CN112035757A - 医疗瀑布流推送方法、装置、设备及存储介质 - Google Patents
医疗瀑布流推送方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112035757A CN112035757A CN202010885031.5A CN202010885031A CN112035757A CN 112035757 A CN112035757 A CN 112035757A CN 202010885031 A CN202010885031 A CN 202010885031A CN 112035757 A CN112035757 A CN 112035757A
- Authority
- CN
- China
- Prior art keywords
- medical
- data
- user
- target user
- waterfall flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 19
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 239000003814 drug Substances 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 229960003105 metformin Drugs 0.000 description 5
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 208000007882 Gastritis Diseases 0.000 description 2
- ZRALSGWEFCBTJO-UHFFFAOYSA-N Guanidine Chemical compound NC(N)=N ZRALSGWEFCBTJO-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- CHJJGSNFBQVOTG-UHFFFAOYSA-N N-methyl-guanidine Natural products CNC(N)=N CHJJGSNFBQVOTG-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000023652 chronic gastritis Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000020880 diabetic diet Nutrition 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- SWSQBOPZIKWTGO-UHFFFAOYSA-N dimethylaminoamidine Natural products CN(C)C(N)=N SWSQBOPZIKWTGO-UHFFFAOYSA-N 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 208000018556 stomach disease Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据分析领域，公开了一种医疗瀑布流推送方法、装置、设备及存储介质。本方法包括：获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，真正做到精准医疗数据推送的技术问题。其中，目标用户的历史医疗数据可存储于区块链中。
Description
技术领域
本发明涉及数据分析领域，尤其涉及一种医疗瀑布流推送方法、装置、设备及存储介质。
背景技术
随着社会的进步和大数据的发展，推送系统在各行各业都已经得到了广泛的应用，并且成为互联网公司的产品标配，但推送系统并没有在医疗行业得到广泛的使用，导致医疗的关键信息没有得到充分的挖掘和利用。
目前在市面上虽然有一些和医疗相关的推送系统产品，但系统的内容大部分没有专业的医生审核，因此内容的准确性不高容易误导用户；此外用户只能看到一些相对单调并且大众化的医疗内容，而由医生编写或者互联网医疗产生的一些专业的医学内容较少，且市场上专业医疗推送的产品比较稀少，内容形态参差不齐。无法获取用户的问诊数据和记录，从而不能够真正做到精准医疗数据推送。
发明内容
本发明的主要目的是解决采用现有的医疗信息推送方式向患者推送数据时，其数据与患者的匹配度不高的技术问题。
本发明第一方面提供了一种医疗瀑布流推送方法，包括：
获取目标用户的历史医疗数据；
利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词；
将所述特征词与预置标签库中的标签进行匹配，得到与所述目标用户匹配的标签；
基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像；
基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户，其中，所述医疗数据库中包括至少两种且标签互不相同的医学数据。
可选地，在本发明第一方面的第一种实现方式中，所述获取目标用户的历史医疗数据包括：
根据所述目标用户的身份信息，调用爬虫工具从多个医学数据源中获取与所述目标用户对应的关联数据；
从所述关联数据中提取出所述目标用户的医疗诊断数据和医疗咨询数据；
将所述医疗诊断数据和所述医疗咨询数据按照预设的统一规范进行格式转换，得到格式相同的历史医疗数据。
可选地，在本发明第一方面的第二种实现方式中，所述利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词包括：
对所述历史医疗数据进行分词处理，得到所述历史医疗数据的关键词；
对所述关键词进行特征提取，得到所述历史医疗数据的特征词。
可选地，在本发明第一方面的第三种实现方式中，所述基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像包括：
将所述标签分类成多个指定固有属性标签，其中，所述指定固有属性标签为在所有所述标签中出现次数大于1的标签；
从所述标签中提取出与所述指定固有属性标签分别对应的指定动态属性标签；
分别对所述指定固有属性标签与所述指定动态属性标签进行组合，得到与所述标签对应的各组合文本标签；
基于所述组合文本标签，生成所述目标用户的用户医疗画像。
可选地，在本发明第一方面的第四种实现方式中，所述基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户：
基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据；
基于所述医学数据，生成与所述医学数据对应的瀑布流；
对所述医学数据和所述目标用户的匹配值进行打分，得到匹配值；
根据所述匹配值，生成与所述医学数据对应的瀑布流，并推送给所述目标用户。
可选地，在本发明第一方面的第五种实现方式中，所述对所述医学数据和所述目标用户的匹配值进行打分，得到匹配值包括：
确定所述用户医疗画像所对应的第一关键词；
确定所述医学数据所对应的第二关键词；
计算所述第一关键词与所述第二关键词的相似度值；
判断所述相似度值是否大于相似度阈值；
若是，则将所述相似度值对应的医学数据为待推送数据，并计算所述待推送数据与所述目标用户的匹配值百分比，得到匹配值。
可选地，在本发明第一方面的第六种实现方式中，所述根据所述匹配值，生成与所述医学数据对应的瀑布流，并推送给所述目标用户包括：
根据所述匹配值，筛选出与所述目标用户匹配的目标医学数据；
生成与所述目标医学数据对应的瀑布流，并推送给所述目标用户。
本发明第二方面提供了一种医疗瀑布流推送装置，包括：
获取模块，用于获取目标用户的历史医疗数据；
特征提取模块，用于利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词；
匹配模块，用于将所述特征词与预置标签库中的标签进行匹配，得到与所述目标用户匹配的标签；
生成模块，用于基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像；
推送模块，用于基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户，其中，所述医疗数据库中包括至少两种且标签互不相同的医学数据。
可选地，在本发明第二方面的第一种实现方式中，所述获取具体用于：
根据所述目标用户的身份信息，调用爬虫工具从多个医学数据源中获取与所述目标用户对应的关联数据；
从所述关联数据中提取出所述目标用户的医疗诊断数据和医疗咨询数据；
将所述医疗诊断数据和所述医疗咨询数据按照预设的统一规范进行格式转换，得到格式相同的历史医疗数据。
可选地，在本发明第二方面的第二种实现方式中，所述特征提取模块具体用于：
对所述历史医疗数据进行分词处理，得到所述历史医疗数据的关键词；
对所述关键词进行特征提取，得到所述历史医疗数据的特征词。
可选地，在本发明第二方面的第三种实现方式中，所述生成模块具体用于：
将所述标签分类成多个指定固有属性标签，其中，所述指定固有属性标签为在所有所述标签中出现次数大于1的标签；
从所述标签中提取出与所述指定固有属性标签分别对应的指定动态属性标签；
分别对所述指定固有属性标签与所述指定动态属性标签进行组合，得到与所述标签对应的各组合文本标签；
基于所述组合文本标签，生成所述目标用户的用户医疗画像。
可选地，在本发明第二方面的第四种实现方式中，所述推送模块包括：
提取单元，用于基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据；
生成单元，用于基于所述医学数据，生成与所述医学数据对应的瀑布流；
打分单元，用于对所述医学数据和所述目标用户的匹配值进行打分，得到匹配值；
推送单元，用于根据所述匹配值，生成与所述医学数据对应的瀑布流，并推送给所述目标用户。
可选地，在本发明第二方面的第五种实现方式中，所述打分单元具体用于：
确定所述用户医疗画像所对应的第一关键词；
确定所述医学数据所对应的第二关键词；
计算所述第一关键词与所述第二关键词的相似度值；
判断所述相似度值是否大于相似度阈值；
若是，则将所述相似度值对应的医学数据为待推送数据，并计算所述待推送数据与所述目标用户的匹配值百分比，得到匹配值。
可选地，在本发明第二方面的第六种实现方式中，所述推送单元具体还用于：
根据所述匹配值，筛选出与所述目标用户匹配的目标医学数据；
生成与所述目标医学数据对应的瀑布流，并推送给所述目标用户。
本发明第三方面提供了一种医疗瀑布流推送设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述医疗瀑布流推送设备执行上述的医疗瀑布流推送方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的医疗瀑布流推送方法。
本发明提供的技术方案中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
附图说明
图1为本发明医疗瀑布流推送方法的第一个实施例示意图；
图2为本发明医疗瀑布流推送方法的第二个实施例示意图；
图3为本发明医疗瀑布流推送方法的第三个实施例示意图；
图4为本发明医疗瀑布流推送方法的第四个实施例示意图；
图5为本发明医疗瀑布流推送方法的第五个实施例示意图；
图6为本发明医疗瀑布流推送装置的第一个实施例示意图；
图7为本发明医疗瀑布流推送装置的第二个实施例示意图；
图8为本发明医疗瀑布流推送设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种医疗瀑布流推送方法、装置、设备及存储介质，本发明的技术方案中，先获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中医疗瀑布流推送方法的第一个实施例包括：
101、获取目标用户的历史医疗数据；
本实施例中，历史医疗数据包括在制定APP中该目标用户与APP中医疗人员的历史医疗数据，其中，所涉及的历史医疗数据为与医疗业务相关的咨询诊断数据。具体的，可以包括但不限于：用户之前所购买过的医药药品数据，用户咨询过的医疗信息数据，医生根据用户的个人(病情，病症)的诊断数据等。
这些历史医疗相关的交易数据可以通过查询自身数据库中所存储的历史咨询记录的方式查询得到。或者，还可以通过其他途径获得。例如，用户主动提供；例如，通过其他渠道，如通过保险行业区块链等，获取用户的公开的医疗诊断咨询信息，或相关的医疗保险交易信息。
在实际应用的场景中，历史医疗数据还可以包括能够反映用户交易习惯的其他历史交易信息。在一些可能的实现场景中，其他方面的信息可以包括但不限于：用户之前所购买过的医药药品数据，用户咨询过的医疗信息数据，医生根据用户的个人(病情，病症)的诊断数据至少一种。上述的其他历史医疗信息的获取方式则无特别限定。例如，用户主动提供；例如，通过其他渠道，如通过交易行业区块链等，获取用户的公开的历史信息。
本实施例中，医疗瀑布流系统是指，通过对用户的各种关联数据和用户线上问句，对用户进行医疗画像之后，根据画像，从预置推送池(数据库中)给用户推送相关的医疗数据内容的系统。本系统包括“准确率”和“召回率”的概念。其中，“召回率”又叫“曝光率”，比如，在推送(给对应目标用户的)推送池中有100篇文章，其中，有90篇被曝光，那么对应的曝光率就是90/100，这就是所谓的“召回率”；“准确率”又叫“精准率”，是指推送给目标用户的已曝光医疗数据被目标用户点击并阅读的概率。比如，推送池中曝光的专业的医学内容有90篇，其中，用户点击了其中的80篇，那么准确率就是80/90；长尾内容是指，推送池中未被曝光，没有被用户点击查看的数据。比如，推送池中有一百篇文章，其中，前20篇文章，是比较热门的内容，但是后面剩下的80篇，不太容易曝光，这种不太容易曝光的数据内容就叫长尾内容。
102、利用预置特征提取算法，对目标用户的历史医疗数据进行特征提取，生成历史医疗数据的特征词；
本实施例中，所涉及的特征提取算法可以包括但不限于：N-Gram算法。在网站或者应用APP中，用户在搜索栏可以输入其想要搜索的内容。具体的方式，可以是直接输入文字，具体的文字可以是字、词组或者其组合，或者是句子，也可以是通过扫描图像，通过识别图像的内容，从而获得内容所对应的关键词。具体的，用户感兴趣的内容为用户输入的文字所对应的关键词，示例性的，用户输入“用于糖尿病治疗的药物，除了二甲双胍还有哪些？”示例性的，获得的关键字为“糖尿病”“糖尿病治疗药物”“二甲双胍”。举例说明，若历史医疗数据为“用于糖尿病治疗的药物，除了二甲双胍还有哪些？”，则基于N-Gram算法可以对其进行特征提取，得到相应的Unigram特征、Bigram特征、Trigram特征等；其中，每个Unigram特征包含一个字，每个Bigram特征包含两个字，每个Trigram特征包含三个字。基于此，上述历史医疗数据经N-Gram算法处理后可以提取到的历史交易特征可以包括但不限于：糖、尿、病、治、疗、二、甲、双、胍、用于、糖尿病、治疗、药物、与二甲双胍等；得到的医疗倾向特征的表现形式可以为交易概率，或者，也可以简单的表现为正倾向和反倾向，其中，正倾向表示有交易倾向，反倾向表示无交易倾向。
103、将特征词与预置标签库中的标签进行匹配，得到与目标用户匹配的标签；
本实施例中，将特征词做为关键词与预置标签数据库中的标签进行匹配，得到与目标用户对应的标签。用户的标签信息可以是用户的固有属性，也可以是用户的动态属性，还可以是两者的结合，可以根据不同的业务场景获取不同的标签信息。其中，固有属性包括用户的年龄、性别、职业等属性，动态属性包括用户购买的历史行为，浏览观看的记录等属性。
104、基于标签和预置标签描述模型对目标用户进行多维度描述，生成用户医疗画像；
本实施例中，用户画像是一种勾画目标用户、联系用户诉求与设计方向的有效工具。在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联系起来。在本实施例中，用户画像是由获取的多个标签信息组成的，将获取的多个标签信息组成为一个文本向量，将组成的文本向量作为该用户的用户画像。本实施例中所讲的“用户医疗画像”是指融合了用户相关医疗信息和个人关联数据的数据集合的用户画像。
105、基于用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据，生成瀑布流，并推送给目标用户。
本实施例中，历史医疗数据的具体内容和预设规则将用户行为相关的信息进行分类可以包括：将上述清洗后的用户行为信息进行内容识别，将清洗后的用户行为数据信息按照浏览行为、点击行为、输入行为或搜索行为进行分类，然后将其发送到下一层相应的bolt进行处理(例如结构化处理)。当上述下一层相应的bolt对用户行为信息进行处理之后，便将处理后的用户行为信息持久化存储到一个数据库形成规则库。
例如，上述清洗后的历史医疗数据中有一条医疗咨询数据，该咨询行为为用户A咨询了一个某疾病相关的问题，比如“用于糖尿病治疗的药物，除了二甲双胍还有哪些？”。该条医疗咨询数据经过内容识别后，将其发送到相应的处理咨询行为的bolt中，bolt根据该条浏览行为的内容将其结构化，具体的，将上述咨询行为按照：用户、网址、主题、医疗类别、咨询结果、诊断结果进行结构化，然后将其存入到上述规则库中。
当大量的用户行为信息存入上述规则库之后，利用轨迹增强算法从上述规则库中按照不同的前端推送系统的条件从上述规则库中提取符合条件的数据，然后将提取的数据推送到相应的前端推送系统中。
其中，由于不同的前端推送系统向用户推送的内容不同，从而不同的前端推送系统需要从上述规则库中提取的推送数据也不同；因此，需要根据不同的前端推送系统的条件来从上述规则库中提取满足该推送系统的推送数据。上述轨迹增强算法的作用是从规则库中提取出海量的数据，其中包括了访问的统一资源定位符(Uniform Resource Locator，URL)及访问流量、访问的关键词信息等，经过轨迹增强算法处理，然后根前端推送系统的条件，将规则库中的对应数据进行处理后保存到数据库，前端系统从数据库中将这些数据推送给用户。
本发明实施例中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
请参阅图2，本发明实施例中医疗瀑布流推送方法的第二个实施例包括：
201、根据目标用户的身份信息，调用爬虫工具从多个医学数据源中获取与目标用户对应的关联数据；
本实施例中，可以从预置数据库内获取目标用户的关联数据，该关联数据能够体现目标用户的个性化特征。例如，目标用户的身份信息、某购物网站的购物记录等。在实际应用中，可以针对业务设置关联数据的内容，从而基于该关联数据，为目标用户推送最精准的医疗相关。
202、从关联数据中提取出目标用户的医疗诊断数据和医疗咨询数据；
本实施例中可以利用大数据(Big data)抓取目标用户的关联数据，该关联数据能够体现目标用户的个性化特征。例如，目标用户的身份信息、某购物网站的购物记录等。在实际应用中，可以针对业务设置关联数据的内容，从而基于该关联数据，为目标用户提供最佳客服服务流程的分配数据依据。
