CN112597398B - 药品推荐模型应用方法及系统 - Google Patents
药品推荐模型应用方法及系统 Download PDFInfo
- Publication number
- CN112597398B CN112597398B CN202110246379.4A CN202110246379A CN112597398B CN 112597398 B CN112597398 B CN 112597398B CN 202110246379 A CN202110246379 A CN 202110246379A CN 112597398 B CN112597398 B CN 112597398B
- Authority
- CN
- China
- Prior art keywords
- medicine
- user
- portrait
- data
- time
- 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.)
- Expired - Fee Related
Links
- 239000003814 drug Substances 0.000 title claims abstract description 348
- 238000000034 method Methods 0.000 title claims abstract description 28
- 229940079593 drug Drugs 0.000 title claims description 74
- 238000013499 data model Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000004615 ingredient Substances 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 32
- 238000004590 computer program Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to 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
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种药品推荐模型应用方法及系统。该方法通过获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志;通过预先构建的健康画像模型,分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像;通过预先构建的药品画像模型,分析处理所述药品的药品数据,计算出所述药品的药品画像;通过预先构建的药品推荐模型,分析处理所述用户的健康画像、所述药品的药品画像,以及预先构建的药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果,通过使用持续更新的画像数据,使得药品推荐结果更为准确,药品推荐结果的输出时效性也更高。
Description
技术领域
本发明涉及网络技术领域,尤其涉及一种药品推荐模型应用方法及系统。
背景技术
目前药品推荐方式还是区分线上和线下,线上或采用获取一定时间的药品销售记录,采用相似算法对药品进行相似度排名来匹配药品,得出药品推荐结果;或根据用户的病症和约束信息,推荐历史药品或对病症应用匹配的药品;或根据用户的病史在药品知识库中检索的方式来匹配药品等。这些推荐方式使用的数据比较单一,而且没有明确的实时画像来作为匹配标准,进而导致推荐方式的匹配结果,或会出现偶然性导致匹配不精准,或会随着时间周期变长发生匹配结果倾斜向某几种药品。而传统的线下连锁药店的推荐方式,是店员通过结合消费者的病症理解度、药品被购买力度或药企合作力度等进行推荐,这种推荐结果受人为影响因素较大,对消费者购买更适用的药品增加了很多不确定性,而且药企合作力度和药企广告投放不仅会影响消费者的判断,也会导致很多优质的药品使用率降低,当然也增加了药企的销售成本。因此,有必要提出一种药品推荐模型应用方法及系统,以解决上述问题。
发明内容
本发明提供一种药品推荐模型应用方法及系统,以解决现有药品推荐方式存在的药品推荐结果不准确、药品推荐结果的输出时效性低的问题。
第一方面,本发明提供一种药品推荐模型应用方法,所述方法包括:
获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志;
通过预先构建的健康画像模型,分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像;
通过预先构建的药品画像模型,分析处理所述药品的药品数据,计算出所述药品的药品画像;
通过预先构建的药品推荐模型,分析处理所述用户的健康画像、所述药品的药品画像,以及预先构建的药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果。
进一步地,所述健康画像模型的构建方式如下:
采集用户在药品平台的实时以及离线的行为日志和个人信息作为个人行为数据;
