CN116189865A - 医院预约登记管理*** - Google Patents
医院预约登记管理*** Download PDFInfo
- Publication number
- CN116189865A CN116189865A CN202310324778.7A CN202310324778A CN116189865A CN 116189865 A CN116189865 A CN 116189865A CN 202310324778 A CN202310324778 A CN 202310324778A CN 116189865 A CN116189865 A CN 116189865A
- Authority
- CN
- China
- Prior art keywords
- semantic understanding
- semantic
- vector
- feature vector
- word
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及智能管理领域,其具体地公开了一种医院预约登记管理***,其通过采用基于深度学习的神经网络模型,采用包含嵌入层的上下文编码器挖掘出被检人员信息的语义理解特征和备选检查项目的语义理解特征,进一步以所述被检人员信息的语义特征和所述备选检查项目的语义特征的关联性特征分布信息来进行分类,从而得到用于表示是否向被检人员推荐所述备选检查项目的分类结果。这样,能够基于所述分类结果进行被检人员的检查项目精准推荐。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种医院预约登记管理***。
背景技术
企业体检是企事业单位为员工提供一项福利,做企业体检除了能够让员工及时的了解自身的健康状况,还能减少人力资源损失,健康体检是预防和治疗疾病的有效手段。
现有医疗机构的体检预约大多仍采取线下人工登记的方法,医院人工工作量大,体检预约登记业务的工作效率低下且易于出错,后续历史数据管理不方便。
因此,期待一种用于企业体检的医院预约登记管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种医院预约登记管理***,其通过采用基于深度学习的神经网络模型,采用包含嵌入层的上下文编码器挖掘出被检人员信息的语义理解特征和备选检查项目的语义理解特征,进一步以所述被检人员信息的语义特征和所述备选检查项目的语义特征的关联性特征分布信息来进行分类,从而得到用于表示是否向被检人员推荐所述备选检查项目的分类结果。这样,能够基于所述分类结果进行被检人员的检查项目精准推荐。
根据本申请的一个方面,提供了一种医院预约登记管理***,其包括:被检人员信息调度模块,用于获取被检人员的基础信息和检查需求文本描述;基础信息语义理解模块,用于将所述被检人员的基础信息通过包含词嵌入层的第一上下文编码器以得到基础信息语义理解特征向量;检查需求语义理解模块,用于将所述检查需求文本描述通过包含嵌入层的第二上下文编码器以得到检查需求语义理解特征向量;特征融合模块,用于融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;检查项目描述调取模块,用于获取备选检查项目的文本描述;检查项目语义理解模块,用于将所述备选检查项目的文本描述通过包含嵌入层的第三上下文编码器以得到备选检查项目语义理解特征向量;关联模块,用于对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;调制模块,用于对所述匹配特征矩阵进行特征分布调制以得到优化匹配特征矩阵;以及管理结果生成模块,用于将所述优化匹配特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向被检人员推荐所述备选检查项目。
在上述医院预约登记管理***中,所述基础信息语义理解模块,包括:第一分词单元,用于对所述被检人员的基础信息进行分词处理以将所述被检人员的基础信息转化为由多个词组成的词序列;第一词嵌入单元,用于使用所述包含嵌入层的第一上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;第一上下文编码单元,用于使用所述包含嵌入层的第一上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,第一级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述基础信息语义理解特征向量。
在上述医院预约登记管理***中,所述第一上下文编码单元,包括:查询向量构造子单元,用于将所述词嵌入向量的序列进行一维排列以得到词特征向量;自注意子单元,用于计算所述词特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量;级联子单元,用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
在上述医院预约登记管理***中,所述检查需求语义理解模块,包括:第二分词单元,用于对所述检查需求文本描述进行分词处理以将所述检查需求文本描述转化为由多个词组成的词序列;第二词嵌入单元,用于使用所述包含嵌入层的第二上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;第二上下文编码单元,用于使用所述包含嵌入层的第二上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,第二级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述检查需求语义理解特征向量。
在上述医院预约登记管理***中,所述特征融合模块,用于:以如下公式来融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;其中,所述公式为:其中,/>表示所述基础信息语义理解特征向量,/>表示所述检查需求语义理解特征向量,/>表示级联函数,/>表示所述对象需求语义理解特征向量。
在上述医院预约登记管理***中,所述检查项目语义理解模块,包括:第三分词单元,用于对所述备选检查项目的文本描述进行分词处理以将所述备选检查项目的文本描述转化为由多个词组成的词序列;第三词嵌入单元,用于使用所述包含嵌入层的第三上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;第三上下文编码单元,用于使用所述包含嵌入层的第三上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,第三级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述备选检查项目语义理解特征向量。
在上述医院预约登记管理***中,所述关联模块,用于:以如下公式对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;其中,所述公式为:其中/>表示所述对象需求语义理解特征向量,表示所述对象需求语义理解特征向量的转置向量,/>表示所述备选检查项目语义理解特征向量,/>表示所述匹配特征矩阵,/>表示向量相乘。/>
在上述医院预约登记管理***中,所述调制模块,包括:展开单元,用于将所述匹配特征矩阵按行或列展开为匹配特征向量;特征优化单元,用于以如下公式对所述匹配特征向量进行向量赋范的希尔伯特概率空间化以得到优化匹配特征向量;其中,所述公式为:其中/>是所述匹配特征向量,/>表示所述匹配特征向量的二范数,/>表示所述匹配特征向量的二范数的平方,/>是所述匹配特征向量的第/>个特征值,/>表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且/>是所述优化匹配特征向量的第/> 个特征值;以及,矩阵重构单元,用于将所述优化匹配特征向量进行矩阵重构以得到所述优化匹配特征矩阵。
在上述医院预约登记管理***中,所述管理结果生成模块,包括:矩阵展开单元,用于将所述优化匹配特征矩阵基于行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种医院预约登记管理方法,其包括:
获取被检人员的基础信息和检查需求文本描述;将所述被检人员的基础信息通过包含词嵌入层的第一上下文编码器以得到基础信息语义理解特征向量;将所述检查需求文本描述通过包含嵌入层的第二上下文编码器以得到检查需求语义理解特征向量;融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;获取备选检查项目的文本描述;将所述备选检查项目的文本描述通过包含嵌入层的第三上下文编码器以得到备选检查项目语义理解特征向量;对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;对所述匹配特征矩阵进行特征分布调制以得到优化匹配特征矩阵;以及将所述优化匹配特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向被检人员推荐所述备选检查项目。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的医院预约登记管理方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的医院预约登记管理方法。
与现有技术相比,本申请提供的一种医院预约登记管理***,其通过采用基于深度学习的神经网络模型,采用包含嵌入层的上下文编码器挖掘出被检人员信息的语义理解特征和备选检查项目的语义理解特征,进一步以所述被检人员信息的语义特征和所述备选检查项目的语义特征的关联性特征分布信息来进行分类,从而得到用于表示是否向被检人员推荐所述备选检查项目的分类结果。这样,能够基于所述分类结果来准确地进行员工的适配体检项目推荐。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的医院预约登记管理***的框图。
图2为根据本申请实施例的医院预约登记管理***的***架构图。
图3为根据本申请实施例的医院预约登记管理***中基础信息语义理解模块的框图。
图4为根据本申请实施例的医院预约登记管理***中调制模块的框图。
图5为根据本申请实施例的医院预约登记管理***中管理结果生成模块的框图。
图6为根据本申请实施例的医院预约登记管理方法的流程图。
图7为根据本申请实施例的电子设备的框图。
实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述:如上所述,现有医疗机构的体检预约大多仍采取线下人工登记的方法,医院人工工作量大,体检预约登记业务的工作效率低下且易于出错,后续历史数据管理不方便。因此,期待一种用于企业体检的医院预约登记管理方案。
在构建用于企业客户体检的医院预约登记管理***中,一个关键的技术难点为:为被检人员推荐适配的体检项目。在现有的订单类型中,通常为被检人员提供多种套餐以供选择,包括但不限于:员工入职体检、员工常规体检、家属常规体检和员工保险体检等。并且,被检人员也可自动增加体检项目来构建定制套餐,但由于被检人员的知识局面,其难以分辨哪些体检项目是适配的,往往会选择一些无关的体检项目,不仅耗时耗力,还会给医院的运营带来额外的负载。因此,期待一种用于企业体检的医院预约登记管理***,其能够基于被检人员的情况为其推荐适配的体检项目。
相应地,考虑到在实际对于被检人员推荐适配的体检项目过程中,这本质上是一个文本的语义理解和特征匹配的问题,也就是说,对于被检人员的基础信息和检查需求以及体检项目分别进行全局的上下文语义理解,并且基于各自的语义理解信息来进行语义特征的匹配,从而实现基于被检人员的情况为其推荐适配的体检项目,以在准确地进行员工的适配体检项目推荐的同时节省人工的工作量。在此过程中,难点在于如何挖掘出被检人员信息的语义理解特征和备选检查项目的语义理解特征,以及如何准确地进行所述被检人员信息的语义理解特征与备选检查项目的语义理解特征的特征匹配,以此来对于被检人员推荐准确且适配的备选检查项目。
近年来,深度学***。
深度学习以及神经网络的发展为挖掘所述被检人员信息的语义理解特征和所述备选检查项目的语义理解特征,以及准确地进行所述被检人员信息的语义理解特征与备选检查项目的语义理解特征的特征匹配提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取被检人员的基础信息和检查需求文本描述。接着,考虑到由于所述被检人员的基础信息和所述检查需求文本描述都是由多个词组成的,并且各个词之间具有着关联性的上下文语义特征信息,因此,为了能够准确地对于所述被检人员的基础信息和所述检查需求文本描述进行语义理解,使用包含词嵌入层的上下文编码器来分别对于所述被检人员的基础信息和所述检查需求文本描述进行语义特征的提取,以此来提取出各自的上下文语义理解特征信息,即所述被检人员的基础信息和所述检查需求文本描述的全局语义信息。
具体地,将所述被检人员的基础信息进行分词处理以避免后续进行语义特征提取时的词序混乱后,将其通过包含词嵌入层的第一上下文编码器中,以提取出所述被检人员基础信息中基于全局的上下文语义特征信息,从而得到基础信息语义理解特征向量;并且,将所述检查需求文本描述也进行分词处理后通过包含嵌入层的第二上下文编码器中进行上下文语义编码,以提取出所述检查需求文本描述中的基于全局的上下文语义理解特征信息,从而得到检查需求语义理解特征向量。然后,融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量,以此来融合所述被检人员的基础信息中的语义特征信息和所述检查需求文本描述中的语义特征信息,即关于所述被检人员关于体检的综合适配特征,从而得到对象需求语义理解特征向量。
进一步地,考虑到由于备选检查项目的文本描述也是由多个词组成的,并且各个词之间也具有着上下文的语义关联特征,因此,为了能够对于备选检查项目的各个类型进行深层语义理解,以此来准确地向被检人员推荐适配的备选检查项目,在本申请的技术方案中,在获取备选检查项目的文本描述后,也将其通过包含嵌入层的第三上下文编码器中进行上下文语义编码,以此来得到具有所述备选检查项目的文本描述的基于全局的上下文语义理解特征信息的备选检查项目语义理解特征向量。
然后,在对于所述被检人员信息和所述备选检查项目信息进行深度的基于全局的语义理解后,为了探究这两者之间的匹配程度,以此来向被检人员推荐合适的备选检查项目,在本申请的技术方案中,进一步对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码,以此来对于所述被检人员信息的上下文语义理解特征和所述备选检查项目信息的上下文语义理解特征进行特征关联,从而得到匹配特征矩阵。
接着,进一步再将所述匹配特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以所述被检人员信息的语义特征和所述备选检查项目的语义特征的关联性特征分布信息来进行分类,从而得到用于表示是否向被检人员推荐所述备选检查项目的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括向被检人员推荐所述备选检查项目,以及,不向被检人员推荐所述备选检查项目,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。这样,能够基于所述分类结果来准确地进行员工的适配体检项目推荐的同时节省人工的工作量。
特别地,在本申请的技术方案中,在融合所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量得到所述匹配特征矩阵时,是将所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量按位置相乘以得到所述匹配特征矩阵的相应位置的特征值。而由于所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量分别表达所述被检人员的基础信息和检查需求信息的上下文语义的聚合表示和所述体检项目的文本描述的上下文语义,两者之间的语义分布并不一致,因此在按位置相乘后,所述匹配特征矩阵的整体特征分布会存在与所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量的单独的特征分布的分布偏差,影响所述匹配特征矩阵通过分类器得到的分类结果的准确性。因此,首先将所述匹配特征矩阵展开为匹配特征向量,例如记为,再对所述匹配特征向量/>进行向量赋范的希尔伯特概率空间化,具体表示为:这里,/>表示所述匹配特征向量/>的二范数,/>表示其平方,即所述匹配特征向量/>自身的内积,/>是所述匹配特征向量/>的第/>个特征值,且/>是优化后的匹配特征向量/>的第/>个特征值。这里,所述向量赋范的希尔伯特概率空间化通过所述匹配特征向量/>自身的赋范在定义了向量内积的希尔伯特空间内进行所述匹配特征向量/>的概率性解释,并降低所述匹配特征向量/>的特殊分布表达对整体希尔伯特空间拓扑的分布表达的隐蔽扰动,由此提高所述匹配特征向量/>的特征分布收敛到自然分布的鲁棒性,同时依靠度量诱导概率空间结构的建立来提升所述匹配特征向量/>的特征分布对自然分布的跨生成器的长程依赖。这样,再将所述匹配特征向量/>恢复为所述匹配特征矩阵,就提升了所述匹配特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地基于被检人员的实际情况来为其推荐适配的体检项目,以在准确地进行员工的适配体检项目推荐的同时节省人工的工作量。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***:图1为根据本申请实施例的医院预约登记管理***的框图。如图1所示,根据本申请实施例的医院预约登记管理***300,包括:被检人员信息调度模块310;基础信息语义理解模块320;检查需求语义理解模块330;特征融合模块340;检查项目描述调取模块350;检查项目语义理解模块360;关联模块370;调制模块380;以及,管理结果生成模块390。
其中,所述被检人员信息调度模块310,用于获取被检人员的基础信息和检查需求文本描述;基础信息语义理解模块320,用于将所述被检人员的基础信息通过包含词嵌入层的第一上下文编码器以得到基础信息语义理解特征向量;检查需求语义理解模块330,用于将所述检查需求文本描述通过包含嵌入层的第二上下文编码器以得到检查需求语义理解特征向量;特征融合模块340,用于融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;检查项目描述调取模块350,用于获取备选检查项目的文本描述;检查项目语义理解模块360,用于将所述备选检查项目的文本描述通过包含嵌入层的第三上下文编码器以得到备选检查项目语义理解特征向量;关联模块370,用于对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;调制模块380,用于对所述匹配特征矩阵进行特征分布调制以得到优化匹配特征矩阵;以及,管理结果生成模块390,用于将所述优化匹配特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向被检人员推荐所述备选检查项目。
图2为根据本申请实施例的医院预约登记管理***的***架构图。如图2所示,在该网络架构中,首先通过所述被检人员信息调度模块310获取被检人员的基础信息和检查需求文本描述;接着,所述基础信息语义理解模块320将所述被检人员信息调度模块310获取被检人员的被检人员的基础信息通过包含词嵌入层的第一上下文编码器以得到基础信息语义理解特征向量;所述检查需求语义理解模块330将所述被检人员信息调度模块310获取的检查需求文本描述通过包含嵌入层的第二上下文编码器以得到检查需求语义理解特征向量;所述特征融合模块340融合所述基础信息语义理解模块320得到的基础信息语义理解特征向量和所述检查需求语义理解模块330得到的检查需求语义理解特征向量以得到对象需求语义理解特征向量;所述检查项目描述调取模块350获取备选检查项目的文本描述;然后,所述检查项目语义理解模块360将所述检查项目描述调取模块350获取的备选检查项目的文本描述通过包含嵌入层的第三上下文编码器以得到备选检查项目语义理解特征向量;所述关联模块370对所述特征融合模块340融合所得的对象需求语义理解特征向量和所述检查项目语义理解模块360得到的备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;所述调制模块380对所述匹配特征矩阵进行特征分布调制以得到优化匹配特征矩阵;进而,所述管理结果生成模块390将所述优化匹配特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向被检人员推荐所述备选检查项目。
具体地,在所述医院预约登记管理***300的运行过程中,所述被检人员信息调度模块310,用于获取被检人员的基础信息和检查需求文本描述。应可以理解,若要为员工推荐适配的体检项目,首先应获取该被检人员的个人基础信息,而在实际对于被检人员推荐适配的体检项目过程中,本质上是一个文本匹配的问题,也就是说,对于被检人员的基础信息和检查需求以及体检项目分别进行全局的上下文语义理解,并且基于各自的语义理解信息来进行语义特征的匹配,从而实现基于被检人员的情况为其推荐适配的体检项目,以在准确地进行员工的适配体检项目推荐。因此,在本申请的一个具体示例中,还需获取检查需求文本描述信息。
具体地,在所述医院预约登记管理***300的运行过程中,所述基础信息语义理解模块320,用于将所述被检人员的基础信息通过包含词嵌入层的第一上下文编码器以得到基础信息语义理解特征向量。考虑到由于所述被检人员的基础信息是由多个词组成的,因此,为了能够准确地对于所述被检人员的基础信息进行语义理解,使用包含词嵌入层的上下文编码器来分别对于所述被检人员的基础信息进行语义特征的提取,以此来提取出所述被检人员的基础信息的上下文语义理解特征信息,即所述被检人员的基础信息的全局语义信息。在本申请的技术方案中,首先,为避免后续进行语义特征提取时的词序混乱,将所述被检人员的基础信息进行分词处理以得到由多个词组成的词序列,再使用包含嵌入层的第一上下文编码器分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列,接着使用第一上下文编码器的转换器对所述词嵌入向量的序列进行全局上下文语义编码以得到多个全局上下文语义特征向量;最后将所述多个全局上下文语义特征向量以得到包含所述被检人员的基础信息的上下文语义理解特征信息的基础信息语义理解特征向量。其中,上下文编码器是基于transformer模型的编码器。
图3为根据本申请实施例的医院预约登记管理***中基础信息语义理解模块的框图。如图3所示,所述基础信息语义理解模块320,包括:第一分词单元321,用于对所述被检人员的基础信息进行分词处理以将所述被检人员的基础信息转化为由多个词组成的词序列;第一词嵌入单元322,用于使用所述包含嵌入层的第一上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;第一上下文编码单元323,用于使用所述包含嵌入层的第一上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,第一级联单元324,用于将所述多个全局上下文语义特征向量进行级联以得到所述基础信息语义理解特征向量。其中,所述第一上下文编码单元,包括:查询向量构造子单元,用于将所述词嵌入向量的序列进行一维排列以得到词特征向量;自注意子单元,用于计算所述词特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量;级联子单元,用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
具体地,在所述医院预约登记管理***300的运行过程中,所述检查需求语义理解模块330,用于将所述检查需求文本描述通过包含嵌入层的第二上下文编码器以得到检查需求语义理解特征向量。应可以理解,所述检查需求文本描述也是由多个词组成的,并且各个词之间具有着关联性的上下文语义特征信息,因此,为了能够准确地对于所述检查需求文本描述进行语义理解,使用包含词嵌入层的上下文编码器来对所述检查需求文本描述进行语义特征的提取,以此来提取出上下文语义理解特征信息,即所述检查需求文本描述的全局语义信息。具体地,首先,对所述检查需求文本描述进行分词处理以将所述检查需求文本描述转化为由多个词组成的词序列;再使用所述包含嵌入层的第二上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;接着,使用所述包含嵌入层的第二上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;最后,将所述多个全局上下文语义特征向量进行级联以得到包含所述检查需求上下文语义理解特征信息的检查需求语义理解特征向量。
具体地,在所述医院预约登记管理***300的运行过程中,所述特征融合模块340,用于融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量。也就是,在得到所述基础信息语义理解特征向量和所述检查需求语义理解特征向量后,融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量,以此来融合所述被检人员的基础信息中的语义特征信息和所述检查需求文本描述中的语义特征信息,即关于所述被检人员关于体检的综合适配特征,从而得到对象需求语义理解特征向量。具体地,在本申请的一个具体示例中,可通过级联的方式来融合两者的特征信息,更具体地,以如下公式来融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;其中,所述公式为:其中,/>表示所述基础信息语义理解特征向量,/>表示所述检查需求语义理解特征向量,表示级联函数,/>表示所述对象需求语义理解特征向量。
具体地,在所述医院预约登记管理***300的运行过程中,所述检查项目描述调取模块350,用于获取备选检查项目的文本描述。应可以理解,在得到对象需求语义理解特征向量后,为挖掘出被检人员信息的语义理解特征和备选检查项目的语义理解特征,因此,在本申请的技术方案中,还需获取备选检查项目的文本描述。
具体地,在所述医院预约登记管理***300的运行过程中,所述检查项目语义理解模块360,用于将所述备选检查项目的文本描述通过包含嵌入层的第三上下文编码器以得到备选检查项目语义理解特征向量。考虑到备选检查项目的文本描述也是由多个词组成的,并且各个词之间也具有着上下文的语义关联特征,因此,为了能够对于备选检查项目的各个类型进行深层语义理解,以此来准确地向被检人员推荐适配的备选检查项目,在本申请的技术方案中,在获取备选检查项目的文本描述后,也将其通过包含嵌入层的第三上下文编码器中进行上下文语义编码,以此来得到具有所述备选检查项目的文本描述的基于全局的上下文语义理解特征信息的备选检查项目语义理解特征向量。具体地,为避免后续进行语义特征提取时的词序混乱,对所述备选检查项目的文本描述进行分词处理以将所述备选检查项目的文本描述转化为由多个词组成的词序列;使用所述包含嵌入层的第三上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;接着使用所述包含嵌入层的第三上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;最后将所述多个全局上下文语义特征向量进行级联以得到包含所述备选检查项目上下文语义理解特征信息的备选检查项目语义理解特征向量。
具体地,在所述医院预约登记管理***300的运行过程中,所述关联模块370,用于对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵。也就是,在对于所述被检人员信息和所述备选检查项目信息进行深度的基于全局的语义理解后,为了探究这两者之间的匹配程度,以此来向被检人员推荐合适的备选检查项目,在本申请的技术方案中,进一步对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码,以此来对于所述被检人员信息的上下文语义理解特征和所述备选检查项目信息的上下文语义理解特征进行特征关联,从而得到匹配特征矩阵。更具体地,在本申请的一个具体示例中,以如下公式对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;其中,所述公式为:其中/>表示所述对象需求语义理解特征向量,/>表示所述对象需求语义理解特征向量的转置向量,/>表示所述备选检查项目语义理解特征向量,表示所述匹配特征矩阵,/>表示向量相乘。
具体地,在所述医院预约登记管理***300的运行过程中,所述调制模块380,用于对所述匹配特征矩阵进行特征分布调制以得到优化匹配特征矩阵。在本申请的技术方案中,在融合所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量得到所述匹配特征矩阵时,是将所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量按位置相乘以得到所述匹配特征矩阵的相应位置的特征值。而由于所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量分别表达所述被检人员的基础信息和检查需求信息的上下文语义的聚合表示和所述体检项目的文本描述的上下文语义,两者之间的语义分布并不一致,因此在按位置相乘后,所述匹配特征矩阵的整体特征分布会存在与所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量的单独的特征分布的分布偏差,影响所述匹配特征矩阵通过分类器得到的分类结果的准确性。因此,首先将所述匹配特征矩阵展开为匹配特征向量,例如记为,再对所述匹配特征向量/>进行向量赋范的希尔伯特概率空间化,具体表示为:/>这里,/>表示所述匹配特征向量/>的二范数,/>表示其平方,即所述匹配特征向量/>自身的内积,/>是所述匹配特征向量/>的第/>个特征值,且/>是优化后的匹配特征向量/>的第/>个特征值。这里,所述向量赋范的希尔伯特概率空间化通过所述匹配特征向量/>自身的赋范在定义了向量内积的希尔伯特空间内进行所述匹配特征向量/>的概率性解释,并降低所述匹配特征向量/>的特殊分布表达对整体希尔伯特空间拓扑的分布表达的隐蔽扰动,由此提高所述匹配特征向量/>的特征分布收敛到自然分布的鲁棒性,同时依靠度量诱导概率空间结构的建立来提升所述匹配特征向量/>的特征分布对自然分布的跨生成器的长程依赖。这样,再将所述匹配特征向量/>恢复为所述匹配特征矩阵,就提升了所述匹配特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地基于被检人员的实际情况来为其推荐适配的体检项目,以在准确地进行员工的适配体检项目推荐的同时节省人工的工作量。
图4为根据本申请实施例的医院预约登记管理***中调制模块的框图。如图4所示,所述调制模块380,包括:展开单元381,用于将所述匹配特征矩阵按行或列展开为匹配特征向量;特征优化单元382,用于以如下公式对所述匹配特征向量进行向量赋范的希尔伯特概率空间化以得到优化匹配特征向量;其中,所述公式为:其中/>是所述匹配特征向量,/>表示所述匹配特征向量的二范数,/>表示所述匹配特征向量的二范数的平方,/>是所述匹配特征向量的第/>个特征值,/>表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且/>是所述优化匹配特征向量的第/> 个特征值;以及,矩阵重构单元383,用于将所述优化匹配特征向量进行矩阵重构以得到所述优化匹配特征矩阵。
具体地,在所述医院预约登记管理***300的运行过程中,所述管理结果生成模块390,用于将所述优化匹配特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向被检人员推荐所述备选检查项目。也就是,将所述优化匹配特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以所述被检人员信息的语义特征和所述备选检查项目的语义特征的关联性特征分布信息来进行分类,从而得到用于表示是否向被检人员推荐所述备选检查项目的分类结果。更具体地,使用所述分类器以如下公式对所述优化匹配特征矩阵进行处理以获得分类结果,其中,所述公式为: ,其中/> 表示将所述优化匹配特征矩阵投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/> 表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述优化匹配特征矩阵投影为向量,例如,在一个具体的示例中,将所述优化匹配特征矩阵沿着行向量或者列向量进行展开为分类特征向量;然后,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签,在本申请的一个具体示例中,所述分类器的标签包括向被检人员推荐所述备选检查项目,以及,不向被检人员推荐所述备选检查项目,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。这样,能够基于所述分类结果来准确地进行员工的适配体检项目推荐的同时节省人工的工作量。
图5为根据本申请实施例的医院预约登记管理***中管理结果生成模块的框图。如图5所示,所述管理结果生成模块390,包括:矩阵展开单元391,用于将所述优化匹配特征矩阵基于行向量或列向量展开为分类特征向量;全连接编码单元392,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元393,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的医院预约登记管理***300被阐明,其通过采用基于深度学习的神经网络模型,采用包含嵌入层的上下文编码器挖掘出被检人员信息的语义理解特征和备选检查项目的语义理解特征,进一步以所述被检人员信息的语义特征和所述备选检查项目的语义特征的关联性特征分布信息来进行分类,从而得到用于表示是否向被检人员推荐所述备选检查项目的分类结果。这样,能够基于所述分类结果来准确地进行员工的适配体检项目推荐。
如上所述,根据本申请实施例的医院预约登记管理***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的医院预约登记管理***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该医院预约登记管理***300可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该医院预约登记管理***300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该医院预约登记管理***300与该终端设备也可以是分立的设备,并且该医院预约登记管理***300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:图6为根据本申请实施例的医院预约登记管理方法的流程图。如图6所示,根据本申请实施例的医院预约登记管理方法,包括步骤:S110,获取被检人员的基础信息和检查需求文本描述;S120,将所述被检人员的基础信息通过包含词嵌入层的第一上下文编码器以得到基础信息语义理解特征向量;S130,将所述检查需求文本描述通过包含嵌入层的第二上下文编码器以得到检查需求语义理解特征向量;S140,融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;S150,获取备选检查项目的文本描述;S160,将所述备选检查项目的文本描述通过包含嵌入层的第三上下文编码器以得到备选检查项目语义理解特征向量;S170,对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;S180,对所述匹配特征矩阵进行特征分布调制以得到优化匹配特征矩阵;以及,S190,将所述优化匹配特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向被检人员推荐所述备选检查项目。
在一个示例中,在上述医院预约登记管理方法中,所述步骤S120,包括:对所述被检人员的基础信息进行分词处理以将所述被检人员的基础信息转化为由多个词组成的词序列;使用所述包含嵌入层的第一上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的第一上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述基础信息语义理解特征向量。其中,所述使用所述包含嵌入层的第一上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量,包括:将所述词嵌入向量的序列进行一维排列以得到词特征向量;计算所述词特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量;将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
在一个示例中,在上述医院预约登记管理方法中,所述步骤S130,包括:对所述检查需求文本描述进行分词处理以将所述检查需求文本描述转化为由多个词组成的词序列;使用所述包含嵌入层的第二上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的第二上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述检查需求语义理解特征向量。
在一个示例中,在上述医院预约登记管理方法中,所述步骤S140,包括:以如下公式来融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;其中,所述公式为:其中,/>表示所述基础信息语义理解特征向量,/>表示所述检查需求语义理解特征向量,/>表示级联函数,表示所述对象需求语义理解特征向量。
在一个示例中,在上述医院预约登记管理方法中,所述步骤S160,包括:对所述备选检查项目的文本描述进行分词处理以将所述备选检查项目的文本描述转化为由多个词组成的词序列;使用所述包含嵌入层的第三上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含嵌入层的第三上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述备选检查项目语义理解特征向量。
在一个示例中,在上述医院预约登记管理方法中,所述步骤S170,包括:以如下公式对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;其中,所述公式为:其中/>表示所述对象需求语义理解特征向量,/>表示所述对象需求语义理解特征向量的转置向量,/>表示所述备选检查项目语义理解特征向量,/>表示所述匹配特征矩阵,/>表示向量相乘。
在一个示例中,在上述医院预约登记管理方法中,所述步骤S180,包括:将所述匹配特征矩阵按行或列展开为匹配特征向量;以如下公式对所述匹配特征向量进行向量赋范的希尔伯特概率空间化以得到优化匹配特征向量;其中,所述公式为:其中/>是所述匹配特征向量,/>表示所述匹配特征向量的二范数,/>表示所述匹配特征向量的二范数的平方,/>是所述匹配特征向量的第/>个特征值,/>表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且/>是所述优化匹配特征向量的第/> 个特征值;以及,将所述优化匹配特征向量进行矩阵重构以得到所述优化匹配特征矩阵。
在一个示例中,在上述医院预约登记管理方法中,所述步骤S190,包括:将所述优化匹配特征矩阵基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的医院预约登记管理方法被阐明,其通过采用基于深度学习的神经网络模型,采用包含嵌入层的上下文编码器挖掘出被检人员信息的语义理解特征和备选检查项目的语义理解特征,进一步以所述被检人员信息的语义特征和所述备选检查项目的语义特征的关联性特征分布信息来进行分类,从而得到用于表示是否向被检人员推荐所述备选检查项目的分类结果。这样,能够基于所述分类结果来准确地进行员工的适配体检项目推荐。
示例性电子设备:下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的医院预约登记管理***中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化匹配特征矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的医院预约登记管理方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的医院预约登记管理方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种医院预约登记管理***,其特征在于,包括:被检人员信息调度模块,用于获取被检人员的基础信息和检查需求文本描述;基础信息语义理解模块,用于将所述被检人员的基础信息通过包含词嵌入层的第一上下文编码器以得到基础信息语义理解特征向量;检查需求语义理解模块,用于将所述检查需求文本描述通过包含嵌入层的第二上下文编码器以得到检查需求语义理解特征向量;特征融合模块,用于融合所述基础信息语义理解特征向量和所述检查需求语义理解特征向量以得到对象需求语义理解特征向量;检查项目描述调取模块,用于获取备选检查项目的文本描述;检查项目语义理解模块,用于将所述备选检查项目的文本描述通过包含嵌入层的第三上下文编码器以得到备选检查项目语义理解特征向量;关联模块,用于对所述对象需求语义理解特征向量和所述备选检查项目语义理解特征向量进行关联编码以得到匹配特征矩阵;调制模块,用于对所述匹配特征矩阵进行特征分布调制以得到优化匹配特征矩阵;以及管理结果生成模块,用于将所述优化匹配特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否向被检人员推荐所述备选检查项目。
2.根据权利要求1所述的医院预约登记管理***,其特征在于,所述基础信息语义理解模块,包括:第一分词单元,用于对所述被检人员的基础信息进行分词处理以将所述被检人员的基础信息转化为由多个词组成的词序列;第一词嵌入单元,用于使用所述包含嵌入层的第一上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;第一上下文编码单元,用于使用所述包含嵌入层的第一上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及第一级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述基础信息语义理解特征向量。
3.根据权利要求2所述的医院预约登记管理***,其特征在于,所述第一上下文编码单元,包括:查询向量构造子单元,用于将所述词嵌入向量的序列进行一维排列以得到词特征向量;自注意子单元,用于计算所述词特征向量与所述词嵌入向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量;级联子单元,用于将所述多个上下文语义特征向量进行级联以得到所述多个全局上下文语义特征向量。
4.根据权利要求3所述的医院预约登记管理***,其特征在于,所述检查需求语义理解模块,包括:第二分词单元,用于对所述检查需求文本描述进行分词处理以将所述检查需求文本描述转化为由多个词组成的词序列;第二词嵌入单元,用于使用所述包含嵌入层的第二上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;第二上下文编码单元,用于使用所述包含嵌入层的第二上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及第二级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述检查需求语义理解特征向量。
6.根据权利要求5所述的医院预约登记管理***,其特征在于,所述检查项目语义理解模块,包括:第三分词单元,用于对所述备选检查项目的文本描述进行分词处理以将所述备选检查项目的文本描述转化为由多个词组成的词序列;第三词嵌入单元,用于使用所述包含嵌入层的第三上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;第三上下文编码单元,用于使用所述包含嵌入层的第三上下文编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及第三级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述备选检查项目语义理解特征向量。
8.根据权利要求7所述的医院预约登记管理***,其特征在于,所述调制模块,包括:展开单元,用于将所述匹配特征矩阵按行或列展开为匹配特征向量;特征优化单元,用于以如下公式对所述匹配特征向量进行向量赋范的希尔伯特概率空间化以得到优化匹配特征向量;其中,所述公式为:其中/>是所述匹配特征向量,/>表示所述匹配特征向量的二范数,/>表示所述匹配特征向量的二范数的平方,/>是所述匹配特征向量的第/>个特征值,/>表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且/>是所述优化匹配特征向量的第/> 个特征值;以及矩阵重构单元,用于将所述优化匹配特征向量进行矩阵重构以得到所述优化匹配特征矩阵。
9.根据权利要求8所述的医院预约登记管理***,其特征在于,所述管理结果生成模块,包括:矩阵展开单元,用于将所述优化匹配特征矩阵基于行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324778.7A CN116189865A (zh) | 2023-03-30 | 2023-03-30 | 医院预约登记管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324778.7A CN116189865A (zh) | 2023-03-30 | 2023-03-30 | 医院预约登记管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116189865A true CN116189865A (zh) | 2023-05-30 |
Family
ID=86436778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310324778.7A Pending CN116189865A (zh) | 2023-03-30 | 2023-03-30 | 医院预约登记管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189865A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
CN116682541A (zh) * | 2023-06-14 | 2023-09-01 | 杭州医初科技有限公司 | 医疗就诊的推荐***及其方法 |
CN117095802A (zh) * | 2023-10-17 | 2023-11-21 | 吉林大学 | 陪护人员的智能管理***及其方法 |
CN117171413A (zh) * | 2023-09-07 | 2023-12-05 | 滨州八爪鱼网络科技有限公司 | 用于数字藏品管理的数据处理***及其方法 |
CN117235630A (zh) * | 2023-11-15 | 2023-12-15 | 吉林大学 | 智慧病区可视化管理***及其方法 |
CN117789185A (zh) * | 2024-02-28 | 2024-03-29 | 浙江驿公里智能科技有限公司 | 基于深度学习的汽车油孔姿态识别***及方法 |
-
2023
- 2023-03-30 CN CN202310324778.7A patent/CN116189865A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431004A (zh) * | 2023-06-01 | 2023-07-14 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
CN116431004B (zh) * | 2023-06-01 | 2023-08-29 | 山东协和学院 | 康复机器人交互行为的控制方法及*** |
CN116682541A (zh) * | 2023-06-14 | 2023-09-01 | 杭州医初科技有限公司 | 医疗就诊的推荐***及其方法 |
CN117171413A (zh) * | 2023-09-07 | 2023-12-05 | 滨州八爪鱼网络科技有限公司 | 用于数字藏品管理的数据处理***及其方法 |
CN117171413B (zh) * | 2023-09-07 | 2024-03-08 | 滨州八爪鱼网络科技有限公司 | 用于数字藏品管理的数据处理***及其方法 |
CN117095802A (zh) * | 2023-10-17 | 2023-11-21 | 吉林大学 | 陪护人员的智能管理***及其方法 |
CN117095802B (zh) * | 2023-10-17 | 2024-01-26 | 吉林大学 | 陪护人员的智能管理***及其方法 |
CN117235630A (zh) * | 2023-11-15 | 2023-12-15 | 吉林大学 | 智慧病区可视化管理***及其方法 |
CN117235630B (zh) * | 2023-11-15 | 2024-03-05 | 吉林大学 | 智慧病区可视化管理***及其方法 |
CN117789185A (zh) * | 2024-02-28 | 2024-03-29 | 浙江驿公里智能科技有限公司 | 基于深度学习的汽车油孔姿态识别***及方法 |
CN117789185B (zh) * | 2024-02-28 | 2024-05-10 | 浙江驿公里智能科技有限公司 | 基于深度学习的汽车油孔姿态识别***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116189865A (zh) | 医院预约登记管理*** | |
US11604896B2 (en) | Systems and methods to improve data clustering using a meta-clustering model | |
CN109033068B (zh) | 基于注意力机制的用于阅读理解的方法、装置和电子设备 | |
CN104714931A (zh) | 用于选择用以代表表格式信息的方法和*** | |
CN110569332B (zh) | 一种语句特征的提取处理方法及装置 | |
CN107680661B (zh) | 用于估计医疗资源需求的***和方法 | |
CN115796173A (zh) | 针对监管报送需求的数据处理方法和*** | |
EP3407208A1 (en) | Ontology alignment apparatus, program, and method | |
CN117251699A (zh) | 基于人工智能的医疗大数据分析方法及*** | |
CN116663568B (zh) | 基于优先级的关键任务识别***及其方法 | |
CN116010586A (zh) | 一种健康建议的生成方法、装置、设备及存储介质 | |
CN116151604A (zh) | 一种web环境下办公***流程分析***及其方法 | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
US11783244B2 (en) | Methods and systems for holistic medical student and medical residency matching | |
KR102532216B1 (ko) | Esg 보조 툴을 이용하여 정형화된 esg 데이터로 이루어진 esg 데이터베이스를 구축하는 방법 및 이를 수행하는 esg 서비스 제공 시스템 | |
JP6811468B2 (ja) | 情報処理装置、データ検索方法、プログラム、データ構造及びデータ処理システム | |
CN113326698A (zh) | 检测实体关系的方法、模型训练方法及电子设备 | |
AU2019290658B2 (en) | Systems and methods for identifying and linking events in structured proceedings | |
Abedini et al. | Epci: an embedding method for post-correction of inconsistency in the RDF knowledge bases | |
US20200401877A1 (en) | Maintaining master data using hierarchical classification | |
US20240185043A1 (en) | Generating Synthetic Heterogenous Time-Series Data | |
KR102575752B1 (ko) | 앙상블 분류모델을 이용한 검진데이터 분류장치 및 분류방법 | |
CN116913501A (zh) | 基于机器视觉的甲状腺癌病理图像处理*** | |
Aryani et al. | Change propagation analysis using domain information | |
CN117555950B (zh) | 基于数据中台的数据血缘关系构建方法 |
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 |