CN112035567A - 一种数据处理方法、装置及计算机可读存储介质 - Google Patents
一种数据处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112035567A CN112035567A CN202010849838.3A CN202010849838A CN112035567A CN 112035567 A CN112035567 A CN 112035567A CN 202010849838 A CN202010849838 A CN 202010849838A CN 112035567 A CN112035567 A CN 112035567A
- Authority
- CN
- China
- Prior art keywords
- state
- user
- description data
- recommended
- classification
- 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.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 208000024891 symptom Diseases 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 201000006549 dyspepsia Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 206010000087 Abdominal pain upper Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000036528 appetite Effects 0.000 description 2
- 235000019789 appetite Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 206010019708 Hepatic steatosis Diseases 0.000 description 1
- 208000031361 Hiccup Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000010706 fatty liver disease Diseases 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- COCAUCFPFHUGAA-MGNBDDOMSA-N n-[3-[(1s,7s)-5-amino-4-thia-6-azabicyclo[5.1.0]oct-5-en-7-yl]-4-fluorophenyl]-5-chloropyridine-2-carboxamide Chemical compound C=1C=C(F)C([C@@]23N=C(SCC[C@@H]2C3)N)=CC=1NC(=O)C1=CC=C(Cl)C=N1 COCAUCFPFHUGAA-MGNBDDOMSA-N 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 231100000240 steatosis hepatitis Toxicity 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例提供了一种数据处理方法、装置及计算机可读存储介质,其中方法包括:显示导诊服务界面,导诊服务界面中设有状态输入区和会话展示区,状态输入区用于接收用户输入的状态描述数据,在导诊服务界面的会话展示区中展示用户的状态描述数据,然后输出与该状态描述数据相关的推荐状态集合,该推荐状态集合中包括至少一个推荐状态描述数据,从该推荐状态集合中选中至少一个推荐状态描述数据,并根据输入的状态描述数据和选中的至少一个推荐状态描述数据在导诊服务界面中显示状态分类结果,可以充分挖掘用户相关的状态数据,有效提升对用户的状态分类结果的准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据处理方法、装置及计算机可读存储介质。
背景技术
目前,对用户的状态进行分类评估时,通常是让用户输入自己的状态,然后平台可以提问与该状态有关的问题,让用户进一步回答,以期让用户提供更加丰富的状态描述信息,然后根据这些信息给出用户的分类评估结果。但在实际应用中发现,通过上述方式获取到的用户的状态数据仍然是不足的,难以充分挖掘用户的状态数据,对用户的状态数据处理时准确度较低,难以得出较为可信的分类评估结果。
发明内容
本发明实施例提供一种数据处理方法、装置及计算机可读存储介质,可以充分挖掘用户相关的状态数据,有效提升对用户的状态分类结果的准确度。
第一方面,本发明实施例提供了一种数据处理方法,所述方法包括:
显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据。
在所述导诊服务界面的会话展示区中展示所述状态描述数据。
输出与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据。
从所述推荐状态集合中选中至少一个推荐状态描述数据,并根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果。
第二方面,本发明实施例提供了一种数据处理装置,所述装置包括:
显示模块,用于显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据。
所述显示模块,还用于在所述导诊服务界面的会话展示区中展示所述状态描述数据。
所述显示模块,还用于输出与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据。
选中模块,用于从所述推荐状态集合中选中至少一个推荐状态描述数据。
处理模块,还用于根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果。
第三方面,本发明实施例提供了一种电子设备,所述电子设备包括处理器、显示装置、通信装置和存储装置,所述处理器、显示装置、通信装置和存储装置相互连接,其中,所述通信装置受所述处理器的控制用于收发数据,所述存储装置用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,用于执行第一方面所述的数据处理方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行,用以执行第一方面所述的数据处理方法。
第五方面,本发明实施公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述第一方面所述的数据处理方法。
本发明实施例中,可以显示一导诊服务界面,导诊服务界面中设有状态输入区和会话展示区,状态输入区用于接收用户输入的状态描述数据,在导诊服务界面的会话展示区中展示用户的状态描述数据,然后输出与该状态描述数据相关的推荐状态集合,该推荐状态集合中包括至少一个推荐状态描述数据,从该推荐状态集合中选中至少一个推荐状态描述数据,并根据输入的状态描述数据和选中的至少一个推荐状态描述数据在导诊服务界面中显示状态分类结果,可以充分挖掘用户相关的状态数据,有效提升对用户的状态分类结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的一种数据处理***的架构示意图;
