CN117352114B - 一种基于聚类算法的心理测评量表的推荐方法及系统 - Google Patents

一种基于聚类算法的心理测评量表的推荐方法及系统 Download PDF

Info

Publication number
CN117352114B
CN117352114B CN202311337185.0A CN202311337185A CN117352114B CN 117352114 B CN117352114 B CN 117352114B CN 202311337185 A CN202311337185 A CN 202311337185A CN 117352114 B CN117352114 B CN 117352114B
Authority
CN
China
Prior art keywords
client
recommended
scale
recommendation
preset evaluation
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
Application number
CN202311337185.0A
Other languages
English (en)
Other versions
CN117352114A (zh
Inventor
孙道良
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.)
Beijing Navigate Technology Co ltd
Original Assignee
Beijing Navigate Technology Co 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 Beijing Navigate Technology Co ltd filed Critical Beijing Navigate Technology Co ltd
Priority to CN202311337185.0A priority Critical patent/CN117352114B/zh
Publication of CN117352114A publication Critical patent/CN117352114A/zh
Application granted granted Critical
Publication of CN117352114B publication Critical patent/CN117352114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于聚类算法的心理测评量表的推荐方法及系统，包括：采集客户的搜索记录信息并基于预设评价等级进行分数判定，获得搜索记录信息分数，在预设心理测评量表数据库中分别选取每个类型的一张典型量表，基于预设评价等级对选取的多张典型量表进行分数判定，基于量表判定分数构建出等级矩阵，基于所有搜索记录信息分数与等级矩阵确定出客户的推荐量表类型，基于聚类算法对推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇，基于客户的归属聚类簇获得客户的推荐题量。本发明解决了未根据客户个人信息进行个性化推荐，且未考虑推荐题量的问题，实现更精准的推荐。

Description

一种基于聚类算法的心理测评量表的推荐方法及系统
技术领域
本发明涉及招标管理领域，特别涉及一种基于聚类算法的心理测评量表的推荐方法及系统。
背景技术
目前，心理测量是通过科学、客观、标准的测量手段对人的特定素质进行测量、分析、评价。心理测评量表便是通过填写量表的方式对心理进行测量。
但是，现有的心理测评量表的推荐方法及系统未根据客户的个人信息进行个性化推荐，且推荐心理测评量表时未考虑推荐的心理测评量表的题量，难以精准针对客户进行合适题量的推荐。例如公开号为“CN115994271A”、专利名称为“心理测评量表的推荐方法”，其方法包括以下步骤：步骤1、获取心理测评历史数据并对数据进行预处理；步骤2、根据步骤1预处理后的数据构建用户-量表测评分数矩阵；步骤3、根据步骤2的用户-量表测评分数矩阵，采用K-means算法构建用户聚类；步骤4、在为目标用户推荐量表时，计算目标用户与步骤3得到的各聚类中心点的相似度，取具有最高相似度的中心点所在的用户聚类为目标用户所属的聚类簇，并基于划分的聚类簇生成推荐量表集合。本发明能自动为目标用户推荐适合的心理测评量表，保护了用户个人信息，提高推荐的准确率、多样性、新颖度，同时采用粒子群优化K-means算法缩小问题规模，提高了推荐速度，节省了计算资源。但是该专利未根据客户的个人信息进行个性化推荐，且推荐心理测评量表时未考虑推荐的心理测评量表的题量，难以精准针对客户进行合适题量的推荐。
因此，本发明提出了一种基于聚类算法的心理测评量表的推荐方法及系统，用以根据客户的个人信息进行个性化推荐，并精准针对客户进行合适题量的推荐。
发明内容
本发明提供一种基于聚类算法的心理测评量表的推荐方法及系统，用以实现对客户的搜索记录信息在不同预设评价等级下的分数判定，基于预设评价等级对选取的多张典型量表的处理便能构建出等级矩阵，使得搭建出的等级矩阵可以更好地反映多个典型量表的特征，便于后续推荐量表的获取，通过等级矩阵与搜索记录信息分数合理确定出适用于客户的推荐量表类型，基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得了基于包含不同答题人基础数据的多个不同的聚类簇，并通过确定客户基础数据归属的聚类簇，可以精准确定出适用于客户的推荐题量，并基于适用于客户的推荐量表类型和推荐题量两方面最终确定出适用于客户的推荐心理测评量表，使得推荐量表的获得更精确且更有针对性。
本发明提供一种基于聚类算法的心理测评量表的推荐方法，包括：
S1：采集客户在预设时间内的搜索记录信息，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数；
S2：在预设心理测评量表数据库中分别选取每个类型的一张典型量表，获得多张典型量表，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，基于量表判定分数构建出等级矩阵；
S3：基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型；
S4：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇；
S5：基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表。
优选的，一种基于聚类算法的心理测评量表的推荐方法，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数，包括：
确定出搜索记录信息中每条搜索记录所属的预设评价等级；
统计出搜索记录信息中属于每个预设评价等级的记录条数；
将每个预设评价等级的记录条数作为搜索记录信息在对应预设评价等级下的搜索记录信息分数；
其中，预设评价等级包含积极、中间及消极三个预设评价等级。
优选的，一种基于聚类算法的心理测评量表的推荐方法，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，包括：
确定出每个典型量表中每个题目的所属预设评价等级；
统计出选取的每张典型量中属于每个预设评价等级的题目数量；
将每个典型量中属于每个预设评价等级的题目数量，当作典型量表在对应预设评价等级下的的量表判定分数；
其中，预设评价等级包含积极、中间及消极三个预设评价等级。
优选的，一种基于聚类算法的心理测评量表的推荐方法，基于量表判定分数构建出等级矩阵，包括：
其中，S为等级矩阵，x11表示第1个类型的典型量表中属于第一个预设评价等级的题目数量，x12表示第1个类型的典型量表中属于第二个预设评价等级的题目数量，x13表示第1个类型的典型量表中属于第三个预设评价等级的题目数量，xn1表示第n个类型的典型量表中属于第一个预设评价等级的题目数量，xn2表示第n个类型的典型量表中属于第二个预设评价等级的题目数量，xn3表示第n个类型的典型量表中属于第三个预设评价等级的题目数量；
其中，第一个预设评价等级为积极，第二个预设评价等级为消极，第三个预设评价等级为中间。
优选的，一种基于聚类算法的心理测评量表的推荐方法，其特征在于，S3：基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型，包括：
S301：对所有预设评价等级下的搜索记录信息分数进行数值比对，将最大分数对应的预设评价等级设定为推荐等级；
S302：将推荐等级下的搜索记录信息分数除以所有预设评价等级下的搜索记录信息分数之和，获得推荐等级比重；
S303：对等级矩阵中推荐等级对应的列数据中的每个元素进行权重计算，获得列数据中每个元素的权重，基于列数据中所有元素的权重与推荐等级比重确定出客户的推荐量表类型。
优选的，一种基于聚类算法的心理测评量表的推荐方法，S303：对等级矩阵中推荐等级对应的列数据中的每个元素进行权重计算，获得列数据中每个元素的权重，基于列数据中所有元素的权重与推荐等级比重确定出客户的推荐量表类型，包括：
基于每个类型的典型量表中包含的推荐等级的题目数量和典型量表的总数，计算出等级矩阵中推荐等级对应的列数据中的每个元素的权重，包括：
其中，Qi为列数据中第i个元素的权重，i为第i个类型的典型量表，xi为第i个类型的典型量表中包含的推荐等级的题目数量，ln为以e为底数的对数函数，e的取值为2.72，i∈[1，n]，n为典型量表的总数；
将由推荐等级确定的列数据中每个元素的权重与推荐等级比重进行求差，将最小差值对应的元素对应的典型量表类型作为客户的推荐量表类型。
优选的，一种基于聚类算法的心理测评量表的推荐方法，S4：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇，包括：
S401：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，其中，每个聚类簇包含多个答题人基础数据；
S402：采集客户基础数据，并基于客户基础数据在多个聚类簇中确定出客户的归属聚类簇。
优选的，一种基于聚类算法的心理测评量表的推荐方法，基于客户的基础数据确定在多个聚类簇中确定出客户的归属聚类簇，包括：
确定出聚类簇中每个答题人基础数据与当前聚类簇中除当前答题人基础数据以外剩余的所有答题人基础数据之间的欧式距离的均值，当作对应答题人基础数据在聚类簇中的中心度；
将答题人基础数据中最大中心度的答题人基础数据，当作聚类簇的簇中心；
确定出每个聚类簇的簇中心对应的答题人基础数据与客户基础数据之间的欧式距离，将最小欧式距离的簇中心对应的聚类簇确定为客户的归属聚类簇；
其中，答题人基础数据包括每日最大上网分钟数和单次最大上网分钟数。
优选的，一种基于聚类算法的心理测评量表的推荐方法，S5：基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表，包括：
S501：将客户的归属聚类簇中包含的答题人基础数据对应的推荐心理测评量表的题量的均值进行向上取整后的数值，当作客户的推荐题量；
S502：基于推荐题量在推荐量表类型对应的所有心理测评量表中筛选出客户的推荐心理测评量表。
本发明提出一种基于聚类算法的心理测评量表的推荐系统，用于执行实施例1至9中任一所述的基于聚类算法的心理测评量表的推荐方法，包括：
搜索记录信息模块，用于采集客户在预设时间内的搜索记录信息，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数；
等级矩阵模块，用于在预设心理测评量表数据库中分别选取每个类型的一张典型量表，获得多张典型量表，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，基于量表判定分数构建出等级矩阵；
推荐量表模块，用于基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型；
聚类算法模块，用于基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇；
最终确定模块，用于基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表。
本发明相对于现有技术产生的有益效果为：实现对客户的搜索记录信息在不同预设评价等级下的分数判定，基于预设评价等级对选取的多张典型量表的处理便能构建出等级矩阵，使得搭建出的等级矩阵可以更好地反映多个典型量表的特征，便于后续推荐量表的获取，通过等级矩阵与搜索记录信息分数合理确定出适用于客户的推荐量表类型，基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得了基于包含不同答题人基础数据的多个不同的聚类簇，并通过确定客户基础数据归属的聚类簇，可以精准确定出适用于客户的推荐题量，并基于适用于客户的推荐量表类型和推荐题量两方面最终确定出适用于客户的推荐心理测评量表，使得推荐量表的获得更精确且更有针对性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于聚类算法的心理测评量表的推荐方法流程图；
图2为本发明实施例中的另一种基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型的方法流程图；
图3为本发明实施例中的一种基于聚类算法的心理测评量表的推荐系统示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本发明提供了一种基于聚类算法的心理测评量表的推荐方法，参考图1，包括：
S1：采集客户在预设时间内的搜索记录信息，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数；
S2：在预设心理测评量表数据库中分别选取每个类型的一张典型量表，获得多张典型量表，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，基于量表判定分数构建出等级矩阵；
S3：基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型；
S4：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇；
S5：基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表。
该实施例中，预设时间为预先设置的采集客户设备搜索记录信息的时间范围，例如1h、2h等。
该实施例中，搜索记录信息为客户移动设备端的浏览器搜索记录中包含的信息。
该实施例中，预设评价等级即为预设的对搜搜记录信息和典型量表进行评价分类时所依据的等级，具体包括积极、中间及消极三个预设评价等级。
该实施例中，分数判定为基于三个预设评价等级对搜索记录信息进行分数判定，获得每个预设评价等级下的搜索记录信息分数。
该实施例中，搜索记录信息分数为搜索记录信息在预设评价等级下的判定分数。
该实施例中，预设心理测评量表数据库为由预先采集的由每种类型的典型量表构成的数据库，典型量表的类型例如有：抑郁自评量表、焦虑自评量表、心理压力量表。
该实施例中，典型量表为由人为选定的可作为典型代表对应类型的心理测评量表的心理测评量表，典型量表题目数为100道。
该实施例中，量表判定分数为典型量表在每个预设评价等级下的判定分数。
该实施例中，等级矩阵为由每个典型量表在每个预设评价等级下的量表判定分数为元素构成的矩阵。
该实施例中，推荐量表类型为针对客户推荐的最适合客户的心理测量量表。
该实施例中，聚类算法为对预先采集的答题人基础数据进行多次划分，获得每次划分过程的多个聚类簇，并计算出聚类簇中每两个答题人基础数据之间的欧式距离，将聚类簇中所有欧式距离的均值当作对应聚类簇的答题人基础数据相近度，并将本次划分过程中获得的所有聚类簇的答题人基础数据相近度的均值当作本次划分过程的评估值，将最大评估值对应的划分过程获得的多个聚类簇当作聚类分析最终获得的多个聚类簇。
该实施例中，预先采集的各个题量的推荐心理测评量表即为预先采集的不同题量的推荐心理测评量表。
该实施例中，答题人基础数据即为答题用户的基础信息，例如由每日最大上网分钟数和单次最大上网分钟数。
该实施例中，聚类簇为聚类分析所生成的一组样本的集合，同一簇内样本彼此相似，与其他簇中的样本相异，在该实施例中为包含多个答题人基础数据的集合。
该实施例中，归属聚类簇为所有聚类簇的簇中心与客户基础数据之间的欧式距离最小值对应的聚类簇。
该实施例中，推荐题量为针对客户推荐的最适合的量表题量。
以上技术的有益效果为：实现对客户的搜索记录信息在不同预设评价等级下的分数判定，基于预设评价等级对选取的多张典型量表的处理便能构建出等级矩阵，使得搭建出的等级矩阵可以更好地反映多个典型量表的特征，便于后续推荐量表的获取，通过等级矩阵与搜索记录信息分数合理确定出适用于客户的推荐量表类型，基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得了基于包含不同答题人基础数据的多个不同的聚类簇，并通过确定客户基础数据归属的聚类簇，可以精准确定出适用于客户的推荐题量，并基于适用于客户的推荐量表类型和推荐题量两方面最终确定出适用于客户的推荐心理测评量表，使得推荐量表的获得更精确且更有针对性。
实施例2：
在实施例1的基础上，一种基于聚类算法的心理测评量表的推荐方法，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数，包括：
确定出搜索记录信息中每条搜索记录所属的预设评价等级；
统计出搜索记录信息中属于每个预设评价等级的记录条数；
将每个预设评价等级的记录条数作为搜索记录信息在对应预设评价等级下的搜索记录信息分数；
其中，预设评价等级包含积极、中间及消极三个预设评价等级。
该实施例中，确定出搜索记录信息中每条搜索记录所属的预设评价等级为基于预先采集的大量的、各种类型的搜索记录信息进行模型训练，获得的预先训练好的等级确定模型(模型可确定出搜索记录信息中每条搜索记录所属的预设评价等级)。
该实施例中，每个预设评价等级的记录条数为搜索记录信息中包含的单个预设评价等级的搜索记录的总条数。
以上技术的有益效果为：通过采集客户在预设时间内的搜索记录信息在多个预设评价等级下的条数确定分数，实现对搜索记录信息的多个评价等级的分数判定。
实施例3：
在实施例1的基础上，一种基于聚类算法的心理测评量表的推荐方法，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，包括：
确定出每个典型量表中每个题目的所属预设评价等级；
统计出选取的每张典型量中属于每个预设评价等级的题目数量；
将每个典型量中属于每个预设评价等级的题目数量，当作典型量表在对应预设评价等级下的的量表判定分数；
其中，预设评价等级包含积极、中间及消极三个预设评价等级。
该实施例中，每个题目的所属预设评价等级为典型量表每个题目在积极、中间及消极三个预设评价等级中所属预设评价等级。
该实施例中，确定出每个典型量表中每个题目的所属预设评价等级为基于预先采集的大量的、不同类型典型量表的题目进行模型训练，获得的预先训练好的题目等级确定模型(题目等级确定模型可确定出典型量表中每个题目所属的预设评价等级)。
以上技术的有益效果为：实现对典型量表的多个预设评价等级下的分数判定。
实施例4：
在实施例1的基础上，一种基于聚类算法的心理测评量表的推荐方法，基于量表判定分数构建出等级矩阵，包括：
其中，S为等级矩阵，x11表示第1个类型的典型量表中属于第一个预设评价等级的题目数量，x12表示第1个类型的典型量表中属于第二个预设评价等级的题目数量，x13表示第1个类型的典型量表中属于第三个预设评价等级的题目数量，xn1表示第n个类型的典型量表中属于第一个预设评价等级的题目数量，xn2表示第n个类型的典型量表中属于第二个预设评价等级的题目数量，xn3表示第n个类型的典型量表中属于第三个预设评价等级的题目数量；
其中，第一个预设评价等级为积极，第二个预设评价等级为消极，第三个预设评价等级为中间。
以上技术的有益效果为：基于量表判定分数构建出等级矩阵，使得等级矩阵更好地反映出多个典型量表的特征，便于后续推荐量表的获取。
实施例5：
在实施例1的基础上，一种基于聚类算法的心理测评量表的推荐方法，S3：基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型，参考图2，包括：
S301：对所有预设评价等级下的搜索记录信息分数进行数值比对，将最大分数对应的预设评价等级设定为推荐等级；
S302：将推荐等级下的搜索记录信息分数除以所有预设评价等级下的搜索记录信息分数之和，获得推荐等级比重；
S303：对等级矩阵中推荐等级对应的列数据中的每个元素进行权重计算，获得列数据中每个元素的权重，基于列数据中所有元素的权重与推荐等级比重确定出客户的推荐量表类型。
该实施例中，数值比对为对所有典型量表的所有预设评价等级下的搜索记录信息分数的数值大小比对。
该实施例中，推荐等级为对所有典型量表的所有预设评价等级下的最大搜索记录信息分数所对应的预设评价等级。
该实施例中，推荐等级比重为推荐等级对应的搜索记录信息分数除以所有预设评价等级下的搜索记录信息分数之和获得的比值。
该实施例中，列数据为在等级矩阵中单个推荐等级对应的列数据。
该实施例中，权重计算为计算列数据中每个元素的权重。
该实施例中，权重表征单个部分对整体的影响程度。
以上技术的有益效果为：通过等级矩阵与搜索记录信息分数获取推荐量表类型，实现了从搜索记录信息的评价等级这个维度精准确定出客户的推荐量表类型，使得确定出的推荐量表类型更精确且更有针对性。
实施例6：
在实施例5的基础上，一种基于聚类算法的心理测评量表的推荐方法，S303：对等级矩阵中推荐等级对应的列数据中的每个元素进行权重计算，获得列数据中每个元素的权重，基于列数据中所有元素的权重与推荐等级比重确定出客户的推荐量表类型，包括：
基于每个类型的典型量表中包含的推荐等级的题目数量和典型量表的总数，计算出等级矩阵中推荐等级对应的列数据中的每个元素的权重，包括：
其中，Qi为列数据中第i个元素的权重，i为第i个类型的典型量表，xi为第i个类型的典型量表中包含的推荐等级的题目数量，ln为以e为底数的对数函数，e的取值为2.72，i∈[1，n]，n为典型量表的总数；
将由推荐等级确定的列数据中每个元素的权重与推荐等级比重进行求差，将最小差值对应的元素对应的典型量表类型作为客户的推荐量表类型。
以上技术的有益效果为：以典型量表中包含的推荐等级的题目数量为依据可以准确计算出等级矩阵中推荐等级对应的列数据中的每个元素的权重，并进一步地通过以筛选列数据中每个元素的权重与推荐等级比重进行求差后的差值中的最小值为原则，精准确定出客户的推荐量表类型。
实施例7：
在实施例1的基础上，一种基于聚类算法的心理测评量表的推荐方法，S4：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇，包括：
S401：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，其中，每个聚类簇包含多个答题人基础数据；
S402：采集客户基础数据，并基于客户基础数据在多个聚类簇中确定出客户的归属聚类簇。
以上技术的有益效果为：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，更精确地获得了包含不同答题人基础数据的多个不同的样本组，并通过确定客户基础数据归属的样本组(聚类簇)，可以精准确定出最适合客户的题量。
实施例8：
在实施例7的基础上，一种基于聚类算法的心理测评量表的推荐方法，基于客户的基础数据确定在多个聚类簇中确定出客户的归属聚类簇，包括：
确定出聚类簇中每个答题人基础数据与当前聚类簇中除当前答题人基础数据以外剩余的所有答题人基础数据之间的欧式距离的均值，当作对应答题人基础数据在聚类簇中的中心度；
将答题人基础数据中最大中心度的答题人基础数据，当作聚类簇的簇中心；
确定出每个聚类簇的簇中心对应的答题人基础数据与客户基础数据之间的欧式距离，将最小欧式距离的簇中心对应的聚类簇确定为客户的归属聚类簇；
其中，答题人基础数据包括每日最大上网分钟数和单次最大上网分钟数。
该实施例中，剩余的所有答题人基础数据为除了当前答题人基础数据以外的其余答题人基础数据。
该实施例中，欧式距离为现有技术(将答题人基础数据直接带入欧式距离相似度计算公式)，将答题人基础数据包括每日最大上网分钟数和单次最大上网分钟数代入欧式距离求取公式获得欧式距离。
该实施例中，中心度为当前答题人基础数据在聚类簇中包含的所有答题人基础数据中的中心程度，也可以解释为当前答题人基础数据与聚类簇中除当前答题人基础数据以外剩余的答题人基础数据之间的数据相近程度，聚类簇中每个答题人基础数据与当前聚类簇中除当前答题人基础数据以外剩余的所有答题人基础数据之间的欧式距离的均值。
该实施例中，聚类簇的簇中心为聚类簇中与剩余答题人基础数据之间的数据相近度(体现为欧式距离)的均值最大的答题人基础数据。
以上技术的有益效果为：以答题人基础数据与聚类簇中剩余答题人基础数据之间的欧式距离的均值为原理，确定出答题人基础数据的中心度，并以中心度最大为依据进一步地在聚类簇中筛选出簇中心，并通过计算促中心和客户基础数据之间的欧式距离，以答题人基础数据相近的原则，确定出客户的归属聚类簇，即在多个由不同的推荐心理测评量表的答题人基础数据形成的样本组中，精确地确定出了客户基础数据归属的样本组。
实施例9：
在实施例1的基础上，一种基于聚类算法的心理测评量表的推荐方法，S5：基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表，包括：
S501：将客户的归属聚类簇中包含的答题人基础数据对应的推荐心理测评量表的题量的均值进行向上取整后的数值，当作客户的推荐题量；
S502：基于推荐题量在推荐量表类型对应的所有心理测评量表中筛选出客户的推荐心理测评量表。
该实施例中，均值为客户的归属聚类簇中的答题人基础数据对应的推荐心理测评量表的题量的平均值。
该实施例中，基于推荐题量在推荐量表类型对应的所有心理测评量表中筛选出客户的推荐心理测评量表，即为：在推荐量表类型对应的所有心理测评量表中筛选出客户的推荐心理测评量表中筛选出题量与推荐题量一致的心理测评量表，当作客户的推荐心理测评量表。
该实施例中，选取题目为从典型量表中最终放入客户的推荐心理测评量表中的题目。
以上技术的有益效果为：通过客户所在样本组除客户外答题人的所答心理测评量表的题量获得客户的推荐题量，题量的确定更精确，获得最适合客户的推荐题量的推荐心理测评量表。
实施例10：
本发明提供了一种基于聚类算法的心理测评量表的推荐系统，用于执行实施例1至9中任一一种基于聚类算法的心理测评量表的推荐方法，参考图3，包括：
搜索记录信息模块，用于采集客户在预设时间内的搜索记录信息，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数；
等级矩阵模块，用于在预设心理测评量表数据库中分别选取每个类型的一张典型量表，获得多张典型量表，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，基于量表判定分数构建出等级矩阵；
推荐量表模块，用于基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型；
聚类算法模块，用于基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇；
最终确定模块，用于基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表。
以上技术的有益效果为：实现对客户的搜索记录信息在不同预设评价等级下的分数判定，基于预设评价等级对选取的多张典型量表的处理便能构建出等级矩阵，使得搭建出的等级矩阵可以更好地反映多个典型量表的特征，便于后续推荐量表的获取，通过等级矩阵与搜索记录信息分数合理确定出适用于客户的推荐量表类型，基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得了基于包含不同答题人基础数据的多个不同的聚类簇，并通过确定客户基础数据归属的聚类簇，可以精准确定出适用于客户的推荐题量，并基于适用于客户的推荐量表类型和推荐题量两方面最终确定出适用于客户的推荐心理测评量表，使得推荐量表的获得更精确且更有针对性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于聚类算法的心理测评量表的推荐方法，其特征在于，包括：
S1：采集客户在预设时间内的搜索记录信息，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数；
S2：在预设心理测评量表数据库中分别选取每个类型的一张典型量表，获得多张典型量表，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，基于量表判定分数构建出等级矩阵；
S3：基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型；
S4：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇；
S5：基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表；
其中，基于量表判定分数构建出等级矩阵，包括：
其中，S为等级矩阵，x11表示第1个类型的典型量表中属于第一个预设评价等级的题目数量，x12表示第1个类型的典型量表中属于第二个预设评价等级的题目数量，x13表示第1个类型的典型量表中属于第三个预设评价等级的题目数量，xn1表示第n个类型的典型量表中属于第一个预设评价等级的题目数量，xn2表示第n个类型的典型量表中属于第二个预设评价等级的题目数量，xn3表示第n个类型的典型量表中属于第三个预设评价等级的题目数量；
其中，第一个预设评价等级为积极，第二个预设评价等级为消极，第三个预设评价等级为中间。
2.根据权利要求1所述的一种基于聚类算法的心理测评量表的推荐方法，其特征在于，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数，包括：
确定出搜索记录信息中每条搜索记录所属的预设评价等级；
统计出搜索记录信息中属于每个预设评价等级的记录条数；
将每个预设评价等级的记录条数作为搜索记录信息在对应预设评价等级下的搜索记录信息分数；
其中，预设评价等级包含积极、中间及消极三个预设评价等级。
3.根据权利要求1所述的一种基于聚类算法的心理测评量表的推荐方法，其特征在于，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，包括：
确定出每个典型量表中每个题目的所属预设评价等级；
统计出选取的每张典型量中属于每个预设评价等级的题目数量；
将每个典型量中属于每个预设评价等级的题目数量，当作典型量表在对应预设评价等级下的的量表判定分数；
其中，预设评价等级包含积极、中间及消极三个预设评价等级。
4.根据权利要求1所述的一种基于聚类算法的心理测评量表的推荐方法，其特征在于，S3：基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型，包括：
S301：对所有预设评价等级下的搜索记录信息分数进行数值比对，将最大分数对应的预设评价等级设定为推荐等级；
S302：将推荐等级下的搜索记录信息分数除以所有预设评价等级下的搜索记录信息分数之和，获得推荐等级比重；
S303：对等级矩阵中推荐等级对应的列数据中的每个元素进行权重计算，获得列数据中每个元素的权重，基于列数据中所有元素的权重与推荐等级比重确定出客户的推荐量表类型。
5.根据权利要求4所述的一种基于聚类算法的心理测评量表的推荐方法，其特征在于，S303：对等级矩阵中推荐等级对应的列数据中的每个元素进行权重计算，获得列数据中每个元素的权重，基于列数据中所有元素的权重与推荐等级比重确定出客户的推荐量表类型，包括：
基于每个类型的典型量表中包含的推荐等级的题目数量和典型量表的总数，计算出等级矩阵中推荐等级对应的列数据中的每个元素的权重，包括：
其中，Qi为列数据中第i个元素的权重，i为第i个类型的典型量表，xi为第i个类型的典型量表中包含的推荐等级的题目数量，ln为以e为底数的对数函数，e的取值为2.72，i∈[1,n]，n为典型量表的总数；
将由推荐等级确定的列数据中每个元素的权重与推荐等级比重进行求差，将最小差值对应的元素对应的典型量表类型作为客户的推荐量表类型。
6.根据权利要求1所述的一种基于聚类算法的心理测评量表的推荐方法，其特征在于，S4：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇，包括：
S401：基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，其中，每个聚类簇包含多个答题人基础数据；
S402：采集客户基础数据，并基于客户基础数据在多个聚类簇中确定出客户的归属聚类簇。
7.根据权利要求6所述的一种基于聚类算法的心理测评量表的推荐方法，其特征在于，基于客户的基础数据确定在多个聚类簇中确定出客户的归属聚类簇，包括：
确定出聚类簇中每个答题人基础数据与当前聚类簇中除当前答题人基础数据以外剩余的所有答题人基础数据之间的欧式距离的均值，当作对应答题人基础数据在聚类簇中的中心度；
将答题人基础数据中最大中心度的答题人基础数据，当作聚类簇的簇中心；
确定出每个聚类簇的簇中心对应的答题人基础数据与客户基础数据之间的欧式距离，将最小欧式距离的簇中心对应的聚类簇确定为客户的归属聚类簇；
其中，答题人基础数据包括每日最大上网分钟数和单次最大上网分钟数。
8.根据权利要求1所述的一种基于聚类算法的心理测评量表的推荐方法，其特征在于，S5：基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表，包括：
S501：将客户的归属聚类簇中包含的答题人基础数据对应的推荐心理测评量表的题量的均值进行向上取整后的数值，当作客户的推荐题量；
S502：基于推荐题量在推荐量表类型对应的所有心理测评量表中筛选出客户的推荐心理测评量表。
9.一种基于聚类算法的心理测评量表的推荐系统，其特征在于，用于执行权利要求1至8中任一所述的一种基于聚类算法的心理测评量表的推荐方法，包括：
搜索记录信息模块，用于采集客户在预设时间内的搜索记录信息，基于预设评价等级对搜索记录信息进行分数判定，获得搜索记录信息在所有预设评价等级下的搜索记录信息分数；
等级矩阵模块，用于在预设心理测评量表数据库中分别选取每个类型的一张典型量表，获得多张典型量表，基于预设评价等级对选取的多张典型量表进行分数判定，获得典型量表在每个预设评价等级下的量表判定分数，基于量表判定分数构建出等级矩阵；
推荐量表模块，用于基于所有预设评价等级下的搜索记录信息分数与等级矩阵确定出客户的推荐量表类型；
聚类算法模块，用于基于聚类算法对预先采集的各个题量的推荐心理测评量表的答题人基础数据进行聚类分析，获得多个聚类簇，并采集客户基础数据，基于客户基础数据在所有聚类簇中确定出客户的归属聚类簇；
最终确定模块，用于基于客户的归属聚类簇对应的推荐心理测评量表的题量获得客户的推荐题量，基于推荐量表类型和推荐题量，确定出客户的推荐心理测评量表。
CN202311337185.0A 2023-10-16 2023-10-16 一种基于聚类算法的心理测评量表的推荐方法及系统 Active CN117352114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311337185.0A CN117352114B (zh) 2023-10-16 2023-10-16 一种基于聚类算法的心理测评量表的推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311337185.0A CN117352114B (zh) 2023-10-16 2023-10-16 一种基于聚类算法的心理测评量表的推荐方法及系统

Publications (2)

Publication Number Publication Date
CN117352114A CN117352114A (zh) 2024-01-05
CN117352114B true CN117352114B (zh) 2024-04-09

Family

ID=89366264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311337185.0A Active CN117352114B (zh) 2023-10-16 2023-10-16 一种基于聚类算法的心理测评量表的推荐方法及系统

Country Status (1)

Country Link
CN (1) CN117352114B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117851464B (zh) * 2024-03-07 2024-05-14 济南道图信息科技有限公司 一种用于心理评估的用户行为模式辅助分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506629A (zh) * 2021-06-25 2021-10-15 济南大学 一种症状自评量表简化及结果预测方法与系统
CN113807612A (zh) * 2021-10-13 2021-12-17 四川久远银海软件股份有限公司 一种基于心理量表数据的预测方法和装置
CN114822749A (zh) * 2022-02-05 2022-07-29 成都市第四人民医院 一种测评结果可视化心理测评方法和系统
CN114860922A (zh) * 2022-03-25 2022-08-05 南京脑科医院 心理测评量表的分类模型获取方法、筛查方法及系统
CN115274113A (zh) * 2022-08-09 2022-11-01 河南心理健康产业发展有限公司 一种基于心理测评量表计分算法的评测系统
CN115458099A (zh) * 2022-09-14 2022-12-09 广州商学院 基于问卷测评的人物心理画像获取方法、系统、电子设备
CN115994271A (zh) * 2023-01-12 2023-04-21 武汉大学 心理测评量表的推荐方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101772279B1 (ko) * 2015-09-14 2017-09-05 주식회사 그릿연구소 사용자의 생체 데이터를 이용한 심리검사의 왜곡도 보정방법
US20230077107A1 (en) * 2021-08-31 2023-03-09 Ira Winkler Method for assessing individual vulnerability to predatory internet attacks

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506629A (zh) * 2021-06-25 2021-10-15 济南大学 一种症状自评量表简化及结果预测方法与系统
CN113807612A (zh) * 2021-10-13 2021-12-17 四川久远银海软件股份有限公司 一种基于心理量表数据的预测方法和装置
CN114822749A (zh) * 2022-02-05 2022-07-29 成都市第四人民医院 一种测评结果可视化心理测评方法和系统
CN114860922A (zh) * 2022-03-25 2022-08-05 南京脑科医院 心理测评量表的分类模型获取方法、筛查方法及系统
CN115274113A (zh) * 2022-08-09 2022-11-01 河南心理健康产业发展有限公司 一种基于心理测评量表计分算法的评测系统
CN115458099A (zh) * 2022-09-14 2022-12-09 广州商学院 基于问卷测评的人物心理画像获取方法、系统、电子设备
CN115994271A (zh) * 2023-01-12 2023-04-21 武汉大学 心理测评量表的推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Neural Network Based on Cluster Analysis and Its Applications in Psychological Assessment;Hui Lin;《2nd International Conference on Information Science and Engineering (ICISE 2010)》;20100101;4 *
灰色聚类算法的大学生心理健康智能测评;邹媛园;《计算机与数字工程》;20211231;第49卷(第12期);2562-2567 *

Also Published As

Publication number Publication date
CN117352114A (zh) 2024-01-05

Similar Documents

Publication Publication Date Title
CN110060762B (zh) 一种基于多因子量表数据的心理发展水平评估方法及系统
CN109299380B (zh) 在线教育平台中基于多维特征的习题个性化推荐方法
CN117352114B (zh) 一种基于聚类算法的心理测评量表的推荐方法及系统
CN111079009B (zh) 一种用于政务地图服务的用户兴趣检测方法及系统
CN106776930A (zh) 一种融入时间和地理位置信息的地点推荐方法
KR20190098376A (ko) 대학입시 합격 예측 방법
CN108897750B (zh) 融合多元上下文信息的个性化地点推荐方法及设备
CN113918806A (zh) 自动推荐培训课程的方法及相关设备
US20070087313A1 (en) Method for improving relationship compatibility analysis based on the measure of psychological traits
CN113011835A (zh) 一种校园健康数据管理方法及系统
CN113132749B (zh) 直播间的推荐方法、装置、设备及介质
CN115396389A (zh) 一种基于情绪能量感知的物联网信息技术客服服务系统
CN114897077A (zh) 一种基于机器学习的英语阅读素养评价方法
US11301945B2 (en) Recruiting and admission system
CN110309411A (zh) 一种资源推荐方法及装置
CN117172977A (zh) 一种针对学员训练的训练建议生成方法及系统
CN112765374A (zh) 一种用于信息推送的教育资源筛选系统及其方法
CN114936281A (zh) 基于大数据的试题动态分类方法、装置、设备及存储介质
CN112598944A (zh) 一种智能型英语教学系统
CN113516229A (zh) 面向群智感知系统的可信用户优化选择方法
CN109559169B (zh) 一种基于在线用户评分的敏锐用户识别的方法
CN110609963B (zh) 推荐榜单生成方法及装置、电子设备及存储介质
CN1323131A (zh) 一种连续性的实时市场监测系统
CN110889431A (zh) 基于K-Means算法改进的高频职业技能生命曲线聚类方法
CN115774803B (zh) 一种体测站点的可视化标识方法及系统

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
GR01 Patent grant
GR01 Patent grant