CN112000894A - 一种健康管理信息推送方法、装置、设备及存储介质 - Google Patents

一种健康管理信息推送方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112000894A
CN112000894A CN202011167824.XA CN202011167824A CN112000894A CN 112000894 A CN112000894 A CN 112000894A CN 202011167824 A CN202011167824 A CN 202011167824A CN 112000894 A CN112000894 A CN 112000894A
Authority
CN
China
Prior art keywords
user
target user
information
health management
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.)
Pending
Application number
CN202011167824.XA
Other languages
English (en)
Inventor
孔飞
刘邦长
谷书锋
罗晓斌
赵红文
常德杰
刘朝振
庄博然
吴思凡
张新航
黄朝波
穆菊
周连明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Miaoyijia Health Technology Group Co ltd
Original Assignee
Beijing Miaoyijia Health Technology Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Miaoyijia Health Technology Group Co ltd filed Critical Beijing Miaoyijia Health Technology Group Co ltd
Priority to CN202011167824.XA priority Critical patent/CN112000894A/zh
Publication of CN112000894A publication Critical patent/CN112000894A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9562—Bookmark management
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请提供一种健康管理信息推送方法、装置、设备及存储介质，涉及健康管理技术领域。该方法包括：获取目标用户的多个历史操作信息；将该目标用户的多个历史操作信息输入用户画像生成模型，得到该目标用户的用户画像，该用户画像用于表征所述目标用户的属性标签、行为标签以及兴趣标签，该属性标签用于标识该目标用户的个人信息，所述行为标签用于标识该目标用户执行预设行为的概率，该兴趣标签用于标识该目标用户感兴趣的信息；根据该目标用户的用户画像，向该目标用户推送健康管理信息。应用本申请实施例，可以使健康管理软件给用户推送的健康管理信息的准确率得到提高。

Description

一种健康管理信息推送方法、装置、设备及存储介质
技术领域
本申请涉及健康管理技术领域，具体而言，涉及一种健康管理信息推送方法、装置、设备及存储介质。
背景技术
随着人们健康意识的提高以及科技的发展，越来越多的健康管理软件出现在人们日常生活中，其中，健康管理软件可以为用户推送一些健康管理信息。
目前，用户在初次登陆健康管理软件时，需要填写一些关于自身健康的信息，如年龄、性别、兴趣爱好等一些基础信息，健康管理软件可根据这些基础信息向用户推送一些健康管理信息。
然而，由于健康管理软件只会根据一些基础信息生成相应的健康管理信息，并向用户推动，但能够表征用户健康问题的信息却是多种多样的，并且有些信息还是动态变化的，所以采用现有技术中的方案会使健康管理软件给用户推送的健康管理方案准确率较低。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种健康管理信息推送方法、装置、设备及存储介质，可以使健康管理软件给用户推送的健康管理信息的准确率得到提高。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供了一种健康管理信息推送方法，所述方法包括：
获取目标用户的多个历史操作信息；
将所述目标用户的多个历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，所述用户画像用于表征所述目标用户的属性标签、行为标签以及兴趣标签，所述属性标签用于标识所述目标用户的个人信息，所述行为标签用于标识所述目标用户执行预设行为的概率，所述兴趣标签用于标识所述目标用户感兴趣的信息；
根据所述目标用户的用户画像，向所述目标用户推送健康管理信息。
可选地，所述历史操作信息包括：历史操作特征；
所述将所述目标用户的多个历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，包括：
将所述目标用户的多个历史操作特征输入用户画像生成模型，得到所述目标用户的用户画像。
可选地，所述根据所述目标用户的用户画像，向所述目标用户推送健康管理信息，包括：
根据所述用户画像以及预设的可推送信息，确定针对所述用户画像的可推送信息的得分；
根据所述针对所述用户画像的可推送信息的得分以及至少一个推送模块的权重，得到所述目标用户对应的健康管理信息，每个所述推送模块包括至少一个可推送信息；
向所述目标用户推送所述健康管理信息。
可选地，所述根据所述针对所述用户画像的可推送信息的得分以及至少一个推送模块的权重，得到所述目标用户对应的健康管理信息，包括：
根据所述可推送信息的得分以及所述至少一个推送模块的权重，对所述可推送信息以及所述至少一个推送模块进行排序，得到排序结果；
根据所述排序结果，得到所述目标用户对应的健康管理信息。
可选地，所述根据所述用户画像以及预设的可推送信息，确定针对所述用户画像的可推送信息的得分，包括：
分别使用所述用户画像以及所述预设的可推送信息，生成对应的特征向量；
使用预先训练完成的推荐参数矩阵，对生成的多个特征向量进行匹配处理，得到针对所述用户画像的可推送信息的得分。
可选地，所述根据所述针对所述用户画像的可推送信息的得分以及至少一个推送模块的权重，得到所述目标用户对应的健康管理信息之前，还包括：
根据每个推送模块在预设历史时段的点击率，得到每个所述推送模块的权重。
可选地，所述将所述目标用户的历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，包括：
将所述目标用户的多个历史操作信息输入用户画像生成模型，由所述用户画像生成模型对所述多个历史操作信息进行分组，得到至少一组原始特征，每组原始特征中包括至少两个历史信息，并对各组原始特征进行至少一次特征组合，并根据特征组合的结果得到所述目标用户的用户画像。
第二方面，本申请实施例还提供了一种健康管理信息推送装置，所述装置包括：
获取模块，用于获取目标用户的多个历史操作信息；
输入模块，用于将所述目标用户的多个历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，所述用户画像用于表征所述目标用户的属性标签、行为标签以及兴趣标签，所述属性标签用于标识所述目标用户的个人信息，所述行为标签用于标识所述目标用户执行预设行为的概率，所述兴趣标签用于标识所述目标用户感兴趣的信息；
推送模块，用于根据所述目标用户的用户画像，向所述目标用户推送健康管理信息。
可选地，所述历史操作信息包括：历史操作特征；
相应地，所述输入模块，具体用将所述目标用户的多个历史操作特征输入用户画像生成模型，得到所述目标用户的用户画像。
可选地，所述推送模块，具体用于根据所述用户画像以及预设的可推送信息，确定针对所述用户画像的可推送信息的得分；根据所述针对所述用户画像的可推送信息的得分以及至少一个推送模块的权重，得到所述目标用户对应的健康管理信息，每个所述推送模块包括至少一个可推送信息；向所述目标用户推送所述健康管理信息。
可选地，所述推送模块，还具体用于根据所述可推送信息的得分以及所述至少一个推送模块的权重，对所述可推送信息以及所述至少一个推送模块进行排序，得到排序结果；根据所述排序结果，得到所述目标用户对应的健康管理信息。
可选地，所述推送模块，还具体用于分别使用所述用户画像以及所述预设的可推送信息，生成对应的特征向量；使用预先训练完成的推荐参数矩阵，对生成的多个特征向量进行匹配处理，得到针对所述用户画像的可推送信息的得分。
可选地，所述推送模块，还具体用于根据每个推送模块在预设历史时段的点击率，得到每个所述推送模块的权重。
可选地，所述输入模块，还具体用于将所述目标用户的多个历史操作信息输入用户画像生成模型，由所述用户画像生成模型对所述多个历史操作信息进行分组，得到至少一组原始特征，每组原始特征中包括至少两个历史信息，并对各组原始特征进行至少一次特征组合，并根据特征组合的结果得到所述目标用户的用户画像。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述第一方面的所述健康管理信息推送方法的步骤。
第四方面，本申请实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面的所述健康管理信息推送方法的步骤。
本申请的有益效果是：
本申请实施例提供一种健康管理信息推送方法、装置、设备及存储介质，该方法可包括：获取目标用户的多个历史操作信息；将该目标用户的多个历史操作信息输入用户画像生成模型，得到该目标用户的用户画像，该用户画像用于表征所述目标用户的属性标签、行为标签以及兴趣标签，该属性标签用于标识该目标用户的个人信息，所述行为标签用于标识该目标用户执行预设行为的概率，该兴趣标签用于标识该目标用户感兴趣的信息；根据该目标用户的用户画像，向该目标用户推送健康管理信息。采用本申请实施例提供的健康管理信息推送方法，服务器可根据该目标用户对应的多个历史数据以及预设的用户画像生成模型，得到和该目标用户健康状况相关的用户画像，该用户画像中至少可以包括该目标用户执行预设行为的概率以及该目标用户感兴趣的信息。也就是说，该服务器可以基于用户平时生成的多个维度的操作信息，评估出用户的一些行为信息以及兴趣信息，并基于这些信息，向将符合用户需求的健康管理信息推送给该用户，这样可以使健康管理软件给用户推送的健康管理信息的准确率得到提高。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种健康管理信息推送系统的结构示意图；
图2为本申请实施例提供的一种健康管理信息推送方法的流程示意图；
图3为本申请实施例提供的另一种健康管理信息推送方法的流程示意图；
