CN114628005A - 一种信息处理方法、装置和设备 - Google Patents

一种信息处理方法、装置和设备 Download PDF

Info

Publication number
CN114628005A
CN114628005A CN202011455031.8A CN202011455031A CN114628005A CN 114628005 A CN114628005 A CN 114628005A CN 202011455031 A CN202011455031 A CN 202011455031A CN 114628005 A CN114628005 A CN 114628005A
Authority
CN
China
Prior art keywords
data
item recommendation
training
user
target
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
CN202011455031.8A
Other languages
English (en)
Inventor
林晓列
松森正树
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to CN202011455031.8A priority Critical patent/CN114628005A/zh
Priority to PCT/CN2021/133443 priority patent/WO2022121705A1/zh
Publication of CN114628005A publication Critical patent/CN114628005A/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Engineering & Computer Science (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)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种信息处理方法、装置和设备，涉及数据处理领域，以使得推荐的训练计划更加符合用户对训练效果的要求。该方法包括：获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；根据所述目标用户的数据形成训练项目推荐模型；获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。本发明实施例可以使得推荐的训练计划更加符合用户对训练效果的要求。

Description

一种信息处理方法、装置和设备
技术领域
本发明涉及数据处理领域，尤其涉及一种信息处理方法、装置和设备。
背景技术
在急速老龄化问题和养老看护市场不断扩大的背景下，智能养老平台的开发成为相关人员研究的主要方向。
专利文献CN201910942637.5提出了一种个性化运动量推荐系统及方法，可以为用户制定科学的健身计划，同时可以精准的检测用户运动量，对用户的运动计划的执行情况进行准确的记录，确保健身计划的有效执行。
但是，现有技术方案所制定的健身计划无法满足用户对训练效果的需求。
发明内容
本发明实施例提供一种信息处理方法、装置和设备，以使得推荐的训练计划更加符合用户对训练效果的要求。
第一方面，本发明实施例提供了一种信息处理方法，包括：
获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
其中，所述根据所述目标用户的数据形成训练项目推荐模型，包括：
根据所述目标用户的数据生成决策树模型；
利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
根据所述目标项目推荐路径形成训练项目推荐模型。
其中，所述根据所述目标用户的数据生成决策树模型，包括：
对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
其中，在所述形成所述决策树模型之后，所述方法还包括：
删除所述决策树模型中信息增益比为0的决策树分支。
其中，所述利用所述决策树模型，获取目标项目推荐路径，包括：
利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
其中，在所述利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径之后，所述方法还包括：
利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
其中，所述根据所述目标项目推荐路径形成训练项目推荐模型，包括：
根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
第二方面，本发明实施例提供了一种信息处理装置，包括：
第一获取模块，用于获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
第一生成模块，用于根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
第二获取模块，用于获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
第一处理模块，用于根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
其中，所述第一生成模块包括：
第一生成子模块，用于根据所述目标用户的数据生成决策树模型；
第一获取子模块，用于利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
第二生成子模块，用于根据所述目标项目推荐路径形成训练项目推荐模型。
其中，所述第一生成子模块包括：
第一计算单元，用于对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
第一生成单元，用于对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
第二生成单元，用于基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
其中，所述第一生成子模块还包括：
删除单元，用于删除所述决策树模型中信息增益比为0的决策树分支。
其中，所述第一获取子模块，用于利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
其中，所述第一生成模块还包括：
第二获取子模块，用于利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
第三获取子模块，用于利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
其中，所述第二生成子模块，用于根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
第三方面，本发明实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面所述的信息处理方法中的步骤。
在本发明实施例中，根据获取的目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成。之后，对于待推荐用户，利用所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。由于训练项目推荐模型是利用评估数据的改善值最大的训练项目推荐路径生成，也即该训练项目推荐路径对应的训练项目效果改善最好，因此，可使得通过该模型获得的推荐训练项目为对训练效果改善最好的训练项目，从而可满足用户对训练效果的要求。
附图说明
图1是本发明实施例提供的信息处理方法的流程图；
图2是根据本发明实施例的方案生成的决策树模型的示意图；
图3是本发明实施例的信息处理系统的结构示意图；
图4是本发明实施例提供的信息处理装置的结构图；
图5是本发明实施例中第一生成模块的结构图之一；
图6是本发明实施例中第一生成子模块的结构图；
图7是本发明实施例中第一生成模块的结构图之二；
图8是本发明实施例提供的电子设备的结构图。
具体实施方式
本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
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申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参见图1，图1是本发明实施例提供的信息处理方法的流程图，如图1所示，包括以下步骤：
步骤101、获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0。
在本发明实施例中，可通过传感设备等采集用户的数据，例如包括：用户基本的健康数据，基本的属性数据，评估数据，在候选训练项目中的训练数据等。
其中，健康数据可包括：年龄段，性别，学历，体重，身高，血压，脉搏，睡眠，精神状态，情绪状态，跌倒经历，既往病症等；属性数据可包括：年龄，性别，学历，跌倒经历，既往病症等；评估数据包括通过简易精神状态量表(Mini Mental State Examination，MMSE)或者起立行走试验(Time Up Go test，TUG)等评估方法获得的评估分数；在候选训练项目中的训练数据可包括利用脑成像仪等方式采集的大脑训练数据以及利用魔法垫等方式采集的身体活动训练数据。
其中，所述候选训练项目可根据需要设置，所述第一预设时间段也可根据需要设置。
对于采集用户的数据，利用历史数据统计方法，提取预设期间内(例如：短期：1个月，长期：3个月)评估数据的评分数值有改善效果的评估数据。其中，有改善的评估数据指的是，在预设时间内的最后一次MMSE/TUG的分数值和前一次MMSE/TUG的分数值之差大于0的评估数据。将这些有改善的评估数据所对应的用户作为目标用户，并提取这些目标用户的数据。通过这种方式，可使得获得的训练项目推荐模型更符合用户的需求。
步骤102、根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成。
在此步骤中，可根据所述目标用户的数据生成决策树模型，并利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径。然后，根据所述目标项目推荐路径形成训练项目推荐模型。
在根据所述目标用户的数据生成决策树模型的过程中，基于目标用户的数据，利用信息熵算法对用户数据的特征进行影响度分析，选择对改善结果有影响的特征，特征选取完成后，生成决策树模型。
具体的，对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值。对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支。然后，基于所有类别的特征所形成的决策树分支，形成所述决策树模型。通过这种方式，可生成一颗基于对改善结果影响重要度进行排序和分类的决策树模型。
此外，在形成决策树模型之后，还可删除所述决策树模型中信息增益比为0(也即对改善效果没影响)的决策树分支，从而提高处理效率。
在本发明实施例中，获取的目标路径可包括第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值(效果)最大；还可以进一步包括第二目标项目推荐路径，其中，第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数(兴趣)最多；第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数(效率)最小。其中，该第二预设时间段可根据需要设置。
具体的，可利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，以及，利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径。也即，对同一类特征用户，利用决策树的后剪枝算法，保留效果最大的路径；从效果最大的路径中，保留兴趣最大的路径；从兴趣最大的路径中，保留效率最大路径。当然，在实际应用中，兴趣或者效果还可通过其他参数来体现。
在实际应用中，可根据第一目标项目推荐路径形成训练项目推荐模型，或者，还可根据第二目标项目推荐路径形成训练项目推荐模型，还可根据第三目标项目推荐路径形成训练项目推荐模型。
在获得了目标项目推荐路径后，可获取其中的训练天数，每个项目的训练次数等信息，利用用户的数据对该模型进行训练，从而可提高模型的准确性。
步骤103、获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据。
其中，待推荐用户的健康数据可包括：年龄段，性别，学历，体重，身高，血压，脉搏，睡眠，精神状态，情绪状态，跌倒经历，既往病症等；属性数据可包括：年龄，性别，学历，跌倒经历，既往病症等；评估数据包括通过MMSE或者TUG等评估方法获得的评估分数。
步骤104、根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
在实际应用中，如果按照步骤101-102的过程生成了训练项目推荐模型，那么，在后期为用户推荐训练项目时，可无需再重新生成模型，而可直接利用已经生成的训练项目推荐模型为用户推荐训练项目。
由于训练项目推荐模型是利用评估数据的改善值最大的训练项目推荐路径生成，也即该训练项目推荐路径对应的训练项目效果改善最好，因此，可使得通过该模型获得的推荐训练项目为对训练效果改善最好的训练项目，从而可满足用户对训练效果的要求。
参见图2，图2为根据本发明实施例的方案生成的决策树模型的示意图。其中，MMSE分数值改善最大的路径有3条，即分数值为2的三条路径。从这三条路径中，选择兴趣最大的路径即参与天数大于或等于3天的路径301；接着，在路径301中，选择参加游戏次数最少的路径(即路径最短，或称为效率最高)302。该路径302中的项目和用户特征可用作形成训练项目推荐模型。
参见图3，图3是本发明实施例的信息处理系统的结构示意图。如图3所示，该系统可包括传感设备，数据采集设备，训练项目推荐设备等。该系统和上述方法可应用于养老院等场所。
数据采集设备通过传感设备采集用户(比如老人)的数据，如基本数据，评估数据，训练数据等，该数据可同时存储到数据采集设备的数据库中。这些数据输入到训练项目推荐设备生成训练项目推荐模型。当需要为新的用户推荐训练项目时，采集该用户的基本数据，评估数据，并输入到训练项目推荐设备中，生成推荐训练项目。该推荐训练项目可提供给看护人员，并推荐给该新的用户。
参见图4，图4是本发明实施例提供的信息处理装置的结构图。由于信息处理装置解决问题的原理与本发明实施例中信息处理方法相似，因此该信息处理装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，信息处理装置400包括：
第一获取模块401，用于获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；第一生成模块402，用于根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；第二获取模块403，用于获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；第一处理模块404，用于根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
可选的，如图5所示，所述第一生成模块402包括：
第一生成子模块4021，用于根据所述目标用户的数据生成决策树模型；第一获取子模块4022，用于利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；第二生成子模块4023，用于根据所述目标项目推荐路径形成训练项目推荐模型。
可选的，如图6所示，所述第一生成子模块4021包括：
第一计算单元40211，用于对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
第一生成单元40212，用于对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
第二生成单元40213，用于基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
可选的，所述第一生成子模块还包括：
删除单元，用于删除所述决策树模型中信息增益比为0的决策树分支。
可选的，所述第一获取子模块4022，用于利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
可选的，如图7所示，所述第一生成模块402还包括：
第二获取子模块4024，用于利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
第三获取子模块4025，用于利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
可选的，所述第二生成子模块4023，用于根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
本发明实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
需要说明的是，本申请实施例中对单元的划分是示意性的，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。另外，在本申请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。
所述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，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请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，该计算机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台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请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、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
参见图8，图8是本发明实施例提供的电子设备的结构图。该电子设备可包括存储器801、处理器802及存储在所述存储器上并可在所述处理器上运行的程序。所述处理器802，用于读取存储器中的程序实现如前所述的信息处理方法中的步骤。
本发明实施例还提供一种可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现上述信息处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的可读存储介质，可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。根据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁盘、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (15)

1.一种信息处理方法，其特征在于，包括：
获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
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的数据形成训练项目推荐模型，包括：
根据所述目标用户的数据生成决策树模型；
利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
根据所述目标项目推荐路径形成训练项目推荐模型。
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的数据生成决策树模型，包括：
对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
4.根据权利要求3所述的方法，其特征在于，在所述形成所述决策树模型之后，所述方法还包括：
删除所述决策树模型中信息增益比为0的决策树分支。
5.根据权利要求2所述的方法，其特征在于，所述利用所述决策树模型，获取目标项目推荐路径，包括：
利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
6.根据权利要求5所述的方法，其特征在于，在所述利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径之后，所述方法还包括：
利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
7.根据权利要求6所述的方法，其特征在于，所述根据所述目标项目推荐路径形成训练项目推荐模型，包括：
根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
8.一种信息处理装置，其特征在于，包括：
第一获取模块，用于获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
第一生成模块，用于根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
第二获取模块，用于获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
第一处理模块，用于根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
9.根据权利要求8所述的装置，其特征在于，所述第一生成模块包括：
第一生成子模块，用于根据所述目标用户的数据生成决策树模型；
第一获取子模块，用于利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
第二生成子模块，用于根据所述目标项目推荐路径形成训练项目推荐模型。
10.根据权利要求9所述的装置，其特征在于，所述第一生成子模块包括：
第一计算单元，用于对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
第一生成单元，用于对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
第二生成单元，用于基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
11.根据权利要求10所述的装置，其特征在于，所述第一生成子模块还包括：
删除单元，用于删除所述决策树模型中信息增益比为0的决策树分支。
12.根据权利要求9所述的装置，其特征在于，所述第一获取子模块，用于利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
13.根据权利要求12所述的装置，其特征在于，所述第一生成模块还包括：
第二获取子模块，用于利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
第三获取子模块，用于利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
14.根据权利要求13所述的装置，其特征在于，所述第二生成子模块，用于根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
15.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至7中任一项所述的信息处理方法中的步骤。
CN202011455031.8A 2020-12-10 2020-12-10 一种信息处理方法、装置和设备 Pending CN114628005A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011455031.8A CN114628005A (zh) 2020-12-10 2020-12-10 一种信息处理方法、装置和设备
PCT/CN2021/133443 WO2022121705A1 (zh) 2020-12-10 2021-11-26 信息处理方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011455031.8A CN114628005A (zh) 2020-12-10 2020-12-10 一种信息处理方法、装置和设备

Publications (1)

Publication Number Publication Date
CN114628005A true CN114628005A (zh) 2022-06-14

Family

ID=81895755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011455031.8A Pending CN114628005A (zh) 2020-12-10 2020-12-10 一种信息处理方法、装置和设备

Country Status (2)

Country Link
CN (1) CN114628005A (zh)
WO (1) WO2022121705A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862815A (zh) * 2022-11-29 2023-03-28 北京津发科技股份有限公司 人机工效测试与训练方法、系统、设备以及可读存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308738B (zh) * 2023-02-10 2024-03-08 之江实验室 一种模型训练的方法、业务风控的方法及装置
CN116910669B (zh) * 2023-09-13 2024-07-26 深圳市智慧城市科技发展集团有限公司 数据分类方法、装置、电子设备及可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014037872A2 (en) * 2012-09-06 2014-03-13 Koninklijke Philips N.V. Guideline-based decision support
CN108460489A (zh) * 2018-03-15 2018-08-28 重庆邮电大学 一种基于大数据技术的用户行为分析与服务推荐框架
CN111898020B (zh) * 2020-06-18 2024-09-13 山东浪潮科学研究院有限公司 基于bert和lstm的知识学习体系推荐方法、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862815A (zh) * 2022-11-29 2023-03-28 北京津发科技股份有限公司 人机工效测试与训练方法、系统、设备以及可读存储介质
CN115862815B (zh) * 2022-11-29 2023-12-19 北京津发科技股份有限公司 人机工效测试与训练方法、系统、设备以及可读存储介质

Also Published As

Publication number Publication date
WO2022121705A1 (zh) 2022-06-16

Similar Documents

Publication Publication Date Title
CN114628005A (zh) 一种信息处理方法、装置和设备
CN109902222B (zh) 一种推荐方法及装置
CN108304440B (zh) 游戏推送的方法、装置、计算机设备及存储介质
CN106653001A (zh) 婴儿哭声的辩识方法及其系统
CN111785366B (zh) 患者治疗方案的确定方法、装置及计算机设备
CN103353920A (zh) 基于社交网络推荐游戏的方法和装置
CN113268589B (zh) 关键用户识别方法、装置、可读存储介质和计算机设备
CN112494952A (zh) 目标游戏用户的检测方法、装置及设备
CN110782996A (zh) 医疗数据库的构建方法、装置、计算机设备和存储介质
CN109659009B (zh) 情绪管理方法、装置及电子设备
CN106529110A (zh) 一种用户数据分类的方法和设备
US20220138497A1 (en) Population modeling system based on multiple data sources having missing entries
CN109273097B (zh) 一种药物适应症的自动生成方法、装置、设备及存储介质
CN109726826A (zh) 随机森林的训练方法、装置、存储介质和电子设备
CN111783830A (zh) 基于oct的视网膜分类方法、装置、计算机设备及存储介质
CN111340540A (zh) 广告推荐模型的监控方法、推荐方法及装置
CN110968802A (zh) 一种用户特征的分析方法、分析装置及可读存储介质
JP2020500372A5 (zh)
JP5782562B2 (ja) レコメンド作成システム
CN111523048B (zh) 社交网络中好友的推荐方法、装置、存储介质及终端
CN112860991B (zh) 基于用户习惯的书籍优选方法及装置
CN116108207A (zh) 应用于益智类设备的出题实现方法及装置、益智类设备
CN111816276A (zh) 患教教程推荐方法、装置、计算机设备和存储介质
CN113742571B (zh) 一种基于大数据的消息推送方法及装置、存储介质
KR20240137895A (ko) 금연 동기수준의 예측 방법, 예측 장치 및 프로그램

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