CN104112022B - 医疗冷柜系统中样品的推荐方法 - Google Patents
医疗冷柜系统中样品的推荐方法 Download PDFInfo
- Publication number
- CN104112022B CN104112022B CN201410367321.5A CN201410367321A CN104112022B CN 104112022 B CN104112022 B CN 104112022B CN 201410367321 A CN201410367321 A CN 201410367321A CN 104112022 B CN104112022 B CN 104112022B
- Authority
- CN
- China
- Prior art keywords
- sample
- extracted
- association
- degree
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims 1
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000013523 data management Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 230000003252 repetitive effect Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000004700 fetal blood Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90324—Query formulation using system suggestions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Child & Adolescent Psychology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供医疗冷柜系统中样品的推荐方法,能够在医疗冷柜的自动化提取过程中,增强用户与医疗冷柜的交互能力,提升用户体验。包括:获取用户输入的待提取样品的第一样品标识以及推荐策略选项;根据第一样品标识以及推荐策略选项,确定所述推荐策略下与待提取样品相关联的k个样品的第二样品标识,k≥1,k为整数;显示第二样品标识。本发明适用于医疗样品数据管理领域。
Description
技术领域
本发明涉及医疗样品数据管理领域,尤其涉及医疗冷柜系统中样品的推荐方法。
背景技术
随着医疗行业的发展,智能医疗冷柜作为冷柜中一种重要分类广泛应用于科研院校、医疗卫生、军事航空、生物制药、药房、制药厂、血站等众多行业与领域,成为必不可少的重要医疗设备之一。
智能医疗冷柜的产品种类繁多,如血液冷藏箱、药品冷藏箱、疫苗保存箱、冷藏冷冻箱、低温保存箱、深低温保存箱、医用保温箱等。这些智能医疗冷柜与普通医疗冷柜在性能上有较大差别,不仅在针对样品或药品提取时需要满足苛刻的温度、湿度等环境要求,存储或提取时也要尽可能的减小人为或外部环境对柜内环境的影响,最好满足自动化存储或提取的要求。然而,现有技术中,在医疗冷柜的自动化提取过程中,如果用户一次需要提取多个样品时,往往需要依次输入待提取样品的样品标识,进而智能医疗冷柜系统中的自动提取装置重复操作步骤,依次提取待提取样品,操作时间较长,用户体验较差。
因此,在医疗冷柜的自动化提取过程中,如何增强用户与医疗冷柜的交互能力,进而提升用户体验,是目前亟需解决的技术问题。
发明内容
本发明的实施例提供医疗冷柜系统中样品的推荐方法,能够在医疗冷柜的自动化提取过程中,增强用户与医疗冷柜的交互能力,提升用户体验。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供一种医疗冷柜系统中样品的推荐方法,所述方法包括:
获取用户输入的待提取样品的第一样品标识以及推荐策略选项;
根据所述第一样品标识以及所述推荐策略选项,确定所述推荐策略选项下与所述待提取样品相关联的k个样品的第二样品标识,k≥1, k为整数;
显示所述第二样品标识。
基于本发明实施例提供的医疗冷柜系统中样品的推荐方法,该方法不仅可以获取用户输入的待提取样品的第一样品标识,还可以获取推荐策略选项,得到用户一次需要提取多个样品时,多个样品之间的关联信息,比如若用户一次需要提取的多个样品之间功效相同或相似,则用户在输入一个待提取样品的样品标识后,可以同时选中基于功效推荐选项,这样医疗冷柜系统中的自动提取装置可以同时获取一个待提取样品的样品标识与基于功效推荐选项。
在获取用户输入的待提取样品的第一样品标识以及推荐策略选项之后,可以根据第一样品标识以及推荐策略选项,确定该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识。比如通常会优先考虑将该推荐策略下与待提取样品关联度最大的k个样品推荐给用户。之所以如此考虑的原因在于,在用户一次需要提取多个样品时,若这多个样品之间有较大的基于推荐策略选项的关联关系,则在该推荐策略下,这多个样品之间的关联度是比较大的,当用户输入其中一个样品的样品标识后,也就意味着另外几个样品在该推荐策略下被提取的几率是相对较大的,即该另外几个样品能够相对合理的反映用户下一步可能的取用需求,将其推荐给用户可以给用户提供更加合理的选择。
最后显示第二样品标识。
综上,通过上述技术方案,一方面,由于该方法不仅可以获取用户输入的待提取样品的第一样品标识,还可以获取推荐策略选项,相比于现有技术中,若用户一次需要提取多个样品时,往往需要依次输入待提取样品的样品标识,进而医疗冷柜系统中的自动提取装置重复操作步骤,依次提取待提取样品的技术方案,或者当待提取用样品有异常,比如数量不足,不能正常取用时,本方案可以在用户输入一个待提取样品的样品标识后,将与该待提取样品相关的k个样品推荐给用户,给用户提供了选择;另一方面,该方法在样品推荐时,将推荐策略选项下与待提取样品相关联的k个样品的第二样品标识推荐给用户,这K个样品与待提取样品的关联度较高,能够相对合理的反映用户下一步可能的取用需求,这样用户可以根据需要将第二样品标识对应的样品和待提取样品一起提取出来,不需要用户依次输入待提取样品的样品标识,减少等待医疗冷柜系统重复操作步骤,依次提取待提取样品的操作时间,以及若待取用样品不足,还可以迅速找到替代样品,完成提取任务。本技术方案中的用户推荐手段增强了用户与医疗冷柜的交互能力,提升了用户体验。
附图说明
图1为本发明实施例提供的一种医疗冷柜系统中样品的推荐方法的流程示意图一;
图2为本发明实施例提供的一种医疗冷柜系统中样品的推荐方法的流程示意图二;
图3为本发明实施例提供的一种样品之间的用户行为关联度矩阵示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并对不对数量和执行次序进行限定。
实施例一、
本发明实施例提供一种医疗冷柜系统中样品的推荐方法,具体如图1所示,包括:
S101、获取用户输入的待提取样品的第一样品标识以及推荐策略选项。
具体的,第一样品标识可以标识待提取样品,通常为样品的名称,也可以为其它,本发明实施例对此不作具体限定。
具体的,推荐策略选项可以包括下列推荐策略选项中的至少一个:
基于提取频率推荐的选项、基于功效推荐的选项、基于厂家推荐的选项、基于有效期近邻推荐的选项、基于属性关联度与用户行为关联度推荐的选项。
当然,上述仅是示例性的列举一些推荐策略选项,还可能存在其它种类的推荐策略选项,本发明实施例对此不作具体限定。
S102、根据第一样品标识以及推荐策略选项,确定该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识,k≥1,k为整数。
一种可能的实现方式中,在获取待提取样品的样品标识与推荐策略选项后,可以通过实时计算确定该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识;
另一种可能的实现方式中,在样品的存储过程中,医疗冷柜系统中可能预先建立了该推荐策略选项下的样品关联度数据库;则在样品的提取过程中,在获取用户输入的待提取样品的第一样品标识以及推荐策略选项后,可以通过查找该关联度数据库确定该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识。
本发明实施例对根据第一样品标识以及推荐策略选项,确定该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识的具体实现方式不作具体限定。
需要说明的是,第二样品标识可能是一个,也可能是多个,本发明实施例对此不作具体限定。
需要说明的是,用户提取控制指令中还可能包括样品的数量等内容,本发明实施例对此不作具体限定。
需要说明的是,本发明实施例中的推荐策略选项可以是用户选择输入的,也可以使系统默认设置的,本发明实施例对此不作具体限定。
本领域技术人员容易理解,通常会优先考虑将该推荐策略下与待提取样品关联度最大的k个样品推荐给用户。之所以如此考虑的原因在于,在用户一次需要提取多个样品时,若这多个样品之间有较大的基于推荐策略选项的关联关系,则在该推荐策略下,这多个样品之间的关联度是比较大的,当用户输入其中一个样品的样品标识后,也就意味着另外几个样品在该推荐策略下被提取的几率是相对较大的,即该另外几个样品能够相对合理的反映用户下一步可能的取用需求,将其推荐给用户可以给用户提供更加合理的选择。
S103、显示第二样品标识。
即,本发明实施例提供的医疗冷柜系统中样品的推荐方法中,在用户输入一个待提取样品的样品标识后,在用户显示界面除了提供用户输入的待提取样品的样品标识外,还可以根据推荐策略选项,预测用户可能要提取的样品的样品标识,或者当待提取用样品有异常,比如数量不足,不能正常取用时,预测可替代样品的样品标识,进而通过显示界面将该用户可能要提取或者可替代样品的样品标识呈现给用户。
基于本发明实施例提供的医疗冷柜系统中样品的推荐方法,该方法不仅可以获取用户输入的待提取样品的第一样品标识,还可以获取推荐策略选项,得到用户一次需要提取多个样品时,多个样品之间的关联信息,比如若用户一次需要提取的多个样品之间功效相同或相似,则用户在输入一个待提取样品的样品标识后,可以同时选中基于功效推荐选项,这样医疗冷柜系统中的自动提取装置可以同时获取一个待提取样品的样品标识与基于功效推荐选项。
在获取用户输入的待提取样品的第一样品标识以及推荐策略选项之后,可以根据第一样品标识以及推荐策略选项,确定该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识。比如通常会优先考虑将该推荐策略下与待提取样品关联度最大的k个样品推荐给用户。之所以如此考虑的原因在于,在用户一次需要提取多个样品时,若这多个样品之间有较大的基于推荐策略选项的关联关系,则在该推荐策略下,这多个样品之间的关联度是比较大的,当用户输入其中一个样品的样品标识后,也就意味着另外几个样品在该推荐策略下被提取的几率是相对较大的,即该另外几个样品能够相对合理的反映用户下一步可能的取用需求,将其推荐给用户可以给用户提供更加合理的选择参考。
最后显示第二样品标识。
综上,通过上述技术方案,一方面,由于该方法不仅可以获取用户输入的待提取样品的第一样品标识,还可以获取推荐策略选项,相比于现有技术中,若用户一次需要提取多个样品时,往往需要依次输入待提取样品的样品标识,进而医疗冷柜系统中的自动提取装置重复操作步骤,依次提取待提取样品的技术方案,或者当待提取用样品有异常,比如数量不足,不能正常取用时,本方案可以在用户输入一个待提取样品的样品标识后,将与该待提取样品相关的k个样品推荐给用户,给用户提供了选择;另一方面,该方法在样品推荐时,将推荐策略选项下与待提取样品相关联的k个样品的第二样品标识推荐给用户,这K个样品与待提取样品的关联度较高,能够相对合理的反映用户下一步可能的取用需求,这样用户可以根据需要将第二样品标识对应的样品和待提取样品一起提取出来,不需要用户依次输入待提取样品的样品标识,减少等待医疗冷柜系统重复操作步骤,依次提取待提取样品的操作时间,以及若待取用样品不足,还可以迅速找到替代样品,完成提取任务。本技术方案中的用户推荐手段增强了用户与医疗冷柜的交互能力,提升了用户体验。
进一步的,若推荐策略选项至少包括基于属性关联度与用户行为关联度推荐的选项,则如图2所示,则步骤S102具体可以包括:
S102a、根据第一样品标识,确定待提取样品的样品属性。
具体的,医疗冷柜系统中可能预先存储了样品标识与样品属性的对应关系,在获取第一样品标识后,可以根据该对应关系,确定第一样品标识对应的样品属性,本发明实施例对此不作具体限定。
具体的,样品属性为表征样品特性的信息。
示例性的,样品属性可以包括:结构类型(比如属于苯芳香型等化学结构方面的信息)、来源信息/厂家信息、生物活性、波普信息、提取的温度、湿度环境参数等。
当然,上述仅是示例性的列举一些样品属性的种类,样品属性还可能包含其它种类,本发明实施例对此不作具体限定。
S102b、根据待提取样品的样品属性,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度;以及,根据待提取样品的第一样品标识,分别确定待提取样品与医疗冷柜系统中其它n 个样品中每个样品mi的用户行为关联度。
其中,mi为医疗冷柜系统中其它n个样品中的一个样品的样品标识,1≤i≤n。
具体的,本发明实施例提供的医疗冷柜系统中样品的推荐方法中,根据待提取样品的样品属性,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度的步骤可以如下:
步骤一:根据待提取样品的样品属性,建立待提取样品的属性特征向量其中,fmj表示待提取样品的属性特征向量,表示第k类样品属性对待提取样品的权重。
优选的,一种可能的实现方式中,步骤一具体可以通过以下方式实现:
遍历预设样品属性集合P,根据待提取样品的样品属性、结合第一预设公式,建立待提取样品的属性特征向量其中,P的长度为s,第一预设公式如公式(1)所示:
公式(1)
pk表示第k类样品属性,mj表示待提取样品的样品标识。
本领域技术人员容易理解的是,公式(1)表征的实际含义可以理解为:当样品mj具有属性pk时,样品mj的属性特征向量fmj对应的赋值为1,当样品mj不具有属性pk时,样品mj的属性特征向量fmj对应的赋值为0。
步骤二:根据待提取样品的属性特征向量、医疗冷柜系统中其它n 个样品中每个样品mi的属性特征向量、以及第二预设公式,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度,第二预设公式如公式(2)所示:
公式(2)
其中,表示属性pk对样品mj的权重,表示属性pk对样品mi的权重,simcontent(mj,mi)表示样品mj与样品mi之间的属性关联度。
需要说明的是,医疗冷柜系统中其它n个样品中每个样品mi的属性特征向量可能是预先存储的,也可能是实时获取的,本发明实施例对此不作具体限定。
优选的,考虑到预设样品属性集合P中包含已存储样品集的所有属性,以致样品的属性特征向量维度会很高,可能影响到计算效率,因此进一步的,在建立待提取样品的属性特征向量之后,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度之前,还可以包括:
将fmj降维至l维,获得降维后的属性特征向量l<s。
相应的,上述步骤二中根据待提取样品的属性特征向量、医疗冷柜系统中其它n个样品中每个样品mi的属性特征向量、以及第二预设公式,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度,具体可以包括:
根据待提取样品的降维后的属性特征向量、医疗冷柜系统中其它n 个样品中每个样品mi的降维后的属性特征向量、以及修正后的第二预设公式,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度,修正后的第二预设公式如公式(3)所示:
公式(3)
根据上述优选的方案,可以减小维度过高对算法计算效率的影响,提高属性关联度的计算效率。例如,假设医疗冷柜系统中其它n个样品的集合为M至{m1,m2,...,mi,...,mn},则根据公式(1)可知医疗冷柜系统中其它n个样品的样品-属性矩阵为Mn*s,即n行s列的矩阵,经过降为后,医疗冷柜系统中其它n个样品的样品-属性矩阵为Mn*l,即n行 l列的矩阵,进而可以减小运算的复杂度。
需要说明的是,将fmj降维至l维的方法可能不止一种,本发明实施例对此不作具体限定。示例性的,可以根据奇异值分解(Singular Value Decomposition,SDV)算法将fmj降维至l维,其中,SDV算法是一个能适用于任意矩阵的一种分解方法,属于现有技术的一部分,具体可参考现有技术的实现方法,本发明实施例对其不作具体阐述。
具体的,本发明实施例提供的医疗冷柜系统中样品的推荐方法中,根据待提取样品的第一样品标识,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的用户行为关联度,具体可以包括:
根据待提取样品的第一样品标识,结合用户行为关联度矩阵,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的用户行为关联度,其中,用户行为关联度矩阵是根据用户提取事务集合T,结合第三预设公式确定的,第三预设公式如公式(4)所示:
公式(4)
其中,simevent(mj,mi)表示样品mj与样品mi之间的用户行为关联度, a(tk,mv)表示样品mv在第k次提取事务中的权重, v=i,j,tk表示集合T中的第k次提取事务,mq表示第k次提取事务中提取样品的样品标识。
本领域技术人员容易理解,a(tk,mv)表征的实际含义可以理解为:当事务tk中包含样品mv时,样品mv在第n次提取事务中的权重赋值为1,当事务tk中不包含样品mv时,样品mv在第n次提取事务中的权重赋值为 0。
本领域技术人员容易理解,公式(4)实际反映的是提取样品mj时样品mi被同时提取的概率,概率越高,表征样品mj与样品mi之间的用户行为关联度越大。
需要说明的是,由公式(4)可知,本发明实施例提供的样品之间的用户行为关联度是有方向的,即样品mj与样品mi之间的用户行为关联度simevent(mj,mi)与样品mi与样品mj之间的用户行为关联度 simevent(mi,mj)是不同的,可以理解为用户行为关联度矩阵是不对称的。
示例性的,比如待提取样品为m2,医疗冷柜系统中其它样品中包含m1,根据公式(4),待提取样品m2与其它样品m1的用户行为关联度为
而若待提取样品为m1,医疗冷柜系统中其它样品中包含m2时,根据公式(4),待提取样品m1与其它样品m2的用户行为关联度为
显然,simevent(m2,m1)与simevent(m1,m2)在数值上是不同的,进而用户行为关联度矩阵是不对称的。
需要说明的是,本发明实施例中的用户行为关联度数据可能是根据每次提取事件预先计算的,也可能是实时更新获取的,本发明实施例对此不作具体限定。
示例性的,对于待提取样品与医疗冷柜系统中其它n个样品,这里可以提供一种样品之间的用户行为关联度矩阵如图3所示,当然,用户行为关联度矩阵的模型还可能是其它形式,本发明实施例对此不作具体限定。
S102c、根据待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度及用户行为关联度,结合预设的关联度自适应因子,分别计算待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的样品关联度。
具体的,本发明实施例中,样品关联度是基于属性关联度与用户行为关联度,根据关联度自适应因子最终确定的。即,属性关联度和用户行为关联度对样品关联度确定时所起的作用大小可以通过调整关联度自适应因子而改变。其中,属性关联度可以反映样品之间的属性关联关系,比如样品A和样品B药效相似,则样品A和样品B属性关联度较大;用户行为关联度则可以反映用户的提取事务行为或者操作习惯,比如用户经常同时提取样品A和样品B,则样品A与样品B的用户行为关联较大。将属性关联度与用户行为关联度结合在一起计算样品关联度,这样相较于仅考虑属性关联度得到样品关联度的方法或者仅考虑用户行为关联度得到样品关联度的方法,能够较为全面客观的反应待提取样品和已提取样品之间的关联程度或者相关性大小,从而为相关联样品的推荐提供更为准确的依据。
一种可能的实现方式中,步骤102c具体可以包括:
根据待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的属性关联度及用户行为关联度,结合第四预设公式,分别确定待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的样品关联度,第四预设公式如公式(5)所示:
sim(mj,mi)=β×simcontent(mj,mi)+(1-β)×simevent(mj,mi)
公式(5)
其中,sim(mj,mi)表示样品mj与样品mi之间的样品关联度,β表示关联度自适应因子,
需要说明的是,由公式(5)可以看出,关联度自适应因子β可根据样品的提取频率自动调节,当待提取样品是首次被提取时,β为1,样品关联度完全由样品的属性关联度决定;随着待提取样品被提取频率的增大,β的值逐渐趋向于0,从而使得用户行为关联度较大程度决定了样品关联度,这样一方面可以很好地解决医疗冷柜系统中的冷启动问题;另一方面,由于β可根据样品的提取频率自动调节,即在确定样品关联度时考虑了真实场景下随着待提取样品被提取频率的增大,用户行为关联度在样品关联度中的影响越来越大的因素,因此确定的样品关联度更加准确,进而为样品的推荐提供更为准确的依据。
冷启动可理解为当提取新样品时,还没有任何用户提取行为信息,无法根据用户的行为信息得到样品之间的关联度。为了解决该问题,加入了样品的属性信息来辅助新样品的样品关联度的计算。
S102d、根据待提取样品与医疗冷柜系统中其它n个样品中每个样品mi的样品关联度,确定n个样品中与待提取样品关联度最高的k个样品,k≥1,k为整数。
S102e、将n个样品中与待提取样品关联度最高的k个样品对应的样品标识确定为该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识。
本领域技术人员容易理解,通常会优先考虑将该推荐策略下与待提取样品关联度最大的k个样品推荐给用户。之所以如此考虑的原因在于,在用户一次需要提取多个样品时,若这多个样品之间有较大的基于推荐策略选项的关联关系,则在该推荐策略下,这多个样品之间的关联度是比较大的,当用户输入其中一个样品A的样品标识后,医疗冷柜系统中其它n个样品中哪个样品与样品A的样品关联度越大,也就意味着该样品在该推荐策略下与样品A被同时提取的几率也越大,因此,根据第一样品标识以及推荐策略选项,确定的该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识的结果也更为准确。
需要说明的是,如步骤S102中所述,若在样品的存储过程中,医疗冷柜系统中预先建立了该推荐策略选项下的样品关联度数据库,则在样品的提取过程中,在获取用户输入的待提取样品的第一样品标识以及推荐策略选项后,可以通过查找该关联度数据库确定该推荐策略选项下与待提取样品相关联的k个样品的第二样品标识。具体的,若推荐策略选项至少包括基于属性关联度与用户行为关联度推荐的选项,则样品关联度数据库建立时样品关联度计算的方法可参考图2所述的关联度计算方法,本发明实施例在此不再详细阐述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种医疗冷柜系统中样品的推荐方法,其特征在于,所述方法包括:
获取用户输入的待提取样品的第一样品标识以及推荐策略选项;所述第一样品标识可以标识待提取样品;所述推荐策略选项至少包括基于属性关联度与用户行为关联度推荐的选项;
根据所述第一样品标识,确定所述待提取样品的样品属性;
根据所述待提取样品的样品属性,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度;以及,根据所述待提取样品的第一样品标识,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的用户行为关联度,其中,mi为所述医疗冷柜系统中其它n个样品中的一个样品的样品标识,1≤i≤n;
根据所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度及用户行为关联度,结合预设的关联度自适应因子,分别计算所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的样品关联度;
根据所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的样品关联度排序;
显示第二样品标识;所述第二样品标识包括所述n个样品中与所述待提取样品关联度最高的k个样品对应的样品标识。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度及用户行为关联度,结合预设的关联度自适应因子,分别计算所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的样品关联度,具体包括:
根据所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度及用户行为关联度,结合第四预设公式,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的样品关联度,所述第四预设公式包括:
sim(mj,mi)=β×simcontent(mj,mi)+(1-β)×simevent(mj,mi),
其中,mj表示待存储样品的样品标识,sim(mj,mi)表示样品mj与样品mi之间的样品关联度,simcontent(mj,mi)表示样品mj与样品mi之间的属性关联度,simevent(mj,mi)表示样品mj与样品mi之间的用户行为关联度,β表示关联度自适应因子,T表示用户提取事务集合,tk表示集合T中的第k次提取事务,tk={m1,m2,...,mq},mq表示第k次提取事务中提取样品的样品标识,a(tk,mj)表示样品mj在第k次提取事务中的权重,
3.根据权利要求1所述的方法,其特征在于,所述根据所述待提取样品的样品属性,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度,包括:
根据所述待提取样品的样品属性,建立所述待提取样品的属性特征向量为其中,fmj表示待提取样品的属性特征向量,表示第k类样品属性对所述待提取样品的权重;
根据所述待提取样品的属性特征向量、所述医疗冷柜系统中其它n个样品中每个样品mi的属性特征向量、以及第二预设公式,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度,所述第二预设公式包括:
其中,mj表示待提取样品的样品标识,表示第k类样品属性对样品mj的权重,表示第k类样品属性对样品mi的权重,simcontent(mj,mi) 表 示样品mj与样品mi之间的属性关联度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待提取样品的样品属性,建立所述待提取样品的属性特征向量为具体包括:
遍历预设样品属性集合P,根据所述待提取样品的样品属性、结合第一预设公式,建立所述待提取样品的属性特征向量为其中,P的长度为s,所述第一预设公式为:pk表示第k类样品属性。
5.根据权利要求3或4所述的方法,其特征在于,在所述建立所述待提取样品的属性特征向量之后,所述分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度之前,还包括:
将所述fmj降维至l维,获得降维后的属性特征向量
所述根据所述待提取样品的属性特征向量、所述医疗冷柜系统中其它n个样品中每个样品mi的属性特征向量、以及第二预设公式,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度,具体包括:
根据所述待提取样品的降维后的属性特征向量、所述医疗冷柜系统中其它n个样品中每个样品mi的降维后的属性特征向量、以及修正后的第二预设公式,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的属性关联度,所述修正后的第二预设公式包括:
6.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述待提取样品的第一样品标识,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的用户行为关联度,包括:
根据所述待提取样品的第一样品标识,结合用户行为关联度矩阵,分别确定所述待提取样品与所述医疗冷柜系统中其它n个样品中每个样品mi的用户行为关联度,其中,所述用户行为关联度矩阵是根据用户提取事务集合T,结合第三预设公式确定的,所述第三预设公式包括:其中,mj表示待存储样品的样品标识,simevent(mj,mi)表示样品mj与样品mi之间的用户行为关联度,) 表示样品mv在第n次提取事务中的权重,tk表示集合T中的第n次提取事务,tk={m1,m2,…,mq},mq表示第n次提取事务中提取样品的样品标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410367321.5A CN104112022B (zh) | 2014-07-29 | 2014-07-29 | 医疗冷柜系统中样品的推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410367321.5A CN104112022B (zh) | 2014-07-29 | 2014-07-29 | 医疗冷柜系统中样品的推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104112022A CN104112022A (zh) | 2014-10-22 |
CN104112022B true CN104112022B (zh) | 2018-06-05 |
Family
ID=51708813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410367321.5A Expired - Fee Related CN104112022B (zh) | 2014-07-29 | 2014-07-29 | 医疗冷柜系统中样品的推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104112022B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153768A (zh) * | 2017-05-12 | 2017-09-12 | 贵州中信云联科技有限公司 | 用于实现分级诊疗的自助终端 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246980A (zh) * | 2012-02-02 | 2013-08-14 | 阿里巴巴集团控股有限公司 | 信息输出方法及服务器 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611881B1 (en) * | 2000-03-15 | 2003-08-26 | Personal Data Network Corporation | Method and system of providing credit card user with barcode purchase data and recommendation automatically on their personal computer |
JP2002318966A (ja) * | 2001-04-18 | 2002-10-31 | Fujitsu Ltd | 商品管理方法、商品推薦方法及びその方法をコンピュータに実行させるプログラム |
CN102982472A (zh) * | 2012-11-29 | 2013-03-20 | 何松 | 终端自动推荐相似商品的方法及装置 |
CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
CN103116639B (zh) * | 2013-02-20 | 2016-05-11 | 新浪网技术(中国)有限公司 | 基于用户-物品二分图模型的物品推荐方法及系统 |
-
2014
- 2014-07-29 CN CN201410367321.5A patent/CN104112022B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246980A (zh) * | 2012-02-02 | 2013-08-14 | 阿里巴巴集团控股有限公司 | 信息输出方法及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN104112022A (zh) | 2014-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829108B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
CN105005562B (zh) | 检索结果的显示处理方法及装置 | |
CN108475289A (zh) | 用于基于文档的内容向写作者建议内容的系统和方法 | |
CN110033206A (zh) | 物料清单自动校核方法及装置 | |
CN110532462A (zh) | 一种推荐方法、装置、设备及可读存储介质 | |
KR101596353B1 (ko) | 품목분류코드 결정 장치 및 방법 | |
CN104915440B (zh) | 一种商品排重方法和系统 | |
CN109603157A (zh) | 任务管理方法及装置 | |
Mavrokapnidis et al. | A linked-data paradigm for the integration of static and dynamic building data in Digital Twins | |
US20170300819A1 (en) | Time-Series Prediction Apparatus and Time-Series Prediction Method | |
Tijerina et al. | The utility of Google Trends data for analyzing public interest in breast procedures | |
CN107016398A (zh) | 数据处理方法及装置 | |
Kubler et al. | Embedding data on “communicating materials” from context-sensitive information analysis | |
CN110135646A (zh) | 一种餐厅预估快速上菜的方法、装置及存储介质 | |
CN110231974A (zh) | 运维信息的可视化方法、装置、设备及可读存储介质 | |
van Bussel et al. | Demand, capacity, and access of the outpatient clinic: A framework for analysis and improvement | |
CN112102921A (zh) | 营养食谱的生成方法、装置和服务器 | |
CN104112022B (zh) | 医疗冷柜系统中样品的推荐方法 | |
Lee et al. | A systematic idea generation approach for developing a new technology: Application of a socio-technical transition system | |
US10891580B2 (en) | Service design assistance system and service design assistance method | |
US20190266648A1 (en) | Systems and methods for analyzing consumer products | |
Li et al. | Fair reviewer assignment considering academic social network | |
CN103873548B (zh) | 服务提供设备以及提供用户界面的方法 | |
Yeung | Do recommender systems benefit users? a modeling approach | |
CN111105298B (zh) | 一种基于物联网智能场景的购买推荐方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180605 Termination date: 20190729 |