图4为本申请实施例提供的又一种健康管理信息推送方法的流程示意图；
图5为本申请实施例提供的一种健康管理信息推送装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在对本申请实施例进行详细解释之前，首先对本申请的应用场景予以介绍。图1为本申请实施例提供的一种健康管理信息推送系统的结构示意图，如图1所示，该系统可包括：终端设备101、102、103，网络104以及服务器105，终端设备101、102、103可通过网络104与服务器105进行数据交互，终端设备101、102、103的具体形态可以为手机、平板电脑以及台式电脑，本申请不对其进行限定。这里以终端设备101（手机）为例，终端设备101上可安装具有健康管理功能的客户端，用户可通过该客户端实时进行健康咨询、资讯查看以及购买一些所需的商品（如药品、医疗仪器），需要说明的是，本申请不对该客户端的具体功能类别进行限定。
该客户端可将用户对应的注册数据以及用户产生的操作数据通过网络104传输至服务器105，服务器105可对该注册数据以及该操作数据进行处理，生成该用户所需的健康管理信息（如资讯），并向该用户推送该健康管理信息。也就是说，在该客户端上注册的每个用户，服务器105都会有针对性的推送一些更符合用户所需的健康管理信息，并在终端设备101上显示，这样可以提高用户的体验感，使用户对该客户端产生更大的兴趣。
如下结合附图对本申请所提到的健康管理信息推送方法进行示例说明。图2为本申请实施例提供的一种健康管理信息推送方法的流程示意图，该方法可应用于上述提到的健康管理信息推送系统中的服务器中。如图2所示，该方法可以包括：
S201、获取目标用户的多个历史操作信息。
用户在健康管理客户端（应用软件）上进行注册时，需要填写注册信息，该健康管理客户端可将该注册信息发送给服务器，该服务器可将该注册信息以及该用户对应的账号以键值对的形式存储在与其相关联的存储器中。用户利用注册信息在健康管理客户端上登陆成功后，该服务器会通过健康管理客户端向该用户推送新用户引导项目，需要说明的是，与该服务器相关联的存储器中会预先存储多个新用户引导项目以及各个新用户引导项目对应的初始权重。权重越大，证明对应的新用户引导项目重要程度越高，该服务器会优先将初始权重较大的新用户引导项目推送给该用户。其中，各个新用户引导项目对应的初始权重可以根据实际经验进行设置，也可以通过调查问卷的方式统计后进行设置，本申请不对其进行限定。
上述新用户引导项目可包括评估项目、视频观看项目以及课程学习项目等，该评估项目相当于以一种调查问卷的方式了解该用户的健康情况，该视频观看项目可向该用户推荐一些有关健康内容的视频，通过该用户观看视频产生的信息（如视频内容类别、时间）了解该用户的健康情况，也就是说，新用户引导项目一方面可以解决用户冷启动问题，提高用户的参与感，另一方面可以更准确的了解该用户的健康情况。
该健康管理客户端除了将目标用户通过上述新用户引导项目产生的操作信息（如时间信息、健康知识信息）发送给该服务器外，该健康管理客户端还可以将该目标用户通过功能模块（如资讯浏览模块、血糖记录模块）产生的操作信息（如浏览资讯的次数、记录血糖的次数）发送给该服务器，当然，该健康管理客户端还可以将该目标用户产生的其他操作信息发送给该服务器，本申请不对其进行限定。该服务器可将该目标用户产生的多个操作信息保存在该存储器中，在预设时间段后（如一个月），该服务器可从该服务器中取出该目标用户在预设时间段内产生的多个历史操作信息。需要说明的是，可将每个预设时间段生成的多个历史操作信息中的特征信息构建成一个短期目标用户画像，也就是说，该短期目标用户画像可用于表征该目标用户在预设时间段内生成的动态特征。
S202、将该目标用户的多个历史操作信息输入用户画像生成模型，得到该目标用户的用户画像。
S203、根据该目标用户的用户画像，向该目标用户推送健康管理信息。
其中，该用户画像用于表征该目标用户的属性标签、行为标签以及兴趣标签，该属性标签用于标识该目标用户的个人信息，该行为标签用于标识所述目标用户执行预设行为的概率，该兴趣标签用于标识该目标用户感兴趣的信息。
该用户画像生成模型是通过对初始用户画像生成模型进行训练得来的，专家可从该健康管理客户端上的用户产生的特征数据中挑选出一些典型的特征数据（如性别、疾病种类等数据），并对挑选出来的特征数据进行标注（如资讯浏览意愿程度、保险购买意愿程度、商品购买种类等）生成至少一个第一训练样本，该第一训练样本至少包括：第一样本的特征数据以及第一样本的标注数据，可将该第一样本的特征数据以及所述第一样本的标注数据输入到该初始用户画像生成模型中，训练得到该用户画像生成模型。
按照预设周期，可将多个该短期目标用户画像对应的多个动态特征输入该用户画像生成模型中，其中，该预设周期可根据实际情况进行设置，如可以为5个月、6个月，本申请不对其进行限定。根据该用户画像生成模型可得到该目标用户的用户画像，即长期目标用户画像，也就是说，该长期目标用户画像可用于表征该目标用户在预设周期内生成的静态特征，该静态特征可包括行为标签以及兴趣标签，该行为标签可用于表示该目标用户执行预设行为的意愿程度，该兴趣标签可用于表示该目标用户感兴趣的多个类目的具体信息。举例来说，对于糖尿病目标用户，该行为标签中的内容可包括该目标用户血糖记录的意愿程度（高、中、低）、资讯浏览的意愿程度（高、中、低）以及保险购买的意愿程度（高、中、低），当然也可以包括其他预设行为的意愿程度，如商品购买的意愿程度（高、中、低），本申请不对其进行限定；该兴趣标签中的内容可包括该目标用户商品购买的品类信息（如药品品类、医疗仪器品类）、保险购买的品类信息（如意外保险、寿险）以及专家咨询种类（如眼科、皮肤科）。该静态特征除了包括该行为标签以及该兴趣标签之外，还包括属性标签，该属性标签中的内容可包括该目标用户注册信息里面的内容（如手机号、性别、生日），这些信息还可以从该目标用户产生的历史操作信息里面采集，也可以从该目标用户产生的历史操作信息里面采集其他信息（如疾病种类）。
