CN113345553B - 一种基于分布式特征的交互方法、***、设备和介质 - Google Patents
一种基于分布式特征的交互方法、***、设备和介质 Download PDFInfo
- Publication number
- CN113345553B CN113345553B CN202110899326.2A CN202110899326A CN113345553B CN 113345553 B CN113345553 B CN 113345553B CN 202110899326 A CN202110899326 A CN 202110899326A CN 113345553 B CN113345553 B CN 113345553B
- Authority
- CN
- China
- Prior art keywords
- feature
- information
- characteristic
- features
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physical Education & Sports Medicine (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Nutrition Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于分布式特征的交互方法、***、设备和介质,包括:将多个目标对象的个体特征按照特征类别分别存入对应类别的特征库中,并将目标对象的身份信息作为各特征库中对应特征的唯一标识;根据请求方的请求信息,获取匹配的一个或多个特征库,并从匹配的特征库中获取所述请求信息对应的特征序列;其中,请求方信息包括:身份信息和请求描述信息;设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标;将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,并输出未达标特征对应的推送信息;本发明有利于增强用户体验,提高推送信息的准确性。
Description
技术领域
本发明涉及信息交互处理领域,尤其涉及一种基于分布式特征的交互方法、***、设备和介质。
背景技术
随着生活品质的提高,对健康状况的关注及需求也越来越高。而个人健康状况跟饮食及运动***台的主动推送,缺乏与用户的交互,难以实现个性化的健康信息服务。且通常针对用户特征进行单独管理,在进行特定特征的分析时,需要针对个体数据进行多次筛选计算,处理效率低,实用性差。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种基于分布式特征的交互方法、***、设备和介质,主要解决现有技术难以针对细化特征进行个性化交互,难以满足不同用户需求,且处理效率低的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种基于分布式特征的交互方法,包括:
将多个目标对象的个体特征按照特征类别分别存入对应类别的特征库中,并将目标对象的身份信息作为各特征库中对应特征的唯一标识;其中,个体特征包括:身体特征、运动特征以及饮食特征;
根据请求方的请求信息,获取匹配的一个或多个特征库,并从匹配的特征库中获取所述请求信息对应的特征序列;其中,请求方信息包括:身份信息和请求描述信息;
设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标;将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,并输出未达标特征对应的推送信息。
可选地,根据请求方的请求信息,获取匹配的一个或多个特征库,包括:
将所述请求信息中包含的身份信息与各特征库包含的身份信息进行比对,获取与身份信息匹配的一个或多个特征库。
可选地,从匹配的特征库中获取所述请求信息对应的特征序列,包括:
从所述请求描述信息中获取关键描述特征,将所述关键描述特征输入预训练的识别模型,获取所述关键特征关联的一个或多个特征类别;
根据所述特征类别从所述匹配的特征库中获取预设时间内的特征,组成请求信息对应的特征序列。
可选地,预训练的识别模型,包括:
采集各类关键描述特征,并标注所述关键描述特征与各特征库类别的关联关系,得到训练样本集;
将所述训练样本集输入神经网络,经过多次训练得到所述识别模型。
可选地,设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标,包括:
预设各类别特征库对应的特征指标,构建标准特征库;
根据所述请求描述信息获取关联的一个或多个特征类别,并根据所述特征类别从所述标准特征库中获取对应的特征指标。
可选地,将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,包括:
针对身体特征以及运动特征,若特征中包含的参数未达到所述特征指标设定参数阈值,则判定特征未达标;
针对饮食特征,若包含对应特征指标包含的禁忌特征,则判定特征未达标。
可选地,输出未达标特征对应的推送信息,包括:
当未达标特征为多个时,根据未达标特征的关联度,对未达标特征进行分组,将关联度达到设定阈值的多个未达标特征归为一组;
分别根据每组特征从已有信息库中获取一条或多条输出信息,整合各组特征得到所述推送信息,并输出至请求方。
一种基于分布式特征的交互***,包括:
特征库创建模块,用于将多个目标对象的个体特征按照特征类别分别存入对应类别的特征库中,并将目标对象的身份信息作为各特征库中对应特征的唯一标识;其中,个体特征包括:身体特征、运动特征以及饮食特征;
特征匹配模块,用于根据请求方的请求信息,获取匹配的一个或多个特征库,并从匹配的特征库中获取所述请求信息对应的特征序列;其中,请求方信息包括:身份信息和请求描述信息;
