欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024107259186
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于人工智能的特医食品推荐系统,其特征在于,包括:

患者对象信息采集模块,用于获取患者对象的医疗记录、健康状况、食物偏好和治疗目标;

患者对象信息语义编码模块,用于分别对所述医疗记录、所述健康状况、所述食物偏好和所述治疗目标进行分词处理后通过包含词嵌入层的语义编码器以得到医疗记录词粒度语义编码特征向量的序列、健康状况词粒度语义编码特征向量的序列、食物偏好词粒度语义编码特征向量的序列和治疗目标词粒度语义编码特征向量的序列;

患者对象信息多文本语义集成模块,用于对所述医疗记录词粒度语义编码特征向量的序列、所述健康状况词粒度语义编码特征向量的序列、所述食物偏好词粒度语义编码特征向量的序列和所述治疗目标词粒度语义编码特征向量的序列进行多文本集成语义学习以得到患者对象饮食潜需求文本语义特征向量;

特医食品文本获取模块,用于获取第一特医食品的文本描述;

特医食品文本语义编码模块,用于对所述第一特医食品的文本描述通过所述包含词嵌入层的语义编码器以得到第一特医食品语义编码特征向量;

语义对齐检测和特医食品推荐模块,用于计算所述患者对象饮食潜需求文本语义特征向量和所述第一特医食品语义编码特征向量之间的语义对齐分数,并基于所述语义对齐分数确定是否向所述患者对象推荐所述第一特医食品;

其中,所述患者对象信息多文本语义集成模块,用于:

将所述医疗记录词粒度语义编码特征向量的序列、所述健康状况词粒度语义编码特征向量的序列、所述食物偏好词粒度语义编码特征向量的序列和所述治疗目标词粒度语义编码特征向量的序列通过基于Transformer层的多文本集成语义学习模块以得到所述患者对象饮食潜需求文本语义特征向量;

其中,所述语义对齐检测和特医食品推荐模块,包括:

语义对齐计算单元,用于计算所述患者对象饮食潜需求文本语义特征向量和所述第一特医食品语义编码特征向量之间的所述语义对齐分数;

特医食品推荐判断单元,用于基于所述语义对齐分数与预定阈值之间的比较,确定是否向所述患者对象推荐所述第一特医食品;

其中,所述语义对齐计算单元,包括:

饮食潜需求-特医食品语义交互分析子单元,用于对所述患者对象饮食潜需求文本语义特征向量的转置向量与所述第一特医食品语义编码特征向量进行向量相乘以得到饮食潜需求-特医食品语义交互值;

饮食潜需求-特医食品语义信息范数表示子单元,用于计算所述患者对象饮食潜需求文本语义特征向量的一范数和所述第一特医食品语义编码特征向量的一范数之间的乘积以得到饮食潜需求-特医食品一范数语义信息表示值;

饮食潜需求-特医食品语义对齐子单元,用于对所述饮食潜需求-特医食品语义交互值和所述饮食潜需求-特医食品一范数语义信息表示值进行相除以得到所述语义对齐分数。

2.根据权利要求1所述的基于人工智能的特医食品推荐系统,其特征在于,所述特医食品文本语义编码模块,包括:嵌入编码单元,用于将所述第一特医食品的文本描述分别通过所述包含词嵌入层的语义编码器的词嵌入层以将所述第一特医食品的文本描述分别转化为嵌入向量以得到特医食品嵌入向量的序列;

语义编码单元,用于将所述特医食品嵌入向量的序列输入所述包含词嵌入层的语义编码器以得到多个特医食品语义特征向量;

级联单元,用于将所述多个特医食品语义特征向量进行级联以得到所述第一特医食品语义编码特征向量。

3.根据权利要求2所述的基于人工智能的特医食品推荐系统,其特征在于,响应于所述语义对齐分数大于所述预定阈值,确定向所述患者对象推荐所述第一特医食品。

4.根据权利要求3所述的基于人工智能的特医食品推荐系统,其特征在于,还包括用于对所述包含词嵌入层的语义编码器和所述基于Transformer层的多文本集成语义学习模块进行训练的训练模块。

5.根据权利要求4所述的基于人工智能的特医食品推荐系统,其特征在于,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括患者对象的训练医疗记录、训练健康状况、训练食物偏好和训练治疗目标,以及第一特医食品的训练文本描述;

训练患者对象信息语义编码单元,用于分别对所述训练医疗记录、所述训练健康状况、所述训练食物偏好和所述训练治疗目标进行分词处理后通过所述包含词嵌入层的语义编码器以得到训练医疗记录词粒度语义编码特征向量的序列、训练健康状况词粒度语义编码特征向量的序列、训练食物偏好词粒度语义编码特征向量的序列和训练治疗目标词粒度语义编码特征向量的序列;

训练患者对象信息多文本语义集成单元,用于将所述训练医疗记录词粒度语义编码特征向量的序列、所述训练健康状况词粒度语义编码特征向量的序列、所述训练食物偏好词粒度语义编码特征向量的序列和所述训练治疗目标词粒度语义编码特征向量的序列通过所述基于Transformer层的多文本集成语义学习模块以得到训练患者对象饮食潜需求文本语义特征向量;

训练特医食品文本语义编码单元,用于对所述第一特医食品的训练文本描述通过所述包含词嵌入层的语义编码器以得到训练第一特医食品语义编码特征向量;

训练语义对齐分数计算单元,用于计算所述训练患者对象饮食潜需求文本语义特征向量和所述训练第一特医食品语义编码特征向量之间的训练语义对齐分数;

损失计算单元,用于基于所述训练语义对齐分数与预定阈值之间的比较以得到特定损失函数值;

损失训练单元,用于基于所述特定损失函数值对所述包含词嵌入层的语义编码器和所述基于Transformer层的多文本集成语义学习模块进行训练。

6.一种基于人工智能的特医食品推荐方法,其特征在于,包括:

获取患者对象的医疗记录、健康状况、食物偏好和治疗目标;

分别对所述医疗记录、所述健康状况、所述食物偏好和所述治疗目标进行分词处理后通过包含词嵌入层的语义编码器以得到医疗记录词粒度语义编码特征向量的序列、健康状况词粒度语义编码特征向量的序列、食物偏好词粒度语义编码特征向量的序列和治疗目标词粒度语义编码特征向量的序列;

对所述医疗记录词粒度语义编码特征向量的序列、所述健康状况词粒度语义编码特征向量的序列、所述食物偏好词粒度语义编码特征向量的序列和所述治疗目标词粒度语义编码特征向量的序列进行多文本集成语义学习以得到患者对象饮食潜需求文本语义特征向量;

获取第一特医食品的文本描述;

对所述第一特医食品的文本描述通过所述包含词嵌入层的语义编码器以得到第一特医食品语义编码特征向量;

计算所述患者对象饮食潜需求文本语义特征向量和所述第一特医食品语义编码特征向量之间的语义对齐分数,并基于所述语义对齐分数确定是否向所述患者对象推荐所述第一特医食品;

其中,分别对所述医疗记录、所述健康状况、所述食物偏好和所述治疗目标进行分词处理后通过包含词嵌入层的语义编码器以得到医疗记录词粒度语义编码特征向量的序列、健康状况词粒度语义编码特征向量的序列、食物偏好词粒度语义编码特征向量的序列和治疗目标词粒度语义编码特征向量的序列,包括:将所述医疗记录词粒度语义编码特征向量的序列、所述健康状况词粒度语义编码特征向量的序列、所述食物偏好词粒度语义编码特征向量的序列和所述治疗目标词粒度语义编码特征向量的序列通过基于Transformer层的多文本集成语义学习模块以得到所述患者对象饮食潜需求文本语义特征向量;

其中,计算所述患者对象饮食潜需求文本语义特征向量和所述第一特医食品语义编码特征向量之间的语义对齐分数,并基于所述语义对齐分数确定是否向所述患者对象推荐所述第一特医食品,包括:计算所述患者对象饮食潜需求文本语义特征向量和所述第一特医食品语义编码特征向量之间的所述语义对齐分数;

基于所述语义对齐分数与预定阈值之间的比较,确定是否向所述患者对象推荐所述第一特医食品;

其中,计算所述患者对象饮食潜需求文本语义特征向量和所述第一特医食品语义编码特征向量之间的所述语义对齐分数,包括:对所述患者对象饮食潜需求文本语义特征向量的转置向量与所述第一特医食品语义编码特征向量进行向量相乘以得到饮食潜需求-特医食品语义交互值;

计算所述患者对象饮食潜需求文本语义特征向量的一范数和所述第一特医食品语义编码特征向量的一范数之间的乘积以得到饮食潜需求-特医食品一范数语义信息表示值;

对所述饮食潜需求-特医食品语义交互值和所述饮食潜需求-特医食品一范数语义信息表示值进行相除以得到所述语义对齐分数。