可以理解的是，客服可以分为人工客服、智能客服及人工+智能客服相结合三种场景。其中，在客服服务场景下，本发明提供了一种可行的实施方式，即可以根据目标用户发起的业务咨询，获取该目标用户的关联数据。其中，业务咨询中目标用户的咨询信息用于标识目标用户，因此，可以根据咨询信息标识的目标用户的关联数据。
需要说明的是，上述大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着云时代的来临，大数据也吸引了越来越多的关注，大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
医疗咨询数据是指用户在制定医疗app上与医生进行交流沟通时候的相关数据。医疗诊断数据医生根据用户提供的个人信息，病情症状等信息，对用户下达的相关诊断结果。
203、将医疗诊断数据和医疗咨询数据按照预设的统一规范进行格式转换，得到格式相同的历史医疗数据；
本实施例中，首先根据上述医疗诊断数据设置统一的标准模板；然后将各上述医疗诊断数据分割成独立的数据字段，并过滤出具有特定含义的指定数据字段，其中上述指定数据字段是指一些与形成用户医疗画像相关的重要数据所对应的字段；之后根据预设的表述格式对上述指定数据字段进行分类转换处理，其中上述表述格式为包括时间、地点、人物、对象、原因与结果等要素的格式；最后在分类转换处理完成后，将上述指定数据字段填充至预设的标准模板内具有相应含义的数据字段中，以得到各上述医疗诊断数据。在本实施例，通过对数据进行数据清理与数据转化的处理，来得到具有统一格式的医疗诊断数据，有利于后续对于目标用户的行为信息的数据合并。
204、利用预置特征提取算法，对目标用户的历史医疗数据进行特征提取，生成历史医疗数据的特征词；
205、将特征词与预置标签库中的标签进行匹配，得到与目标用户匹配的标签；
206、基于标签和预置标签描述模型对目标用户进行多维度描述，生成用户医疗画像；
207、基于用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据，生成瀑布流，并推送给目标用户。
本实施例中步骤204-207与第一实施例中的步骤102-105类似，此处不再赘述。
本发明实施例中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
请参阅图3，本发明实施例中医疗瀑布流推送方法的第三个实施例包括：
301、获取目标用户的历史医疗数据；
302、对历史医疗数据进行分词处理，得到历史医疗数据的关键词；
本实施例中，分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。对所述文本信息运用句法语义分析进行分词；从分词后的文本信息中提取特征词；将提取的特征词进行分类并展示。具体而言，本发明采用语义处理方式对所述文本信息进行提取特征词。运用自然语言处理技术，将获取的文本信息提炼成特征词，所述特征词包括大不限于姓名、年龄、是否有车、是否有房、金融产品需求等。
303、对关键词进行特征提取，得到历史医疗数据的特征词；
本实施例中，对历史医疗数据的关键词进行特征提取，提取目标文本数据的特征词或语义特征等，得到历史医疗数据中携带的多个标签，并根据预先编写好的规则对历史医疗数据进行特征提取，得到对应的文本特征结果，确定历史医疗数据的特征词。
本实施例中，运用句法语义分析，进行分词、词性标记、命名实体识别、语义角色识别等；进行信息抽取，从文本中将任务、事件、原因、数字、货币等重要信息抽取出来；文本数据挖掘，包括文本聚类、分类、信息抽取、摘要、情感分析等，并将知识进行可视化展现。
304、将特征词与预置标签库中的标签进行匹配，得到与目标用户匹配的标签；
305、基于标签和预置标签描述模型对目标用户进行多维度描述，生成用户医疗画像；
306、基于用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据，生成瀑布流，并推送给目标用户。
本实施例中步骤304-306与第一实施例中的步骤103-105类似，此处不再赘述。
本发明实施例中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
请参阅图4，本发明实施例中医疗瀑布流推送方法的第四个实施例包括：
401、获取目标用户的历史医疗数据；
402、利用预置特征提取算法，对目标用户的历史医疗数据进行特征提取，生成历史医疗数据的特征词；
403、将特征词与预置标签库中的标签进行匹配，得到与目标用户匹配的标签；
404、将标签分类成多个指定固有属性标签；
本实施例中，由于获取用户关联数据的来源多样，因而用于构建用户医疗画像的数据源不止一种，同一个用户通常会在不同的指定App内都产生了活动行为数据，因此需要将同一个用户在不同的指定App内产生的对应的多种动态属性标签进行绑定，以使得绑定后的各个动态属性标签均是属于同一个用户的，从而保证后续生成的用户画像的精确度。
405、从标签中提取出与指定固有属性标签分别对应的指定动态属性标签；
本实施例中，标签包括固有属性标签与动态属性标签，上述根据各属性标签构建对应的各用户的用户医疗画像的过程，具体可包括以下步骤：首先将所有固有属性标签分类成多个指定固有属性标签，其中，上述指定固有属性标签为在所有上述固有身份属性标签中出现次数大于1的固有身份属性标签，通过从所有的固有身份属性标签中筛选出重复出现的固有身份属性标签，并标记为指定固有身份属性标签，以表示这些重复出现的多个固有身份属性标签对应于同一个指定用户。然后从所有上述动态属性标签中提取出与各上述指定固有身份属性标签分别对应的指定动态属性标签。分别对各指定固有身份属性标签对应的所有的指定动态属性标签进行组合，得到与各指定固有身份属性标签一一对应的各组合文本标签，最后分别将各上述组合文本标签与一一对应的指定固有身份属性标签进行关联，生成各所述用户的用户画像，以使得用户画像中会包含有对应的指定用户的指定固有身份属性标签以及与该指定固有身份属性标签对应的所有的指定动态属性标签，即对应的组合文本标签，并可通过该指定固有身份属性标签来表征其对应的用户画像的所属，通过组合文本标签来表征其对应的用户的特点与需求。
406、分别对指定固有属性标签与指定动态属性标签进行组合，得到与标签对应的各组合文本标签；
本实施例中，分别对各指定固有身份属性标签对应的所有的指定动态属性标签进行组合，得到与各指定固有身份属性标签一一对应的各组合文本标签，最后分别将各上述组合文本标签与一一对应的指定固有身份属性标签进行关联，生成各目标用户的用户医疗画像，以使得用户画像中会包含有对应的指定用户的指定固有身份属性标签以及与该指定固有身份属性标签对应的所有的指定动态属性标签，即对应的组合文本标签，并可通过该指定固有身份属性标签来表征其对应的用户医疗画像的所属，通过组合文本标签来表征其对应的用户的特点与需求。