请求响应模块,用于设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标;将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,并输出未达标特征对应的推送信息
一种基于分布式特征的交互设备,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行所述的基于分布式特征的交互方法。
一种机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得设备执行所述的基于分布式特征的交互方法。
如上所述,本发明一种基于分布式特征的交互方法、***、设备和介质,具有以下有益效果。
通过个体特征构建基于特征类别的特征库,便于基于特征类别对不同目标对象进行特征分析管理,不需要对但各目标对象数据进行二次整理,提高数据规范性及处理效率;通过请求信息进行特定特征匹配,并针对未达标特征进行个性化信息推送,可实现用户需求自动化订制推送,增强用户体验。
附图说明
图1为本发明一实施例中基于分布式特征的交互方法的流程示意图。
图2为本发明一实施例中基于分布式特征的交互***的模块图。
图3为本发明一实施例中设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种基于分布式特征的交互方法,包括以下步骤:
步骤S01,将多个目标对象的个体特征按照特征类别分别存入对应类别的特征库中,并将目标对象的身份信息作为各特征库中对应特征的唯一标识;其中,个体特征包括:身体特征、运动特征以及饮食特征;
步骤S02,根据请求方的请求信息,获取匹配的一个或多个特征库,并从匹配的特征库中获取所述请求信息对应的特征序列;其中,请求方信息包括:身份信息和请求描述信息;
步骤S03,设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标;将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,并输出未达标特征对应的推送信息。
在本实施例的步骤S01中,可通过特定的数据采集终端、便携式穿戴设备等终端设备获取目标对象的个体特征信息。示例性地,身体特征可包括:心率、血压、身高、体重以及其他个体健康数据;运动特征可包括:运动方式、运动时长、运动频率等特征的组合;饮食特征可包括:三餐食谱、饮食量、饮食结构等特征。具体特征可根据实际情况进行采集和调整。在另一实施例中,也可从电子记录(如病历、体检报告等)或图片(如饮食图片等)中提取目标对象的个体特征。特征提取可采用常规的卷积神经网络或循环神经网络,这里不作限制。
获取目标对象个体特征后,将身体特征、运动特征、饮食特征等分别对应一个特征类别,基于特征类别建立对应的特征库。每个特征可与目标对象的身份信息进行关联,示例性地,可与目标对象的身份ID进行关联,以作为特征的唯一标识。通过该唯一标识可准确地从对应特征库中获取特定目标对象的特征信息。进一步地,可为每个特征库创建一个副本。当特征库存储区出现异常时,可调用副本获取对应的特征信息。
不同目标对象的同类特征存储在相同的特征库中,有利于基于整体特征波动,对不同目标对象进行整体分析,如获取特定人群或特定区域群体的某一特征在一段时间内的整体变化情况。
在本实施例的步骤S02中,请求方可通过终端设备输入请求信息与***交互,获取请求信息对应的响应信息。其中,请求信息包括:身份信息以及请求描述信息等。具体地,请求方可以为目标对象本人,也可为协助目标对象获取个性化信息反馈的其他人员,只需要输入的请求信息能反映目标对象身份信息及需求信息即可,这里不作限制。示例性地,请求描述信息可包括瘦身、增肌、塑形、搜寻附近运动习惯相近的同伴等相关的描述信息,可根据目标对象需求进行整理,这里不作限制。
在一实施例中,在获取请求信息后,提取请求信息中的身份信息,并将身份信息与各特征库中包含的身份信息进行比对,从中选出与身份信息匹配的一个或多个特征库。具体地,可将身份信息对应的ID编码与特征库中各特征对应的ID编码进行比对,若存在对应的ID编码,则判定特征库为匹配的特征库。
在一实施例中,获取匹配的特征库后,从匹配的特征库中获取所述请求信息对应的特征序列,包括:从所述请求描述信息中获取关键描述特征,将所述关键描述特征输入预训练的识别模型,获取所述关键特征关联的一个或多个特征类别;根据所述特征类别从所述匹配的特征库中获取预设时间内的特征,组成请求信息对应的特征序列。
在一实施例中,预训练识别模型包括:采集各类关键描述特征,并标注所述关键描述特征与各特征库类别的关联关系,得到训练样本集;将所述训练样本集输入神经网络,经过多次训练得到所述识别模型。具体地,可收集各类目标群体(不同职业、不同年龄段)的用户的健康需求信息,经过特征提取得到关键描述特征。可通过人工标注得到关键描述特征关联的一个或多个特征类别。示例性地,关键描述特征为“瘦身”,则可关联运动特征和饮食特征,关键描述特征为“康复训练”可关联患病史、饮食等对应的特征类别。具体特征类别及关联关系设置可根据实际情况进行调整。神经网络可采用常规的卷积神经网络或循环神经网络,用于根据训练样本集建立关键描述特征与特征库类别的映射关系,得到识别模型。将请求描述信息输入识别模型可获取多个匹配的特征类别,进而根据匹配的特征类别获取对应的匹配特征库。从特征库中获取与请求信息中身份信息对应的特征,具体地,可获取最近一段时间(如一周或一月)的对应特征。将提取的特征拼接得到特征序列。
在本实施例的步骤S03中,设置标准特征库,根据所述请求描述信息从所述标准特征库中获取一个或多个特征指标,包括:预设各类别特征库对应的特征指标,构建标准特征库;根据所述请求描述信息获取关联的一个或多个特征类别,并根据所述特征类别从所述标准特征库中获取对应的特征指标。示例性地,特征指标可包括体脂率指标、不同运动方式的运动量指标,禁忌食品指标等。一个特征类别可对应多个特征指标。通过请求描述信息获取特征类别后,可根据特征类别从标准特征库中获取对应指标。进一步地,将特征序列与获取的对应特征指标进行逐项比对获取未达标的特征。具体地,针对身体特征以及运动特征,若特征中包含的参数未达到所述特征指标设定参数阈值,则判定特征未达标;针对饮食特征,若包含对应特征指标包含的禁忌特征,则判定特征未达标。
在一实施例中,可预先构建针对各类特征的推送信息库。如针对运动特征的运动建议,以及运动方案推荐信息;针对饮食的食谱推荐等。通过未达标的特征从信息库中匹配对应的推送信息并输出至请求方。具体地,当未达标特征为多个时,可计算未达标特征之间的关联度,基于关联度进行特征分组,将关联度达到设定阈值的多个未达标特征归为一组。
示例性地,关联度计算公式可表示如下:
Rij=log(δij+αSij)
其中,Rij表示特征i与j之间的关联度;δij取值为0或1,其中取值为0表示特征i与特征j不属于同一特征类别,取值为1表示特征i与特征j属于同一特征类别;Sij表示特征i与j之间的相似度;α为权重系数。
每组特征可对应一条或多条输出信息,将所有未达标特征对应的输出信息整合得到推送信息输出至请求方。
在一实施例中,请求方还可请求匹配特征相近的其他目标对象,如请求查找附近运动习惯相近的目标对象,邀约组队等。基于分布式的特征库,可通过特征聚类或相似度计算快速获取特征相近的目标对象,并输出目标对象的特征序列供请求方参考,以便发起组队邀请。
请参阅图2,本实施例提供了一种基于分布式特征的交互***,用于执行前述方法实施例中所述的基于分布式特征的交互方法。由于***实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
在一实施例中,基于分布式特征的交互***,其特征在于,包括:
特征库创建模块10,用于将多个目标对象的个体特征按照特征类别分别存入对应类别的特征库中,并将目标对象的身份信息作为各特征库中对应特征的唯一标识;其中,个体特征包括:身体特征、运动特征以及饮食特征;
特征匹配模块11,用于根据请求方的请求信息,获取匹配的一个或多个特征库,并从匹配的特征库中获取所述请求信息对应的特征序列;其中,请求方信息包括:身份信息和请求描述信息;
请求响应模块12,用于设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标;将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,并输出未达标特征对应的推送信息。
特征库创建模块10用于辅助执行前述方法实施例介绍的步骤S01;特征匹配模块11用于执行前述方法实施例介绍的步骤S02;请求响应模块12用于执行前述方法实施例介绍的步骤S03。
本申请实施例还提供了一种基于分布式特征的交互设备,该设备可以包括:一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述设备执行图1所述的方法。在实际应用中,该设备可以作为终端设备,也可以作为服务器,终端设备的例子可以包括:智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3,Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4,Moving Picture Experts Group Audio LayerIV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等,本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种机器可读介质,该介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例的图1中基于分布式特征的交互方法所包含步骤的指令(instructions)。机器可读介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如:软盘、硬盘、磁带)、光介质(如:DVD)、或者半导体介质(如:固态硬盘Solid State Disk(SSD))等。
参阅图3,本实施例提供一种设备80,设备80可以是台式机、便携式电脑、智能手机等设备。详细的,设备80至少包括通过总线81连接的:存储器82、处理器83,其中,存储器82用于存储计算机程序,处理器83用于执行存储器82存储的计算机程序,以执行前述方法实施例中的全部或部分步骤。
上述提到的***总线可以是外设部件互连标准(Peripheral PomponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该***总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述,本发明一种基于分布式特征的交互方法、***、设备和介质,通过将目标对象个体特征进行分布式管理,不同目标对象的同类特征存入相同特征库,有利于针对特定特征进行整体分析;不需要再针对单个目标对象数据进行二次处理,且有利于根据请求信息匹配不同目标对象的相近数据,实现用户特定特征之间的数据共享,为用户交友等提供便利;通过请求信息获取未达标特征进行针对性的特征信息推送,结合实时特征数据,进行个性化方案推送,增强用户体验,提高信息交互输出的准确性。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种基于分布式特征的交互方法,其特征在于,包括:
将多个目标对象的个体特征按照特征类别分别存入对应类别的特征库中,并将目标对象的身份信息作为各特征库中对应特征的唯一标识;其中,个体特征包括:身体特征、运动特征以及饮食特征;
根据请求方的请求信息,获取匹配的一个或多个特征库,其中,请求信息包括:身份信息和请求描述信息;从所述请求描述信息中获取关键描述特征,将所述关键描述特征输入预训练的识别模型,获取所述关键描述特征关联的一个或多个特征类别;根据所述特征类别从所述匹配的特征库中获取预设时间内的特征,组成请求信息对应的特征序列;
