[發明專利]一種基于深度神經網絡的數據處理方法及裝置

有效

• 申請號: 202010412571.1
• 申請日: 2020-05-15
• 公開（公告）號: CN111696636B
• 公開（公告）日: 2023-09-22
• 發明（設計）人: 李彥軒;唐蕊;孫行智
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G16H10/60
• 分類號: G16H10/60;G06F18/24;G06N3/04;G06N3/08;G06F18/23;G06F18/213;G06F18/27
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強

1.一種基于深度神經網絡的數據處理方法，其特征在于，包括：

獲取至少2個訓練樣本，所述至少2個訓練樣本中的每個訓練樣本為四元組，所述四元組包括錨點的特征向量、正樣本的特征向量、負樣本的特征向量以及假樣本的特征向量，所述錨點為質量合格的病歷數據，所述正樣本為與所述錨點類別相同且質量合格的病歷數據，所述負樣本為與所述錨點類別不相同且質量合格的病歷數據，所述假樣本為質量不合格的病歷數據；

將所述至少2個訓練樣本依次輸入構建好的深度神經網絡DNN模型進行訓練，使訓練后所述DNN模型的損失函數減小至預設波動范圍，所述DNN模型的損失函數為四元組損失函數，所述四元組損失函數由所述錨點的特征向量輸入所述DNN模型得到的嵌入向量分別與所述正樣本的特征向量、所述負樣本的特征向量、所述假樣本的特征向量輸入所述DNN模型得到的嵌入向量之間的差異確定；所述四元組損失函數為：

；

其中，所述L表示所述四元組損失函數，所述a表示所述錨點的特征向量輸入所述DNN模型后得到的嵌入向量，所述p表示正樣本的特征向量輸入所述DNN模型后得到的嵌入向量，所述n表示負樣本的特征向量輸入所述DNN模型后得到的嵌入向量，所述F表示假樣本的特征向量輸入所述DNN模型后得到的嵌入向量，所述k為系數，所述d(a,p)表示所述a與所述p之間的距離，所述d(a,n)表示所述a與所述n之間的距離，所述d(a,F)表示所述a與所述F之間的距離；

將待預測病歷數據的特征向量輸入訓練好的DNN模型中處理，得到所述待預測病歷數據對應的目標嵌入向量；

將所述至少2個訓練樣本中所有假樣本的特征向量依次輸入訓練好的DNN模型中處理，得到所述所有假樣本對應的嵌入向量，其中一個假樣本對應一個嵌入向量；

將所述所有假樣本對應的嵌入向量之間的均值向量確定為質量嵌入向量；

若所述目標嵌入向量與所述質量嵌入向量之間的距離大于或等于預設的質量異常距離，則確定所述待預測病歷數據的質量為不合格；

若所述目標嵌入向量與所述質量嵌入向量之間的距離小于所述質量異常距離，則確定所述待預測病歷數據的質量為合格。

2.根據權利要求1所述的方法，其特征在于，所述確定所述待預測病歷數據的質量為合格之后，所述方法還包括：

根據所述目標嵌入向量與各個類別嵌入向量之間的距離、和所述各個類別嵌入向量對應的類別距離，確定所述待預測病歷數據的類別。

3.根據權利要求2所述的方法，其特征在于，所述根據所述目標嵌入向量與各個類別嵌入向量之間的距離、和所述各個類別嵌入向量對應的類別距離，確定所述待預測病歷數據的類別，包括：

若所述目標嵌入向量與各個類別嵌入向量中類別嵌入向量w之間的距離小于或等于所述類別嵌入向量w對應的類別距離，則確定所述待預測病歷數據的類別為第一類別，所述第一類別為所述類別嵌入向量w對應的類別。

4.根據權利要求3所述的方法，其特征在于，所述方法還包括：

若所述目標嵌入向量與各個類別嵌入向量之間的距離均大于所述各個類別嵌入向量對應的類別距離，則確定所述待預測病歷數據的類別為第二類別，所述第二類別與所述各個類別嵌入向量對應的類別均不相同。