CN108109690A - 一种身体状态建议信息的推荐方法及装置 - Google Patents
一种身体状态建议信息的推荐方法及装置 Download PDFInfo
- Publication number
- CN108109690A CN108109690A CN201611049304.2A CN201611049304A CN108109690A CN 108109690 A CN108109690 A CN 108109690A CN 201611049304 A CN201611049304 A CN 201611049304A CN 108109690 A CN108109690 A CN 108109690A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- physical condition
- medical record
- condition advisory
- 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.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种身体状态建议信息的推荐方法，所述方法包括：基于用户的基本信息从病历数据平台获取所述用户的病历信息；从所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；基于所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。本发明还同时公开了一种身体状态建议信息的推荐装置。
Description
技术领域
本发明涉及消息的推荐技术，具体涉及一种身体状态建议信息的推荐方法及装置。
背景技术
随着医院数字化系统的不断成熟和完善，医学数据中健康信息的数据量迅速增长，人们在进行体检或诊断疾病中几乎所有的信息都是以数据的形式进行展现的。这些海量的体检数据或诊断数据除了能够帮助及时判断当前病人的体征外，也可以帮助预测疾病的发展趋势或者发现新的疾病，以便提前做好防护措施，保证人们的健康生活。
现有技术中，常用的推荐算法主要有以下几种：
1)基于内容推荐：基于内容推荐的方法理论依据主要来自于信息检索和信息过滤，所谓的基于内容推荐的方法就是根据用户的历史浏览记录向用户推荐用户没有接触过的推荐项；
2)基于协同过滤推荐：基于协同过滤推荐的算法主要是通过对产品的未评分项进行评分预测来实现。基于用户的协调过滤推荐算法是关注与目标用户的行为特征相似的其他用户对该产品的喜好，将这些用户对该产品的喜好进行加权计算，预测目标用户对该产品的喜好。这种算法的缺点是没有充分综合考虑产品的度和用户的度。
3)基于关联规则推荐：基于关联规则推荐的方法是以关联规则为基础，把已购商品作为规则头，规则体为推荐对象，发现不同商品在销售过程中的相关性。基于关联规则推荐就是指在一个交易数据库中统计购买了商品集X的交易中有多大比例的交易同时购买了商品集Y，其直观的意义就是用户在购买某些商品的时候有多大倾向去购买另外一些商品，然后将这些商品推荐给目标用户。比如购买牛奶的同时很多人会同时购买面包。
由于在健康医疗应用中，用户数据主要来自其体检记录、就诊信息、个人信息设置、APP关联的运动手环数据、血糖仪数据、饮食记录和运动记录等。由于数据来源比较复杂，另外还有新用户冷启动、数据稀疏性问题及算法的可扩展性等问题，而使用现有的推荐算法无法精确地分析出用户的健康状况。
发明内容
为解决现有存在的技术问题，本发明实施例期望提供一种身体状态建议信息的推荐方法及装置，能够提高用户数据的真实性和医疗数据的实用性。
本发明实施例的技术方案是这样实现的：
本发明实施例提供一种身体状态建议信息的推荐方法，所述方法包括：
基于用户的基本信息从病历数据平台获取所述用户的病历信息；
从所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
基于所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。
上述方案中，在所述基于所述第一病历信息为所述用户确定第一身体状态建议信息之前，所述方法还包括：
基于所述用户的基本信息获取所述用户的运动检测数据；
基于所述运动检测数据和所述第一病历信息为所述用户确定所述第一身体状态建议信息。
上述方案中，在所述基于所述第一病历信息为所述用户确定第一身体状态建议信息之前，所述方法还包括：
基于所述用户的基本信息获取所述用户的行为数据；
基于所述行为数据和所述第一病历信息为所述用户确定第一身体状态建议信息。
上述方案中，在基于所述第一身体状态建议信息生成推荐结果之前，所述方法还包括：
对所述第一身体状态建议信息进行过滤，得到所述用户未浏览过的所述第一身体状态建议信息；
将所述用户未浏览过的所述第一身体状态建议信息生成推荐结果并输出。
上述方案中，在所述基于所述用户的基本信息为所述用户确定第二身体状态建议信息之前，所述方法还包括：
根据所述基本信息获取所述用户的运动检测数据；
基于所述运动检测数据和所述基本信息为所述用户确定第二身体状态建议信息。
上述方案中，在所述基于所述用户的基本信息为所述用户确定第二身体状态建议信息之前，所述方法还包括：
根据所述基本信息获取所述用户的行为数据；
基于所述行为数据和所述基本信息为所述用户确定第二身体状态建议信息。
本发明实施例还提供一种身体状态建议信息的推荐装置，所述装置包括：
获取单元、确定单元、生成单元；其中，
所述获取单元，用于基于用户的基本信息从病历数据平台查询所述用户的病历信息；
所述确定单元，用于从所述获取单元获取到的所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
所述生成单元，用于基于所述确定单元确定的所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。
上述方案中，所述获取单元，还用于基于所述用户的基本信息获取所述用户的运动检测数据；
所述确定单元，还用于基于所述获取单元获取到的所述运动检测数据和所述第一病历信息为所述用户确定所述第一身体状态建议信息。
上述方案中，所述获取单元，还用于基于所述用户的基本信息获取所述用户的行为数据；
所述确定单元，还用于基于所述获取单元获取到的所述行为数据和所述第一病历信息为所述用户确定第一身体状态建议信息。
上述方案中，所述装置还包括：
过滤单元，用于对所述第一身体状态建议信息进行过滤，得到所述用户未浏览过的所述第一身体状态建议信息；
所述生成单元，具体用于将所述用户未浏览过的所述第一身体状态建议信息生成推荐结果并输出。
上述方案中，所述获取单元，还用于根据所述基本信息获取所述用户的运动检测数据；
所述确定单元，还用于基于所述获取单元获取到的所述运动检测数据和所述基本信息为所述用户确定第二身体状态建议信息。
上述方案中，所述获取单元，还用于根据所述基本信息获取所述用户的行为数据；
所述确定单元，还用于基于所述行为数据和所述基本信息为所述用户确定第二身体状态建议信息。
本发明实施例提供的一种身体状态建议信息的推荐方法及装置，基于用户的基本信息从病历数据平台获取所述用户的病历信息；从所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；基于所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。如此，基于用户的基本信息从病历数据平台获取所述用户的病历信息，再基于所述病历信息为所述用户确定推荐结果，使得推荐结果更准确，弥补了现有的推荐算法分析用户健康状况的缺陷，提高了用户数据的真实性和医疗数据的实用性，能够精准地为用户提供健康信息及个性化健康服务。
附图说明
图1为本发明实施例一种身体状态建议信息的推荐方法的实现流程图；
图2为本发明实施例一种身体状态建议信息的推荐装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1为本发明实施例一种身体状态建议信息的推荐方法的实现流程图；如图1所示，该方法包括：
步骤101，基于用户的基本信息从病历数据平台获取所述用户的病历信息；
这里，所述方法主要应用在医疗应用程序(APP，Application)的信息推荐装置或系统中。通过所述用户在所述APP的信息推荐装置或系统中输入的注册信息，获取所述用户的基本信息。其中，所述基本信息包括：所述用户的性别、年龄、身高、职业等。然后所述APP的信息推荐装置或系统定时到与所述APP的信息推荐装置或系统合作的病历数据平台获取所述用户的病历信息。所述病历信息包括：所述用户的体检报告、就诊记录、检验结果、就诊结果和处方医嘱等用户的真实信息。
步骤102，从所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
这里，当所述APP的信息推荐装置或系统获取到所述用户的病历信息后，从所述病历信息中查找诊断时间在预设时间内的第一病历信息，并判断所述第一病历信息的诊断时间是否在预设时间内，当确定所述第一病历信息的诊断时间在预设时间内，则根据所述第一病历信息为所述用户确定当前的身体状态建议信息。例如，所述预设时间为36小时，当所述APP的信息推荐装置或系统判断获取到的所述用户的第一病历信息的诊断时间距当前时间为24小时时，则确定所述用户的第一病历信息的诊断时间在所述预设时间36小时内，则基于所述第一病历信息为所述用户确定当前的身体状态建议信息；或者，所述预设时间为一星期，当所述APP的信息推荐装置或系统判断获取到的所述用户的第一病历信息的诊断时间距当前时间为三天时，则确定所述用户的第一病历信息的诊断时间在所述预设时间一星期内，则基于所述第一病历信息为所述用户确定当前的身体状态建议信息；或者，所述预设时间一个月，当所述APP的信息推荐装置或系统判断获取到的所述用户的第一病历信息的诊断时间距当前时间为15天时，则确定所述用户的第一病历信息的诊断时间在所述预设时间一个月内，则基于所述第一病历信息为所述用户确定当前的身体状态建议信息。
当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
这里，通过统计学推荐对所述用户的基本信息进行分类，具体是将基本信息中相同或相似的特征分为一类，再在同类的用户中将彼此感兴趣的内容相互推荐。例如，以用户基本信息中的年龄和性别为例，根据统计学推荐算法将年龄和性别相同的用户归为一类，然后给其中某一用户推荐和他属于同一类中的其他用户浏览或赞过的内容。
或者以用户基本信息中的职业为例，到数据库中查找与所述职业相对应的医嘱建议，根据所述医嘱建议向所述用户推荐信息。例如，所述用户的职业是信息技术(IT，Information Technology)职业，则根据所述职业到数据库中查找到与IT职业相对应的医嘱建议是：定时休息，活动颈椎、腰椎等部位，防止颈椎、腰椎等疾病。
步骤103，基于所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。
这里，为了防止向用户输出的推荐结果已被所述用户知晓，所以在向所述用户输出推荐结果之前，还需要对所述第一身体状态建议信息或所述第二身体状态建议信息进行过滤，得到所述用户未浏览过的所述第一身体状态建议信息或所述第二身体状态建议信息，将所述用户未浏览过的所述第一身体状态建议信息生成推荐结果并输出。
在本发明实施例中，在所述基于所述第一病历信息为所述用户确定第一身体状态建议信息之前，所述方法还包括：
基于所述用户的基本信息获取所述用户的运动检测数据；
基于所述运动检测数据和所述第一病历信息为所述用户确定所述第一身体状态建议信息。
这里，所述运动检测数据主要是指从所述APP的信息推荐装置或系统相关联的运动手环、智能血糖仪中获取到的所述用户的运动饮食数据和血糖、血脂数据。基于所述用户的运动检测数据和所述第一病历信息确定所述用户当前的身体状态特征信息。例如，所述用户当前被诊断为感冒还伴有发烧，而根据所述用户的第一病历信息从数据库中得到的处方医嘱建议是多喝水、多休息；当获取到所述用户当前的运动检测数据为10000步，而从数据库中获取到所述用户的历史运动检测数据是15000步时，则结合所述用户当前的第一病历信息向所述用户推荐少运动，多休息的医嘱建议信息。
在本发明实施例中，在所述基于所述第一病历信息为所述用户确定第一身体状态建议信息之前，所述方法还包括：
基于所述用户的基本信息获取所述用户的行为数据；
基于所述行为数据和所述第一病历信息为所述用户确定第一身体状态建议信息。
这里，所述行为数据是指所述用户的订阅数据、购买数据和浏览数据等。当根据所述基本信息获取到所述用户的行为数据是订阅数据时，则通过关联规则推荐方法进行推荐。具体是根据用户的订阅内容向所述用户推荐与所述订阅内容相关联的内容。例如，确定所述用户经常订阅一些调理身体的A计划时，则统计订阅所述A计划的用户中，有多少用户订阅了调理身体的B计划。然后基于所述调理身体的B计划和所述第一病历信息为所述用户确定所述第一身体状态建议信息，将所述第一身体状态建议信息进行过滤过生成推荐结果向所述用户推荐。
当根据所述基本信息获取到所述用户的行为数据是浏览数据时，则根据所述用户浏览的项目内容，确定与所述用户浏览的项目相近的项目内容，向所述用户推荐。例如，当所述用户经常浏览关于例如高血压的项目时，通过在数据库中计算出与所述高血压相近的高血脂内容时，基于所述高血脂内容和所述第一病历信息为所述用户确定所述第一身体状态建议信息，将所述第一身体状态建议信息进行过滤过生成推荐结果向所述用户推荐。
当根据所述基本信息获取到所述用户的行为数据是购买数据时，则通过潜在因素模型(LFM，Latent Factor Model)进行Top-N计算，其主要思想是对用户-物品兴趣矩阵进行分解，分解后得到用户-类矩阵和类-物品矩阵，通过学习得到分解后的矩阵，在通过分解后的矩阵反推出用户-物品兴趣矩阵，根据兴趣度大小进行推荐。具体算法如下：
分解用户-物品兴趣矩阵：
分解公式为：
其中，R矩阵是user与item矩阵，矩阵值RUI表示的是user U对item I的兴趣度；对于一个user来说，当计算出他对所有item的兴趣度后，就可以进行排序并作出推荐。
LFM算法从数据集中抽取出若干主题，作为user和item之间连接的桥梁，将R矩阵表示为P矩阵和Q矩阵相乘。其中P矩阵是user和class的矩阵，矩阵值PUK表示的是user U对class K的兴趣度；Q矩阵式class与item的矩阵，矩阵值QKI表示的是item K在class I中的权重，权重越高越能作为该类的代表。所以LFM根据上述公式来计算用户U对物品I的兴趣度。
在本发明实施例中，不需要关心分类的角度，结果都是基于用户行为统计自动聚类的，全凭数据自己说了算。也不用关心分类粒度的问题，通过设置LFM的最终分类数就可控制粒度，分类数越大，粒度约细。而对于一个item，并不是明确的划分到某一类，而是计算其属于每一类的概率，是一种标准的软分类。而对于一个user，可以得到他对于每一类的兴趣度，而不是只关心可见列表中的那几个类。对于每一个class，可以得到类中每个item的权重，越能代表这个类的item，权重越高。
在本发明实施例中，数据集应该包含所有的user和这些用户有过行为的item，也就是感兴趣。所有的这些item构成了一个item全集。对于每个user来说，把用户有过行为的item称为正样本，规定兴趣度RUI＝1，此外还需要从item全集中随机抽样，选取与正样本数量相当的样本作为负样本，规定兴趣度为RUI＝0。因此，兴趣的取值范围为[0，1]。对采样之后原有的数据集得到扩充，得到一个新的user-item集K＝{(U，I)}，其中如果(U，I)是正样本，则RUI＝1，否则RUI＝0。损失函数如下所示：
上式中的λ||PU||2+λ||QI||2是用来防止过拟合的正则化项，λ需要根据具体应用场景反复实验得到。
由于LFM是一个典型的学习模型，其占用内存一般较小，和基于用户或物品的协同过滤算法有一定的互补性，所述不太适用于物品数非常庞大的系统。
在本发明实施例中，通常是根据所述用户当前的行为对象向所述用户输出推荐结果。例如，当前所述用户的行为对象是订阅模块，则在订阅模块输出向所述用户推荐的推荐信息；当前所述用户的行为对象是浏览模块，则在浏览模块输出向所述用户推荐的推荐信息。
在本发明实施例中，在所述基于所述用户的基本信息为所述用户确定第二身体状态建议信息之前，所述方法还包括：
根据所述基本信息获取所述用户的运动检测数据；
基于所述运动检测数据和所述基本信息为所述用户确定第二身体状态建议信息。
这里，当获取到的所述用户的运动检测数据为100步，且所述用户的职业又是IT职业时，则在数据库中查找所述用户的历史运动数据，当查找到所述用户的历史运动数据均在200步以内时，则基于所述运动检测数据和所述基本信息为所述用户确定第二身体状态建议信息是加强运动。
在本发明实施例中，在所述基于所述用户的基本信息为所述用户确定第二身体状态建议信息之前，所述方法还包括：
根据所述基本信息获取所述用户的行为数据；
基于所述行为数据和所述基本信息为所述用户确定第二身体状态建议信息。
这里，当根据所述基本信息获取到所述用户的行为数据是订阅数据时，则通过关联规则推荐方法进行推荐。具体是根据用户的订阅内容向所述用户推荐与所述订阅内容相关联的内容。例如，确定所述用户的性别是女，年龄是56岁，且所述用户经常订阅一些健康饮食的A计划时，则统计订阅所述A计划的用户中，有多少用户订阅了健康饮食的B计划。然后将所述健康饮食的B计划确定为所述用户的第二身体状态建议信息。
当根据所述基本信息获取到所述用户的行为数据是浏览数据时，则根据所述用户浏览的项目内容，确定与所述用户浏览的项目相近的项目内容，向所述用户推荐。例如，当所述用户年龄65岁，经常浏览关于例如高血压的项目时，通过在数据库中计算出与所述高血压相近的高血脂内容时，将所述高血脂内容确定为所述用户的第二身体状态建议信息。
图2为本发明实施例一种身体状态建议信息的推荐装置的结构示意图。如图2所示，所述装置包括：获取单元201、确定单元202和生成单元203；其中，
所述获取单元201，用于基于用户的基本信息从病历数据平台查询所述用户的病历信息；
所述确定单元202，用于从所述获取单元获取到的所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
所述生成单元203，用于基于所述确定单元确定的所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。
这里，所述装置主要应用于医疗APP中，通过所述用户在所述装置中输入的注册信息，所述获取单元201获取所述用户的基本信息。其中，所述基本信息包括：所述用户的性别、年龄、身高、职业等。当所述获取单元201获取到所述用户的基本信息后，基于所述基本信息，定时到与所述APP合作的病历数据平台获取所述用户的病历信息。所述病历信息包括：所述用户的体检报告、就诊记录、检验结果、就诊结果和处方医嘱等用户的真实信息。
当所述获取单元201获取到所述用户的病历信息后，触发所述确定单元202从所述病历信息中查找诊断时间在预设时间内的第一病历信息，并判断所述第一病历信息的诊断时间是否在预设时间内，当确定所述第一病历信息的诊断时间在预设时间内时，则根据所述第一病历信息为所述用户确定当前的身体状态建议信息。例如，所述预设时间为36小时，当所述确定单元202确定所述第一病历信息的诊断时间距当前时间为24小时时，则认为所述用户的第一病历信息的诊断时间在所述预设时间36小时内，则基于所述第一病历信息确定所述用户当前的身体状态建议信息。或者，所述预设时间为一星期，当所述确定单元202确定所述用户的第一病历信息的诊断时间距当前时间为三天时，则确定所述用户的第一病历信息的诊断时间在所述预设时间一星期内，则基于所述第一病历信息为所述用户确定当前的身体状态建议信息；或者，所述预设时间一个月，当所述确定单元202确定所述用户的第一病历信息的诊断时间距当前时间为15天时，则确定所述用户的第一病历信息的诊断时间在所述预设时间一个月内，则基于所述第一病历信息为所述用户确定当前的身体状态建议信息。
当所述确定单元202确定所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
这里，所述确定单元202通过统计学推荐对所述用户的基本信息进行分类，具体是将基本信息中相同或相似的特征分为一类，再在同类的用户中将彼此感兴趣的内容相互推荐。例如，以用户基本信息中的年龄和性别为例，根据统计学推荐算法将年龄和性别相同的用户归为一类，然后给其中某一用户推荐和他属于同一类中的其他用户浏览或赞过的内容。
或者以用户基本信息中的职业为例，到数据库中查找与所述职业相对应的医嘱建议，根据所述医嘱建议向所述用户推荐信息。例如，所述用户的职业是IT职业，则根据所述职业到数据库中查找到与IT职业相对应的医嘱建议是：定时休息，活动颈椎、腰椎等部位，防止颈椎、腰椎等疾病。
当所述确定单元202基于所述第一病历信息确定所述用户当前的第一身体状态建议信息或第二身体状态建议信息后，触发所述生成单元203到数据库中查找与所述用户当前的第一身体状态建议信息或第二身体状态建议信息相匹配的医嘱建议，并将所述医嘱建议生成推荐结果输出。
在本发明实施例中，所述装置还包括过滤单元(图中未示出)，为了防止所述生成单元203向用户输出的推荐结果已被所述用户知晓，所以还需要所述过滤单元对所述用户当前的第一身体状态建议信息或第二身体状态建议信息进行过滤，得到所述用户未浏览过的第一身体状态建议信息或第二身体状态建议信息，并由所述生成单元203将所述过滤单元过滤后的所述用户未浏览过的身第一身体状态建议信息或第二身体状态建议信息生成推荐结果并输出。
在本发明实施例中，所述获取单元201，还用于基于所述用户的基本信息获取所述用户的运动检测数据；
所述确定单元202，还用于基于所述运动检测数据和所述第一病历信息为所述用户确定所述第一身体状态建议信息。
这里，所述运动检测数据主要是指所述获取单元201根据所述用户的基本信息，从所述医疗APP相关联的运动手环、智能血糖仪中获取到的所述用户的运动饮食数据和血糖、血脂数据。由所述确定单元202基于所述获取单元201获取到的所述用户的运动检测数据和所述第一病历信息确定所述用户当前的身体状态特征信息。
在本发明实施例中，所述获取单元201，还用于基于所述用户的基本信息获取所述用户的行为数据；
所述确定单元202，还用于基于所述获取单元201获取到的所述行为数据和所述第一病历信息为所述用户确定第一身体状态建议信息。
这里，所述行为数据是指所述用户的订阅数据、购买数据和浏览数据等。当所述获取单元201根据所述用户的所述基本信息获取到所述用户的行为数据是订阅数据时，则由所述确定单元202通过关联规则推荐方法进行推荐。具体是根据用户的订阅内容向所述用户推荐与所述订阅内容相关联的内容。例如，所述确定单元202根据所述获取单元201获取到的行为数据，确定所述用户经常订阅一些调理身体的A计划时，则统计订阅所述A计划的用户中，有多少用户订阅了调理身体的B计划，基于所述调理身体的B计划和所述第一病历信息为所述用户确定所述第一身体状态建议信息。然后由所述生成单元203将所述第一身体状态建议信息进行过滤过生成推荐结果向所述用户推荐。
当所述获取单元201根据所述用户的所述基本信息获取到所述用户的行为数据是浏览数据时，则所述确定单元202根据所述用户浏览的项目内容，确定与所述用户浏览的项目相近的项目内容，并由所述生成单元203将与所述用户浏览的项目相近的项目内容向所述用户推荐。例如，当所述确定单元202根据所述获取单元201获取到的行为数据，确定所述用户经常浏览关于例如高血压的项目，且通过在数据库中计算出与所述高血压相近的高血脂内容时，基于所述高血脂内容和所述第一病历信息为所述用户确定所述第一身体状态建议信息，然后由所述生成单元203将所述第一身体状态建议信息进行过滤过生成推荐结果向所述用户推荐。
当所述确定单元202根据所述获取单元201基于用户的所述基本信息获取到所述用户的行为数据是购买数据时，则通过LFM进行Top-N计算，其主要思想是对用户-物品兴趣矩阵进行分解，分解后得到用户-类矩阵和类-物品矩阵，通过学习得到分解后的矩阵，在通过分解后的矩阵反推出用户-物品兴趣矩阵，根据兴趣度大小进行推荐。具体算法如下：
假设数据集中有3个user，4个item，LFM建模的分类数为4，则分解用户与物品兴趣矩阵公式为：
分解公式为：
其中，R矩阵是user与item矩阵，矩阵值RUI表示的是user U对item I的兴趣度；对于一个user来说，当计算出其对所有item的兴趣度后，就可以进行排序并作出推荐。
LFM算法从数据集中抽取出若干主题，作为user和item之间连接的桥梁，将R矩阵表示为P矩阵和Q矩阵相乘。其中P矩阵是user和class的矩阵，矩阵值PUK表示的是user U对class K的兴趣度；Q矩阵式class与item的矩阵，矩阵值QKI表示的是item K在class I中的权重，权重越高越能作为该类的代表。所以LFM根据上述公式来计算用户U对物品I的兴趣度。
在本发明实施例中，不需要关心分类的角度，结果都是基于用户行为统计自动聚类的，全凭数据自己说了算。也不用关心分类粒度的问题，通过设置LFM的最终分类数就可控制粒度，分类数越大，粒度约细。而对于一个item，并不是明确的划分到某一类，而是计算其属于每一类的概率，是一种标准的软分类。而对于一个user，可以得到其对于每一类的兴趣度，而不是只关心可见列表中的那几个类。对于每一个class，可以得到类中每个item的权重，越能代表这个类的item，权重越高。
在本发明实施例中，数据集应该包含所有的user和这些用户有过行为的item，也就是感兴趣。所有的这些item构成了一个item全集。对于每个user来说，把用户有过行为的item称为正样本，规定兴趣度RUI＝1，此外还需要从item全集中随机抽样，选取与正样本数量相当的样本作为负样本，规定兴趣度为RUI＝0。因此，兴趣的取值范围为[0，1]。对采样之后原有的数据集得到扩充，得到一个新的user-item集K＝{(U，I)}，其中如果(U，I)是正样本，则RUI＝1，否则RUI＝0。损失函数如下所示：
上式中的λ||PU||2+λ||QI||2是用来防止过拟合的正则化项，λ需要根据具体应用场景反复实验得到。
由于LFM是一个典型的学习模型，其占用内存一般较小，和基于用户或物品的协同过滤算法有一定的互补性，所述不太适用于物品数非常庞大的系统。
在本发明实施例中，所述生成单元203通常是根据所述用户当前的行为对象向所述用户输出推荐结果。例如，当前所述用户的行为对象是订阅模块，则在订阅模块输出向所述用户推荐的推荐信息；当前所述用户的行为对象是浏览模块，则在浏览模块输出向所述用户推荐的推荐信息。
在本发明实施例中，所述获取单元201，还用于根据所述基本信息获取所述用户的运动检测数据；
所述确定单元202，还用于基于所述获取单元201获取到的所述运动检测数据和所述基本信息为所述用户确定第二身体状态建议信息。
这里，当所述获取单元201获取到所述用户的运动检测数据为100步，且所述用户的职业又是IT职业时，则由所述确定单元202在数据库中查找所述用户的历史运动数据，当查找到所述用户的历史运动数据均在200步以内时，则基于所述运动检测数据和所述基本信息在所述数据库中为所述用户确定第二身体状态建议信息是加强运动。
在本发明实施例中，所述获取单元201，还用于根据所述用户的所述基本信息，获取所述用户的行为数据；
所述确定单元202，还用于基于所述获取单元201获取到的所述行为数据和所述基本信息为所述用户确定第二身体状态建议信息。
这里，当所述获取单元201根据所述基本信息获取到所述用户的行为数据是订阅数据时，则所述确定单元202通过关联规则推荐方法进行推荐。具体是根据用户的订阅内容向所述用户推荐与所述订阅内容相关联的内容。例如，确定所述用户的性别是女，年龄是56岁，且所述用户经常订阅一些健康饮食的A计划时，则统计订阅所述A计划的用户中，有多少用户订阅了健康饮食的B计划。然后将所述健康饮食的B计划确定为所述用户的第二身体状态建议信息，并由所述生成单元203对所述第二身体状态建议信息进行过滤后，将过滤后的第二身体状态建议信息生成推荐结果推荐给所述用户。
当所述获取单元201根据所述用户的基本信息获取到所述用户的行为数据是浏览数据时，则所述确定单元202根据所述用户浏览的项目内容，确定与所述用户浏览的项目相近的项目内容，向所述用户推荐。例如，当所述用户年龄65岁，经常浏览关于例如高血压的项目时，通过在数据库中计算出与所述高血压相近的高血脂内容时，将所述高血脂内容确定为所述用户的第二身体状态建议信息。并经所述生成单元203将所述第二身体状态建议信息进行过滤后，将过滤后的所述第二身体状态建议信息生成推荐结果推荐给所述用户。
在本发明实施例中，所述装置中包括有多个输出引擎，每个输出引擎负责输出一类特征的一个推荐结果，这样做的目的是为了方便增减特征。
在本发明实施例中，对于一个新用户，通常只有基本信息，则统计学特征引擎进行推荐。
当所述用户有少量数据积累后，例如增加了疾病信息，其中，该疾病信息只要搜索过或是就诊过就可以获取到，这时，可以基于内容的推荐引擎进行推荐。
当所述用户有较多数据积累后，可以加入基于用户和物品协同过滤，基于物品的学习推荐，关联规则推荐引擎，基于用户兴趣分类的推荐引擎进行推荐。
其中，各个输出引擎之间可以采用切换组合或者加权组合，初始可以采用随机切换或者随机权值，当用户对某一条推荐点了赞之后，对该用户而言以后可以侧重考虑该推荐对应的引擎的推荐结果进行加大权值。
当用户查询关键词积累到基本不再变化后，则可以考虑建立搜索关键词推荐引擎。并将用户新近搜索的关键词对应的推荐权值加大。
本发明实施例，通过云平台中的病历信息，辅以用户终端运动检测数据，实现了健康信息预测评估。并在统计了大量数据的基础上，将推荐结果，作为医生评估健康状况的重要参考。此外，由于该推荐结果依据的数据较为精确，因此，推荐的结果也较为准确。同时终端的健康应用充当了用户的私人健康管家角色，当用户的某项健康指标出现异常时，终端应用会反馈给用户，并推荐适当的饮食方案和调理计划，帮助用户去改善身体状况。
在实际应用中，获取单元201、确定单元202和生成单元203均可由位于身体状态建议信息的推荐装置的中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA)等实现。
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，本发明可采用硬件实施例、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和光学存储器等)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、系统的流程图和/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。
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。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (12)
1.一种身体状态建议信息的推荐方法，其特征在于，所述方法包括：
基于用户的基本信息从病历数据平台获取所述用户的病历信息；
从所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
基于所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。
2.根据权利要求1所述的方法，其特征在于，在所述基于所述第一病历信息为所述用户确定第一身体状态建议信息之前，所述方法还包括：
基于所述用户的基本信息获取所述用户的运动检测数据；
基于所述运动检测数据和所述第一病历信息为所述用户确定所述第一身体状态建议信息。
3.根据权利要求1所述的方法，其特征在于，在所述基于所述第一病历信息为所述用户确定第一身体状态建议信息之前，所述方法还包括：
基于所述用户的基本信息获取所述用户的行为数据；
基于所述行为数据和所述第一病历信息为所述用户确定第一身体状态建议信息。
4.根据权利要求1至3任一项所述的方法，其特征在于，在基于所述第一身体状态建议信息生成推荐结果之前，所述方法还包括：
对所述第一身体状态建议信息进行过滤，得到所述用户未浏览过的所述第一身体状态建议信息；
将所述用户未浏览过的所述第一身体状态建议信息生成推荐结果并输出。
5.根据权利要求1所述的方法，其特征在于，在所述基于所述用户的基本信息为所述用户确定第二身体状态建议信息之前，所述方法还包括：
根据所述基本信息获取所述用户的运动检测数据；
基于所述运动检测数据和所述基本信息为所述用户确定第二身体状态建议信息。
6.根据权利要求1所述的方法，其特征在于，在所述基于所述用户的基本信息为所述用户确定第二身体状态建议信息之前，所述方法还包括：
根据所述基本信息获取所述用户的行为数据；
基于所述行为数据和所述基本信息为所述用户确定第二身体状态建议信息。
7.一种身体状态建议信息的推荐装置，其特征在于，所述装置包括：
获取单元、确定单元、生成单元；其中，
所述获取单元，用于基于用户的基本信息从病历数据平台查询所述用户的病历信息；
所述确定单元，用于从所述获取单元获取到的所述病历信息中查找诊断时间在预设时间内的第一病历信息，当所述第一病历信息在所述预设时间内时，基于所述第一病历信息为所述用户确定第一身体状态建议信息；当所述第一病历信息未在所述预设时间内时，基于所述用户的基本信息为所述用户确定第二身体状态建议信息；
所述生成单元，用于基于所述确定单元确定的所述第一身体状态建议信息或所述第二身体状态建议信息生成推荐结果，并将所述推荐结果输出。
8.根据权利要求7所述的装置，其特征在于，所述获取单元，还用于基于所述用户的基本信息获取所述用户的运动检测数据；
所述确定单元，还用于基于所述获取单元获取到的所述运动检测数据和所述第一病历信息为所述用户确定所述第一身体状态建议信息。
9.根据权利要求7所述的装置，其特征在于，所述获取单元，还用于基于所述用户的基本信息获取所述用户的行为数据；
所述确定单元，还用于基于所述获取单元获取到的所述行为数据和所述第一病历信息为所述用户确定第一身体状态建议信息。
10.根据权利要求7-9任一项所述的装置，其特征在于，所述装置还包括：
过滤单元，用于对所述第一身体状态建议信息进行过滤，得到所述用户未浏览过的所述第一身体状态建议信息；
所述生成单元，具体用于将所述用户未浏览过的所述第一身体状态建议信息生成推荐结果并输出。
11.根据权利要求7所述的装置，其特征在于，所述获取单元，还用于根据所述基本信息获取所述用户的运动检测数据；
所述确定单元，还用于基于所述获取单元获取到的所述运动检测数据和所述基本信息为所述用户确定第二身体状态建议信息。
12.根据权利要求7所述的装置，其特征在于，所述获取单元，还用于根据所述基本信息获取所述用户的行为数据；
所述确定单元，还用于基于所述行为数据和所述基本信息为所述用户确定第二身体状态建议信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611049304.2A CN108109690A (zh) | 2016-11-23 | 2016-11-23 | 一种身体状态建议信息的推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611049304.2A CN108109690A (zh) | 2016-11-23 | 2016-11-23 | 一种身体状态建议信息的推荐方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108109690A true CN108109690A (zh) | 2018-06-01 |
Family
ID=62204847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611049304.2A Pending CN108109690A (zh) | 2016-11-23 | 2016-11-23 | 一种身体状态建议信息的推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108109690A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008995A (zh) * | 2006-01-27 | 2007-08-01 | 亚东技术学院 | 移动健康管理电子系统、移动健康管理方法和移动电子装置 |
| CN101836894A (zh) * | 2009-03-20 | 2010-09-22 | 李小为 | 便携式个人健康监测仪及其实现的个人健康监测方法 |
| US20110320131A1 (en) * | 2010-06-28 | 2011-12-29 | Sharp Kabushiki Kaisha | Biological information processing apparatus, biological information display apparatus, telemedical system, telemedical method, processing control program, display control program, and storage medium |
| US20140070957A1 (en) * | 2012-09-11 | 2014-03-13 | Gianluigi LONGINOTTI-BUITONI | Wearable communication platform |
| CN104021485A (zh) * | 2014-05-19 | 2014-09-03 | 兴天通讯技术（天津）有限公司 | 基于生理指标参数的商品推送方法和装置 |
| CN104287706A (zh) * | 2014-10-29 | 2015-01-21 | 云南大学 | 一种人体健康状态实时监测及诊疗推荐系统 |
-
2016
- 2016-11-23 CN CN201611049304.2A patent/CN108109690A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008995A (zh) * | 2006-01-27 | 2007-08-01 | 亚东技术学院 | 移动健康管理电子系统、移动健康管理方法和移动电子装置 |
| CN101836894A (zh) * | 2009-03-20 | 2010-09-22 | 李小为 | 便携式个人健康监测仪及其实现的个人健康监测方法 |
| US20110320131A1 (en) * | 2010-06-28 | 2011-12-29 | Sharp Kabushiki Kaisha | Biological information processing apparatus, biological information display apparatus, telemedical system, telemedical method, processing control program, display control program, and storage medium |
| US20140070957A1 (en) * | 2012-09-11 | 2014-03-13 | Gianluigi LONGINOTTI-BUITONI | Wearable communication platform |
| CN104021485A (zh) * | 2014-05-19 | 2014-09-03 | 兴天通讯技术（天津）有限公司 | 基于生理指标参数的商品推送方法和装置 |
| CN104287706A (zh) * | 2014-10-29 | 2015-01-21 | 云南大学 | 一种人体健康状态实时监测及诊疗推荐系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rostami et al. | A novel time-aware food recommender-system based on deep learning and graph clustering | |
| Westin et al. | A new computer method for assessing drawing impairment in Parkinson's disease | |
| JP6066826B2 (ja) | 分析システム及び保健事業支援方法 | |
| Best et al. | A comparison of Bayesian spatial models for disease mapping | |
| US20120078525A1 (en) | Apparatus, system and methods for selecting drug candidates using disease signature holistic analysis and pharmacological data | |
| US11775053B2 (en) | Methods and systems for using artificial intelligence to analyze user activity data | |
| US20170169174A1 (en) | Detection of fraud or abuse | |
| Schuler et al. | Discovering patient phenotypes using generalized low rank models | |
| Sáez et al. | Kinematics of big biomedical data to characterize temporal variability and seasonality of data repositories: functional data analysis of data temporal evolution over non-parametric statistical manifolds | |
| CN110299209A (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
| JP6567484B2 (ja) | 推計モデル構築システム、推計モデル構築方法及びプログラム | |
| CN114783580B (zh) | 一种医疗数据质量评估方法及系统 | |
| Noor et al. | Predictive analytics: the application of J48 algorithm on grocery data to predict obesity | |
| Silva et al. | A review of intelligent sensor-based systems for pressure ulcer prevention | |
| JP2009205464A (ja) | 医療情報処理装置、医療情報処理方法、及び医療情報処理プログラム | |
| CN115862806A (zh) | 一种基于隐私保护的健康画像构建方法 | |
| CN108109690A (zh) | 一种身体状态建议信息的推荐方法及装置 | |
| Mazarura | Topic modelling for short text | |
| Lee et al. | Bayesian Nonparametric Collaborative Topic Poisson Factorization for Electronic Health Records-Based Phenotyping. | |
| Chinburapa et al. | Prescribing intention and the relative importance of drug attributes: A comparative study of HMO and fee-for-service physicians | |
| Arumugam et al. | An accurate diagnosis of diabetes using data mining | |
| Barcella et al. | Modelling correlated binary variables: an application to lower urinary tract symptoms | |
| Wang et al. | Evaluating a longitudinal synthetic data generator using real world data | |
| US20240071623A1 (en) | Patient health platform | |
| Santhanakrishna et al. | Early Cerebral Infarction Detection and Classification Using Machine Learning Approaches |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 310012 building A01, 1600 yuhangtang Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: CHINA MOBILE (HANGZHOU) INFORMATION TECHNOLOGY Co.,Ltd. Applicant after: China Mobile Communications Corp. Address before: 310012, No. 14, building three, Chang Torch Hotel, No. 259, Wensanlu Road, Xihu District, Zhejiang, Hangzhou Applicant before: CHINA MOBILE (HANGZHOU) INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: China Mobile Communications Corp. |