图1b是本发明实施例提供的一种在线状态分类的作业流程示意图;
图1c是本发明实施例提供的一种导诊服务界面示意图;
图1d是本发明实施例提供的另一种导诊服务界面示意图;
图1e是本发明实施例提供的又一种导诊服务界面示意图;
图1f是本发明实施例提供的又一种导诊服务界面示意图;
图2是本发明实施例提供的一种数据处理方法的流程示意图;
图3a是本发明实施例提供的一种分类与状态的图网络的结构示意图;
图3b是本发明实施例提供的一种用户与状态的图网络的结构示意图;
图3c是本发明实施例提供的另一种用户与状态的图网络的结构示意图;
图4是本发明实施例提供的另一种数据处理方法的流程示意图;
图5是本发明实施例提供的一种对图网络进行卷积操作的示意图;
图6是本发明实施例提供的一种数据处理装置的结构示意图;
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
人工智能(Artificial Intelligence,AI)技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术,是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络***的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台***进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的***后盾支撑,只能通过云计算来实现。
其中,医疗云(Medical cloud),是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上,结合医疗技术,使用“云计算”来创建医疗健康服务云平台,实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合,医疗云提高医疗机构的效率,方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物,医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
针对目前难以充分挖掘用户的状态数据,对用户的状态数据处理时准确度较低,难以得出较为可信的分类评估结果的问题,本发明实施例提供了一种数据处理方法,可以充分挖掘用户相关的状态数据,引导用户提供更加精确的状态描述数据,有效提升对用户的状态分类结果的准确度。
GCN:图卷积神经网络(Graph Convolutional Neural Networks)是一种可以对图结构的数据进行特征提取的神经网络。这一类以图结构进行存储的数据包括知识图谱,社交网络,生物分子结构等。GCN通过直接在图数据上进行卷积操作,可以获得图中每个节点的嵌入表征,从而服务于节点分类、连接预测、图分类等任务。
EHR:医疗电子记录(Electronic Healthcare Record)是电子化的个人健康记录,包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录。
HIN:异构图信息网络(Heterogeneous Information Network)是包含多类节点或多类边的图网络。相比一般的同构图,HIN更适合建模包含复杂概念和关系的数据,如EHR数据。
请参见图1a,是本发明实施例提供的一种数据处理***的架构示意图,该数据处理***包括服务器10和用户终端20,其中:
服务器10可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。用户终端20可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载智能终端等,但并不局限于此。用户终端20以及服务器10可以通过有线或无线通信方式进行直接或间接地连接,本发明在此不做限制。
用户终端20,用于提供可视化的用户界面与用户进行交互,可以用于用户输入状态描述数据,并展示与用户输入的状态相关的推荐状态,以及输出状态分类结果。
服务器10,用于根据用户输入的状态快速给出相关的推荐状态,并通过用户终端20展示给用户,引导用户选择合适的推荐状态。还可以用于根据用户输入的状态以及从推荐状态中选中的状态确定用户的状态分类结果。
在一些可行的实施方式中,基于图1a提供的数据处理***,本发明还提供了一种在线状态分类的作业流程,如图1b所示,主要包括问答***(Q&A System)、状态检索***(GraphRet)和状态分类***(HealGCN),涉及前端交互、状态分类、确定状态分类结果三个部分,问答***可以运行在用户终端20上,状态检索***和状态分类***可以运行在服务器10上,或者,状态检索***和状态分类***也可以运行在用户终端20上,其中:
问答***(Q&A System)具体可以通过客户端、小程序、Web网页等形式展示给用户,例如导诊客户端、导诊助手、导诊小程序,用于提供可视化的用户界面(例如导诊服务界面)与用户进行交互。通过问答***的用户界面,用户可以输入状态,用户输入状态后,通过状态检索***获取相关的推荐状态,通过用户界面展示相关的推荐状态,以及输出状态分类***的状态分类结果。
状态检索***(GraphRet),用于根据用户输入的状态快速给出相关的推荐状态,并通过前端问答***展示给用户,引导用户选择合适的推荐状态。具体可以通过图卷积网络对分类与状态的图网络进行卷积操作,以提取图网络中相关的分类节点和状态节点的特征,从而得到与用户输入的状态相关的推荐状态。
状态分类***(HealGCN),用于根据用户输入的状态以及从推荐状态中选择的状态确定用户与各个分类的匹配概率,例如与分类1的匹配概率为60%,与分类2的匹配概率为20%,与分类3的匹配概率为10%等,进而确定状态分类结果。具体可以通过图卷积网络对用户与状态的图网络进行卷积操作,并引入具有相似状态的其他用户作为辅助信息,以得到当前用户在用户与状态的图网络中的特征,并根据当前用户的特征与各个分类的特征确定状态分类结果。
通过本发明实施例提供的数据处理***,可以使用用户提交的状态在对话中引导用户选择符合的推荐状态,以增加用于描述用户的状态数量,并提升状态描述的准确度,然后通过图卷积网络得到精准的状态分类结果。
以下对本发明实施例的技术方案的实现细节进行详细阐述:
请参见图2,是本发明实施例基于图1a所示的数据处理***提供的一种数据处理方法的流程示意图。该数据处理方法包括如下步骤:
201、显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据。
具体的,可以设置一导诊服务的功能选项,用于触发显示导诊服务界面,当接收到用户对该功能选项的触发信号时,显示一导诊服务界面。其中,该导诊服务界面中设有状态输入区10和会话展示区20,如图1c所示,状态输入区10用于接收用户输入的状态描述数据,会话展示区20可用于展示用户输入的状态描述数据,与导诊助手的交互消息等,例如对导诊助手的简介信息,以及提示用户输入状态的消息等。
当然,用户也可以通过语音、手势等方式触发显示该导诊服务界面。
在一些可行的实施方式中,状态描述数据可以包括用户的健康状态数据。
