CN113626538B - 基于大数据的医疗信息智能分类的方法及系统 - Google Patents
基于大数据的医疗信息智能分类的方法及系统 Download PDFInfo
- Publication number
- CN113626538B CN113626538B CN202110792753.0A CN202110792753A CN113626538B CN 113626538 B CN113626538 B CN 113626538B CN 202110792753 A CN202110792753 A CN 202110792753A CN 113626538 B CN113626538 B CN 113626538B
- Authority
- CN
- China
- Prior art keywords
- description content
- range
- content set
- target
- division range
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 135
- 238000012545 processing Methods 0.000 claims abstract description 93
- 238000012360 testing method Methods 0.000 claims abstract description 82
- 238000013101 initial test Methods 0.000 claims description 58
- 238000007667 floating Methods 0.000 claims description 32
- 238000005192 partition Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供的基于大数据的医疗信息智能分类的方法及系统,对待筛选医疗用户信息进行描述内容识别,得到多个类别的起始筛选描述内容集,并进行描述内容处理,得到起始筛选划分范围,基于起始筛选描述内容集得到中间筛选描述内容集,将起始筛选描述内容集与中间筛选描述内容集进行组合,得到目标筛选描述内容集,并进行描述内容处理,得到目标筛选划分范围。由此对事先划分范围进行初步修正后得到起始筛选划分范围,通过组合不同描述内容集可以得到描述内容信息,基于更新划分范围对目标配置描述内容集进行描述内容处理,由此对更新划分范围进行进一步修正后得到目标测试划分范围,目标测试划分范围可以更准确地定位到目标用户。
Description
技术领域
本申请涉及数据分类技术领域,具体而言,涉及基于大数据的医疗信息智能分类的方法及系统。
背景技术
随着信息技术的不断发展,相关医疗信息不断的增加,对相关医疗信息的处理和存储的信息量越来越多,这样就给数据处理终端带来巨大的很淡,很容易导致数据处理终端的崩溃,从而导致相关医疗系统的瘫痪,这样就会造成医务人员的工作效率大大降低,因此,需要虚相关医疗信息进行分类处理,这样就可能避免相关医疗系统的稳定性。
发明内容
鉴于此,本申请提供了基于大数据的医疗信息智能分类的方法及系统。
第一方面,提供一种基于大数据的医疗信息智能分类的方法,所述方法包括:
获取配置医疗用户信息,将所述配置医疗用户信息输入待配置的目标用户筛选线程,所述配置医疗用户信息包括目标用户对应的类别划分范围;
对所述配置医疗用户信息进行描述内容识别,得到多个类别的起始配置描述内容集,每个起始配置描述内容集中包括对应的事先划分范围;
对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围;
基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,将起始配置描述内容集与对应的中间配置描述内容集进行组合,得到对应的目标配置描述内容集;
基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围;
基于所述起始测试划分范围和所述类别划分范围的范围误差、所述目标测试划分范围和所述类别划分范围的范围误差生成反馈损耗特征向量,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
优选地,所述对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围,包括:
分别对每个起始配置描述内容集进行描述内容处理,得到每个起始配置描述内容集分别对应的起始测试浮动范围集合;
所述起始测试浮动范围集合包括起始配置描述内容集上每个事先划分范围分别对应的起始测试浮动范围;
基于事先划分范围和对应的起始测试浮动范围得到对应的起始测试划分范围;
在当前起始配置描述内容集中,基于每个事先划分范围和类别划分范围之间的相似度,从每个事先划分范围中确定样本划分范围,将所述样本划分范围对应的起始测试划分范围作为所述当前起始配置描述内容集对应的中间测试划分范围;
基于每个起始配置描述内容集分别对应的中间测试划分范围得到所述更新划分范围;
其中,所述多个类别的起始配置描述内容集为按类别大小排列的起始配置描述内容集;所述基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,包括:
将当前起始配置描述内容集的类别压缩为所述当前起始配置描述内容集对应的相邻类别,将压缩后的当前起始配置描述内容集作为与所述压缩后的当前起始配置描述内容集类别相同的起始配置描述内容集所对应的中间配置描述内容集;
其中,所述基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围,包括:
基于每个起始配置描述内容集的类别大小确定每个起始配置描述内容集之间的匹配关系;
基于匹配关系将所述更新划分范围匹配到起始配置描述内容集对应的目标配置描述内容集上;
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围。
优选地,所述对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围,包括:
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试浮动范围;
基于更新划分范围和对应的目标测试浮动范围得到对应的目标测试划分范围。
优选地,所述基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程,包括:
将与类别划分范围的相似度大于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第一关联性,将与类别划分范围的相似度小于或等于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第二关联性;
基于事先划分范围对应的测试关联性和样本关联性、更新划分范围对应的测试关联性和样本关联性生成分类损耗,所述事先划分范围对应的测试关联性是对起始配置描述内容集进行描述内容处理得到的,所述更新划分范围对应的测试关联性是对目标配置描述内容集进行描述内容处理得到的;
基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
优选地,所述基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程,包括:
将所述配置医疗用户信息输入已配置的样本用户筛选线程,得到每个起始配置描述内容集对应的起始样本描述内容集和每个目标配置描述内容集对应的目标样本描述内容集;
所述样本用户筛选线程的线程特征向量大于所述目标用户筛选线程的线程特征向量,所述样本用户筛选线程和所述目标用户筛选线程的描述内容识别层之间存在一一对应关系;
基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗;
基于所述反馈损耗特征向量、所述分类损耗和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
第二方面,提供一种基于大数据的医疗信息智能分类的系统,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
获取配置医疗用户信息,将所述配置医疗用户信息输入待配置的目标用户筛选线程,所述配置医疗用户信息包括目标用户对应的类别划分范围;
对所述配置医疗用户信息进行描述内容识别,得到多个类别的起始配置描述内容集,每个起始配置描述内容集中包括对应的事先划分范围;
对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围;
基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,将起始配置描述内容集与对应的中间配置描述内容集进行组合,得到对应的目标配置描述内容集;
基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围;
基于所述起始测试划分范围和所述类别划分范围的范围误差、所述目标测试划分范围和所述类别划分范围的范围误差生成反馈损耗特征向量,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
优选地,所述数据处理终端具体用于:
分别对每个起始配置描述内容集进行描述内容处理,得到每个起始配置描述内容集分别对应的起始测试浮动范围集合;
所述起始测试浮动范围集合包括起始配置描述内容集上每个事先划分范围分别对应的起始测试浮动范围;
基于事先划分范围和对应的起始测试浮动范围得到对应的起始测试划分范围;
在当前起始配置描述内容集中,基于每个事先划分范围和类别划分范围之间的相似度,从每个事先划分范围中确定样本划分范围,将所述样本划分范围对应的起始测试划分范围作为所述当前起始配置描述内容集对应的中间测试划分范围;
基于每个起始配置描述内容集分别对应的中间测试划分范围得到所述更新划分范围;
其中,所述数据处理终端具体用于:
将当前起始配置描述内容集的类别压缩为所述当前起始配置描述内容集对应的相邻类别,将压缩后的当前起始配置描述内容集作为与所述压缩后的当前起始配置描述内容集类别相同的起始配置描述内容集所对应的中间配置描述内容集;
其中,所述数据处理终端具体用于:
基于每个起始配置描述内容集的类别大小确定每个起始配置描述内容集之间的匹配关系;
基于匹配关系将所述更新划分范围匹配到起始配置描述内容集对应的目标配置描述内容集上;
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围。
优选地,所述数据处理终端具体用于:
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试浮动范围;
基于更新划分范围和对应的目标测试浮动范围得到对应的目标测试划分范围。
优选地,所述数据处理终端具体用于:
将与类别划分范围的相似度大于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第一关联性,将与类别划分范围的相似度小于或等于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第二关联性;
基于事先划分范围对应的测试关联性和样本关联性、更新划分范围对应的测试关联性和样本关联性生成分类损耗,所述事先划分范围对应的测试关联性是对起始配置描述内容集进行描述内容处理得到的,所述更新划分范围对应的测试关联性是对目标配置描述内容集进行描述内容处理得到的;
基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
优选地,所述数据处理终端具体用于:
将所述配置医疗用户信息输入已配置的样本用户筛选线程,得到每个起始配置描述内容集对应的起始样本描述内容集和每个目标配置描述内容集对应的目标样本描述内容集;
所述样本用户筛选线程的线程特征向量大于所述目标用户筛选线程的线程特征向量,所述样本用户筛选线程和所述目标用户筛选线程的描述内容识别层之间存在一一对应关系;
基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗;
基于所述反馈损耗特征向量、所述分类损耗和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
本申请实施例所提供的基于大数据的医疗信息智能分类的方法及系统,通过获取待筛选医疗用户信息,对待筛选医疗用户信息进行描述内容识别,得到多个类别的起始筛选描述内容集;每个起始筛选描述内容集中包括对应的事先划分范围,对每个起始筛选描述内容集进行描述内容处理,得到待筛选医疗用户信息上目标用户对应的起始筛选划分范围,基于起始筛选描述内容集得到起始筛选描述内容集对应的中间筛选描述内容集,将起始筛选描述内容集与对应的中间筛选描述内容集进行组合,得到对应的目标筛选描述内容集,基于起始筛选划分范围对目标筛选描述内容集进行描述内容处理,得到待筛选医疗用户信息上目标用户对应的目标筛选划分范围。这样,对每个起始筛选描述内容集进行描述内容处理,由此对事先划分范围进行初步修正后得到起始筛选划分范围,通过组合不同描述内容集可以得到描述内容信息表示更准确地目标配置描述内容集,基于更新划分范围对目标配置描述内容集进行描述内容处理,由此对更新划分范围进行进一步修正后得到目标测试划分范围,目标测试划分范围可以更准确地定位到目标用户,从而提高了目标用户的筛选准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种基于大数据的医疗信息智能分类的方法的流程图。
图2为本申请实施例所提供的一种基于大数据的医疗信息智能分类的装置的框图。
图3为本申请实施例所提供的一种基于大数据的医疗信息智能分类的系统的架构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种基于大数据的医疗信息智能分类的方法,该方法可以包括以下步骤100-步骤600所描述的技术方案。
步骤100,获取配置医疗用户信息,将所述配置医疗用户信息输入待配置的目标用户筛选线程,所述配置医疗用户信息包括目标用户对应的类别划分范围。
举例而言,医疗用户信息用于表征医疗信息对应的指定的用户信息。
进一步地,类别划分范围各个医疗用户信息对用的医疗种类范围。
步骤200,对所述配置医疗用户信息进行描述内容识别,得到多个类别的起始配置描述内容集,每个起始配置描述内容集中包括对应的事先划分范围。
举例而言,描述内容识别用于表征医疗信息特征提取。
步骤300,对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围。
举例而言,范围误差用于表征医疗种类划分的边界误差。
步骤400,基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,将起始配置描述内容集与对应的中间配置描述内容集进行组合,得到对应的目标配置描述内容集。
举例而言,目标配置描述内容集用于表征训练后的医疗信息。
步骤500,基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围。
举例而言,目标测试划分范围用于更新后的误差许可范围。
步骤600,基于所述起始测试划分范围和所述类别划分范围的范围误差、所述目标测试划分范围和所述类别划分范围的范围误差生成反馈损耗特征向量,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
举例而言,已配置的目标用户筛选线程表示医疗信息分类好的医疗数据。
可以理解,在执行上述步骤100-步骤600所描述的技术方案时,通过获取待筛选医疗用户信息,对待筛选医疗用户信息进行描述内容识别,得到多个类别的起始筛选描述内容集;每个起始筛选描述内容集中包括对应的事先划分范围,对每个起始筛选描述内容集进行描述内容处理,得到待筛选医疗用户信息上目标用户对应的起始筛选划分范围,基于起始筛选描述内容集得到起始筛选描述内容集对应的中间筛选描述内容集,将起始筛选描述内容集与对应的中间筛选描述内容集进行组合,得到对应的目标筛选描述内容集,基于起始筛选划分范围对目标筛选描述内容集进行描述内容处理,得到待筛选医疗用户信息上目标用户对应的目标筛选划分范围。这样,对每个起始筛选描述内容集进行描述内容处理,由此对事先划分范围进行初步修正后得到起始筛选划分范围,通过组合不同描述内容集可以得到描述内容信息表示更准确地目标配置描述内容集,基于更新划分范围对目标配置描述内容集进行描述内容处理,由此对更新划分范围进行进一步修正后得到目标测试划分范围,目标测试划分范围可以更准确地定位到目标用户,从而提高了目标用户的筛选准确性。
在一种可替换的实施例中,发明人发现,对所述每个起始配置描述内容集进行描述内容处理时,存在每个起始配置描述内容集不准确地问题,从而难以准确地得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围,为了改善上述技术问题,步骤300所描述的对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围的步骤,具体可以包括以下步骤q1-步骤q5所描述的技术方案。
步骤q1,分别对每个起始配置描述内容集进行描述内容处理,得到每个起始配置描述内容集分别对应的起始测试浮动范围集合。
步骤q2,所述起始测试浮动范围集合包括起始配置描述内容集上每个事先划分范围分别对应的起始测试浮动范围。
步骤q3,基于事先划分范围和对应的起始测试浮动范围得到对应的起始测试划分范围。
步骤q4,在当前起始配置描述内容集中,基于每个事先划分范围和类别划分范围之间的相似度,从每个事先划分范围中确定样本划分范围,将所述样本划分范围对应的起始测试划分范围作为所述当前起始配置描述内容集对应的中间测试划分范围。
步骤q5,基于每个起始配置描述内容集分别对应的中间测试划分范围得到所述更新划分范围。
可以理解,在执行上述步骤q1-步骤q5所描述的技术方案时,,对所述每个起始配置描述内容集进行描述内容处理时,避免每个起始配置描述内容集不准确地问题,从而能够准确地得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围。
在一种可替换的实施例中,发明人发现,多个类别的起始配置描述内容集为按类别大小排列的起始配置描述内容集;所述基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集时,存在压缩不可靠的问题,从而难以完整地得到起始配置描述内容集对应的中间配置描述内容集,为了改善上述技术问题,步骤400所描述的多个类别的起始配置描述内容集为按类别大小排列的起始配置描述内容集;所述基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集的步骤,具体可以包括以下步骤w1所描述的技术方案。
步骤w1,将当前起始配置描述内容集的类别压缩为所述当前起始配置描述内容集对应的相邻类别,将压缩后的当前起始配置描述内容集作为与所述压缩后的当前起始配置描述内容集类别相同的起始配置描述内容集所对应的中间配置描述内容集。
可以理解,在执行上述步骤w1所描述的技术方案时,多个类别的起始配置描述内容集为按类别大小排列的起始配置描述内容集;所述基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集时,避免压缩不可靠的问题,从而能够完整地得到起始配置描述内容集对应的中间配置描述内容集。
在一种可替换的实施例中,发明人发现,基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理时,存在匹配关系不准确的问题,从而难以准确地得到更新划分范围对应的目标测试划分范围,为了改善上述技术问题,步骤500所描述的基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围的步骤,具体可以包括以下步骤e1-步骤e3所描述的技术方案。
步骤e1,基于每个起始配置描述内容集的类别大小确定每个起始配置描述内容集之间的匹配关系。
步骤e2,基于匹配关系将所述更新划分范围匹配到起始配置描述内容集对应的目标配置描述内容集上。
步骤e3,对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围。
可以理解,在执行上述步骤e1-步骤e3所描述的技术方案时,基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理时,避免匹配关系不准确的问题,从而能够准确地得到更新划分范围对应的目标测试划分范围。
在一种可替换的实施例中,发明人发现,对匹配后的目标配置描述内容集进行描述内容处理时,存在更新划分范围对应的目标测试浮动范围不准确地问题,从而难以准确地得到更新划分范围对应的目标测试划分范围,为了改善上述技术问题,步骤e3所描述的对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围的步骤,具体可以包括以下步骤e3a1和步骤e3a2所描述的技术方案。
步骤e3a1,对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试浮动范围。
步骤e3a2,基于更新划分范围和对应的目标测试浮动范围得到对应的目标测试划分范围。
可以理解,在执行上述步骤e3a1和步骤e3a2所描述的技术方案时,对匹配后的目标配置描述内容集进行描述内容处理时,避免更新划分范围对应的目标测试浮动范围不准确地问题,从而能够准确地得到更新划分范围对应的目标测试划分范围。
在一种可替换的实施例中,发明人发现,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件时,存在样本关联性不准确的问题,从而难以准确地得到已配置的目标用户筛选线程,为了改善上述技术问题,步骤600所描述的基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程的步骤,具体可以包括以下步骤r1-步骤r3所描述技术方案。
步骤r1,将与类别划分范围的相似度大于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第一关联性,将与类别划分范围的相似度小于或等于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第二关联性。
步骤r2,基于事先划分范围对应的测试关联性和样本关联性、更新划分范围对应的测试关联性和样本关联性生成分类损耗,所述事先划分范围对应的测试关联性是对起始配置描述内容集进行描述内容处理得到的,所述更新划分范围对应的测试关联性是对目标配置描述内容集进行描述内容处理得到的。
步骤r3,基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
可以理解,在执行上述步骤r1-步骤r3所描述技术方案时,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件时,避免样本关联性不准确的问题,从而能够准确地得到已配置的目标用户筛选线程。
在一种可替换的实施例中,发明人发现,基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件时,存在目标样本描述内容集不可靠的问题,从而难以可靠地得到已配置的目标用户筛选线程,为了改善上述技术问题,步骤r3所描述的基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程的步骤,具体可以包括以下步骤r3a1-步骤r3a4所描述的技术方案。
步骤r3a1,将所述配置医疗用户信息输入已配置的样本用户筛选线程,得到每个起始配置描述内容集对应的起始样本描述内容集和每个目标配置描述内容集对应的目标样本描述内容集。
步骤r3a2,所述样本用户筛选线程的线程特征向量大于所述目标用户筛选线程的线程特征向量,所述样本用户筛选线程和所述目标用户筛选线程的描述内容识别层之间存在一一对应关系。
步骤r3a3,基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗。
步骤r3a4,基于所述反馈损耗特征向量、所述分类损耗和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
可以理解,在执行上述步骤r3a1-步骤r3a4所描述的技术方案时,基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件时,避免目标样本描述内容集不可靠的问题,从而能够可靠地得到已配置的目标用户筛选线程。
在一种可能的实施例中,发明人发现,基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗时,存在每个识别处理后的起始配置描述内容集和对应的起始样本描述内容集的类别不准确的问题,从而难以准确地生成分类损耗,为了改善上述技术问题,步骤r3a3所描述的基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗的步骤,具体可以包括以下步骤t1-步骤t5所描述的技术方案。
步骤t1,对每个起始配置描述内容集进行识别处理,以使每个识别处理后的起始配置描述内容集和对应的起始样本描述内容集的类别相同。
步骤t2,计算识别处理后的起始配置描述内容集和对应的起始样本描述内容集之间的起始描述内容距离,基于每个起始描述内容距离得到所述起始相似度。
步骤t3,对每个目标配置描述内容集进行识别处理,以使每个识别处理后的目标配置描述内容集和对应的目标样本描述内容集的类别相同。
步骤t4,计算识别处理后的目标配置描述内容集和对应的目标样本描述内容集之间的目标描述内容距离,基于每个目标描述内容距离得到所述目标相似度。
步骤t5,基于所述起始相似度和所述目标相似度生成分类损耗。
可以理解,在执行上述步骤t1-步骤t5所描述的技术方案时,基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗时,避免每个识别处理后的起始配置描述内容集和对应的起始样本描述内容集的类别不准确的问题,从而能够准确地生成分类损耗。
在上述基础上,请结合参阅图2,提供了一种基于大数据的医疗信息智能分类的装置200,应用于数据处理终端,所述装置包括:
用户信息获取模块210,用于获取配置医疗用户信息,将所述配置医疗用户信息输入待配置的目标用户筛选线程,所述配置医疗用户信息包括目标用户对应的类别划分范围;
描述内容得到模块220,用于对所述配置医疗用户信息进行描述内容识别,得到多个类别的起始配置描述内容集,每个起始配置描述内容集中包括对应的事先划分范围;
划分范围得到模块230,用于对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围;
描述内容组合模块240,用于基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,将起始配置描述内容集与对应的中间配置描述内容集进行组合,得到对应的目标配置描述内容集;
描述内容处理模块250,用于基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围;
用户线程筛选模块260,用于基于所述起始测试划分范围和所述类别划分范围的范围误差、所述目标测试划分范围和所述类别划分范围的范围误差生成反馈损耗特征向量,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
在上述基础上,请结合参阅图3,示出了一种基于大数据的医疗信息智能分类的系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,通过获取待筛选医疗用户信息,对待筛选医疗用户信息进行描述内容识别,得到多个类别的起始筛选描述内容集;每个起始筛选描述内容集中包括对应的事先划分范围,对每个起始筛选描述内容集进行描述内容处理,得到待筛选医疗用户信息上目标用户对应的起始筛选划分范围,基于起始筛选描述内容集得到起始筛选描述内容集对应的中间筛选描述内容集,将起始筛选描述内容集与对应的中间筛选描述内容集进行组合,得到对应的目标筛选描述内容集,基于起始筛选划分范围对目标筛选描述内容集进行描述内容处理,得到待筛选医疗用户信息上目标用户对应的目标筛选划分范围。这样,对每个起始筛选描述内容集进行描述内容处理,由此对事先划分范围进行初步修正后得到起始筛选划分范围,通过组合不同描述内容集可以得到描述内容信息表示更准确地目标配置描述内容集,基于更新划分范围对目标配置描述内容集进行描述内容处理,由此对更新划分范围进行进一步修正后得到目标测试划分范围,目标测试划分范围可以更准确地定位到目标用户,从而提高了目标用户的筛选准确性。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于大数据的医疗信息智能分类的方法,其特征在于,所述方法包括:
获取配置医疗用户信息,将所述配置医疗用户信息输入待配置的目标用户筛选线程,所述配置医疗用户信息包括目标用户对应的类别划分范围;
对所述配置医疗用户信息进行描述内容识别,得到多个类别的起始配置描述内容集,每个起始配置描述内容集中包括对应的事先划分范围;
对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围;
基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,将起始配置描述内容集与对应的中间配置描述内容集进行组合,得到对应的目标配置描述内容集;
基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围;
基于所述起始测试划分范围和所述类别划分范围的范围误差、所述目标测试划分范围和所述类别划分范围的范围误差生成反馈损耗特征向量,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程;
所述基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程,包括:
将与类别划分范围的相似度大于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第一关联性,将与类别划分范围的相似度小于或等于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第二关联性;
基于事先划分范围对应的测试关联性和样本关联性、更新划分范围对应的测试关联性和样本关联性生成分类损耗,所述事先划分范围对应的测试关联性是对起始配置描述内容集进行描述内容处理得到的,所述更新划分范围对应的测试关联性是对目标配置描述内容集进行描述内容处理得到的;
基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
2.根据权利要求1所述的方法,其特征在于,所述对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围,包括:
分别对每个起始配置描述内容集进行描述内容处理,得到每个起始配置描述内容集分别对应的起始测试浮动范围集合;
所述起始测试浮动范围集合包括起始配置描述内容集上每个事先划分范围分别对应的起始测试浮动范围;
基于事先划分范围和对应的起始测试浮动范围得到对应的起始测试划分范围;
在当前起始配置描述内容集中,基于每个事先划分范围和类别划分范围之间的相似度,从每个事先划分范围中确定样本划分范围,将所述样本划分范围对应的起始测试划分范围作为所述当前起始配置描述内容集对应的中间测试划分范围;
基于每个起始配置描述内容集分别对应的中间测试划分范围得到所述更新划分范围;
其中,所述多个类别的起始配置描述内容集为按类别大小排列的起始配置描述内容集;所述基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,包括:
将当前起始配置描述内容集的类别压缩为所述当前起始配置描述内容集对应的相邻类别,将压缩后的当前起始配置描述内容集作为与所述压缩后的当前起始配置描述内容集类别相同的起始配置描述内容集所对应的中间配置描述内容集;
其中,所述基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围,包括:
基于每个起始配置描述内容集的类别大小确定每个起始配置描述内容集之间的匹配关系;
基于匹配关系将所述更新划分范围匹配到起始配置描述内容集对应的目标配置描述内容集上;
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围。
3.根据权利要求2所述的方法,其特征在于,所述对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围,包括:
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试浮动范围;
基于更新划分范围和对应的目标测试浮动范围得到对应的目标测试划分范围。
4.根据权利要求1所述的方法,其特征在于,所述基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程,包括:
将所述配置医疗用户信息输入已配置的样本用户筛选线程,得到每个起始配置描述内容集对应的起始样本描述内容集和每个目标配置描述内容集对应的目标样本描述内容集;
所述样本用户筛选线程的线程特征向量大于所述目标用户筛选线程的线程特征向量,所述样本用户筛选线程和所述目标用户筛选线程的描述内容识别层之间存在一一对应关系;
基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗;
基于所述反馈损耗特征向量、所述分类损耗和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
5.一种基于大数据的医疗信息智能分类的系统,其特征在于,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
获取配置医疗用户信息,将所述配置医疗用户信息输入待配置的目标用户筛选线程,所述配置医疗用户信息包括目标用户对应的类别划分范围;
对所述配置医疗用户信息进行描述内容识别,得到多个类别的起始配置描述内容集,每个起始配置描述内容集中包括对应的事先划分范围;
对所述每个起始配置描述内容集进行描述内容处理,得到每个事先划分范围对应的起始测试划分范围,基于每个事先划分范围和类别划分范围之间的范围误差,从每个起始测试划分范围中确定更新划分范围;
基于起始配置描述内容集得到起始配置描述内容集对应的中间配置描述内容集,将起始配置描述内容集与对应的中间配置描述内容集进行组合,得到对应的目标配置描述内容集;
基于所述更新划分范围对所述目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围;
基于所述起始测试划分范围和所述类别划分范围的范围误差、所述目标测试划分范围和所述类别划分范围的范围误差生成反馈损耗特征向量,基于所述反馈损耗特征向量修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程;
所述数据处理终端具体用于:
将与类别划分范围的相似度大于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第一关联性,将与类别划分范围的相似度小于或等于事先标准范围的事先划分范围和更新划分范围对应的样本关联性确定为第二关联性;
基于事先划分范围对应的测试关联性和样本关联性、更新划分范围对应的测试关联性和样本关联性生成分类损耗,所述事先划分范围对应的测试关联性是对起始配置描述内容集进行描述内容处理得到的,所述更新划分范围对应的测试关联性是对目标配置描述内容集进行描述内容处理得到的;
基于所述反馈损耗特征向量和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
6.根据权利要求5所述的系统,其特征在于,所述数据处理终端具体用于:
分别对每个起始配置描述内容集进行描述内容处理,得到每个起始配置描述内容集分别对应的起始测试浮动范围集合;
所述起始测试浮动范围集合包括起始配置描述内容集上每个事先划分范围分别对应的起始测试浮动范围;
基于事先划分范围和对应的起始测试浮动范围得到对应的起始测试划分范围;
在当前起始配置描述内容集中,基于每个事先划分范围和类别划分范围之间的相似度,从每个事先划分范围中确定样本划分范围,将所述样本划分范围对应的起始测试划分范围作为所述当前起始配置描述内容集对应的中间测试划分范围;
基于每个起始配置描述内容集分别对应的中间测试划分范围得到所述更新划分范围;
其中,所述数据处理终端具体用于:
将当前起始配置描述内容集的类别压缩为所述当前起始配置描述内容集对应的相邻类别,将压缩后的当前起始配置描述内容集作为与所述压缩后的当前起始配置描述内容集类别相同的起始配置描述内容集所对应的中间配置描述内容集;
其中,所述数据处理终端具体用于:
基于每个起始配置描述内容集的类别大小确定每个起始配置描述内容集之间的匹配关系;
基于匹配关系将所述更新划分范围匹配到起始配置描述内容集对应的目标配置描述内容集上;
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试划分范围。
7.根据权利要求6所述的系统,其特征在于,所述数据处理终端具体用于:
对匹配后的目标配置描述内容集进行描述内容处理,得到更新划分范围对应的目标测试浮动范围;
基于更新划分范围和对应的目标测试浮动范围得到对应的目标测试划分范围。
8.根据权利要求5所述的系统,其特征在于,所述数据处理终端具体用于:
将所述配置医疗用户信息输入已配置的样本用户筛选线程,得到每个起始配置描述内容集对应的起始样本描述内容集和每个目标配置描述内容集对应的目标样本描述内容集;
所述样本用户筛选线程的线程特征向量大于所述目标用户筛选线程的线程特征向量,所述样本用户筛选线程和所述目标用户筛选线程的描述内容识别层之间存在一一对应关系;
基于起始配置描述内容集和对应的起始样本描述内容集之间的起始相似度、目标配置描述内容集和对应的目标样本描述内容集之间的目标相似度生成分类损耗;
基于所述反馈损耗特征向量、所述分类损耗和所述分类损耗修正所述目标用户筛选线程的线程特征向量,直至符合预设条件,得到已配置的目标用户筛选线程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792753.0A CN113626538B (zh) | 2021-07-14 | 2021-07-14 | 基于大数据的医疗信息智能分类的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792753.0A CN113626538B (zh) | 2021-07-14 | 2021-07-14 | 基于大数据的医疗信息智能分类的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113626538A CN113626538A (zh) | 2021-11-09 |
CN113626538B true CN113626538B (zh) | 2023-11-24 |
Family
ID=78379680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110792753.0A Active CN113626538B (zh) | 2021-07-14 | 2021-07-14 | 基于大数据的医疗信息智能分类的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626538B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618850B (zh) * | 2022-09-30 | 2023-11-10 | 广东亿佛手健康科技有限公司 | 基于穴位医疗微服务的局部语法表达方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106164959A (zh) * | 2014-02-06 | 2016-11-23 | 威图数据研究公司 | 行为事件测量系统和相关方法 |
CN110827086A (zh) * | 2019-11-07 | 2020-02-21 | 恩亿科(北京)数据科技有限公司 | 产品营销预测方法、装置、计算机设备及可读存储介质 |
CN111612481A (zh) * | 2020-05-18 | 2020-09-01 | 上海齐网网络科技有限公司 | 生产销售反馈管理系统及方法 |
CN112463778A (zh) * | 2020-11-24 | 2021-03-09 | 史传波 | 基于大数据和应用程序的信息处理方法及大数据服务器 |
US10963497B1 (en) * | 2016-03-29 | 2021-03-30 | Amazon Technologies, Inc. | Multi-stage query processing |
CN112801425A (zh) * | 2021-03-31 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 信息点击率的确定方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-14 CN CN202110792753.0A patent/CN113626538B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106164959A (zh) * | 2014-02-06 | 2016-11-23 | 威图数据研究公司 | 行为事件测量系统和相关方法 |
US10963497B1 (en) * | 2016-03-29 | 2021-03-30 | Amazon Technologies, Inc. | Multi-stage query processing |
CN110827086A (zh) * | 2019-11-07 | 2020-02-21 | 恩亿科(北京)数据科技有限公司 | 产品营销预测方法、装置、计算机设备及可读存储介质 |
CN111612481A (zh) * | 2020-05-18 | 2020-09-01 | 上海齐网网络科技有限公司 | 生产销售反馈管理系统及方法 |
CN112463778A (zh) * | 2020-11-24 | 2021-03-09 | 史传波 | 基于大数据和应用程序的信息处理方法及大数据服务器 |
CN112801425A (zh) * | 2021-03-31 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 信息点击率的确定方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
iMakeup: 特定领域的大规模长视频数据集——用于细粒度视频语义内容描述;林霄竹等;《计算机辅助设计与图形学学报》;第31卷(第8期);第1350-1357页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113626538A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113378554B (zh) | 一种医疗信息智能交互的方法及系统 | |
CN115732050A (zh) | 一种医疗大数据信息智能采集方法及系统 | |
CN113626538B (zh) | 基于大数据的医疗信息智能分类的方法及系统 | |
CN113903473A (zh) | 基于人工智能的医疗信息智能交互的方法及系统 | |
CN115757370A (zh) | 基于物联网的用户信息通信方法及系统 | |
CN116737975A (zh) | 应用于图像分析的公共卫生数据查询方法及系统 | |
CN115373688B (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
CN115481197B (zh) | 一种分布式数据处理方法、系统及云平台 | |
CN117037982A (zh) | 一种医疗大数据信息智能采集方法及系统 | |
CN113626688B (zh) | 基于软件定义的智能化医疗数据采集方法及系统 | |
CN113947709A (zh) | 基于人工智能的图像处理方法及系统 | |
CN115618850B (zh) | 基于穴位医疗微服务的局部语法表达方法及系统 | |
CN113643818B (zh) | 基于区域数据的医疗数据集成数据的方法及系统 | |
CN113645063B (zh) | 基于边缘计算的智能集成数据的方法及系统 | |
CN115756576B (zh) | 软件开发包的翻译方法及软件开发系统 | |
CN113609931B (zh) | 基于神经网络的人脸识别方法及系统 | |
CN113611425B (zh) | 基于软件定义的智能化区域医疗集成数据库的方法及系统 | |
CN115759698B (zh) | 基于数字工厂的瓦楞原纸生产进度数据监控方法及系统 | |
CN113627490B (zh) | 基于多核异构处理器的运维多模态决策方法及系统 | |
CN113610117B (zh) | 基于深度数据的水下传感数据处理方法及系统 | |
CN116912351B (zh) | 基于人工智能的颅内结构成像的修正方法及系统 | |
CN113626559B (zh) | 基于语义的网络文档智能检索的方法及系统 | |
CN115079882B (zh) | 基于虚拟现实的人机交互处理方法及系统 | |
CN115563153B (zh) | 基于人工智能的任务批量处理方法、系统及服务器 | |
CN113609362B (zh) | 基于5g的数据管理方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231013 Address after: 201600 Room 202, 2nd floor, building 1, 255 zhoujiabang Road, Dongjing Town, Songjiang District, Shanghai Applicant after: SHANGHAI DATACENTER SCIENCE Co.,Ltd. Address before: 201600 1586 East Changxin Road, Dongjing Town, Songjiang District, Shanghai Applicant before: SHANGHAI QIWANG NETWORK TECHNOLOGY CO.,LTD. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |