[發明專利]一種認知篩查數據處理建模的模型投票組合的方法及裝置

在審

• 申請號: 202011275969.1
• 申請日: 2020-11-16
• 公開（公告）號: CN113536072A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 陳智軒;陳立典;雷彪;李湄珍;陶靜;楊珊莉;薛偕華;吳勁松;姚凌翔;林騰達;肖衍
• 申請（專利權）人: 廈門市和家健腦智能科技有限公司;福建中醫藥大學
• 主分類號: G06F16/9032
• 分類號: G06F16/9032;G06K9/62;G06N20/00
• 代理公司: 廈門福貝知識產權代理事務所(普通合伙) 35235
• 代理人: 陳遠洋

1.一種認知篩查數據處理建模的模型投票組合的方法，其特征在于，該方法包括：

采集步驟，獲取用戶在終端設備上輸入的調查數據；

預處理步驟，對所述調查數據進行預處理后得到一特征向量；

處理步驟，使用多個不同的機器學習模型對所述特征向量進行投票處理得到分類結果。

2.根據權利要求1所述的方法，其特征在于，所述獲取用戶在終端設備上輸入的調查數據的操作為：在所述終端設備的顯示屏上向用戶展示一調查問卷，獲取用戶針對該調查問卷的作答及作答響應時間，所述調查問卷包括N個問題，每個問題編號為QI，其中I≤N。

3.根據權利要求2所述的方法，其特征在于，所述對所述調查數據進行預處理后得到一特征向量的操作為：對所述調查數據進行自動化數據清洗后每個問題的需采集的數據錄入問答結果QI_j，其中j≤N，每個問答結果包括作答字符、作答數值、作答時間響應、空值和缺失值，所有問題的問答結果形成一數據表，每一列數值數據作為一個特征，所有的特征構成一特征向量。

4.根據權利要求3所述的方法，其特征在于，所述多個機器學習模型為準確率最高的模型、查準率最高的模型、均衡準確率最高、召回率最高和F1值最高中的至少兩個，所述使用多個機器學習模型對所述特征向量進行處理得到分類結果的操作為：構建所述至少兩個不同的機器學習模型，并使用樣本數據對所述至少兩個不同的機器學習模型進行訓練得到訓練后的至少兩個不同的機器學習模型，將所述特征向量分別輸入到所述訓練后的至少兩個不同的機器學習模型輸出對應的分類結果，將至少兩個分類結果進行處理后得到分類結果。

5.根據權利要求4所述的方法，其特征在于，所述將至少兩個分類結果進行處理后得到分類結果的操作為：

將所述至少兩個不同的機器學習模型的對應的分類概率相加，然后取最大概率的分類作為分類結果，或者，

將所述至少兩個不同的機器學習模型的對應的分類概率進行加權相加，然后取最大概率的分類作為分類結果。

6.一種認知篩查數據處理建模的模型投票組合的裝置，其特征在于，該裝置包括：

采集單元，獲取用戶在終端設備上輸入的調查數據；

預處理單元，對所述調查數據進行預處理后得到一特征向量；

處理單元，使用多個不同的機器學習模型對所述特征向量進行投票處理得到分類結果。

7.根據權利要求6所述的裝置，其特征在于，所述獲取用戶在終端設備上輸入的調查數據的操作為：在所述終端設備的顯示屏上向用戶展示一調查問卷，獲取用戶針對該調查問卷的作答及作答響應時間，所述調查問卷包括N個問題，每個問題編號為QI，其中I≤N。

8.根據權利要求7所述的裝置，其特征在于，所述對所述調查數據進行預處理后得到一特征向量的操作為：對所述調查數據進行自動化數據清洗后每個問題的需采集的數據錄入問答結果QI_j，其中j≤N，每個問答結果包括作答字符、作答數值、作答時間響應、空值和缺失值，所有問題的問答結果形成一數據表，每一列數值數據作為一個特征，所有的特征構成一特征向量。

9.根據權利要求8所述的裝置，其特征在于，所述多個機器學習模型為準確率最高的模型、查準率最高的模型、均衡準確率最高、召回率最高和F1值最高中的至少兩個，所述使用多個機器學習模型對所述特征向量進行處理得到分類結果的操作為：構建所述至少兩個不同的機器學習模型，并使用樣本數據對所述至少兩個不同的機器學習模型進行訓練得到訓練后的至少兩個不同的機器學習模型，將所述特征向量分別輸入到所述訓練后的至少兩個不同的機器學習模型輸出對應的分類結果，將至少兩個分類結果進行處理后得到分類結果。

10.根據權利要求9所述的裝置，其特征在于，所述將至少兩個分類結果進行處理后得到分類結果的操作為：

將所述至少兩個不同的機器學習模型的對應的分類概率相加，然后取最大概率的分類作為分類結果，或者，

將所述至少兩個不同的機器學習模型的對應的分類概率進行加權相加，然后取最大概率的分類作為分類結果。