CN117271777A - 医疗美容数据分类处理方法及系统 - Google Patents
医疗美容数据分类处理方法及系统 Download PDFInfo
- Publication number
- CN117271777A CN117271777A CN202311456271.3A CN202311456271A CN117271777A CN 117271777 A CN117271777 A CN 117271777A CN 202311456271 A CN202311456271 A CN 202311456271A CN 117271777 A CN117271777 A CN 117271777A
- Authority
- CN
- China
- Prior art keywords
- medical
- semantic
- feature
- cosmetology
- global
- 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
Links
- 230000003796 beauty Effects 0.000 title claims abstract description 114
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 239000002537 cosmetic Substances 0.000 claims description 112
- 239000013598 vector Substances 0.000 claims description 101
- 238000012545 processing Methods 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000000034 method Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000007619 statistical method Methods 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及智能分类领域,其具体地公开了一种医疗美容数据分类处理方法及系统,其采用基于深度神经网络模型的人工智能技术,获取多个客户的医疗美容档案,分词处理后通过语义编码器将文本序列映射为低维的语义空间表示,再通过文本卷积神经网络和非局部网络分别捕捉到不同层次的语义信息和全局的语义关联,以得到用于表示各种医疗美容的项目类型的百分比。进而能帮助了解不同项目类型在客户群体中的分布情况,为医疗美容服务提供决策依据和市场分析。
Description
技术领域
本申请涉及智能分类领域,且更为具体地,涉及一种医疗美容数据分类处理方法及系统。
背景技术
医疗美容数据是指与医疗美容相关的各种数据信息,包括患者信息、疾病信息、美容服务信息、美容产品信息等。
对客户的医疗美容数据按照一定的分类标准进行分组可以为数据分析和决策提供支持,可以了解哪些服务项目更受欢迎、哪些服务项目效果更好,帮助机构或从业者更好地组织和管理医疗美容数据,从而优化服务的质量和效果。通过数据分析,可以发现服务项目的改进空间,提升客户满意度。
但由于传统的技术是由人工来进行分类并统计,需要耗费大量的时间和人力资源。对大规模的医疗美容档案进行手工分类可能非常耗时,特别是当数据量庞大时,难免会出现错误。
因此,期待一种优化的医疗美容数据分类处理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种医疗美容数据分类处理方法及系统,其采用基于深度神经网络模型的人工智能技术,获取多个客户的医疗美容档案,分词处理后通过语义编码器将文本序列映射为低维的语义空间表示,再通过文本卷积神经网络和非局部网络分别捕捉到不同层次的语义信息和全局的语义关联,以得到用于表示各种医疗美容的项目类型的百分比。进而能帮助了解不同项目类型在客户群体中的分布情况,为医疗美容服务提供决策依据和市场分析。
根据本申请的一方面,提供了一种医疗美容数据分类处理方法,其包括:
获取多个客户的医疗美容档案;
将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量;
将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵;
将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图;
将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图;
将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图;
对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图;
将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比。
在上述医疗美容数据分类处理方法中,将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量,包括:对所述客户的医疗美容档案进行分词处理以将所述客户的医疗美容档案转化为由多个词组成的医疗美容词序列;使用所述包含嵌入层的语义编码器的嵌入层分别将所述医疗美容词序列中各个词映射为词嵌入向量以得到医疗美容词嵌入向量的序列;使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量;以及,将所述多个医疗美容全局上下文语义理解特征向量进行级联以得到所述医疗美容语义理解特征向量。
在上述医疗美容数据分类处理方法中,使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量,包括:将所述医疗美容词嵌入向量的序列进行一维排列以得到医疗美容全局特征向量;计算所述医疗美容全局特征向量与所述医疗美容词嵌入向量的序列中各个向量的转置向量之间的乘积以得到多个医疗美容自注意力关联矩阵;分别对所述多个医疗美容自注意力关联矩阵中各个医疗美容自注意力关联矩阵进行标准化处理以得到多个标准化后医疗美容自注意力关联矩阵;所述多个标准化后医疗美容自注意力关联矩阵中各个标准化后医疗美容自注意力关联矩阵通过Softmax分类函数以得到多个医疗美容概率值;以及,分别以所述多个医疗美容概率值中各个医疗美容概率值作为权重对所述医疗美容词嵌入向量的序列中各个向量进行加权以得到所述多个医疗美容全局上下文语义理解特征向量。
在上述医疗美容数据分类处理方法中,将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图,用于:使用所述作为特征提取器的文本卷积神经网络以如下卷积公式对所述医疗美容语义特征矩阵进行处理以得到所述医疗美容语义局部特征图;其中,所述卷积公式为:
fi=GP{Sigmoid(Ni×fi-1+Bi)}
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数,且GP表示对特征图的每个特征矩阵进行局部特征池化操作。
在上述医疗美容数据分类处理方法中,将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图,包括:分别对所述医疗美容语义局部特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图;计算所述第一特征图和所述第二特征图之间的按位置加权和以得到医疗美容语义融合特征图;将所述医疗美容语义融合特征图输入Softmax函数以将所述医疗美容语义融合特征图中各个位置的特征值映射到概率空间中以得到医疗美容语义归一化融合特征图;计算所述医疗美容语义归一化融合特征图和所述第三特征图之间的按位置点乘以得到医疗美容语义再融合特征图;将所述疗美容语义再融合医特征图通过嵌入高斯相似性函数以得到医疗美容语义全局相似特征图;对所述医疗美容语义全局相似特征图进行第四点卷积处理以调整所述医疗美容语义全局相似特征图的通道数以得到医疗美容语义通道调整全局相似特征图;以及,计算所述医疗美容语义通道调整全局相似特征图和所述医疗美容语义局部特征图的按位置加权和以得到所述医疗美容语义全局特征图。
在上述医疗美容数据分类处理方法中,将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图,包括:对所述多个医疗美容语义全局特征图进行沿通道维度的级联以得到所述客户医疗美容语义全局特征图。
根据本申请的另一方面,提供了一种医疗美容数据分类处理系统,其包括:
医美档案获取模块,用于获取多个客户的医疗美容档案;
档案分词语义编码模块,用于将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量;
特征排列模块,用于将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵;
文本特征提取模块,用于将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图;
语义全局特征采集模块,用于将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图;
全局特征整合模块,用于将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图;
特征值量化模块,用于对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图;
项目结果显示模块,用于将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比。
与现有技术相比,本申请提供的一种医疗美容数据分类处理方法及系统,其采用基于深度神经网络模型的人工智能技术,获取多个客户的医疗美容档案,分词处理后通过语义编码器将文本序列映射为低维的语义空间表示,再通过文本卷积神经网络和非局部网络分别捕捉到不同层次的语义信息和全局的语义关联,以得到用于表示各种医疗美容的项目类型的百分比。进而能帮助了解不同项目类型在客户群体中的分布情况,为医疗美容服务提供决策依据和市场分析。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的医疗美容数据分类处理方法的流程图。
图2为根据本申请实施例的医疗美容数据分类处理方法的架构示意图。
图3为根据本申请实施例的医疗美容数据分类处理方法中使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量的流程图。
图4为根据本申请实施例的医疗美容数据分类处理系统的框图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性方法
图1为根据本申请实施例的医疗美容数据分类处理方法的流程图。图2为根据本申请实施例的医疗美容数据分类处理方法的架构示意图。如图1和图2所示,根据本申请实施例的,包括:S110,获取多个客户的医疗美容档案;S120,将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量;S130,将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵;S140,将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图;S150,将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图;S160,将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图;S170,对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图;以及,S180,将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比。
在步骤S110中,获取多个客户的医疗美容档案。考虑到客户的医疗美容档案,可以获得来自不同人群、不同年龄、不同性别、不同疾病状况等的数据样本。这样可以更全面地了解医疗美容项目在不同客户群体中的应用和效果,避免对特定人群的局限性。具体地,多个客户的医疗美容档案可以提供更大规模的数据集,有助于进行统计分析和数据挖掘。通过对大量数据进行分析,可以发现潜在的模式、趋势和关联关系,为医疗美容服务的改进和优化提供依据。应可以理解,通过分析多个客户的医疗美容档案,可以了解市场需求和趋势。不同客户的医疗美容档案可以反映不同项目类型的受欢迎程度、市场份额和发展潜力,为医疗美容机构和从业者提供市场分析和战略决策的依据。
在步骤S120中,将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量。考虑到分词是自然语言处理中的基本任务,它可以将连续的文本序列划分成有意义的单元。通过分词处理,可以将医疗美容档案中的文本信息转化为离散的词语表示,使得每个词语都可以被独立地表示和处理。语义编码器的作用是将分词处理后的文本数据转化为语义理解特征向量,将文本序列映射为低维的语义空间表示。这样可以将文本的语义信息编码为连续的向量表示,捕捉文本之间的语义相似性和关联性。通过语义编码器得到的语义理解特征向量可以用于后续的特征提取、分类和聚类等任务。这些特征向量具有较低的维度和语义丰富性,能够更好地表示医疗美容档案中的语义信息,有助于区分不同客户的医疗美容特征和项目类型。
具体地,在本申请实施例中,将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量,包括:对所述客户的医疗美容档案进行分词处理以将所述客户的医疗美容档案转化为由多个词组成的医疗美容词序列;使用所述包含嵌入层的语义编码器的嵌入层分别将所述医疗美容词序列中各个词映射为词嵌入向量以得到医疗美容词嵌入向量的序列;使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量;以及,将所述多个医疗美容全局上下文语义理解特征向量进行级联以得到所述医疗美容语义理解特征向量
图3为根据本申请实施例的医疗美容数据分类处理方法中使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量的流程图。更具体地,在本申请实施例中,如图3所示,使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量,包括:S210,将所述医疗美容词嵌入向量的序列进行一维排列以得到医疗美容全局特征向量;S220,计算所述医疗美容全局特征向量与所述医疗美容词嵌入向量的序列中各个向量的转置向量之间的乘积以得到多个医疗美容自注意力关联矩阵;S230,分别对所述多个医疗美容自注意力关联矩阵中各个医疗美容自注意力关联矩阵进行标准化处理以得到多个标准化后医疗美容自注意力关联矩阵;S240,所述多个标准化后医疗美容自注意力关联矩阵中各个标准化后医疗美容自注意力关联矩阵通过Softmax分类函数以得到多个医疗美容概率值以及,S250,分别以所述多个医疗美容概率值中各个医疗美容概率值作为权重对所述医疗美容词嵌入向量的序列中各个向量进行加权以得到所述多个医疗美容全局上下文语义理解特征向量
在步骤S130中,将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵。考虑到将多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵的目的是为了将不同客户的特征向量组织成一个结构化的数据形式,以便于后续的数据处理和分析。
在步骤S140中,将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图。考虑到文本卷积神经网络(Text CNN)是一种在文本数据上应用卷积神经网络的方法。它可以有效地提取文本中的局部特征,捕捉词语之间的关联性和上下文信息。在医疗美容数据中,医疗美容语义特征矩阵可以看作是一个二维的文本数据,其中每个元素代表一个词语或特征。而通过使用文本卷积神经网络作为特征提取器,可以利用卷积操作在医疗美容语义特征矩阵上进行滑动窗口的操作,从而提取出不同大小的局部特征。这些局部特征可以捕捉到不同词语之间的关联性和语义信息,有助于区分不同的医疗美容项目和特征。此外,文本卷积神经网络还可以通过多个卷积核和池化操作来提取不同尺寸的特征,从而捕捉到不同层次的语义信息。这样可以在保留局部特征信息的同时,提取出更高级别的语义特征,进一步提升对医疗美容数据的理解和表达能力。
具体地,在本申请实施例中,将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图,用于:使用所述作为特征提取器的文本卷积神经网络以如下卷积公式对所述医疗美容语义特征矩阵进行处理以得到所述医疗美容语义局部特征图;其中,所述卷积公式为:
fi=GP{Sigmoid(Ni×fi-1+Bi)}
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数,且GP表示对特征图的每个特征矩阵进行局部特征池化操作。
在步骤S150中,将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图。考虑到局部特征图是在文本卷积神经网络中提取的针对不同尺寸的局部特征,它们捕捉了不同位置和尺度的语义信息。然而,仅仅依靠局部特征图可能无法完全捕捉到全局的语义关联,特别是当涉及到长距离的依赖性和上下文信息时。因此,非局部神经网络通过引入非局部操作,允许特征图之间进行全局的关联和交互。这种全局关联可以帮助捕捉更长距离的依赖性和上下文信息,从而提高对医疗美容数据的理解和表达能力。应可以理解,非局部操作可以建立特征图之间的相似性关系,通过计算特征图之间的相似度来加权特征图的信息。这样,每个特征图都可以获得来自其他特征图的全局上下文信息,进一步丰富特征表示,从而得到更具表达力的医疗美容语义全局特征图。
具体地,在本申请实施例中,将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图,包括:分别对所述医疗美容语义局部特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图;计算所述第一特征图和所述第二特征图之间的按位置加权和以得到医疗美容语义融合特征图;将所述医疗美容语义融合特征图输入Softmax函数以将所述医疗美容语义融合特征图中各个位置的特征值映射到概率空间中以得到医疗美容语义归一化融合特征图;计算所述医疗美容语义归一化融合特征图和所述第三特征图之间的按位置点乘以得到医疗美容语义再融合特征图;将所述疗美容语义再融合医特征图通过嵌入高斯相似性函数以得到医疗美容语义全局相似特征图;对所述医疗美容语义全局相似特征图进行第四点卷积处理以调整所述医疗美容语义全局相似特征图的通道数以得到医疗美容语义通道调整全局相似特征图;以及,计算所述医疗美容语义通道调整全局相似特征图和所述医疗美容语义局部特征图的按位置加权和以得到所述医疗美容语义全局特征图
在步骤S160中,将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图。考虑到在提取医疗美容语义特征的过程中,通过非局部神经网络可以得到多个医疗美容语义全局特征图,每个特征图都代表了不同层次的语义信息。不同层次的特征图包含了不同抽象级别的语义信息,级联特征图可以将不同尺度的信息结合在一起。这对于医疗美容数据来说尤为重要,因为医疗美容涉及到不同尺度的特征,如微观细节和整体效果。另外,级联特征图可以通过组合不同层次的特征信息,提高特征的表达能力。这有助于更好地区分不同的医疗美容项目和特征。
具体地,在本申请实施例中,对所述多个医疗美容语义全局特征图进行沿通道维度的级联以得到所述客户医疗美容语义全局特征图。
在步骤S170中,对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图。
特别地,在本申请的技术方案中,考虑到在构建医疗美容档案时,可能会发生数据采集错误或录入错误,导致某些特征值异常。例如,某个客户的医疗美容档案中的某个特征值被错误地记录为一个极端值。在医疗美容档案中,可能存在一些不完整或不准确的数据,这些数据可能是由于测量设备的误差、人为操作的误差或其他干扰因素引起的。这些噪声数据可能导致特征向量或特征图中的异常值或离群值。每个客户的医疗美容状况和需求都可能存在差异,因此在特征提取和编码过程中,某些客户的特征向量或特征图可能与其他客户存在显著差异,这些差异可能被视为异常值或离群值。为了减少所述客户医疗美容语义全局特征图中存在的异常值和离群值,同时考虑到所述客户医疗美容语义全局特征图中各个位置的特征值之间也存在相关性,即,所述客户医疗美容语义全局特征图的所有位置的整体量化分布蕴含着重要的模式特征,因此,如果能够利用所述客户医疗美容语义全局特征图自身的特征值量化分布特征,对其进行特征分布自相关强化,这可以提高所述客户医疗美容语义全局特征图的信息蒸馏度和确定性,以提高所述客户医疗美容语义全局特征图通过分类器得到的分类结果的精准度。
具体地,在本申请的技术方案中,首先利用压榨-激励机制对所述客户医疗美容语义全局特征图进行信息提纯。在得到所述激励客户医疗美容语义全局特征图中,利用余弦相似操作得到所述激励客户医疗美容语义全局特征图中各像素间的关系矩阵,即,计算所述激励客户医疗美容语义全局特征图的每两个像素位置的通道特征向量之间的余弦相似度以得到分类特征自相关矩阵。在动态学习像素关系后,将所述分类特征自相关矩阵通过Softmax函数以利用所述Softmax对相似矩阵进行归一化以得到自相关类注意力关注矩阵。进而,利用所述自相关类注意力关注矩阵对所述激励客户医疗美容语义全局特征图中任意两个像素点之间的关系进行建模以得到所述强化客户医疗美容语义全局特征图。
具体地,在本申请实施例中,对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图,包括:将所述客户医疗美容语义全局特征图通过基于卷积层的特征压榨模块以得到压榨客户医疗美容语义全局特征图;将所述压榨客户医疗美容语义全局特征图通过基于反卷积层的特征激励模块以得到激励客户医疗美容语义全局特征图;计算所述激励客户医疗美容语义全局特征图的每两个像素位置的通道特征向量之间的余弦相似度以得到分类特征自相关矩阵;将所述分类特征自相关矩阵通过Softmax函数以对所述分类特征自相关矩阵进行归一化以得到自相关类注意力关注矩阵;以及,利用所述自相关类注意力关注矩阵对所述激励客户医疗美容语义全局特征图中任意两个像素点之间的关系进行建模以得到所述强化客户医疗美容语义全局特征图。
在本申请的一个实施例中,利用逐元素相乘操作完成所述自相关类注意力关注矩阵对所述激励客户医疗美容语义全局特征图中任意两个像素点之间关系的建模以得到关联特征映射后的所述强化客户医疗美容语义全局特征图。该关联特征根据像素的相似性有效聚合了各目标的完整信息,其计算公式如下:
其中,S表示所述自相关类注意力关注矩阵,F1表示所述激励客户医疗美容语义全局特征图,W表示可学习的参数矩阵,表示矩阵相乘,F2表示关联特征映射后的所述强化客户医疗美容语义全局特征图。
在步骤S180中,将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比。考虑到医疗美容领域涉及众多不同类型的项目,如皮肤护理、面部整形、激光美容、注射美容等。通过对强化客户医疗美容语义全局特征图进行分类,可以将每个特征图分配到相应的项目类型中。通过分类器分类的结果可以表示各种医疗美容项目类型的百分比。例如,如果分类器将一个特征图分配给皮肤护理项目类型,那么可以将其计入皮肤护理项目类型的百分比中。通过对多个特征图进行分类并统计各个项目类型的数量,可以得到各种医疗美容项目类型的百分比,从而了解不同项目类型在客户医疗美容数据中的分布情况。通过分类器分类的结果和百分比可以提供对医疗美容项目类型的定量分析和统计信息,有助于医疗美容服务的规划和决策,并为个性化服务和定制化需求提供支持。
具体地,在本申请实施例中,将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比,包括:使用所述分类器以如下分类公式对所述强化客户医疗美容语义全局特征图进行处理以获得分类结果,其中,所述分类公式为:
其中O为输出结果矩阵,Wi和bi分别为第i个分类对应的权重和偏置矩阵,exp(·)表示矩阵的指数运算,对矩阵进行指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值。
综上,基于本申请实施例的医疗美容数据分类处理方法被阐明,其采用基于深度神经网络模型的人工智能技术,获取多个客户的医疗美容档案,分词处理后通过语义编码器将文本序列映射为低维的语义空间表示,再通过文本卷积神经网络和非局部网络分别捕捉到不同层次的语义信息和全局的语义关联,以得到用于表示各种医疗美容的项目类型的百分比。进而能帮助了解不同项目类型在客户群体中的分布情况,为医疗美容服务提供决策依据和市场分析。
示例性系统
图4为根据本申请实施例的医疗美容数据分类处理系统的框图。如图4所示,根据本申请实施例的医疗美容数据分类处理系统100,包括:医美档案获取模块110,用于获取多个客户的医疗美容档案;档案分词语义编码模块120,用于将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量;特征排列模块130,用于将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵;文本特征提取模块140,用于将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图;语义全局特征采集模块150,用于将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图;全局特征整合模块160,用于将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图;特征值量化模块170,用于对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图;以及,项目结果显示模块180,用于将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比。
这里,本领域技术人员可以理解,上述医疗美容数据分类处理系统中的各个步骤的具体操作已经在上面参考图1到图3的医疗美容数据分类处理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的医疗美容数据分类处理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如多个客户的医疗美容档案等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的医疗美容数据分类处理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的医疗美容数据分类处理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种医疗美容数据分类处理方法,其特征在于,包括:
获取多个客户的医疗美容档案;
将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量;
将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵;
将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图;
将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图;
将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图;
对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图;
将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比。
2.根据权利要求1所述的医疗美容数据分类处理方法,其特征在于,将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量,包括:
对所述客户的医疗美容档案进行分词处理以将所述客户的医疗美容档案转化为由多个词组成的医疗美容词序列;
使用所述包含嵌入层的语义编码器的嵌入层分别将所述医疗美容词序列中各个词映射为词嵌入向量以得到医疗美容词嵌入向量的序列;
使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量;
将所述多个医疗美容全局上下文语义理解特征向量进行级联以得到所述医疗美容语义理解特征向量。
3.根据权利要求2所述的医疗美容数据分类处理方法,其特征在于,使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量,包括:
将所述医疗美容词嵌入向量的序列进行一维排列以得到医疗美容全局特征向量;
计算所述医疗美容全局特征向量与所述医疗美容词嵌入向量的序列中各个向量的转置向量之间的乘积以得到多个医疗美容自注意力关联矩阵;
分别对所述多个医疗美容自注意力关联矩阵中各个医疗美容自注意力关联矩阵进行标准化处理以得到多个标准化后医疗美容自注意力关联矩阵;
所述多个标准化后医疗美容自注意力关联矩阵中各个标准化后医疗美容自注意力关联矩阵通过Softmax分类函数以得到多个医疗美容概率值;
分别以所述多个医疗美容概率值中各个医疗美容概率值作为权重对所述医疗美容词嵌入向量的序列中各个向量进行加权以得到所述多个医疗美容全局上下文语义理解特征向量。
4.根据权利要求3所述的医疗美容数据分类处理方法,其特征在于,将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图,用于:
使用所述作为特征提取器的文本卷积神经网络以如下卷积公式对所述医疗美容语义特征矩阵进行处理以得到所述医疗美容语义局部特征图;
其中,所述卷积公式为:
fi=GP{Sigmoid(Ni×fi-1+Bi)}
其中,fi-1为第i层卷积神经网络模型的输入,fi为第i层卷积神经网络模型的输出,Ni为第i层卷积神经网络模型的过滤器,且Bi为第i层卷积神经网络模型的偏置矩阵,Sigmoid表示非线性激活函数,且GP表示对特征图的每个特征矩阵进行局部特征池化操作。
5.根据权利要求4所述的医疗美容数据分类处理方法,其特征在于,将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图,包括:
分别对所述医疗美容语义局部特征图进行第一点卷积处理、第二点卷积处理和第三点卷积处理以得到第一特征图、第二特征图和第三特征图;
计算所述第一特征图和所述第二特征图之间的按位置加权和以得到医疗美容语义融合特征图;
将所述医疗美容语义融合特征图输入Softmax函数以将所述医疗美容语义融合特征图中各个位置的特征值映射到概率空间中以得到医疗美容语义归一化融合特征图;
计算所述医疗美容语义归一化融合特征图和所述第三特征图之间的按位置点乘以得到医疗美容语义再融合特征图;
将所述疗美容语义再融合医特征图通过嵌入高斯相似性函数以得到医疗美容语义全局相似特征图;
对所述医疗美容语义全局相似特征图进行第四点卷积处理以调整所述医疗美容语义全局相似特征图的通道数以得到医疗美容语义通道调整全局相似特征图;
计算所述医疗美容语义通道调整全局相似特征图和所述医疗美容语义局部特征图的按位置加权和以得到所述医疗美容语义全局特征图。
6.根据权利要求5所述的医疗美容数据分类处理方法,其特征在于,将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图,包括:
对所述多个医疗美容语义全局特征图进行沿通道维度的级联以得到所述客户医疗美容语义全局特征图。
7.根据权利要求6所述的医疗美容数据分类处理方法,其特征在于,对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图,包括:
将所述客户医疗美容语义全局特征图通过基于卷积层的特征压榨模块以得到压榨客户医疗美容语义全局特征图;
将所述压榨客户医疗美容语义全局特征图通过基于反卷积层的特征激励模块以得到激励客户医疗美容语义全局特征图;
计算所述激励客户医疗美容语义全局特征图的每两个像素位置的通道特征向量之间的余弦相似度以得到分类特征自相关矩阵;
将所述分类特征自相关矩阵通过Softmax函数以对所述分类特征自相关矩阵进行归一化以得到自相关类注意力关注矩阵;
利用所述自相关类注意力关注矩阵对所述激励客户医疗美容语义全局特征图中任意两个像素点之间的关系进行建模以得到所述强化客户医疗美容语义全局特征图。
8.一种医疗美容数据分类处理系统,其特征在于,包括:
医美档案获取模块,用于获取多个客户的医疗美容档案;
档案分词语义编码模块,用于将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量;
特征排列模块,用于将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵;
文本特征提取模块,用于将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图;
语义全局特征采集模块,用于将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图;
全局特征整合模块,用于将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图;
特征值量化模块,用于对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图;
项目结果显示模块,用于将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果,所述分类结果用于表示各种医疗美容的项目类型的百分比。
9.根据权利要求8所述的医疗美容数据分类处理系统,其特征在于,所述档案分词语义编码模块,包括:
档案分词处理单元,用于对所述客户的医疗美容档案进行分词处理以将所述客户的医疗美容档案转化为由多个词组成的医疗美容词序列;
词映射单元,用于使用所述包含嵌入层的语义编码器的嵌入层分别将所述医疗美容词序列中各个词映射为词嵌入向量以得到医疗美容词嵌入向量的序列;
全局语义编码单元,用于使用所述包含嵌入层的语义编码器的转换器对所述医疗美容词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个医疗美容全局上下文语义理解特征向量;
语义特征融合单元,用于将所述多个医疗美容全局上下文语义理解特征向量进行级联以得到所述医疗美容语义理解特征向量。
10.根据权利要求9所述的医疗美容数据分类处理系统,其特征在于,所述全局语义编码单元,包括:
词向量排列子单元,用于将所述医疗美容词嵌入向量的序列进行一维排列以得到医疗美容全局特征向量;
向量相乘子单元,用于计算所述医疗美容全局特征向量与所述医疗美容词嵌入向量的序列中各个向量的转置向量之间的乘积以得到多个医疗美容自注意力关联矩阵;
矩阵标准化子单元,用于分别对所述多个医疗美容自注意力关联矩阵中各个医疗美容自注意力关联矩阵进行标准化处理以得到多个标准化后医疗美容自注意力关联矩阵;
概率值计算子单元,用于所述多个标准化后医疗美容自注意力关联矩阵中各个标准化后医疗美容自注意力关联矩阵通过Softmax分类函数以得到多个医疗美容概率值;
向量加权子单元,用于分别以所述多个医疗美容概率值中各个医疗美容概率值作为权重对所述医疗美容词嵌入向量的序列中各个向量进行加权以得到所述多个医疗美容全局上下文语义理解特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456271.3A CN117271777A (zh) | 2023-11-03 | 2023-11-03 | 医疗美容数据分类处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456271.3A CN117271777A (zh) | 2023-11-03 | 2023-11-03 | 医疗美容数据分类处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117271777A true CN117271777A (zh) | 2023-12-22 |
Family
ID=89219802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311456271.3A Pending CN117271777A (zh) | 2023-11-03 | 2023-11-03 | 医疗美容数据分类处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271777A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
-
2023
- 2023-11-03 CN CN202311456271.3A patent/CN117271777A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
CN117649943B (zh) * | 2024-01-30 | 2024-04-30 | 吉林大学 | 基于机器学习的整形数据智能分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7162726B2 (ja) | 機械学習に基づく医療データ分類方法、装置、コンピュータデバイス及び記憶媒体 | |
KR20210010505A (ko) | 상이한 데이터 모달리티들에 대한 통계적 모델들을 단일화하기 위한 시스템들 및 방법들 | |
CN109471944B (zh) | 文本分类模型的训练方法、装置及可读存储介质 | |
WO2004008391A1 (ja) | パターン特徴抽出方法及びその装置 | |
CN115796173A (zh) | 针对监管报送需求的数据处理方法和系统 | |
WO2022095376A1 (zh) | 方面级别情感分类方法、装置、设备及可读存储介质 | |
Muttenthaler et al. | THINGSvision: a Python toolbox for streamlining the extraction of activations from deep neural networks | |
CN116580849B (zh) | 医疗数据的采集分析系统及其方法 | |
US11699079B2 (en) | Systems and methods for time series analysis using attention models | |
CN117271777A (zh) | 医疗美容数据分类处理方法及系统 | |
CN112257449A (zh) | 命名实体识别方法、装置、计算机设备和存储介质 | |
CN111640471A (zh) | 基于双向长短记忆模型的药物小分子活性预测的方法和系统 | |
CN115860271A (zh) | 艺术设计用方案管理系统及其方法 | |
Sumi et al. | Human gender detection from facial images using convolution neural network | |
EP4361843A1 (en) | Neural network searching method and related device | |
CN112786160A (zh) | 基于图神经网络的多图片输入的多标签胃镜图片分类方法 | |
CN114358001A (zh) | 诊断结果的标准化方法及其相关装置、设备和存储介质 | |
EP4318322A1 (en) | Data processing method and related device | |
Chen et al. | A novel general kernel-based non-negative matrix factorisation approach for face recognition | |
CN113220936B (zh) | 基于随机矩阵编码和简化卷积网络的视频智能推荐方法、装置及存储介质 | |
CN116680401A (zh) | 文档处理方法、文档处理装置、设备及存储介质 | |
CN116095183A (zh) | 一种数据压缩方法以及相关设备 | |
CN114726870A (zh) | 基于可视化拖拽的混合云资源编排方法、系统和电子设备 | |
Grycuk et al. | Grid-based concise hash for solar images | |
Xu et al. | Fast near-infrared palmprint recognition using nonnegative matrix factorization extreme learning machine |
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 |