407、基于组合文本标签，生成目标用户的用户医疗画像；
本实施例中，对所有的固有属性进行分类得到多个指定固有属性标签后，通过分别对每一个指定固有属性标签对应的所有的指定动态属性标签进行组合来得到组合文本标签，并分别将各组合文本标签与一一对应的指定固有身份属性标签进行关联来生成每一个用户的用户医疗画像，有利于将不同数据源中属于同一用户的动态属性标签汇总绑定至该用户，使得上述用户画像包括了更加全面的用户数据，从而有效地提高了生成的用户医疗画像的精确度，也间接提高了根据用户医疗画像进行医疗信息推送的精确度。
408、基于用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据，生成瀑布流，并推送给目标用户。
本实施例中步骤401-403与第一实施例中的步骤101-103类似，此处不再赘述。
本发明实施例中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
请参阅图5，本发明实施例中医疗瀑布流推送方法的第五个实施例包括：
501、获取目标用户的历史医疗数据；
502、利用预置特征提取算法，对目标用户的历史医疗数据进行特征提取，生成历史医疗数据的特征词；
503、将特征词与预置标签库中的标签进行匹配，得到与目标用户匹配的标签；
504、基于标签和预置标签描述模型对目标用户进行多维度描述，生成用户医疗画像；
505、基于用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据，并基于医学数据，生成与医学数据对应的瀑布流；
本实施例中，当大量的用户行为信息构建成该目标用户的用户医疗画像之后，根据所述用户医疗画像中的标签和标签对应的预设的推送过则，从预置数据库中提取前端推送系统需要的推送数据，利用轨迹增强算法从上述规则库中按照不同的前端推送系统的条件从上述规则库中提取符合条件的推送数据。
506、确定用户医疗画像所对应的第一关键词；
本实施例中，用户医疗画像所对应的第一关键词是根据用户的年龄，病情，疾病特征，日常咨询的问诊李记录和诊断结果等相关的个人信息，用以描述用户，反映用户，例如第一关键词为：普通糖尿病、慢性胃炎、胰岛素。
507、确定医学数据所对应的第二关键词；
本实施例中，推送数据对应的是文章，由于每一个文章都对应一个标签或者是关键词，那么将标签或者是关键词确定为第二关键词。例如，文章的标签可以是胃部疾病、肝部疾病、代谢类疾病，也可以是具体的关键词，例如胃炎、肝炎等。
508、计算第一关键词与第二关键词的相似度值，并判断相似度值是否大于相似度阈值；
509、若是，则将相似度值对应的医学数据为待推送数据，并计算待推送数据与目标用户的匹配值百分比，得到匹配值；
本实施例中，本领域技术人员可以理解的是，计算相似度值可以通过计算相似度实现，具体的计算相似度可以采用汉字编辑距离、拼音编辑距离、Word2vec特征、同义词林特征等。并判断相似度值是否大于预设相似度阈值，
本实施例中，推送数据和目标用户的相似度值越高，则表示当前的推送数据越符合用户的期望。因此，本发明实施例提供一中具体的实现方法包括：将所述匹配值打分按照预设的排序规则进行排序；根据所述排序确定推送数据的展示优先级；根据所述展示优先级，将得到的目标推送数据向用户进行推送。
具体的，在计算关键词的相似度值以后，判断相似度值是否大于相似度阈值，若是，则将相似度大于预设阈值对应的医学数据为待推送数据，并计算所述待推送数据与所述目标用户的匹配值百分比，得到匹配值。其中，匹配值越大，则表示越符合用户的期望。
509、根据匹配值，筛选出与目标用户匹配的目标医学数据；
本实施例中，将匹配值按照预设的排序规则进行排序；根据所述排序筛选出与目标用户匹配的目标医学数据，也就是待推送数据。
510、生成与目标医学数据对应的瀑布流，并推送给目标用户。
本实施例中，可以通过协同过滤算法挖掘画像相似，疾病相似的患者的共性来推送文章。用户进行关键词搜索后，会匹配到大量的候选文章，这些文章会根据匹配值返回给用户。比如普通糖尿病患者搜索饮食，很有可能返回的结果里面包含关于妊娠糖尿病饮食的结果。如果根据用户画像对返回结果优化，计算患者与文章的匹配值对搜索顺序进行重新排序，更有利于患者得到自己想要的信息。具体的，还可以通过点击返回结果可以进一步优化搜索过程。
本实施例中步骤501-504与第一实施例中的101-104类似，此处不再赘述。
在本发明实施例中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
上面对本发明实施例中医疗瀑布流推送方法进行了描述，下面对本发明实施例中医疗瀑布流推送装置进行描述，请参阅图6，本发明实施例中医疗瀑布流推送装置的第一个实施例包括：
获取模块601，用于获取目标用户的历史医疗数据；
特征提取模块602，用于利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词；
匹配模块603，用于将所述特征词与预置标签库中的标签进行匹配，得到与所述目标用户匹配的标签；
生成模块604，用于基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像；
推送模块605，用于基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户。
本发明实施例中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
请参阅图7，本发明实施例中医疗瀑布流推送装置的第二个实施例，该医疗瀑布流推送装置具体包括：
获取模块601，用于获取目标用户的历史医疗数据；
特征提取模块602，用于利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词；
匹配模块603，用于将所述特征词与预置标签库中的标签进行匹配，得到与所述目标用户匹配的标签；
生成模块604，用于基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像；
推送模块605，用于基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户。
本实施例中，所述获取模块601具体用于：
根据所述目标用户的身份信息，调用爬虫工具从多个医学数据源中获取与所述目标用户对应的关联数据；
从所述关联数据中提取出所述目标用户的医疗诊断数据和医疗咨询数据；
将所述医疗诊断数据和所述医疗咨询数据按照预设的统一规范进行格式转换，得到格式相同的历史医疗数据。
本实施例中，所述特征提取模块602具体用于：
对所述历史医疗数据进行分词处理，得到所述历史医疗数据的关键词；
对所述关键词进行特征提取，得到所述历史医疗数据的特征词。
本实施例中，所述生成模块604具体用于：
将所述标签分类成多个指定固有属性标签，其中，所述指定固有属性标签为在所有所述标签中出现次数大于1的标签；
从所述标签中提取出与所述指定固有属性标签分别对应的指定动态属性标签；
分别对所述指定固有属性标签与所述指定动态属性标签进行组合，得到与所述标签对应的各组合文本标签；
基于所述组合文本标签，生成所述目标用户的用户医疗画像。
本实施例中，所述推送模块605包括：
提取单元6051，用于基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据；
生成单元6052，用于基于所述医学数据，生成与所述医学数据对应的瀑布流；
打分单元6053，用于对所述医学数据和所述目标用户的匹配值进行打分，得到匹配值；
推送单元6054，用于根据所述匹配值，生成与所述医学数据对应的瀑布流，并推送给所述目标用户。
本实施例中，所述打分单元6053具体用于：
确定所述用户医疗画像所对应的第一关键词；
确定所述医学数据所对应的第二关键词；
计算所述第一关键词与所述第二关键词的相似度值；
判断所述相似度值是否大于相似度阈值；
若是，则将所述相似度值对应的医学数据为待推送数据，并计算所述待推送数据与所述目标用户的匹配值百分比，得到匹配值。
本实施例中，所述推送单元6054具体还用于：
根据所述匹配值，筛选出与所述目标用户匹配的目标医学数据；
生成与所述目标医学数据对应的瀑布流，并推送给所述目标用户。
本发明实施例中，通过获取目标用户的历史医疗数据，利用预置特征提取算法对目标用户的历史医疗数据进行分析处理和特征提取，生成历史医疗数据的特征词，并将特征词与预置标签库中的标签进行匹配，得到的与目标用户匹配的标签；通过标签和预置标签描述模型对目标用户进行多维度描述生成用户医疗画像，并根据用户医疗画像，从医疗数据库中提取与用户医疗画像相匹配的医学数据生成瀑布流，并推送给目标用户。解决了无法通过获取用户的问诊数据和记录，不能够真正做到精准医疗数据推送的技术问题。
上面图6和图7从模块化功能实体的角度对本发明实施例中的医疗瀑布流推送装置进行详细描述，下面从硬件处理的角度对本发明实施例中医疗瀑布流推送设备进行详细描述。
图8是本发明实施例提供的一种医疗瀑布流推送设备的结构示意图，该医疗瀑布流推送设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对医疗瀑布流推送设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在医疗瀑布流推送设备800上执行存储介质830中的一系列指令操作，以实现上述各方法实施例提供的医疗瀑布流推送方法的步骤。
医疗瀑布流推送设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图8示出的医疗瀑布流推送设备结构并不构成对本申请提供的医疗瀑布流推送设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行上述医疗瀑布流推送方法的步骤。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种医疗瀑布流推送方法，其特征在于，所述医疗瀑布流推送方法包括：
获取目标用户的历史医疗数据；
利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词；
将所述特征词与预置标签库中的标签进行匹配，得到与所述目标用户匹配的标签；
基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像；
基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户。
2.根据权利要求1所述的医疗瀑布流推送方法，其特征在于，所述获取目标用户的历史医疗数据包括：
根据所述目标用户的身份信息，调用爬虫工具从多个医学数据源中获取与所述目标用户对应的关联数据；
从所述关联数据中提取出所述目标用户的医疗诊断数据和医疗咨询数据；
将所述医疗诊断数据和所述医疗咨询数据按照预设的统一规范进行格式转换，得到格式相同的历史医疗数据。
3.根据权利要求1所述的医疗瀑布流推送方法，其特征在于，所述利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词包括：
对所述历史医疗数据进行分词处理，得到所述历史医疗数据的关键词；
对所述关键词进行特征提取，得到所述历史医疗数据的特征词。
4.根据权利要求1所述的医疗瀑布流推送方法，其特征在于，所述基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像包括：
将所述标签分类成多个指定固有属性标签，其中，所述指定固有属性标签为在所有所述标签中出现次数大于1的标签；
从所述标签中提取出与所述指定固有属性标签分别对应的指定动态属性标签；
分别对所述指定固有属性标签与所述指定动态属性标签进行组合，得到与所述标签对应的各组合文本标签；
基于所述组合文本标签，生成所述目标用户的用户医疗画像。
5.根据权利要求1-4中任一项所述的医疗瀑布流推送方法，其特征在于，所述基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户包括：
基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据；
基于所述医学数据，生成与所述医学数据对应的瀑布流；
对所述医学数据和所述目标用户的匹配值进行打分，得到匹配值；
根据所述匹配值，生成与所述医学数据对应的瀑布流，并推送给所述目标用户。
6.根据权利要求5所述的医疗瀑布流推送方法，其特征在于，所述对所述医学数据和所述目标用户的匹配值进行打分，得到匹配值包括：
确定所述用户医疗画像所对应的第一关键词；
确定所述医学数据所对应的第二关键词；
计算所述第一关键词与所述第二关键词的相似度值；
判断所述相似度值是否大于相似度阈值；
若是，则将所述相似度值对应的医学数据为待推送数据，并计算所述待推送数据与所述目标用户的匹配值百分比，得到匹配值。
7.根据权利要求5所述的医疗瀑布流推送方法，其特征在于，所述根据所述匹配值，生成与所述医学数据对应的瀑布流，并推送给所述目标用户包括：
根据所述匹配值，筛选出与所述目标用户匹配的目标医学数据；
生成与所述目标医学数据对应的瀑布流，并推送给所述目标用户。
8.一种医疗瀑布流推送装置，其特征在于，所述医疗瀑布流推送装置包括：
获取模块，用于获取目标用户的历史医疗数据；
特征提取模块，用于利用预置特征提取算法，对所述目标用户的历史医疗数据进行特征提取，生成所述历史医疗数据的特征词；
匹配模块，用于将所述特征词与预置标签库中的标签进行匹配，得到与所述目标用户匹配的标签；
生成模块，用于基于所述标签和预置标签描述模型对所述目标用户进行多维度描述，生成用户医疗画像；
推送模块，用于基于所述用户医疗画像，从医疗数据库中提取与所述用户医疗画像相匹配的医学数据，生成瀑布流，并推送给所述目标用户。
9.一种医疗瀑布流推送设备，其特征在于，所述医疗瀑布流推送设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述医疗瀑布流推送设备执行如权利要求1-4或5中任一项所述的医疗瀑布流推送方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4或5中任一项所述的医疗瀑布流推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885031.5A CN112035757A (zh) | 2020-08-28 | 2020-08-28 | 医疗瀑布流推送方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010885031.5A CN112035757A (zh) | 2020-08-28 | 2020-08-28 | 医疗瀑布流推送方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112035757A true CN112035757A (zh) | 2020-12-04 |
Family
ID=73586103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010885031.5A Pending CN112035757A (zh) | 2020-08-28 | 2020-08-28 | 医疗瀑布流推送方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112035757A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489747A (zh) * | 2020-12-14 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于分析模型的慢性病患者监管方法、装置、设备及介质 |
| CN112631889A (zh) * | 2020-12-31 | 2021-04-09 | 中国农业银行股份有限公司 | 针对应用系统的画像方法、装置、设备及可读存储介质 |
| CN113111625A (zh) * | 2021-04-30 | 2021-07-13 | 善诊(上海)信息技术有限公司 | 一种医学文本标签生成系统、方法及计算机可读存储介质 |
| CN113611427A (zh) * | 2021-08-11 | 2021-11-05 | 平安医疗健康管理股份有限公司 | 用户画像生成方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150370980A1 (en) * | 2014-06-20 | 2015-12-24 | National Taiwan University | Interactive and intelligent personal healthcare advisory system |
| CN106504099A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的系统 |
| CN110188186A (zh) * | 2019-04-24 | 2019-08-30 | 平安科技（深圳）有限公司 | 医疗领域的内容推荐方法、电子装置、设备及存储介质 |
| CN111009311A (zh) * | 2019-11-05 | 2020-04-14 | 泰康保险集团股份有限公司 | 一种医疗资源推荐方法、装置、介质和设备 |
| CN111078994A (zh) * | 2019-11-06 | 2020-04-28 | 珠海健康云科技有限公司 | 基于画像的医学科普文章推荐方法及系统 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
-
2020
- 2020-08-28 CN CN202010885031.5A patent/CN112035757A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150370980A1 (en) * | 2014-06-20 | 2015-12-24 | National Taiwan University | Interactive and intelligent personal healthcare advisory system |
| CN106504099A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的系统 |
| CN110188186A (zh) * | 2019-04-24 | 2019-08-30 | 平安科技（深圳）有限公司 | 医疗领域的内容推荐方法、电子装置、设备及存储介质 |
| CN111009311A (zh) * | 2019-11-05 | 2020-04-14 | 泰康保险集团股份有限公司 | 一种医疗资源推荐方法、装置、介质和设备 |
| CN111078994A (zh) * | 2019-11-06 | 2020-04-28 | 珠海健康云科技有限公司 | 基于画像的医学科普文章推荐方法及系统 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112489747A (zh) * | 2020-12-14 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于分析模型的慢性病患者监管方法、装置、设备及介质 |
| CN112631889A (zh) * | 2020-12-31 | 2021-04-09 | 中国农业银行股份有限公司 | 针对应用系统的画像方法、装置、设备及可读存储介质 |
| CN112631889B (zh) * | 2020-12-31 | 2024-02-23 | 中国农业银行股份有限公司 | 针对应用系统的画像方法、装置、设备及可读存储介质 |
| CN113111625A (zh) * | 2021-04-30 | 2021-07-13 | 善诊(上海)信息技术有限公司 | 一种医学文本标签生成系统、方法及计算机可读存储介质 |
| CN113611427A (zh) * | 2021-08-11 | 2021-11-05 | 平安医疗健康管理股份有限公司 | 用户画像生成方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112035742B (zh) | 用户画像生成方法、装置、设备及存储介质 | |
| KR102088980B1 (ko) | 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법 | |
| Milosevic et al. | A framework for information extraction from tables in biomedical literature | |
| Kumar et al. | Text mining: concepts, process and applications | |
| JP2022526242A (ja) | テキストドキュメントのアノテーションのための方法、装置、およびシステム | |
| Khusro et al. | On methods and tools of table detection, extraction and annotation in PDF documents | |
| CN112035757A (zh) | 医疗瀑布流推送方法、装置、设备及存储介质 | |
| Day et al. | Reference metadata extraction using a hierarchical knowledge representation framework | |
| Dai et al. | FullMeSH: improving large-scale MeSH indexing with full text | |
| CN111428503B (zh) | 同名人物的识别处理方法及处理装置 | |
| Chou et al. | Integrating XBRL data with textual information in Chinese: A semantic web approach | |
| Wanyan et al. | Deep learning with heterogeneous graph embeddings for mortality prediction from electronic health records | |
| Warikoo et al. | LPTK: a linguistic pattern-aware dependency tree kernel approach for the BioCreative VI CHEMPROT task | |
| US20060026174A1 (en) | Patent mapping | |
| CN112328856A (zh) | 公共事件追踪方法、装置、计算机设备及计算机可读介质 | |
| CN113658712A (zh) | 医患匹配方法、装置、设备及存储介质 | |
| Hou et al. | Discovering drug–target interaction knowledge from biomedical literature | |
| US9516089B1 (en) | Identifying and processing a number of features identified in a document to determine a type of the document | |
| Lin et al. | A multi-technique approach to bridge electronic case report form design and data standard adoption | |
| Hom et al. | Facilitating clinical research through automation: Combining optical character recognition with natural language processing | |
| CN113343680A (zh) | 一种基于多类型病历文本的结构化信息提取方法 | |
| CN111460173B (zh) | 一种甲状腺癌的疾病本体模型的构建方法 | |
| O’neill et al. | Text mining Mill: Computationally detecting influence in the writings of John Stuart Mill from library records | |
| CN111681776B (zh) | 基于医药大数据的医药对象关系分析的方法及系统 | |
| Tang et al. | A clustering algorithm based on document embedding to identify clinical note templates |
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: 20201204 |