医疗美容数据分类处理方法及系统技术方案

本申请涉及智能分类领域，其具体地公开了一种医疗美容数据分类处理方法及系统，其采用基于深度神经网络模型的人工智能技术，获取多个客户的医疗美容档案，分词处理后通过语义编码器将文本序列映射为低维的语义空间表示，再通过文本卷积神经网络和非局部网络分别捕捉到不同层次的语义信息和全局的语义关联，以得到用于表示各种医疗美容的项目类型的百分比

【技术实现步骤摘要】
医疗美容数据分类处理方法及系统


[0001]本申请涉及智能分类领域，且更为具体地，涉及一种医疗美容数据分类处理方法及系统
。

技术介绍

[0002]医疗美容数据是指与医疗美容相关的各种数据信息，包括患者信息
、
疾病信息
、
美容服务信息
、
美容产品信息等
。
[0003]对客户的医疗美容数据按照一定的分类标准进行分组可以为数据分析和决策提供支持，可以了解哪些服务项目更受欢迎
、
哪些服务项目效果更好，帮助机构或从业者更好地组织和管理医疗美容数据，从而优化服务的质量和效果
。
通过数据分析，可以发现服务项目的改进空间，提升客户满意度
。
[0004]但由于传统的技术是由人工来进行分类并统计，需要耗费大量的时间和人力资源
。
对大规模的医疗美容档案进行手工分类可能非常耗时，特别是当数据量庞大时，难免会出现错误
。
[0005]因此，期待一种优化的医疗美容数据分类处理方案
。

技术实现思路

[0006]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疗美容数据分类处理方法及系统，其采用基于深度神经网络模型的人工智能技术，获取多个客户的医疗美容档案，分词处理后通过语义编码器将文本序列映射为低维的语义空间表示，再通过文本卷积神经网络和非局部网络分别捕捉到不同层次的语义信息和全局的语义关联，以得到用于表示各种医疗美容的项目类型的百分比
。
进而能帮助了解不同项目类型在客户群体中的分布情况，为医疗美容服务提供决策依据和市场分析
。
[0007]根据本申请的一方面，提供了一种医疗美容数据分类处理方法，其包括：
[0008]获取多个客户的医疗美容档案；
[0009]将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量；
[0010]将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵；
[0011]将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图；
[0012]将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图；
[0013]将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图；
[0014]对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以
得到强化客户医疗美容语义全局特征图；
[0015]将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果，所述分类结果用于表示各种医疗美容的项目类型的百分比
。
[0016]在上述医疗美容数据分类处理方法中，将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量，包括：对所述客户的医疗美容档案进行分词处理以将所述客户的医疗美容档案转化为由多个词组成的医疗美容词序列；使用所述包含嵌入层的语义编码器的嵌入层分别将所述医疗美容词序列中各个词映射为词嵌入向量以得到医疗美容词嵌入向量的序列；使用所述包含嵌入层的语义编码器的转换器对所述医疗美容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医疗美容全局上下文语义理解特征向量；以及，将所述多个医疗美容全局上下文语义理解特征向量进行级联以得到所述医疗美容语义理解特征向量
。
[0017]在上述医疗美容数据分类处理方法中，使用所述包含嵌入层的语义编码器的转换器对所述医疗美容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医疗美容全局上下文语义理解特征向量，包括：将所述医疗美容词嵌入向量的序列进行一维排列以得到医疗美容全局特征向量；计算所述医疗美容全局特征向量与所述医疗美容词嵌入向量的序列中各个向量的转置向量之间的乘积以得到多个医疗美容自注意力关联矩阵；分别对所述多个医疗美容自注意力关联矩阵中各个医疗美容自注意力关联矩阵进行标准化处理以得到多个标准化后医疗美容自注意力关联矩阵；所述多个标准化后医疗美容自注意力关联矩阵中各个标准化后医疗美容自注意力关联矩阵通过
Softmax
分类函数以得到多个医疗美容概率值；以及，分别以所述多个医疗美容概率值中各个医疗美容概率值作为权重对所述医疗美容词嵌入向量的序列中各个向量进行加权以得到所述多个医疗美容全局上下文语义理解特征向量
。
[0018]在上述医疗美容数据分类处理方法中，将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图，用于：使用所述作为特征提取器的文本卷积神经网络以如下卷积公式对所述医疗美容语义特征矩阵进行处理以得到所述医疗美容语义局部特征图；其中，所述卷积公式为：
[0019]f
i
＝
GP{Sigmoid(N
i
×
f
i
‑1+B
i
)}
[0020]其中，
f
i
‑1为第
i
层卷积神经网络模型的输入，
f
i
为第
i
层卷积神经网络模型的输出，
N
i
为第
i
层卷积神经网络模型的过滤器，且
B
i
为第
i
层卷积神经网络模型的偏置矩阵，
Sigmoid
表示非线性激活函数，且
GP
表示对特征图的每个特征矩阵进行局部特征池化操作
。
[0021]在上述医疗美容数据分类处理方法中，将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图，包括：分别对所述医疗美容语义局部特征图进行第一点卷积处理
、
第二点卷积处理和第三点卷积处理以得到第一特征图
、
第二特征图和第三特征图；计算所述第一特征图和所述第二特征图之间的按位置加权和以得到医疗美容语义融合特征图；将所述医疗美容语义融合特征图输入
Softmax
函数以将所述医疗美容语义融合特征图中各个位置的特征值映射到概率空间中以得到医疗美容语义归一化融合特征图；计算所述医疗美容语义归一化融合特征图和所述第三特征图之间的按位置点乘以得到医疗美容语义再融合特征图；将所述疗美容语义再融合医特征图通过
嵌入高斯相似性函数以得到医疗美容语义全局相似特征图；对所述医疗美容语义全局相似特征图进行第四点卷积处理以调整所述医疗美容语义全局相似特征图的通道数以得到医疗美容语义通道调整全局相似特征图；以及，计算所述医疗美容语义通道调整全局相似特征图和所述医疗美容语义局部特征图的按位置加权和以得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种医疗美容数据分类处理方法，其特征在于，包括：获取多个客户的医疗美容档案；将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量；将所述各个客户的多个医疗美容语义理解特征向量二维排列为多个医疗美容语义特征矩阵；将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图；将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图；将所述多个医疗美容语义全局特征图进行级联以得到所述客户医疗美容语义全局特征图；对所述客户医疗美容语义全局特征图进行特征值量化分布特征的自相关强化以得到强化客户医疗美容语义全局特征图；将所述强化客户医疗美容语义全局特征图通过分类器以得到分类结果，所述分类结果用于表示各种医疗美容的项目类型的百分比
。2.
根据权利要求1所述的医疗美容数据分类处理方法，其特征在于，将所述多个客户的医疗美容档案进行分词处理后通过包含嵌入层的语义编码器以得到各个客户的多个医疗美容语义理解特征向量，包括：对所述客户的医疗美容档案进行分词处理以将所述客户的医疗美容档案转化为由多个词组成的医疗美容词序列；使用所述包含嵌入层的语义编码器的嵌入层分别将所述医疗美容词序列中各个词映射为词嵌入向量以得到医疗美容词嵌入向量的序列；使用所述包含嵌入层的语义编码器的转换器对所述医疗美容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医疗美容全局上下文语义理解特征向量；将所述多个医疗美容全局上下文语义理解特征向量进行级联以得到所述医疗美容语义理解特征向量
。3.
根据权利要求2所述的医疗美容数据分类处理方法，其特征在于，使用所述包含嵌入层的语义编码器的转换器对所述医疗美容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医疗美容全局上下文语义理解特征向量，包括：将所述医疗美容词嵌入向量的序列进行一维排列以得到医疗美容全局特征向量；计算所述医疗美容全局特征向量与所述医疗美容词嵌入向量的序列中各个向量的转置向量之间的乘积以得到多个医疗美容自注意力关联矩阵；分别对所述多个医疗美容自注意力关联矩阵中各个医疗美容自注意力关联矩阵进行标准化处理以得到多个标准化后医疗美容自注意力关联矩阵；所述多个标准化后医疗美容自注意力关联矩阵中各个标准化后医疗美容自注意力关联矩阵通过
Softmax
分类函数以得到多个医疗美容概率值；分别以所述多个医疗美容概率值中各个医疗美容概率值作为权重对所述医疗美容词
嵌入向量的序列中各个向量进行加权以得到所述多个医疗美容全局上下文语义理解特征向量
。4.
根据权利要求3所述的医疗美容数据分类处理方法，其特征在于，将所述多个医疗美容语义特征矩阵通过作为特征提取器的文本卷积神经网络以得到多个医疗美容语义局部特征图，用于：使用所述作为特征提取器的文本卷积神经网络以如下卷积公式对所述医疗美容语义特征矩阵进行处理以得到所述医疗美容语义局部特征图；其中，所述卷积公式为：
f
i
＝
GP{Sigmoid(N
i
×
f
i
‑1+B
i
)}
其中，
f
i
‑1为第
i
层卷积神经网络模型的输入，
f
i
为第
i
层卷积神经网络模型的输出，
N
i
为第
i
层卷积神经网络模型的过滤器，且
B
i
为第
i
层卷积神经网络模型的偏置矩阵，
Sigmoid
表示非线性激活函数，且
GP
表示对特征图的每个特征矩阵进行局部特征池化操作
。5.
根据权利要求4所述的医疗美容数据分类处理方法，其特征在于，将所述多个医疗美容语义局部特征图通过非局部神经网络以得到所述多个医疗美容语义全局特征图，包括：分别对所述医疗美容语义局部特征图进行第一点卷积处理
、
第二点卷积处理和第三点卷积处理以得到第一特征图
、
第二特征图和第三特征图；计算所述第一特征图和所述第二特征图之间的按位置加权和以得到医疗美容语义融合特征图；将所述医疗美容语义融合特征图输入
Softmax
函数以将所述医疗美容语义融合特征图中各个位置的特征值映射到概率空间中以...

【专利技术属性】
技术研发人员：韩之雷，周丽艳，饶正伟，蒋虹，
申请(专利权)人：江西汉氏医学发展有限公司，
类型：发明
国别省市：