在得到该目标用户的用户画像（长期目标用户画像）后，可根据该目标用户的用户画像中的内容向该目标用户推送对应的商品、保险以及专家信息。举例来说，比如该目标用户兴趣标签中的商品购买的品类包括：商品1、商品2以及商品3，那么该服务器可通过该健康管理客户端向该目标用户推荐商品1、商品2以及商品3。
综上所述，本申请提供的健康管理信息推送方法中，获取目标用户的多个历史操作信息；将该目标用户的多个历史操作信息输入用户画像生成模型，得到该目标用户的用户画像，该用户画像用于表征所述目标用户的属性标签、行为标签以及兴趣标签，该属性标签用于标识该目标用户的个人信息，所述行为标签用于标识该目标用户执行预设行为的概率，该兴趣标签用于标识该目标用户感兴趣的信息；根据该目标用户的用户画像，向该目标用户推送健康管理信息。采用本申请实施例提供的健康管理信息推送方法，服务器可根据该目标用户对应的多个历史数据以及预设的用户画像生成模型，得到和该目标用户健康状况相关的用户画像，该用户画像中至少可以包括该目标用户执行预设行为的概率以及该目标用户感兴趣的信息。也就是说，该服务器可以基于用户平时生成的多个维度的操作信息，评估出用户的一些行为信息以及兴趣信息，并基于这些信息，向将符合用户需求的健康管理信息推送给该用户，这样可以使健康管理软件给用户推送的健康管理信息的准确率得到提高。
可选地，该历史操作信息包括：历史操作特征；上述将该目标用户的多个历史操作信息输入用户画像生成模型，得到该目标用户的用户画像，包括：将该目标用户的多个历史操作特征输入用户画像生成模型，得到该目标用户的用户画像。
其中，在获取到该目标用户在预设时间段内产生的多个历史操作信息后，可从多个历史操作信息中采集多个历史操作特征，并将多个历史操作特征组合成多个特征向量，并根据多个特征向量生成短期目标用户画像，其中，该历史操作特征可包括：健康参数记录次数（如血糖记录次数、心跳记录次数）、引导项目完成时段（如早上、中午以及晚上）以及资讯浏览时间等特征，需要说明的是，本申请不对其进行限定。将该多个历史操作特征进行处理，例如，当该预设时间段为一个月时，针对糖尿病目标用户来说，可统计该用户在这一个月内血糖记录的总次数，将该目标用户血糖记录的总次数输入该用户画像生成模型，针对心脏病目标用户来说，可统计该用户在这一个月内心跳的总次数，将该目标用户心跳记录的总次数输入该用户画像生成模型。根据该目标用户输入的多个历史操作特征以及该用户画像生成模型，可获取到该目标用户的用户画像，该用户画像也可以称为长期目标用户画像。
可以看出，该短期用户画像和该长期用户画像是两种不同维度的用户画像，其中，由于该短期用户画像中的特征可基于引导项目生成，所以该短期用户画像可以使推送健康管理信息的可控性增强，而该长期用户画像中包括行为标签（意愿程度），所以可以使推送健康管理信息的准确性得到提高。
图3为本申请实施例提供的另一种健康管理信息推送方法的流程示意图。如图3所示，可选地，上述根据该目标用户的用户画像，向该目标用户推送健康管理信息，可包括：
S301、根据该用户画像以及预设的可推送信息，确定针对该用户画像的可推送信息的得分。
可选地，可以分别使用该用户画像以及预设的可推送信息，生成对应的特征向量，并使用预先训练完成的推荐参数矩阵，对生成的多个特征向量进行匹配处理，得到针对该用户画像的可推送信息的得分。
其中，可根据实际需求，从该用户画像中的属性标签内容、行为标签内容以及兴趣标签内容中采集多个特征（如疾病种类、健康参数记录的意愿程度以及商品购买的意愿程度），并且从存储器中取出预先存储的可推送信息中的特征（如商品1、商品2、医疗仪器4），可将该用户画像中的特征进行编码，并将编码后的该用户画像中的特征组合成一个特征向量。同理，也分别对可推送信息中的特征进行编码，生成对应的特征向量，最后将生成的所有的特征向量输入预先训练完成的推荐参数矩阵，该推荐参数矩阵可将该用户画像对应的特征向量与该可推送信息中的特征向量进行匹配，该可推送信息中的每个特征向量都会对应一个得分，其中，该推荐参数矩阵为深度神经网络模型对应的推荐参数矩阵。该推荐参数矩阵可使该预设的可推送信息的得分和该目标用户的历史操作信息更匹配。也就是说，预设的可推送信息中的内容（如商品1、商品2、医疗仪器4）和该目标用户都有一个对应的权重，该权重信息可以更精确的表征该目标用户的需求。
S302、根据针对该用户画像的可推送信息的得分以及至少一个推送模块的权重，得到该目标用户对应的健康管理信息。
S303、向该目标用户推送该健康管理信息。
可选地，可以根据该可推送信息的得分以及至少一个推送模块的权重，对该可推送信息以及至少一个推送模块进行排序，得到排序结果，并根据该排序结果，得到该目标用户对应的健康管理信息。
其中，每个推送模块包括至少一个可推送信息，该推送模块和上述提到的引导项目类似，如该推送模块可包括健康参数记录模块、资讯浏览模块以及商品购买模块等，需要说明的是，本申请不对该推送模块的种类进行限定。每个推送模块都有对应的权重，该权重用来表示该推送模块的重要程度。结合多个推送模块对应的权重信息以及该用户画像的可推送信息的得分情况，以及预设的推送规则，对该可推送信息以及该多个推送模块进行排序。该预设的推送规则可以为按照权重从大到小的顺序进行排序，并取排在前n个位置处的可推送信息和/或推送模块，可向该目标用户推送这n个包含推送模块和/或可推送信息内容的健康管理信息。可以看出，该健康管理信息中的内容更加丰富，这样可以提高目标用户的体验度。
图4为本申请实施例提供的又一种健康管理信息推送方法的流程示意图。如图4所示，可选地，上述根据针对该用户画像的可推送信息的得分以及至少一个推送模块的权重，得到该目标用户对应的健康管理信息之前，该方法还可包括：
S401、根据每个推送模块在预设历史时段的点击率，得到每个推送模块的权重。
在该目标用户对应的多个历史操作信息中，可包括该目标用户对每个推送模块的点击次数，该预设历史时段可包括三类，如本周、本月以及本年，根据每个推送模块总的点击次数以及各个推送模块总的点击可以计算出每个推送模块在该预设历史时段（本周、本月以及本年）的点击率，再通过该公式：X=本周的点击率*A+本月的点击率*B+本年的点击率*C，可分别计算出每个推送模块对应的最新权重。其中，上述公式中的A、B以及C分别是常数，表示周对应的权重、月对应的权重以及年对应的权重。
可根据每个推送模块对应的最新权重对应更新每个推送模块对应的最初权重，这样可以使该健康管理信息中包含的推送模块和/或可推送信息内容更加符合该目标用户所需要的信息，也就是说，该服务器通过该健康管理客户端分别给每个用户推送的健康管理信息都和各自的健康情况相关。
可选地，上述将该目标用户的历史操作信息输入用户画像生成模型，得到该目标用户的用户画像，可包括：将该目标用户的多个历史操作信息输入用户画像生成模型，由该用户画像生成模型对该多个历史操作信息进行分组，得到至少一组原始特征，每组原始特征中包括至少两个历史信息，并对各组原始特征进行至少一次特征组合，并根据特征组合的结果得到该目标用户的用户画像。
可根据实际需求，从该目标用户对应的多个历史操作信息中采集多个特征（如性别、疾病种类、健康参数记录的次数），并对每个特征进行编码（如性别男为1，性别女为0）。根据该用户画像生成模型的类型，可将多个编码后的特征进行分组（如将两个编码后的特征分为一组），然后将每组中的编码后的特征进行特征组合，形成第一次组合后的特征向量（原始特征），同理，再将两个第一次组合后的特征向量分成一组，形成第二次组合后的特征向量，以此类推，最后生成一个特征向量，将该特征向量进行LR（Logistic Regression，逻辑回归）映射，可得到该用户画像中的行为标签内容和兴趣标签内容。
本实施例中，通过将输入层的多个特征进行编码形成多个原始特征，这样可以使得到的该用户画像中的行为标签内容和兴趣标签内容更符合该目标用户的需求，也就是说，可以提高推送健康管理信息的准确度。
举例来说，假设通过该用户画像模型最后的得到的血糖记录的意愿程度（y）是0.3，那么可以根据下述预设的对应关系可以知道该目标用户的血糖记录的意愿程度是高、中、低这3种情况中的哪一种。
血糖记录的意愿程度：
Figure 278485DEST_PATH_IMAGE001
其中，a表示血糖记录的意愿程度为低，b表示血糖记录的意愿程度为中，c表示血糖记录的意愿程度为高。
所以可以看出，当该用户画像模型最后的得到的血糖记录的意愿程度（y）是0.3时，该目标用户的血糖记录的意愿程度为中。
图5为本申请实施例提供的一种健康管理信息推送装置的结构示意图。如图5所示，该装置可以包括：
获取模块501，用于获取目标用户的多个历史操作信息；
输入模块502，用于将该目标用户的多个历史操作信息输入用户画像生成模型，得到该目标用户的用户画像；
推送模块503，用于根据该目标用户的用户画像，向该目标用户推送健康管理信息。
可选地，该历史操作信息包括：历史操作特征；输入模块502，具体用于该目标用户的多个历史操作特征输入用户画像生成模型，得到该目标用户的用户画像。
可选地，推送模块503，还具体用于根据该用户画像以及预设的可推送信息，确定针对该用户画像的可推送信息的得分；根据针对该用户画像的可推送信息的得分以及至少一个推送模块的权重，得到该目标用户对应的健康管理信息，每个该推送模块包括至少一个可推送信息；向该目标用户推送该健康管理信息。
可选地，推送模块503，还具体用于根据可推送信息的得分以及至少一个推送模块的权重，对该可推送信息以及至少一个推送模块进行排序，得到排序结果；根据该排序结果，得到该目标用户对应的健康管理信息。
可选地，推送模块503，还具体用于分别使用该用户画像以及该预设的可推送信息，生成对应的特征向量；使用预先训练完成的推荐参数矩阵，对生成的多个特征向量进行匹配处理，得到针对该用户画像的可推送信息的得分。
可选地，推送模块503，还具体用于根据每个推送模块在预设历史时段的点击率，得到每个推送模块的权重。
可选地，输入模块502，还具体用于将该目标用户的多个历史操作信息输入用户画像生成模型，由该用户画像生成模型对该多个历史操作信息进行分组，得到至少一组原始特征，每组原始特征中包括至少两个历史信息，并对各组原始特征进行至少一次特征组合，并根据特征组合的结果得到该目标用户的用户画像。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
