CN111540466B - 基于大数据的智慧医疗信息推送方法及大数据医疗云平台 - Google Patents
基于大数据的智慧医疗信息推送方法及大数据医疗云平台 Download PDFInfo
- Publication number
- CN111540466B CN111540466B CN202010308870.0A CN202010308870A CN111540466B CN 111540466 B CN111540466 B CN 111540466B CN 202010308870 A CN202010308870 A CN 202010308870A CN 111540466 B CN111540466 B CN 111540466B
- Authority
- CN
- China
- Prior art keywords
- intention
- query
- user behavior
- hotspot
- big data
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例提供一种基于大数据的智慧医疗信息推送方法及大数据医疗云平台,根据相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本,然后将用户行为大数据样本处理为多个预先以相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征以确定每个用户行为需求的查询意图特征,并由此生成智慧医疗服务终端的信息推荐热力图后生成智慧医疗服务终端的医疗信息推荐列表。如此,能够基于患者用户的相关意图搜索目标的用户行为大数据进行有效挖掘和提炼,从而更有针对性地为患者用户提供医疗信息推荐。
Description
技术领域
本公开涉及大数据及智慧医疗技术领域,具体而言,涉及一种基于大数据的智慧医疗信息推送方法及大数据医疗云平台。
背景技术
随着智慧医疗和互联网技术的快速发展,基于智慧医疗的信息推荐可以帮助患者用户更有针对性地寻找与自身意图相关的信息。经本申请发明人研究发现,对于各个患者用户而言,其自身的医疗病历情况可能会激发其对医疗信息搜索的需求,特别是由于互联网的迅速发展以及私密性、便捷性等优点,互联网智慧医疗正逐渐成为患者用户获取医疗推荐信息的高效渠道。基于此,如何基于患者用户的相关意图搜索目标的用户行为大数据进行有效挖掘和提炼,从而更有针对性地为患者用户提供医疗信息推荐,是本领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足,本公开的目的在于提供一种基于大数据的智慧医疗信息推送方法及大数据医疗云平台,能够基于患者用户的相关意图搜索目标的用户行为大数据进行有效挖掘和提炼,从而更有针对性地为患者用户提供医疗信息推荐。
第一方面,本公开提供一种基于大数据的智慧医疗信息推送方法,应用于与多个智慧医疗服务终端通信连接的大数据医疗云平台,所述方法包括:
获取所述智慧医疗服务终端在访问医疗病历后浏览的相关意图搜索目标的用户行为大数据,并根据所述相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本;
将所述用户行为大数据样本处理为多个预先以所述相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征,并将所述查询词频特征作为对应的用户行为大数据子样本的查询意图特征;
将所述查询意图特征作为对应的用户行为大数据子样本映射的用户行为需求的查询意图特征,生成每个用户行为需求的查询意图特征,并根据所述每个用户行为需求的查询意图特征生成所述智慧医疗服务终端的信息推荐热力图;
根据所述信息推荐热力图生成所述智慧医疗服务终端的医疗信息推荐列表。
在第一方面的一种可能的实现方式中,所述将所述用户行为大数据样本处理为多个预先以所述相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本的步骤,包括:
预先设定按照不同查询意图划分的查询意图决策树;
根据每个按照不同查询意图划分的查询意图决策树分别对所述用户行为大数据样本进行处理,对应得到多个意图决策对象序列;
选择所述多个意图决策对象序列中的其中一个作为第一决策对象序列,并识别出所述第一决策对象序列的主决策对象并以所述主决策对象作为参考主决策对象;
对于所述第一决策对象序列之外的其它第二意图决策对象序列,分别设定每个第二意图决策对象序列的主决策对象,并计算每个第二意图决策对象序列的主决策对象中任意一个主决策对象所对应的决策意图相关项目与该第一决策对象序列的每一个参考主决策对象所对应的决策意图相关项目的项目交互信息;
将任意一个主决策对象配置为使该项目交互信息最接近所述第一决策对象序列的主决策对象的参考主决策对象,并将其余意图决策对象序列中的每个第二意图决策对象序列的主决策对象配置为相对应的参考主决策对象,并参照配置结果,将其余意图决策对象序列参照所述第一决策对象序列分别进行重新配置分布,连同该第一决策对象序列而获得多个经配置后的意图决策对象序列;
计算经配置后的多个意图决策对象序列中每个决策对象序列的行为交互信息和行为频繁度;
根据经配置后的多个意图决策对象序列中每个决策对象序列的行为交互信息和行为频繁度对所述用户行为大数据样本进行划分,得到多个用户行为大数据子样本。
在第一方面的一种可能的实现方式中,所述计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征的步骤,包括:
计算每一个用户行为大数据子样本包含的多个查询词对于各自对应的用户行为大数据子样本的重复程度,得到对应的词频反转频率信息;
对所述词频反转频率提取特征向量,得到每一个用户行为大数据子样本包含的多个查询词的查询词频特征。
在第一方面的一种可能的实现方式中,所述根据所述每个用户行为需求的查询意图特征生成所述智慧医疗服务终端的信息推荐热力图的步骤,包括:
根据所述每个用户行为需求的查询意图特征获得所述每个用户行为需求在每个查询意图决策树输出的查询意图热点分布,并对所述查询意图热点分布进行划分,得到多个查询意图热点单元;
分别根据每个查询意图决策树所对应的意图挖掘脚本对所述多个查询意图热点单元进行意图挖掘处理,获得所述多个查询意图热点单元各自对应的意图挖掘结果,其中,所述意图挖掘结果包括所述查询意图热点单元在对应的查询意图决策树下的意图测试置信度;
根据所述查询意图热点单元各自对应的意图挖掘结果确定每个查询意图决策树中的所述查询意图热点单元之间的图连通关系,并根据确定的每个查询意图决策树中的所述查询意图热点单元之间的图连通关系生成所述智慧医疗服务终端的信息推荐热力图。
在第一方面的一种可能的实现方式中,所述根据所述每个用户行为需求的查询意图特征获得所述每个用户行为需求在每个查询意图决策树的查询意图热点分布,并对所述查询意图热点分布进行划分,得到多个查询意图热点单元的步骤,包括:
针对每个用户行为需求的查询意图特征,根据该用户行为需求在每个查询意图决策树的查询意图热点分布获取该用户行为需求的意图热点向量表达图谱,并将所述意图热点向量表达图谱作为热点向量分布区域,使所述每个用户行为需求表示为由该用户行为需求的意图热点向量表达图谱组成的热点向量分布区域;
根据该用户行为需求对应的热点向量分布区域的向量分布值从所述每个用户行为需求的热点向量分布区域中获取所有的相似热点向量分布区域,组成第一热点向量分布区域分布空间;
对所述第一热点向量分布区域分布空间中的与该用户行为需求对应的热点向量分布区域中的热点分布向量进行聚合处理,得到聚合向量对象和聚合向量层级;
根据所述聚合向量对象和所述聚合向量层级计算以该用户行为需求为基准的热点向量分布区域不含目标需求向量的负查询意图特征;
当每个用户行为需求都已计算得到以该用户行为需求为中心的热点向量分布区域不含目标需求向量的负查询意图特征时,根据各用户行为需求对应的不含目标需求向量的负查询意图特征得到不含目标需求向量的用户行为需求;
根据所述不含目标需求向量的用户行为需求得到第二热点向量分布区域分布空间,并对所述第二热点向量分布区域分布空间进行处理,得到所述第二热点向量分布区域分布空间所对应的表达节点集合;
根据所述表达节点集合对所述查询意图热点分布进行划分,得到多个查询意图热点单元。
在第一方面的一种可能的实现方式中,所述根据所述表达节点集合对所述查询意图热点分布进行划分,得到多个查询意图热点单元的步骤,包括:
对所述表达节点集合计算表达节点关系值和表达字典分量,并将所述表达字典分量作为初始值,对所述第二热点向量分布区域分布空间中的与该用户行为需求对应的热点向量分布区域按照所述表达节点关系值分别进行处理,得到对应的表达节点拓扑流向结构;
通过所述表达节点拓扑流向结构确定表达特征含义子标签,通过以所述表达节点拓扑流向结构的表达特征含义父标签为比较标签,根据所述比较标签相关联的每个向量目标上具有最大向量值的标签目标连接起来确定比较目标标签;
计算所述表达节点拓扑流向结构中从每个标签目标为比较对象,与所述表达特征含义子标签和所述比较目标标签之间的语义相似度,得到表达特征含义子标签的语义相似度结果和比较目标标签的语义相似度结果;
通过计算所述表达节点拓扑流向结构内的语义流向信息,得到所述表达节点拓扑流向结构内语义流向信息的第一模糊预测结果;
以连续变化的语义相似度阈值对所述比较目标标签的语义相似度结果进行阈值处理,得到第一相似度阈值列表;
确定所述第一相似度阈值列表中高于阈值的第一语义相似度,结合所述第一模糊预测结果,将所述第一语义相似度结果中边界语义相似度最大的比较目标标签作为目标比较目标标签,将所述表达特征含义子标签的语义相似度结果中语义相似度大于设定阈值的第二语义相似度结果中的模糊标签目标作为目标模糊标签目标;
再次计算所述表达节点拓扑流向结构内的语义流向信息中从每个标签目标与所述表达特征含义子标签的语义相似度和所述目标模糊标签目标的语义相似度,得到第二表达特征含义子标签的语义相似度结果和目标模糊标签目标的语义相似度结果;
计算将所述目标比较目标标签及其所述目标比较目标标签关联的其它比较目标标签的语义相似度置零后得到的所述表达节点拓扑流向结构内的语义流向信息,得到所述表达节点拓扑流向结构内的内语义流向信息的第二模糊预测结果;
以所述连续变化的语义相似度阈值对所述第二表达特征含义子标签的语义相似度结果进行阈值处理,得到第二相似度阈值列表;
确定所述第二相似度阈值列表中高于阈值的第三语义相似度结果,结合所述第二模糊预测结果,将所述第三语义相似度结果中变化幅度最大的表达特征含义子标签作为目标表达特征含义子标签,以将每个所述目标表达特征含义子标签所对应的热点部分得到该用户行为需求在每个查询意图决策树的查询意图热点分布的多个查询意图热点单元。
在第一方面的一种可能的实现方式中,所述分别根据每个查询意图决策树所对应的意图挖掘脚本对所述多个查询意图热点单元进行意图挖掘处理,获得所述多个查询意图热点单元各自对应的意图挖掘结果的步骤,包括:
根据每个查询意图决策树所对应的意图挖掘脚本对所述多个查询意图热点单元进行意图挖掘处理,得到每个查询意图热点单元对应的意图挖掘概率图;
对所述意图挖掘概率图进行图划分,且将所述意图挖掘概率图的图划分为导流概率图谱和非导流概率图谱,所述导流概率图谱为与所述意图挖掘脚本所对应的导流图谱特征相似的图谱,所述非导流概率图谱为与所述意图挖掘脚本所对应的导流图谱特征不相似的图谱;
分别确定所述导流概率图谱的第一意图挖掘图谱节点序列和所述非导流概率图谱的第二意图挖掘图谱节点序列;
根据所述导流概率图谱的第一意图挖掘图谱节点序列,确定所述导流概率图谱的意图挖掘向量,同时采用所述非导流概率图谱的第二意图挖掘图谱节点序列,确定所述非导流概率图谱的意图挖掘向量;
采用所述导流概率图谱的意图挖掘向量表示所述导流概率图谱的概率目标区间,同时采用所述非导流概率图谱的意图挖掘向量表示所述非导流概率图谱的概率目标区间;
在所述导流概率图谱的概率目标区间中检测所述导流概率图谱的每个第一图谱单元,同时在所述非导流概率图谱的概率目标区间中检测所述非导流概率图谱的每个第二图谱单元,得到所述导流概率图谱在其概率目标区间中的第一图谱单元集和所述非导流概率图谱在其概率目标区间中的第二图谱单元集;
根据所述导流概率图谱和所述非导流概率图谱获得所述多个查询意图热点单元各自对应的意图挖掘结果。
在第一方面的一种可能的实现方式中,所述根据所述导流概率图谱和所述非导流概率图谱获得所述多个查询意图热点单元各自对应的意图挖掘结果的步骤,包括:
分别确定所述导流概率图谱的第一图谱单元集的导流比较图谱单元和所述非导流概率图谱的第二图谱单元集的导流比较图谱单元,并根据所述第一图谱单元集的导流比较图谱单元和所述第二图谱单元集的导流比较图谱单元,计算所述导流概率图谱的导流特征颗粒和所述非导流概率图谱的导流特征颗粒;
根据所述导流概率图谱的导流特征颗粒和所述非导流概率图谱的导流特征颗粒,对所述导流概率图谱和所述非导流概率图谱进行比对,得到所述导流概率图谱和所述非导流概率图谱的匹配图谱单元对;
根据所述导流概率图谱和所述非导流概率图谱的匹配图谱单元对将所述查询意图热点单元对应的意图挖掘概率图分割为多个对应的意图挖掘概率区块;
对所述多个意图挖掘概率区块的位置进行分析,以及对每个所述意图挖掘概率区块内的每个单位区块的位置进行分析,得到位置分析结果,其中,所述位置分析结果包括多个确定为强向量的图谱节点序列;
将所述位置分析结果划分为多个与所述查询意图热点单元对应的目标图谱节点序列,并计算得到每个所述目标图谱节点序列中的位置置信度,并计算得到每个所述目标图谱节点序列内每一个位置置信度与对应均值的比值,得到与每个所述目标图谱节点序列对应的比值序列;
计算得到各个比值序列的比值均值,并获取所有比值均值中的最大值,作为全局最大比值均值,根据所述全局最大比值均值,生成多个不同挖掘标签的意图挖掘模型,其中,所述多个意图挖掘模型的挖掘标签自优先级开始依次递增,所述意图挖掘模型的总数为所述全局最大比值均值除以预设比值后取整得到;
计算得到每个所述目标图谱节点序列的比值序列的比值均值,并将该比值均值除以所述预设比值后取整,得到每个所述目标图谱节点序列的对应挖掘标签,利用挖掘标签与各个所述目标图谱节点序列的对应挖掘标签相同的所述意图挖掘模型,分别处理对应的目标图谱节点序列的比值序列中的每一个比例,得到每个所述目标图谱节点序列的比例程度映射关系;
将各个所述目标图谱节点序列的均值、挖掘标签、比例程度映射关系,以及意图挖掘模型总数和对应的重构值进行处理,得到所述多个查询意图热点单元各自对应的意图挖掘结果。
在第一方面的一种可能的实现方式中,所述根据所述查询意图热点单元各自对应的意图挖掘结果确定每个查询意图决策树中的所述查询意图热点单元之间的图连通关系,并根据确定的每个查询意图决策树中的所述查询意图热点单元之间的图连通关系生成所述智慧医疗服务终端的信息推荐热力图的步骤,包括:
根据所述查询意图热点单元各自对应的意图挖掘结果将所述查询意图热点单元转化为意图热点向量分布图;
从所述意图热点向量分布图中分别选择多个向量分布单位图组成推荐热力图块,并确定每个推荐热力图块之间的热点互通图块,以根据所述每个推荐热力图块之间的热点互通图块确定每个查询意图决策树中的所述查询意图热点单元之间的图连通关系;
根据所述图连通关系,提取每个推荐热力图块中所有推荐热力节点对应的推荐项目标签的标签映射码,得到标签映射码序列,并提取热点互通图块中每个推荐热力节点对应的推荐项目标签的类别,得到与标签映射码序列相对应的列表序列;
分别对所述标签映射码序列及所述列表序列进行去噪处理后,对所述标签映射码序列中的任一个推荐热力节点对应的推荐项目标签关系标识,随机分配一组推荐配置参数作为信息推荐过程的推荐配置参数;
根据处理后的标签映射码序列与列表序列构造以信息推荐数量区间和信息推荐顺序区间为变量的信息推荐模型,计算信息推荐过程的推荐配置参数的配置参量序列,从而得到信息推荐过程的目标推荐模块;
利用信息推荐过程的目标推荐模块对推荐热力图块进行离散化,并根据离散化结果计算本次离散化的信息推荐数量区间与信息推荐顺序区间;
若本次离散化的信息推荐数量区间与信息推荐顺序区间满足预设条件,则利用信息推荐过程的目标推荐模块随机选择多种类别的标签映射码;
利用所述推荐热力图块及其热点互通图块分别对多种类别的标签映射码进行查找,计算每种类别标签映射码在不同向量分布单位图的信息推荐量化区间;
根据所述每种类别标签映射码在不同向量分布单位图的信息推荐量化区间,生成所述智慧医疗服务终端的信息推荐热力图。
在第一方面的一种可能的实现方式中,所述根据所述信息推荐热力图生成所述智慧医疗服务终端的医疗信息推荐列表的步骤,包括:
对所述信息推荐热力图进行功能性划分,得到至少一个信息推荐功能区域,同一个所述信息推荐功能区域中各个信息推荐节点的信息推荐功能相同;
确定每个所述信息推荐功能区域的信息推荐功能和信息推荐对象,并根据各个信息推荐功能区域所对应的信息推荐功能以及各个信息推荐功能区域的信息推荐对象,建立医疗信息推荐列表模型;
根据所述医疗信息推荐列表模型生成所述智慧医疗服务终端的医疗信息推荐列表。
在第一方面的一种可能的实现方式中,所述根据所述医疗信息推荐列表模型生成所述智慧医疗服务终端的医疗信息推荐列表的步骤,包括:
根据所述医疗信息推荐列表模型中的每个医疗信息推荐列表节点,获取该医疗信息推荐列表节点关联的在当前时间点之前预设时间段内的医疗热点信息,以生成所述智慧医疗服务终端的医疗信息推荐列表。
第二方面,本公开实施例还提供一种基于大数据的智慧医疗信息推送装置,应用于与多个智慧医疗服务终端通信连接的大数据医疗云平台,所述装置包括:
获取模块,用于获取所述智慧医疗服务终端在访问医疗病历后浏览的相关意图搜索目标的用户行为大数据,并根据所述相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本;
计算模块,用于将所述用户行为大数据样本处理为多个预先以所述相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征,并将所述查询词频特征作为对应的用户行为大数据子样本的查询意图特征;
第一生成模块,用于将所述查询意图特征作为对应的用户行为大数据子样本映射的用户行为需求的查询意图特征,生成每个用户行为需求的查询意图特征,并根据所述每个用户行为需求的查询意图特征生成所述智慧医疗服务终端的信息推荐热力图;
第二生成模块,用于根据所述信息推荐热力图生成所述智慧医疗服务终端的医疗信息推荐列表。
第三方面,本公开实施例还提供一种基于大数据的智慧医疗信息推送系统,所述基于大数据的智慧医疗信息推送系统包括大数据医疗云平台以及与所述大数据医疗云平台通信连接的多个智慧医疗服务终端;
所述大数据医疗云平台用于获取所述智慧医疗服务终端在访问医疗病历后浏览的相关意图搜索目标的用户行为大数据,并根据所述相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本;
所述大数据医疗云平台用于将所述用户行为大数据样本处理为多个预先以所述相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征,并将所述查询词频特征作为对应的用户行为大数据子样本的查询意图特征;
所述大数据医疗云平台用于将所述查询意图特征作为对应的用户行为大数据子样本映射的用户行为需求的查询意图特征,生成每个用户行为需求的查询意图特征,并根据所述每个用户行为需求的查询意图特征生成所述智慧医疗服务终端的信息推荐热力图;
所述大数据医疗云平台用于根据所述信息推荐热力图生成所述智慧医疗服务终端的医疗信息推荐列表。
第四方面,本公开实施例还提供一种大数据医疗云平台,所述大数据医疗云平台包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个智慧医疗服务终端通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的设计中的基于大数据的智慧医疗信息推送方法。
第五方面,本公开实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其被执行时,使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的基于大数据的智慧医疗信息推送方法。
基于上述任意一个方面,本公开根据相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本,然后将用户行为大数据样本处理为多个预先以相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征以确定每个用户行为需求的查询意图特征,并由此生成智慧医疗服务终端的信息推荐热力图后生成智慧医疗服务终端的医疗信息推荐列表。如此,能够基于患者用户的相关意图搜索目标的用户行为大数据进行有效挖掘和提炼,从而更有针对性地为患者用户提供医疗信息推荐。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。
图1为本公开实施例提供的基于大数据的智慧医疗信息推送系统的应用场景示意图;
图2为本公开实施例提供的基于大数据的智慧医疗信息推送方法的流程示意图;
图3为本公开实施例提供的基于大数据的智慧医疗信息推送装置的功能模块示意图;
图4为本公开实施例提供的用于实现上述的基于大数据的智慧医疗信息推送方法的大数据医疗云平台的结构示意框图。
具体实施方式
下面结合说明书附图对本公开进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本公开一种实施例提供的基于大数据的智慧医疗信息推送系统10的交互示意图。基于大数据的智慧医疗信息推送系统10可以包括大数据医疗云平台100以及与所述大数据医疗云平台100通信连接的智慧医疗服务终端200。图1所示的基于大数据的智慧医疗信息推送系统10仅为一种可行的示例,在其它可行的实施例中,该基于大数据的智慧医疗信息推送系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中,智慧医疗服务终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等,或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理、游戏设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。
本实施例中,基于大数据的智慧医疗信息推送系统10中的物联网云大数据医疗云平台100和智慧医疗服务终端200可以通过配合执行以下方法实施例所描述的基于大数据的智慧医疗信息推送方法,具体大数据医疗云平台100和智慧医疗服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题,图2为本公开实施例提供的基于大数据的智慧医疗信息推送方法的流程示意图,本实施例提供的基于大数据的智慧医疗信息推送方法可以由图1中所示的大数据医疗云平台100执行,下面对该基于大数据的智慧医疗信息推送方法进行详细介绍。
步骤S110,获取智慧医疗服务终端200在访问医疗病历后浏览的相关意图搜索目标的用户行为大数据,并根据相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本。
步骤S120,将用户行为大数据样本处理为多个预先以相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征,并将查询词频特征作为对应的用户行为大数据子样本的查询意图特征。
步骤S130,将查询意图特征作为对应的用户行为大数据子样本映射的用户行为需求的查询意图特征,生成每个用户行为需求的查询意图特征,并根据每个用户行为需求的查询意图特征生成智慧医疗服务终端200的信息推荐热力图。
步骤S140,根据信息推荐热力图生成智慧医疗服务终端200的医疗信息推荐列表。
本实施例中,医疗病历可以是患者用户在就诊过程中,由相关的医务人员对该患者用户疾病的发生、发展、转归,进行检查、诊断、治疗等医疗活动过程的记录。例如,可以是对采集到的资料加以归纳、整理、综合分析,按规定的格式和要求书写的患者医疗健康档案,上述患者医疗健康档案可以由医护人员记录在大数据医疗云平台100中,患者用户可以随时通过医疗服务终端访问大数据医疗云平台100以查看医疗病历。
患者用户在查看医疗病例的过程中,可能会处于各种信息搜索意图,基于相关意图搜索目标进行信息搜索,此时可以获取该患者用户相关的户行为大数据,并根据相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本。
其中,行为频繁度可以是指该患者用户产生的搜索行为的重复次数,或者持续时间等,从而可以用于表示该患者用户针对某个搜索目标内容的关注程度。
其中,查询词可以是指该患者用户在基于某个搜索目标内容产生的一系列关键词,例如输入或者点击的关键词。
基于上述步骤,本实施例根据相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本,然后将用户行为大数据样本处理为多个预先以相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征以确定每个用户行为需求的查询意图特征,并由此生成智慧医疗服务终端200的信息推荐热力图后生成智慧医疗服务终端200的医疗信息推荐列表。如此,能够基于患者用户的相关意图搜索目标的用户行为大数据进行有效挖掘和提炼,从而更有针对性地为患者用户提供医疗信息推荐。
在一种可能的实现方式中,针对步骤S120,考虑到用户行为大数据样本可能会存在很多查询意图混杂,为了便于后续精确推荐,步骤S120可以通过以下示例性子步骤具体实现,下面进行详细描述。
子步骤S121,预先设定按照不同查询意图划分的查询意图决策树。
子步骤S122,根据每个按照不同查询意图划分的查询意图决策树分别对用户行为大数据样本进行处理,对应得到多个意图决策对象序列。
子步骤S123,选择多个意图决策对象序列中的其中一个作为第一决策对象序列,并识别出第一决策对象序列的主决策对象并以主决策对象作为参考主决策对象。
子步骤S124,对于第一决策对象序列之外的其它第二意图决策对象序列,分别设定每个第二意图决策对象序列的主决策对象,并计算每个第二意图决策对象序列的主决策对象中任意一个主决策对象所对应的决策意图相关项目与该第一决策对象序列的每一个参考主决策对象所对应的决策意图相关项目的项目交互信息。
其中,项目交互信息可以是指决策意图相关项目之间进行信息交互产生的信息,例如从一个项目转移到另一个项目的过程中所产生的信息。
子步骤S125,将任意一个主决策对象配置为使该项目交互信息最接近第一决策对象序列的主决策对象的参考主决策对象,并将其余意图决策对象序列中的每个第二意图决策对象序列的主决策对象配置为相对应的参考主决策对象,并参照配置结果,将其余意图决策对象序列参照第一决策对象序列分别进行重新配置分布,连同该第一决策对象序列而获得多个经配置后的意图决策对象序列。
子步骤S126,计算经配置后的多个意图决策对象序列中每个决策对象序列的行为交互信息和行为频繁度。
子步骤S127,根据经配置后的多个意图决策对象序列中每个决策对象序列的行为交互信息和行为频繁度对用户行为大数据样本进行划分,得到多个用户行为大数据子样本。
在一种可能的实现方式中,仍旧针对步骤S120,在计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征的过程中,具体可以通过以下示例性子步骤实现,详细描述如下。
子步骤S128,计算每一个用户行为大数据子样本包含的多个查询词对于各自对应的用户行为大数据子样本的重复程度,得到对应的词频反转频率信息。
本实施例中,词频反转频率信息(term frequency–inverse documentfrequency,TF-IDF)可以用于表示查询词对于各自对应的用户行为大数据子样本的重复程度。详细地,查询词的重要性随着该查询词在对应的用户行为大数据子样本中出现的次数成正比增加,从而可以作为用户行为大数据子样本与换着用户查询之间相关程度的度量或评级。
子步骤S129,对词频反转频率提取特征向量,得到每一个用户行为大数据子样本包含的多个查询词的查询词频特征。
在一种可能的实现方式中,针对步骤S130,可以通过以下示例性子步骤具体实现,下面进行详细描述。
子步骤S131,根据每个用户行为需求的查询意图特征获得每个用户行为需求在每个查询意图决策树输出的查询意图热点分布,并对查询意图热点分布进行划分,得到多个查询意图热点单元。
子步骤S132,分别根据每个查询意图决策树所对应的意图挖掘脚本对多个查询意图热点单元进行意图挖掘处理,获得多个查询意图热点单元各自对应的意图挖掘结果。
本实施例中,意图挖掘结果可以包括查询意图热点单元在对应的查询意图决策树下的意图测试置信度。
子步骤S133,根据查询意图热点单元各自对应的意图挖掘结果确定每个查询意图决策树中的查询意图热点单元之间的图连通关系,并根据确定的每个查询意图决策树中的查询意图热点单元之间的图连通关系生成智慧医疗服务终端200的信息推荐热力图。
例如,在子步骤S131中,可以通过以下示例性实现方式来具体实现:
(1)针对每个用户行为需求的查询意图特征,根据该用户行为需求在每个查询意图决策树的查询意图热点分布获取该用户行为需求的意图热点向量表达图谱,并将意图热点向量表达图谱作为热点向量分布区域,使每个用户行为需求表示为由该用户行为需求的意图热点向量表达图谱组成的热点向量分布区域。
(2)根据该用户行为需求对应的热点向量分布区域的向量分布值从每个用户行为需求的热点向量分布区域中获取所有的相似热点向量分布区域,组成第一热点向量分布区域分布空间。
(3)对第一热点向量分布区域分布空间中的与该用户行为需求对应的热点向量分布区域中的热点分布向量进行聚合处理,得到聚合向量对象和聚合向量层级。
(4)根据聚合向量对象和聚合向量层级计算以该用户行为需求为基准的热点向量分布区域不含目标需求向量的负查询意图特征。
(5)当每个用户行为需求都已计算得到以该用户行为需求为中心的热点向量分布区域不含目标需求向量的负查询意图特征时,根据各用户行为需求对应的不含目标需求向量的负查询意图特征得到不含目标需求向量的用户行为需求。
(6)根据不含目标需求向量的用户行为需求得到第二热点向量分布区域分布空间,并对第二热点向量分布区域分布空间进行处理,得到第二热点向量分布区域分布空间所对应的表达节点集合。
(7)根据表达节点集合对查询意图热点分布进行划分,得到多个查询意图热点单元。
例如,在一种可替代的示例中,本实施例可以对表达节点集合计算表达节点关系值和表达字典分量,并将表达字典分量作为初始值,对第二热点向量分布区域分布空间中的与该用户行为需求对应的热点向量分布区域按照表达节点关系值分别进行处理,得到对应的表达节点拓扑流向结构。
在此基础上,可以通过表达节点拓扑流向结构确定表达特征含义子标签,通过以表达节点拓扑流向结构的表达特征含义父标签为比较标签,根据比较标签相关联的每个向量目标上具有最大向量值的标签目标连接起来确定比较目标标签。然后,计算表达节点拓扑流向结构中从每个标签目标为比较对象,与表达特征含义子标签和比较目标标签之间的语义相似度,得到表达特征含义子标签的语义相似度结果和比较目标标签的语义相似度结果。
由此,可以通过计算表达节点拓扑流向结构内的语义流向信息,得到表达节点拓扑流向结构内语义流向信息的第一模糊预测结果,并以连续变化的语义相似度阈值对比较目标标签的语义相似度结果进行阈值处理,得到第一相似度阈值列表。接着,确定第一相似度阈值列表中高于阈值的第一语义相似度,结合第一模糊预测结果,将第一语义相似度结果中边界语义相似度最大的比较目标标签作为目标比较目标标签,将表达特征含义子标签的语义相似度结果中语义相似度大于设定阈值的第二语义相似度结果中的模糊标签目标作为目标模糊标签目标。
在上述基础上,可以再次计算表达节点拓扑流向结构内的语义流向信息中从每个标签目标与表达特征含义子标签的语义相似度和目标模糊标签目标的语义相似度,得到第二表达特征含义子标签的语义相似度结果和目标模糊标签目标的语义相似度结果。然后,计算将目标比较目标标签及其目标比较目标标签关联的其它比较目标标签的语义相似度置零后得到的表达节点拓扑流向结构内的语义流向信息,得到表达节点拓扑流向结构内的内语义流向信息的第二模糊预测结果。再次,以连续变化的语义相似度阈值对第二表达特征含义子标签的语义相似度结果进行阈值处理,得到第二相似度阈值列表。
这样,可以确定第二相似度阈值列表中高于阈值的第三语义相似度结果,结合第二模糊预测结果,将第三语义相似度结果中变化幅度最大的表达特征含义子标签作为目标表达特征含义子标签,以将每个目标表达特征含义子标签所对应的热点部分得到该用户行为需求在每个查询意图决策树的查询意图热点分布的多个查询意图热点单元。
再例如,在子步骤S132中,可以通过以下示例性实现方式来具体实现:
(1)根据每个查询意图决策树所对应的意图挖掘脚本对多个查询意图热点单元进行意图挖掘处理,得到每个查询意图热点单元对应的意图挖掘概率图。
(2)对意图挖掘概率图进行图划分,且将意图挖掘概率图的图划分为导流概率图谱和非导流概率图谱,导流概率图谱为与意图挖掘脚本所对应的导流图谱特征相似的图谱,非导流概率图谱为与意图挖掘脚本所对应的导流图谱特征不相似的图谱。
(3)分别确定导流概率图谱的第一意图挖掘图谱节点序列和非导流概率图谱的第二意图挖掘图谱节点序列。
(4)根据导流概率图谱的第一意图挖掘图谱节点序列,确定导流概率图谱的意图挖掘向量,同时采用非导流概率图谱的第二意图挖掘图谱节点序列,确定非导流概率图谱的意图挖掘向量。
(5)采用导流概率图谱的意图挖掘向量表示导流概率图谱的概率目标区间,同时采用非导流概率图谱的意图挖掘向量表示非导流概率图谱的概率目标区间。
(6)在导流概率图谱的概率目标区间中检测导流概率图谱的每个第一图谱单元,同时在非导流概率图谱的概率目标区间中检测非导流概率图谱的每个第二图谱单元,得到导流概率图谱在其概率目标区间中的第一图谱单元集和非导流概率图谱在其概率目标区间中的第二图谱单元集。
(7)根据导流概率图谱和非导流概率图谱获得多个查询意图热点单元各自对应的意图挖掘结果。
例如,在一种可能的示例中,本实施例可以分别确定导流概率图谱的第一图谱单元集的导流比较图谱单元和非导流概率图谱的第二图谱单元集的导流比较图谱单元,并根据第一图谱单元集的导流比较图谱单元和第二图谱单元集的导流比较图谱单元,计算导流概率图谱的导流特征颗粒和非导流概率图谱的导流特征颗粒。
在此基础上,可以根据导流概率图谱的导流特征颗粒和非导流概率图谱的导流特征颗粒,对导流概率图谱和非导流概率图谱进行比对,得到导流概率图谱和非导流概率图谱的匹配图谱单元对。然后,根据导流概率图谱和非导流概率图谱的匹配图谱单元对将查询意图热点单元对应的意图挖掘概率图分割为多个对应的意图挖掘概率区块。接着,对多个意图挖掘概率区块的位置进行分析,以及对每个意图挖掘概率区块内的每个单位区块的位置进行分析,得到位置分析结果,其中,位置分析结果包括多个确定为强向量的图谱节点序列。 例如,强向量可以用于表示向量延伸长度大于设长度的向量。
接着,可以将位置分析结果划分为多个与查询意图热点单元对应的目标图谱节点序列,并计算得到每个目标图谱节点序列中的位置置信度,并计算得到每个目标图谱节点序列内每一个位置置信度与对应均值的比值,得到与每个目标图谱节点序列对应的比值序列。 然后,计算得到各个比值序列的比值均值,并获取所有比值均值中的最大值,作为全局最大比值均值,根据全局最大比值均值,生成多个不同挖掘标签的意图挖掘模型,其中,多个意图挖掘模型的挖掘标签自优先级开始依次递增,意图挖掘模型的总数为全局最大比值均值除以预设比值后取整得到。
由此,可以计算得到每个目标图谱节点序列的比值序列的比值均值,并将该比值均值除以预设比值后取整,得到每个目标图谱节点序列的对应挖掘标签,利用挖掘标签与各个目标图谱节点序列的对应挖掘标签相同的意图挖掘模型,分别处理对应的目标图谱节点序列的比值序列中的每一个比例,得到每个目标图谱节点序列的比例程度映射关系。从而,可以将各个目标图谱节点序列的均值、挖掘标签、比例程度映射关系,以及意图挖掘模型总数和对应的重构值进行处理,得到多个查询意图热点单元各自对应的意图挖掘结果。
再例如,在子步骤S133中,可以通过以下示例性实现方式来具体实现:
(1)根据查询意图热点单元各自对应的意图挖掘结果将查询意图热点单元转化为意图热点向量分布图。
(2)从意图热点向量分布图中分别选择多个向量分布单位图组成推荐热力图块,并确定每个推荐热力图块之间的热点互通图块,以根据每个推荐热力图块之间的热点互通图块确定每个查询意图决策树中的查询意图热点单元之间的图连通关系。
(3)根据图连通关系,提取每个推荐热力图块中所有推荐热力节点对应的推荐项目标签的标签映射码,得到标签映射码序列,并提取热点互通图块中每个推荐热力节点对应的推荐项目标签的类别,得到与标签映射码序列相对应的列表序列。
(4)分别对标签映射码序列及列表序列进行去噪处理后,对标签映射码序列中的任一个推荐热力节点对应的推荐项目标签关系标识,随机分配一组推荐配置参数作为信息推荐过程的推荐配置参数。
(5)根据处理后的标签映射码序列与列表序列构造以信息推荐数量区间和信息推荐顺序区间为变量的信息推荐模型,计算信息推荐过程的推荐配置参数的配置参量序列,从而得到信息推荐过程的目标推荐模块。
(6)利用信息推荐过程的目标推荐模块对推荐热力图块进行离散化,并根据离散化结果计算本次离散化的信息推荐数量区间与信息推荐顺序区间。
(7)若本次离散化的信息推荐数量区间与信息推荐顺序区间满足预设条件,则利用信息推荐过程的目标推荐模块随机选择多种类别的标签映射码。
(8)利用推荐热力图块及其热点互通图块分别对多种类别的标签映射码进行查找,计算每种类别标签映射码在不同向量分布单位图的信息推荐量化区间。
(9)根据每种类别标签映射码在不同向量分布单位图的信息推荐量化区间,生成智慧医疗服务终端200的信息推荐热力图。
在一种可能的实现方式中,针对步骤S140,可以通过以下示例性子步骤具体实现,下面进行详细描述。
子步骤S141,对信息推荐热力图进行功能性划分,得到至少一个信息推荐功能区域,同一个信息推荐功能区域中各个信息推荐节点的信息推荐功能相同。
子步骤S142,确定每个信息推荐功能区域的信息推荐功能和信息推荐对象,并根据各个信息推荐功能区域所对应的信息推荐功能以及各个信息推荐功能区域的信息推荐对象,建立医疗信息推荐列表模型。
子步骤S143,根据医疗信息推荐列表模型生成智慧医疗服务终端200的医疗信息推荐列表。
例如,在子步骤S143中,本实施例可以根据医疗信息推荐列表模型中的每个医疗信息推荐列表节点,获取该医疗信息推荐列表节点关联的在当前时间点之前预设时间段内的医疗热点信息,以生成智慧医疗服务终端200的医疗信息推荐列表。
图3为本公开实施例提供的基于大数据的智慧医疗信息推送装置300的功能模块示意图,本实施例可以根据上述大数据医疗云平台100执行的方法实施例对该基于大数据的智慧医疗信息推送装置300进行功能模块的划分,也即该基于大数据的智慧医疗信息推送装置300所对应的以下各个功能模块可以用于执行上述大数据医疗云平台100执行的各个方法实施例。其中,该基于大数据的智慧医疗信息推送装置300可以包括获取模块310、计算模块320、第一生成模块330以及第二生成模块340,下面分别对该基于大数据的智慧医疗信息推送装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于获取智慧医疗服务终端200在访问医疗病历后浏览的相关意图搜索目标的用户行为大数据,并根据相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本。其中,获取模块310可以用于执行上述的步骤S110,关于获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
计算模块320,用于将用户行为大数据样本处理为多个预先以相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征,并将查询词频特征作为对应的用户行为大数据子样本的查询意图特征。其中,计算模块320可以用于执行上述的步骤S120,关于计算模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
第一生成模块330,用于将查询意图特征作为对应的用户行为大数据子样本映射的用户行为需求的查询意图特征,生成每个用户行为需求的查询意图特征,并根据每个用户行为需求的查询意图特征生成智慧医疗服务终端200的信息推荐热力图。其中,第一生成模块330可以用于执行上述的步骤S130,关于第一生成模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
第二生成模块340,用于根据信息推荐热力图生成智慧医疗服务终端200的医疗信息推荐列表。其中,第二生成模块340可以用于执行上述的步骤S140,关于第二生成模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,获取模块310可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(application specific integrated circuit,ASIC),或,一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(centralprocessing unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
图4示出了本公开实施例提供的用于实现上述的控制设备的大数据医疗云平台100的硬件结构示意图,如图4所示,大数据医疗云平台100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中,至少一个处理器110执行所述机器可读存储介质120存储的计算机执行指令(例如图3中所示的基于大数据的智慧医疗信息推送装置300包括的获取模块310、计算模块320、第一生成模块330以及第二生成模块340),使得处理器110可以执行如上方法实施例的基于大数据的智慧医疗信息推送方法,其中,处理器110、机器可读存储介质120以及收发器140通过总线130连接,处理器110可以用于控制收发器140的收发动作,从而可以与前述的智慧医疗服务终端200进行数据收发。
处理器110的具体实现过程可参见上述大数据医疗云平台100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图4所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,DSP)、专用集成电路(英文:ApplicationSpecificIntegrated Circuit,ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外,本公开实施例还提供一种可读存储介质,所述可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上基于大数据的智慧医疗信息推送方法。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (9)
1.一种基于大数据的智慧医疗信息推送方法,其特征在于,应用于与多个智慧医疗服务终端通信连接的大数据医疗云平台,所述方法包括:
获取所述智慧医疗服务终端在访问医疗病历后浏览的相关意图搜索目标的用户行为大数据,并根据所述相关意图搜索目标的用户行为大数据形成一按照行为频繁度为排列方式的用户行为大数据样本;
将所述用户行为大数据样本处理为多个预先以所述相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本,计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征,并将所述查询词频特征作为对应的用户行为大数据子样本的查询意图特征;
将所述查询意图特征作为对应的用户行为大数据子样本映射的用户行为需求的查询意图特征,生成每个用户行为需求的查询意图特征,并根据所述每个用户行为需求的查询意图特征生成所述智慧医疗服务终端的信息推荐热力图;
根据所述信息推荐热力图生成所述智慧医疗服务终端的医疗信息推荐列表;
所述根据所述每个用户行为需求的查询意图特征生成所述智慧医疗服务终端的信息推荐热力图的步骤,包括:
根据所述每个用户行为需求的查询意图特征获得所述每个用户行为需求在每个查询意图决策树输出的查询意图热点分布,并对所述查询意图热点分布进行划分,得到多个查询意图热点单元;
分别根据每个查询意图决策树所对应的意图挖掘脚本对所述多个查询意图热点单元进行意图挖掘处理,获得所述多个查询意图热点单元各自对应的意图挖掘结果,其中,所述意图挖掘结果包括所述查询意图热点单元在对应的查询意图决策树下的意图测试置信度;
根据所述查询意图热点单元各自对应的意图挖掘结果确定每个查询意图决策树中的所述查询意图热点单元之间的图连通关系,并根据确定的每个查询意图决策树中的所述查询意图热点单元之间的图连通关系生成所述智慧医疗服务终端的信息推荐热力图。
2.根据权利要求1所述的基于大数据的智慧医疗信息推送方法,其特征在于,所述将所述用户行为大数据样本处理为多个预先以所述相关意图搜索目标按照不同查询意图划分的查询意图决策树的用户行为大数据子样本的步骤,包括:
预先设定按照不同查询意图划分的查询意图决策树;
根据每个按照不同查询意图划分的查询意图决策树分别对所述用户行为大数据样本进行处理,对应得到多个意图决策对象序列;
选择所述多个意图决策对象序列中的其中一个作为第一决策对象序列,并识别出所述第一决策对象序列的主决策对象并以所述主决策对象作为参考主决策对象;
对于所述第一决策对象序列之外的其它第二意图决策对象序列,分别设定每个第二意图决策对象序列的主决策对象,并计算每个第二意图决策对象序列的主决策对象中任意一个主决策对象所对应的决策意图相关项目与该第一决策对象序列的每一个参考主决策对象所对应的决策意图相关项目的项目交互信息;
将任意一个主决策对象配置为使该项目交互信息最接近所述第一决策对象序列的主决策对象的参考主决策对象,并将其余意图决策对象序列中的每个第二意图决策对象序列的主决策对象配置为相对应的参考主决策对象,并参照配置结果,将其余意图决策对象序列参照所述第一决策对象序列分别进行重新配置分布,连同该第一决策对象序列而获得多个经配置后的意图决策对象序列;
计算经配置后的多个意图决策对象序列中每个决策对象序列的行为交互信息和行为频繁度;
根据经配置后的多个意图决策对象序列中每个决策对象序列的行为交互信息和行为频繁度对所述用户行为大数据样本进行划分,得到多个用户行为大数据子样本。
3.根据权利要求1所述的基于大数据的智慧医疗信息推送方法,其特征在于,所述计算每一个用户行为大数据子样本包含的多个查询词的查询词频特征的步骤,包括:
计算每一个用户行为大数据子样本包含的多个查询词对于各自对应的用户行为大数据子样本的重复程度,得到对应的词频反转频率信息;
对所述词频反转频率提取特征向量,得到每一个用户行为大数据子样本包含的多个查询词的查询词频特征。
4.根据权利要求1所述的基于大数据的智慧医疗信息推送方法,其特征在于,所述根据所述每个用户行为需求的查询意图特征获得所述每个用户行为需求在每个查询意图决策树的查询意图热点分布,并对所述查询意图热点分布进行划分,得到多个查询意图热点单元的步骤,包括:
针对每个用户行为需求的查询意图特征,根据该用户行为需求在每个查询意图决策树的查询意图热点分布获取该用户行为需求的意图热点向量表达图谱,并将所述意图热点向量表达图谱作为热点向量分布区域,使所述每个用户行为需求表示为由该用户行为需求的意图热点向量表达图谱组成的热点向量分布区域;
根据该用户行为需求对应的热点向量分布区域的向量分布值从所述每个用户行为需求的热点向量分布区域中获取所有的相似热点向量分布区域,组成第一热点向量分布区域分布空间;
对所述第一热点向量分布区域分布空间中的与该用户行为需求对应的热点向量分布区域中的热点分布向量进行聚合处理,得到聚合向量对象和聚合向量层级;
根据所述聚合向量对象和所述聚合向量层级计算以该用户行为需求为基准的热点向量分布区域不含目标需求向量的负查询意图特征;
当每个用户行为需求都已计算得到以该用户行为需求为中心的热点向量分布区域不含目标需求向量的负查询意图特征时,根据各用户行为需求对应的不含目标需求向量的负查询意图特征得到不含目标需求向量的用户行为需求;
根据所述不含目标需求向量的用户行为需求得到第二热点向量分布区域分布空间,并对所述第二热点向量分布区域分布空间进行处理,得到所述第二热点向量分布区域分布空间所对应的表达节点集合;
根据所述表达节点集合对所述查询意图热点分布进行划分,得到多个查询意图热点单元。
5.根据权利要求1所述的基于大数据的智慧医疗信息推送方法,其特征在于,所述分别根据每个查询意图决策树所对应的意图挖掘脚本对所述多个查询意图热点单元进行意图挖掘处理,获得所述多个查询意图热点单元各自对应的意图挖掘结果的步骤,包括:
根据每个查询意图决策树所对应的意图挖掘脚本对所述多个查询意图热点单元进行意图挖掘处理,得到每个查询意图热点单元对应的意图挖掘概率图;
对所述意图挖掘概率图进行图划分,且将所述意图挖掘概率图的图划分为导流概率图谱和非导流概率图谱,所述导流概率图谱为与所述意图挖掘脚本所对应的导流图谱特征相似的图谱,所述非导流概率图谱为与所述意图挖掘脚本所对应的导流图谱特征不相似的图谱;
分别确定所述导流概率图谱的第一意图挖掘图谱节点序列和所述非导流概率图谱的第二意图挖掘图谱节点序列;
根据所述导流概率图谱的第一意图挖掘图谱节点序列,确定所述导流概率图谱的意图挖掘向量,同时采用所述非导流概率图谱的第二意图挖掘图谱节点序列,确定所述非导流概率图谱的意图挖掘向量;
采用所述导流概率图谱的意图挖掘向量表示所述导流概率图谱的概率目标区间,同时采用所述非导流概率图谱的意图挖掘向量表示所述非导流概率图谱的概率目标区间;
在所述导流概率图谱的概率目标区间中检测所述导流概率图谱的每个第一图谱单元,同时在所述非导流概率图谱的概率目标区间中检测所述非导流概率图谱的每个第二图谱单元,得到所述导流概率图谱在其概率目标区间中的第一图谱单元集和所述非导流概率图谱在其概率目标区间中的第二图谱单元集;
根据所述导流概率图谱和所述非导流概率图谱获得所述多个查询意图热点单元各自对应的意图挖掘结果。
6.根据权利要求1所述的基于大数据的智慧医疗信息推送方法,其特征在于,所述根据所述查询意图热点单元各自对应的意图挖掘结果确定每个查询意图决策树中的所述查询意图热点单元之间的图连通关系,并根据确定的每个查询意图决策树中的所述查询意图热点单元之间的图连通关系生成所述智慧医疗服务终端的信息推荐热力图的步骤,包括:
根据所述查询意图热点单元各自对应的意图挖掘结果将所述查询意图热点单元转化为意图热点向量分布图;
从所述意图热点向量分布图中分别选择多个向量分布单位图组成推荐热力图块,并确定每个推荐热力图块之间的热点互通图块,以根据所述每个推荐热力图块之间的热点互通图块确定每个查询意图决策树中的所述查询意图热点单元之间的图连通关系;
根据所述图连通关系,提取每个推荐热力图块中所有推荐热力节点对应的推荐项目标签的标签映射码,得到标签映射码序列,并提取热点互通图块中每个推荐热力节点对应的推荐项目标签的类别,得到与标签映射码序列相对应的列表序列;
分别对所述标签映射码序列及所述列表序列进行去噪处理后,对所述标签映射码序列中的任一个推荐热力节点对应的推荐项目标签关系标识,随机分配一组推荐配置参数作为信息推荐过程的推荐配置参数;
根据处理后的标签映射码序列与列表序列构造以信息推荐数量区间和信息推荐顺序区间为变量的信息推荐模型,计算信息推荐过程的推荐配置参数的配置参量序列,从而得到信息推荐过程的目标推荐模块;
利用信息推荐过程的目标推荐模块对推荐热力图块进行离散化,并根据离散化结果计算本次离散化的信息推荐数量区间与信息推荐顺序区间;
若本次离散化的信息推荐数量区间与信息推荐顺序区间满足预设条件,则利用信息推荐过程的目标推荐模块随机选择多种类别的标签映射码;
利用所述推荐热力图块及其热点互通图块分别对多种类别的标签映射码进行查找,计算每种类别标签映射码在不同向量分布单位图的信息推荐量化区间;
根据所述每种类别标签映射码在不同向量分布单位图的信息推荐量化区间,生成所述智慧医疗服务终端的信息推荐热力图。
7.根据权利要求1-6中任意一项所述的基于大数据的智慧医疗信息推送方法,其特征在于,所述根据所述信息推荐热力图生成所述智慧医疗服务终端的医疗信息推荐列表的步骤,包括:
对所述信息推荐热力图进行功能性划分,得到至少一个信息推荐功能区域,同一个所述信息推荐功能区域中各个信息推荐节点的信息推荐功能相同;
确定每个所述信息推荐功能区域的信息推荐功能和信息推荐对象,并根据各个信息推荐功能区域所对应的信息推荐功能以及各个信息推荐功能区域的信息推荐对象,建立医疗信息推荐列表模型;
根据所述医疗信息推荐列表模型生成所述智慧医疗服务终端的医疗信息推荐列表。
8.根据权利要求7所述的基于大数据的智慧医疗信息推送方法,其特征在于,所述根据所述医疗信息推荐列表模型生成所述智慧医疗服务终端的医疗信息推荐列表的步骤,包括:
根据所述医疗信息推荐列表模型中的每个医疗信息推荐列表节点,获取该医疗信息推荐列表节点关联的在当前时间点之前预设时间段内的医疗热点信息,以生成所述智慧医疗服务终端的医疗信息推荐列表。
9.一种大数据医疗云平台,其特征在于,所述大数据医疗云平台包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个智慧医疗服务终端通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行权利要求1-8中任意一项的基于大数据的智慧医疗信息推送方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011266013.5A CN112382387A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法、装置及医疗云平台 |
CN202011263598.5A CN112382386A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法及系统 |
CN202010308870.0A CN111540466B (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法及大数据医疗云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010308870.0A CN111540466B (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法及大数据医疗云平台 |
Related Child Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011266013.5A Division CN112382387A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法、装置及医疗云平台 |
CN202011263598.5A Division CN112382386A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111540466A CN111540466A (zh) | 2020-08-14 |
CN111540466B true CN111540466B (zh) | 2021-01-15 |
Family
ID=71977022
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011263598.5A Withdrawn CN112382386A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法及系统 |
CN202011266013.5A Withdrawn CN112382387A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法、装置及医疗云平台 |
CN202010308870.0A Active CN111540466B (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法及大数据医疗云平台 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011263598.5A Withdrawn CN112382386A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法及系统 |
CN202011266013.5A Withdrawn CN112382387A (zh) | 2020-04-19 | 2020-04-19 | 基于大数据的智慧医疗信息推送方法、装置及医疗云平台 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN112382386A (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765365A (zh) * | 2020-09-01 | 2021-05-07 | 张富平 | 基于区块链离线支付的大数据处理方法、系统及推送平台 |
CN113326441A (zh) * | 2020-11-17 | 2021-08-31 | 崔海燕 | 基于大数据业务定位的信息推送方法及系统 |
CN112597386A (zh) * | 2020-12-16 | 2021-04-02 | 北京动力机械研究所 | 面向用户设计意图的智能推送方法及装置 |
CN113468417A (zh) * | 2021-06-19 | 2021-10-01 | 田丰富 | 基于智慧医疗大数据的产品服务推荐方法及智慧医疗系统 |
CN113724892B (zh) * | 2021-08-31 | 2024-06-21 | 深圳平安智慧医健科技有限公司 | 一种人口流动的分析方法、装置、电子设备及存储介质 |
CN114203304B (zh) * | 2021-11-15 | 2023-04-07 | 朗恒科技集团有限公司 | 基于智慧医疗大数据的信息推送方法及智慧医疗云服务器 |
CN115314550B (zh) * | 2022-08-17 | 2023-08-25 | 常州市儿童医院(常州市第六人民医院) | 基于数字化的智慧医疗信息推送方法及系统 |
CN117238527B (zh) * | 2023-11-14 | 2024-02-13 | 四川天府智链健康科技有限公司 | 基于大数据的医疗信息管理方法及系统 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871483A (zh) * | 2019-01-22 | 2019-06-11 | 珠海天燕科技有限公司 | 一种推荐信息的确定方法及装置 |
CN110059196A (zh) * | 2019-04-12 | 2019-07-26 | 张晓红 | 一种医学健康领域知识图谱的关系抽取方法及系统 |
CN110738545A (zh) * | 2019-08-30 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 基于用户意向识别的产品推荐方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404680A (zh) * | 2015-11-25 | 2016-03-16 | 百度在线网络技术(北京)有限公司 | 一种搜索推荐方法及装置 |
US20190206571A1 (en) * | 2017-12-28 | 2019-07-04 | Rovi Guides, Inc. | Systems and methods for recommending disease-related content based on a disease associated with a user |
CN110968686A (zh) * | 2018-09-28 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 意图识别方法、装置、设备及计算机可读介质 |
CN110851725B (zh) * | 2019-11-15 | 2023-10-27 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、系统、计算设备和存储介质 |
-
2020
- 2020-04-19 CN CN202011263598.5A patent/CN112382386A/zh not_active Withdrawn
- 2020-04-19 CN CN202011266013.5A patent/CN112382387A/zh not_active Withdrawn
- 2020-04-19 CN CN202010308870.0A patent/CN111540466B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871483A (zh) * | 2019-01-22 | 2019-06-11 | 珠海天燕科技有限公司 | 一种推荐信息的确定方法及装置 |
CN110059196A (zh) * | 2019-04-12 | 2019-07-26 | 张晓红 | 一种医学健康领域知识图谱的关系抽取方法及系统 |
CN110738545A (zh) * | 2019-08-30 | 2020-01-31 | 深圳壹账通智能科技有限公司 | 基于用户意向识别的产品推荐方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112382386A (zh) | 2021-02-19 |
CN112382387A (zh) | 2021-02-19 |
CN111540466A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540466B (zh) | 基于大数据的智慧医疗信息推送方法及大数据医疗云平台 | |
US11526799B2 (en) | Identification and application of hyperparameters for machine learning | |
CN111340237B (zh) | 数据处理和模型运行方法、装置和计算机设备 | |
CN112199375A (zh) | 跨模态的数据处理方法、装置、存储介质以及电子装置 | |
CN112184872B (zh) | 基于大数据和云计算的游戏渲染优化方法及云端计算中心 | |
US10453165B1 (en) | Computer vision machine learning model execution service | |
CN111540421B (zh) | 基于大数据的智慧医疗病情监控方法及大数据医疗云平台 | |
CN112328891A (zh) | 训练搜索模型的方法、搜索目标对象的方法及其装置 | |
CN111723227B (zh) | 基于人工智能和互联网的数据分析方法及云计算服务平台 | |
CN112612901A (zh) | 一种医学知识图谱智慧管理检索平台 | |
CN112765386A (zh) | 基于大数据和互联网的信息管理方法、系统及云服务器 | |
CN112309523A (zh) | 基于人工智能的智慧医疗信息推送方法及系统 | |
CN112434288A (zh) | 基于物联网的网络大数据信息防泄密方法及系统 | |
CN111540424A (zh) | 基于人工智能的智慧医疗病历管理方法及电子病历云平台 | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
EP4339843A1 (en) | Neural network optimization method and apparatus | |
CN112199715B (zh) | 基于区块链和云计算的对象生成方法及数字金融服务中心 | |
CN112199733B (zh) | 基于区块链和云计算的信息处理方法及数字金融服务中心 | |
CN112114907A (zh) | 基于电子商务云计算的应用加载方法及人工智能计算中心 | |
CN115905608A (zh) | 图像特征获取方法、装置、计算机设备、存储介质 | |
CN113032547A (zh) | 基于人工智能的大数据处理方法、系统及云平台 | |
US20190034308A1 (en) | Performance engineering platform using probes and searchable tags | |
CN106528577B (zh) | 一种设置待清理文件的方法和装置 | |
CN115408534B (zh) | 一种知识图谱更新方法、装置、设备及存储介质 | |
CN113961740A (zh) | 图像的检索方法、装置、存储介质及电子装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201217 Address after: 518000 2905a international culture building, 3039 Shennan Middle Road, Futian street, Futian District, Shenzhen City, Guangdong Province Applicant after: Shenzhen coordinate Software Group Co., Ltd Address before: Room 302, 12 / F, innovation building, big data Industrial Park, 29 Xuehai Road, Xindu street, Chengnan New District, Yancheng City, Jiangsu Province Applicant before: Zhou Yujuan |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |