CN115547457A - 基于体检数据的食谱智能推荐方法、装置、设备及介质 - Google Patents
基于体检数据的食谱智能推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115547457A CN115547457A CN202211260581.3A CN202211260581A CN115547457A CN 115547457 A CN115547457 A CN 115547457A CN 202211260581 A CN202211260581 A CN 202211260581A CN 115547457 A CN115547457 A CN 115547457A
- Authority
- CN
- China
- Prior art keywords
- recipe
- physical examination
- vector
- data
- dense
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 290
- 235000005911 diet Nutrition 0.000 claims abstract description 24
- 230000037213 diet Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 235000013305 food Nutrition 0.000 description 7
- 230000001788 irregular Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000001900 immune effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003127 radioimmunoassay Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004159 blood analysis Methods 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
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
- G16H20/60—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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Nutrition Science (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能决策领域,揭露一种基于体检数据的食谱智能推荐方法、装置、电子设备以及存储介质,所述方法包括:获取体检数据与食谱数据,识别体检数据中的体检数值与体检类别,构建数值向量与类别向量,对数值向量与类别向量进行稠密转换,并确定食谱数据对应的食谱向量;计算稠密向量与所述食谱向量之间的关联系数,根据关联系数,计算稠密向量与食谱向量之间的交叉特征,确定特征得分;利用特征得分与所述稠密向量构建体检数据的特征级联,对特征级联进行深度交叉处理,得到深度交叉级联,计算深度交叉级联对应的食谱推荐概率;根据食谱推荐概率,在食谱数据中确定体检数据的食谱推荐结果。本发明可以提高基于体检数据的食谱智能推荐深度。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种基于体检数据的食谱智能推荐方法、装置、电子设备以及存储介质。
背景技术
基于体检数据的食谱智能推荐是指将体检数据作为深度学习模型的输入,利用模型输出不同类别食谱的推荐概率的过程。
目前,现有的食谱推荐算法有随机森林支持向量机与深度神经网络等推荐算法,但这些方法均是基于体检指标等数值域数据来构建模型的,这极大地忽略了体检身体类型(如:老年类型、中年类型等)、体检项目类型(如:胃癌体检、常规体检等)等文本域数据的影响,这些文本域数据是体检的基本性质,可以反应体检者需要推荐的食谱的方向,例如对胃部的体检,表示体检者需要被推荐与胃部相关的食谱,另外,不同身体类型的食谱需求也不相同,例如儿童体检者的食谱需求为温和性食谱;且对体检数据之间的内在关联的关注不足。因此,基于体检数据的食谱智能推荐深度不足。
发明内容
为了解决上述问题,本发明提供了一种基于体检数据的食谱智能推荐方法、装置、电子设备以及存储介质,可以提高基于体检数据的食谱智能推荐深度。
第一方面,本发明提供了一种基于体检数据的食谱智能推荐方法,包括:
获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量;
计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分;
利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率;
根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
在第一方面的一种可能实现方式中,所述构建所述体检数值与所述体检类别对应的数值向量与类别向量,包括:
查询所述体检数值的数值名称;
利用独热编码算法构建所述数值名称与所述体检类别对应的名称向量与类别向量;
利用下述公式计算所述体检数值的数值编码:
其中,σ表示所述体检数值的数值编码,x表示所述体检数值;
对所述数值编码与所述名称向量进行向量拼接,得到所述体检数值对应的数值向量。
在第一方面的一种可能实现方式中,所述计算所述稠密向量与所述食谱向量之间的关联系数,包括:
利用下述公式计算所述稠密向量与所述食谱向量之间的关联权重:
其中,aij表示所述关联权重,Dense表示全连接层,表示所述稠密向量,pe表示所述体检数据,T表示转置符号,Ire表示所述食谱向量,re表示所述食谱数据,i表示所述体检数据的序号,j表示所述食谱数据的序号;
根据所述关联权重,利用下述公式确定所述稠密向量与所述食谱向量之间的关联系数:
其中,Weightattention表示所述稠密向量与所述食谱向量之间的关联系数,attention表示注意力机制层,a11、a1J、aI1、aIJ表示所述关联权重,I、J表示所述体检数据的序号数量、所述食谱数据的序号数量。
在第一方面的一种可能实现方式中,所述根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,包括:
根据所述关联系数,利用下述公式计算所述稠密向量的稠密交叉特征:
根据所述关联系数,利用下述公式计算所述食谱向量的食谱交叉特征:
根据所述稠密交叉特征与所述食谱交叉特征,利用下述公式计算所述稠密向量与所述食谱向量之间的交叉特征:
其中,Xattention表示所述稠密向量与所述食谱向量之间的交叉特征,α表示所述食谱向量的食谱交叉特征,β表示所述稠密向量的稠密交叉特征,表示所述稠密向量,pe表示所述体检数据,T表示转置符号,Ire表示所述食谱向量,re表示所述食谱数据。
在第一方面的一种可能实现方式中,所述利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,包括:
利用下述公式构建所述体检数据的特征级联:
其中,x0表示所述特征级联,X′attention表示所述交叉特征对应的特征得分,U表示所述稠密向量,T表示转置符号,embed、1表示X′attention与U的行、列,k表示X′attention与U的列数。
在第一方面的一种可能实现方式中,所述对所述特征级联进行深度交叉处理,得到深度交叉级联,包括:
利用下述公式对所述特征级联进行多层交叉处理,得到多层交叉级联:
其中,X″attention表示所述多层交叉级联,x0表示所述特征级联,Wattention表示注意力机制层的网络权重,battention表示注意力机制层的参数偏差,Xattention表示所述稠密向量与所述食谱向量之间的交叉特征,T表示转置符号;
利用下述公式构建所述特征级联的特征深度组合:
h′attention=f(wattentionhattention+battention)
其中,h′attention表示所述特征级联的特征深度组合,Wattention表示注意力机制层的网络权重,battention表示注意力机制层的参数偏差,hattention表示深度网络层的全连接层,f表示深度网络层的函数;
根据所述多层交叉级联与所述特征深度组合,确定所述特征级联的深度交叉级联。
在第一方面的一种可能实现方式中,所述根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果,包括:
提取所述食谱推荐概率中大于预设概率的目标推荐概率;
在所述食谱数据中查询所述目标推荐概率对应的目标食谱数据;
对所述目标食谱数据进行食谱数据组合,得到所述体检数据对应的食谱推荐结果。
第二方面,本发明提供了一种基于体检数据的食谱智能推荐装置,所述装置包括:
食谱向量确定模块,用于获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量;
特征得分确定模块,用于计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分;
推荐概率计算模块,用于利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率;
推荐结果确定模块,用于根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
第三方面,本发明提供一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的基于体检数据的食谱智能推荐方法。
第四方面,本发明提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的基于体检数据的食谱智能推荐方法。
与现有技术相比,本方案的技术原理及有益效果在于:
本发明实施例首先通过获取体检数据与食谱数据,以用于根据体检结果推荐合适的食谱,进一步地,本发明实施例通过识别所述体检数据中的体检数值与体检类别,以用于对体检进行初步的分类,降低后续数据分析时数据的紊乱性,进一步地,本发明实施例通过构建所述体检数值与所述体检类别对应的数值向量与类别向量,以用于将不规则的体检数据转换为统一格式的向量数据,便于后续利用深度学习模型对数据进行分析,进一步地,本发明实施例通过对所述数值向量与所述类别向量进行稠密转换,以用于将稀疏的向量转换为稠密的向量,适应深度学习的结构特点,进一步地,本发明实施例通过确定所述食谱数据对应的食谱向量,以用于将不规则的食谱数据转换为统一格式的向量数据,便于后续利用深度学习模型对数据进行分析,进一步地,本发明实施例通过本发明实施例通过计算所述稠密向量与所述食谱向量之间的关联系数,以用于体检数据与食谱数据之间的关联程度,可以利用关联程度确定适合体检数据的食谱数据,进一步地,本发明实施例通过根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,以用于将所述稠密向量与所述食谱向量进行拼接,挖掘所述稠密向量与所述食谱向量之间的关系,保障后续的体检数据与食谱数据的匹配,进一步地,本发明实施例通过确定所述交叉特征对应的特征得分,以用于确定所述交叉特征对应的注意力得分,即所述体检数据与对应的食谱数据的匹配得分,进一步地,本发明实施例通过利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,以用于对所述稠密向量与所述交叉特征进行交叉组合,进一步地,本发明实施例通过对所述特征级联进行深度交叉处理,以用于提升所述稠密向量与所述食谱向量之间的交互程度,提升体检数据与食谱数据匹配的准确率,进一步地,本发明实施例通过计算所述深度交叉级联对应的食谱推荐概率,以用于利用概率标注所述体检数据对应的食谱数据,进一步地,本发明实施例通过根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果,以用于根据模型的输出结果确定体检数据对应的推荐食谱,利用模型进行智能决策,减少人力推荐的低效问题。因此,本发明实施例提出的一种基于体检数据的食谱智能推荐方法、装置、电子设备以及存储介质,可以提高基于体检数据的食谱智能推荐深度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于体检数据的食谱智能推荐方法的流程示意图;
图2为本发明一实施例中图1提供的一种基于体检数据的食谱智能推荐方法的其中一个步骤的流程示意图;
图3为本发明一实施例中图1提供的一种基于体检数据的食谱智能推荐方法的另外一个步骤的流程示意图;
图4为本发明一实施例提供的一种基于体检数据的食谱智能推荐装置的模块示意图;
图5为本发明一实施例提供的实现基于体检数据的食谱智能推荐方法的电子设备的内部结构示意图。
具体实施方式
应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于体检数据的食谱智能推荐方法,所述基于体检数据的食谱智能推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述基于体检数据的食谱智能推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、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、内容分发网络(Content DeliveryNetwork,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。
参阅图1所示,是本发明一实施例提供的基于体检数据的食谱智能推荐方法的流程示意图。其中,图1中描述的基于体检数据的食谱智能推荐方法包括:
S1、获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量。
本发明实施例通过获取体检数据与食谱数据,以用于根据体检结果推荐合适的食谱。其中,所述体检数据是指包含数字与类型的数据,例如身高数字与体液类型的体检的数据,所述食谱数据是指多种类型的食物数据,例如西红柿与鸡蛋的数据。
进一步地,本发明实施例通过识别所述体检数据中的体检数值与体检类别,以用于对体检进行初步的分类,降低后续数据分析时数据的紊乱性。其中,所述体检数值是指体检数据中的数值,例如收缩压<120mmHg、舒张压<80mmHg、空腹血糖<5.6mmol/L,所述体检类别是指体检报告的类别,包括一级类别与二级类别,例如一级类别包括常规体格检查(身高、体重、血压、内科、外科、眼耳鼻喉科、口腔、妇科)、血液检查(临床检验、生化检验、免疫检验、化学发光和放免检验、血流变检验)、尿液和分泌物的检验、B超、x光、CT、MR等,二级类别是指一级类别下的类别,例如一级类别为常规体格检查时的身高、体重、血压、内科、外科、眼耳鼻喉科、口腔、妇科等。
本发明的一实施例中,所述识别所述体检数据中的体检数值与体检类别通过识别所述体检数据中的体检项目实现。
示例性地,若识别体检项目带有数值,则表示为所述体检数值,识别数值的类型为身高项目,则可以确定二级类别,若识别到体检项目有临床检验、生化检验、免疫检验、化学发光和放免检验、血流变检验,则可以确定一级类别。
进一步地,本发明实施例通过构建所述体检数值与所述体检类别对应的数值向量与类别向量,以用于将不规则的体检数据转换为统一格式的向量数据,便于后续利用深度学习模型对数据进行分析。其中,所述数值向量与所述类别向量是指在0与1之间的数值表示的向量。
本发明的一实施例中,参阅图2所示,所述构建所述体检数值与所述体检类别对应的数值向量与类别向量,包括:
S201、查询所述体检数值的数值名称;
S202、利用独热编码算法构建所述数值名称与所述体检类别对应的名称向量与类别向量;
S203、利用下述公式计算所述体检数值的数值编码:
其中,σ表示所述体检数值的数值编码,x表示所述体检数值;
S204、对所述数值编码与所述名称向量进行向量拼接,得到所述体检数值对应的数值向量。
进一步地,本发明实施例通过对所述数值向量与所述类别向量进行稠密转换,以用于将稀疏的向量转换为稠密的向量,适应深度学习的结构特点。
本发明的一实施例中,所述对所述数值向量与所述类别向量进行稠密转换,得到稠密向量通过利用嵌入层实现。
其中,所述嵌入层是指embedding层,为神经网络结构中的一层,由embedding_size个神经元组成,是input输入层的输出,用于将高维稀疏向量映射为低维稠密向量。
进一步地,本发明实施例通过确定所述食谱数据对应的食谱向量,以用于将不规则的食谱数据转换为统一格式的向量数据,便于后续利用深度学习模型对数据进行分析。其中,所述食谱向量是指由0与1表示的向量。
本发明的一实施例中,所述确定所述食谱数据对应的食谱向量的原理与上述利用独热编码算法构建所述体检类别对应的类别向量的原理类似,在此不做进一步地赘述。
S2、计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分。
本发明实施例通过本发明实施例通过计算所述稠密向量与所述食谱向量之间的关联系数,以用于体检数据与食谱数据之间的关联程度,可以利用关联程度确定适合体检数据的食谱数据。
本发明的一实施例中,所述计算所述稠密向量与所述食谱向量之间的关联系数,包括:利用下述公式计算所述稠密向量与所述食谱向量之间的关联权重:
其中,aij表示所述关联权重,Dense表示全连接层,表示所述稠密向量,pe表示所述体检数据,T表示转置符号,Ire表示所述食谱向量,re表示所述食谱数据,i表示所述体检数据的序号,j表示所述食谱数据的序号;
根据所述关联权重,利用下述公式确定所述稠密向量与所述食谱向量之间的关联系数:
其中,Weightattention表示所述稠密向量与所述食谱向量之间的关联系数,attention表示注意力机制层,a11、a1J、aI1、aIJ表示所述关联权重,I、J表示所述体检数据的序号数量、所述食谱数据的序号数量。
进一步地,本发明实施例通过根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,以用于将所述稠密向量与所述食谱向量进行拼接,挖掘所述稠密向量与所述食谱向量之间的关系,保障后续的体检数据与食谱数据的匹配。
本发明的一实施例中,所述根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,包括:根据所述关联系数,利用下述公式计算所述稠密向量的稠密交叉特征:
根据所述关联系数,利用下述公式计算所述食谱向量的食谱交叉特征:
根据所述稠密交叉特征与所述食谱交叉特征,利用下述公式计算所述稠密向量与所述食谱向量之间的交叉特征:
其中,Xattention表示所述稠密向量与所述食谱向量之间的交叉特征,α表示所述食谱向量的食谱交叉特征,β表示所述稠密向量的稠密交叉特征,表示所述稠密向量,pe表示所述体检数据,T表示转置符号,Ire表示所述食谱向量,re表示所述食谱数据。
进一步地,本发明实施例通过确定所述交叉特征对应的特征得分,以用于确定所述交叉特征对应的注意力得分,即所述体检数据与对应的食谱数据的匹配得分。
本发明的一实施例中,利用下述公式确定所述交叉特征对应的特征得分:
X′attention=wattentionXattention+battention
其中,X′attention表示所述交叉特征对应的特征得分,wattention表示注意力机制层的网络权重,battention表示注意力机制层的参数偏差,Xattention表示所述稠密向量与所述食谱向量之间的交叉特征。
S3、利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率。
本发明实施例通过利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,以用于对所述稠密向量与所述交叉特征进行交叉组合。
本发明的一实施例中,所述利用所述特征得分与所述稠密向量构建所述体检数据的特征级联通过利用下述公式实现:
其中,x0表示所述特征级联,X′attention表示所述交叉特征对应的特征得分,U表示所述稠密向量,T表示转置符号,embed、1表示X′attention与U的行、列,k表示X′attention与U的列数。
进一步地,本发明实施例通过对所述特征级联进行深度交叉处理,以用于提升所述稠密向量与所述食谱向量之间的交互程度,提升体检数据与食谱数据匹配的准确率。
本发明的一实施例中,所述对所述特征级联进行深度交叉处理,得到深度交叉级联,包括:利用下述公式对所述特征级联进行多层交叉处理,得到多层交叉级联:
其中,X″attention表示所述多层交叉级联,x0表示所述特征级联,wattention表示注意力机制层的网络权重,battention表示注意力机制层的参数偏差,Xattention表示所述稠密向量与所述食谱向量之间的交叉特征,T表示转置符号;
利用下述公式构建所述特征级联的特征深度组合:
h′attention=f(wattentionhattention+battention)
其中,h′attention表示所述特征级联的特征深度组合,wattention表示注意力机制层的网络权重,battention表示注意力机制层的参数偏差,hattention表示深度网络层的全连接层,f表示深度网络层的函数;
根据所述多层交叉级联与所述特征深度组合,确定所述特征级联的深度交叉级联。
其中,所述深度交叉级联由所述多层交叉级联及其对应的特征深度组合构成。
进一步地,本发明实施例通过计算所述深度交叉级联对应的食谱推荐概率,以用于利用概率标注所述体检数据对应的食谱数据。
本发明的一实施例中,利用下述公式计算所述深度交叉级联对应的食谱推荐概率:
其中,p表示所述深度交叉级联对应的食谱推荐概率,X″attention表示所述深度交叉级联中的所述多层交叉级联,表示Cross Network的输出,h′attention表示所述深度交叉级联中的所述特征级联的特征深度组合,表示Deep Network的输出,wlogits表示组合层Combination Layer的权重,logits通过组合层Combination Layer把Cross Network和Deep Network的输出拼接起来,然后经过一个加权求和后得到,σ表示sigmoid函数。
S4、根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
本发明实施例通过根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果,以用于根据模型的输出结果确定体检数据对应的推荐食谱,利用模型进行智能决策,减少人力推荐的低效问题。其中,所述食谱推荐结果是指多个食谱推荐概率对应的食谱组合而成的推荐结果。
本发明的一实施例中,参阅图3所示,所述根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果,包括:
S301、提取所述食谱推荐概率中大于预设概率的目标推荐概率;
S302、在所述食谱数据中查询所述目标推荐概率对应的目标食谱数据;
S303、对所述目标食谱数据进行食谱数据组合,得到所述体检数据对应的食谱推荐结果。
可以看出,本发明实施例首先通过获取体检数据与食谱数据,以用于根据体检结果推荐合适的食谱,进一步地,本发明实施例通过识别所述体检数据中的体检数值与体检类别,以用于对体检进行初步的分类,降低后续数据分析时数据的紊乱性,进一步地,本发明实施例通过构建所述体检数值与所述体检类别对应的数值向量与类别向量,以用于将不规则的体检数据转换为统一格式的向量数据,便于后续利用深度学习模型对数据进行分析,进一步地,本发明实施例通过对所述数值向量与所述类别向量进行稠密转换,以用于将稀疏的向量转换为稠密的向量,适应深度学习的结构特点,进一步地,本发明实施例通过确定所述食谱数据对应的食谱向量,以用于将不规则的食谱数据转换为统一格式的向量数据,便于后续利用深度学习模型对数据进行分析,进一步地,本发明实施例通过本发明实施例通过计算所述稠密向量与所述食谱向量之间的关联系数,以用于体检数据与食谱数据之间的关联程度,可以利用关联程度确定适合体检数据的食谱数据,进一步地,本发明实施例通过根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,以用于将所述稠密向量与所述食谱向量进行拼接,挖掘所述稠密向量与所述食谱向量之间的关系,保障后续的体检数据与食谱数据的匹配,进一步地,本发明实施例通过确定所述交叉特征对应的特征得分,以用于确定所述交叉特征对应的注意力得分,即所述体检数据与对应的食谱数据的匹配得分,进一步地,本发明实施例通过利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,以用于对所述稠密向量与所述交叉特征进行交叉组合,进一步地,本发明实施例通过对所述特征级联进行深度交叉处理,以用于提升所述稠密向量与所述食谱向量之间的交互程度,提升体检数据与食谱数据匹配的准确率,进一步地,本发明实施例通过计算所述深度交叉级联对应的食谱推荐概率,以用于利用概率标注所述体检数据对应的食谱数据,进一步地,本发明实施例通过根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果,以用于根据模型的输出结果确定体检数据对应的推荐食谱,利用模型进行智能决策,减少人力推荐的低效问题。因此,本发明实施例提出的一种基于体检数据的食谱智能推荐方法可以提高用户画像分类的准确性。
如图4所示,是本发明基于体检数据的食谱智能推荐装置功能模块图。
本发明所述基于体检数据的食谱智能推荐装置400可以安装于电子设备中。根据实现的功能,所述基于体检数据的食谱智能推荐装置可以包括食谱向量确定模块401、特征得分确定模块402、推荐概率计算模块403以及推荐结果确定模块404。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本发明实施例中,关于各模块/单元的功能如下:
所述食谱向量确定模块401,用于获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量;
所述特征得分确定模块402,用于计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分;
所述推荐概率计算模块403,用于利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率;
所述推荐结果确定模块404,用于根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
详细地,本发明实施例中所述基于体检数据的食谱智能推荐装置400中的所述各模块在使用时采用与上述的图1至图3中所述的基于体检数据的食谱智能推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明实现基于体检数据的食谱智能推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53,还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序,如基于体检数据的食谱智能推荐程序。
其中,所述处理器50在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器51内的程序或者模块(例如执行基于体检数据的食谱智能推荐程序等),以及调用存储在所述存储器51内的数据,以执行电子设备的各种功能和处理数据。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据,例如数据库配置化连接程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线52可以是外设部件互连标准(peripheral componentinterconnect,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。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
所述通信接口53用于上述电子设备5与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,所述用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器50逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器51存储的数据库配置化连接程序是多个计算机程序的组合,在所述处理器50中运行时,可以实现:
获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量;
计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分;
利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率;
根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
具体地,所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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,可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量;
计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分;
利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率;
根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于体检数据的食谱智能推荐方法,其特征在于,所述方法包括:
获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量;
计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分;
利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率;
根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
3.根据权利要求1所述的方法,其特征在于,所述计算所述稠密向量与所述食谱向量之间的关联系数,包括:
利用下述公式计算所述稠密向量与所述食谱向量之间的关联权重:
其中,aij表示所述关联权重,Dense表示全连接层,表示所述稠密向量,pe表示所述体检数据,T表示转置符号,Ire表示所述食谱向量,re表示所述食谱数据,i表示所述体检数据的序号,j表示所述食谱数据的序号;
根据所述关联权重,利用下述公式确定所述稠密向量与所述食谱向量之间的关联系数:
其中,Weightattention表示所述稠密向量与所述食谱向量之间的关联系数,attention表示注意力机制层,a11、a1J、aI1、aIJ表示所述关联权重,I、J表示所述体检数据的序号数量、所述食谱数据的序号数量。
4.根据权利要求1所述的方法,其特征在于,所述根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,包括:
根据所述关联系数,利用下述公式计算所述稠密向量的稠密交叉特征:
根据所述关联系数,利用下述公式计算所述食谱向量的食谱交叉特征:
根据所述稠密交叉特征与所述食谱交叉特征,利用下述公式计算所述稠密向量与所述食谱向量之间的交叉特征:
6.根据权利要求1所述的方法,其特征在于,所述对所述特征级联进行深度交叉处理,得到深度交叉级联,包括:
利用下述公式对所述特征级联进行多层交叉处理,得到多层交叉级联:
其中,X″attention表示所述多层交叉级联,x0表示所述特征级联,wattention表示注意力机制层的网络权重,battention表示注意力机制层的参数偏差,Xattention表示所述稠密向量与所述食谱向量之间的交叉特征,T表示转置符号;
利用下述公式构建所述特征级联的特征深度组合:
h′attention=f(wattentionhattention+battention)
其中,h′attention表示所述特征级联的特征深度组合,wattention表示注意力机制层的网络权重,battention表示注意力机制层的参数偏差,hattention表示深度网络层的全连接层,f表示深度网络层的函数;
根据所述多层交叉级联与所述特征深度组合,确定所述特征级联的深度交叉级联。
7.根据权利要求1所述的方法,其特征在于,所述根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果,包括:
提取所述食谱推荐概率中大于预设概率的目标推荐概率;
在所述食谱数据中查询所述目标推荐概率对应的目标食谱数据;
对所述目标食谱数据进行食谱数据组合,得到所述体检数据对应的食谱推荐结果。
8.一种基于体检数据的食谱智能推荐装置,其特征在于,所述装置包括:
食谱向量确定模块,用于获取体检数据与食谱数据,识别所述体检数据中的体检数值与体检类别,构建所述体检数值与所述体检类别对应的数值向量与类别向量,对所述数值向量与所述类别向量进行稠密转换,得到稠密向量,并确定所述食谱数据对应的食谱向量;
特征得分确定模块,用于计算所述稠密向量与所述食谱向量之间的关联系数,根据所述关联系数,计算所述稠密向量与所述食谱向量之间的交叉特征,并确定所述交叉特征对应的特征得分;
推荐概率计算模块,用于利用所述特征得分与所述稠密向量构建所述体检数据的特征级联,对所述特征级联进行深度交叉处理,得到深度交叉级联,并计算所述深度交叉级联对应的食谱推荐概率;
推荐结果确定模块,用于根据所述食谱推荐概率,在所述食谱数据中确定所述体检数据对应的食谱推荐结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于体检数据的食谱智能推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于体检数据的食谱智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260581.3A CN115547457B (zh) | 2022-10-14 | 2022-10-14 | 基于体检数据的食谱智能推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260581.3A CN115547457B (zh) | 2022-10-14 | 2022-10-14 | 基于体检数据的食谱智能推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115547457A true CN115547457A (zh) | 2022-12-30 |
CN115547457B CN115547457B (zh) | 2023-06-30 |
Family
ID=84734697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211260581.3A Active CN115547457B (zh) | 2022-10-14 | 2022-10-14 | 基于体检数据的食谱智能推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115547457B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766528A (zh) * | 2018-05-08 | 2018-11-06 | 天津大学 | 一种饮食管理***及其构建方法、一种食材管理方法 |
CN109903836A (zh) * | 2019-03-31 | 2019-06-18 | 山西慧虎健康科技有限公司 | 一种基于体质和大数据的饮食智能推荐和匹配***及方法 |
CN112420162A (zh) * | 2020-11-10 | 2021-02-26 | 广州富港万嘉智能科技有限公司 | 食谱的智能化推荐方法及装置、智能橱柜 |
CN113837844A (zh) * | 2021-10-19 | 2021-12-24 | 北京邮电大学 | 一种多级联下游企业推荐***、方法及可存储介质 |
CN113889209A (zh) * | 2021-09-26 | 2022-01-04 | 浙江禾连网络科技有限公司 | 一种健康管理服务产品的推荐***、存储介质 |
WO2022133190A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Food and nutrient estimation, dietary assessment, evaluation, prediction and management |
-
2022
- 2022-10-14 CN CN202211260581.3A patent/CN115547457B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108766528A (zh) * | 2018-05-08 | 2018-11-06 | 天津大学 | 一种饮食管理***及其构建方法、一种食材管理方法 |
CN109903836A (zh) * | 2019-03-31 | 2019-06-18 | 山西慧虎健康科技有限公司 | 一种基于体质和大数据的饮食智能推荐和匹配***及方法 |
CN112420162A (zh) * | 2020-11-10 | 2021-02-26 | 广州富港万嘉智能科技有限公司 | 食谱的智能化推荐方法及装置、智能橱柜 |
WO2022133190A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Food and nutrient estimation, dietary assessment, evaluation, prediction and management |
CN113889209A (zh) * | 2021-09-26 | 2022-01-04 | 浙江禾连网络科技有限公司 | 一种健康管理服务产品的推荐***、存储介质 |
CN113837844A (zh) * | 2021-10-19 | 2021-12-24 | 北京邮电大学 | 一种多级联下游企业推荐***、方法及可存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115547457B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833603B (zh) | 电子病历文档分类方法、装置、电子设备及存储介质 | |
CN113707303A (zh) | 基于知识图谱的医疗问题解答方法、装置、设备及介质 | |
CN111145913B (zh) | 基于多重注意力模型的分类方法、装置及设备 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
CN113611405A (zh) | 一种体检项目推荐方法、装置、设备及介质 | |
CN113779179B (zh) | 一种基于深度学习和知识图谱的icd智能编码的方法 | |
CN112071429A (zh) | 一种基于知识图谱的医疗自动问答***构建方法 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
WO2023178978A1 (zh) | 基于人工智能的处方审核方法、装置、设备及介质 | |
CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
CN116578704A (zh) | 文本情感分类方法、装置、设备及计算机可读介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN116844711A (zh) | 基于深度学习的疾病辅助识别方法及装置 | |
CN112633988A (zh) | 用户产品推荐方法、装置、电子设备及可读存储介质 | |
CN116720525A (zh) | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 | |
CN116719904A (zh) | 基于图文结合的信息查询方法、装置、设备及存储介质 | |
CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
CN115547457A (zh) | 基于体检数据的食谱智能推荐方法、装置、设备及介质 | |
CN114596958B (zh) | 基于级联分类的病理数据分类方法、装置、设备及介质 | |
CN115456069A (zh) | 医嘱分类模型的训练方法、装置、电子设备及存储介质 | |
CN114882985A (zh) | 基于数据库和ai算法识别的医药多媒体管理***及方法 | |
CN115408599A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114864032B (zh) | 基于his***的临床数据采集方法及装置 | |
CN115048965B (zh) | 超声波医疗设备的故障检测方法、装置、设备及介质 |
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 |