[发明专利]基于模型的数据处理方法、装置、计算机设备和存储介质

权利要求书

1.一种基于模型的数据处理方法，其特征在于，包括：

获取与目标用户对应的多模态医疗数据，其中，所述多模态医疗数据包括结构化医疗数据与非结构化医疗数据；

将所述多模态医疗数据输入至预设的预测模型，其中，所述预测模型为基于预先采集的样本数据对预设的深度学习模型进行训练后生成，所述深度学习模型包括词嵌入层、值嵌入层、类型嵌入层、输入嵌入层、中间层与分类层；

通过所述预测模型对所述多模态医疗数据进行关于类别信息分类的预测处理，并输出相应的类别预测列表，其中，所述类别预测列表内包含疑似类别信息，以及与所述疑似类别信息对应的预测概率；

从所述类别预测列表中筛选出目标类别信息；

将所述目标类别信息作为与所述目标用户对应的目标类别预测结果。

2.根据权利要求1所述的基于模型的数据处理方法，其特征在于，所述将所述多模态医疗数据输入至预设的预测模型的步骤之前，包括：

获取预先采集的所述样本数据，其中，所述样本数据包括用户基本医疗信息与用户类别标签信息，所述用户基本医疗信息包括结构化数据与非结构化数据；

通过所述深度学习模型的值嵌入层与类型嵌入层对所述结构化数据进行处理，以及通过所述深度学习模型的词嵌入层、值嵌入层与类型嵌入层对所述非结构化数据进行处理，生成与所述用户基本医疗信息对应的用户基本医疗信息向量数据，并将所述用户基本医疗信息向量数据输入至所述深度学习模型的输入嵌入层；

将所述输入嵌入层中的所述用户基本医疗信息向量数据输入至所述深度学习模型的中间层，通过所述中间层对所述用户基本医疗信息向量数据进行数据处理，生成相应的特征向量；

将所述特征向量输入至所述深度学习模型的分类层，通过预设的softmax函数计算出所述特征向量属于所述用户类别标签信息的概率值；

基于所述概率值，判断预设的损失函数是否收敛；

若所述损失函数收敛，则判定完成模型训练过程，并将得到的训练完成的深度学习模型作为所述预测模型；

将所述预测模型存储至区块链网络中。

3.根据权利要求2所述的基于模型的数据处理方法，其特征在于，所述通过所述深度学习模型的值嵌入层与类型嵌入层对所述结构化数据进行处理，以及通过所述深度学习模型的词嵌入层、值嵌入层与类型嵌入层对所述非结构化数据进行处理，生成与所述用户基本医疗信息对应的用户基本医疗信息向量数据的步骤，包括：

获取所述用户基本医疗信息中的结构化数据，将所述结构化数据转化为类型名称数据与数值数据；

将所述数值数据输入至所述深度学习模型的值嵌入层，以及将所述类型名称数据输入至所述深度学习模型的类型嵌入层；

获取所述用户基本医疗信息中的非结构化数据；

将所述非结构化数据输入至所述深度学习模型的词嵌入层，通过所述词嵌入层将所述非结构化数据转化为对应的向量数据；

获取与各所述非结构化数据的类型分别对应的类型数据；

将所述向量数据输入至所述深度学习模型的值嵌入层，以及将所述类型数据输入至所述深度学习模型的类型嵌入层；

基于所述值嵌入层与所述类型嵌入层中包含的数据，生成与所述用户基本医疗信息对应的所述用户基本医疗信息向量数据。

4.根据权利要求3所述的基于模型的数据处理方法，其特征在于，所述基于所述值嵌入层与所述类型嵌入层中包含的数据，生成与所述用户基本医疗信息对应的所述用户基本医疗信息向量数据的步骤，包括：

分别查找出所述值嵌入层与所述类型嵌入层中包含的具有对应关系的相关数据，其中，所有具有对应关系的相关数据是指同时对应于同一结构化数据的类型名称数据与数值数据，或者是指同时对应于同一非结构化数据的向量数据与类型数据；

分别对所述值嵌入层与所述类型嵌入层中包含的所述相关数据进行拼接处理，得到对应的拼接数据；

将所述拼接数据作为所述用户基本医疗信息向量数据。