202、在所述导诊服务界面的会话展示区中展示所述状态描述数据。
203、输出与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据。
具体的,当接收到用户输入的状态描述数据后,可以在会话展示区中展示输入的状态描述数据,并且还可以输出与输入的状态描述数据相关的推荐状态集合,该推荐状态集合中包括至少一个推荐状态描述数据,用户可以从该推荐状态集合中选择与自己状态相符的推荐状态描述数据。如图1d所示,假设用户通过状态输入区输入的状态描述数据为状态1,则在会话展示区20显示状态1,并可以显示让用户选择其他状态的会话消息,以及输出与状态1相关的推荐状态集合30以及两个操作选项,操作选项包括以上都没有的选项31、确认的选项32,推荐状态集合30包括状态2、状态3、状态4、状态5、状态6、状态7,其中,状态2、状态3、状态4、状态5、状态6、状态7都是与状态1有一定相关性的状态,用户可以从状态2、状态3、状态4、状态5、状态6、状态7选择与自己状态相符的一个或者多个状态。
204、从所述推荐状态集合中选中至少一个推荐状态描述数据,并根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果。
具体的,可以获取用户对推荐状态描述数据的选择信号,根据该选择信号从推荐状态集合中选中至少一个推荐状态描述数据,再根据输入的状态描述数据和选中的至少一个推荐状态描述数据可以确定用户的状态分类结果,并在导诊服务界面中显示状态分类结果。如图1e所示,如果用户输入对状态3、状态6和状态7的选择信号,该选择信号可以点击/触摸、长按等信号,则可以确定从推荐状态集合中选中状态3、状态6和状态7,并将状态3、状态6和状态7标记为选中状态,可以通过加粗或者改变颜色等方式标记选中状态,在用户点击确认的选项32提交后,可以根据用户输入的状态描述数据(即状态1)和选中的至少一个推荐状态描述数据(即状态3、状态6和状态7)确定用户的状态分类结果,并在导诊服务界面中显示状态分类结果,如图1f所示,确定出用户的状态分类结果为分类1,则可以在导诊服务界面中显示状态分类结果40为分类1。
在一些可行的实施方式中,除了在导诊服务界面中显示状态分类结果,还可以在导诊服务界面中显示与状态分类结果相关联的操作入口,当操作入口被触发时,从导诊服务界面跳转至操作页面。除此之外,还可以在导诊服务界面中显示与状态分类结果相关的百科知识,例如状态分类结果的常见状态、导致原因等。如图1f所示,可以在导诊服务界面中显示一些建议信息,例如与状态分类结果相关联的多个操作入口50,包括操作入口1、操作入口2、操作入口3等,用户可以选择合适的操作入口,从而快速地从导诊服务界面跳转至对应的操作页面,便于用户对状态分类结果采取及时、科学的处理措施。另外,还可以在导诊服务界面中显示与分类1相关的百科知识,例如在显示状态分类结果的位置40显示分类1的常见状态(包括状态1、状态3、状态6、状态7、状态10、状态12等),以及导致的原因(包括睡眠不足,多度疲劳等)。
在一些可行的实施方式中,以上述状态具体是指用户的症状,上述分类(即状态分类结果)具体是指用户所患的疾病为例,通过导诊服务界面,用户可以输入有关自己或者他人的症状的描述信息,如用户输入“最近肚子不舒服,晚上经常拉肚子”,根据用户输入的该症状确定相关的多个推荐症状,该多个推荐症状可以包括口苦、胃胀、打嗝、呕吐、脂肪肝、食欲不振、易疲劳、胃疼,并通过该导诊服务界面展示给用户,用户可以结合实际情况选择合适的推荐症状,假设用户选择了胃胀、食欲不振、胃疼这三个推荐症状,在用户点击确认提交症状之后,根据用户输入的症状以及从推荐症状中选择的推荐症状即可确定所患的疾病,假设为消化不良,则可以在导诊服务界面中显示状态分类结果为消化不良,还可以在导诊服务界面中显示相关的百科介绍,消化不良的典型症状/导致的原因,以及相关的操作入口(如推荐科室)等。
本发明实施例中,可以显示一导诊服务界面,导诊服务界面中设有状态输入区和会话展示区,状态输入区用于接收用户输入的状态描述数据,在导诊服务界面的会话展示区中展示用户的状态描述数据,然后输出与该状态描述数据相关的推荐状态集合,该推荐状态集合中包括至少一个推荐状态描述数据,从该推荐状态集合中选中至少一个推荐状态描述数据,并根据输入的状态描述数据和选中的至少一个推荐状态描述数据在导诊服务界面中显示状态分类结果,可以充分挖掘用户相关的状态数据,有效提升对用户的状态分类结果的准确度。
请参见图4,是本发明实施例基于图1a所示的数据处理***提供的另一种数据处理方法的流程示意图。该数据处理方法包括如下步骤:
401、显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据。
402、在所述导诊服务界面的会话展示区中展示所述状态描述数据。
其中,步骤401-402的具体实现可以参见前述实施例中步骤201-202的相关描述,此处不再赘述。
403、获取第一图网络中与输入的所述状态描述数据对应的状态节点相连接的至少一个类型节点,所述第一图网络包括建立连接关系的多个类型节点和多个状态节点。
404、获取与所述至少一个类型节点连接的多个状态节点,获取所述多个状态节点各自对应的状态与输入的所述状态描述数据之间的相似度,并根据所述相似度从所述多个状态节点对应的多个状态中确定与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据。
其中,该推荐状态集合是利用状态检索模型和第一图网络对输入的状态描述数据进行处理后得到的,第一图网络是描述类型与状态之间的对应关系的异构图信息网络,第一图网络包括多个类型节点和多个状态节点,有关联的类型节点和状态节点在第一图网络中通过边建立连接关系。
具体的,可以获取第一图网络中与输入的状态描述数据对应的状态节点相连接的至少一个类型节点,再获取与该至少一个类型节点连接的多个状态节点,获取该多个状态节点各自对应的状态与输入的状态描述数据之间的相似度,从而根据相似度从该多个状态节点对应的多个状态中确定出推荐状态集合,例如,可以将相似度排在靠前(如前5位)的多个状态添加到推荐状态集合中。
在一些可行的实施方式中,状态的特征信息具体可以是用于表示对应的状态节点在图网络中的位置以及与其他节点的连接关系的特征向量。获取状态与状态之间的相似度的具体实现方式可以是:获取该多个状态节点各自对应的状态的特征信息和输入的状态描述数据的特征信息,然后根据各自对应的状态的特征信息和输入的状态描述数据的特征信息确定各自对应的状态与输入的状态描述数据之间的相似度,也就是计算两个特征向量之间的相似度,例如可以用两个特征向量之间的距离表示二者之间的相似度。
在一些可行的实施方式中,除了状态与状态之间的相似度,在确定推荐状态时还可以结合相关分类对输入的状态描述数据的重要程度,重要程度可以通过权重得分来评价,则可以获取该至少一个类型节点中每个类型节点对应的分类的特征信息和输入的状态描述数据的特征信息,根据每个类型节点对应的分类的特征信息和输入的状态描述数据的特征信息确定每个类型节点对应的分类的权重得分,然后根据相似度和权重得分从该多个状态节点对应的状态中确定推荐状态集合,例如,可以是权重得分较高的分类,从该分类对应的状态中选择较多的状态作为推荐状态;而权重得分较低的分类,则从该分类对应的状态中选择较少的状态作为推荐状态。
405、输出所述推荐状态集合。
406、从所述推荐状态集合中选中至少一个推荐状态描述数据,并利用状态分类模型和第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理,以获取所述用户的特征信息,所述第二图网络包括建立连接关系的多个用户节点和所述多个状态节点。
其中,用户的特征信息具体可以是用于表示对应的用户节点在图网络中的位置以及与其他节点的连接关系的特征向量。
具体的,可以通过导诊服务界面输出推荐状态集合,在获取用户对推荐状态集合包括的各个推荐状态描述数据的选择信号之后,根据该选择信号从推荐状态集合中选中至少一个推荐状态描述数据,再利用状态分类模型和第二图网络对输入的状态描述数据和选中的至少一个推荐状态描述数据进行处理,以获取用户的特征信息。
在一些可行的实施方式中,可以获取多个用户的医疗电子记录(即EHR),从医疗电子记录中获取每个用户的状态和分类,然后根据每个用户、每个用户的状态和分类构建第一图网络和第二图网络,具体是根据每个用户的分类和状态构建第一图网络,可以将用户的分类映射成第一图网络中的节点(即类型节点),将用户的状态映射成第一图网络中的节点(即状态节点),有关联的类型节点和状态节点在第一图网络中通过边建立连接关系。根据每个用户和每个用户的状态构建第二图网络,可以将用户映射成第二图网络中的节点(即用户节点),将状态映射成第二图网络中的节点(即状态节点),有关联的用户节点和状态节点在第二图网络中通过边建立连接关系;
其中,第一图网络是描述分类与状态之间的对应关系的异构图信息网络,第一图网络可以如图3a所示,包括多个类型节点(记为d)和多个状态节点(记为s),类型节点包括d1、d2、d3等,状态节点包括s1、s2、s3、s4等,类型节点与状态节点之间建立有连接关系,用于表示每个分类对应的状态,图3a中,类型节点d1与状态节点s1、s2连接,表示类型节点d1对应的分类具有的状态包括s1、s2,其他类型节点同理,从而通过图结构数据的形式来表示分类与状态之间的关联关系,以便于图卷积网络进行数据处理。
其中,第二图网络是描述用户与状态之间的对应关系的异构图信息网络,第二图网络可以如图3b所示,包括多个用户节点(记为u)和多个状态节点(记为s),用户节点包括u1、u2等,状态节点包括s1、s2、s3、s4、s5等,用户节点与状态节点之间建立有连接关系,用于表示每个用户对应的状态,图3b中,用户节点u1与状态节点s1、s2、s4连接,表示用户u1具有的状态包括s1、s2、s4,其他用户节点同理,从而通过图结构数据的形式来表示用户与状态之间的关联关系,以便于图卷积网络进行数据处理。
需要说明的是,图3a、3b中包括的各类型的节点数量仅仅是示意性的,本发明在此不做限制。
在一些可行的实施方式中,利用状态分类模型和第二图网络对输入的状态描述数据和选中的至少一个推荐状态描述数据进行处理,以获取所述用户的特征信息的具体实现方式可以为:获取第二图网络中与输入的状态描述数据和选中的至少一个推荐状态描述数据对应的状态节点连接的用户节点,获取第二图网络中与该用户节点连接的各个状态节点,利用状态分类模型中的图卷积神经网络将各个状态节点对应的状态的特征信息向该用户聚合,以得到该用户的特征信息。
具体的,可以根据输入的状态描述数据和选中的至少一个推荐状态描述数据将该用户映射到第二图网络中,然后根据第二图网络包括的多个用户节点和多个状态节点来获取该用户的特征信息,即对应映射的用户节点在第二图网络中的位置以及与其他用户节点以及状态节点的连接关系的特征向量,可以学习到具有相似状态的其他用户的状态,从而实现对用户相关的状态数据的充分、深度挖掘。
以图3b为例,如果该用户输入的状态描述数据和选中的至少一个推荐状态描述数据一共包括两个状态,为状态s1和状态s2。假设可以将该用户映射到第二图网络中,则对应用户节点u*,如图3c所示,用户节点u*与状态节点s1、s2(一阶邻居节点)连接,与状态节点s1、s2存在连接的用户节点还包括u1、u2(二阶邻居节点),并可以获取用户节点u1、u2连接的其他状态节点(三阶邻居节点),包括用户节点u1连接的状态节点s4,以及用户节点u2连接的状态节点s3、s5,然后可以将状态节点s4、s3、s5、s1、s2对应的状态的特征信息向用户节点u*聚合,以得到该用户在第二图网络中对应具备的特征信息。具体可以利用图卷积神经网络将状态节点s4对应的状态的特征信息向用户节点u1传递,用户节点u1对应的用户的特征信息通过状态节点s1、s2向用户节点u*传递,将状态节点s3、s5对应的状态的特征信息向用户节点u2传递,用户节点u2对应的用户的特征信息通过状态节点s2向用户节点u*传递,从而实现了相关的状态节点以及用户节点的特征信息向用户节点u*聚合,从而得到该用户的特征信息。
其中,利用图卷积神经网络由状态到用户的传递过程可以为:
其中,利用图卷积神经网络由用户到状态的传递过程可以为:
在上述两式中,N(u)代表与用户节点u相连的状态节点集合;N(s)代表与状态节点s相连的用户节点集合;W_1和W_2是图卷积神经网络模型的参数矩阵;phi代表激活函数。
407、利用所述状态分类模型和第一图网络对所述用户的特征信息进行处理,以确定所述用户的状态分类结果。
408、在所述导诊服务界面中显示所述状态分类结果。
具体的,可以获取第一图网络包括的类型节点对应的多个分类中每个分类的特征信息,分类的特征信息具体可以是用于表示对应的类型节点在图网络中的位置以及与其他节点的连接关系的特征向量,然后利用状态分类模型对用户的特征信息和每个分类的特征信息进行处理,以得到用户的状态分类结果,并在导诊服务界面中显示状态分类结果。
在一些可行的实施方式中,可以参考上述过程获取每个分类的特征信息。具体的,可以针对多个分类中的任一分类,获取第一图网络中与该任一分类对应的类型节点连接的状态节点,然后利用图卷积神经网络将连接的状态节点对应的状态的特征信息向该任一分类聚合,从而得到该任一分类的特征信息。
以图3a为例,对于类型节点d2,与类型节点d2连接的状态节点包括s1、s2、s3、s4,这些是一阶邻居节点,还可以获取其二阶邻居节点,即类型节点d1、d3,并利用图卷积神经网络将状态节点s1、s2、s3、s4的特征信息以及类型节点d1、d3的特征信息向类型节点d2聚合,从而得到类型节点d2对应的分类的特征信息。
其中,利用图卷积神经网络由状态到分类的传递过程可以为:
在上述公式中,N(d)代表与类型节点d相连的状态节点集合;W_1和W_2是图卷积神经网络模型的参数矩阵;phi代表激活函数。利用图卷积神经网络由分类到状态的传递过程与上式相似。
在一些可行的实施方式中,对图网络进行卷积操作具体可以如图5所示,卷积操作分别在用户-状态图58(User-Symptom Graph,即上述第二图网络)和分类-状态图59(Disease-Symptom Graph,即上述第一图网络)上进行。其中,在用户-状态图58上共进行三层卷积(一阶邻居节点、二阶邻居节点、三阶邻居节点)从而输出层54可以得到用户的特征信息,具体是在第三层51对作为三阶邻居节点的状态向用户卷积,在第二层52对作为二阶邻居节点的用户向状态卷积,在第一层53对作为一阶邻居节点的状态向当前用户卷积;在分类-状态图59上进行两层卷积(一阶邻居节点、二阶邻居节点)从而输出层57可以得到分类的特征信息,具体是在第二层55对作为二阶邻居节点的分类向状态卷积,在第一层56对作为一阶邻居节点的状态向分类卷积。
在一些可行的实施方式中,利用状态分类模型对用户的特征信息和每个分类的特征信息进行处理,以得到用户的状态分类结果的具体实现方式可以为:将用户的特征信息和每个分类的特征信息输入状态分类模型,以得到用户与每个分类的匹配概率,再根据匹配概率从所述多个分类中确定目标分类,从而将目标分类作为用户的状态分类结果,可见,将对用户状态的分类问题转换为预测用户对应的用户节点与各个类型节点相连的概率。
其中,该用户对应的用户节点与各个类型节点相连的概率可以通过得分score()表示,score越大说明用户u与分类d的匹配概率越大,得分score()的计算可以如下:
其中,score()即为两个特征信息之间的相似度,qu表示用户的特征信息,qd表示分类的特征信息。
在一些可行的实施方式中,在输出状态分类结果之前,可以先对状态分类结果的置信度进行检验,如果得到的该用户与每个分类的匹配概率较为接近,差别不大,则认为此时的状态分类结果的置信度较低,不可信,可以再根据输入的状态描述数据和选中的至少一个推荐状态描述数据确定推荐状态集合供用户选择,并重新确定状态分类结果,直到重复次数达到预设次数阈值(例如3次)或者能够得到高置信度的状态分类结果,则通过导诊服务界面输出状态分类结果,从而保证输出较为准确的状态分类结果。
在一些可行的实施方式中,可以利用初始模型中的图卷积神经网络获取第二图网络中每个用户节点对应的用户的特征信息,利用图卷积神经网络获取第一图网络中每个类型节点对应的分类的特征信息,然后根据每个用户节点对应的用户的特征信息和每个类型节点对应的分类的特征信息对初始模型进行训练,以得到状态分类模型。其中,该状态分类模型的目标函数(或者说损失函数)可以为:
其中qd+代表用户真实分类的特征信息;qd-代表随机选择的与用户不匹配的分类的特征信息;lambda项代表对状态分类模型复杂度的惩罚;sigma是sigmoid函数;通过优化此目标函数,状态分类模型能够根据用户的特征信息判断最可能与其连接的类型节点,从而完成对用户的状态分类。
本发明实施例中,可以显示一导诊服务界面,导诊服务界面中设有状态输入区和会话展示区,状态输入区用于接收用户输入的状态描述数据,在导诊服务界面的会话展示区中展示用户的状态描述数据,获取与至少一个类型节点连接的多个状态节点,获取多个状态节点各自对应的状态与输入的状态描述数据之间的相似度,并根据相似度从多个状态节点对应的多个状态中确定与状态描述数据相关的推荐状态集合,输出推荐状态集合,从推荐状态集合中选中至少一个推荐状态描述数据,并利用状态分类模型和第二图网络对输入的状态描述数据和选中的至少一个推荐状态描述数据进行处理,以获取用户的特征信息,再利用状态分类模型和第一图网络对用户的特征信息进行处理,以确定用户的状态分类结果,并在导诊服务界面中显示状态分类结果,可见,不仅可以利用图网络确定出与用户输入的状态较为匹配和相似的推荐状态,实现对用户相关的状态数据的充分挖掘,而且可以有效提升对用户的状态数据处理时的准确度,得出较为可信的状态分类结果。
请参见图6,是本发明实施例的一种数据处理装置的结构示意图。所述装置包括:
显示模块601,用于显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据。
所述显示模块601,还用于在所述导诊服务界面的会话展示区中展示所述状态描述数据。
所述显示模块601,还用于输出与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据。
选中模块602,用于从所述推荐状态集合中选中至少一个推荐状态描述数据。
处理模块603,用于根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果。
可选的,所述显示模块601,还用于:
在所述导诊服务界面中显示与所述状态分类结果相关联的操作入口。
当所述操作入口被触发时,从所述导诊服务界面跳转至操作页面。
可选的,所述状态分类结果是利用状态分类模型、第一图网络和第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理后得到的,所述推荐状态集合是利用状态检索模型和所述第一图网络对输入的所述状态描述数据进行处理后得到的,所述第一图网络包括建立连接关系的多个类型节点和多个状态节点,所述第二图网络包括建立连接关系的多个用户节点和所述多个状态节点。
可选的,所述处理模块603,具体用于:
利用所述状态分类模型和所述第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理,以获取所述用户的特征信息。
利用所述状态分类模型和所述第一图网络对所述用户的特征信息进行处理,以确定所述用户的状态分类结果。
在所述导诊服务界面中显示所述状态分类结果。
可选的,所述处理模块603,具体用于:
获取所述第一图网络包括的类型节点对应的多个分类中每个分类的特征信息。
利用所述状态分类模型对所述用户的特征信息和所述每个分类的特征信息进行处理,以得到所述用户的状态分类结果。
可选的,所述处理模块603,具体用于:
将所述用户的特征信息和所述每个分类的特征信息输入所述状态分类模型,以得到所述用户与所述每个分类的匹配概率。
根据所述匹配概率从所述多个分类中确定目标分类。
将所述目标分类作为所述用户的状态分类结果。
可选的,所述处理模块603,具体用于:
获取所述第二图网络中与输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据对应的状态节点连接的用户节点。
获取所述第二图网络中与所述用户节点连接的各个状态节点。
利用所述状态分类模型中的图卷积神经网络将所述各个状态节点对应的状态的特征信息向所述用户聚合,以得到所述用户的特征信息。
可选的,所述装置还包括获取模块604,其中:
所述获取模块604,用于获取所述第一图网络中与输入的所述状态描述数据对应的状态节点相连接的至少一个类型节点。
所述获取模块604,还用于获取与所述至少一个类型节点连接的多个状态节点。
所述获取模块604,还用于获取所述多个状态节点各自对应的状态与输入的所述状态描述数据之间的相似度。
所述处理模块603,还用于根据所述相似度从所述多个状态节点对应的多个状态中确定所述推荐状态集合。
可选的,所述获取模块604,具体用于:
获取所述多个状态节点各自对应的状态的特征信息和输入的所述状态描述数据的特征信息。
根据所述各自对应的状态的特征信息和输入的所述状态描述数据的特征信息确定所述各自对应的状态与输入的所述状态描述数据之间的相似度。
可选的,所述获取模块604,还用于利用初始模型中的图卷积神经网络获取所述第二图网络中每个用户节点对应的用户的特征信息。
所述获取模块604,还用于利用所述图卷积神经网络获取所述第一图网络中每个类型节点对应的分类的特征信息。
所述获取模块604,还用于根据所述每个用户节点对应的用户的特征信息和所述每个类型节点对应的分类的特征信息对所述初始模型进行训练,以得到所述状态分类模型。
可选的,所述获取模块604,具体用于:
针对所述第一图网络中的任一类型节点,获取所述第一图网络中与所述任一类型节点连接的状态节点。
获取所述第一图网络中与所述状态节点连接的各个类型节点。
利用所述图卷积神经网络将所述各个类型节点对应的分类的特征信息向所述任一类型节点聚合,以得到所述任一类型节点对应的分类的特征信息。
可选的,所述获取模块604,还用于获取多个用户的医疗电子记录,并从所述医疗电子记录中获取所述多个用户中每个用户的状态和分类。
所述处理模块603,还用于根据所述每个用户、所述每个用户的状态和分类构建所述第一图网络和所述第二图网络。
可选的,所述状态描述数据包括健康状态数据。
需要说明的是,本发明实施例的数据处理装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
请参见图7,是本发明实施例的一种电子设备的结构示意图,本发明实施例的所述电子设备包括供电模块等结构,并包括处理器701、存储装置702、显示装置703以及通信装置704。所述处理器701、存储装置702、显示装置703以及通信装置704之间可以交互数据。
所述存储装置702可以包括易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储装置702也可以包括非易失性存储器(non-volatilememory),例如快闪存储器(flash memory),固态硬盘(solid-state drive,SSD)等;所述存储装置702还可以包括上述种类的存储器的组合。
所述处理器701可以是中央处理器701(central processing unit,CPU)。在一个实施例中,所述处理器701还可以是图形处理器701(Graphics Processing Unit,GPU)。所述处理器701也可以是由CPU和GPU的组合。在一个实施例中,所述存储装置702用于存储程序指令。所述处理器701可以调用所述程序指令,执行如下操作:
通过显示装置703显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据。
通过显示装置703在所述导诊服务界面的会话展示区中展示所述状态描述数据。
通过显示装置703输出与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据。
从所述推荐状态集合中选中至少一个推荐状态描述数据。
根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果。
可选的,所述处理器701,还用于:
通过显示装置703在所述导诊服务界面中显示与所述状态分类结果相关联的操作入口。
当所述操作入口被触发时,从所述导诊服务界面跳转至操作页面。
可选的,所述状态分类结果是利用状态分类模型、第一图网络和第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理后得到的,所述推荐状态集合是利用状态检索模型和所述第一图网络对输入的所述状态描述数据进行处理后得到的,所述第一图网络包括建立连接关系的多个类型节点和多个状态节点,所述第二图网络包括建立连接关系的多个用户节点和所述多个状态节点。
可选的,所述处理器701,具体用于:
利用所述状态分类模型和所述第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理,以获取所述用户的特征信息。
利用所述状态分类模型和所述第一图网络对所述用户的特征信息进行处理,以确定所述用户的状态分类结果。
在所述导诊服务界面中显示所述状态分类结果。
可选的,所述处理器701,具体用于:
获取所述第一图网络包括的类型节点对应的多个分类中每个分类的特征信息。
利用所述状态分类模型对所述用户的特征信息和所述每个分类的特征信息进行处理,以得到所述用户的状态分类结果。
可选的,所述处理器701,具体用于:
将所述用户的特征信息和所述每个分类的特征信息输入所述状态分类模型,以得到所述用户与所述每个分类的匹配概率。
根据所述匹配概率从所述多个分类中确定目标分类。
将所述目标分类作为所述用户的状态分类结果。
可选的,所述处理器701,具体用于:
获取所述第二图网络中与输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据对应的状态节点连接的用户节点。
获取所述第二图网络中与所述用户节点连接的各个状态节点。
利用所述状态分类模型中的图卷积神经网络将所述各个状态节点对应的状态的特征信息向所述用户聚合,以得到所述用户的特征信息。
可选的,所述处理器701,还用于获取所述第一图网络中与输入的所述状态描述数据对应的状态节点相连接的至少一个类型节点。
所述处理器701,还用于获取与所述至少一个类型节点连接的多个状态节点。
所述处理器701,还用于获取所述多个状态节点各自对应的状态与输入的所述状态描述数据之间的相似度。
所述处理器701,还用于根据所述相似度从所述多个状态节点对应的多个状态中确定所述推荐状态集合。
可选的,所述处理器701,具体用于:
获取所述多个状态节点各自对应的状态的特征信息和输入的所述状态描述数据的特征信息。
根据所述各自对应的状态的特征信息和输入的所述状态描述数据的特征信息确定所述各自对应的状态与输入的所述状态描述数据之间的相似度。
可选的,所述处理器701,还用于利用初始模型中的图卷积神经网络获取所述第二图网络中每个用户节点对应的用户的特征信息。
所述处理器701,还用于利用所述图卷积神经网络获取所述第一图网络中每个类型节点对应的分类的特征信息。
所述处理器701,还用于根据所述每个用户节点对应的用户的特征信息和所述每个类型节点对应的分类的特征信息对所述初始模型进行训练,以得到所述状态分类模型。
可选的,所述处理器701,具体用于:
针对所述第一图网络中的任一类型节点,获取所述第一图网络中与所述任一类型节点连接的状态节点。
获取所述第一图网络中与所述状态节点连接的各个类型节点。
利用所述图卷积神经网络将所述各个类型节点对应的分类的特征信息向所述任一类型节点聚合,以得到所述任一类型节点对应的分类的特征信息。
可选的,所述处理器701,还用于获取多个用户的医疗电子记录,并从所述医疗电子记录中获取所述多个用户中每个用户的状态和分类。
所述处理器701,还用于根据所述每个用户、所述每个用户的状态和分类构建所述第一图网络和所述第二图网络。
可选的,所述状态描述数据包括健康状态数据。
具体实现中,本发明实施例中所描述的处理器701、存储装置702、显示装置703以及通信装置704可执行本发明实施例图2或图4提供的一种数据处理方法的相关实施例中所描述的实现方式,也可执行本发明实施例图6提供的一种数据处理装置的相关实施例中所描述的实现方式,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序包括一条或一条以上指令,可存储于一计算机存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法的实施例中所执行的步骤。
以上所揭露的仅为本申请部分实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (15)
1.一种数据处理方法,其特征在于,所述方法包括:
显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据;
在所述导诊服务界面的会话展示区中展示所述状态描述数据;
输出与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据;
从所述推荐状态集合中选中至少一个推荐状态描述数据,并根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述导诊服务界面中显示与所述状态分类结果相关联的操作入口;
当所述操作入口被触发时,从所述导诊服务界面跳转至操作页面。
3.根据权利要求1或2所述的方法,其特征在于,所述状态分类结果是利用状态分类模型、第一图网络和第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理后得到的,所述推荐状态集合是利用状态检索模型和所述第一图网络对输入的所述状态描述数据进行处理后得到的,所述第一图网络包括建立连接关系的多个类型节点和多个状态节点,所述第二图网络包括建立连接关系的多个用户节点和所述多个状态节点。
4.根据权利要求3所述的方法,其特征在于,所述根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果,包括:
利用所述状态分类模型和所述第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理,以获取所述用户的特征信息;
利用所述状态分类模型和所述第一图网络对所述用户的特征信息进行处理,以确定所述用户的状态分类结果;
在所述导诊服务界面中显示所述状态分类结果。
5.根据权利要求4所述的方法,其特征在于,所述利用所述状态分类模型和所述第一图网络对所述用户的特征信息进行处理,以确定所述用户的状态分类结果,包括:
获取所述第一图网络包括的类型节点对应的多个分类中每个分类的特征信息;
利用所述状态分类模型对所述用户的特征信息和所述每个分类的特征信息进行处理,以得到所述用户的状态分类结果。
6.根据权利要求5所述的方法,其特征在于,所述利用所述状态分类模型对所述用户的特征信息和所述每个分类的特征信息进行处理,以得到所述用户的状态分类结果,包括:
将所述用户的特征信息和所述每个分类的特征信息输入所述状态分类模型,以得到所述用户与所述每个分类的匹配概率;
根据所述匹配概率从所述多个分类中确定目标分类;
将所述目标分类作为所述用户的状态分类结果。
7.根据权利要求4所述的方法,其特征在于,所述利用所述状态分类模型和所述第二图网络对输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据进行处理,以获取所述用户的特征信息,包括:
获取所述第二图网络中与输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据对应的状态节点连接的用户节点;
获取所述第二图网络中与所述用户节点连接的各个状态节点;
利用所述状态分类模型中的图卷积神经网络将所述各个状态节点对应的状态的特征信息向所述用户聚合,以得到所述用户的特征信息。
8.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述第一图网络中与输入的所述状态描述数据对应的状态节点相连接的至少一个类型节点;
获取与所述至少一个类型节点连接的多个状态节点;
获取所述多个状态节点各自对应的状态与输入的所述状态描述数据之间的相似度;
根据所述相似度从所述多个状态节点对应的多个状态中确定所述推荐状态集合。
9.根据权利要求8所述的方法,其特征在于,所述获取所述多个状态节点各自对应的状态与输入的所述状态描述数据之间的相似度,包括:
获取所述多个状态节点各自对应的状态的特征信息和输入的所述状态描述数据的特征信息;
根据所述各自对应的状态的特征信息和输入的所述状态描述数据的特征信息确定所述各自对应的状态与输入的所述状态描述数据之间的相似度。
10.根据权利要求3所述的方法,其特征在于,所述方法还包括:
利用初始模型中的图卷积神经网络获取所述第二图网络中每个用户节点对应的用户的特征信息;
利用所述图卷积神经网络获取所述第一图网络中每个类型节点对应的分类的特征信息;
根据所述每个用户节点对应的用户的特征信息和所述每个类型节点对应的分类的特征信息对所述初始模型进行训练,以得到所述状态分类模型。
11.根据权利要求10所述的方法,其特征在于,所述利用所述图卷积神经网络获取所述第一图网络中每个类型节点对应的分类的特征信息,包括:
针对所述第一图网络中的任一类型节点,获取所述第一图网络中与所述任一类型节点连接的状态节点;
获取所述第一图网络中与所述状态节点连接的各个类型节点;
利用所述图卷积神经网络将所述各个类型节点对应的分类的特征信息向所述任一类型节点聚合,以得到所述任一类型节点对应的分类的特征信息。
12.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取多个用户的医疗电子记录;
从所述医疗电子记录中获取所述多个用户中每个用户的状态和分类;
根据所述每个用户、所述每个用户的状态和分类构建所述第一图网络和所述第二图网络。
13.根据权利要求1所述的方法,其特征在于,所述状态描述数据包括健康状态数据。
14.一种数据处理装置,其特征在于,所述装置包括:
显示模块,用于显示导诊服务界面,所述导诊服务界面中设有状态输入区和会话展示区,所述状态输入区用于接收用户输入的状态描述数据;
所述显示模块,还用于在所述导诊服务界面的会话展示区中展示所述状态描述数据;
所述显示模块,还用于输出与所述状态描述数据相关的推荐状态集合,所述推荐状态集合中包括至少一个推荐状态描述数据;
选中模块,用于从所述推荐状态集合中选中至少一个推荐状态描述数据;
处理模块,还用于根据输入的所述状态描述数据和选中的所述至少一个推荐状态描述数据在所述导诊服务界面中显示状态分类结果。
15.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行,用以执行如权利要求1~13中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849838.3A CN112035567B (zh) | 2020-08-21 | 2020-08-21 | 一种数据处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010849838.3A CN112035567B (zh) | 2020-08-21 | 2020-08-21 | 一种数据处理方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112035567A true CN112035567A (zh) | 2020-12-04 |
CN112035567B CN112035567B (zh) | 2023-12-12 |
Family
ID=73580389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010849838.3A Active CN112035567B (zh) | 2020-08-21 | 2020-08-21 | 一种数据处理方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035567B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010772A (zh) * | 2021-02-22 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、相关设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1423789A (zh) * | 2000-02-14 | 2003-06-11 | 第一咨询公司 | 自动诊断***和方法 |
US20180308473A1 (en) * | 2015-09-02 | 2018-10-25 | True Image Interactive, Inc. | Intelligent virtual assistant systems and related methods |
CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 智能问诊方法、***、计算机设备和存储介质 |
CN110033851A (zh) * | 2019-04-02 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、存储介质及服务器 |
CN111180081A (zh) * | 2019-12-30 | 2020-05-19 | 众安信息技术服务有限公司 | 一种智能问诊方法及装置 |
CN113221570A (zh) * | 2021-05-31 | 2021-08-06 | 康键信息技术(深圳)有限公司 | 基于线上问诊信息的处理方法、装置、设备及存储介质 |
CN116913494A (zh) * | 2023-07-26 | 2023-10-20 | 云知声智能科技股份有限公司 | 一种医院复诊病人的预问诊方法及*** |
-
2020
- 2020-08-21 CN CN202010849838.3A patent/CN112035567B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1423789A (zh) * | 2000-02-14 | 2003-06-11 | 第一咨询公司 | 自动诊断***和方法 |
US20180308473A1 (en) * | 2015-09-02 | 2018-10-25 | True Image Interactive, Inc. | Intelligent virtual assistant systems and related methods |
CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术(北京)有限公司 | 智能问诊方法、***、计算机设备和存储介质 |
CN110033851A (zh) * | 2019-04-02 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、存储介质及服务器 |
CN111180081A (zh) * | 2019-12-30 | 2020-05-19 | 众安信息技术服务有限公司 | 一种智能问诊方法及装置 |
CN113221570A (zh) * | 2021-05-31 | 2021-08-06 | 康键信息技术(深圳)有限公司 | 基于线上问诊信息的处理方法、装置、设备及存储介质 |
CN116913494A (zh) * | 2023-07-26 | 2023-10-20 | 云知声智能科技股份有限公司 | 一种医院复诊病人的预问诊方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010772A (zh) * | 2021-02-22 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、相关设备及计算机可读存储介质 |
CN113010772B (zh) * | 2021-02-22 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、相关设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112035567B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yue et al. | An overview of recommendation techniques and their applications in healthcare | |
CN110516161B (zh) | 一种推荐方法及装置 | |
US20190303768A1 (en) | Community Question Answering-Based Article Recommendation Method, System, and User Device | |
Shah et al. | Mining patient opinion to evaluate the service quality in healthcare: a deep-learning approach | |
CN111666477B (zh) | 一种数据处理方法、装置、智能设备及介质 | |
WO2021162839A1 (en) | Graph enhanced attention network for explainable poi recommendation | |
US20120245952A1 (en) | Crowdsourcing medical expertise | |
CN112100406B (zh) | 数据处理方法、装置、设备以及介质 | |
CN110737730B (zh) | 基于无监督学习的用户分类方法、装置、设备及存储介质 | |
CN112201359A (zh) | 基于人工智能的重症问诊数据识别方法及装置 | |
CN113673244B (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
JP7157239B2 (ja) | 感情認識機械を定義するための方法及びシステム | |
CN110147498A (zh) | 一种知识推送方法、装置及存储设备、程序产品 | |
Yan et al. | Online doctor recommendation with convolutional neural network and sparse inputs | |
CN112000788A (zh) | 一种数据处理方法、装置以及计算机可读存储介质 | |
CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
CN117786086A (zh) | 答复文本生成方法、装置、计算机设备和可读存储介质 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
WO2024067779A1 (zh) | 一种数据处理方法及相关装置 | |
CN113707323A (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
CN112035567B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN117557331A (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
CN116910201A (zh) | 一种对话数据生成方法及其相关设备 | |
Buonamente et al. | Discriminating and simulating actions with the associative self-organising map | |
CN113742561B (zh) | 视频推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40035729 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |