[发明专利]用户画像生成方法、装置、设备及存储介质

说明书

本发明涉及数字医疗领域，公开了一种用户画像生成方法、装置、设备及存储介质，用于提高用户画像生成的准确率。所述用户画像生成方法包括：对目标症状数据中的实体和属性数据进行抽取，得到目标数据，并对目标症状数据进行编码处理，得到目标向量；将目标向量输入预置的数据处理模型中进行特征提取，得到特征数据；将目标数据输入预置的神经网络模型中进行融合映射，得到映射数据；对特征数据和映射数据进行数据融合，得到融合数据；将融合数据输入预置的线性回归层进行逻辑回归运算，得到目标相似度，并根据目标相似度生成目标用户的用户画像。此外，本发明还涉及区块链技术，用户画像可存储于区块链节点中。

技术领域

本发明涉及用户画像领域，尤其涉及一种用户画像生成方法、装置、设备及存储介质。

背景技术

随着计算机技术的高速发展，通过机器人与用户进行沟通并处理用户需求的效率十分高而且能节省较大的人工成本。随着医疗信息化的进程加快，电子病例和健康档案的建立，正在实现通过人工智能技术对碎片化医学信息进行整理和分析，从而提高医疗服务质量。随着深度学习技术的兴起，深度学习模型，可以支持疾病辅助诊断、健康管理、远程会诊等功能。

目前，用户画像生成通常是基于用户的医疗数据，数据是医疗数据，如个人健康档案、处方、检查报告等数据，通过深度学习模型对用户的医疗数据进行处理生成用户画像，但是通过单一的深度学习模型进行处理用户的医疗数据，生成的用户画像准确率低。

发明内容

本发明提供了一种用户画像生成方法、装置、设备及存储介质，用于提高用户画像生成的准确率。

本发明第一方面提供了一种用户画像生成方法，所述用户画像生成方法包括：获取目标用户的目标症状数据，所述目标症状数据用于指示所述目标用户对应的多个症状名称；对所述目标症状数据中的实体和属性数据进行抽取，得到目标数据，并对所述目标症状数据进行编码处理，得到目标向量；将所述目标向量输入预置的数据处理模型中进行特征提取，得到特征数据；将所述目标数据输入预置的神经网络模型中进行融合映射，得到映射数据；对所述特征数据和所述映射数据进行数据融合，得到融合数据；将所述融合数据输入预置的线性回归层进行逻辑回归运算，得到目标相似度，并根据所述目标相似度生成所述目标用户的用户画像。

可选的，在本发明第一方面的第一种实现方式中，在所述获取目标用户的目标症状数据之前，还包括：获取多个样本数据，并对所述多个样本数据进行实体和属性数据抽取，得到多个样本目标数据；将所述多个样本目标数据输入预置的第一训练模型中进行特征提取，得到多个样本映射数据；分别计算所述多个样本映射数据的损失值，得到多个第一损失值；根据所述多个第一损失值对所述第一训练模型进行参数调整，直至所述第一训练模型收敛，得到神经网络模型。

可选的，在本发明第一方面的第二种实现方式中，在所述获取目标用户的症状数据之前，在所述获取多个样本数据之后，还包括：对所述多个样本数据进行编码处理，得到多个样本目标向量；将所述多个样本目标向量输入预置的第二训练模型中进行语义分析，得到多个样本特征数据；分别计算所述多个样本特征数据的损失值，得到多个第二损失值；根据所述多个第二损失值对所述第二训练模型进行参数调整，直至所述第二训练模型收敛，得到数据处理模型。

可选的，在本发明第一方面的第三种实现方式中，所述对所述目标症状数据中的实体和属性数据进行抽取，得到目标数据，并对所述目标症状数据进行编码处理，得到目标向量，包括：基于预置的关键词库对所述目标症状数据进行实体和属性数据抽取，得到目标数据；对所述目标症状数据进行词向量转换，得到目标词向量，并对所述目标症状数据进行段向量转换，得到目标段向量，以及对所述目标症状数据进行位置向量转换，得到目标位置向量；对所述目标词向量、所述目标段向量和所述目标位置向量进行拼接，得到目标向量。