CN112148937A - 动态防疫知识的推送方法及系统 - Google Patents

Abstract

本发明涉及一种动态防疫知识的推送方法及系统，该方法包括：从自查上报数据中提取目标人群中每个用户的特征信息；获取最新版防疫指南与上一版本的防疫指南，筛选出更新过的和未向目标人群推送过的防疫知识点，将筛选出的防疫知识点作为待推送知识点；将自查上报数据包含的特征信息的格式调整为与待推送知识点一致的格式，生成调整后的特征信息集；基于自查上报数据和待推送知识点构建并训练推送模型，将调整后的特征信息集输入至训练好的推送模型中，输出对特征信息集干预效果最大的防疫知识点推送给预设用户端。本发明能够实时监控自查上报数据的变动，根据实时的自查上报数据自动匹配适合的防疫知识点推送给目标用户群。

Description

动态防疫知识的推送方法及系统

技术领域

本发明涉及大数据领域，尤其涉及一种动态防疫知识的推送方法及系统。

背景技术

建立一个推送系统进行患教，一般需要收集大量的样本进行学习，而要验证一个推送系统，需要做前瞻性随访进行验证，收集样本、进行随访都是需要花费大量的时间和金钱，而花费大量的时间和金钱来收集样本和进行随访，仅为了做患教推送，显然是没有市场价值的；

在特殊时期(如疫情期间)，政府部门、居委会等机构可能要求居民每日进行自查上报，自行在移动端更新每日健康信息，这些信息具有消耗小，易获取的特点，只要适当进行数据脱敏，这些自查上报数据也可以用于适当分析；

然而，现有的患教推送系统的问题是：缺乏对特殊时期的自查上报数据进行合理应用的手段，因此需要耗费大量的时间和金钱去收集数据、进行随访；另外，现有的患教系统还缺乏一个全面的动态更新机制，无法应用于防疫期间人群自查上报数据与防疫指南中各个防疫知识点动态变化的场景，即，无法根据实时的自查上报数据自动匹配适合的防疫知识点推送给目标用户群。比如，在防疫期间，防疫知识点和人群的健康数据是“动态”的，防疫指南版本更新迭代迅速，推送的某一版的防疫知识可能会被将来的版本更改、更新或取消。

发明内容

鉴于以上内容，本发明提供一种动态防疫知识的推送方法及系统，其目的在于能够实时监控自查上报数据的变动，根据实时的自查上报数据自动匹配适合的防疫知识点推送给目标用户群。

为实现上述目的，本发明提供一种动态防疫知识的推送方法，应用于电子装置，所述方法包括：

S1，从数据源获取目标人群在预设日期的自查上报数据，从所述自查上报数据中提取所述目标人群中每个用户的特征信息；

S2，从预设数据库获取最新版防疫指南与上一版本的防疫指南，将两个版本的防疫指南进行对比分析，筛选出更新过的和未向所述目标人群推送过的防疫知识点，并将筛选出的防疫知识点作为待推送知识点；

S3，将所述自查上报数据包含的特征信息的格式调整为与所述待推送知识点一致的格式，生成调整后的特征信息集；

S4，基于所述自查上报数据和所述待推送知识点构建并训练推送模型，将所述特征信息集输入至训练好的推送模型中，输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。

优选的，所述特征信息包括用户的基本信息、外出记录、健康状况以及症状问题的答复。

优选的，所述S1还包括：

通过模糊算法对所述自查上报数据中的敏感信息进行模糊处理，得到模糊数据，采用所述模糊数据对所述自查上报数据替换实现对所述自查上报数据脱敏。

优选的，所述推送模型的训练方法包括：

将所述自查上报数据和所述待推送知识点作为训练样本；

将所述训练样本按照预设比例分成训练集和验证集；

将所述训练集输入至预设的训练模型中进行回归训练，每隔预设周期使用所述验证集对该模型的准确率进行验证；及

当所述准确率大于预设阈值时，结束训练，得到所述推送模型。

优选的，所述推送模型公式为：

h(t,X(t))＝h0(t)exp(β1X1(t)+β2X2(t)+...βmXm(t))

其中，h₀(t)为基准率，exp是以自然常数e为底的指数函数，常数e的值为2.718282；

X(t)代表第t天的特征信息集，X_m(t)代表第t天的第m条特征信息；β_m代表第t天第m条特征信息对应的系数；

h(t,X(t))代表对第t天输入的特征信息集干预效果最大的防疫知识点。

此外，为实现上述目的，本发明还提供一种动态防疫知识的推送系统，该系统包括：

提取模块，用于从数据源获取目标人群在预设日期的自查上报数据，从所述自查上报数据中提取所述目标人群中每个用户的特征信息；

分析模块，用于从预设数据库获取最新版防疫指南与上一版本的防疫指南，将两个版本的防疫指南进行对比分析，筛选出更新过的和未向所述目标人群推送过的防疫知识点，并将筛选出的防疫知识点作为待推送知识点；

处理模块：用于将所述自查上报数据包含的特征信息的格式调整为与所述待推送知识点一致的格式，生成调整后的特征信息集；及

推送模块：用于根据所述自查上报数据和所述待推送知识点构建并训练推送模型，将所述特征信息集输入至训练好的推送模型中，输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。

优选的，所述特征信息包括用户的基本信息、外出记录、健康状况以及症状问题的答复。

优选的，所述提取模块包括：脱敏单元，用于：通过模糊算法对所述自查上报数据中的敏感信息进行模糊处理，得到模糊数据，采用所述模糊数据对所述自查上报数据替换实现对所述自查上报数据脱敏。

优选的，所述推送模块包括训练单元，用于训练所述推送模型，其训练过程包括如下步骤：

将所述自查上报数据和所述待推送知识点作为训练样本；

将所述训练样本按照预设比例分成训练集和验证集；

将所述训练集输入至预设的训练模型中进行回归训练，每隔预设周期使用所述验证集对该模型的准确率进行验证；及

当所述准确率大于预设阈值时，结束训练，得到所述推送模型。

优选的，所述推送模型公式为：

h(t,X(t))＝h0(t)exp(β1X1(t)+β2X2(t)+...βmXm(t))

其中，h₀(t)为基准率，exp是以自然常数e为底的指数函数，常数e的值为2.718282；

X(t)代表第t天的特征信息集，X_m(t)代表第t天的第m条特征信息；β_m代表第t天第m条特征信息对应的系数；

h(t,X(t))代表对第t天输入的特征信息集干预效果最大的防疫知识点。

本发明提出一种动态防疫知识的推送方法及系统，可以应用于防疫期间人群自查上报数据与防疫指南中各个防疫知识点动态变化的场景，能够实时监控自查上报数据及防疫指南的变动，并根据实时的自查上报数据自动匹配适合的防疫知识点推送给目标用户群，进而可以最大化防疫知识点的干预效果，最小化人群的发病率；另一方面，整合了现有的数据资源，无须额外收集数据，利用地区自查上报数据即可实现，提高了现有数据资源的使用效率，除了指南梳理与更新对照外，几乎没有额外成本。

附图说明

图1为本发明动态防疫知识的推送方法的流程示意图；

图2为本发明动态防疫知识的推送系统的运行环境示意图；

图3为本发明动态防疫知识的推送系统的结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种动态防疫知识的推送方法。参照图1所示，为本发明动态防疫知识的推送方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，一种动态防疫知识的推送方法包括以下步骤：

S1，从数据源获取目标人群在预设日期的自查上报数据，从所述自查上报数据中提取所述目标人群中每个用户的特征信息；

具体的，所述数据源来自于当地居委会/街道的每日自查上报系统(在防疫期间，政府部门、居委会等机构要求居民每日进行自查上报，居民自行在移动终端登录每日自查上报系统，并在系统中更新自己每日的自查上报数据)；需要说明的是，在本实施例中，所述“预设日期的自查上报数据”为截止至上一日目标人群的自查上报数据。

进一步的，所述特征信息包括用户的基本信息、外出记录、健康状况以及症状问题的答复；所述用户的基本信息包括性别、年龄、身高及体重等；所述健康状况为“是否发病”；所述症状问题的答复为“是否出现头晕”、“是否出现乏力”等问题的回答。

更优的，所述S1还包括：通过模糊算法对所述自查上报数据中的敏感信息进行模糊处理，得到模糊数据，采用所述模糊数据对所述自查上报数据替换实现对所述自查上报数据脱敏。所述敏感信息：主要涉及用户的隐私信息，如：居住地址、身份证号及工作单位等信息。

S2，从预设数据库获取最新版防疫指南与上一版本的防疫指南，将两个版本的防疫指南进行对比分析，筛选出更新过的和未向所述目标人群推送过的防疫知识点，并将筛选出的防疫知识点作为待推送知识点；

在本实施例中，为保证防疫知识点的真实性、可靠性以及时效性，所述防疫指南来源于政府部门的官方网站、权威的论坛、各大媒体新闻频道以及医疗网站等官方渠道。

具体的，将所述最新版防疫指南与上一版本的防疫指南进行对比分析，包括如下步骤：

通过OCR引擎识别所述最新版防疫指南中的文字并生成第一识别文本，通过OCR引擎识别所述上一版本版防疫指南中的文字并生成第二识别文本，所述第一识别文本包含识别出最新版防疫指南中的文字及各文字在对应OCR识别影像中的坐标信息，所述第二识别文本包括上一版本防疫指南中的文字及各文字在对应OCR识别影像中的坐标信息；

采用文本比较算法比对所述第一识别文本和所述第二识别文本的差异文字，并获取所述差异文字的坐标信息；

定位所述差异文字，在所述最新版防疫指南中标记出所述差异文字。

需要说明的是，在本实施例中，所述文本比较算法采用队列比对方式，把需要比对的所述第一识别文本和所述第二识别文本分别建立一队列，然后逐字比较，根据两个队列找出相同的文字和不同的文字，则形成一个相同的文字队列和一个差异文字队列。所述文字包括汉字、英文字母、数字以及符号等，但不限于此。

进一步的，所述最新版防疫指南与上一版本的防疫指南提交至OCR引擎之前，需进行预处理，所述预处理包括去除干扰的印章、墨点、下划线、标记页头页尾和或标记表格位置；还包含对影像增强锐化、灰度化、二值化、降噪、倾斜矫正等处理，从而分检出干扰字符的印章、墨点、下划线，在文字识别前剔除这些干扰，然后再标记页头页尾或标记表格位置。通过预处理，可以提高OCR引擎识别文字的准确率。

S3，将所述自查上报数据包含的特征信息的格式调整为与所述待推送知识点的格式一致，生成调整后的特征信息集；

在进行步骤S3之前，需要对所述特征信息进行离散化处理，详细地，所述离散化处理包括：使用动态规划法寻找所述特征信息所有的词语切分组合，计算每种词语切分组合下的词语权重，遍历得到数值最大的词语权重所对应的词语切分组合，得到所述词语切分组合下的特征信息的离散文本集。

进一步地，所述动态规划法则寻找词语切分组合包括：构建基于所述特征信息的梯度下降算法和迭代函数，求解所述迭代函数的切分参数，根据切分参数的不同求解所述梯度下降算法的结果值，根据结果值得到不同的词语切分组合。

优选地，所述梯度下降算法为：

其中，θ为所述切分参数，J(θ)为基于所述θ下不同的切分组合，xⁱ表示所述特征信息第i个词语的向量表示，

表示所述所述特征信息第j个词语的向量表示，t表示在第j个词语前，已有多少个向量表示的词语，T表示矩阵的转置。

所述迭代函数为：

其中，δ为迭代函数的噪声参数。

进一步地，所述词语权重的计算方法为：

其中，WS(xi)表示第i个词语的权重，d为阻尼系数，In(xi)表示所述在未做词语切分时的情况，本发明未做词语切分时即为所述特征信息，out(xi)表示已完成所述词语切分组合下的情况，TextRank(xi)表示根据TextRank算法所计算出的词语关键度得分，wi表示第i个词语在out(xi)词语切分组合下的出现比例。

根据所述待推送知识点的提示，对所述特征信息的离散文本集中的词语进行调整，比如，若所述待推送知识点提示“中老年人普遍易染”，则根据所述特征信息的离散文本集中的“年龄”对应的特征信息转换为“是/否中老年人”；若所述待推送知识点提示“有心血管疾病的人群易感”，则把所述所述特征信息的离散文本集中“是否发病”对应的特征信息调整为“是否有心血管疾病”；若所述待推送知识点提示“减少外出”，则根据所述所述特征信息的离散文本集中的“外出记录”对应的特征信息调整为“出门次数”；

具体的，所述特征信息集的形式为{“中老年普遍易感”→“是否中老年人”,“有心血管疾病人群易感”→“是否有心脑血管疾病”，“减少外出”→“出门次数”…}。

S4，基于所述自查上报数据和所述待推送知识点构建并训练推送模型，将所述特征信息集输入至训练好的推送模型中，输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。

需要说明的是，在本实施例中，所述推送模型是基于所述自查上报数据和待推送的防疫知识点训练得到，其训练方法包括如下步骤：

将所述自查上报数据和所述待推送知识点作为训练样本；

将所述训练样本按照预设比例分成训练集和验证集；

将所述训练集输入至预设的训练模型中进行回归训练，每隔预设周期使用所述验证集对该模型的准确率进行验证；及

当所述准确率大于预设阈值时，结束训练，得到所述推送模型。

进一步的，所述推送模型公式为：

h(t,X(t))＝h0(t)exp(β1X1(t)+β2X2(t)+...βmXm(t))

其中，h₀(t)为基准率，exp是以自然常数e为底的指数函数，常数e的值为2.718282；

X(t)代表第t天的特征信息集，X_m(t)代表第t天的第m条特征信息；β_m代表第t天第m条特征信息对应的系数；

h(t,X(t))代表对第t天输入的特征信息集干预效果最大的防疫知识点。

在本实施例中，所述推送模型的工作原理为：当所述自查上报数据更新后和/或所述防疫指南更新后，将所述特征信息集中所有调整好的的特征信息输入至预先训练好的推送模型中，所述推送模型输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。比如，所述推送模型在第t日推送了某个防疫知识点后，第t+1天重新训练一个推送模型，与第t日模型的区别为：训练的特征信息有所更新，防疫指南中的防疫知识点有所更新(即，特征信息集变化)；输入特征信息集中删除了第t日推送的防疫知识点对应的特征信息。

请参阅图2，是本发明动态防疫知识的推送系统10的运行环境示意图。

在本实施例中，所述动态防疫知识的推送系统10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图2仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述服务器1的内部存储单元，例如该服务器1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述服务器1的外部存储设备，例如该服务器1配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述服务器1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述服务器1的操作系统和各类应用软件，例如动态防疫知识的推送程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述服务器1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行动态防疫知识的推送程序10的程序代码等。

显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面，例如动态防疫知识的推送界面等。电子装置1的部件11-13通过系统总线相互通信。

请参阅图3，是本发明动态防疫知识的推送系统100的模块示意图。在本实施例中，动态防疫知识的推送系统100可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明。例如，在图3中，动态防疫知识的推送系统100可以被分割成提取模块101、分析模块102、处理模块103及推送模块104。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述动态防疫知识的推送系统100的执行过程，其中：

提取模块101：用于从数据源获取目标人群在预设日期的自查上报数据，从所述自查上报数据中提取所述目标人群中每个用户的特征信息；

具体的，所述数据源来自于当地居委会/街道的每日自查上报系统(在防疫期间，政府部门、居委会等机构要求居民每日进行自查上报，居民自行在移动终端登录每日自查上报系统，并在系统中更新自己每日的自查上报数据)；需要说明的是，在本实施例中，所述“预设日期的自查上报数据”为截止至上一日目标人群的自查上报数据。

进一步的，所述特征信息包括用户的基本信息、外出记录、健康状况以及症状问题的答复；所述用户的基本信息包括性别、年龄、身高及体重等；所述健康状况为“是否发病”；所述症状问题的答复为“是否出现头晕”、“是否出现乏力”等问题的回答。

更优的，所述提取模块101包括脱敏单元，用于：通过模糊算法对所述自查上报数据中的敏感信息进行模糊处理，得到模糊数据，采用所述模糊数据对所述自查上报数据替换实现对所述自查上报数据脱敏。所述敏感信息：主要涉及用户的隐私信息，如：居住地址、身份证号及工作单位等信息。

分析模块102：用于从预设数据库获取最新版防疫指南与上一版本的防疫指南，将两个版本的防疫指南进行对比分析，筛选出更新过的和未向所述目标人群推送过的防疫知识点，并将筛选出的防疫知识点作为待推送知识点；

在本实施例中，为保证防疫知识点的真实性、可靠性以及时效性，所述防疫指南来源于政府部门的官方网站、权威的论坛、各大媒体新闻频道以及医疗网站等官方渠道。

具体的，将所述最新版防疫指南与上一版本的防疫指南进行对比分析，包括如下步骤：

通过OCR引擎识别所述最新版防疫指南中的文字并生成第一识别文本，通过OCR引擎识别所述上一版本版防疫指南中的文字并生成第二识别文本，所述第一识别文本包含识别出最新版防疫指南中的文字及各文字在对应OCR识别影像中的坐标信息，所述第二识别文本包括上一版本防疫指南中的文字及各文字在对应OCR识别影像中的坐标信息；

采用文本比较算法比对所述第一识别文本和所述第二识别文本的差异文字，并获取所述差异文字的坐标信息；

定位所述差异文字，在所述最新版防疫指南中标记出所述差异文字。

需要说明的是，在本实施例中，所述文本比较算法采用队列比对方式，把需要比对的所述第一识别文本和所述第二识别文本分别建立一队列，然后逐字比较，根据两个队列找出相同的文字和不同的文字，则形成一个相同的文字队列和一个差异文字队列。所述文字包括汉字、英文字母、数字以及符号等，但不限于此。

进一步的，所述最新版防疫指南与上一版本的防疫指南提交至OCR引擎之前，需进行预处理，所述预处理包括去除干扰的印章、墨点、下划线、标记页头页尾和或标记表格位置；还包含对影像增强锐化、灰度化、二值化、降噪、倾斜矫正等处理，从而分检出干扰字符的印章、墨点、下划线，在文字识别前剔除这些干扰，然后再标记页头页尾或标记表格位置。通过预处理，可以提高OCR引擎识别文字的准确率。

处理模块103：用于将所述自查上报数据包含的特征信息的格式调整为与所述待推送知识点一致的格式，生成调整后的特征信息集；

在进行步骤S3之前，需要对所述特征信息进行离散化处理，详细地，所述离散化处理包括：使用动态规划法寻找所述特征信息所有的词语切分组合，计算每种词语切分组合下的词语权重，遍历得到数值最大的词语权重所对应的词语切分组合，得到所述词语切分组合下的特征信息的离散文本集。

进一步地，所述动态规划法则寻找词语切分组合包括：构建基于所述特征信息的梯度下降算法和迭代函数，求解所述迭代函数的切分参数，根据切分参数的不同求解所述梯度下降算法的结果值，根据结果值得到不同的词语切分组合。

优选地，所述梯度下降算法为：

其中，θ为所述切分参数，J(θ)为基于所述θ下不同的切分组合，xⁱ表示所述特征信息第i个词语的向量表示，

表示所述所述特征信息第j个词语的向量表示，t表示在第j个词语前，已有多少个向量表示的词语，T表示矩阵的转置。

所述迭代函数为：

其中，δ为迭代函数的噪声参数。

进一步地，所述词语权重的计算方法为：

其中，WS(xi)表示第i个词语的权重，d为阻尼系数，In(xi)表示所述在未做词语切分时的情况，本发明未做词语切分时即为所述特征信息，out(xi)表示已完成所述词语切分组合下的情况，TextRank(xi)表示根据TextRank算法所计算出的词语关键度得分，wi表示第i个词语在out(xi)词语切分组合下的出现比例。

根据所述待推送知识点的提示，对所述特征信息的离散文本集中的词语进行调整，比如，若所述待推送知识点提示“中老年人普遍易染”，则根据所述特征信息的离散文本集中的“年龄”对应的特征信息转换为“是/否中老年人”；若所述待推送知识点提示“有心血管疾病的人群易感”，则把所述所述特征信息的离散文本集中“是否发病”对应的特征信息调整为“是否有心血管疾病”；若所述待推送知识点提示“减少外出”，则根据所述所述特征信息的离散文本集中的“外出记录”对应的特征信息调整为“出门次数”；

具体的，所述特征信息集的形式为{“中老年普遍易感”→“是否中老年人”,“有心血管疾病人群易感”→“是否有心脑血管疾病”，“减少外出”→“出门次数”…}。

推送模块104：用于根据所述自查上报数据和所述待推送知识点构建并训练推送模型，将所述特征信息集输入至训练好的推送模型中，输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。

需要说明的是，在本实施例中，所述推送模型是基于所述自查上报数据和待推送的防疫知识点训练得到。具体的，所述推送模块104包括训练单元，用于训练所述推送模型，其训练过程包括如下步骤：

将所述自查上报数据和所述待推送知识点作为训练样本；

将所述训练样本按照预设比例分成训练集和验证集；

将所述训练集输入至预设的训练模型中进行回归训练，每隔预设周期使用所述验证集对该模型的准确率进行验证；及

当所述准确率大于预设阈值时，结束训练，得到所述推送模型。

进一步的，所述推送模型公式为：

h(t,X(t))＝h0(t)exp(β1X1(t)+β2X2(t)+...βmXm(t))

其中，h₀(t)为基准率，exp是以自然常数e为底的指数函数，常数e的值为2.718282；

X(t)代表第t天的特征信息集，X_m(t)代表第t天的第m条特征信息；β_m代表第t天第m条特征信息对应的系数；

h(t,X(t))代表对第t天输入的特征信息集干预效果最大的防疫知识点。

在本实施例中，所述推送模型的工作原理为：当所述自查上报数据更新后和/或所述防疫指南更新后，将所述特征信息集中所有调整好的的特征信息输入至预先训练好的推送模型中，所述推送模型输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。比如，所述推送模型在第t日推送了某个防疫知识点后，第t+1天重新训练一个推送模型，与第t日模型的区别为：训练的特征信息有所更新，防疫指南中的防疫知识点有所更新(即，特征信息集变化)；输入特征信息中删除了第t日推送的防疫知识点对应的特征信息。

此外，本申请实施例还提出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动态防疫知识的推送程序，所述动态防疫知识的推送程序可被一个或多个处理器执行，以实现如下操作：

S1，从数据源获取目标人群在预设日期的自查上报数据，从所述自查上报数据中提取所述目标人群中每个用户的特征信息；

S2，从预设数据库获取最新版防疫指南与上一版本的防疫指南，将两个版本的防疫指南进行对比分析，筛选出更新过的和未向所述目标人群推送过的防疫知识点，并将筛选出的防疫知识点作为待推送知识点；

S3，将所述自查上报数据包含的特征信息的格式调整为与所述待推送知识点一致的格式，生成调整后的特征信息集；

S4，基于所述自查上报数据和所述待推送知识点构建并训练推送模型，将所述特征信息集输入至训练好的推送模型中，输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种动态防疫知识的推送方法，应用于电子装置，其特征在于，所述方法包括：

S1，从数据源获取目标人群在预设日期的自查上报数据，从所述自查上报数据中提取所述目标人群中每个用户的特征信息；

S2，从预设数据库获取最新版防疫指南与上一版本的防疫指南，将两个版本的防疫指南进行对比分析，筛选出更新过的和未向所述目标人群推送过的防疫知识点，并将筛选出的防疫知识点作为待推送知识点；

S3，将所述自查上报数据包含的特征信息的格式调整为与所述待推送知识点一致的格式，生成调整后的特征信息集；

S4，基于所述自查上报数据和所述待推送知识点构建并训练推送模型，将所述特征信息集输入至训练好的推送模型中，输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。

2.如权利要求1所述的动态防疫知识的推送方法，其特征在于，所述特征信息包括用户的基本信息、外出记录、健康状况以及症状问题的答复。

3.如权利要求1所述的动态防疫知识的推送方法，其特征在于，所述S1还包括：

通过模糊算法对所述自查上报数据中的敏感信息进行模糊处理，得到模糊数据，采用所述模糊数据对所述自查上报数据替换实现对所述自查上报数据脱敏。

4.如权利要求1所述的动态防疫知识的推送方法，其特征在于，所述推送模型的训练方法包括：

将所述自查上报数据和所述待推送知识点作为训练样本；

将所述训练样本按照预设比例分成训练集和验证集；

将所述训练集输入至预设的训练模型中进行回归训练，每隔预设周期使用所述验证集对该模型的准确率进行验证；及

当所述准确率大于预设阈值时，结束训练，得到所述推送模型。

5.如权利要求4所述的动态防疫知识的推送方法，其特征在于，所述推送模型公式为：

h(t,X(t))＝h₀(t)exp(β₁X₁(t)+β₂X₂(t)+...β_mX_m(t))

其中，h₀(t)为基准率，exp是以自然常数e为底的指数函数，常数e的值为2.718282；

X(t)代表第t天的特征信息集，X_m(t)代表第t天的第m条特征信息；β_m代表第t天第m条特征信息对应的系数；

h(t,X(t))代表对第t天输入的特征信息集干预效果最大的防疫知识点。

6.一种动态防疫知识的推送系统，所其特征在于，该系统包括：

提取模块，用于从数据源获取目标人群在预设日期的自查上报数据，从所述自查上报数据中提取所述目标人群中每个用户的特征信息；

分析模块，用于从预设数据库获取最新版防疫指南与上一版本的防疫指南，将两个版本的防疫指南进行对比分析，筛选出更新过的和未向所述目标人群推送过的防疫知识点，并将筛选出的防疫知识点作为待推送知识点；

处理模块：用于将所述自查上报数据包含的特征信息的格式调整为与所述待推送知识点一致的格式，生成调整后的特征信息集；及

推送模块：用于根据所述自查上报数据和所述待推送知识点构建并训练推送模型，将所述特征信息集输入至训练好的推送模型中，输出对所述特征信息集干预效果最大的防疫知识点推送给预设用户端。

7.如权利要求6所述的动态防疫知识的推送系统，其特征在于，所述特征信息包括用户的基本信息、外出记录、健康状况以及症状问题的答复。

8.如权利要求6所述的动态防疫知识的推送系统，其特征在于，所述提取模块包括：脱敏单元，用于：通过模糊算法对所述自查上报数据中的敏感信息进行模糊处理，得到模糊数据，采用所述模糊数据对所述自查上报数据替换实现对所述自查上报数据脱敏。

9.如权利要求6所述的动态防疫知识的推送系统，其特征在于，所述推送模块包括训练单元，用于训练所述推送模型，其训练过程包括如下步骤：

将所述自查上报数据和所述待推送知识点作为训练样本；

将所述训练样本按照预设比例分成训练集和验证集；

将所述训练集输入至预设的训练模型中进行回归训练，每隔预设周期使用所述验证集对该模型的准确率进行验证；及

当所述准确率大于预设阈值时，结束训练，得到所述推送模型。

10.如权利要求9所述的动态防疫知识的推送系统，其特征在于，所述推送模型公式为：

h(t，X(t))＝h₀(t)exp(β₁X₁(t)+β₂X₂(t)+...β_mX_m(t))

其中，h₀(t)为基准率，exp是以自然常数e为底的指数函数，常数e的值为2.718282；

X(t)代表第t天的特征信息集，X_m(t)代表第t天的第m条特征信息；β_m代表第t天第m条特征信息对应的系数；

h(t,X(t))代表对第t天输入的特征信息集干预效果最大的防疫知识点。

Images