具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书的一个实施例提供的一种基于深度学习的数据处理方法，应用在服务器端，通过终端设备采集用户上传的图片材料并发送到数据中心处理系统，对图片进行检测、分类和识别，在数据中心处理系统完成对每张图片的业务数据建模，还原业务信息，利用自然语言处理预训练模型，进行业务专业领域的文本实体识别，还原用户的行为和路径，形成用户整体的行为画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。

在一个具体例子中，所述专业领域的文本识别包括遥感影像的文本识别，包括地块面积、识别地物、红外光谱信息、地理坐标等。

在一个具体例子中，所述专业领域的文本识别包括对土壤成分的检测化验报告，包括各种化学元素、占比等。

在一个具体例子中，所述专业领域的文本识别包括对农药残留物的检测报告，包括农残种类、成分、比例、危害性、浓度等。

在一个具体例子中，所述专业领域的文本识别包括各种中药名称、门类、中药性状等。

在一个具体例子中，所述专业领域的文本识别包括生物分子式、名称、结构式、生物材料制备程序。

在一个具体例子中，所述专业领域的文本识别包括化学结构式、化学名称、化学制备参数、条件。

以化学检验报告为例，用户上传的图片先标记序号再进行检测分类，图片分类包括但不限于检验方案、检验结果、分子结构式、颗粒电子显微镜图。

以测绘导航领域为例，用户上传的图片先标记序号再进行检测分类，图片分类包括但不限于地理信息、航空/航天影像、拼接信息图、雷达影像图等。

在一个具体例子中，基于图像检测和识别技术识别图片上的具体时间、就医医院、患者姓名、医生姓名、临床诊断结果，对图片进行全文本识别，进一步得到文字内容提取后，通过语义识别形成逻辑性上下文。

在一个具体例子中，所述专业领域的文本识别包括疾病种类、名称、是否手术、诊断项目、发生时间、病症指标。

以疾病报告为例，用户上传的图片先标记序号再进行检测分类，图片分类包括但不限于诊断证明、病例报告、处方和住院记录。

在一个具体例子中，基于图像检测和识别技术识别图片上的具体时间、就医医院、患者姓名、医生姓名、临床诊断结果，对图片进行全文本识别，进一步得到文字内容提取后，通过语义识别形成逻辑性上下文。

在一个具体例子中，用户上传了10张图片，分别按照序号标记1-10，通过图像检测和分类，获知图片1为诊断证明，图片2-4为病理报告，图片5和6为处方，图片7-10为住院记录。

需要注意的是，用户上传图片是打乱的，并不能按照顺序进行上传，通过图像检测首先对图片的文件名进行识别，再根据图片上的页码进行排序，最后按照标准排序。

在一个具体例子中，用户上传了20张图片，图片的顺序打乱，通过图像识别技术先对图片的头部位置进行识别，识别出诊断证明、病例报告、处方、住院记录等，其次对诊断证明类的图片根据下方或页脚处的数字进行识别后排序，如果无法识别或难以识别上述信息，可以通过上下文语义识别进行内容排序。

如图1所示，本说明书的一个实施例提供的一种基于深度学习的数据处理方法，包括：

S101、采集用户上传的图片材料并发送到数据中心处理系统；

S102、对图片进行检测、分类和识别；

S103、完成对每张图片的业务数据建模，还原业务信息；

S104、进行业务专业领域的文本实体识别，还原用户的行为和路径；

S105、利用知识图谱和搜索算法，生成独立的实体并标准化处理。

本说明书的一个实施例提供的一种基于深度学习的数据处理方法，应用在服务器端，通过终端设备采集用户上传的图片材料并发送到数据中心处理系统，对图片进行检测、分类和识别，在数据中心处理系统完成对每张图片的业务数据建模，还原业务信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。准备诊断决策因子，通过因子推理决策，利用规则引擎模拟保险理赔审核，进行决策树逻辑执行，得到智能化审核结论。

在一个具体例子中，根据用户的就医画像数据，结合前期的投保和保险条款，自动给出保险理赔的结论，包括是否赔付、赔付金额等。相关的结论自动推送给合作的保险公司或保险平台。

本说明书的一个实施例提供的一种基于深度学习的数据处理方法， 应用在服务器端，通过终端设备采集用户上传的图片材料并发送到数据中心处理系统，对图片进行检测、分类和识别，在数据中心处理系统完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。计算推荐决策因子，通过因子计算决策，利用推荐算法得出保险推荐组合。

在一个具体的例子中，保险包括健康险、人生险，各种保险中包括健康情况告知。

如图2所示，本说明书的一个实施例提供的一种基于深度学习的数据处理方法，包括：

S201、采集用户上传的图片材料并发送到数据中心处理系统；

S202、对图片进行检测、分类和识别；

S203、完成对每张图片的业务数据建模，还原医疗信息；

S204、进行医疗专业领域的文本实体识别，还原用户的就医行为和路径；

S205、利用知识图谱和搜索算法，生成独立的实体并标准化处理；

S206、根据用户的就医画像数据，向用户提供保险理赔和推荐保险服务。

本说明书的一个实施例提供的一种基于深度学习的数据处理方法， 应用在服务器端，通过终端设备采集用户上传的图片材料并发送到数据中心处理系统，对图片进行检测、分类和识别，在数据中心处理系统完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。建立康复数据模型，通过模型计算给出相关康复器械和建议方案。

在一个具体的例子中，通过推荐算法模型给出相应的康复器械或建议并导入相应的第三方电子商务平台，比如阿里健康、京东健康等。

如图3所示，本说明书的一个实施例提供的一种基于深度学习的数据处理方法，包括：

S301、采集用户上传的图片材料并发送到数据中心处理系统；

S302、对图片进行检测、分类和识别；

S303、完成对每张图片的业务数据建模，还原医疗信息；

S304、进行医疗专业领域的文本实体识别，还原用户的就医行为和路径；

S305、利用知识图谱和搜索算法，生成独立的实体并标准化处理；

S306、根据用户的就医画像数据，向用户提供康复和保健产品推荐服务。

本说明书的一个实施例提供的一种基于深度学习的数据处理方法，应用于互联网平台，基于终端设备获取用户授权许可，采集用户上传的图片材料并发送到后台服务器的数据中心处理系统，数据中心处理系统对图片进行检测、分类和识别，完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理，结合互联网平台的应用产品给用户输出具体的解决方案。

在一些实施例中，互联网平台通过诊断决策模型，利用规则引擎模拟保险理赔审核，进行决策树逻辑执行，得到并向用户输出智能化审核结论。

在一些实施例中，互联网平台计算推荐决策因子，通过因子计算决策，利用推荐算法得出保险推荐组合。

在一些实施例中，互联网平台基于康复数据模型，通过模型计算给出相关康复器械和建议方案。

在一些实施例中，互联网平台基于将用户上传的图片先标记序号再进行检测分类，图片分类包括但不限于诊断证明、病例报告、处方和住院记录。

在一些实施例中，互联网平台基于图像检测和识别技术识别图片上的具体时间、就医医院、患者姓名、医生姓名、临床诊断结果，对图片进行全文本识别，进一步得到文字内容提取后，通过语义识别形成逻辑性上下文。

如图4所示，本说明书的一个实施例提供的一种基于深度学习的数据处理系统，包括至少一终端设备、至少一互联网平台以及至少一服务器，所述终端设备采集用户上传的图片材料，所述互联网平台基于终端设备获取用户授权许可，采集用户上传的图片材料并发送到后台服务器的数据中心处理系统，数据中心处理系统对图片进行检测、分类和识别，完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理，结合互联网平台的应用产品给用户输出具体的解决方案。

如图5所示，本说明书的一个实施例提供的一种基于深度学习的数据处理系统，包括至少一终端设备、至少一互联网平台、至少一保险平台或保险公司以及至少一服务器，所述终端设备采集用户上传的图片材料，所述互联网平台基于终端设备获取用户授权许可，采集用户上传的图片材料并发送到后台服务器的数据中心处理系统，数据中心处理系统对图片进行检测、分类和识别，完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。互联网平台与保险平台或保险公司进行数据共享，互联网平台根据用户的就医画像数据，结合前期的投保和保险条款，自动给出保险理赔的结论，包括是否赔付、赔付金额等。相关的结论自动推送给合作的保险公司或保险平台。

在一个具体的例子中，互联网平台与保险平台或保险公司进行数据共享，互联网平台根据用户的就医画像数据，结合保险平台或保险公司的保险精算模型，向用户推荐相应的保险，包括健康险、人生险等，各种保险中包括健康情况告知。

如图6所示，本说明书的一个实施例提供的一种基于深度学习的数据处理系统，包括至少一终端设备、至少一互联网平台、至少一保险平台或保险公司以及至少一服务器，所述终端设备采集用户上传的图片材料，所述互联网平台基于终端设备获取用户授权许可，采集用户上传的图片材料并发送到后台服务器的数据中心处理系统，数据中心处理系统对图片进行检测、分类和识别，完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。互联网平台与第三方电商平台连接，互联网平台根据用户的就医画像数据，通过推荐算法模型给出相应的康复器械或建议并导入相应的第三方电子商务平台的产品链接，比如阿里健康、京东健康等。

在一些具体的例子中，例如神经衰落、睡眠障碍、心血管疾病等，可以给出心电仪、健康枕、褪黑素等有助于缓解压力、提高睡眠质量的产品或保健品。

在一些具体的例子中，系统对用户上传的图片先标记序号再进行检测分类，图片分类包括但不限于诊断证明、病例报告、处方和住院记录。

在一些具体的例子中，系统基于图像检测和识别技术识别图片上的具体时间、就医医院、患者姓名、医生姓名、临床诊断结果，对图片进行全文本识别，进一步得到文字内容提取后，通过语义识别形成逻辑性上下文。

本说明书的一个实施例提供的一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下方法：通过终端设备采集用户上传的图片材料并发送到数据中心处理系统，对图片进行检测、分类和识别，在数据中心处理系统完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。

本说明书的一个实施例提供的一种计算机程序产品，包括计算机程序 /指令，该计算机程序/指令被处理器执行时实现以下方法：通过终端设备采集用户上传的图片材料并发送到数据中心处理系统，对图片进行检测、分类和识别，在数据中心处理系统完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理。

本说明书的一个实施例提供的一种电子设备，包括：

处理器；以及

被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

基于终端设备获取用户授权许可，采集用户上传的图片材料并发送到后台服务器的数据中心处理系统，数据中心处理系统对图片进行检测、分类和识别，完成对每张图片的业务数据建模，还原医疗信息，利用自然语言处理预训练模型，进行医疗专业领域的文本实体识别，还原用户的就医行为和路径，形成用户整体的就医画像数据库，利用知识图谱和搜索算法，生成独立的实体并标准化处理，结合互联网平台的应用产品给用户输出具体的解决方案。

本发明基于深度学习原理，通过图片识别处理用户上传的医疗相关资料，自动识别文本信息并进行排序，经过模型训练后结合医疗专业领域知识图谱完成对用户就医信息的还原，可以构造出整体的就医画像，为后续产品应用提供客观数据，有效地解决了数据丢失或数据造假的问题。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。