对所述个人行为数据进行健康标签分类,并记录至个人健康标签中;
按照所述个人健康标签对个人行为数据进行计算,得到实时以及离线的个人健康画像结果,所述计算包括:将预设时间段内的个人行为数据按照个人健康标签分类统计次数,根据次数进行排序,选择次数靠前的个人健康标签分类作为当前用户的个人健康画像;
合并所述实时以及离线的个人健康画像结果。
进一步地,所述用户的行为日志包括:用户的药品订单日志、用户的健康服务订单日志、用户在药品平台的药品搜索、浏览、点赞和评论操作日志、用户问药关键字以及用户触发平台用药或健康标签日志。
进一步地,所述用户的个人信息包括:用户基础属性、用户消费属性以及用户健康属性;所述用户基础属性包括性别、年龄以及地区,所述用户消费属性包括购买药品和购买周期,所述用户健康属性包括病史和处方笺。
进一步地,所述药品画像模型的构建方式如下:
采集药品平台当前已上架药品的实时及离线的药品数据;
对所述药品数据进行药品标签分类并分配权重分,进行加权计算后,将结果记录至药品画像中,得到实时及离线的药品画像结果;
合并所述实时及离线的药品画像结果。
进一步地,所述药品数据包括药理、成分以及批文号。
进一步地,采集药品平台中实时及离线的药企合作数据,所述药企合作数据包括合作等级、药品数据以及热力度;
根据所述药品数据进行药企对应药品的标签分类;
按照药企对应药品的标签分类计算所述合作等级和热力度的权重分并记录,得到实时及离线的药企合作数据画像结果;
合并所述实时及离线的药企合作数据画像结果。
进一步地,所述药品推荐模型的构建方式如下:
采集实时及离线的健康画像结果、药品画像结果以及药企合作数据;
根据所述健康画像结果为个人分配推荐标签分类;
按照分配的推荐标签分类计算匹配药品画像结果;
将所述匹配药品画像结果针对所述药企合作数据进行加权计算,得出最终的实时及离线药品推荐结果;所述实时及离线药品推荐结果的计算步骤一致,仅时间窗口不同,实时药品推荐结果针对当日数据进行计算,离线药品推荐结果针对昨日至历史的数据进行计算。
进一步地,所述方法还包括:
通过嵌入的药品推荐评分反馈系统,搜集用户对药品推荐结果的评分和意见信息;
通过分析所述评分和意见信息,对所述药品推荐结果进行优化,提高药品推荐准确度和推荐购药转化率。
第二方面,本发明提供一种药品推荐模型应用系统,包括:药品平台、日志存储系统、健康画像模型、药品画像模型、药品推荐模型、药企合作数据模型以及药品推荐评分反馈系统;
所述药品平台,用于获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志;
所述健康画像模型,用于分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像;
所述药品画像模型,用于分析处理所述药品的药品数据,计算出所述药品的药品画像;
所述药品推荐模型,用于分析处理所述用户的健康画像、所述药品的药品画像,以及药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果;
所述药企合作数据模型,用于存储药企合作数据;
所述日志存储系统,用于存储实时、离线的行为日志和用户的个人信息;
所述药品推荐评分反馈系统,用于搜集用户对药品推荐结果的评分和意见信息,通过分析所述评分和意见信息,提高药品推荐准确度和推荐购药转化率。
由以上技术方案可知,本发明的药品推荐模型应用方法及系统,通过获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志;通过预先构建的健康画像模型,分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像;通过预先构建的药品画像模型,分析处理所述药品的药品数据,计算出所述药品的药品画像;通过预先构建的药品推荐模型,分析处理所述用户的健康画像、所述药品的药品画像,以及预先构建的药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果,使得药品推荐结果更为准确,药品推荐结果的输出时效性也较高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的药品推荐模型应用方法的流程图。
图2为健康画像模型的构建方式流程图;
图3为药品画像模型的构建方式流程图;
图4为药企合作数据模型的构建方式流程图;
图5为药品推荐模型的构建方式流程图;
图6为药品推荐评分反馈系统工作流程图;
图7为本发明的药品推荐模型应用系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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。以下结合附图,详细说明本发明各实施例提供的技术方案。
请参阅图1,本发明提供一种药品推荐模型应用方法,所述方法包括:
步骤S101,获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志。
具体地,可通过构建采集服务器,通过药品平台进行用户行为日志和用户个人等信息的搜集,传输至实时、离线等存储服务中,以便计算分析使用。
步骤S102,通过预先构建的健康画像模型,分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像。
具体地,可以通过分析实时数据进行实时描绘,加上离线数据的批量计算巩固描绘健康画像结果。用户的健康画像可以很形象立体的描绘出用户当前的健康状态数据,健康状态可包括病史、禁忌药、近期关注用药、药品适用年龄等,能够在推荐药品时从多个角度来进行匹配计算,提高推荐准确性。
具体地,请参阅图2,所述健康画像模型的构建方式如下:
步骤S201,采集用户在药品平台的实时以及离线的行为日志和个人信息作为个人行为数据。
步骤S202,对所述个人行为数据进行健康标签分类,并记录至个人健康标签中。
例如:健康标签分类可包括,三高、皮肤病、外伤等。
步骤S203,按照所述个人健康标签对个人行为数据进行计算,得到实时以及离线的个人健康画像结果,所述计算包括:将预设时间段内的个人行为数据按照个人健康标签分类统计次数,根据次数进行排序,选择次数靠前的个人健康标签分类作为当前用户的个人健康画像。
步骤S204,合并所述实时以及离线的个人健康画像结果。
具体地,本发明中所述用户的行为日志可以包括:用户的药品订单日志、用户的健康服务订单日志、用户在药品平台的药品搜索、浏览、点赞和评论操作日志、用户问药关键字以及用户触发平台其他用药或健康标签日志等。所述用户的个人信息可以包括:用户基础属性、用户消费属性以及用户健康属性等。
具体地,本发明所述用户基础属性包括性别、年龄以及地区等,所述用户消费属性包括购买药品和购买周期等,所述用户健康属性包括病史和处方笺等。上述信息为用户账户在平台操作时主动留存信息,用于分析并记录用户的个人健康指标等提供更精细的数据支撑。多元化的个人信息可以保证个人健康画像结果更形象,后续的药品推荐计算也能更精确。
步骤S103,通过预先构建的药品画像模型,分析处理所述药品的药品数据,计算出所述药品的药品画像。
具体地,可以通过分析实时数据进行实时描绘,加上离线数据的批量计算巩固描绘药品画像结果。药品画像可以很精准的标记出药品的各项数据,如适用人群、药理、药企等,能够再匹配推荐结果时提高精准性。
具体地,请参阅图3,所述药品画像模型的构建方式如下:
步骤S301,采集药品平台当前已上架药品的实时及离线的药品数据。
步骤S302,对所述药品数据进行药品标签分类并分配权重分,进行加权计算后,将结果记录至药品画像中,得到实时及离线的药品画像结果。
例如:药品标签分类可包括外科、皮肤科、维生素等。权重评分可包括:将药品购买量按照前几名倒排序,并分数递减累计到对应的药品上。
步骤S303,合并所述实时及离线的药品画像结果。
其中,所述药品数据可以包括药理、成分以及批文号等。
步骤S104,通过预先构建的药品推荐模型,分析处理所述用户的健康画像、所述药品的药品画像,以及预先构建的药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果。
具体地,通过构建药企合作数据模型,存储药企的合作等级、药品数据、热力度等信息,供推荐模型计算使用。本发明可以通过录入药企合作及广告数据规则,将药企广告不断加入到计算当中,不仅节约了物理成本,也提高了该广告的关注率。实时计算当日数据,离线在凌晨计算昨日至历史数据,使用实时和离线结合的方式,既能使计算的数据量足够大,保证推荐结果精准性,同时分开计算也能在保证精准性的同时,提高输出推荐结果的效率。
请参阅图4,所述药企合作数据模型的构建方式如下:
步骤S401,采集药品平台中实时及离线的药企合作数据,所述药企合作数据包括合作等级、药品数据以及热力度。
步骤S402,根据所述药品数据进行药企对应药品的标签分类。
对应药品的标签分类可包括:外科、皮肤科、维生素等。
步骤S403,按照药企对应药品的标签分类计算所述合作等级和热力度的权重分并记录,得到实时及离线的药企合作数据画像结果。
例如:进行权重计算时,可依据药品质量评价较好加分,药企药品搜索热力度加分,药企合作等级加分。
步骤S404,合并所述实时及离线的药企合作数据画像结果。
请参阅图5,所述药品推荐模型的构建方式如下:
步骤S501,采集实时及离线的健康画像结果、药品画像结果以及药企合作数据。
步骤S502,根据所述健康画像结果为个人分配推荐标签分类。
例如:获取个人画像标签前几名标签作为当前分类。
步骤S503,按照分配的推荐标签分类计算匹配药品画像结果。
例如:根据个人标签模糊查找药品标签并获取前几名药品。
步骤S504,将所述匹配药品画像结果针对所述药企合作数据进行加权计算,得出最终的实时及离线药品推荐结果。所述实时及离线药品推荐结果的计算步骤一致,仅时间窗口不同,实时药品推荐结果针对当日数据进行计算,离线药品推荐结果针对昨日至历史的数据进行计算。
例如:将药品名次倒排,并分数递减累计后加上对应药企的得分,结果进行倒排,分数最高最优先匹配。
请参阅图6,所述方法还包括:
步骤S601,通过嵌入的药品推荐评分反馈系统,搜集用户对药品推荐结果的评分和意见信息。
步骤S602,通过分析所述评分和意见信息,对所述药品推荐结果进行优化,提高药品推荐准确度和推荐购药转化率。
本发明通过日志采集和传输系统,聚合用户行为日志,并存储到分布式存储系统和流数据系统,设计不同的健康画像模型、药品画像模型和推荐计算模型等,来清洗和分析数据,通过人工规则加模型计算的方式进行联合计算并完成推荐。药品平台可以实现展示推荐药品,物品标题、简介、宣传图片等,很好的让购药消费者了解被推荐的药品详情数据;通过构建一系列分析和计算引擎,使用不同的推荐模型算法针对个人健康画像、购药行为、药品主题等数据,联合药企合作数据进行计算分析,实现实时、离线推荐,并给予推荐理由。根据购药消费者给予等评分反馈结果,优化推荐模型,使得推荐结果更具多样性和线性。
请参阅图7,本发明还提供一种药品推荐模型应用系统,包括:药品平台1、日志存储系统2、健康画像模型3、药品画像模型4、药品推荐模型5、药企合作数据模型6以及药品推荐评分反馈系统7。
所述药品平台1,用于获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志。所述健康画像模型3,用于分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像。所述药品画像模型4,用于分析处理所述药品的药品数据,计算出所述药品的药品画像。所述药品推荐模型5,用于分析处理所述用户的健康画像、所述药品的药品画像,以及药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果。所述药企合作数据模型6,用于存储药企合作数据。所述日志存储系统2,用于存储实时、离线的行为日志和用户的个人信息。所述药品推荐评分反馈系统7,用于搜集用户对药品推荐结果的评分和意见信息,通过分析所述评分和意见信息,提高药品推荐准确度和推荐购药转化率。
本发明实施例还提供一种存储介质,本发明实施例还提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现本发明提供的药品推荐模型应用方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:Read-OnlyMemory,简称:ROM)或随机存储记忆体(英文:RandomAccessMemory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于药品推荐模型应用系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (6)
1.一种药品推荐模型应用方法,其特征在于,所述方法包括:
获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志;
通过预先构建的健康画像模型,分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像;其中,所述健康画像模型的构建方式如下:采集用户在药品平台的实时以及离线的行为日志和个人信息作为个人行为数据;对所述个人行为数据进行健康标签分类,并记录至个人健康标签中;按照所述个人健康标签对个人行为数据进行计算,得到实时以及离线的个人健康画像结果,所述计算包括:将预设时间段内的个人行为数据按照个人健康标签分类统计次数,根据次数进行排序,选择次数靠前的个人健康标签分类作为当前用户的个人健康画像;合并所述实时以及离线的个人健康画像结果;
通过预先构建的药品画像模型,分析处理所述药品的药品数据,计算出所述药品的药品画像;其中,所述药品画像模型的构建方式如下:采集药品平台当前已上架药品的实时及离线的药品数据;对所述药品数据进行药品标签分类并分配权重分,进行加权计算后,将结果记录至药品画像中,得到实时及离线的药品画像结果;合并所述实时及离线的药品画像结果;
通过预先构建的药品推荐模型,分析处理所述用户的健康画像、所述药品的药品画像,以及预先构建的药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果;其中,所述药品推荐模型的构建方式如下:采集实时及离线的健康画像结果、药品画像结果以及药企合作数据;根据所述健康画像结果为个人分配推荐标签分类;按照分配的推荐标签分类计算匹配药品画像结果;将所述匹配药品画像结果针对所述药企合作数据进行加权计算,得出最终的实时及离线药品推荐结果;所述实时及离线药品推荐结果的计算步骤一致,仅时间窗口不同,实时药品推荐结果针对当日数据进行计算,离线药品推荐结果针对昨日至历史的数据进行计算;其中,所述药企合作数据模型的构建方式如下:采集药品平台中实时及离线的药企合作数据,所述药企合作数据包括合作等级、药品数据以及热力度;根据所述药品数据进行药企对应药品的标签分类;按照药企对应药品的标签分类计算所述合作等级和热力度的权重分并记录,得到实时及离线的药企合作数据画像结果;合并所述实时及离线的药企合作数据画像结果。
2.如权利要求1所述的方法,其特征在于,所述用户的行为日志包括:用户的药品订单日志、用户的健康服务订单日志、用户在药品平台的药品搜索、浏览、点赞和评论操作日志、用户问药关键字以及用户触发平台用药或健康标签日志。
3.如权利要求1所述的方法,其特征在于,所述用户的个人信息包括:用户基础属性、用户消费属性以及用户健康属性;所述用户基础属性包括性别、年龄以及地区,所述用户消费属性包括购买药品和购买周期,所述用户健康属性包括病史和处方笺。
4.如权利要求1所述的方法,其特征在于,所述药品数据包括药理、成分以及批文号。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过嵌入的药品推荐评分反馈系统,搜集用户对药品推荐结果的评分和意见信息;
通过分析所述评分和意见信息,对所述药品推荐结果进行优化,提高药品推荐准确度和推荐购药转化率。
6.一种药品推荐模型应用系统,其特征在于,包括:药品平台、日志存储系统、健康画像模型、药品画像模型、药品推荐模型、药企合作数据模型以及药品推荐评分反馈系统;
所述药品平台,用于获取实时以及离线的用户的行为日志和用户的个人信息,所述用户的行为日志包括用户对药品的操作日志;
所述健康画像模型,用于分析处理用户的行为日志和用户的个人信息,计算出用户的健康画像;其中,所述健康画像模型的构建方式如下:采集用户在药品平台的实时以及离线的行为日志和个人信息作为个人行为数据;对所述个人行为数据进行健康标签分类,并记录至个人健康标签中;按照所述个人健康标签对个人行为数据进行计算,得到实时以及离线的个人健康画像结果,所述计算包括:将预设时间段内的个人行为数据按照个人健康标签分类统计次数,根据次数进行排序,选择次数靠前的个人健康标签分类作为当前用户的个人健康画像;合并所述实时以及离线的个人健康画像结果;
所述药品画像模型,用于分析处理所述药品的药品数据,计算出所述药品的药品画像;其中,所述药品画像模型的构建方式如下:采集药品平台当前已上架药品的实时及离线的药品数据;对所述药品数据进行药品标签分类并分配权重分,进行加权计算后,将结果记录至药品画像中,得到实时及离线的药品画像结果;合并所述实时及离线的药品画像结果;
所述药品推荐模型,用于分析处理所述用户的健康画像、所述药品的药品画像,以及药企合作数据模型所存储的药企合作数据,计算出实时以及离线的药品推荐结果;其中,所述药品推荐模型的构建方式如下:采集实时及离线的健康画像结果、药品画像结果以及药企合作数据;根据所述健康画像结果为个人分配推荐标签分类;按照分配的推荐标签分类计算匹配药品画像结果;将所述匹配药品画像结果针对所述药企合作数据进行加权计算,得出最终的实时及离线药品推荐结果;所述实时及离线药品推荐结果的计算步骤一致,仅时间窗口不同,实时药品推荐结果针对当日数据进行计算,离线药品推荐结果针对昨日至历史的数据进行计算;
所述药企合作数据模型,用于存储药企合作数据;其中,所述药企合作数据模型的构建方式如下:采集药品平台中实时及离线的药企合作数据,所述药企合作数据包括合作等级、药品数据以及热力度;根据所述药品数据进行药企对应药品的标签分类;按照药企对应药品的标签分类计算所述合作等级和热力度的权重分并记录,得到实时及离线的药企合作数据画像结果;合并所述实时及离线的药企合作数据画像结果;
所述日志存储系统,用于存储实时、离线的行为日志和用户的个人信息;
所述药品推荐评分反馈系统,用于搜集用户对药品推荐结果的评分和意见信息,通过分析所述评分和意见信息,提高药品推荐准确度和推荐购药转化率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110246379.4A CN112597398B (zh) | 2021-03-05 | 2021-03-05 | 药品推荐模型应用方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110246379.4A CN112597398B (zh) | 2021-03-05 | 2021-03-05 | 药品推荐模型应用方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597398A CN112597398A (zh) | 2021-04-02 |
CN112597398B true CN112597398B (zh) | 2021-07-06 |
Family
ID=75210291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110246379.4A Expired - Fee Related CN112597398B (zh) | 2021-03-05 | 2021-03-05 | 药品推荐模型应用方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597398B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643783A (zh) * | 2021-08-13 | 2021-11-12 | 今彩慧健康科技(苏州)有限公司 | 亚健康人群药品推荐方法、系统、设备及存储介质 |
CN113722371B (zh) * | 2021-08-31 | 2024-04-12 | 深圳平安智慧医健科技有限公司 | 一种基于决策树的药品推荐方法、装置、设备及存储介质 |
CN113821641B (zh) * | 2021-09-29 | 2024-04-05 | 深圳平安医疗健康科技服务有限公司 | 基于权重分配的药品分类的方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636494A (zh) * | 2017-10-09 | 2019-04-16 | 耀方信息技术(上海)有限公司 | 药品推荐方法及系统 |
CN108804419A (zh) * | 2018-05-22 | 2018-11-13 | 湖南大学 | 一种基于知识图谱的线下医药零售精准推荐技术 |
CN109102855A (zh) * | 2018-07-03 | 2018-12-28 | 北京康夫子科技有限公司 | 药物推荐方法 |
-
2021
- 2021-03-05 CN CN202110246379.4A patent/CN112597398B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN112597398A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597398B (zh) | 药品推荐模型应用方法及系统 | |
Rostami et al. | A novel time-aware food recommender-system based on deep learning and graph clustering | |
Chen et al. | Learning to rank features for recommendation over multiple categories | |
Gensler et al. | Listen to your customers: Insights into brand image using online consumer-generated product reviews | |
Jerath et al. | Consumer click behavior at a search engine: The role of keyword popularity | |
Lu et al. | BizSeeker: a hybrid semantic recommendation system for personalized government‐to‐business e‐services | |
KR20190142500A (ko) | 화장품 추천 서비스 제공 방법 및 이를 실행하기 위한 시스템 | |
CN106469392A (zh) | 选择及推荐展示对象的方法及装置 | |
CN104050243B (zh) | 一种将搜索与社交相结合的网络搜索方法及其系统 | |
CN110378770A (zh) | 一种电商运营选款推荐的方法及装置 | |
WO2022095701A1 (zh) | 一种对象推荐方法及装置、设备、存储介质 | |
JP4478479B2 (ja) | 化粧品評価情報分析システム及び方法 | |
CN116894709A (zh) | 一种广告商品推荐方法和系统 | |
Alazab et al. | Maximising competitive advantage on E-business websites: A data mining approach | |
CN108648058A (zh) | 产品排序方法及装置,电子设备、存储介质 | |
CN108039198A (zh) | 一种面向移动医疗的医生推荐方法及系统 | |
US20180082139A1 (en) | Efficiently Building Nutrition Intake History from Images of Receipts | |
KR20220117425A (ko) | 빅데이터를 활용한 시장성 분석 및 사업화방법론 분석 시스템 | |
Shafiee et al. | The effect of implementing SEO techniques and websites design methods on e-tourism development: A study of travel agencies e-tourism websites | |
CN109670922A (zh) | 一种基于混合特征的线上图书价值发现方法 | |
CN115862806A (zh) | 一种基于隐私保护的健康画像构建方法 | |
CN110781399A (zh) | 一种跨平台的信息推送方法和装置 | |
Kumar et al. | Combined sentiment score and star rating analysis of travel destination prediction based on user preference using morphological linear neural network model with correlated topic modelling approach | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
KR20220007783A (ko) | 속성정보를 이용한 성형상품 추천시스템 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210706 |
|
CF01 | Termination of patent right due to non-payment of annual fee |