CN117093920B - 一种用户DRGs分组方法 - Google Patents
一种用户DRGs分组方法 Download PDFInfo
- Publication number
- CN117093920B CN117093920B CN202311362714.2A CN202311362714A CN117093920B CN 117093920 B CN117093920 B CN 117093920B CN 202311362714 A CN202311362714 A CN 202311362714A CN 117093920 B CN117093920 B CN 117093920B
- Authority
- CN
- China
- Prior art keywords
- data
- drgs
- user
- model
- representing
- 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 62
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种用户DRGs分组方法，涉及数据处理技术领域，其方法包括以下步骤：获取历史用户就诊数据，并对历史用户就诊数据进行预处理，生成标准用户就诊数据；提取标准用户就诊数据的目标特征，并对目标特征依次进行编码和映射，生成一致性特征；构建DRGs分组模型，将标准用户就诊数据以及标准用户就诊数据的一致性特征和DRGs类别输入至DRGs分组模型中，对DRGs分组模型进行训练；获取最新用户就诊数据，将最新用户就诊数据输入至训练后的DRGs分组模型中，确定最新用户所属DRGs分组。该用户DRGs分组方法通过对数据预处理、提取特征以及构建分类模型，可以准确地得到DRGs分组结果。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种用户DRGs分组方法。
背景技术
随着科技的发展，DRGs分组逐渐成为关注点，其不同于以往项目付费支付方式，而是主要考虑病例的综合情况进行分类付费。 然而，现有医院信息系统上传的信息繁杂多样，没有进行文本和数据的分类，且多数采用人工分类，导致分组效能低下等一系列问题。
发明内容
本发明的目的在于提供一种用户DRGs分组方法。
本发明的实施例通过以下技术方案实现：一种用户DRGs分组方法包括以下步骤：
获取历史用户就诊数据，并对历史用户就诊数据进行预处理，生成标准用户就诊数据；
提取标准用户就诊数据的目标特征，并对目标特征依次进行编码和映射，生成一致性特征；
构建DRGs分组模型，将标准用户就诊数据以及标准用户就诊数据的一致性特征和DRGs类别输入至DRGs分组模型中，对DRGs分组模型进行训练；
获取最新用户就诊数据，将最新用户就诊数据输入至训练后的DRGs分组模型中，确定最新用户所属DRGs分组。
进一步地，获取历史用户就诊数据，并对历史用户就诊数据进行预处理，生成标准用户就诊数据，包括以下子步骤：
获取历史用户就诊数据，提取历史用户就诊数据的文本数据和数值数据，生成对应的文本数据序列和数值数据序列；
对文本数据序列和数值数据序列分别进行预处理；
将预处理后文本数据序列和预处理后数值数据序列的集合作为标准用户就诊数据。
进一步地，对文本数据序列进行预处理的具体方法为：利用滑动窗口将文本数据序列划分若干个文本数据子序列，计算各个文本数据子序列的文本权重，将各个文本数据子序列中小于文本权重的词频对应的单词剔除，完成文本数据预处理。
进一步地，文本数据子序列的文本权重σ的计算公式为：
式中，C表示文本数据子序列的长度，f ck表示第c个单位长度内第k个单词的词频，K表示第c个单位长度内单词个数，f c表示第c个单位长度内的最大词频，D c表示第c个单位长度的逆文档频率。
进一步地，对数值数据序列进行预处理的具体方法为：利用分箱法对数值数据进行清洗。
进一步地，标准用户就诊数据的目标特征m的计算公式为：
式中，S n+1表示第n+1个就诊数据，S n表示第n个就诊数据，S n-1表示第n-1个就诊数据，N表示就诊数据总数。
进一步地，DRGs分组模型包括依次连接的类别匹配层、数据匹配层和模型训练层；
类别匹配层用于根据标准用户就诊数据的一致性特征和DRGs类别，构建类别匹配函数；
数据匹配层用于根据类别匹配函数确定标准用户就诊数据的类别匹配权重；
模型训练层用于将标准用户就诊数据作为DRGs分组模型的输入参数，将类别匹配权重作为学习率，对DRGs分组模型进行训练。
进一步地，类别匹配函数F的表达式为：
式中，M表示目标特征对应的矩阵，I表示单位矩阵，T表示 ρ表示DRGs类别的权重。
进一步地，标准用户就诊数据的类别匹配权重θ的计算公式为：
式中，F表示类别匹配函数。
进一步地，DRGs分组模型的损失函数Loss的表达式为：
式中，g max表示DRGs分组模型中神经元的最大幅值，g min表示DRGs分组模型中神经元的最小幅值，g ave表示DRGs分组模型中神经元的平均幅值，G表示DRGs分组模型的神经元个数。
本发明实施例的技术方案至少具有如下优点和有益效果：
（1）该用户DRGs分组方法获取不同格式的就诊数据，对就诊数据进行分类，对文本型就诊数据和数值型就诊数据采用不同的预处理方法，一方面可以保证对数据预处理的准确性，另一方面可以减少算法流程；
（2）该用户DRGs分组方法通过提取就诊数据的特征来进行模型训练，并对特征进行编码和映射，可以丰富特征元素，保证后期进行模型训练时参数的多样性；
（3）该用户DRGs分组方法构建的分组模型以历史用户就诊数据作为参数输入，充分考虑历史用户就诊数据所属DRGs类别和特征对模型训练的影响，构建类别匹配层和数据匹配层来计算类别匹配权重，类别匹配权重可作为模型训练的学习率，这样训练得到的模型更符合实际需求，具有通用性；