设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标;将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,并输出未达标特征对应的推送信息。
2.根据权利要求1所述的基于分布式特征的交互方法,其特征在于,根据请求方的请求信息,获取匹配的一个或多个特征库,包括:
将所述请求信息中包含的身份信息与各特征库包含的身份信息进行比对,获取与身份信息匹配的一个或多个特征库。
3.根据权利要求1所述的基于分布式特征的交互方法,其特征在于,预训练的识别模型,包括:
采集各类关键描述特征,并标注所述关键描述特征与各特征库类别的关联关系,得到训练样本集;
将所述训练样本集输入神经网络,经过多次训练得到所述识别模型。
4.根据权利要求1所述的基于分布式特征的交互方法,其特征在于,设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标,包括:
预设各类别特征库对应的特征指标,构建标准特征库;
根据所述请求描述信息获取关联的一个或多个特征类别,并根据所述特征类别从所述标准特征库中获取对应的特征指标。
5.根据权利要求1所述的基于分布式特征的交互方法,其特征在于,将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,包括:
针对身体特征以及运动特征,若特征中包含的参数未达到所述特征指标设定参数阈值,则判定特征未达标;
针对饮食特征,若包含对应特征指标包含的禁忌特征,则判定特征未达标。
6.根据权利要求1所述的基于分布式特征的交互方法,其特征在于,输出未达标特征对应的推送信息,包括:
当未达标特征为多个时,根据未达标特征的关联度,对未达标特征进行分组,将关联度达到设定阈值的多个未达标特征归为一组;
分别根据每组特征从已有信息库中获取一条或多条输出信息,整合各组特征得到所述推送信息,并输出至请求方。
7.一种基于分布式特征的交互***,其特征在于,包括:
特征库创建模块,用于将多个目标对象的个体特征按照特征类别分别存入对应类别的特征库中,并将目标对象的身份信息作为各特征库中对应特征的唯一标识;其中,个体特征包括:身体特征、运动特征以及饮食特征;
特征匹配模块,用于根据请求方的请求信息,获取匹配的一个或多个特征库,其中,请求信息包括:身份信息和请求描述信息;从所述请求描述信息中获取关键描述特征,将所述关键描述特征输入预训练的识别模型,获取所述关键描述特征关联的一个或多个特征类别;根据所述特征类别从所述匹配的特征库中获取预设时间内的特征,组成请求信息对应的特征序列;
请求响应模块,用于设置标准特征库,根据所述请求描述信息从所述标准库中获取一个或多个特征指标;将所述特征序列中的特征与对应特征指标进行比对,获取未达标的特征,并输出未达标特征对应的推送信息。
8.一种基于分布式特征的交互设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行如权利要求1-6中任一所述的方法。
9.一种机器可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得设备执行如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899326.2A CN113345553B (zh) | 2021-08-06 | 2021-08-06 | 一种基于分布式特征的交互方法、***、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899326.2A CN113345553B (zh) | 2021-08-06 | 2021-08-06 | 一种基于分布式特征的交互方法、***、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113345553A CN113345553A (zh) | 2021-09-03 |
CN113345553B true CN113345553B (zh) | 2022-01-11 |
Family
ID=77481206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110899326.2A Active CN113345553B (zh) | 2021-08-06 | 2021-08-06 | 一种基于分布式特征的交互方法、***、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113345553B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469261A (zh) * | 2015-08-21 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种身份验证方法及装置 |
CN110443014A (zh) * | 2019-07-31 | 2019-11-12 | 成都商汤科技有限公司 | 身份验证方法、用于身份验证的电子设备和服务器、*** |
CN110929244A (zh) * | 2019-12-06 | 2020-03-27 | 中国建设银行股份有限公司 | 数字化身份识别方法、装置、设备及存储介质 |
CN110991390A (zh) * | 2019-12-16 | 2020-04-10 | 腾讯云计算(北京)有限责任公司 | 身份信息检索方法、装置、业务***及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808903A (zh) * | 2014-12-29 | 2016-07-27 | 中兴通讯股份有限公司 | 一种生成健康报告的方法及装置 |
US9948709B2 (en) * | 2015-01-30 | 2018-04-17 | Akamai Technologies, Inc. | Using resource timing data for server push in multiple web page transactions |
