JP2023535849A - 問題推奨方法及びその装置及びそのシステム、及び電子機器、読み取り可能な記憶媒体 - Google Patents
問題推奨方法及びその装置及びそのシステム、及び電子機器、読み取り可能な記憶媒体 Download PDFInfo
- Publication number
- JP2023535849A JP2023535849A JP2022504676A JP2022504676A JP2023535849A JP 2023535849 A JP2023535849 A JP 2023535849A JP 2022504676 A JP2022504676 A JP 2022504676A JP 2022504676 A JP2022504676 A JP 2022504676A JP 2023535849 A JP2023535849 A JP 2023535849A
- Authority
- JP
- Japan
- Prior art keywords
- user
- candidate
- question
- questions
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 109
- 230000006399 behavior Effects 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 31
- 230000009471 action Effects 0.000 claims description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 64
- 206010012601 diabetes mellitus Diseases 0.000 description 46
- 206010020772 Hypertension Diseases 0.000 description 28
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 230000036541 health Effects 0.000 description 22
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 17
- 239000008280 blood Substances 0.000 description 17
- 210000004369 blood Anatomy 0.000 description 17
- 208000024891 symptom Diseases 0.000 description 17
- 239000003814 drug Substances 0.000 description 16
- 208000004104 gestational diabetes Diseases 0.000 description 15
- 208000017667 Chronic Disease Diseases 0.000 description 14
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 14
- 235000021152 breakfast Nutrition 0.000 description 13
- 229940079593 drug Drugs 0.000 description 12
- 235000016709 nutrition Nutrition 0.000 description 12
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 11
- 239000008103 glucose Substances 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000035764 nutrition Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 235000005911 diet Nutrition 0.000 description 9
- 230000001631 hypertensive effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000037213 diet Effects 0.000 description 7
- 208000024172 Cardiovascular disease Diseases 0.000 description 5
- 230000036772 blood pressure Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 210000003141 lower extremity Anatomy 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 208000008960 Diabetic foot Diseases 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 210000003371 toe Anatomy 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 2
- 208000025865 Ulcer Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 210000002683 foot Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000291 postprandial effect Effects 0.000 description 2
- 208000023482 precordial pain Diseases 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 231100000397 ulcer Toxicity 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 201000001320 Atherosclerosis Diseases 0.000 description 1
- 206010008469 Chest discomfort Diseases 0.000 description 1
- 208000014085 Chronic respiratory disease Diseases 0.000 description 1
- 208000002249 Diabetes Complications Diseases 0.000 description 1
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 206010012655 Diabetic complications Diseases 0.000 description 1
- 206010013887 Dysarthria Diseases 0.000 description 1
- 208000032928 Dyslipidaemia Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010010164 Hypertension complications Diseases 0.000 description 1
- 208000017170 Lipid metabolism disease Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 208000001280 Prediabetic State Diseases 0.000 description 1
- 206010065918 Prehypertension Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000004452 decreased vision Effects 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 210000001255 hallux Anatomy 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000002981 neuropathic effect Effects 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 231100000862 numbness Toxicity 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 201000009104 prediabetes syndrome Diseases 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 208000026473 slurred speech Diseases 0.000 description 1
- 235000021147 sweet food Nutrition 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本開示は、問題推奨方法、装置、システム及び電子機器及び非一時的な読み取り可能な記憶媒体を提供する。問題推奨方法は、複数の候補問題を含むユーザの候補問題セットを取得するステップと、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップと、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するステップと、問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも1つの候補問題をユーザに推奨するステップと、を含む。
Description
本開示の実施例は、問題推奨方法、問題推奨装置、問題推奨システム、電子機器及び非一時的な読み取り可能な記憶媒体に関する。
インターネット技術の急速な発展に伴い、人々の生活に多くの便利をもたらす。人々は、インターネットを通じて興味のある情報を検索したり閲覧したりすることができ、インターネットを通じてオンライン問い合わせ、オンライン問診などを行うこともできる。時間の経過とともに、インターネットには大量の内容情報が蓄積され、従来の検索エンジンのウェブページの検索結果が多く、また重複や無関係の内容が多くなる可能性があり、ユーザは短い時間で自分の興味のある情報または問い合わせたい問題などを見つけるのは困難である。
本開示の少なくとも1つの実施例は、問題推奨方法を提供し、複数の候補問題を含むユーザの候補問題セットを取得するステップと、ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップと、ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップと、前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも1つの候補問題を前記ユーザに推奨するステップと、を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップは、ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するステップを含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップは、少なくとも1つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップを含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記少なくとも1つの類似度マッチングモデルは、コサイン類似度モデルと、ジェカルト類似度モデルと、編集距離類似度モデルと、単語の移動距離類似度モデルと、ディープセマンティックマッチング類似度モデルと、の少なくとも1つを含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ソートモデルは、Wide&Deepモデルを含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザの候補問題セットを取得するステップは、複数の知識問題セットを含むデータ知識ベースをアクセスするステップと、ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するステップと、前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから前記候補問題セットを取得するステップと、を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザラベルセットは、マルチレベルのラベルを含むマルチレベルのラベルセットを含み、レベルが異なるラベルは、種類が異なる。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記問題推奨方法は、病気に関する問題を推奨するために使用され、前記マルチレベルのラベルセットは、第1レベルのラベルが年齢帯であり、第2レベルのラベルが時間帯であり、第3レベルのラベルが病気の種類であり、第4レベルのラベルが合併症である。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記複数の知識問題セットのそれぞれは、標準問題と、前記標準問題に対応する標準回答と、前記標準問題に対応する拡張問題と、を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザの候補問題セットを取得するステップは、前記データ知識ベースを作成するステップをさらに含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記前記データ知識ベースを作成するステップは、ネットワークからデータセットを取り込み、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成して、前記データ知識ベースを作成するステップを含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記問題推奨方法は、病気に関する問題を推奨するために使用され、前記データセットは、医師と患者の間の問診データセット、前記病気に関連するホットな問題、及び前記病気に関連する懸賞問題のうちの少なくとも1つからのものである。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから候補問題セットを取得するステップは、前記ユーザラベルセットと前記データ知識ベースにおける標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するステップを含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザの候補問題セットを取得するステップは、予め記憶された前記ユーザの候補問題セットを取得するステップを含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨方法では、前記ユーザ行為データに基づいて、前記ユーザ興味パラメータを取得するステップは、前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するステップを含む。
本開示の少なくとも1つの実施例は、問題推奨装置をさらに提供し、複数の候補問題を含むユーザの候補問題セットを取得するように構成されるセット取得回路と、ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するように構成される行為分析回路と、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するように構成される特徴生成回路と、ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するように構成される問題ソート回路と、前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも1つの候補問題をユーザに推奨するように構成される推奨回路と、を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨装置では、前記問題ソート回路は、ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するように構成される問題ソートサブ回路を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨装置では、前記セット取得回路は、複数の知識問題セットを含むデータ知識ベースをアクセスするように構成される知識ベースアクセス回路と、ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するように構成される情報取得回路と、前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから複数の候補問題を含む候補問題セットを取得するように構成される候補セット生成回路と、を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨装置では、前記セット取得回路は、ネットワークからデータセットを取り込み(grab)、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成し、前記データ知識ベースを作成するように構成される知識ベース作成回路をさらに含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨装置では、前記候補セット生成回路は、前記ユーザラベルセットと前記データ知識ベースの標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するように構成される候補セット生成サブ回路を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨装置では、前記行為分析回路は、前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するように構成される行為分析サブ回路を含む。
例えば、本開示の少なくとも1つの実施例により提供される問題推奨装置では、特徴生成回路は、少なくとも1つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するように構成される特徴生成サブ回路を含む。
本開示の少なくとも1つの実施例は、端末と問題推奨サーバを含む問題推奨システムをさらに提供する。前記端末は、要求データを前記問題推奨サーバに送信するように構成され、前記問題推奨サーバは、前記要求データに応答して、ユーザの候補問題セットを取得するように構成され、前記候補問題セットは、複数の候補問題を含み、ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得し、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得し、ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得し、前記端末は、さらに、前記問題シーケンス内のN個までの候補問題を表示するように構成され、ただし、Nは1以上の整数である。
本開示の少なくとも1つの実施例は、電子機器をさらに提供し、プロセッサと、1つまたは複数のコンピュータプログラムモジュールを含むメモリと、を含み、前記1つまたは複数のコンピュータプログラムモジュールは、前記メモリに記憶され、前記プロセッサによって実行されるように構成され、前記1つまたは複数のコンピュータプログラムモジュールは、上記の任意の実施例に記載の問題推奨方法を実行するための命令を含む。
本開示の少なくとも1つの実施例は、コンピュータ命令が記憶されている非一時的な読み取り可能な記憶媒体をさらに提供し、前記コンピュータ命令プロセッサによって実行される時、上記の任意の実施例に記載の問題推奨方法を実行する。
本開示の実施例の技術的解決策をより明確に説明するために、以下で実施例の図面を簡単に説明する。明らかに、以下の説明の図面は、本開示のいくつかの実施形態のみに関し、本開示に対する限定ではない。
以下、本発明の目的、技術手段、及びメリットをより明白にするため、本発明の例示的な実施例について図面を参照しながら詳細に説明する。説明された実施例が本発明の一部の実施例のみであり、本発明の全ての実施例ではないことは明らかである。説明される本開示の実施例に基づいて、創造的な労力なしに当業者によって得られた他のすべての実施形態は、本開示の保護範囲内にある。
特に断りのない限り、本開示で使用される専門用語または科学用語は、本開示が属する分野の通常の技能を有する人々によって理解される通常の意味を有するものとする。本開示で使用される「第1」、「第2」及び類似する単語は、順序、量、または重要性を示すものではなく、異なる構成要素を区別するためにのみ使用される。同様に、「一つ」、「一」、または「当該」などの類似語も数制限を意味せず、少なくとも一つの存在を意味する。「含む」または「含む」などの類似語は、この語の前にある要素または物件が、その語の後に列挙される要素または対象物と同じであることを意味し、他の要素または対象物を排除しない。「接続」や「互いに接続」などの類似語は、物理的または機械的な接続に限定されるものではなく、電気的な接続を含み、直接的にも間接的にもよい。「上」「下」「左」「右」などは相対位置関係を表すためだけに用いられ、説明対象の絶対位置が変化すると、その相対位置関係もそれに応じて変化する可能性がある。
経済発展と生活水準の向上に伴い、ますます多くの人が様々な程度の慢性病に苦しんでいる。慢性病とは、伝染を構成せず、長期にわたり蓄積して病気の形態的損害をもたらす病気の総称を指す。一般的な慢性病は、主に心脳血管疾患、ガン、糖尿病、慢性呼吸器疾患などがあり、心脳血管疾患は、高血圧、脳卒中、冠状動脈硬化などが含まれている。資料によると、慢性病の原因の一つは不健康な生活方式である。例えば、不健康な生活方式には、食事の不合理、運動不足、タバコの使用、アルコールの過剰使用などがある。したがって、慢性病患者に対しては、医師は、患者の病状に対して医療治療(例えば、薬物による治療)を行う必要がある以外、患者に合理化された慢性病への対応のアドバイス(例えば、食事のアドバイス、運動のアドバイスなど)を提供し、医療治療に協力する補助手段として、慢性病をより良く制御及び予防する必要がある。ネットワーク技術の発展に伴い、スマート医療はより多くの便利を提供している。特に慢性病予防と自分検査に関する健康知識は、患者の病気に対する認知度を高め、より効果的な予防と治療を行うことができる。したがって、慢性病患者の健康教育に向けたスマート問答システムは、患者の疑問と問題を効率的に正確に解決することができる。同時に、現在国内の医療資源が不足している状態で、医療従事者の負担を軽減し、長期的な健康管理にも役立つ。
本開示の発明者は、現在において、医療問答システムまたはオンライン問診が患者が説明した病状と患者により提出された問題に依存しているため、通常、患者からの表現が明確しないことで、システムフィードバックの答えと患者情報が適切でないか、または順序が一致しないという問題が発生していることに気づいた。また、一般医療問答システムは、ユーザ情報を利用せずに、ターゲットとなる健康知識を提供する。個性的で多様なサービスを提供するのは難しい。
本開示の少なくとも1つの実施例は、問題推奨方法、問題推奨装置、問題推奨システム、電子機器、及び非一時的な読み取り可能な記憶媒体を提供する。当該問題推奨方法は、ユーザの候補問題セットを取得するステップであって、候補問題セットは、複数の候補問題を含むステップと、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップと、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するステップと、を含む。
本開示の少なくとも1つの実施例により提供される問題推奨方法は、患者の不明瞭な表現によって引き起こされるフィードバックの回答が適切でない問題を効果的に回避するだけでなく、個々の要因、自分の特徴など(例えば、ユーザ基本情報、ユーザのクリック行為、閲覧行為など)に対して個性化的に問題を推奨することで、ユーザが自分の健康に関する知識をより的確に把握することができる。少なくともいくつかの別の実施例において、当該問題推奨方法は、さらに、ソートモデルを使用することによって、問題推奨が相関性、個性化、及び多様化を持つことができ、同時に最終的なフィードバック順序も重視することによって、ユーザのニーズにより適合する効果を達成し、ユーザ体験を効果的に向上させることができる。
以下では、いくつかの例と実施例で本開示の実施例により提供される健康管理装置を非限定的に説明し、以下で説明するように、互いに衝突しない状況で、これらの具体的な例と実施例内の異なる特徴を互いに組み合わせて、新しい例と実施例を取得することができ、これらの新しい例と実施例もすべて本開示の保護の範囲に属する。
図1Aは本開示の少なくとも一実施例により提供される問題推奨方法の例示的なフローチャートである。図1Bは本開示の少なくとも一実施例により提供される別の問題推奨方法の例示的なフローチャートである。
本開示の少なくとも一実施例により提供される問題推奨方法10は、医療スマート問答、オンライン問診、健康相談などのシナリオに適用することができ、例えば、慢性病健康知識スマート問答システムに適用することができる。例えば、1つの実施例において、図1Aに示すように、当該問題推奨方法10は、以下の操作を含むことができる。
ステップS100:複数の候補問題を含むユーザの候補問題セットを取得する。
ステップS140:ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得する。
ステップS150:ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得する。
ステップS160:ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて複数の候補問題をソートして問題シーケンスを取得する。
ステップS170:問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも1つの候補問題をユーザに推奨する。
ステップS100:複数の候補問題を含むユーザの候補問題セットを取得する。
ステップS140:ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得する。
ステップS150:ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得する。
ステップS160:ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて複数の候補問題をソートして問題シーケンスを取得する。
ステップS170:問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも1つの候補問題をユーザに推奨する。
例えば、1つの実施例において、図1Bに示すように、当該問題推奨方法10のステップS100は、具体的には、ステップS110-S130を含むことができ、したがって、当該問題推奨方法10は、具体的には、ステップS110-S170を含むことができる。
以下では図1A及び図1Bを組み合わせて本開示の実施例により提供される問題推奨方法10を詳細に説明し、例えば、本開示の一実施例において、当該問題推奨方法10は、図1Bに示すように、具体的には、ステップS110-ステップS170を含むことができる。例えば、ステップS110-ステップS170は、順序に実行することができ、調整後の他の順序で実行することもでき、例えば、1つの例において、まずステップS110を実行してから次にステップS120を実行することができ、別の例において、まずステップS120実行してから次にステップS110を実行することができ、また、例えば、ステップS110-ステップS160のうちの一部または全部の操作は、並行して実行することもでき、例えば、ステップS110とステップS120は、並行して実行することができ、本開示の実施例は、各ステップの実行順序について限定せず、実際の状況に応じて調整することができる。例えば、ステップS110-ステップS160は、サーバまたはローカルエンドで実現することができ、本開示の実施例は、これについて限定しない。例えば、いくつかの例において、本開示の少なくとも一実施例により提供される問題推奨方法10を実施するのは、ステップS110-S170のうちの一部ステップを選択的に実行することができ、ステップS110-S170以外のいくつかの追加のステップを実行することもでき、本開示の実施例はこれについて具体的に限定しない。
本開示により提供される問題推奨方法10について、以下では例と図面を組み合わせて詳細に説明する。
ステップS110:複数の知識問題セットを含むデータ知識ベースをアクセスする。例えば、問題推奨方法10が慢性病健康知識スマート問答システムに適用される場合、データ知識ベースは、慢性病(例えば、糖尿病、高血圧など)に関連するデータ知識ベースであり、かつ慢性病に関連する完全な基本健康知識を含むことができる。データ知識ベースは、複数の知識問題セットを含み、例えば、データ知識ベース内の基本健康知識を、意図(例えば食事、運動、薬物、検査、合併症、手術、治療、症状など)に従って分類し、各意図の下で標準問題及び対応する拡張問題と標準回答を整理(例えば、手動で整理)して1つの知識問題セットを構成することによって、データ知識ベースを構成する。
例えば、本開示の少なくとも1つの実施例において、複数の知識問題セットのそれぞれは、標準問題と、当該標準問題に対応する標準回答と、当該標準問題に対応する拡張問題と、を含むことができる。例えば、1つの例において、ユーザが糖尿病患者であり、「食事」意図の下で、整理後の標準問題は、「糖尿病患者はどのような食べ物を食べたらいいですか?」を含むことができ、当該標準問題に対応する拡張問題は、例えば、「糖尿病はどんな食べ物がいいですか?」、「糖尿病に適した食べ物は何ですか?」、「糖尿病はどのような食べ物を食べて血糖値を下げるべきですか?」などを含むことができる。この場合、上記の「食事」意図の下での知識問題セットは、上記の標準問題、拡張問題、及びそれらに対応する標準回答を含むことができる。
なお、本開示の実施例で挙げられた標準問題、拡張問題は、単なる例示的なものであり、適用シナリオと医療実践などに応じて調整及び更新を行うことができる。また、同様に、標準回答も適用シナリオと医療実践などに応じて調整及び更新を行うことができ、使用される言語(例えば中国語、英語)に基づいて調整及び更新を行うこともでき、本開示の実施例はこれについて具体的に限定しない。
例えば、本開示の実施例において、データ知識ベースは、作成できたものであり、当該作成できた知識データベースは、ローカルまたはサーバに予め記憶されてもよく、当該問題推奨方法10を実施する時、例えばサーバによって作成されてもよく、他の機器から読み取られてもよく、本開示の実施例はこれについて具体的に限定せず、実際のニーズに応じて設けることができる。データ知識ベースを作成する詳細の説明は以下で説明する。
ステップS120:ユーザ基本情報を取得し、ユーザ基本情報に基づいてユーザラベルセットを作成する。
例えば、本開示の少なくとも一実施例において、ユーザ基本情報は、例えば、ユーザの年齢、性別、身長、体重、ウエストライン(waistline)、及び生活習慣などを含むことができる。例えば、1つの例において、ユーザが糖尿病患者である場合、ユーザ基本情報は、糖尿病のタイプ、既に診断された慢性合併症、既存の症状などをさらに含む。例えば、別の例において、ユーザが糖尿病患者でない場合、ユーザ基本情報は、ユーザ病歴、空腹血糖値または食後2時間の血糖値などをさらに含む。例えば、別の例において、ユーザが高血圧患者である場合、ユーザ基本情報は、ユーザ拡張期血圧、収縮期血圧、高血圧合并症のタイプ、及び症状などをさらに含む。本開示の実施例は、ユーザ基本情報に含まれる内容に対して具体的に限定せず、実際のニーズに応じて設けることができる。
例えば、1つの例において、ユーザ基本情報は、ユーザのオンラインリアルタイム情報から取得することができ、例えば、許可を得た場合に、オンラインの健康ファイルプラットフォーム、医療機関(例えば、病院または健康診断機関)の情報管理システム(例えば、実験室情報管理システム)、体徴検査報告電子化装置などから取得することができる。
例えば、1つの例において、ユーザがあるソフトウェアプラットフォーム(例えば、健康管理プラットフォーム)の登録ユーザである場合、ユーザは登録する時に自分の基本情報(例えば、名前、性別、年齢、身長、体重、ウエストライン、生活習慣など)を主動的に記入して保存すると、直接に当該特定のプラットフォームに関連するリポジトリ(例えば、バックエンド)からユーザの基本情報を取得することができる。例えば、別の例において、ユーザが当該特定のプラットフォーム(健康管理プラットフォーム)の登録ユーザではない場合、またはユーザが当該特定のプラットフォームに自分の基本情報を完了または保存していない場合、サードパーティのプラットフォーム(例えば、ある病院または健康診断機関の情報管理システムなど)または関連する電子機器(例えば、ブレスレット、スマートウォッチなど)などを介してユーザの基本情報を収集してもよく、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。例えば、1つの例において、ユーザがあるウェブページまたはあるプラットフォームを初めて使用する場合、ユーザがテキストボックスに入力した個人情報に基づいてユーザの基本情報を取得することもでき、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。
図2Aは本開示実施例のあるプラットフォームのユーザインターフェースを示す。図2Aに示すように、ユーザは、自分の状況に応じて基本情報(例えば、名前、性別、年齢、身長、体重、ウエストラインを含む)を記入し、次に、ユーザインターフェースで提供される具体的な生活習慣オプション(例えば、頻繁に飲酒(週に3回以上)、喫煙、食事が塩辛すぎ、揚げ物が好き、甘い食物が好き、頻繁に夜更かし(平均寝る時間が12時以降)、運動が少ないなどを含む)と比較し、自分に合った生活習慣にチェックマークを付けて、これらのユーザ基本情報を当該健康管理プラットフォームに関連するデータベース(例えば、バックエンド)に保存することができる。
例えば、健康管理プラットフォームは、少なくとも1つの(例えば、複数)医療機関に接続することができ、少なくとも1つの(例えば、複数の)医療機関からこれらの医療機関から体徴検査を参加した患者の基本情報及び検査結果を取得することができる。例えば、健康管理プラットフォームは、さらに、スマート端末(例えば、スマート測定器、スマートブレスレット、スマートウォッチ、スマートウェアなど)からユーザの基本情報を取得し、スマート端末内のセンサーによって検出された患者の少なくとも1つの体徴データ(例えば、脈拍、体温、心拍、呼吸、脳電、心電、血圧、血糖、筋電など)を取得することができる。例えば、健康管理プラットフォームは、定期(例えば、毎日)的に複数の医療機関からこれらの医療機関から体徴検査を参加した患者の検査結果を取得し、当該健康管理プラットフォームに関連するデータベース(またはメモリ)に予め記憶することができる。なお、本開示の実施例は、ユーザ基本情報の出所について具体的に限定せず、実際のニーズに応じて設けることができる。例えば、他のいくつかの例において、ユーザ基本情報は、ユーザがオンラインで記入することもでき、例えば、対応するウェブページを提供し、ユーザが当該ウェブページに自分の情報を記入し、当該ウェブページは、ユーザが記入した情報をサーバに送信し、サーバがこれらの情報を整理した後にユーザ基本情報を取得することができる。
例えば、1つの例において、上記の内容に基づいてユーザ基本情報を取得した後、取得されたユーザ基本情報に基づいて、ラベルセットを作成する。
例えば、ユーザのラベルは、ユーザ性別、名称、年齢などを含むことができる。例えば、1つの例において、ラベルは、I型糖尿病などの病気名をさらに含み、例えば、別の例において、ラベルは、糖尿病足などの合併症名をさらに含む。
以下では図2Bを組み合わせて、取得されたユーザ基本情報に基づいてラベルセットを作成するプロセスを説明する。図2Bは本開示の少なくとも一実施例によるユーザラベルセットを作成する概略図を示す。図2Bに示すように、左側の破線のボックスは、ユーザのポートレート、すなわちユーザ基本情報である。当該ユーザ基本情報は、「ユーザが糖尿病患者Aである」、「身長172cm」、「体重81kg」、「男」、「68歳」、「記憶力の低下」、「下肢長期潰瘍」、「足の先が太く膨らんでいる」、「足の親指の骨が目立つ」、「頻繁に飲酒、喫煙」、「運動が少ない」を含む。次に、例えば、エンティティ認識などの方法によってラベルを取得し、エンティティ認識方法は、例えば、条件付き確率場、深層学習などの方法を使用してラベルを取得することを含み、例えば、右側の破線のボックスは、取得された当該ユーザの関連ラベルであり、すなわちユーザラベルセットは、「血糖」、「高齢者」、「重量超過」、「合併症」、「レシピ」、「神経病変」、および「糖尿病足」を含む。
なお、本開示の上記の実施例の説明に挙げられた具体的なラベルは、限定ではなく、単なる例示的なものである。
例えば、本開示の少なくとも一実施例において、ユーザラベルセットは、マルチレベルのラベルセットを含むことができ、マルチレベルのラベルセットは、マルチレベルのラベルを含み、レベルが異なるラベルは、種類が異なる。
例えば、本開示の少なくとも一実施例において、異なる年齢、時間帯、病気の種類、症状の有無、合併症の有無などに基づいてほぼ200種類の基本的な規則を作成し、次に、異なる糖尿病の種類、複数の症状の組み合わせ、及び複数の合併症の種類の組み合わせに発散することができ、したがって、マルチレベルのラベルセットは、ユーザの基本情報と興味の方向付けをカバーすることができる。
例えば、1つの例において、マルチレベルのラベルセットは、第1レベルのラベルが年齢帯であり、第2レベルのラベルが時間帯であり、第3レベルのラベルが病気の種類であり、第4レベルのラベルが合併症である。
なお、本開示の実施例はユーザラベルセットの具体的な規則を限定せず、実際のニーズに応じて設けることができる。
ステップS130:ユーザラベルセットとデータ知識ベースを関連付け、複数の知識問題セットから複数の候補問題を含む候補問題セットを取得する。
例えば、本開示の少なくとも一実施例において、ステップS120で作成されたユーザラベルセットとステップS110でアクセスされたデータ知識ベースとをマッチングし、規則の関連付けに基づいて問題候補セットを取得することができる。
例えば、本開示の少なくとも一実施例において、ステップS130では、ユーザラベルセットとデータ知識ベースとを関連付け、複数の知識問題セットから候補問題セットを取得するステップは、まず、ユーザラベルセットとデータ知識ベースにおける標準問題との間のマッピング関係を作成し、ユーザラベルセットをデータ知識ベースにおける標準問題にマッチングし、次に、マッチングされた標準問題に対応する知識問題セットで候補問題セットを構成することを含むことができる。
図3Aは本開示の少なくとも一実施例によるユーザラベルセットとデータ知識ベースとの間の規則スキームの概略図を示す。以下では、図3Aを組み合わせて、糖尿病の基本規則スキームを例としてステップS130の操作を詳細に説明する。
図3Aに示すように、本開示の少なくとも一実施例において、年齢帯を第1レベルのラベルとして、まずユーザ(例えば、糖尿病患者)と直接に規則関連付けを行う。例えば、ユーザが第1レベルのラベルに関連付ける場合、年齢が18歳以下である未成年者、新生児、子供、及び年齢が18-59歳の範囲内にある成人、及び年齢が60歳以上である中高年などの3つの種類に関連付けられることができる。
異なる年齢帯について、第2レベルのラベル(すなわち1日中の異なる時間帯)、第3レベルのラベル(糖尿病の種類)を組み合わせると、それぞれ対応する異なる規則スキームがある。
例えば、各レベルのラベルが具体的に実行する時に前後順序の制限がなく、例えば、年齢、時間、糖尿病の種類は単一の選択で、前で分類するのはもっと便利になり、合併症の種類などは複数選択することができ、比較的に複雑で、後の位置に置く。
例えば、本開示の少なくとも一実施例において、1型、2型の子供糖尿病患者について、朝食期間(例えば、6:00-8:00)に、彼らはレシピ及び栄養の提案、及び早食後2h血糖注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、1型、2型の子供糖尿病患者について、朝食期間(例えば、6:00-8:00)に、それに対応するラベルは、「1型、2型糖尿病」、「子供」、及び「6:00-8:00」を含み、それに対応する複数の候補問題は、「子供糖尿病患者は朝食に何を食べるべきですか?」、「1型、2型の子供糖尿病患者は早食後にどのような注意事項がありますか?」、「糖尿病患者が血糖を測定するための機器は何ですか」などを含むことができる。1型、2型の子供糖尿病患者について、昼食期間(例えば、11:00-15:00)に、彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、1型、2型の子供糖尿病患者について、昼食期間(例えば、11:00-15:00)に、それに対応するラベルは、「1型、2型糖尿病」、「子供」、及び「11:00-15:00」を含み、それに対応する複数の候補問題は、「子供糖尿病患者は昼食に何を食べるべきですか?」、「1型、2型の子供糖尿病患者は昼食後にどのような注意事項がありますか?」、「1型、2型の子供糖尿病患者は昼食後にどのような運動が適していますか?」などを含むことができる。1型、2型の子供糖尿病患者について、夕食期間(例えば、17:00-20:00)に、彼らはレシピ及び栄養の提案、運動提案及び注意事項、薬の使用に関する事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、1型、2型の子供糖尿病患者について、夕食期間(例えば、17:00-20:00)に、それに対応するラベルは、「1型、2型糖尿病」、「子供」、及び「17:00-20:00」を含み、それに対応する複数の候補問題は、「1型、2型の子供糖尿病患者は夕食に何を食べるべきですか?」、「糖尿病患者は夕食後にどのような注意事項がありますか?」、「子供糖尿病患者は夕食後にどのような運動が適していますか?」「1型、2型の子供糖尿病患者は夜にどのように薬を服用しますか?」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。
例えば、本開示の少なくとも一実施例において、1型、2型の成人糖尿病患者について、朝食期間(例えば、6:00-8:00)に彼らはレシピ及び栄養の提案、及び早食後2hの血糖測定の注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、1型、2型の成人糖尿病患者について、朝食期間(例えば、6:00-8:00)に、それに対応するラベルは、「1型、2型糖尿病」、「成人」、及び「6:00-8:00」を含み、それに対応する複数の候補問題は、「成人糖尿病患者は朝食に何を食べるべきですか?」、「1型、2型の成人糖尿病患者は早食後にどのような注意事項がありますか?」、及び「成人糖尿病患者は朝にミルクを飲むことができますか?」などを含むことができる。昼食期間(例えば、11:00-15:00)に彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、1型、2型の成人糖尿病患者について、昼食期間(例えば、11:00-15:00)に、それに対応するラベルは、「1型、2型糖尿病」、「成人」、及び「11:00-15:00」を含み、それに対応する複数の候補問題は、「1型、2型の成人糖尿病患者は昼食に何を食べるべきですか?」、「成人糖尿病患者は昼食後にどのような注意事項がありますか?」、「1型、2型の成人糖尿病患者は昼食後にどのような運動が適していますか?」、「1型、2型の成人糖尿病患者は正午にどのように薬を服用しますか?」などを含むことができる。夕食期間(例えば、17:00-20:00)に彼らはレシピ及び栄養の提案、運動提案及び注意事項、夕食後2hの血糖測定の注意事項、薬の使用に関する事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、1型、2型の成人糖尿病患者について、夕食期間(例えば、17:00-20:00)に、それに対応するラベルは、「1型、2型糖尿病」、「成人」、及び「17:00-20:00」を含み、それに対応する複数の候補問題は「1型、2型の成人糖尿病患者は夕食に何を食べるべきですか?」、「1型、2型の成人糖尿病患者は夕食後にどのような注意事項がありますか?」、「1型、2型の成人糖尿病患者は夕食後にどのような運動が適していますか?」、「1型、2型の成人糖尿病患者は夜にどのように薬を服用しますか?」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。
例えば、本開示の少なくとも一実施例において、高齢者糖尿病患者及び妊娠糖尿病患者について、朝食期間(例えば、6:00-8:00)に彼らはレシピ及び栄養の提案、及び早食後2hの血糖測定の注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、高齢者糖尿病患者及び妊娠糖尿病患者について、朝食期間(例えば、6:00-8:00)に、それに対応するラベルは、「糖尿病」、「妊娠糖尿病」、「高齢者」、及び「6:00-8:00」を含み、それに対応する複数の候補問題は、「高齢者糖尿病患者及び妊娠糖尿病患者は朝食に何を食べるべきですか?」、「高齢者糖尿病患者及び妊娠糖尿病患者は早食後にどのような注意事項がありますか?」、及び「高齢者糖尿病患者及び妊娠糖尿病患者は朝にどのように薬を服用しますか?」などを含むことができる。昼食期間(例えば、11:00-15:00)に彼らはレシピ及び栄養の提案、昼食後2h血糖測定の注意事項、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、高齢者糖尿病患者及び妊娠糖尿病患者について、昼食期間(例えば、11:00-15:00)に、それに対応するラベルは、「糖尿病」、「妊娠糖尿病」、「高齢者」、及び「6:00-8:00」を含み、それに対応する複数の候補問題は、「高齢者糖尿病患者及び妊娠糖尿病患者は昼食に何を食べるべきですか?」、「高齢者糖尿病患者及び妊娠糖尿病患者は昼食後にどのような注意事項がありますか?」、「高齢者糖尿病患者及び妊娠糖尿病患者は昼食後にどのような運動が適していますか?」、「高齢者糖尿病患者及び妊娠糖尿病患者は正午にどのように薬を服用しますか?」などを含むことができる。夕食期間(例えば、17:00-20:00)に彼らはレシピ及び栄養の提案、運動提案及び注意事項、夕食後2hの血糖測定の注意事項、薬の使用に関する事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、高齢者糖尿病患者及び妊娠糖尿病患者について、夕食期間(例えば、17:00-20:00)に、それに対応するラベルは、「糖尿病」、「妊娠糖尿病」、「高齢者」、及び「17:00-20:00」を含み、それに対応する複数の候補問題は、「高齢者糖尿病患者及び妊娠糖尿病患者は夕食に何を食べるべきですか?」、「高齢者糖尿病患者及び妊娠糖尿病患者は夕食後にどのような注意事項がありますか?」、「高齢者糖尿病患者及び妊娠糖尿病患者は夕食後にどのような運動が適していますか?」、「高齢者糖尿病患者及び妊娠糖尿病患者は夜にどのように薬を服用しますか?」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。
例えば、本開示の少なくとも一実施例において、糖尿病前期患者について、朝食期間(例えば、6:00-8:00)に彼らはレシピ及び栄養の提案及び早食後2h血糖注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、糖尿病前期患者について、朝食期間(例えば、6:00-8:00)に、それに対応する複数の候補問題は、「糖尿病前期患者は朝食に何を食べるべきですか?」、「糖尿病前期患者は早食後にどのような注意事項がありますか?」、及び「糖尿病前期患者は朝にどのように薬を服用しますか?」などを含むことができる。昼食期間(例えば、11:00-15:00)に彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、糖尿病前期患者について、昼食期間(例えば、11:00-15:00)に、それに対応する複数の候補問題は、「糖尿病前期患者は昼食に何を食べるべきですか?」、「糖尿病前期患者は昼食後にどのような注意事項がありますか?」、及び「糖尿病前期患者は正午にどのように薬を服用しますか?」などを含むことができる。夕食期間(例えば、17:00-20:00)に彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、1つの例において、糖尿病前期患者について、夕食期間(例えば、17:00-20:00)に、それに対応する複数の候補問題は、「糖尿病前期患者は夕食に何を食べるべきですか?」、「糖尿病前期患者は夕食後にどのような注意事項がありますか?」、「糖尿病前期患者は夕食後にどのような運動が適していますか?」、「糖尿病前期患者は夜にどのように薬を服用しますか?」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。
例えば、本開示の少なくとも一実施例において、第1レベルのラベル(例えば、年齢帯)と、第2レベルのラベル(例えば、1日中の時間帯)と、第3レベルのラベル(例えば、病気の種類)との後、合併症を第4レベルのラベルと、して規則関連付けを行う。臨床データの表現によると、糖尿病患者は、発病後の10年ぐらいで、30%~40%の患者が少なくとも1つの心血管疾患、腎疾患、網膜病変、神経病変、下肢血管病変、糖尿病足などの合併症が発生する。
例えば、いくつかの例示的な規則スキームでは、診断された合併症がない場合、ユーザの既に存在している症状である1つまたは複数の合併症に関連する問題を選択及び推奨し、次に、これらに関連する問題を当該ユーザに対応する候補問題セットに返し、すなわち当該ユーザに対応する複数の候補問題を構成する。例えば、診断された合併症がない場合、ユーザの既に存在している症状で、臨床データを組み合わせて、関連する1つまたは複数の合併症に関する問題を対応的に推奨する。例えば、1つの例において、血圧が高いこと、前胸部の痛み及び心慌し、胸部圧迫感などは、心血管疾患合併症症状に属する。例えば、ユーザに血圧が高いこと、前胸部の痛み症状が既に存在する場合、ユーザのラベルセットにラベル「心血管疾患」を含むことができるため、「心血管疾患合併症はどのような症状がありますか?」、「なぜ心慌し、胸部圧迫感を感じますか?」、「心慌し、胸部圧迫感を感じでどうすればいいですか?」などの、いくつかの心血管疾患合併症に関連する問題を推奨することができ、本開示の実施例はこれについて具体的に限定しない。例えば、別の例において、小便の泡が多く、小便の困難及び下肢の水腫、眼瞼の水腫などは糖尿病腎症の合併症症状に属する。例えば、別の例において、視線のぼけ、視力が低下、目の前が黒くなるなどは、網膜病変合併症に属する。例えば、別の例において、言葉が明確でない、記憶力の低下、及び持続的な手足のしびれ、突き刺すような痛み、腫れなどは、神経病変合併症に属する。例えば、別の例において、下肢に力がなく、足の障害、及び下肢の夜間の痛みなどが断続的に現れることは、下肢血管病変合併症に属する。例えば、さらに、別の例において、下肢長期潰瘍及び手指または足の先が太く膨らんでいる、足の親指の骨が目立つなどは、糖尿病足合併症症状に属する。
例えば、既に合併症が診断された場合、当該合併症に基づいて関連問題を推奨することができ、例えば、1つの例において、ユーザのラベルに「心血管疾患」が含まれる場合、当該ラベルがデータ知識ベースにマッチングされた問題は、「糖尿病患者に心血管疾患合併症が存在し、どのように治療しますか?」、「糖尿病患者の心血管疾患合併症はどのような症状がありますか?」などを含むことができ、本開示の実施例はこれについて具体的に限定しない。
なお、本開示の実施例により説明された様々な病気の分類、様々な症状の合併症里での分類は、ユーザラベルセットとデータ知識ベースとの間のマッピング関係をどのように作成することを説明するためだけのものであり、すなわちより説明すると目的で上記の具体的な規則スキームを説明し、具体的な病気の分類及び症状分析は、大量の臨床データに基づいて、専門家の経験的判断などによって調整及び設置し、本開示の実施例はこれについて具体的に限定しない。
図3Aを参照して分かるように、上記の説明は、いずれもユーザが自分が糖尿病があると選択した場合であり、ユーザが自分が糖尿病がないと選択した場合、以下のように操作することができる。例えば、ユーザが以下の条件、「常に静座し、1級親族は糖尿病歴があり、高血圧、血脂異常、糖の調節の損傷の歴史、巨大な子供の生産史、ユーザが妊娠糖尿病歴の女性であり、ユーザがアテローム性動脈硬化性心臓脳血管疾患患者であるなど」のうちの少なくとも3つを満たし、同時に以下の条件、「6.1mmol/L<空腹血糖<7mmol/L、7.8mmol/L<食後2h血糖<11.1mmol/L」のうちの1つをさらに備えた場合、糖尿病前期規則にしたがってデータ知識ベースにマッチングし、候補問題セットを構成する。
例えば、本開示の少なくとも一実施例において、ユーザが高血圧患者である。高血圧患者の規則スキームは、糖尿病患者の規則スキームと異なる。例えば、1つの例において、高血圧患者の規則スキームは、直接に拡張期血圧及び収縮期血圧の大きさによって高血圧前期、軽度高血圧、中等度高血圧及び重度高血圧を判断することができ、異なる規則スキームを実行することができる。例えば、高血圧患者の規則スキームでは、第1レベルのラベル(すなわち、年齢帯)について、80歳以上高齢者の段階を特別に設置し、それを重篤な高齢者高血圧に分類し、いつでも血圧を監視する。それ以外、糖尿病は高血圧の一般的な合併症であるため、したがって、高血圧患者の規則スキームでは、さらに、特定の時間に血圧を監視する同時に血糖を監視する必要がある。
なお、本開示の実施例により提供される規則スキームは、単なる例示的なものであり、本開示の実施例は、具体的な規則スキームについて限定せず、実際のニーズに応じて設けることができる。
例えば、本開示の実施例において、ユーザラベルセットとデータ知識ベースにおける標準問題との間のマッピング関係を作成した後、例えば、エンティティ認識、キーワードマッチング、深層学習などの方法を使用することで、ユーザラベルセットをデータ知識ベースにおける標準問題にマッチングし、次に、データ知識ベースからマッチングされた標準問題に対応する知識問題セットを取得し、候補問題セットを構成する。その中、エンティティ認識は、人名、地名、時間など、テキスト内の特定の意味を持つエンティティを認識することを指す。例えば、キーワードマッチング方法は、広範なマッチング、正確なマッチング、フレーズマッチング、否定的なマッチングなどの方式を含む。例えば、1つの例において、ラベルのテキスト内容が「糖尿病」である場合、データ知識ベース内の「糖尿病」という3文字を含む推奨問題にマッチングすることができ、例えば、「糖尿病患者のレシピ?」、「糖尿病患者はどのような運動に適していますか?」、「糖尿病患者の症状?」などであり、本開示の実施例はこれについて具体的に限定しない。
例えば、1つの例において、1型糖尿病、合併症のある60歳以上の高齢者は、正午12時に通常、対応するレシピ、血糖監視の提案を取得し、合併症に関連する問題などを知りたいと思うことができ、上記のステップで、このユーザの基本情報に基づいて対応するユーザラベルセット(すなわち、ラベルは、「1型糖尿病」、「合併症がある」、「60歳以上」、及び「正午12時」を含む)を作成し、当該ユーザラベルセットをデータ知識ベースに関連付け、データ知識ベースに含まれる複数の知識問題セットから複数の候補問題を含む候補問題セットを取得する。例えば、ユーザラベルセットに基づいて、例えば、エンティティ認識、キーワードマッチング、深層学習などの方法で、データ知識ベースから複数のに関連する候補問題にマッチングして、候補問題セットを構成することができる。例えば、上記の例のユーザに対応する複数の候補問題は、「糖尿病患者の1日3食のレシピ?」、「高齢者糖尿病患者はどのような運動に適していますか?」、「糖尿病患者の毎日の血糖監視の頻度?」、「1型糖尿病の症状?」、「糖尿病合併症の周りの神経病変はどうやって治療しますか?」を含むことができる。
したがって、上記のユーザラベルセットとデータ知識ベース中標準問題との間のマッピング関係を作成することにより、後続の規則関連付けを作成する時、迅速にユーザラベルセットによってデータ知識ベースから対応する知識問題セット(標準問題、拡張問題、及び標準回答を含む)を取得するのに便利な条件を提供する。
ステップS140:ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得する。
例えば、本開示の少なくとも一実施例において、クライアント端末またはWebサーバ上のソフトウェアからユーザ行為データ(例えば、ユーザ行為ログ)を取得することができ、ユーザ行為データをカスタマイズして収集することもでき、本開示の実施例は、これについて限定しない。例えば、ユーザ行為データは、ユーザがウェブサイトにアクセスする時のすべてのアクセス、閲覧、クリックなどの行為データを含むことができ、つまり、ユーザ行為データは、ユーザがどのリンクをクリックしたか、どのページを開いたか、どの検索項目を使用したかなどの、ユーザの具体的な行為をフィードバックすることができる。例えば、本開示の少なくとも一実施例において、これらのユーザ行為データを分析することによって、ユーザ興味パラメータを取得することができる。例えば、1つの例において、ユーザのフィードバック行為は、明示的なフィードバック行為及び暗黙的なフィードバック行為を含むことができる。例えば、明示的なフィードバック行為は、ユーザが回答に対するフィードバックを明確に示すことを含み、例えば、回答が役立つか否かを明確に選択する。図3Bに示すように、1つの例において、ある特定のソフトウェアプラットフォーム(例えば、健康管理プラットフォーム)で、ユーザが「高血圧患者毎日血圧監視の頻度?」などのある問題を提出し、当該プラットフォームは、当該問題に対応する回答を提供した後、ユーザに「当該回答はあなたに役立ちますか?」を問い合わせる。ユーザが「はい」または「いいえ」をクリックした行為に基づいて、ユーザが回答に対するフィードバックを明確に知ることができ、ユーザの興味点及び関心点を反映することができる。暗黙的なフィードバック行為とは、ユーザの好みに直接に反応することなく、間接的な方式で、例えば、ユーザが一定の時間帯内に閲覧をクリックした頻度などである。例えば、1つの例において、最大境界類似度(MMR)アルゴリズムによってユーザが読む健康知識を要約することができ、MMRアルゴリズムによって、文書を重要性に応じて文の抽出を行って要約を構成し、単語頻度-逆テキスト頻度指数(term frequency-inverse document frequency、TF-IDF)方法によって要約内の高頻度単語を取得し、これらの高頻度単語(キーワードとも呼ばれることができる)は、ユーザの興味点及び関心点を反映する重要な特徴でもある。
例えば、1つの例において、ユーザがある機器内の特定のソフトウェアプラットフォーム(例えば、健康管理プラットフォーム)を初めて使用する場合、当該機器に記憶されているアプリケーションプログラムのログの分析に基づいてユーザ行為データを取得することができる。当該ログは、当該機器が今回起動した後に記憶されたログであってもよく、当該機器が前回起動した後に記憶されたログであってもよく、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。
例えば、1つの例において、ユーザの興味点及び関心点を反映するユーザがクリックした問題または閲覧した高頻度単語、キーワードなどをユーザ興味パラメータに変換し、例えば、当該ユーザ興味パラメータは、数値ベクトルであってもよく、ユーザの興味点及び関心点を反映するために用いられる。例えば、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を文字埋め込みして(Word Embedding)、当該ユーザ興味単語及び語句の埋め込み(Embedding)ベクトルを生成し、すなわち上記の「ユーザ興味パラメータ」を構成する。Word Embeddingは、マッピング関係として理解することができ、テキスト空間の中のある単語を、一定の方法で、別の数値ベクトル空間にマッピングまたは埋め込みし、つまり、Word Embeddingは、語彙と完全な文をベクトルの形式で表現することができる。
ステップS150:ユーザ興味パラメータ及び複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得する。
例えば、在本開示の少なくとも1つの実施例において、ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップは、少なくとも1つの類似度マッチングモデルを使用して、ユーザ興味パラメータと複数の候補問題に基づいて、各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップを含むことができる。
例えば、在本開示の少なくとも1つの実施例において、少なくとも1つの類似度マッチングモデルは、コサイン類似度モデル、ジェカルト(Jaccard)類似度モデル、編集距離(Levenshtein)類似度モデル、単語の移動距離(WMD)類似度モデル及びディープセマンティックマッチング(DSSM)類似度モデルのうちの少なくとも1つを含む。
例えば、1つの例において、ユーザ興味パラメータA(例えば、1つの数値ベクトル)が与えられ、候補セット内の任意の候補問題(例えば、標準問題または拡張問題)を文字埋め込みして(Word Embedding)、当該候補問題の埋め込み(Embedding)ベクトルBを生成し、当該ベクトルBも数値ベクトルである。Word Embeddingは、マッピング関係として理解することができ、テキスト空間内のある単語を、一定の方法で、別の数値ベクトル空間にマッピングまたは埋め込みすることができ、つまり、Word Embeddingは、語彙及び完全な文をベクトルの形式で表現することができる。ユーザ興味パラメータA及びある候補問題Bを上記の複数の類似度モデルに入力し、複数の類似度モデルのそれぞれによって、各類似度モデルが出力するのは、数値ベクトルA及びB間の類似度特徴であり、当該類似度特徴の数値が大きいほど、ベクトルAに対応する単語及び語句とベクトルBに対応する単語及び語句との間が近いことを示す。本開示の実施例は、使用される類似度マッチングモデルの数を制限せず、例えば、1つの例において、5つの類似度マッチングモデルを使用する場合、ベクトルA及びB間は、5つの類似度特徴を有することができる。例えば、1つの例において、3つの類似度マッチングモデルを使用する場合、ベクトルA及びBの間は、3つの類似度特徴を有することができる。
以下では上記から提出されたいくつかの類似度マッチングモデルを簡単に説明する。
(1)コサイン類似度:コサイン類似度はベクトル挟角のコサイン値を使用して2つの個体間の差異の大きさを測定する。コサイン値が1に近いほど2つのベクトルA及びBが似ていることを示す。通常、以下の式を使用してコサイン類似度(コサイン距離とも呼ばれる)を計算する。
また、コサイン類似度モデルによって出力される類似度特徴は連続型である。
(2)ジェカルト(Jaccard)距離:ジェカルト距離は、2つのセット内の異なる要素ステーションすべての要素の比率を使用して2つのセットの区別度を測定する。以下の式で表示し、その中、J(A、B)は、ジェカルト類似係数である。
また、ジェカルト類似度モデルによって出力される類似度特徴は連続型である。
(3)編集距離、Levenshtein距離とも呼ばれ、文字操作を使用して、文字列Aを文字列Bに変換するのに必要な最少の操作数を指す。許可された文字操作は、1つの文字の変更と、1つの文字の挿入と、1つの文字の削除と、を含む。一般的に、2つの文字列の編集距離が小さいほど、それらは似ている。2つの文字列が等しい場合、それらの編集距離は0である。また、編集距離類似度モデルによって出力される類似度特徴は連続型である。
(4)単語の移動距離(WMD)、文書全体から2つの文書間の類似性を考慮し、2つの文書の間のすべての単語の最小距離の和のペア(pairing)を見つけることによって文書のセマンティック類似度を測定する。その中、WMD類似度モデルによって出力される類似度特徴は連続型である。
(5)DSSMモデル:DSSMは、ディープセマンティックマッチングモデルであり、マッチングされた両者を低次元空間にマッピングし、相関性問題を低次元空間ベクトルの距離に変換する。当該モデルは、2つの文のセマンティック類似度を予測するために使用することができ、文の低次元セマンティックベクトル表現を取得することもできる。また、DSSMモデルによって出力される類似度特徴は離散型である。
例えば、本開示の少なくとも一実施例において、ユーザ興味パラメータと複数の候補問題とは、上記の5つの類似度マッチングモデルを同時に使用することができ、複数の候補問題内の各候補問題について、当該ユーザ興味パラメータ間の、5つの類似度マッチングモデルにそれぞれ対応する5つの類似度特徴を取得することができる。
なお、本開示の実施例で採用される類似度マッチングモデルは、以上から説明した類似度マッチングモデルだけでなく、他の類似度マッチングモデルを使用することもでき、同じまたは類似する技術的効果を実現することができればよく、すなわち、2つのベクトル間の類似度を計算することができればよい。本開示の実施例はこれについて具体的に限定しない。また、本開示の実施例は、使用する類似度マッチングモデルの数について限定せず、実際のニーズに応じて設けることができる。
ステップS160:ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得する。
例えば、本開示の少なくとも一実施例において、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するステップは、ソートモデルを使用して、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とをソートモデルの入力特徴ベクトルとして構成し、複数の候補問題内の各候補問題に対応するスコアを取得し、スコアの大きさによって(例えば、スコアの降順)対応する複数の候補問題をソートして、問題シーケンスを取得するステップを含む。
例えば、本開示の少なくとも一実施例において、あるユーザの基本情報は、性別が男であり(例えば、それに対応する離散特徴は「0」)、糖尿病がある(例えば、それに対応する離散特徴は「1」)ことを含み、複数の候補問題内のある候補問題に対応するEmbeddingベクトルは[0.3、0.5、0.6]であり、当該候補問題とユーザ興味パラメータとの間の類似度特徴は、コサイン類似度が0.85であること、Jaccard距離が0.91であること、編集距離が3であること、WMDが1.17であること、及び、DSSMが2であることを含む。このような場合、これらをソートモデルの入力特徴ベクトルとして構成すると、ベクトル[0、1、0.3、0.5、0.6、0.85、0.91、3、1.17、2]であり、なお、本実施例により提供される特徴データは、単なる例示的なものであり、特徴データの具体的な値は、実験結果または実際の状況に応じて設けることができ、本開示の実施例はこれについて具体的に限定しない。
ここで、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とをソートモデルの入力特徴ベクトルとして構成し、ユーザの個々の要因(例えば、ユーザ基本情報、ユーザ行為データなど)を十分に考慮して個性化的に問題を推奨することで、ユーザが自分の健康に関連する知識をより的確に把握できるようにする。
例えば、本開示の少なくとも一実施例において、使用されるソートモデルはGoogle社によって提出される古典的なモデルWide&Deepモデルである。上記の例において、ベクトル[0、1、0.3、0.5、0.6、0.85、0.91、3、1.17、2]を入力特徴ベクトルとしてWide&Deepモデルに入力する。当該モデルのコアアイデアは、線形モデルの記憶能力とディープニューラルネットワークモデルの汎化能力を組み合わせて、推奨シナリオで相関性及び多様性の融合を反映する。このモデルで問題候補セット内の複数の候補問題をスコアリングし、スコアの降順にしたがって対応する複数の候補問題をソートして、問題シーケンスを取得する。次に、実際のニーズに応じて、問題シーケンス内のN個までの問題をユーザに展示し、ただし、Nは1以上の整数である。
例えば、本開示の少なくとも一実施例において、1つの候補問題のスコアは、1つの条件確率、p(y|x)として表すことができる。その中、yは、あるユーザ行為に対応するラベルを表し、例えば、ユーザが当該候補問題をクリックした場合、y=1であり、ユーザが当該候補問題をクリックしなかった場合、y=0である。その中、xは入力特徴ベクトルを表す。当該入力特徴ベクトルxは、上記のユーザ基本情報の離散型特徴、候補問題自体の連続型Embeddingベクトル、及び、当該候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴(類似度特徴は、連続型であってもよく、離散型であってもよい)を含む。例えば、y=1時に出力された確率値P(y=1|x)を最終的な当該候補問題のスコアとし、このソートモデル(すなわち、Wide&Deepモデル)によって、問題候補セットにおける各候補問題のスコア(すなわち、確率値)を出力することができる。
以下では図面4Aを組み合わせてWide&Deepモデルの原理を簡単に説明する。図4Aは本開示の少なくとも一実施例により提供されるWide&Deepモデルの概略構造図である。
図4Aに示すように、Wide&Deepモデルは2つの部分を含み、すなわちWide部分(図4Aの左側)及びDeep部分(図4Aの右側)である。Wide&Deepモデルは、Wideモデル及びDeepモデルの記憶能力及び汎化能力をバランスさせる。この2つの部分モデルは異なる入力特徴を必要とする。
Wide部分について、Wideモデルは、1つの一般化された線形モデル(例えば、ロジスティック回帰)であり、式は以下のようである。
その中、xは特徴ベクトル[x1、x2、x3…]を表し、wはパラメータベクトル[w1、w2、w3…]を表し、bはバイアス項目であり、yは出力されたラベル(label)であり、sigmoid関数を経た後、0~1間の確率値を出力する。当該Wide部分が使用する入力特徴は離散型特徴であり、例えば、ユーザ基本情報の離散型特徴及び離散型類似度特徴である。
Deep部分について、Deepモデルは1つのフィードフォワードニューラルネットワークであり、一般的には、ディープニューラルネットワークモデルによって入力されるのは、連続的な稠密特徴であり、疎な高次元の特徴は、Embedding(ダウン次元)を経て、低次元稠密特徴に変換する必要があり、次に、それを第1つの隠れ層の入力とし、最終の誤差(loss)に基づいて逆方向トレーニングして更新する。隠れ層の活性化関数fは、通常、勾配が消えるのを防ぐReLU関数を使用する。したがって、Deep部分で使用される入力特徴は、連続型特徴であり、例えば、候補問題のEmbeddingベクトル及び連続性類似度特徴である。
モデルをトレーニングする場合、最終の誤差に基づいて勾配を計算し、Wide及びDeep2つの部分に逆伝播して自分のモデルのパラメータを継続的に更新し、最終のモデルを取得する。Wideモデル及びDeepモデルを同時にトレーニングすることは、モデルの融合を表すことではなく、2つのモデルの結果の加重和を最終の予測結果とすることに注意する必要がある。
上記のSigmoid関数では、WwideはWide部分の重みであり、xは元の特徴ベクトルであり、φ(x)はクロス特徴であり、例えば、one-hot(ワンホット)エンコード後に結合された新しい特徴であり、WDeepはDeep部分のニューラルネットワークの最終活性化層によって出力される重みであり、lは隠れ層を表し、fは活性化関数を表し、aは入力特徴を表し、bはバイアス項目である。
モデルトレーニングは、連合トレーニングを使用し、集積学習における単一モデルが単独トレーニングを行い、モデルが最終の予測段階でのみ融合することに比較して、連合トレーニングはトレーニング段階で行われるモデル融合であり、トレーニング誤差は、Wide及びDeepモデルに同時にフィードバックされて重み更新を行う。したがって、Wideモデルは、離散特徴のクロス乗算に注目し、元の特徴に対して非線形変換を行って特徴互いに作用の記憶を生成し、Deepモデルは汎化に注目し、ディープニューラルネットワークは低次元稠密特徴を使用し、少量の特徴工程のみを必要とすることで、トレーニングサンプルに現れてない特徴の組み合わせをより良く汎化することができ、モデルの汎化能力を向上させる。モデルトレーニングが完了した後、それを問題推奨シナリオに配備する。
なお、Wide&Deepモデルのさらなる情報は、他の関連参考文献を参照することができ、本開示の上記の説明は単なる例示的な説明である。
例えば、本開示の一例において、問題推奨方法10は、ソート(すなわち、Wide&Deepモデル)モデルを使用して、ユーザ基本情報と、複数の候補問題と、少なくとも1つの類似度特徴とを当該ソートモデルの入力特徴ベクトルとして構成し、問題候補セットに含まれる複数の候補問題のそれぞれに対して1つのスコアを返す。当該スコアの大きさに応じて、複数の候補問題をソートして、問題シーケンスを取得する。例えば、1つの例において、スコアの降順に従ってソートし、例えば、別の例において、スコアの昇順に従ってソートし、なお、他の順序に従ってソートすることもでき、本開示の実施例はこれについて具体的に限定しない。
ステップS170:問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも1つの候補問題をユーザに推奨する。例えば、1つの例において、問題シーケンスがスコアの降順にしたがってソートする場合、問題シーケンス内のN個までの候補問題をユーザに推奨し、ただし、Nは1以上の整数である。例えば、当該問題シーケンス内の、例えば、前の5つの(他の数値であってもよい)問題を最終的な推奨問題として選択してユーザに推奨する。
図4Bはあるプラットフォーム(例えば、健康管理プラットフォーム)がユーザに提供する推奨問題のユーザインターフェース図を示す。例えば、1つの例において、図4Bに示すように、ユーザがテキスト入力ボックスに問い合わせたい問題を入力する前、健康管理プラットフォームは、既に上記の問題推奨方法に基づいて、5つの推奨問題(例えば「高血圧は手術で治療できますか?」、「高血圧はどのような検査をしますか?」、「高血圧の症状は何ですか?」、「高血圧患者は毎日どのくらいの頻度で血圧検査を行いますか?」、及び「高血圧患者にはどのような運動をすればいいですか?」)をユーザに推奨する。なお、最終的な推奨問題をユーザに提供する方式は、様々の方式があり、本開示の実施例はこれについて具体的に限定しない。
例えば、1つの実施例において、ユーザが入力テキストボックスに問い合わせたい問題を入力する時、当該プラットフォームは、ユーザが入力したテキスト情報に基づいて、例えば、エンティティ認識及びキーワードマッチング方法などによって、データ知識ベースにおける関連問題にマッチングし、これらの問題をユーザインターフェース内の入力テキストボックスの上方に表示することができる。例えば、図4Cに示すように、ユーザが入力テキストボックスに「高血圧」3つの文字を入力する時、入力テキストボックスの上方に「高血圧の食事療法」、「高血圧の食事上の注意事項」、及び「妊娠高血圧レシピ」の推奨問題を提示し、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。
なお、実際の状況に応じて、ステップS110-S170の一部のステップを選択的に実行することができ、本開示の実施例はこれについて具体的に限定しない。
例えば、1つの実施例において、同じユーザがあるプラットフォームを複数回使用する際に、その基本情報が変化していなかった場合、ステップS110-S130を省略し、予め記憶された当該ユーザの候補問題セットを直接に取得することができる。例えば、1つの例において、ユーザがあるプラットフォーム(例えば、健康管理プラットフォーム)を初めて使用する時、当該プラットフォームは既に当該ユーザに対して対応する候補問題セットを生成し、それをプラットフォームに関連するデータベースに保存すると、ユーザが2回目に当該プラットフォームを使用する時、ステップS110-S130を重複して当該ユーザの候補問題セットを取得する必要がなく、前に当該関連データベースに記憶されている候補問題セットを取得することによってユーザ候補問題セットを取得する目的を実現することができ、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。
本開示の少なくとも一実施例により提供される問題推奨方法10は、患者の不明瞭な表現によって引き起こされるフィードバック回答が適切でない問題を効果的に回避するだけでなく、さらに、ユーザの個々の要因を十分に考慮して(例えば、ユーザ基本情報、ユーザ行為データなど)個性化的に問題を推奨することで、ユーザが自分の健康に関連する知識をより的確に把握できるようにし、また、ソートモデル(すなわち、Wide&Deepモデル)を介してユーザ基本情報と様々な類似度マッチングモデルの出力などの複数の特徴を融合して、問題推奨が相関性、個性化及び多様化を持ち、同時に最終のフィードバック順序も重視するようにして、ユーザのニーズにより適合した効果を達成する。
図5Aは本開示の少なくとも一実施例により提供される別の問題推奨方法の例示的なフローチャートである。図5Bは本開示の少なくとも一実施例により提供される図5Aに示す問題推奨方法の概略ブロック図である。図5に示すように、当該問題推奨方法50は、ステップS510-ステップS580を含む。例えば、ステップS510-ステップS580順序に実行することができ、調整後の他の順序で実行することもでき、例えば、まずステップS520を実行して次にステップS530を実行することもでき、まずステップS530を実行して次にステップS520を実行することもできる。また、例えば、ステップS510-ステップS580の一部または全部の操作は並行して実行することもでき、例えば、ステップS520及びステップS530を並行して実行することができ、本開示の実施例は、各ステップの実行順序について限定せず、実際の状況に応じて調整することができる。例えば、ステップS510-ステップS580は、サーバまたはローカルエンドで実現することができ、本開示の実施例は、これについて限定しない。例えば、いくつかの例において、問題推奨方法50を実施するのは、ステップS510-S580の一部ステップを選択的に実行することができ、ステップS510-S580以外のいくつかの追加のステップを実行することもでき、本開示の実施例はこれについて具体的に限定しない。
図5A及び図1Bを参照し、図5Aに示す問題推奨方法50に含まれるステップS520-S580と図1Bに示す問題推奨方法10に含まれるステップS110-S170とは基本的に一致するため、ステップS520-S580の説明については以上の図1BのステップS110-S170の関連説明を参照することができ、ここで説明を省略する。
図1Bに示す問題推奨方法10と比較して、図5Aは、ステップS510すなわちデータ知識ベースを作成するステップをさらに含む。例えば、本開示の一実施例において、ネットワークからデータセットを取り込み、データセットを意図に従って分類して、複数の知識問題セットを形成して、データ知識ベースを作成することができる。
例えば、1つの例において、ウェブクローラを使用して、例えば、インターネットのネットワークから大量のデータを含むデータセットを取り込むことができる。その中、ウェブクローラ、ウェブスパイダーとも呼ばれるのは、一定の規則に従って、ワールドワイドウェブ情報を自動的に取り込むプログラムまたはスクリプトである。
例えば、本開示の一実施例において、上記の問題推奨方法50が医療スマート問答シナリオに適用される場合、問題推奨方法50は、ある病気に対する問題を推奨するために使用され、当該データセットは、ネットワーク上の医師と患者の間の問診データセット、当該病気に関連するホットな問題、懸賞問題のうちの少なくとも1つから取得することができる。例えば、1つの例において、懸賞問題は、特定のウェブサイト(例えば、尋医問薬網、39ヘルス網など)での有料で問い合わせする必要がある問題であり、本開示の実施例はこれについて具体的に限定しない。
例えば、TF-IDF方法を使用してデータセットから高頻度のキーワード、例えば、「症状」、「治療」、「血糖」、「食事」、「服薬」、「検査」、「インスリン」、「糖尿病足」などを抽出する。高頻度のキーワードに従ってデータセットからの大量のデータを意図的に分類することができるため、データ知識ベースの構築が容易になる。例えば、深層学習アルゴリズムText-CNNによってデータセットを意図的に分類し、各意図の下で標準問題及び対応する拡張問題及び回答を整理(例えば、手動で整理することによって)することによって、糖尿病、高血圧など慢性病基本健康知識の完備したデータ知識ベースを作成する。例えば、1つの例において、抽出された高頻度のキーワードに基づいて、複数のタイプの意図を手動で決定することができる。例えば、手動は、人々の注目度、キーワードの出現される頻度などに基づいて意図の種類を決定することができ、本開示の実施例はこれについて具体的に限定しない。例えば、1つの例において、以下の意図カテゴリ:食事、運動、薬物、検査、合併症、手術、治療、症状などを手動で決定し、本開示の実施例はこれについて具体的に限定しない。次に、各タイプの意図の下で対応するデータ(例えば、当該タイプの意図にマッチングする問題)を手動で整理し、それをトレーニングデータとし、深層学習アルゴリズムText-CNNによってモデルトレーニングを行い、次に、データセットからの大量のデータを当該トレーニング後のモデルに入力し、当該モデルは各データに対応する意図カテゴリを出力することによって、大量のデータを意図的に分類することを実現する。意図的に分類する精度を向上させるために、各意図の下で再度に標準問題及び対応する拡張問題及び回答を手動でフィルタリング、整理、及び補充を行うことができる。例えば、当該問題推奨方法50を初めて実行する場合、ステップS510を実行して知識データベースを作成することによって、当該知識データベースはサーバ、メモリ、またはデータベースに記憶される。その後、当該問題推奨方法50を実行する場合、ステップS510を省略することができ、知識データベースに直接にアクセスするため、処理効率を向上させることができる。例えば、ステップS510を実行するか、または他の適用される方式を使用して知識データベースを更新することによって、知識データベースの更新及び最適化を実現し、後続のステップで取得される候補問題がユーザのニーズにより近く、現在の社会の認知レベルにもより近くようにすることができる。
図5Aに示す問題推奨方法50によって実現される技術的効果及び上記の図1Bを組み合わせて説明する問題推奨方法10によって実現される技術的効果は類似し、ここで説明を省略する。図5Bに示す各ブロック図の説明については以上の図5A及び図1Bの各ステップの詳細の説明を参照することができ、ここで説明を省略する。
本開示の少なくとも1つの実施例は、問題推奨装置をさらに提供し。図6は本開示の少なくとも一実施例により提供される問題推奨装置の概略ブロック図である。図6に示すように、当該問題推奨装置60は、セット取得モジュール、行為分析モジュール、特徴生成モジュール、問題ソートモジュール、及び推奨モジュールを含み、これらのモジュールは、ソフトウェア、ハードウェア、ファームウェア、またはそれらの任意の組み合わせで実現することができ、例えば、セット取得回路600、行為分析回路640、特徴生成回路650、問題ソート回路660、及び推奨回路670としてそれぞれ実現することができる。
例えば、1つの例において、セット取得回路600は、複数の候補問題を含むユーザの候補問題セットを取得するように構成される。例えば、当該セット取得回路600は、知識ベースアクセス回路610、情報取得回路620、及び候補セット生成回路630を含む。例えば、知識ベースアクセス回路610は、データ知識ベースをアクセスするように構成され、当該データ知識ベースは、複数の知識問題セットを含む。例えば、情報取得回路620は、ユーザ基本情報を取得し、ユーザ基本情報に基づいてユーザラベルセットを作成するように構成される。例えば、候補セット生成回路630は、ユーザラベルセットとデータ知識ベースとを関連付け、複数の知識問題セットから候補問題セットを取得するように構成され、当該候補問題セットは、複数の候補問題を含む。例えば、行為分析回路640は、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するように構成される。例えば、特徴生成回路650は、ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するように構成される。例えば、問題ソート回路660は、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するように構成される。例えば、推奨回路670は、問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも1つの候補問題をユーザに推奨するように構成される。
例えば、知識ベースアクセス回路610、情報取得回路620、候補セット生成回路630、行為分析回路640、特徴生成回路650、問題ソート回路660、及び推奨回路670は、実行する具体的な操作がすべて上記の本開示の少なくとも1つの実施例により提供される問題推奨方法10及び50の関連説明を参照することができ、ここで説明を省略する。
例えば、本開示の少なくとも一実施例において、問題推奨装置60の問題ソート回路660は、問題ソートサブ回路661を含む。問題ソートサブ回路661は、ソートモデルを使用して、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とをソートモデルの入力特徴ベクトルとして構成し、複数の候補問題内の各候補問題に対応するスコアを取得し、スコアの大きさに応じて対応する複数の候補問題をソートして、問題シーケンスを取得するように構成される。
例えば、問題ソートサブ回路661は、実行する具体的な操作が上記の本開示の少なくとも1つの実施例により提供される問題推奨方法10及び50の関連説明を参照できるように構成され、ここで説明を省略する。
例えば、本開示の少なくとも一実施例において、問題推奨装置60は、知識ベース作成回路601をさらに含む。当該知識ベース作成回路601は、ネットワークからデータセットを取り込み、データセットを意図に従って分類して、複数の知識問題セットを形成する、データ知識ベースを作成するように構成される。
例えば、知識ベース作成回路601は、実行する具体的な操作が本開示の少なくとも1つの実施例により提供される問題推奨方法50の関連説明を参照できるように構成され、ここで説明を省略する。
例えば、本開示の少なくとも一実施例において、問題推奨装置60の候補セット生成回路630は、候補セット生成サブ回路631を含む。候補セット生成サブ回路631は、ユーザラベルセットとデータ知識ベースの標準問題との間のマッピング関係を作成し、ユーザラベルセットをデータ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで候補問題セットを構成するように構成される。
例えば、候補セット生成サブ回路631は、実行する具体的な操作が本開示の少なくとも1つの実施例により提供される問題推奨方法10及び50の関連説明を参照できるように構成され、ここで説明を省略する。
例えば、本開示の少なくとも一実施例において、問題推奨装置60の行為分析回路640は、行為分析サブ回路641を含む。行為分析サブ回路641は、ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句をユーザ興味パラメータに変換するように構成される。
例えば、行為分析サブ回路641は、実行する具体的な操作が上記の本開示の少なくとも1つの実施例により提供される問題推奨方法10及び50の関連説明を参照できるように構成され、ここで説明を省略する。
例えば、本開示の少なくとも一実施例において、問題推奨装置60の特徴生成回路650は、特徴生成サブ回路651を含む。特徴生成サブ回路651は、少なくとも1つの類似度マッチングモデルを使用して、ユーザ興味パラメータと複数の候補問題に基づいて、各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するように構成される。
例えば、特徴生成サブ回路651は、実行する具体的な操作が本開示の少なくとも1つの実施例により提供される問題推奨方法10及び50の関連説明を参照できるように構成され、ここで説明を省略する。
なお、本開示実施例のセット取得回路600、知識ベースアクセス回路610、情報取得回路620、候補セット生成回路630、行為分析回路640、特徴生成回路650、問題ソート回路660、推奨回路670及び特徴生成サブ回路651、行為分析サブ回路641、候補セット生成サブ回路631、問題ソートサブ回路661及び知識ベース作成回路601は、プロセッサ、コントローラなどのハードウェア、関連機能を実施できるソフトウェア、または両者の組み合わせで実現することができ、本開示の実施例は具体的な実施方式について限定しない。
なお、本開示の実施例において、問題推奨装置60は、より多くの回路をさらに含むことができるが、上記のセット取得回路600、知識ベースアクセス回路610、情報取得回路620、候補セット生成回路630、行為分析回路640、特徴生成回路650、問題ソート回路660、推奨回路670及び特徴生成サブ回路651、行為分析サブ回路641、候補セット生成サブ回路631、問題ソートサブ回路661及び知識ベース作成回路601に限らず、実際のニーズに応じて決定することができ、本開示の実施例はこれについて限定しない。
本開示実施例により提供される問題推奨装置60は、上記の問題推奨方法10及び50を実施することができ、上記の問題推奨方法10及び50に類似する技術的効果を実現することもできることを理解でき、ここで説明を省略する。
本開示の少なくとも1つの実施例は、問題推奨システムをさらに提供する。図7は本開示の少なくとも1つの実施例により提供される問題推奨システムの示意性ブロック図である。図7に示すように、問題推奨システム70は、端末710及び問題推奨サーバ720を含み、端末710と問題推奨サーバ720とは信号的に接続される。端末710は、要求データを問題推奨サーバ720に送信するように構成される。問題推奨サーバ720は、要求データに応答して、複数の知識問題セットを含むデータ知識ベースをアクセスし;複数の候補問題を含むユーザの候補問題セットを取得し、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得し;ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得し;ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するように構成される。例えば、端末710は、さらに、問題シーケンス内のN個までの候補問題を表示するように構成され、ただし、Nは1以上の整数である。
例えば、問題サーバ720は、実行する上記の操作が、本開示の少なくとも1つの実施例により提供される問題推奨方法10及び50を参照することができ、ここで説明を省略する。
例えば、1つの例において、問題推奨システム70に含まれる端末710は、クライアント(例えば携帯電話、コンピュータなど)として実現することができ、問題推奨サーバ720は、サーバ側(例えばサーバ)として実現することができる。
例えば、1つの例において、図7に示すように、問題推奨システム70は、端末710と問題推奨サーバ720を含む以外、データ知識ベースが記憶されている知識ベースサーバ730をさらに含むことができる。知識ベースサーバ730と問題推奨サーバ720が信号的に接続され、問題推奨サーバ720の要求情報に応答して、データ知識ベース内の、要求情報に対応するデータを問題推奨サーバ720に返すように構成される。なお、問題推奨システム70に知識ベースサーバ730が含まれていない場合、データ知識ベースにおけるデータは、問題推奨サーバ720に直接に記憶されるか、または別途で提供される他の記憶機器に記憶されることができ、問題推奨サーバ720が独自にデータ知識ベースを作成することもでき、次に、問題推奨サーバ720に記憶されるか、または別途で提供される他の記憶機器に記憶され、本開示の実施例はこれについて具体的に限定しない。
本開示の少なくとも1つの実施例により提供される問題推奨システム70は、上記の実施例により提供される問題推奨方法10及び50を実施することができ、上記の実施例により提供される問題推奨方法10及び50と類似する技術的効果を実現することもでき、ここで説明を省略する。
本開示の少なくとも1つの実施例は、電子機器をさらに提供する。図8は本開示の少なくとも一実施例により提供される電子機器の概略図である。例えば、図8に示すように、当該電子機器80は、プロセッサ810及びメモリ820を含む。メモリ820は、1つまたは複数のコンピュータプログラムモジュール821を含む。1つまたは複数のコンピュータプログラムモジュール821は、メモリ820に記憶され、プロセッサ810によって実行され、当該1つまたは複数のコンピュータプログラムモジュール821は、本開示の少なくとも1つの実施例により提供される任意の問題推奨方法を実行するための命令を含み、プロセッサ810によって実行される時、本開示の少なくとも1つの実施例により提供される問題推奨方法の1つまたは複数のステップを実行することができる。メモリ820とプロセッサ810は、バスシステム及び/又は他の形式の接続機関(図示せず)を介して互いに接続することができる。
例えば、メモリ820及びプロセッサ810は、サーバ端(またはクラウド側)に設けることができ、例えば、上記の問題推奨サーバ720に設けられ、図1A、図1B、及び図5Aで説明された問題推奨方法の1つまたは複数のステップを実行するために使用される。
例えば、プロセッサ810は、中央処理ユニット(CPU)、デジタル信号プロセッサ(DSP)、またはフィールドプログラマブルゲートアレイ(FPGA)などのデータ処理能力及び/又はプログラム実行能力を有する他の形式の処理ユニットであってもよく、例えば、中央処理ユニット(CPU)は、X86またはARMアーキテクチャなどであってもよい。プロセッサ810は、汎用プロセッサまたは専用プロセッサであってもよく、電子機器80の他のコンポーネントを制御して所望の機能を実行することができる。
例えば、メモリ820は、1つまたは複数のコンピュータプログラム製品の任意の組み合わせを含むことができ、コンピュータプログラム製品は、揮発性メモリ及び/又は不揮発性メモリなどの様々な形式のコンピュータ読み取り可能な記憶媒体を含むことができる。揮発性メモリは、例えば、ランダムアクセスメモリ(RAM)及び/又はキャッシュメモリ(cache)などを含むことができる。不揮発性メモリは、例えば、読み取り専用メモリ(ROM)、ハードディスク、消去可能プログラマブルリードオンリーメモリ(EPROM)、ポータブルコンパクトディスクリードオンリーメモリ(CD-ROM)、USBメモリ、フラッシュメモリなどを含むことができる。コンピュータ読み取り可能な記憶媒体に1つまたは複数のコンピュータプログラムモジュール821を記憶することができ、プロセッサ810は、1つまたは複数のコンピュータプログラムモジュール821を実行して、電子機器80の様々な機能を実現することができる。コンピュータ読み取り可能な記憶媒体に、さらに、様々なアプリケーションプログラム及び様々なデータ及びアプリケーションプログラムによって使用及び/又は生成された様々なデータなどを記憶することができる。電子機器80の具体的な機能及び技術的効果は、上記の問題推奨方法についての説明を参照することができ、ここで説明を省略する。
図9は本開示の少なくとも一実施例により提供される端末の概略ブロック図である。例えば、本開示の少なくとも一実施例において、当該端末は、表示端末900であり、例えば、本開示実施例により提供される問題推奨方法に適用することができる。例えば、当該表示端末900は、ユーザ行為データを反映するユーザアクセスログ(例えば、当該システム内のブラウザなどのアプリケーションプログラムを実行してCookieなどによって記録されるアクセスログなど)を提供することができ、ユーザに推奨する少なくとも1つの候補問題を表示する。なお、図9に示す端末が表示端末900であることは、単なる1つの例であり、本開示の実施例の機能及び使用範囲を何ら制限するものではない。
図9に示すように、表示端末900は、処理装置(例えば、中央プロセッサ、グラフィックプロセッサなど)910を含むことができ、読み取り専用メモリ(ROM)920に記憶されたプログラムまたは記憶装置980からランダムアクセスメモリ(RAM)930にロードされたプログラムに基づいて様々な適切な動作及び処理を実行する。RAM 930には、さらに、表示端末900の操作に必要な様々なプログラム及びデータが記憶されている。処理装置910、ROM920、及びRAM 930は、バス940を介して互いに接続される。入力/出力(I/O)インタフェース950もバス940に接続される。
通常、以下の装置は、I/Oインタフェース950と、例えば、タッチパネル、タッチタブレット、キーボード、マウス、カメラ、マイクロフォン、加速度計、ジャイロなどを含む入力装置960と、例えば、液晶ディスプレイ(LCD)、スピーカ、バイブレータなどを含む出力装置970と、例えば、磁気テープ、ハードディスクなどを含む記憶装置980と、通信装置990と、に接続することができる。通信装置990は、表示端末900が他の電子機器と無線または有線で通信してデータを交換するのを許可することができる。図9は様々な装置を有する表示端末900を示すが、すべての示す装置を実施するかまたは備えることを要求せず、表示端末900は、代替的に、より多いまたはより少ない装置を実施するかまたは備えることができる。
本開示の少なくとも1つの実施例は非一時的な読み取り可能な記憶媒体をさらに提供する。図10は本開示の少なくとも1つの実施例により提供される非一時的な読み取り可能な記憶媒体100の概略ブロック図である。例えば、図10に示すように、当該非一時的な読み取り可能な記憶媒体100は、非一時的な読み取り可能な記憶媒体に記憶されるコンピュータプログラム命令111を含む。コンピュータプログラム命令111がプロセッサによって実行される場合、本開示の少なくとも1つの実施例により提供される問題推奨方法10または50の1つまたは複数のステップを実行する。
例えば、当該記憶媒体は、1つまたは複数のコンピュータ読み取り可能な記憶媒体の任意の組み合わせであってもよく、例えば、1つのコンピュータ読み取り可能な記憶媒体は、ユーザの候補問題セットを取得するためのコンピュータ読み取り可能なプログラムコードを含み、別のコンピュータ読み取り可能な記憶媒体は、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するコンピュータ読み取り可能なプログラムコードを含み、さらに、別のコンピュータ読み取り可能な記憶媒体は、ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するコンピュータ読み取り可能なプログラムコードを含み、また、1つのコンピュータ読み取り可能な記憶媒体は、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するコンピュータ読み取り可能なプログラムコードを含む。もちろん、上記の各プログラムコードも同じコンピュータ読み取り可能な媒体に記憶することができ、本開示の実施例はこれについて限定しない。例えば、当該プログラムコードがコンピュータによって読み取られる場合、コンピュータは、当該コンピュータ記憶媒体に記憶されているプログラムコードを実行することができ、例えば、本開示任意の実施例により提供される問題推奨方法を実行することができる。
例えば、記憶媒体は、スマートフォンのメモリカード、タブレットコンピュータの記憶手段、個人コンピュータのハードディスク、ランダムアクセスメモリ(RAM)、読み取り専用メモリ(ROM)、消去可能プログラマブルリードオンリーメモリ(EPROM)、ポータブルコンパクトディスクリードオンリーメモリ(CD-ROM)、フラッシュメモリ、または上記の記憶媒体の任意の組み合わせを含むことができ、他の適用可能な記憶媒体であってもよい。例えば、当該読み取り可能な記憶媒体は、図8のメモリ820であってもよく、関連説明は、上記の内容を参照することができ、ここで説明を省略する。
なお、当該記憶媒体100は、問題推奨サーバ720に適用されることができ、当業者は具体的なシナリオに基づいて選択することができ、ここで限定しない。
図11は本開示の少なくとも1つの実施例により提供される問題推奨システムの例示的なシーン図を示す。図11に示すように、当該問題推奨システム300は、ユーザ端末310、ネットワーク320、サーバ330、及びデータベース340を含むことができる。
例えば、ユーザ端末310は、図11に示すコンピュータ310-1、携帯端末310-2であってもよい。ユーザ端末は、さらに、データの受信、処理、及び表示を行うことが可能な任意の他の種類の電子機器であってもよい、それは、デスクトップコンピュータ、ノートパソコン、タブレットコンピュータ、スマートホームデバイス、ウェアラブルデバイス、車載電子機器、医療電子機器などを含むことができるが、これらに限定しないことを理解することができる。
例えば、ネットワーク320は、単一のネットワーク、または少なくとも2つの異なるネットワークの組み合わせであってもよい。例えば、ネットワーク320は、ローカルエリアネットワーク、広域ネットワーク、パブリックネットワーク、プライベートネットワーク、インターネット、移動通信ネットワークなどの1つまたは複数の組み合わせを含むことができるが、これらに限定しない。
例えば、サーバ330は、1つの単独のサーバ、または1つのサーバグループであってもよく、サーバグループ内の各サーバは、有線ネットワークまたは無線ネットワークで接続する。有線ネットワークは、例えば、ツイストペア、同軸ケーブルまたは光ファイバ伝送などの方式を使用して通信することができ、無線ネットワークは、例えば、3G/4G/5G移動通信ネットワーク、ブルートゥース(登録商標)、Zigbee、またはWiFiなどの通信方式を使用することができる。本開示は、ネットワークの種類及び機能について限定しない。当該1つのサーバグループは、データセンターなどの集中型であってもよく、分散型であってもよい。サーバは、ローカルのまたはリモートであってもよい。例えば、当該サーバ330は、汎用型サーバまたは専用型サーバであってもよく、仮想サーバまたはクラウドサーバなどであってもよい。
例えば、データベース340は、ユーザ端末310及びサーバ330の動作から使用、生成、及び出力される様々なデータを記憶するために使用される。データベース340は、ネットワーク320を介してサーバ330またはサーバ330の一部と互いに接続または通信することができ、または直接にサーバ330と互いに接続または通信することができ、または上記の2つ方式の組み合わせでサーバ330と互いに接続または通信することを実現することができる。いくつかの実施例において、データベース340は、独立した機器であってもよい。別の実施例において、データベース340は、ユーザ端末310とサーバ340とのうちの少なくとも1つに集積することができる。例えば、データベース340は、ユーザ端末310に設けることができ、サーバ340に設けることもできる。また、例えば、データベース340は、分散型であってもよく、その一部がユーザ端末310に設置され、別の部分がサーバ340に設置されることができる。
例えば、1つの例において、まず、ユーザ端末310(例えば、ユーザの携帯電話)は、ネットワーク320または他の技術(例えば、ブルートゥース通信、赤外線通信など)を介して要求データをサーバ330に送信する。次に、サーバ330は、要求データに応答して、ユーザの候補問題セットを取得し、その中、当該候補問題セットは、複数の候補問題を含む。次に、サーバ330は、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得し、例えば、ユーザ行為データは、ユーザ端末310がネットワーク320を介してサーバ330に伝送する。次に、サーバ330は、ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得する。次に、サーバ330は、ユーザ基本情報と複数の候補問題と少なくとも1つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得し、次に、表示問題シーケンス内のN個までの候補問題をネットワーク320または他の技術(例えば、ブルートゥース通信、赤外線通信など)を介してユーザ端末310に送信する。最終的に、ユーザ端末310は、サーバ330からのN個までの候補問題を受信した後、表示する。
本開示では、用語「複数」とは、特に断りのない限り、2つまたは2つ以上を指す。
当業者は、明細書を考慮し及明細書で開示された開示を実践した後、本開示の他の実施方案を容易に想起する。本開示は、本開示の任意の変形、用途、または適応性の変化をカバーし、これらの変形、用途、または適応性の変化は、本開示の一般的原理に従い、本開示に開示されていない本技術の分野の公知の常識または慣用技術手段を含む。明細書と実施例は、単なる例示的なものに見なされ、本開示の真の範囲及び精神は、以下の請求項によって示される。
本開示は、上記の既に説明され、図面に示す正確な構造に限らず、その範囲から逸脱することなく様々な修正と変更できることを理解することができる。本開示の範囲は、添付の請求項によってのみ制限される。
Claims (25)
- 問題推奨方法であって、
複数の候補問題を含むユーザの候補問題セットを取得するステップと、
ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、
前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップと、
ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップと、
前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも1つの候補問題を前記ユーザに推奨するステップと、を含む、
ことを特徴とする問題推奨方法。 - 前記ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップは、
ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するステップを含む、
ことを特徴とする請求項1に記載の問題推奨方法。 - 前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップは、
少なくとも1つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するステップを含む、
ことを特徴とする請求項1または2に記載の問題推奨方法。 - 前記少なくとも1つの類似度マッチングモデルは、コサイン類似度モデルと、ジェカルト類似度モデルと、編集距離類似度モデルと、単語の移動距離類似度モデルと、ディープセマンティックマッチング類似度モデルと、の少なくとも1つを含む、
ことを特徴とする請求項3に記載の問題推奨方法。 - 前記ソートモデルは、Wide&Deepモデルを含む、
ことを特徴とする請求項2に記載の問題推奨方法。 - 前記ユーザの候補問題セットを取得するステップは、
複数の知識問題セットを含むデータ知識ベースをアクセスするステップと、
前記ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するステップと、
前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから前記候補問題セットを取得するステップと、を含む、
ことを特徴とする請求項1~5のいずれかに記載の問題推奨方法。 - 前記ユーザラベルセットは、マルチレベルのラベルを含むマルチレベルのラベルセットを含み、レベルが異なるラベルは、種類が異なる、
ことを特徴とする請求項6に記載の問題推奨方法。 - 前記問題推奨方法は、病気に関する問題を推奨するために使用され、
前記マルチレベルのラベルセットは、第1レベルのラベルが年齢帯であり、第2レベルのラベルが時間帯であり、第3レベルのラベルが病気の種類であり、第4レベルのラベルが合併症である、
ことを特徴とする請求項7に記載の問題推奨方法。 - 前記複数の知識問題セットのそれぞれは、
標準問題と、前記標準問題に対応する標準回答と、前記標準問題に対応する拡張問題とを含む、
ことを特徴とする請求項6~8のいずれかに記載の問題推奨方法。 - 前記ユーザの候補問題セットを取得するステップは、
前記データ知識ベースを作成するステップをさらに含む、
ことを特徴とする請求項6~9のいずれかに記載の問題推奨方法。 - 前記前記データ知識ベースを作成するステップは、
ネットワークからデータセットを取り込み、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成して、前記データ知識ベースを作成するステップを含む、
ことを特徴とする請求項10に記載の問題推奨方法。 - 前記問題推奨方法は、病気に関する問題を推奨するために使用され、
前記データセットは、医師と患者の間の問診データセットと、前記病気に関連するホットな問題と、前記病気に関連する懸賞問題と、の少なくとも1つからのものである、
ことを特徴とする請求項11に記載の問題推奨方法。 - 前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから候補問題セットを取得するステップは、
前記ユーザラベルセットと前記データ知識ベースにおける標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するステップを含む、
ことを特徴とする請求項9に記載の問題推奨方法。 - 前記ユーザの候補問題セットを取得するステップは、
予め記憶された前記ユーザの候補問題セットを取得するステップを含む、
ことを特徴とする請求項1~5のいずれかに記載の問題推奨方法。 - 前記ユーザ行為データに基づいて、前記ユーザ興味パラメータを取得するステップは、
前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するステップを含む、
ことを特徴とする請求項1~14のいずれかに記載の問題推奨方法。 - 問題推奨装置であって、
複数の候補問題を含むユーザの候補問題セットを取得するように構成されるセット取得回路と、
ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するように構成される行為分析回路と、
前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するように構成される特徴生成回路と、
ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するように構成される問題ソート回路と、
前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも1つの候補問題をユーザに推奨するように構成される推奨回路と、を含む、
ことを特徴とする問題推奨装置。 - 前記問題ソート回路は、
ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するように構成される問題ソートサブ回路を含む、
ことを特徴とする請求項16に記載の問題推奨装置。 - 前記セット取得回路は、
複数の知識問題セットを含むデータ知識ベースをアクセスするように構成される知識ベースアクセス回路と、
ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するように構成される情報取得回路と、
前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから複数の候補問題を含む候補問題セットを取得するように構成される候補セット生成回路と、を含む、
ことを特徴とする請求項16または17に記載の問題推奨装置。 - 前記セット取得回路は、
ネットワークからデータセットを取り込み、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成し、前記データ知識ベースを作成するように構成される知識ベース作成回路をさらに含む、
ことを特徴とする請求項18に記載の問題推奨装置。 - 前記候補セット生成回路は、
前記ユーザラベルセットと前記データ知識ベースの標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するように構成される候補セット生成サブ回路を含む、
ことを特徴とする請求項18または19に記載の問題推奨装置。 - 前記行為分析回路は、
前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するように構成される行為分析サブ回路を含む、
ことを特徴とする請求項16~20のいずれかに記載の問題推奨装置。 - 特徴生成回路は、
少なくとも1つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得するように構成される特徴生成サブ回路を含む、
ことを特徴とする請求項16~21のいずれかに記載の問題推奨装置。 - 問題推奨システムであって、
端末及び問題推奨サーバを含み、
前記端末は、要求データを前記問題推奨サーバに送信するように構成され、
前記問題推奨サーバは、
前記要求データに応答して、
複数の候補問題を含むユーザの候補問題セットを取得し、
ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得し、
前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも1つの類似度特徴を取得し、
ユーザ基本情報と前記複数の候補問題と前記少なくとも1つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するように構成され、
前記端末は、さらに、前記問題シーケンス内のN個までの候補問題を表示するように構成され、ただし、Nは1以上の整数である、
ことを特徴とする問題推奨システム。 - 電子機器であって、
プロセッサと、
1つまたは複数のコンピュータプログラムモジュールを含むメモリと、を含み、
前記1つまたは複数のコンピュータプログラムモジュールは、前記メモリに記憶され、前記プロセッサによって実行されるように構成され、前記1つまたは複数のコンピュータプログラムモジュールは、請求項1~15のいずれかに記載の問題推奨方法を実行するための命令を含む、
ことを特徴とする電子機器。 - コンピュータ命令が記憶されている非一時的な読み取り可能な記憶媒体であって、
前記コンピュータ命令がプロセッサによって実行される時、請求項1~15のいずれかに記載の問題推奨方法が実行される、
ことを特徴とする非一時的な読み取り可能な記憶媒体。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/093390 WO2021237707A1 (zh) | 2020-05-29 | 2020-05-29 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023535849A true JP2023535849A (ja) | 2023-08-22 |
Family
ID=78745462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022504676A Pending JP2023535849A (ja) | 2020-05-29 | 2020-05-29 | 問題推奨方法及びその装置及びそのシステム、及び電子機器、読み取り可能な記憶媒体 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220198300A1 (ja) |
EP (1) | EP4002141A4 (ja) |
JP (1) | JP2023535849A (ja) |
CN (1) | CN114072782A (ja) |
WO (1) | WO2021237707A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114398546A (zh) * | 2022-01-06 | 2022-04-26 | 北京明略软件系统有限公司 | 菜品的推荐方法和装置、存储介质、电子装置 |
CN114842930B (zh) * | 2022-06-30 | 2022-09-27 | 苏州景昱医疗器械有限公司 | 数据采集方法、装置、系统及计算机可读存储介质 |
CN115659058B (zh) * | 2022-12-30 | 2023-04-11 | 杭州远传新业科技股份有限公司 | 问题生成的方法和装置 |
CN116383481B (zh) * | 2023-02-09 | 2024-03-29 | 四川云数赋智教育科技有限公司 | 一种基于学生画像的个性化试题推荐方法及系统 |
CN115982429B (zh) * | 2023-03-21 | 2023-08-01 | 中交第四航务工程勘察设计院有限公司 | 一种基于流程控制的知识管理方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572734B (zh) * | 2013-10-23 | 2019-04-30 | 腾讯科技(深圳)有限公司 | 问题推荐方法、装置及系统 |
CN105740476A (zh) * | 2016-03-18 | 2016-07-06 | 科润智能科技股份有限公司 | 一种相关联问题推荐方法、装置及系统 |
JP7324709B2 (ja) * | 2017-02-09 | 2023-08-10 | コグノア,インク. | デジタル個別化医療のためのプラットフォームとシステム |
CN107451199B (zh) * | 2017-07-05 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 问题推荐方法及装置、设备 |
US11151117B2 (en) * | 2018-07-30 | 2021-10-19 | International Business Machines Corporation | Increasing the accuracy of a statement by analyzing the relationships between entities in a knowledge graph |
CN110188186A (zh) * | 2019-04-24 | 2019-08-30 | 平安科技(深圳)有限公司 | 医疗领域的内容推荐方法、电子装置、设备及存储介质 |
CN110096581B (zh) * | 2019-04-28 | 2021-04-20 | 宁波深擎信息科技有限公司 | 一种基于用户行为构建问答体系推荐问的系统及方法 |
CN110377715A (zh) * | 2019-07-23 | 2019-10-25 | 天津汇智星源信息技术有限公司 | 基于法律知识图谱的推理式精准智能问答方法 |
-
2020
- 2020-05-29 CN CN202080000849.2A patent/CN114072782A/zh active Pending
- 2020-05-29 US US17/281,310 patent/US20220198300A1/en active Pending
- 2020-05-29 JP JP2022504676A patent/JP2023535849A/ja active Pending
- 2020-05-29 EP EP20900702.0A patent/EP4002141A4/en active Pending
- 2020-05-29 WO PCT/CN2020/093390 patent/WO2021237707A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
EP4002141A4 (en) | 2022-09-28 |
CN114072782A (zh) | 2022-02-18 |
EP4002141A1 (en) | 2022-05-25 |
WO2021237707A1 (zh) | 2021-12-02 |
US20220198300A1 (en) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vassli et al. | Acceptance of health-related ICT among elderly people living in the community: A systematic review of qualitative evidence | |
Kirk et al. | Precision nutrition: A systematic literature review | |
Sorokowska et al. | Affective interpersonal touch in close relationships: A cross-cultural perspective | |
WO2021237707A1 (zh) | 问题推荐方法及装置、系统和电子设备、可读存储介质 | |
Lin et al. | Psychometric evaluation of the Persian eHealth Literacy Scale (eHEALS) among elder Iranians with heart failure | |
US20200097814A1 (en) | Method and system for enabling interactive dialogue session between user and virtual medical assistant | |
Polit et al. | Study guide for essentials of nursing research: appraising evidence for nursing practice | |
US20200211709A1 (en) | Method and system to provide medical advice to a user in real time based on medical triage conversation | |
Ostwald et al. | Predictors of life satisfaction in stroke survivors and spousal caregivers after inpatient rehabilitation | |
KR102217307B1 (ko) | 기계 학습 및 의미론적 지식 기반 빅데이터 분석으로 웨어러블 센서와 소셜 네트워킹 데이터를 이용한 새로운 의료 모니터링 방법 및 장치 | |
Faw | Supporting the supporter: Social support and physiological stress among caregivers of children with severe disabilities | |
US11393589B2 (en) | Methods and systems for an artificial intelligence support network for vibrant constitutional guidance | |
Timakum et al. | Analysis of E-mental health research: mapping the relationship between information technology and mental healthcare | |
Oyebode et al. | Machine learning techniques in adaptive and personalized systems for health and wellness | |
KR20210052122A (ko) | 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법 | |
KR20200113954A (ko) | 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법 | |
Vicente et al. | Living With Type 2 Diabetes in San Jose Tecoh, Yucatan, Mexico: A Phenomenological Study | |
KR102234025B1 (ko) | 전세계 통합 헬스케어 서비스 제공 시스템 | |
Javed et al. | Artificial intelligence for cognitive health assessment: State-of-the-art, open challenges and future directions | |
KR102360651B1 (ko) | 의료분야 마이데이터를 이용한 목표질환 수치 개선용 개인 맞춤형 식단 서비스 제공 시스템 | |
Kalantari et al. | Opportunities and challenges of consumer health information on the internet: Is cyberchondria an emerging challenge | |
Dongre et al. | Deep Learning-Based Drug Recommendation and ADR Detection Healthcare Model on Social Media | |
Cuffy et al. | Measuring the quality of patient–physician communication | |
Kusina et al. | Perceived attachment to God relates to body appreciation: mediating roles of self-compassion, sanctification of the body, and contingencies of self-worth | |
Ferrari et al. | A qualitative comparison of needles and insulin pump use in children with type 1 diabetes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230526 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240522 |