（4）该用户DRGs分组方法通过对数据预处理、提取特征以及构建分类模型，可以准确地得到DRGs分组结果。
附图说明
图1为本发明实施例提供的用户DRGs分组方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，本发明提供了一种用户DRGs分组方法，包括以下步骤：
获取历史用户就诊数据，并对历史用户就诊数据进行预处理，生成标准用户就诊数据；
提取标准用户就诊数据的目标特征，并对目标特征依次进行编码和映射，生成一致性特征；
构建DRGs分组模型，将标准用户就诊数据以及标准用户就诊数据的一致性特征和DRGs类别输入至DRGs分组模型中，对DRGs分组模型进行训练；
获取最新用户就诊数据，将最新用户就诊数据输入至训练后的DRGs分组模型中，确定最新用户所属DRGs分组。
在本发明实施例中，获取历史用户就诊数据，并对历史用户就诊数据进行预处理，生成标准用户就诊数据，包括以下子步骤：
获取历史用户就诊数据，提取历史用户就诊数据的文本数据和数值数据，生成对应的文本数据序列和数值数据序列；
对文本数据序列和数值数据序列分别进行预处理；
将预处理后文本数据序列和预处理后数值数据序列的集合作为标准用户就诊数据。
在本发明实施例中，对文本数据序列进行预处理的具体方法为：利用滑动窗口将文本数据序列划分若干个文本数据子序列，计算各个文本数据子序列的文本权重，将各个文本数据子序列中小于文本权重的词频对应的单词剔除，完成文本数据预处理。
在本发明实施例中，文本数据子序列的文本权重σ的计算公式为：
式中，C表示文本数据子序列的长度，f ck表示第c个单位长度内第k个单词的词频，K表示第c个单位长度内单词个数，f c表示第c个单位长度内的最大词频，D c表示第c个单位长度的逆文档频率。
在本发明实施例中，对数值数据序列进行预处理的具体方法为：利用分箱法对数值数据进行清洗。
在本发明实施例中，标准用户就诊数据的目标特征m的计算公式为：
式中，S n+1表示第n+1个就诊数据，S n表示第n个就诊数据，S n-1表示第n-1个就诊数据，N表示就诊数据总数。
在本发明实施例中，DRGs分组模型包括依次连接的类别匹配层、数据匹配层和模型训练层；
类别匹配层用于根据标准用户就诊数据的一致性特征和DRGs类别，构建类别匹配函数；
数据匹配层用于根据类别匹配函数确定标准用户就诊数据的类别匹配权重；
模型训练层用于将标准用户就诊数据作为DRGs分组模型的输入参数，将类别匹配权重作为学习率，对DRGs分组模型进行训练。
在本发明实施例中，类别匹配函数F的表达式为：
式中，M表示目标特征对应的矩阵，I表示单位矩阵，T表示 ρ表示DRGs类别的权重。
每个就诊数据对应一个目标特征，将各个就诊数据的目标特征排列，得到对应的矩阵。
在本发明实施例中，标准用户就诊数据的类别匹配权重θ的计算公式为：
式中，F表示类别匹配函数。
在本发明实施例中，DRGs分组模型的损失函数Loss的表达式为：
式中，g max表示DRGs分组模型中神经元的最大幅值，g min表示DRGs分组模型中神经元的最小幅值，g ave表示DRGs分组模型中神经元的平均幅值，G表示DRGs分组模型的神经元个数。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种用户DRGs分组方法，其特征在于，包括以下步骤：
获取历史用户就诊数据，并对历史用户就诊数据进行预处理，生成标准用户就诊数据；
提取标准用户就诊数据的目标特征，并对目标特征依次进行编码和映射，生成一致性特征；
构建DRGs分组模型，将标准用户就诊数据以及标准用户就诊数据的一致性特征和DRGs类别输入至DRGs分组模型中，对DRGs分组模型进行训练；
获取最新用户就诊数据，将最新用户就诊数据输入至训练后的DRGs分组模型中，确定最新用户所属DRGs分组；
所述标准用户就诊数据的目标特征m的计算公式为：
式中，S n+1表示第n+1个就诊数据，S n表示第n个就诊数据，S n-1表示第n-1个就诊数据，N表示就诊数据总数；
所述DRGs分组模型包括依次连接的类别匹配层、数据匹配层和模型训练层；
所述类别匹配层用于根据标准用户就诊数据的一致性特征和DRGs类别，构建类别匹配函数；
所述数据匹配层用于根据类别匹配函数确定标准用户就诊数据的类别匹配权重；
所述模型训练层用于将标准用户就诊数据作为DRGs分组模型的输入参数，将类别匹配权重作为学习率，对DRGs分组模型进行训练；
所述类别匹配函数F的表达式为：
式中，M表示目标特征对应的矩阵，I表示单位矩阵，T表示 ρ表示DRGs类别的权重；
所述标准用户就诊数据的类别匹配权重θ的计算公式为：
式中，F表示类别匹配函数；
所述DRGs分组模型的损失函数Loss的表达式为：
式中，g max表示DRGs分组模型中神经元的最大幅值，g min表示DRGs分组模型中神经元的最小幅值，g ave表示DRGs分组模型中神经元的平均幅值，G表示DRGs分组模型的神经元个数。
2.根据权利要求1所述的用户DRGs分组方法，其特征在于：所述获取历史用户就诊数据，并对历史用户就诊数据进行预处理，生成标准用户就诊数据，包括以下子步骤：
获取历史用户就诊数据，提取历史用户就诊数据的文本数据和数值数据，生成对应的文本数据序列和数值数据序列；
对文本数据序列和数值数据序列分别进行预处理；
将预处理后文本数据序列和预处理后数值数据序列的集合作为标准用户就诊数据。
3.根据权利要求2所述的用户DRGs分组方法，其特征在于：所述对文本数据序列进行预处理的具体方法为：利用滑动窗口将文本数据序列划分若干个文本数据子序列，计算各个文本数据子序列的文本权重，将各个文本数据子序列中小于文本权重的词频对应的单词剔除，完成文本数据预处理。
4.根据权利要求3所述的用户DRGs分组方法，其特征在于：所述文本数据子序列的文本权重σ的计算公式为：
式中，C表示文本数据子序列的长度，f ck表示第c个单位长度内第k个单词的词频，K表示第c个单位长度内单词个数，f c表示第c个单位长度内的最大词频，D c表示第c个单位长度的逆文档频率。
5.根据权利要求2所述的用户DRGs分组方法，其特征在于：所述对数值数据序列进行预处理的具体方法为：利用分箱法对数值数据进行清洗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362714.2A CN117093920B (zh) | 2023-10-20 | 2023-10-20 | 一种用户DRGs分组方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362714.2A CN117093920B (zh) | 2023-10-20 | 2023-10-20 | 一种用户DRGs分组方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117093920A CN117093920A (zh) | 2023-11-21 |
| CN117093920B true CN117093920B (zh) | 2024-01-23 |
Family
ID=88781537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311362714.2A Active CN117093920B (zh) | 2023-10-20 | 2023-10-20 | 一种用户DRGs分组方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093920B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3076034A1 (fr) * | 2017-12-22 | 2019-06-28 | Oberthur Technologies | Collecte de donnees d'historique de transaction sur un terminal |
| CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
| CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
| CN111785382A (zh) * | 2020-06-28 | 2020-10-16 | 平安医疗健康管理股份有限公司 | DRGs分组的入组判定方法、装置及计算机设备 |
| CN111797629A (zh) * | 2020-06-23 | 2020-10-20 | 平安医疗健康管理股份有限公司 | 医疗文本数据的处理方法、装置、计算机设备和存储介质 |
| CN112148882A (zh) * | 2020-11-27 | 2020-12-29 | 北京惠及智医科技有限公司 | 病历文本处理方法、装置、电子设备及存储介质 |
| CN113345577A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
| CN114864029A (zh) * | 2022-05-26 | 2022-08-05 | 广西医科大学第一附属医院 | 一种医院DRGs分组判断方法及工作系统 |
| CN115295133A (zh) * | 2022-08-10 | 2022-11-04 | 辽宁省肿瘤医院 | 一种面向手术操作的编码校验方法 |
| CN115691820A (zh) * | 2022-10-08 | 2023-02-03 | 上海金仕达卫宁软件科技有限公司 | 病种多分型标准诊疗方案自动构建系统 |
| CN116150698A (zh) * | 2022-09-08 | 2023-05-23 | 天津大学 | 一种基于语义信息融合的drg自动分组方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150088548A1 (en) * | 2013-09-26 | 2015-03-26 | Intelligent Medical Objects, Inc. | System and Method for Determining a Sufficiency of Data Entry in an Electronic Health Record |
-
2023
- 2023-10-20 CN CN202311362714.2A patent/CN117093920B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3076034A1 (fr) * | 2017-12-22 | 2019-06-28 | Oberthur Technologies | Collecte de donnees d'historique de transaction sur un terminal |
| CN111161814A (zh) * | 2019-12-18 | 2020-05-15 | 浙江大学 | 一种基于卷积神经网络的DRGs自动分组方法 |
| CN111584021A (zh) * | 2020-05-08 | 2020-08-25 | 青岛国新健康产业科技有限公司 | 病案信息校验方法、装置、电子设备及存储介质 |
| CN111797629A (zh) * | 2020-06-23 | 2020-10-20 | 平安医疗健康管理股份有限公司 | 医疗文本数据的处理方法、装置、计算机设备和存储介质 |
| CN111785382A (zh) * | 2020-06-28 | 2020-10-16 | 平安医疗健康管理股份有限公司 | DRGs分组的入组判定方法、装置及计算机设备 |
| CN112148882A (zh) * | 2020-11-27 | 2020-12-29 | 北京惠及智医科技有限公司 | 病历文本处理方法、装置、电子设备及存储介质 |
| CN113345577A (zh) * | 2021-06-18 | 2021-09-03 | 北京百度网讯科技有限公司 | 诊疗辅助信息的生成方法、模型训练方法、装置、设备以及存储介质 |
| CN114864029A (zh) * | 2022-05-26 | 2022-08-05 | 广西医科大学第一附属医院 | 一种医院DRGs分组判断方法及工作系统 |
| CN115295133A (zh) * | 2022-08-10 | 2022-11-04 | 辽宁省肿瘤医院 | 一种面向手术操作的编码校验方法 |
| CN116150698A (zh) * | 2022-09-08 | 2023-05-23 | 天津大学 | 一种基于语义信息融合的drg自动分组方法及系统 |
| CN115691820A (zh) * | 2022-10-08 | 2023-02-03 | 上海金仕达卫宁软件科技有限公司 | 病种多分型标准诊疗方案自动构建系统 |
Non-Patent Citations (3)
| Title |
|---|
| Opening the black box of diagnosis-related groups (DRGs): unpacking the technical remuneration structure of the Dutch DRG system;Sam van Herwaarden等;Health Economics, Policy and Law;第15卷(第2期);196 - 209 * |
| 基于CHS-DRG分组的某三甲综合医院QY病案分析;黎芳铃;医学信息;第36卷(第06期);50-54 * |
| 基于特征筛选与机器学习的医疗保险报销比例预测研究;杨赫祎等;中国循证医学杂志;第23卷(第04期);373-378 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117093920A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257341B (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
| CN109086805B (zh) | 一种基于深度神经网络和成对约束的聚类方法 | |
| US11704500B2 (en) | Techniques to add smart device information to machine learning for increased context | |
| CN110287961A (zh) | 中文分词方法、电子装置及可读存储介质 | |
| CN114169442B (zh) | 基于双原型网络的遥感图像小样本场景分类方法 | |
| CN111180062A (zh) | 基于原始诊断数据的疾病分类编码智能推荐方法 | |
| CN112131322B (zh) | 时间序列分类方法及装置 | |
| CN108629412A (zh) | 一种基于无网格最大互信息准则的神经网络训练加速方法 | |
| US11373043B2 (en) | Technique for generating and utilizing virtual fingerprint representing text data | |
| EP3759679A1 (en) | Deep learning approach for assessing credit risk | |
| CN114896067A (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
| CN102339278B (zh) | 信息处理装置和信息处理方法 | |
| CN110992173A (zh) | 一种基于多实例学习的信用风险评估模型生成方法 | |
| CN117314593B (zh) | 一种基于用户行为分析的保险项目推送方法及系统 | |
| CN115797041A (zh) | 基于深度图半监督学习的金融信用评估方法 | |
| CN117093920B (zh) | 一种用户DRGs分组方法 | |
| CN113268628A (zh) | 一种基于模块化的加权融合神经网络的音乐情感识别方法 | |
| CN114822562A (zh) | 声纹识别模型的训练方法、声纹识别方法及相关设备 | |
| CN110223771A (zh) | 基于nhpp的消化内科电子数据分析方法 | |
| CN111178630A (zh) | 一种负荷预测方法及装置 | |
| Zhai et al. | A Named Entity Recognition Method based on Knowledge Distillation and Efficient GlobalPointer for Chinese Medical Texts | |
| CN115830400B (zh) | 一种基于联邦学习机制的数据识别方法及其系统 | |
| CN117457135B (zh) | 一种地址数据治理方法和循环神经网络模型构建方法 | |
| CN114093449B (zh) | 一种能够实时学习的病案自动编码方法 | |
| CN114186067B (zh) | 一种基于语义的研发设计资源全景空间构建方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |