WO2022121705A1 - 信息处理方法、装置和设备 - Google Patents

信息处理方法、装置和设备 Download PDF

Info

Publication number
WO2022121705A1
WO2022121705A1 PCT/CN2021/133443 CN2021133443W WO2022121705A1 WO 2022121705 A1 WO2022121705 A1 WO 2022121705A1 CN 2021133443 W CN2021133443 W CN 2021133443W WO 2022121705 A1 WO2022121705 A1 WO 2022121705A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
item recommendation
training
user
path
Prior art date
Application number
PCT/CN2021/133443
Other languages
English (en)
French (fr)
Inventor
林晓列
松森正树
Original Assignee
株式会社日立制作所
林晓列
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 株式会社日立制作所, 林晓列 filed Critical 株式会社日立制作所
Publication of WO2022121705A1 publication Critical patent/WO2022121705A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Definitions

  • the present disclosure relates to the field of data processing, and in particular, to an information processing method, apparatus and device.
  • the patent document CN201910942637.5 proposes a personalized exercise volume recommendation system and method, which can formulate a scientific fitness plan for users, and can accurately detect the user's exercise volume, and accurately record the implementation of the user's exercise plan to ensure the fitness plan. effective implementation.
  • Embodiments of the present disclosure provide an information processing method, apparatus, and device, so that the recommended training plan better meets the user's requirements for training effects.
  • an embodiment of the present disclosure provides an information processing method, including:
  • the data of the target user includes health data, attribute data, evaluation data, and training data of the target user in the candidate training items, and the evaluation data of the target user is at the first preset time
  • the improvement value in the segment is greater than 0;
  • a training item recommendation model is formed according to the data of the target user, wherein the training item recommendation model is generated by using the training item recommendation path with the largest improvement value of the evaluation data;
  • the data of the user to be recommended includes health data, attribute data, and evaluation data
  • a recommended training item is generated for the user to be recommended.
  • forming a training item recommendation model according to the data of the target user includes:
  • a target item recommendation path is obtained, wherein the target item recommendation path includes the item recommendation path with the largest improvement value of the evaluation data;
  • a training item recommendation model is formed according to the target item recommendation path.
  • generating a decision tree model according to the data of the target user includes:
  • the attribute data and the training data calculate the information gain ratio and threshold corresponding to each feature
  • the feature with the largest information gain ratio is taken as the root node, and other features are branched into a tree branch according to the threshold to form a decision tree branch;
  • the decision tree model is formed based on the branches of the decision tree formed by the features of all categories.
  • the method further includes:
  • the use of the decision tree model to obtain the recommended path of the target item includes:
  • a first target item recommendation path is selected from the decision tree model, wherein the improvement value of the evaluation data corresponding to the first target item recommendation path is the largest.
  • the method further includes:
  • a second target item recommendation path is selected from the first target item recommendation path, wherein, in the second target item recommendation path, the number of days that the user participates in the training item in the second preset time period most;
  • a third target item recommendation path is selected from the second target item recommendation path, wherein, in the third target item recommendation path, the number of times the user participates in the training item within the second preset time period minimum.
  • forming a training item recommendation model according to the target item recommendation path includes:
  • a training item recommendation model is formed according to the first target item recommendation path or the second target item recommendation path or the third target item recommendation path.
  • an information processing apparatus including:
  • the first acquisition module is used to acquire the data of the target user, wherein the data of the target user includes health data, attribute data, evaluation data and the training data of the target user in the candidate training items, the evaluation of the target user
  • the improvement value of the data within the first preset time period is greater than 0;
  • a first generation module configured to form a training item recommendation model according to the data of the target user, wherein the training item recommendation model is generated by using the training item recommendation path with the largest improvement value of the evaluation data;
  • the second acquiring module is configured to acquire data of the user to be recommended, wherein the data of the user to be recommended includes health data, attribute data, and evaluation data;
  • the first processing module is configured to generate a recommended training item for the user to be recommended according to the data of the user to be recommended and the training item recommendation model.
  • the first generation module includes:
  • the first generating submodule is used to generate a decision tree model according to the data of the target user
  • a first obtaining sub-module configured to obtain a target item recommendation path by using the decision tree model, wherein the target item recommendation path includes the item recommendation path with the largest improvement value of the evaluation data;
  • the second generating sub-module is configured to form a training item recommendation model according to the target item recommendation path.
  • the first generation submodule includes:
  • a first computing unit configured to calculate an information gain ratio and a threshold corresponding to each feature for each feature in the health data, the attribute data and the training data;
  • the first generating unit is used for taking the feature with the largest information gain ratio as the root node for the same type of feature, and performing tree branching on other features according to the threshold to form a decision tree branch;
  • the second generating unit is configured to form the decision tree model based on the decision tree branches formed by the features of all categories.
  • the first generation sub-module also includes:
  • the deletion unit is used to delete the decision tree branch whose information gain ratio is 0 in the decision tree model.
  • the first acquisition sub-module is used to select a first target item recommendation path from the decision tree model by using a post-pruning algorithm, wherein the improvement value of the evaluation data corresponding to the first target item recommendation path maximum.
  • the first generation module further includes:
  • the second acquisition sub-module is configured to use the post-pruning algorithm to select a second target item recommendation path from the first target item recommendation path, wherein, in the second target item recommendation path, the user is in the second preset The number of days participating in the training program in the time period is the most;
  • the third acquisition sub-module is configured to use the post-pruning algorithm to select a third target item recommended path from the second target item recommended path, wherein, in the third target item recommended path, the user is in the second preset Participate in the training program the least number of times during the time period.
  • the second generating sub-module is configured to form a training item recommendation model according to the first target item recommendation path or the second target item recommendation path or the third target item recommendation path.
  • an embodiment of the present disclosure provides an electronic device, including: a memory, a processor, and a program stored on the memory and executable on the processor; the processor is configured to read the memory
  • the program in implements the steps in the information processing method as described in the first aspect.
  • an embodiment of the present disclosure provides a computer-readable storage medium, where a program or an instruction is stored on the computer-readable storage medium, and when the program or instruction is executed by a processor, the method according to the first aspect is implemented A step of.
  • embodiments of the present disclosure provide a computer program product, the computer program product is stored in a non-volatile storage medium, and the computer program product is executed by at least one processor to implement the first aspect Methods.
  • a training item recommendation model is formed according to the acquired data of the target user, wherein the training item recommendation model is generated by using the training item recommendation path with the largest improvement value of the evaluation data. Afterwards, for the user to be recommended, using the data of the user to be recommended and the training item recommendation model, a recommended training item is generated for the user to be recommended. Since the training item recommendation model is generated by using the training item recommendation path with the largest improvement value of the evaluation data, that is, the training item corresponding to the training item recommendation path has the best effect, therefore, the recommended training item obtained through the model can be set as correct The training effect improves the best training items, so as to meet the user's requirements for the training effect.
  • FIG. 1 is a flowchart of an information processing method provided by an embodiment of the present disclosure
  • FIG. 2 is a schematic diagram of a decision tree model generated according to a solution of an embodiment of the present disclosure
  • FIG. 3 is a schematic structural diagram of an information processing system according to an embodiment of the present disclosure.
  • FIG. 4 is a structural diagram of an information processing apparatus provided by an embodiment of the present disclosure.
  • FIG. 6 is a structural diagram of a first generation sub-module in an embodiment of the present disclosure.
  • FIG. 7 is the second structure diagram of the first generation module in the embodiment of the present disclosure.
  • FIG. 8 is a structural diagram of an electronic device provided by an embodiment of the present disclosure.
  • the term "and/or" describes the association relationship of associated objects, and indicates that there can be three kinds of relationships. For example, A and/or B can indicate that A exists alone, A and B exist at the same time, and B exists alone these three situations.
  • the character “/” generally indicates that the associated objects are an "or" relationship.
  • the term “plurality” refers to two or more than two, and other quantifiers are similar.
  • FIG. 1 is a flowchart of an information processing method provided by an embodiment of the present disclosure, as shown in FIG. 1, including the following steps:
  • Step 101 Obtain the data of the target user, wherein the data of the target user includes health data, attribute data, evaluation data and the training data of the target user in the candidate training items, and the evaluation data of the target user is in the first The improvement value for the preset time period is greater than 0.
  • the user's data may be collected through a sensing device or the like, for example, including: the user's basic health data, basic attribute data, evaluation data, training data in candidate training items, and the like.
  • health data may include: age, gender, education, weight, height, blood pressure, pulse, sleep, mental state, emotional state, fall experience, previous illness, etc.
  • attribute data may include: age, gender, education, fall experience , past symptoms, etc.
  • evaluation data includes evaluation scores obtained by evaluation methods such as Mini Mental State Examination (MMSE) or Time Up Go (TUG) test
  • training data in candidate training items can be It includes brain training data collected by means of brain imagers and physical activity training data collected by means of magic mats.
  • MMSE Mini Mental State Examination
  • TAG Time Up Go
  • the candidate training items can be set as required, and the first preset time period can also be set as required.
  • the historical data statistical method is used to extract the evaluation data whose score value of the evaluation data has an improvement effect within a preset period (for example: short-term: 1 month, long-term: 3 months).
  • the improved evaluation data refers to evaluation data in which the difference between the score value of the last MMSE/TUG and the score value of the previous MMSE/TUG within the preset time is greater than 0.
  • the users corresponding to these improved evaluation data are used as target users, and the data of these target users is extracted. In this way, the obtained training item recommendation model can be made more in line with the user's needs.
  • Step 102 forming a training item recommendation model according to the data of the target user, wherein the training item recommendation model is generated by using the training item recommendation path with the largest improvement value of the evaluation data.
  • a decision tree model can be generated according to the data of the target user, and the decision tree model can be used to obtain the target item recommendation path, wherein the target item recommendation path includes the item recommendation with the largest improvement value of the evaluation data path. Then, a training item recommendation model is formed according to the target item recommendation path.
  • the information entropy algorithm is used to analyze the influence degree of the characteristics of the user data, and the characteristics that have an impact on the improvement results are selected. After the characteristic selection is completed, Generate a decision tree model.
  • an information gain ratio and a threshold corresponding to each feature are calculated.
  • the feature with the largest information gain ratio is used as the root node, and other features are branched into a tree according to the threshold to form a decision tree branch.
  • the decision tree model is formed based on the branches of the decision tree formed by the features of all categories. In this way, a decision tree model can be generated based on ranking and categorizing the importance of improving the outcome.
  • the decision tree branches whose information gain ratio is 0 (ie, have no influence on the improvement effect) in the decision tree model can also be deleted, thereby improving the processing efficiency.
  • the acquired target path may include a first target item recommendation path, wherein the improvement value (effect) of the evaluation data corresponding to the first target item recommendation path is the largest; it may further include a second target item Recommendation path, wherein, in the second target item recommendation path, the user has the most days (interests) participating in the training program within the second preset time period; in the third target item recommendation path, the user participates in the second preset time period.
  • the number of training items (efficiency) is minimal.
  • the second preset time period can be set as required.
  • a post-pruning algorithm can be used to select a first target item recommendation path from the decision tree model, wherein the improvement value of the evaluation data corresponding to the first target item recommendation path is the largest.
  • a second target item recommendation path is selected from the first target item recommendation path
  • a third target item recommendation path is selected from the second target item recommendation path. That is, for the same type of feature users, the post-pruning algorithm of decision tree is used to keep the path with the most effect; from the path with the most effect, the path with the most interest is reserved; from the path with the most interest, the path with the most efficiency is reserved.
  • interest or effects may also be reflected by other parameters.
  • a training item recommendation model may be formed according to the first target item recommendation path, or a training item recommendation model may be formed according to the second target item recommendation path, and a training item recommendation model may also be formed according to the third target item recommendation path .
  • Step 103 Acquire data of the user to be recommended, wherein the data of the user to be recommended includes health data, attribute data, and evaluation data.
  • the health data of the user to be recommended may include: age group, gender, education, weight, height, blood pressure, pulse, sleep, mental state, emotional state, fall experience, previous illness, etc.; attribute data may include: age, gender, Education, fall experience, previous medical conditions, etc.; evaluation data includes evaluation scores obtained through evaluation methods such as MMSE or TUG.
  • Step 104 Generate a recommended training item for the user to be recommended according to the data of the user to be recommended and the training item recommendation model.
  • the training item recommendation model is generated according to the process of steps 101-102, then, when recommending training items for users in the later stage, there is no need to regenerate the model, and the generated training item recommendation model can be directly used as User-recommended training items.
  • the training item recommendation model is generated by using the training item recommendation path with the largest improvement value of the evaluation data, that is, the training item corresponding to the training item recommendation path has the best effect, therefore, the recommended training item obtained through the model can be set as correct
  • the training effect improves the best training items, so as to meet the user's requirements for the training effect.
  • FIG. 2 is a schematic diagram of a decision tree model generated according to a solution of an embodiment of the present disclosure.
  • there are three paths with the greatest improvement in MMSE score namely three paths with a score of 2. From these three paths, select the path with the most interest, that is, the path 301 with the number of participating days greater than or equal to 3 days; then, in the path 301, select the path with the least number of game participations (that is, the shortest path, or the most efficient) 302.
  • the items and user features in this path 302 can be used to form a training item recommendation model.
  • FIG. 3 is a schematic structural diagram of an information processing system according to an embodiment of the present disclosure.
  • the system may include sensing equipment, data acquisition equipment, training item recommendation equipment, and the like.
  • the system and the above method can be applied to places such as nursing homes.
  • the data acquisition device collects the data of the user (such as the elderly) through the sensing device, such as basic data, evaluation data, training data, etc., and the data can be stored in the database of the data acquisition device at the same time. These data are input to the training item recommendation device to generate the training item recommendation model.
  • the basic data of the user is collected, the evaluation data is input, and the training item recommendation device is input to generate a recommended training item.
  • the recommended training program can be provided to the caregiver and recommended to the new user.
  • FIG. 4 is a structural diagram of an information processing apparatus provided by an embodiment of the present disclosure. Since the principle of the information processing apparatus for solving the problem is similar to that of the information processing method in the embodiment of the present disclosure, the implementation of the information processing apparatus may refer to the implementation of the method, and the repetition will not be repeated.
  • the information processing apparatus 400 includes:
  • the first acquisition module 401 is used to acquire the data of the target user, wherein the data of the target user includes health data, attribute data, evaluation data and the training data of the target user in the candidate training items, the target user's The improvement value of the evaluation data in the first preset time period is greater than 0; the first generation module 402 is used to form a training item recommendation model according to the data of the target user, wherein the training item recommendation model utilizes the improvement of the evaluation data.
  • the training item recommendation path with the largest value is generated; the second obtaining module 403 is used to obtain the data of the user to be recommended, wherein the data of the user to be recommended includes health data, attribute data, and evaluation data; the first processing module 404, with generating a recommended training item for the user to be recommended according to the data of the user to be recommended and the training item recommendation model.
  • the first generating module 402 includes:
  • the first generation sub-module 4021 is used to generate a decision tree model according to the data of the target user; the first acquisition sub-module 4022 is used to obtain the recommended path of the target item by using the decision tree model, wherein the target item recommended The path includes the item recommendation path with the largest improvement value of the evaluation data; the second generating sub-module 4023 is configured to form a training item recommendation model according to the target item recommendation path.
  • the first generation sub-module 4021 includes:
  • the first calculation unit 40211 is used to calculate the information gain ratio and threshold corresponding to each feature for each feature in the health data, the attribute data and the training data;
  • the first generating unit 40212 is used for the same type of feature, taking the feature with the largest information gain ratio as the root node, and performing tree branching on other features according to the threshold to form a decision tree branch;
  • the second generating unit 40213 is configured to form the decision tree model based on the decision tree branches formed by the features of all categories.
  • the first generation submodule further includes:
  • the deletion unit is used to delete the decision tree branch whose information gain ratio is 0 in the decision tree model.
  • the first acquisition sub-module 4022 is used to select a first target item recommendation path from the decision tree model by using a post-pruning algorithm, wherein the evaluation data corresponding to the first target item recommendation path maximum improvement.
  • the first generating module 402 further includes:
  • the second obtaining sub-module 4024 is configured to use the post-pruning algorithm to select a second target item recommendation path from the first target item recommendation path, wherein, in the second target item recommendation path, the user is in the second preset target item recommendation path.
  • the number of days participating in the training program in the set time period is the most;
  • the third obtaining sub-module 4025 is configured to use the post-pruning algorithm to select a third target item recommendation path from the second target item recommendation path, wherein, in the third target item recommendation path, the user is in the second preset target item recommendation path. Set the time period to participate in the minimum number of training programs.
  • the second generating sub-module 4023 is configured to form a training item recommendation model according to the first target item recommendation path or the second target item recommendation path or the third target item recommendation path.
  • each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist physically alone, or two or more units may be integrated into one unit.
  • the above-mentioned integrated units may be implemented in the form of hardware, or may be implemented in the form of software functional units.
  • the integrated unit is implemented in the form of a software functional unit and sold or used as an independent product, it may be stored in a processor-readable storage medium.
  • the technical solution of the present application can be embodied in the form of a computer program product in essence, or the part that contributes to the related technology, or the whole or part of the technical solution, which is stored in a storage medium , including several instructions for causing a computer device (which may be a personal computer, a server, or a network device, etc.) or a processor (processor) to execute all or part of the steps of the methods described in the various embodiments of the present application.
  • the aforementioned storage medium includes: U disk, mobile hard disk, read-only memory (Read-Only Memory, ROM), random access memory (Random Access Memory, RAM), magnetic disk or optical disk and other media that can store program codes .
  • FIG. 8 is a structural diagram of an electronic device provided by an embodiment of the present disclosure.
  • the electronic device may include a memory 801, a processor 802, and programs stored on the memory and executable on the processor.
  • the processor 802 is configured to read the program in the memory to implement the steps in the above-mentioned information processing method.
  • Embodiments of the present disclosure further provide a readable storage medium, where a program is stored on the readable storage medium.
  • a program is stored on the readable storage medium.
  • the readable storage medium can be any available medium or data storage device that can be accessed by the processor, including but not limited to magnetic storage (such as floppy disk, hard disk, magnetic tape, magneto-optical disk (MO), etc.), optical storage (such as CD, DVD, BD, HVD, etc.), and semiconductor memory (such as ROM, EPROM, EEPROM, non-volatile memory (NAND FLASH), solid state disk (SSD)), and the like.
  • magnetic storage such as floppy disk, hard disk, magnetic tape, magneto-optical disk (MO), etc.
  • optical storage such as CD, DVD, BD, HVD, etc.
  • semiconductor memory such as ROM, EPROM, EEPROM, non-volatile memory (NAND FLASH), solid state disk (SSD)
  • the method of the above embodiment can be implemented by means of software plus a necessary general hardware platform, and of course can also be implemented by hardware, but in many cases the former is better implementation.
  • the technical solutions of the present disclosure essentially or the parts that contribute to the related art can be embodied in the form of a computer program product, and the computer program product is stored in a storage medium (such as ROM/RAM, magnetic disk, optical disk) ), including several instructions to enable a terminal (which may be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.) to execute the methods described in the various embodiments of the present disclosure.
  • a terminal which may be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

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

Description

信息处理方法、装置和设备
相关申请的交叉引用
本申请主张在2020年12月10日在中国提交的中国专利申请号No.202011455031.8的优先权，其全部内容通过引用包含于此。
技术领域
本公开涉及数据处理领域，尤其涉及一种信息处理方法、装置和设备。
背景技术
在急速老龄化问题和养老看护市场不断扩大的背景下，智能养老平台的开发成为相关人员研究的主要方向。
专利文献CN201910942637.5提出了一种个性化运动量推荐系统及方法，可以为用户制定科学的健身计划，同时可以精准的检测用户运动量，对用户的运动计划的执行情况进行准确的记录，确保健身计划的有效执行。
但是，相关技术方案所制定的健身计划无法满足用户对训练效果的需求。
发明内容
本公开实施例提供一种信息处理方法、装置和设备，以使得推荐的训练计划更加符合用户对训练效果的要求。
第一方面，本公开实施例提供了一种信息处理方法，包括：
获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐 用户生成推荐训练项目。
其中，所述根据所述目标用户的数据形成训练项目推荐模型，包括：
根据所述目标用户的数据生成决策树模型；
利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
根据所述目标项目推荐路径形成训练项目推荐模型。
其中，所述根据所述目标用户的数据生成决策树模型，包括：
对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
其中，在所述形成所述决策树模型之后，所述方法还包括：
删除所述决策树模型中信息增益比为0的决策树分支。
其中，所述利用所述决策树模型，获取目标项目推荐路径，包括：
利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
其中，在所述利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径之后，所述方法还包括：
利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
其中，所述根据所述目标项目推荐路径形成训练项目推荐模型，包括：
根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
第二方面，本公开实施例提供了一种信息处理装置，包括：
第一获取模块，用于获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
第一生成模块，用于根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
第二获取模块，用于获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
第一处理模块，用于根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
其中，所述第一生成模块包括：
第一生成子模块，用于根据所述目标用户的数据生成决策树模型；
第一获取子模块，用于利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
第二生成子模块，用于根据所述目标项目推荐路径形成训练项目推荐模型。
其中，所述第一生成子模块包括：
第一计算单元，用于对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
第一生成单元，用于对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
第二生成单元，用于基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
其中，所述第一生成子模块还包括：
删除单元，用于删除所述决策树模型中信息增益比为0的决策树分支。
其中，所述第一获取子模块，用于利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
其中，所述第一生成模块还包括：
第二获取子模块，用于利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
第三获取子模块，用于利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
其中，所述第二生成子模块，用于根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
第三方面，本公开实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面所述的信息处理方法中的步骤。
第四方面，本公开实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面，本公开实施例提供一种计算机程序产品，所述计算机程序产品被存储在非易失的存储介质中，所述计算机程序产品被至少一个处理器执行以实现如第一方面所述的方法。
在本公开实施例中，根据获取的目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成。之后，对于待推荐用户，利用所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。由于训练项目推荐模型是利用评估数据的改善值最大的训练项目推荐路径生成，也即该训练项目推荐路径对应的训练项目效果改善最好，因此，可使得通过该模型获得的推荐训练项目为对训练效果改善最好的训练项目，从而可满足用户对训练效果的要求。
附图说明
图1是本公开实施例提供的信息处理方法的流程图；
图2是根据本公开实施例的方案生成的决策树模型的示意图；
图3是本公开实施例的信息处理系统的结构示意图；
图4是本公开实施例提供的信息处理装置的结构图；
图5是本公开实施例中第一生成模块的结构图之一；
图6是本公开实施例中第一生成子模块的结构图；
图7是本公开实施例中第一生成模块的结构图之二；
图8是本公开实施例提供的电子设备的结构图。
具体实施方式
本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，图1是本公开实施例提供的信息处理方法的流程图，如图1所示，包括以下步骤：
步骤101、获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0。
在本公开实施例中，可通过传感设备等采集用户的数据，例如包括：用户基本的健康数据，基本的属性数据，评估数据，在候选训练项目中的训练数据等。
其中，健康数据可包括：年龄段，性别，学历，体重，身高，血压，脉搏，睡眠，精神状态，情绪状态，跌倒经历，既往病症等；属性数据可包括：年龄，性别，学历，跌倒经历，既往病症等；评估数据包括通过简易精神状态量表(Mini Mental State Examination，MMSE)或者起立行走(Time Up Go， TUG)试验等评估方法获得的评估分数；在候选训练项目中的训练数据可包括利用脑成像仪等方式采集的大脑训练数据以及利用魔法垫等方式采集的身体活动训练数据。
其中，所述候选训练项目可根据需要设置，所述第一预设时间段也可根据需要设置。
对于采集用户的数据，利用历史数据统计方法，提取预设期间内(例如：短期：1个月，长期：3个月)评估数据的评分数值有改善效果的评估数据。其中，有改善的评估数据指的是，在预设时间内的最后一次MMSE/TUG的分数值和前一次MMSE/TUG的分数值之差大于0的评估数据。将这些有改善的评估数据所对应的用户作为目标用户，并提取这些目标用户的数据。通过这种方式，可使得获得的训练项目推荐模型更符合用户的需求。
步骤102、根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成。
在此步骤中，可根据所述目标用户的数据生成决策树模型，并利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径。然后，根据所述目标项目推荐路径形成训练项目推荐模型。
在根据所述目标用户的数据生成决策树模型的过程中，基于目标用户的数据，利用信息熵算法对用户数据的特征进行影响度分析，选择对改善结果有影响的特征，特征选取完成后，生成决策树模型。
具体的，对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值。对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支。然后，基于所有类别的特征所形成的决策树分支，形成所述决策树模型。通过这种方式，可生成一颗基于对改善结果影响重要度进行排序和分类的决策树模型。
此外，在形成决策树模型之后，还可删除所述决策树模型中信息增益比为0(也即对改善效果没影响)的决策树分支，从而提高处理效率。
在本公开实施例中，获取的目标路径可包括第一目标项目推荐路径，其 中，所述第一目标项目推荐路径对应的评估数据的改善值(效果)最大；还可以进一步包括第二目标项目推荐路径，其中，第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数(兴趣)最多；第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数(效率)最小。其中，该第二预设时间段可根据需要设置。
具体的，可利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，以及，利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径。也即，对同一类特征用户，利用决策树的后剪枝算法，保留效果最大的路径；从效果最大的路径中，保留兴趣最大的路径；从兴趣最大的路径中，保留效率最大路径。当然，在实际应用中，兴趣或者效果还可通过其他参数来体现。
在实际应用中，可根据第一目标项目推荐路径形成训练项目推荐模型，或者，还可根据第二目标项目推荐路径形成训练项目推荐模型，还可根据第三目标项目推荐路径形成训练项目推荐模型。
在获得了目标项目推荐路径后，可获取其中的训练天数，每个项目的训练次数等信息，利用用户的数据对该模型进行训练，从而可提高模型的准确性。
步骤103、获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据。
其中，待推荐用户的健康数据可包括：年龄段，性别，学历，体重，身高，血压，脉搏，睡眠，精神状态，情绪状态，跌倒经历，既往病症等；属性数据可包括：年龄，性别，学历，跌倒经历，既往病症等；评估数据包括通过MMSE或者TUG等评估方法获得的评估分数。
步骤104、根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
在实际应用中，如果按照步骤101-102的过程生成了训练项目推荐模型，那么，在后期为用户推荐训练项目时，可无需再重新生成模型，而可直接利 用已经生成的训练项目推荐模型为用户推荐训练项目。
由于训练项目推荐模型是利用评估数据的改善值最大的训练项目推荐路径生成，也即该训练项目推荐路径对应的训练项目效果改善最好，因此，可使得通过该模型获得的推荐训练项目为对训练效果改善最好的训练项目，从而可满足用户对训练效果的要求。
参见图2，图2为根据本公开实施例的方案生成的决策树模型的示意图。其中，MMSE分数值改善最大的路径有3条，即分数值为2的三条路径。从这三条路径中，选择兴趣最大的路径即参与天数大于或等于3天的路径301；接着，在路径301中，选择参加游戏次数最少的路径(即路径最短，或称为效率最高)302。该路径302中的项目和用户特征可用作形成训练项目推荐模型。
参见图3，图3是本公开实施例的信息处理系统的结构示意图。如图3所示，该系统可包括传感设备，数据采集设备，训练项目推荐设备等。该系统和上述方法可应用于养老院等场所。
数据采集设备通过传感设备采集用户(比如老人)的数据，如基本数据，评估数据，训练数据等，该数据可同时存储到数据采集设备的数据库中。这些数据输入到训练项目推荐设备生成训练项目推荐模型。当需要为新的用户推荐训练项目时，采集该用户的基本数据，评估数据，并输入到训练项目推荐设备中，生成推荐训练项目。该推荐训练项目可提供给看护人员，并推荐给该新的用户。
参见图4，图4是本公开实施例提供的信息处理装置的结构图。由于信息处理装置解决问题的原理与本公开实施例中信息处理方法相似，因此该信息处理装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，信息处理装置400包括：
第一获取模块401，用于获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；第一生成模块402，用于根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路 径生成；第二获取模块403，用于获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；第一处理模块404，用于根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
可选的，如图5所示，所述第一生成模块402包括：
第一生成子模块4021，用于根据所述目标用户的数据生成决策树模型；第一获取子模块4022，用于利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；第二生成子模块4023，用于根据所述目标项目推荐路径形成训练项目推荐模型。
可选的，如图6所示，所述第一生成子模块4021包括：
第一计算单元40211，用于对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
第一生成单元40212，用于对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
第二生成单元40213，用于基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
可选的，所述第一生成子模块还包括：
删除单元，用于删除所述决策树模型中信息增益比为0的决策树分支。
可选的，所述第一获取子模块4022，用于利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
可选的，如图7所示，所述第一生成模块402还包括：
第二获取子模块4024，用于利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
第三获取子模块4025，用于利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
可选的，所述第二生成子模块4023，用于根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
本公开实施例提供的装置，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以计算机程序产品的形式体现出来，该计算机程序产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
参见图8，图8是本公开实施例提供的电子设备的结构图。该电子设备可包括存储器801、处理器802及存储在所述存储器上并可在所述处理器上运行的程序。所述处理器802，用于读取存储器中的程序实现如前所述的信息处理方法中的步骤。
本公开实施例还提供一种可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现上述信息处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的可读存储介质，可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、 非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。根据这样的理解，本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以计算机程序产品的形式体现出来，该计算机程序产品存储在一个存储介质(如ROM/RAM、磁盘、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本公开各个实施例所述的方法。
上面结合附图对本公开的实施例进行了描述，但是本公开并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本公开的启示下，在不脱离本公开宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本公开的保护之内。

Claims (17)

  1. 一种信息处理方法，包括：
    获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
    根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
    获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
    根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
  2. 根据权利要求1所述的方法，其中，所述根据所述目标用户的数据形成训练项目推荐模型，包括：
    根据所述目标用户的数据生成决策树模型；
    利用所述决策树模型，获取目标项目推荐路径，其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
    根据所述目标项目推荐路径形成训练项目推荐模型。
  3. 根据权利要求2所述的方法，其中，所述根据所述目标用户的数据生成决策树模型，包括：
    对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
    对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
    基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
  4. 根据权利要求3所述的方法，其中，在所述形成所述决策树模型之后，所述方法还包括：
    删除所述决策树模型中信息增益比为0的决策树分支。
  5. 根据权利要求2所述的方法，其中，所述利用所述决策树模型，获取 目标项目推荐路径，包括：
    利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
  6. 根据权利要求5所述的方法，其中，在所述利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径之后，所述方法还包括：
    利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
    利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
  7. 根据权利要求6所述的方法，其中，所述根据所述目标项目推荐路径形成训练项目推荐模型，包括：
    根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
  8. 一种信息处理装置，包括：
    第一获取模块，用于获取目标用户的数据，其中，所述目标用户的数据包括健康数据、属性数据、评估数据以及所述目标用户在候选训练项目中的训练数据，所述目标用户的评估数据在第一预设时间段内的改善值大于0；
    第一生成模块，用于根据所述目标用户的数据形成训练项目推荐模型，其中，所述训练项目推荐模型利用评估数据的改善值最大的训练项目推荐路径生成；
    第二获取模块，用于获取待推荐用户的数据，其中，所述待推荐用户的数据包括健康数据、属性数据、评估数据；
    第一处理模块，用于根据所述待推荐用户的数据以及所述训练项目推荐模型，为所述待推荐用户生成推荐训练项目。
  9. 根据权利要求8所述的装置，其中，所述第一生成模块包括：
    第一生成子模块，用于根据所述目标用户的数据生成决策树模型；
    第一获取子模块，用于利用所述决策树模型，获取目标项目推荐路径， 其中，所述目标项目推荐路径包括评估数据的改善值最大的项目推荐路径；
    第二生成子模块，用于根据所述目标项目推荐路径形成训练项目推荐模型。
  10. 根据权利要求9所述的装置，其中，所述第一生成子模块包括：
    第一计算单元，用于对于所述健康数据、所述属性数据以及所述训练数据中的每个特征，计算每个特征对应的信息增益比和阈值；
    第一生成单元，用于对于同一类特征，将信息增益比最大的特征作为根节点，根据所述阈值将其他的特征进行树杈分支，形成决策树分支；
    第二生成单元，用于基于所有类别的特征所形成的决策树分支，形成所述决策树模型。
  11. 根据权利要求10所述的装置，其中，所述第一生成子模块还包括：
    删除单元，用于删除所述决策树模型中信息增益比为0的决策树分支。
  12. 根据权利要求9所述的装置，其中，所述第一获取子模块，用于利用后剪枝算法，从所述决策树模型中选取第一目标项目推荐路径，其中，所述第一目标项目推荐路径对应的评估数据的改善值最大。
  13. 根据权利要求12所述的装置，其中，所述第一生成模块还包括：
    第二获取子模块，用于利用后剪枝算法，从所述第一目标项目推荐路径中选取第二目标项目推荐路径，其中，所述第二目标项目推荐路径中，用户在第二预设时间段内参与训练项目的天数最多；
    第三获取子模块，用于利用后剪枝算法，从所述第二目标项目推荐路径中选取第三目标项目推荐路径，其中，所述第三目标项目推荐路径中，用户在第二预设时间段内参与训练项目的次数最小。
  14. 根据权利要求13所述的装置，其中，所述第二生成子模块，用于根据所述第一目标项目推荐路径或者所述第二目标项目推荐路径或者所述第三目标项目推荐路径，形成训练项目推荐模型。
  15. 一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如权利要求1至7中任一项所述的信息处理方法中的步骤。
  16. 一种计算机可读存储介质，所述计算机可读存储介质上存储程序或 指令，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的信息处理方法中的步骤。
  17. 一种计算机程序产品，所述计算机程序产品被存储在非易失的存储介质中，所述计算机程序产品被配置成被至少一个处理器执行以实现如权利要求1至7中任一项所述的信息处理方法中的步骤。
PCT/CN2021/133443 2020-12-10 2021-11-26 信息处理方法、装置和设备 WO2022121705A1 (zh)

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
WO2022121705A1 true WO2022121705A1 (zh) 2022-06-16

Family

ID=81895755

Family Applications (1)

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

Country Status (2)

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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308738A (zh) * 2023-02-10 2023-06-23 之江实验室 一种模型训练的方法、业务风控的方法及装置
CN116910669A (zh) * 2023-09-13 2023-10-20 深圳市智慧城市科技发展集团有限公司 数据分类方法、装置、电子设备及可读存储介质

Families Citing this family (1)

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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150227701A1 (en) * 2012-09-06 2015-08-13 Koninklijke Philips N.V. Guideline-based decision support
CN108460489A (zh) * 2018-03-15 2018-08-28 重庆邮电大学 一种基于大数据技术的用户行为分析与服务推荐框架
CN111898020A (zh) * 2020-06-18 2020-11-06 济南浪潮高新科技投资发展有限公司 基于bert和lstm的知识学习体系推荐方法、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150227701A1 (en) * 2012-09-06 2015-08-13 Koninklijke Philips N.V. Guideline-based decision support
CN108460489A (zh) * 2018-03-15 2018-08-28 重庆邮电大学 一种基于大数据技术的用户行为分析与服务推荐框架
CN111898020A (zh) * 2020-06-18 2020-11-06 济南浪潮高新科技投资发展有限公司 基于bert和lstm的知识学习体系推荐方法、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308738A (zh) * 2023-02-10 2023-06-23 之江实验室 一种模型训练的方法、业务风控的方法及装置
CN116308738B (zh) * 2023-02-10 2024-03-08 之江实验室 一种模型训练的方法、业务风控的方法及装置
CN116910669A (zh) * 2023-09-13 2023-10-20 深圳市智慧城市科技发展集团有限公司 数据分类方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN114628005A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
WO2022121705A1 (zh) 信息处理方法、装置和设备
US11568364B2 (en) Computing system implementing morbidity prediction using a correlative health assertion library
Mclaughlin et al. Associations between digital health intervention engagement, physical activity, and sedentary behavior: systematic review and meta-analysis
Farrington et al. Semiparametric analysis of case series data
Gelman The connection between varying treatment effects and the crisis of unreplicable research: A Bayesian perspective
Díaz-Ordaz et al. Are missing data adequately handled in cluster randomised trials? A systematic review and guidelines
Shoham et al. An actor-based model of social network influence on adolescent body size, screen time, and playing sports
Krause et al. Assessing the relationship between religious involvement and health behaviors
Dabowsa et al. A hybrid intelligent system for skin disease diagnosis
CN110032728B (zh) 疾病名称标准化的转换方法和装置
CN111785366B (zh) 患者治疗方案的确定方法、装置及计算机设备
CN116541498A (zh) 在会话中提供情感关怀
WO2020151189A1 (zh) 一种歌曲推荐方法、系统、终端及存储介质
Margolin et al. The emotional antecedents of solidarity in social media crowds
Spurr The baseball draft: A study of the ability to find talent
Ferket et al. Cost-effectiveness analysis in cardiac surgery: A review of its concepts and methodologies
Gondara et al. Recovering loss to followup information using denoising autoencoders
Rotondi et al. Sample size estimation in cluster randomized trials: an evidence-based perspective
JP2020500372A5 (zh)
Le Mens et al. The evaluative advantage of novel alternatives: An information-sampling account
CN113889209A (zh) 一种健康管理服务产品的推荐系统、存储介质
US11537888B2 (en) Systems and methods for predicting pain level
KR20200036168A (ko) 개인의 신체 리듬 맞춤형 작물 매칭 시스템
WO2019215263A1 (en) System and method for providing model-based predictions of quality of life implications of a treatment via individual-specific machine learning models
KR101274431B1 (ko) 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21902412

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21902412

Country of ref document: EP

Kind code of ref document: A1