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，简称ASIC），或，一个或多个微处理器（Digital Signal Processor，简称DSP），或，一个或者多个现场可编程门阵列（Field Programmable Gate Array，简称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，简称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，简称SOC）的形式实现。
图6为本申请实施例提供的一种电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器601、存储介质602和总线603，存储介质602存储有处理器601可执行的机器可读指令，当该电子设备运行时，处理器601与存储介质602之间通过总线603通信，处理器601执行机器可读指令，以执行上述健康管理信息推送方法的步骤。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述健康管理信息推送方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（英文：processor）执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文：Read-Only Memory，简称：ROM）、随机存取存储器（英文：Random Access Memory，简称：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种健康管理信息推送方法，其特征在于，所述方法包括：
获取目标用户的多个历史操作信息；
将所述目标用户的多个历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，所述用户画像用于表征所述目标用户的属性标签、行为标签以及兴趣标签，所述属性标签用于标识所述目标用户的个人信息，所述行为标签用于标识所述目标用户执行预设行为的概率，所述兴趣标签用于标识所述目标用户感兴趣的信息；
根据所述目标用户的用户画像，向所述目标用户推送健康管理信息。
2.根据权利要求1所述的方法，其特征在于，所述历史操作信息包括：历史操作特征；
所述将所述目标用户的多个历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，包括：
将所述目标用户的多个历史操作特征输入用户画像生成模型，得到所述目标用户的用户画像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标用户的用户画像，向所述目标用户推送健康管理信息，包括：
根据所述用户画像以及预设的可推送信息，确定针对所述用户画像的可推送信息的得分；
根据所述针对所述用户画像的可推送信息的得分以及至少一个推送模块的权重，得到所述目标用户对应的健康管理信息，每个所述推送模块包括至少一个可推送信息；
向所述目标用户推送所述健康管理信息。
4.根据权利要求3所述的方法，其特征在于，所述根据所述针对所述用户画像的可推送信息的得分以及至少一个推送模块的权重，得到所述目标用户对应的健康管理信息，包括：
根据所述可推送信息的得分以及所述至少一个推送模块的权重，对所述可推送信息以及所述至少一个推送模块进行排序，得到排序结果；
根据所述排序结果，得到所述目标用户对应的健康管理信息。
5.根据权利要求3或4所述的方法，其特征在于，所述根据所述用户画像以及预设的可推送信息，确定针对所述用户画像的可推送信息的得分，包括：
分别使用所述用户画像以及所述预设的可推送信息，生成对应的特征向量；
使用预先训练完成的推荐参数矩阵，对生成的多个特征向量进行匹配处理，得到针对所述用户画像的可推送信息的得分。
6.根据权利要求3或4所述的方法，其特征在于，所述根据所述针对所述用户画像的可推送信息的得分以及至少一个推送模块的权重，得到所述目标用户对应的健康管理信息之前，还包括：
根据每个推送模块在预设历史时段的点击率，得到每个所述推送模块的权重。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述将所述目标用户的历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，包括：
将所述目标用户的多个历史操作信息输入用户画像生成模型，由所述用户画像生成模型对所述多个历史操作信息进行分组，得到至少一组原始特征，每组原始特征中包括至少两个历史信息，并对各组原始特征进行至少一次特征组合，并根据特征组合的结果得到所述目标用户的用户画像。
8.一种健康管理信息推送装置，其特征在于，所述装置包括：
获取模块，用于获取目标用户的多个历史操作信息；
输入模块，用于将所述目标用户的多个历史操作信息输入用户画像生成模型，得到所述目标用户的用户画像，所述用户画像用于表征所述目标用户的属性标签、行为标签以及兴趣标签，所述属性标签用于标识所述目标用户的个人信息，所述行为标签用于标识所述目标用户执行预设行为的概率，所述兴趣标签用于标识所述目标用户感兴趣的信息；
推送模块，用于根据所述目标用户的用户画像，向所述目标用户推送健康管理信息。
9.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-7任一项所述健康管理信息推送方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-7任一项所述健康管理信息推送方法的步骤。
CN202011167824.XA 2020-10-28 2020-10-28 一种健康管理信息推送方法、装置、设备及存储介质 Pending CN112000894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011167824.XA CN112000894A (zh) 2020-10-28 2020-10-28 一种健康管理信息推送方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011167824.XA CN112000894A (zh) 2020-10-28 2020-10-28 一种健康管理信息推送方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112000894A true CN112000894A (zh) 2020-11-27

Family

ID=73474449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011167824.XA Pending CN112000894A (zh) 2020-10-28 2020-10-28 一种健康管理信息推送方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112000894A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685641A (zh) * 2020-12-31 2021-04-20 五八有限公司 一种信息处理方法及装置
CN112819548A (zh) * 2021-02-26 2021-05-18 泰康保险集团股份有限公司 用户画像生成方法及装置、可读存储介质、电子设备
CN113055746A (zh) * 2021-04-19 2021-06-29 广州欢网科技有限责任公司 基于电视观看行为的老人监护方法、装置、服务器及系统
CN113065892A (zh) * 2021-03-22 2021-07-02 北京顶象技术有限公司 一种信息推送方法、装置、设备及存储介质
CN113803888A (zh) * 2021-09-15 2021-12-17 珠海格力电器股份有限公司 热水器的用水预测方法、装置、电子设备及存储介质
CN113849730A (zh) * 2021-09-06 2021-12-28 北京妙医佳健康科技集团有限公司 一种健康管理服务中用户价值分层的方法和相应的画像装置
CN114022184A (zh) * 2021-10-09 2022-02-08 深圳思为科技有限公司 数据管理方法、装置、电子设备及存储介质
CN114595387A (zh) * 2022-03-03 2022-06-07 戎行技术有限公司 一种基于机器学习勾勒人物画像的方法、设备、存储介质
CN115225702A (zh) * 2021-04-19 2022-10-21 北京达佳互联信息技术有限公司 信息推送方法、装置、电子设备及存储介质
CN116521908A (zh) * 2023-06-28 2023-08-01 图林科技(深圳)有限公司 一种基于人工智能的多媒体内容个性化推荐方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685641A (zh) * 2020-12-31 2021-04-20 五八有限公司 一种信息处理方法及装置
CN112819548A (zh) * 2021-02-26 2021-05-18 泰康保险集团股份有限公司 用户画像生成方法及装置、可读存储介质、电子设备
CN113065892B (zh) * 2021-03-22 2024-05-24 北京顶象技术有限公司 一种信息推送方法、装置、设备及存储介质
CN113065892A (zh) * 2021-03-22 2021-07-02 北京顶象技术有限公司 一种信息推送方法、装置、设备及存储介质
CN115225702A (zh) * 2021-04-19 2022-10-21 北京达佳互联信息技术有限公司 信息推送方法、装置、电子设备及存储介质
CN113055746B (zh) * 2021-04-19 2022-09-30 广州欢网科技有限责任公司 基于电视观看行为的老人监护方法、装置、服务器及系统
CN115225702B (zh) * 2021-04-19 2023-08-08 北京达佳互联信息技术有限公司 信息推送方法、装置、电子设备及存储介质
CN113055746A (zh) * 2021-04-19 2021-06-29 广州欢网科技有限责任公司 基于电视观看行为的老人监护方法、装置、服务器及系统
CN113849730A (zh) * 2021-09-06 2021-12-28 北京妙医佳健康科技集团有限公司 一种健康管理服务中用户价值分层的方法和相应的画像装置
CN113803888A (zh) * 2021-09-15 2021-12-17 珠海格力电器股份有限公司 热水器的用水预测方法、装置、电子设备及存储介质
CN114022184A (zh) * 2021-10-09 2022-02-08 深圳思为科技有限公司 数据管理方法、装置、电子设备及存储介质
CN114595387A (zh) * 2022-03-03 2022-06-07 戎行技术有限公司 一种基于机器学习勾勒人物画像的方法、设备、存储介质
CN114595387B (zh) * 2022-03-03 2023-09-29 戎行技术有限公司 一种基于机器学习勾勒人物画像的方法、设备、存储介质
CN116521908A (zh) * 2023-06-28 2023-08-01 图林科技(深圳)有限公司 一种基于人工智能的多媒体内容个性化推荐方法
CN116521908B (zh) * 2023-06-28 2024-01-09 图林科技(深圳)有限公司 一种基于人工智能的多媒体内容个性化推荐方法

Similar Documents

Publication Publication Date Title
CN112000894A (zh) 一种健康管理信息推送方法、装置、设备及存储介质
Liang et al. Implementation of artificial intelligence in fashion: are consumers ready?
Smith et al. Gaze amplifies value in decision making
Huang Mean-parametrized Conway–Maxwell–Poisson regression models for dispersed counts
US20200227172A1 (en) Determining indicators of individual health
Powell et al. The love of large numbers: A popularity bias in consumer choice
Fariss et al. New estimates of over 500 years of historic GDP and population data
DeCarlo Recognizing uncertainty in the Q-matrix via a Bayesian extension of the DINA model
Lehmann et al. Are three-point scales always good enough?
Brady et al. Hierarchical encoding in visual working memory: Ensemble statistics bias memory for individual items
Bradlow et al. A learning-based model for imputing missing levels in partial conjoint profiles
Chen et al. Predicting the influence of users’ posted information for eWOM advertising in social networks
Haaijer et al. Response latencies in the analysis of conjoint choice experiments
US10482427B2 (en) System and method for concept discovery with online information environments
Magidson Some common pitfalls in causal analysis of categorical data
Yang et al. Attention, information processing, and choice in incentive-aligned choice experiments
Trueblood et al. The role of risk preferences in responses to messaging about COVID-19 vaccine take-up
EP3189449A2 (en) Sentiment rating system and method
Al-Ramahi et al. Discovering design principles for health behavioral change support systems: A text mining approach
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
Moseley et al. The effects of social information on volunteering: A field experiment
Martinovici et al. Attention trajectories capture utility accumulation and predict brand choice
Baktha et al. Social network analysis in healthcare
Reeck et al. Nudging app adoption: Choice architecture facilitates consumer uptake of mobile apps
Chung et al. Using Facebook in recruiting kidney transplant recipients for a REDCap study

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201127