CN108156205B (zh) * | 2016-12-06 | 2021-01-22 | 阿里巴巴(中国)有限公司 | 消息推送方法、客户端、服务端及可编程设备 |
CN109461482A (zh) * | 2018-05-29 | 2019-03-12 | 平安医疗健康管理股份有限公司 | 健康计划生成方法、装置、计算机设备和存储介质 |
CN111310725A (zh) * | 2020-03-13 | 2020-06-19 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种对象识别方法、***、机器可读介质及设备 |
-
2021
- 2021-08-06 CN CN202110899326.2A patent/CN113345553B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469261A (zh) * | 2015-08-21 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种身份验证方法及装置 |
CN110443014A (zh) * | 2019-07-31 | 2019-11-12 | 成都商汤科技有限公司 | 身份验证方法、用于身份验证的电子设备和服务器、*** |
CN110929244A (zh) * | 2019-12-06 | 2020-03-27 | 中国建设银行股份有限公司 | 数字化身份识别方法、装置、设备及存储介质 |
CN110991390A (zh) * | 2019-12-16 | 2020-04-10 | 腾讯云计算(北京)有限责任公司 | 身份信息检索方法、装置、业务***及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113345553A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110209867B (zh) | 图像检索模型的训练方法、装置、设备及存储介质 | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
AU2020349082B2 (en) | System to collect and identify skin conditions from images and expert knowledge | |
CN110674292B (zh) | 一种人机交互方法、装置、设备及介质 | |
US20150278350A1 (en) | Recommendation System With Dual Collaborative Filter Usage Matrix | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN110580278A (zh) | 根据用户画像的个性化搜索方法、***、设备及存储介质 | |
CN114298122B (zh) | 数据分类方法、装置、设备、存储介质及计算机程序产品 | |
CN110569349B (zh) | 基于大数据的患教文章推送方法、***、设备及存储介质 | |
CN112434183B (zh) | 一种搜索结果的排序方法、装置、设备和存储介质 | |
CN115238173B (zh) | 基于大数据的行为分析与医疗服务推送方法、设备及介质 | |
CN112070550A (zh) | 基于搜索平台的关键词确定方法、装置、设备及存储介质 | |
CN112632261A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN115600017A (zh) | 特征编码模型训练方法及装置、媒体对象推荐方法及装置 | |
US20160132771A1 (en) | Application Complexity Computation | |
CN114416929A (zh) | 实体召回模型的样本生成方法、装置、设备及存储介质 | |
CN113254673A (zh) | 一种基于知识图谱的数据管理方法、***、设备和介质 | |
CN111191065B (zh) | 一种同源图像确定方法及装置 | |
CN113345553B (zh) | 一种基于分布式特征的交互方法、***、设备和介质 | |
CN113704534A (zh) | 图像处理方法、装置及计算机设备 | |
CN110162535B (zh) | 用于执行个性化的搜索方法、装置、设备以及存储介质 | |
CN112151187A (zh) | 信息查询方法、装置、计算机设备和存储介质 | |
CN111709473A (zh) | 对象特征的聚类方法及装置 | |
CN114708449B (zh) | 相似视频的确定方法、实例表征模型的训练方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220712 Address after: 201615 room 1904, G60 Kechuang building, No. 650, Xinzhuan Road, Songjiang District, Shanghai Patentee after: Shanghai Mingping Medical Data Technology Co.,Ltd. Address before: 102400 no.86-n3557, Wanxing Road, Changyang, Fangshan District, Beijing Patentee before: Mingpinyun (Beijing) data Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |