CN106446575A - 智能推送医疗资源的方法及系统 - Google Patents
智能推送医疗资源的方法及系统 Download PDFInfo
- Publication number
- CN106446575A CN106446575A CN201610889348.XA CN201610889348A CN106446575A CN 106446575 A CN106446575 A CN 106446575A CN 201610889348 A CN201610889348 A CN 201610889348A CN 106446575 A CN106446575 A CN 106446575A
- Authority
- CN
- China
- Prior art keywords
- user
- pushing
- medical resource
- medical
- resource pushing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004141 dimensional analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G06F19/34—
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开智能推送医疗资源的方法，包括：在医疗资源推送平台上，获取第一用户的医疗资源推送因素，收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素；获取预定数量的第二用户组成熟悉用户集合；获取设定数量的第二用户组成兴趣相似用户集合；利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分得到所述第二用户集合中的医疗资源推送因素的预测评分；将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。本发明使得医疗资源得到了合理、均匀的利用。
Description
技术领域
本发明涉及智能医疗的技术领域，更具体地，涉及一种智能推送医疗资源的方法及系统。
背景技术
随着互联网技术的快速发展，现在的互联网结合移动网络技术能够实现不同区域的人们之间随时随地的互动沟通。基于互联网的在线医疗领域，用户可以通过互联网与医生在线互动进行医疗咨询，打破了传统医疗领域中必须用户与医生面对面沟通医治的方式，实现了跨地域的医疗资源共享，解除了医疗资源的地域限制，实现了医疗资源的合理分配，同时解决了现今在医院医治排号难、路途远等看病难的问题。
在线医疗收集大量的医疗资源信息提供至用户，用户需要从如此庞大的医疗资源信息中找到适合自己的医疗资源也是一件极其困难的事情。并且，信息过载已经成为当今互联网的一大难题，加上医疗资源、医生信息等具有专业信息，对于没有专业认知的普通用户来说，要想在庞大的检索信息中选择合适自己的医疗资源就更加困难了。
每个患者用户所需求的医疗资源各不相同，由于患者对医生的认识不全面或只愿意选择有名气的医生，以至于有些医生预约困难，而另外一些医生无人问津，导致医疗资源分配严重不均，会严重影响到在线医疗平台运行的平衡性。而且用户自己找到的医生也不一定能适合医治自己的病情，就会造成极大地资源浪费。对于用户来讲，如果能提供一种结合用户自身情况的医疗资源智能且专业的推荐方案，就能够省去用户自己查找医疗资源的诸多不便。
因此，提供一种结合医疗资源及用户属性合理调度医疗资源并向用户智能推送医疗资源的方案是本领域亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种智能推送医疗资源的方法及系统，通过获取用户特定的医生状态信息并及时推送至用户，方便用户随时获取特定医生的状态信息。
为了解决上述技术问题，本发明提出一种智能推送医疗资源的方法，包括：
在医疗资源推送平台上，获取第一用户的医疗资源推送因素，收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素；
根据所述第一用户与第二用户集合中每个第二用户的往来记录数据与所述往来记录数据的跨度时间比值，获取所述第一用户与第二用户集合中每个用户的熟悉程度，并将所述熟悉程度从大到小排序得到熟悉程度排序；
根据所述熟悉程度排序顺序获取预定数量的第二用户组成熟悉用户集合；
在所述第二用户集合中，根据每个第二用户对所述第二用户集合中的医疗资源推送因素的兴趣度加权值与用户总数的比值，获得所述第二用户集合中的医疗资源推送因素在所述第二用户集合中的兴趣相似度，并将所述兴趣相似度从大到小顺序排序得到兴趣相似度排序；
根据所述兴趣相似度排序顺序获取设定数量的第二用户组成兴趣相似用户集合；
利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分平均值，得到所述第二用户集合中的医疗资源推送因素的预测评分；
将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。
进一步地，其中，在医疗资源推送平台上，获取第一用户的医疗资源推送因素为：
在医疗资源推送平台上，从网络平台中收集第一用户的属性信息数据；
将从所述网络平台中收集到的所述属性信息数据进行对比，采用贝叶斯算法得到所述属性信息数据的真实性概率；
在所述属性信息数据的真实性概率大于或等于真实性概率阈值时，基于预设的医疗资源推送因素从所述网络平台中，获取所述第一用户的医疗资源推送因素。
进一步地，其中，所述属性信息数据，包括：年龄、性别、职业、工作单位、学校、学历、住址、IP地址、兴趣；
所述医疗资源推送因素，包括：用户所在地区、用户的问诊医生、用户的问诊医院、用户标识、用户标签、用户问诊的时间、用户问诊的内容、用户的手机号段、用户的设备类型、用户所在地的节气、用户的浏览历史、用户的定制信息、用户问诊的病种、用户的年龄、用户的性别、用户的家族病史、用户所属的工作人群、用户的身体特征、用户的种族、用户在医疗资源推送平台上的活跃度及同类医疗资源的欢迎度。
进一步地，其中，在所述属性信息数据的真实性概率小于所述真实性概率阈值时，在医疗资源推送平台上所述发出预警。
进一步地，其中，所述真实性概率阈值大于或等于30％。
另一方面，本发明还提供一种智能推送医疗资源的系统，包括：第二用户集合创建模块、熟悉程度获取模块、兴趣相似度获取模块、医疗资源推送因素预测评分模块及医疗资源推送因素推送模块；其中，
所述第二用户集合创建模块，用于在医疗资源推送平台上，获取第一用户的医疗资源推送因素，收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素；
所述熟悉程度获取模块，用于根据所述第一用户与第二用户集合中每个第二用户的往来记录数据与所述往来记录数据的跨度时间比值，获取所述第一用户与第二用户集合中每个用户的熟悉程度，并将所述熟悉程度从大到小排序得到熟悉程度排序；
根据所述熟悉程度排序顺序获取预定数量的第二用户组成熟悉用户集合；
所述兴趣相似度获取模块，用于在所述第二用户集合中，根据每个第二用户对所述第二用户集合中的医疗资源推送因素的兴趣度加权值与用户总数的比值，获得所述第二用户集合中的医疗资源推送因素在所述第二用户集合中的兴趣相似度，并将所述兴趣相似度从大到小顺序排序得到兴趣相似度排序；
根据所述兴趣相似度排序顺序获取设定数量的第二用户组成兴趣相似用户集合；
所述医疗资源推送因素预测评分模块，用于利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分平均值，得到所述第二用户集合中的医疗资源推送因素的预测评分；
将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。
进一步地，其中，所述第二用户集合创建模块，进一步用于：
在医疗资源推送平台上，从网络平台中收集第一用户的属性信息数据；
将从所述网络平台中收集到的所述属性信息数据进行对比，采用贝叶斯算法得到所述属性信息数据的真实性概率；
在所述属性信息数据的真实性概率大于或等于真实性概率阈值时，基于预设的医疗资源推送因素从所述网络平台中，获取所述第一用户的医疗资源推送因素；
采用领域算法收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合。
进一步地，其中，所述属性信息数据，包括：年龄、性别、职业、工作单位、学校、学历、住址、IP地址、兴趣；
所述医疗资源推送因素，包括：用户所在地区、用户的问诊医生、用户的问诊医院、用户标识、用户标签、用户问诊的时间、用户问诊的内容、用户的手机号段、用户的设备类型、用户所在地的节气、用户的浏览历史、用户的定制信息、用户问诊的病种、用户的年龄、用户的性别、用户的家族病史、用户所属的工作人群、用户的身体特征、用户的种族、用户在医疗资源推送平台上的活跃度及同类医疗资源的欢迎度。
进一步地，其中，所述第二用户集合创建模块，进一步用于：
在所述属性信息数据的真实性概率小于所述真实性概率阈值时，在医疗资源推送平台上所述发出预警。
进一步地，其中，所述真实性概率阈值大于或等于30％。
与现有技术相比，本发明的智能推送医疗资源的方法及系统，实现了如下的有益效果：
(1)本发明所述的智能推送医疗资源的方法及系统，克服了需要用户根据预先定义的条件选择医疗资源的推送机制，获取用户的各种资源信息并进行分析，智能地制定符合用户自身医疗条件的医疗推送机制。
(2)本发明所述的智能推送医疗资源的方法及系统，通过对用户的各种资源信息的分析，准确地了解用户自身需求，结合与资源数据库中数据信息的对比分析，能够更专业有效地向用户推送医疗资源，节省用户对比、选择医疗资源的过程。
(3)本发明所述的智能推送医疗资源的方法及系统，根据用户的资源信息，结合医疗资源库的数据信息，将现有的医疗资源合理地分配推送至各个用户，既保证能够满足用户的医疗资源需求，又使得现有的医疗资源得到了合理、均匀的利用。
当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1为本发明实施例1中所述智能推送医疗资源的方法的流程示意图；
图2为本发明实施例2中所述智能推送医疗资源的方法的流程示意图；
图3为本发明实施例3中所述智能推送医疗资源的系统的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例1
如图1所示，为本实施例中所述智能推送医疗资源的方法的流程示意图。在本实施例中，在医疗资源推送平台上，通过获得待推送用户与其它用户在医疗资源推送因素上的相关程度(熟悉程度和医疗资源推送因素的兴趣相似度)，比较得到待推送的医疗资源推送因素，进而预测并推送设定数量的医疗资源推送因素至所述待推送用户。达到了医疗资源均匀推送的效果，根据用户资源、用户地域等将其它地域拥挤性医疗资源推送给用户。本实施例中所述的智能推送医疗资源的方法包括以下步骤：
步骤101、在医疗资源推送平台上，获取第一用户的医疗资源推送因素，收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素。
在医疗资源推送平台上，用户注册账户就会根据用户的输入及网络地址等属性产生一些用户的基础信息，通过用户的基础信息还可以从互联网中其它网络平台获取所述用户的其它社交信息。本医疗资源推送平台还可以为用户提供多终端、多渠道的使用及访问方式，覆盖现阶段主流就诊渠道，并从中通过各个终端、各种渠道的接口收集用户的数据信息。
与所述第一用户具有相同医疗资源推送因素的第二用户，还具有一些与所述第一用户不相同医疗资源推送因素，本实施例中方案综合考虑第二用户集合中的医疗资源推送因素，能够像所述第一用户进行的医疗资源推送更加精准。
基于用户的基础信息及其它社交信息，结合预先设定的医疗资源推送因素，可以获取该用户的医疗资源推送因素，再基于对获取到的医疗资源推送因素进行多维度分析，可以更准确、均匀地进行医疗资源推送平台上医疗资源的推送。
步骤102、根据所述第一用户与第二用户集合中每个第二用户的往来记录数据与所述往来记录数据的跨度时间比值，获取所述第一用户与第二用户集合中每个用户的熟悉程度，并将所述熟悉程度从大到小排序得到熟悉程度排序；根据所述熟悉程度排序顺序获取预定数量的第二用户组成熟悉用户集合。其中，所述预定数量可以为所述第二用户集合中第二用户总数量的三分之二。
熟悉程度在一定程度上也反映出了用户之间的属性特征的相关性，如相同地区的用户往往会患有相同或相似的地域性疾病，熟悉程度越高的用户间的信任度也越高，具有的相关属性特征也就越多，具体的医疗资源越是具有依赖性。基于用户的熟悉程度进行医疗资源的推荐，能够提升医疗资源推送的准确性。
优选地，还可以在医疗资源推送平台上，设定相同地区、相邻地区及相离地区的地区熟悉度；设定用户之间距离分段的距离熟悉度；设定往来记录数据多少及周期的往来记录数据熟悉度分段。获取所述第一用户与第二用户的地域、距离及往来记录数据熟悉度，对应到系统设定中获取地区熟悉度、距离熟悉度及往来记录数据熟悉度，加权得到所述第一用户与第二用户集合中每个用户的熟悉程度。
更优选地，如果所述第一用户与第二用户很熟悉(所述第一用户与第二用户的熟悉程度达到或者超过特定熟悉程度)，则拉出所述第一用户与第二用户的相同好友用户行为信息集合，然后链式计算(采用LFM(Looking for more，简称LFM)的方法)相关特征，即计算所述第一用户与相同好友用户行为信息集合中用户之间的熟悉程度及兴趣相似度，进一步提高智能推送医疗资源的准确性。
步骤103、在所述第二用户集合中，根据每个第二用户对所述第二用户集合中的医疗资源推送因素的兴趣度加权值与用户总数的比值，获得所述第二用户集合中的医疗资源推送因素在所述第二用户集合中的兴趣相似度，并将所述兴趣相似度从大到小顺序排序得到兴趣相似度排序；根据所述兴趣相似度排序顺序获取设定数量的第二用户组成兴趣相似用户集合。其中，所述设定数量可以为所述第二用户集合中第二用户总数量的三分之二。
优选地，设置用户对所述医疗资源推送因素感兴趣，则兴趣度为1；用户对所述医疗资源推送因素不感兴趣，则兴趣度为0。
用户对同一医疗资源推送因素的兴趣，则直接地反应出了将该医疗资源推送因素推送至待推送用户的重要程度。而现实中无法直接获取待推送用户对某个医疗资源推送因素的兴趣程度，在本步骤中通过获取与所述第一用户具有相同医疗资源推送因素的第二用户集合中用户对该医疗资源推送因素的兴趣程度，推算出待推送用户在该医疗资源推送因素上与第二用户集合中用户的兴趣相似度，从而判定出是否有推送该医疗资源推送因素的必要。
步骤104、利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分平均值，得到所述第二用户集合中的医疗资源推送因素的预测评分。
在医疗资源推送平台上，每个用户对使用过的医疗资源都有一个评分，该评分反应了该用户对该使用过的医疗资源的使用体验以及兴趣度。通过与所述第一用户具有较好熟悉度及兴趣相似度的第二用户集合中，第二用户对医疗资源推送因素评分的加权平均值，能够根据地域等特性很好地反应出向所述第一用户推送该医疗资源推送因素的必要性，从而实现各个地域均匀推送的方案，而不是像现有技术中集中将某些地区内的优良医疗资源进行推送，造成推送不均的现象。
步骤105、将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。优选地，所述预测评分阈值为小于或等于用户对使用过的医疗资源评分最大值的百分之五十。
通过本发明方法筛选出来的医疗资源推送因素可能很多，也不需要将每一个都推送给所述第一用户，这样也会造成资源的浪费，从筛选的医疗资源中选取预定数量的最优医疗资源推送因素推送至用户，能够保证医疗资源推送的精准性。
本实施例所述的智能推送医疗资源的方法，克服了需要用户根据预先定义的条件选择医疗资源的推送机制，获取用户的各种资源信息并进行分析，智能地制定符合用户自身医疗条件的医疗推送机制，使得现有的医疗资源得到了合理、均匀的利用。
实施例2
如图2所示，为本实施例所述智能推送医疗资源的方法的流程示意图。本实施例在实施例1的基础上说明了选取分析素材、多维度分析医疗资源推送因素的具体内容，本实施例所述的方法包括如下步骤：
步骤201、在医疗资源推送平台上，从网络平台中收集第一用户的属性信息数据；将从所述网络平台中收集到的所述属性信息数据进行对比，采用贝叶斯算法得到所述属性信息数据的真实性概率。
贝叶斯算法，是关于随机事件A和B的条件概率(或边缘概率)的一则运算定理。计算公式为：P(A│B)表示已知事件B发生概率条件下事件A发生的概率，P(A)表示A事件发生的概率。如果A和A'构成样本空间的一个划分(样本空间的划分应该是划分成互相不相交的部分)，那么，事件B发生的概率就等于事件A的概率乘以B对这事件A的条件概率与事件A'概率乘以B对这事件A'的条件概率分别得到的概率之和。
在本步骤中，从所述网络平台中收集到的所述属性信息数据，利用贝叶斯算法，假设同类属性信息数据中之一为真实的，发生的概率就为1，则其它同类属性信息数据就据此的真实性概率为1或0，根据贝叶斯计算公式获得同类属性信息数据中该假设的属性信息数据的真实性概率，如此可以结合大数据平台得出属性信息数据的真实性概率。
步骤202、在所述属性信息数据的真实性概率大于或等于真实性概率阈值时，基于预设的医疗资源推送因素从所述网络平台中，获取所述第一用户的医疗资源推送因素。其中，所述真实性概率阈值大于或等于30％。
步骤203、在所述属性信息数据的真实性概率小于所述真实性概率阈值时，在医疗资源推送平台上所述发出预警。医疗资源推送平台的管理人员对平台所收集到的属性信息数据的真实性进行验证，通过验证则将其列入真实性概率大于或等于真实性概率阈值的属性信息数据。本步骤中，通过系统与人工双重核实用户身份及基础信息的方案，保证用户信息的准确及合法性。
步骤204、收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素。
所述属性信息数据，包括：年龄、性别、职业、工作单位、学校、学历、住址、IP地址、兴趣；
所述医疗资源推送因素，包括：用户所在地区、用户的问诊医生、用户的问诊医院、用户标识、用户标签、用户问诊的时间、用户问诊的内容、用户的手机号段、用户的设备类型、用户所在地的节气、用户的假日活动或区域习俗特点、用户的浏览历史、用户的定制信息、用户问诊的病种、用户的年龄、用户的性别、用户的家族病史、用户所属的工作人群、用户的身体特征、用户的种族、用户在医疗资源推送平台上的活跃度及同类医疗资源的欢迎度。
步骤205、根据所述第一用户与第二用户集合中每个第二用户的往来记录数据与所述往来记录数据的跨度时间比值，获取所述第一用户与第二用户集合中每个用户的熟悉程度。其中，所述往来记录数据是指往来记录数据的条数，所述往来记录数据的跨度时间是指往来记录数据的跨度天数。并将所述熟悉程度从大到小排序得到熟悉程度排序；根据所述熟悉程度排序顺序获取预定数量的第二用户组成熟悉用户集合。其中，所述预定数量可以为所述第二用户集合中第二用户总数量的三分之二。
步骤206、在所述第二用户集合中，根据每个第二用户对所述第二用户集合中的医疗资源推送因素的兴趣度加权值与用户总数的比值，获得所述第二用户集合中的医疗资源推送因素在所述第二用户集合中的兴趣相似度，并将所述兴趣相似度从大到小顺序排序得到兴趣相似度排序；根据所述兴趣相似度排序顺序获取设定数量的第二用户组成兴趣相似用户集合。其中，所述设定数量可以为所述第二用户集合中第二用户总数量的三分之二。
步骤207、利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分平均值，得到所述第二用户集合中的医疗资源推送因素的预测评分。
步骤208、将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。优选地，所述预测评分阈值为小于或等于用户对使用过的医疗资源评分最大值的百分之五十。
在本实施例中，通过对用户的各种资源信息的分析，准确地了解用户自身需求，结合与资源数据库中数据信息的对比分析，能够更专业有效地向用户推送医疗资源，节省用户对比、选择医疗资源的过程。根据用户的资源信息，结合医疗资源库的数据信息，将现有的医疗资源合理地分配推送至各个用户，既保证能够满足用户的医疗资源需求，又使得现有的医疗资源得到了合理、均匀的利用。
实施例3
如图3所示，为本实施所述的智能推送医疗资源的系统的结构示意图，该系统用于实施上述实施例中所述智能推送医疗资源的方法。本实施例所述的系统包括：第二用户集合创建模块301、熟悉程度获取模块302、兴趣相似度获取模块303、医疗资源推送因素预测评分模块304及医疗资源推送因素推送模块305。
其中，所述第二用户集合创建模块301，与所述熟悉程度获取模块302及兴趣相似度获取模块303相藕接，用于在医疗资源推送平台上，获取第一用户的医疗资源推送因素，收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素。
所述熟悉程度获取模块302，与所述第二用户集合创建模块301及医疗资源推送因素预测评分模块304相藕接，用于根据所述第一用户与第二用户集合中每个第二用户的往来记录数据与所述往来记录数据的跨度时间比值，获取所述第一用户与第二用户集合中每个用户的熟悉程度，并将所述熟悉程度从大到小排序得到熟悉程度排序；根据所述熟悉程度排序顺序获取预定数量的第二用户组成熟悉用户集合。其中，所述预定数量可以为所述第二用户集合中第二用户总数量的三分之二。
所述兴趣相似度获取模块303，与所述第二用户集合创建模块301及医疗资源推送因素预测评分模块304相藕接，用于在所述第二用户集合中，根据每个第二用户对所述第二用户集合中的医疗资源推送因素的兴趣度加权值与用户总数的比值，获得所述第二用户集合中的医疗资源推送因素在所述第二用户集合中的兴趣相似度，并将所述兴趣相似度从大到小顺序排序得到兴趣相似度排序；根据所述兴趣相似度排序顺序获取设定数量的第二用户组成兴趣相似用户集合。其中，所述设定数量可以为所述第二用户集合中第二用户总数量的三分之二。
所述医疗资源推送因素预测评分模块304，与所述熟悉程度获取模块302、兴趣相似度获取模块303及医疗资源推送因素推送模块305相藕接，用于利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分平均值，得到所述第二用户集合中的医疗资源推送因素的预测评分。
所述医疗资源推送因素推送模块305，与所述医疗资源推送因素预测评分模块304相藕接，用于将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。优选地，所述预测评分阈值为小于或等于用户对使用过的医疗资源评分最大值的百分之五十。
进一步地，所述第二用户集合创建模块301用于：
在医疗资源推送平台上，从网络平台中收集第一用户的属性信息数据；
将从所述网络平台中收集到的所述属性信息数据进行对比，采用贝叶斯算法得到所述属性信息数据的真实性概率；
在所述属性信息数据的真实性概率大于或等于真实性概率阈值时，基于预设的医疗资源推送因素从所述网络平台中，获取所述第一用户的医疗资源推送因素。
收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合。
进一步地，在上述系统中，所述属性信息数据，包括：年龄、性别、职业、工作单位、学校、学历、住址、IP地址、兴趣；
所述医疗资源推送因素，包括：用户所在地区、用户的问诊医生、用户的问诊医院、用户标识、用户标签、用户问诊的时间、用户问诊的内容、用户的手机号段、用户的设备类型、用户所在地的节气、用户的假日活动或区域习俗特点、用户的浏览历史、用户的定制信息、用户问诊的病种、用户的年龄、用户的性别、用户的家族病史、用户所属的工作人群、用户的身体特征、用户的种族、用户在医疗资源推送平台上的活跃度及同类医疗资源的欢迎度。
所述第二用户集合创建模块301，进一步用于：
在所述属性信息数据的真实性概率小于所述真实性概率阈值时，在医疗资源推送平台上所述发出预警。
其中，所述真实性概率阈值大于或等于30％。
通过以上各个实施例可知，本发明的智能推送医疗资源的方法及系统，存在的有益效果是：
(1)本发明所述的智能推送医疗资源的方法及系统，克服了需要用户根据预先定义的条件选择医疗资源的推送机制，获取用户的各种资源信息并进行分析，智能地制定符合用户自身医疗条件的医疗推送机制。
(2)本发明所述的智能推送医疗资源的方法及系统，通过对用户的各种资源信息的分析，准确地了解用户自身需求，结合与资源数据库中数据信息的对比分析，能够更专业有效地向用户推送医疗资源，节省用户对比、选择医疗资源的过程。
(3)本发明所述的智能推送医疗资源的方法及系统，根据用户的资源信息，结合医疗资源库的数据信息，将现有的医疗资源合理地分配推送至各个用户，既保证能够满足用户的医疗资源需求，又使得现有的医疗资源得到了合理、均匀的利用。
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、装置、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。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种智能推送医疗资源的方法，其特征在于，包括：
在医疗资源推送平台上，获取第一用户的医疗资源推送因素，收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素；
根据所述第一用户与第二用户集合中每个第二用户的往来记录数据与所述往来记录数据的跨度时间比值，获取所述第一用户与第二用户集合中每个用户的熟悉程度，并将所述熟悉程度从大到小排序得到熟悉程度排序；
根据所述熟悉程度排序顺序获取预定数量的第二用户组成熟悉用户集合；
在所述第二用户集合中，根据每个第二用户对所述第二用户集合中的医疗资源推送因素的兴趣度加权值与用户总数的比值，获得所述第二用户集合中的医疗资源推送因素在所述第二用户集合中的兴趣相似度，并将所述兴趣相似度从大到小顺序排序得到兴趣相似度排序；
根据所述兴趣相似度排序顺序获取设定数量的第二用户组成兴趣相似用户集合；
利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分平均值，得到所述第二用户集合中的医疗资源推送因素的预测评分；
将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。
2.根据权利要求1所述的智能推送医疗资源的方法，其特征在于，在医疗资源推送平台上，获取第一用户的医疗资源推送因素，进一步为：
在医疗资源推送平台上，从网络平台中收集第一用户的属性信息数据；
将从所述网络平台中收集到的所述属性信息数据进行对比，采用贝叶斯算法得到所述属性信息数据的真实性概率；
在所述属性信息数据的真实性概率大于或等于真实性概率阈值时，基于预设的医疗资源推送因素从所述网络平台中，获取所述第一用户的医疗资源推送因素。
3.根据权利要求2所述的智能推送医疗资源的方法，其特征在于，
所述属性信息数据，包括：年龄、性别、职业、工作单位、学校、学历、住址、IP地址、兴趣；
所述医疗资源推送因素，包括：用户所在地区、用户的问诊医生、用户的问诊医院、用户标识、用户标签、用户问诊的时间、用户问诊的内容、用户的手机号段、用户的设备类型、用户所在地的节气、用户的浏览历史、用户的定制信息、用户问诊的病种、用户的年龄、用户的性别、用户的家族病史、用户所属的工作人群、用户的身体特征、用户的种族、用户在医疗资源推送平台上的活跃度及同类医疗资源的欢迎度。
4.根据权利要求2所述的智能推送医疗资源的方法，其特征在于，
在所述属性信息数据的真实性概率小于所述真实性概率阈值时，在医疗资源推送平台上所述发出预警。
5.根据权利要求2所述的智能推送医疗资源的方法，其特征在于，所述真实性概率阈值大于或等于30％。
6.一种智能推送医疗资源的系统，其特征在于，包括：第二用户集合创建模块、熟悉程度获取模块、兴趣相似度获取模块、医疗资源推送因素预测评分模块及医疗资源推送因素推送模块；其中，
所述第二用户集合创建模块，用于在医疗资源推送平台上，获取第一用户的医疗资源推送因素，收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合，并收集所述第二用户集合中的医疗资源推送因素；
所述熟悉程度获取模块，用于根据所述第一用户与第二用户集合中每个第二用户的往来记录数据与所述往来记录数据的跨度时间比值，获取所述第一用户与第二用户集合中每个用户的熟悉程度，并将所述熟悉程度从大到小排序得到熟悉程度排序；
根据所述熟悉程度排序顺序获取预定数量的第二用户组成熟悉用户集合；
所述兴趣相似度获取模块，用于在所述第二用户集合中，根据每个第二用户对所述第二用户集合中的医疗资源推送因素的兴趣度加权值与用户总数的比值，获得所述第二用户集合中的医疗资源推送因素在所述第二用户集合中的兴趣相似度，并将所述兴趣相似度从大到小顺序排序得到兴趣相似度排序；
根据所述兴趣相似度排序顺序获取设定数量的第二用户组成兴趣相似用户集合；
所述医疗资源推送因素预测评分模块，用于利用所述熟悉用户集合及兴趣相似用户集合中每个第二用户对所述第二用户集合中的医疗资源推送因素的评分平均值，得到所述第二用户集合中的医疗资源推送因素的预测评分；
将所述预测评分大于或等于预测评分阈值的所述第二用户集合中的医疗资源推送因素所对应的医疗资源推送给所述第一用户。
7.根据权利要求1所述的智能推送医疗资源的系统，其特征在于，所述第二用户集合创建模块，进一步用于：
在医疗资源推送平台上，从网络平台中收集第一用户的属性信息数据；
将从所述网络平台中收集到的所述属性信息数据进行对比，采用贝叶斯算法得到所述属性信息数据的真实性概率；
在所述属性信息数据的真实性概率大于或等于真实性概率阈值时，基于预设的医疗资源推送因素从所述网络平台中，获取所述第一用户的医疗资源推送因素；
采用领域算法收集与所述第一用户具有相同医疗资源推送因素的第二用户形成第二用户集合。
8.根据权利要求7所述的智能推送医疗资源的系统，其特征在于，
所述属性信息数据，包括：年龄、性别、职业、工作单位、学校、学历、住址、IP地址、兴趣；
所述医疗资源推送因素，包括：用户所在地区、用户的问诊医生、用户的问诊医院、用户标识、用户标签、用户问诊的时间、用户问诊的内容、用户的手机号段、用户的设备类型、用户所在地的节气、用户的浏览历史、用户的定制信息、用户问诊的病种、用户的年龄、用户的性别、用户的家族病史、用户所属的工作人群、用户的身体特征、用户的种族、用户在医疗资源推送平台上的活跃度及同类医疗资源的欢迎度。
9.根据权利要求7所述的智能推送医疗资源的系统，其特征在于，所述第二用户集合创建模块，进一步用于：
在所述属性信息数据的真实性概率小于所述真实性概率阈值时，在医疗资源推送平台上所述发出预警。
10.根据权利要求7所述的智能推送医疗资源的方法，其特征在于，所述真实性概率阈值大于或等于30％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610889348.XA CN106446575B (zh) | 2016-10-12 | 2016-10-12 | 智能推送医疗资源的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610889348.XA CN106446575B (zh) | 2016-10-12 | 2016-10-12 | 智能推送医疗资源的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106446575A true CN106446575A (zh) | 2017-02-22 |
| CN106446575B CN106446575B (zh) | 2019-03-05 |
Family
ID=58173425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610889348.XA Expired - Fee Related CN106446575B (zh) | 2016-10-12 | 2016-10-12 | 智能推送医疗资源的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106446575B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107395703A (zh) * | 2017-07-11 | 2017-11-24 | 中国医学科学院医学信息研究所 | 一种资源推送方法和装置 |
| CN109190029A (zh) * | 2018-08-22 | 2019-01-11 | 重庆市智权之路科技有限公司 | 云端智能信息推送平台工作方法 |
| CN109493108A (zh) * | 2018-09-26 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 医疗活动信息处理方法、装置、计算机设备和介质 |
| CN113468431A (zh) * | 2021-07-22 | 2021-10-01 | 咪咕数字传媒有限公司 | 基于用户行为的内容推荐方法及装置 |
| CN116364261A (zh) * | 2023-06-02 | 2023-06-30 | 北京小懂科技有限公司 | 一种智能推荐方法、系统、设备及存储介质 |
| CN117493681A (zh) * | 2023-11-15 | 2024-02-02 | 无锡胤兴智创科技有限公司 | 一种基于云计算的智慧医疗信息推送系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103559637A (zh) * | 2013-11-13 | 2014-02-05 | 王竞 | 一种为就诊患者推荐医生的方法及其系统 |
| CN104036445A (zh) * | 2014-06-17 | 2014-09-10 | 南京邮电大学 | 一种智慧医疗个性化推荐系统及其实现方法 |
| CN105404763A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 一种在移动医疗系统中向患者推荐医生的方法 |
-
2016
- 2016-10-12 CN CN201610889348.XA patent/CN106446575B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103559637A (zh) * | 2013-11-13 | 2014-02-05 | 王竞 | 一种为就诊患者推荐医生的方法及其系统 |
| CN104036445A (zh) * | 2014-06-17 | 2014-09-10 | 南京邮电大学 | 一种智慧医疗个性化推荐系统及其实现方法 |
| CN105404763A (zh) * | 2015-10-26 | 2016-03-16 | 天津大学 | 一种在移动医疗系统中向患者推荐医生的方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107395703A (zh) * | 2017-07-11 | 2017-11-24 | 中国医学科学院医学信息研究所 | 一种资源推送方法和装置 |
| CN109190029A (zh) * | 2018-08-22 | 2019-01-11 | 重庆市智权之路科技有限公司 | 云端智能信息推送平台工作方法 |
| CN109190029B (zh) * | 2018-08-22 | 2021-09-28 | 中食安泓(广东)健康产业有限公司 | 云端智能信息推送平台工作方法 |
| CN109493108A (zh) * | 2018-09-26 | 2019-03-19 | 平安医疗健康管理股份有限公司 | 医疗活动信息处理方法、装置、计算机设备和介质 |
| CN109493108B (zh) * | 2018-09-26 | 2024-02-06 | 深圳平安医疗健康科技服务有限公司 | 医疗活动信息处理方法、装置、计算机设备和介质 |
| CN113468431A (zh) * | 2021-07-22 | 2021-10-01 | 咪咕数字传媒有限公司 | 基于用户行为的内容推荐方法及装置 |
| CN113468431B (zh) * | 2021-07-22 | 2024-06-04 | 咪咕数字传媒有限公司 | 基于用户行为的内容推荐方法及装置 |
| CN116364261A (zh) * | 2023-06-02 | 2023-06-30 | 北京小懂科技有限公司 | 一种智能推荐方法、系统、设备及存储介质 |
| CN117493681A (zh) * | 2023-11-15 | 2024-02-02 | 无锡胤兴智创科技有限公司 | 一种基于云计算的智慧医疗信息推送系统及方法 |
| CN117493681B (zh) * | 2023-11-15 | 2024-05-14 | 无锡胤兴智创科技有限公司 | 一种基于云计算的智慧医疗信息推送系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106446575B (zh) | 2019-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106446575B (zh) | 智能推送医疗资源的方法及系统 | |
| Wulff et al. | Modeling choices in delay discounting | |
| Li et al. | Routing questions to appropriate answerers in community question answering services | |
| CN113592345B (zh) | 基于聚类模型的医疗分诊方法、系统、设备及存储介质 | |
| Lu et al. | Variable selection for optimal treatment decision | |
| US8775197B2 (en) | Personalized health history system with accommodation for consumer health terminology | |
| Huq et al. | Automated music emotion recognition: A systematic evaluation | |
| Low et al. | Trend and impact of international collaboration in clinical medicine papers published in Malaysia | |
| US20160357771A1 (en) | Creating groups of users in a social networking system | |
| CN105159932B (zh) | 一种数据检索引擎和排序系统和方法 | |
| O’Flaherty et al. | The family life course and health: Partnership, fertility histories, and later-life physical health trajectories in Australia | |
| Waqar et al. | An adaptive doctor-recommender system | |
| Sharara et al. | Active surveying: A probabilistic approach for identifying key opinion leaders | |
| US8949237B2 (en) | Detecting overlapping clusters | |
| Nilsson et al. | Social inequality in onset of mobility disability among older Danes: the mediation effect of social relations | |
| WO2015085154A1 (en) | Trend identification and reporting | |
| WO2023178971A1 (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
| US20220391769A1 (en) | Methods and systems for using artificial intelligence to analyze user activity data | |
| WO2021025793A1 (en) | Methods and systems for using artificial intelligence to analyze user activity data | |
| Forouzandeh et al. | Health Recommender System in Social Networks: A Case of Facebook. | |
| O’Neill et al. | Data analytics of call log data to identify caller behaviour patterns from a mental health and well-being helpline | |
| US20170154157A1 (en) | Data analysis device, control method for data analysis device, and control program for data analysis device | |
| CN112509656A (zh) | 基于医疗机构的等级评价方法、装置、计算机设备及介质 | |
| CN111078859A (zh) | 一种基于引用次数的作者推荐方法 | |
| Papadopoulou et al. | Prediction of atrial fibrillation and stroke using machine learning models in UK Biobank |
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 |
Granted publication date: 20190305 Termination date: 20201012 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |