (zh) * 2019-09-30 2020-01-17 四川新网银行股份有限公司 一种基于关联网络的目标节点关键信息填补方法及系统
CN110750653A (zh) * 2019-10-22 2020-02-04 中国工商银行股份有限公司 信息处理方法、装置、电子设备及介质
CN112233798A (zh) * 2020-12-16 2021-01-15 杭州智策略科技有限公司 基于病理模式与注意力机制的可解释疾病风险分析系统
CN112259246A (zh) * 2020-10-21 2021-01-22 平安科技（深圳）有限公司 一种融合医学概念层级结构的疾病预测方法及相关设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198623A (zh) * 2017-12-15 2018-06-22 东软集团股份有限公司 人体身体状态检测方法、装置、存储介质及电子设备
CN108121448A (zh) * 2017-12-29 2018-06-05 阿里巴巴集团控股有限公司 信息提醒方法、装置及设备
CN110706095A (zh) * 2019-09-30 2020-01-17 四川新网银行股份有限公司 一种基于关联网络的目标节点关键信息填补方法及系统
CN110675954A (zh) * 2019-10-11 2020-01-10 北京百度网讯科技有限公司 信息处理方法及装置、电子设备、存储介质
CN110750653A (zh) * 2019-10-22 2020-02-04 中国工商银行股份有限公司 信息处理方法、装置、电子设备及介质
CN112259246A (zh) * 2020-10-21 2021-01-22 平安科技（深圳）有限公司 一种融合医学概念层级结构的疾病预测方法及相关设备
CN112233798A (zh) * 2020-12-16 2021-01-15 杭州智策略科技有限公司 基于病理模式与注意力机制的可解释疾病风险分析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龙飞: "基于云计算的电子商务个性化推荐研究", 30 September 2020, 湖南师范大学出版社, pages: 206 - 207 *

Similar Documents

Publication Publication Date Title
CN111126574B (zh) 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质
WO2023065859A1 (zh) 物品推荐方法、装置及存储介质
JP2012058972A (ja) 評価予測装置、評価予測方法、及びプログラム
KR20190021471A (ko) 인공신경망을 이용한 위암의 예후 예측 방법, 장치 및 프로그램
CN114298122B (zh) 数据分类方法、装置、设备、存储介质及计算机程序产品
KR20200110141A (ko) 신약 후보 물질 도출을 위한 데이터 처리 방법
Yong et al. Discovery of small protein complexes from PPI networks with size-specific supervised weighting
CN114330499A (zh) 分类模型的训练方法、装置、设备、存储介质及程序产品
Mabrouk et al. Medical image classification using transfer learning and chaos game optimization on the internet of medical things
CN106803092B (zh) 一种标准问题数据的确定方法及装置
WO2021263000A2 (en) Machine learning based medical data checker
CN110704668B (zh) 基于网格的协同注意力vqa方法和装置
CN111816306B (zh) 一种医学数据处理方法、预测模型的训练方法及装置
CN114510980A (zh) 模型特征获取方法及装置、电子设备、存储介质
CN117036247A (zh) 结节识别方法、装置、存储介质及电子设备
CN117010480A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN114417166B (zh) 基于行为序列和动态社交影响的连续兴趣点推荐方法
Zhang et al. Semi‐supervised graph convolutional networks for the domain adaptive recognition of thyroid nodules in cross‐device ultrasound images
CN112885480A (zh) 用户信息的处理方法、装置、存储介质和电子设备
CN113782092B (zh) 一种生存期预测模型的生成方法及装置、存储介质
CN113283589B (zh) 事件预测系统的更新方法及装置
JP2023170924A (ja) 情報処理方法、情報処理装置およびプログラム
CN114330885A (zh) 目标状态的确定方法、装置、设备以及存储介质
CN113901514A (zh) 数据攻击的防御方法及其模型的训练方法、系统
CN112086174A (zh) 一种三维知识诊断模型构建方法和系统

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