CN113539457A - 医疗资源的推荐方法及装置、电子设备、存储介质 - Google Patents

Abstract

本申请提供一种医疗资源的推荐方法及装置、电子设备、计算机可读存储介质，该方法包括：接收推荐请求，并依据所述推荐请求筛选出多个医疗资源数据；基于所述多个医疗资源数据的评分，对所述多个医疗资源数据进行排序，得到已排序的多个医疗资源数据；其中，所述多个医疗资源数据的评分由已训练的评分模型计算得到；向所述推荐请求的发起方返回已排序的多个医疗资源数据。本申请方案，通过评分模型计算出的评分对医疗资源数据进行排序，可以避免人工打分的主观性，从而以合适的排列顺序为用户提供医疗资源。

Description

医疗资源的推荐方法及装置、电子设备、存储介质

技术领域

本申请涉及计算机技术领域，特别涉及一种医疗资源的推荐方法及装置、电子设备、计算机可读存储介质。

背景技术

互联网医疗平台可为患者提供线上挂号、在线问诊等服务。互联网医疗平台可以集成海量的医院、医生等医疗资源。在这海量的资源中由于医院之间的地域、医院等级、科室专业度、线上开通情况等信息存在差异，因此，在响应用户在业务场景的推荐请求时，需要从海量的数据中选择最符合用户需求的数据推荐给用户。在相关方案中，通过专家打分的方式对不同医院进行评分，并依据评分结果对医疗资源排序后推荐给用户。然而，人工打分的方式依赖专家经验，主观性较大，在这种情况下，以评分结果排序的医疗资源可能并非最优的选择。

发明内容

本申请实施例的目的在于提供一种医疗资源的推荐方法及装置、电子设备、计算机可读存储介质，用于向用户推荐合适的医疗资源。

一方面，本申请提供了一种医疗资源的推荐方法，包括：

接收推荐请求，并依据所述推荐请求筛选出多个医疗资源数据；

基于所述多个医疗资源数据的评分，对所述多个医疗资源数据进行排序，得到已排序的多个医疗资源数据；其中，所述多个医疗资源数据的评分由已训练的评分模型计算得到；

向所述推荐请求的发起方返回已排序的多个医疗资源数据。

在一实施例中，在所述对所述多个医疗资源数据进行排序之前，所述方法还包括：

获取每个医疗资源数据的若干项特征指标；

将每个医疗资源数据的若干项特征指标转换为特征参数；

将每个医疗资源数据的特征参数输入已训练的评分模型，获得所述评分模型输出的所述医疗资源数据的评分。

在一实施例中，所述评分模型通过如下方式训练得到：

获取多个历史医疗资源数据的若干项特征指标和用户行为数据；

针对每个历史医疗资源数据，将其对应的若干项特征指标转换为样本特征参数，将其对应的用户行为数据转换为标签评分；

依据多个携带标签评分的样本特征参数，对机器学习模型进行训练，获得所述评分模型。

在一实施例中，所述用户行为数据包括多种行为类型对应的行为次数；

所述将其对应的用户行为数据转换为标签评分，包括：

基于每一行为类型对应的行为次数，确定所述行为类型对应的子评分；

对多个行为类型对应的子评分进行加权求和，获得标签评分。

在一实施例中，在确定所述历史医疗资源的标签评分之后，所述方法还包括：

依据所述历史医疗资源数据的历史评分，确定对应的调整系数；

根据所述调整系数对所述历史医疗资源数据的标签评分进行更新，获得新的标签评分。

另一方面，本申请还提供了一种医疗资源的推荐装置，包括：

筛选模块，用于接收推荐请求，并依据所述推荐请求筛选出多个医疗资源数据；

排序模块，用于基于所述多个医疗资源数据的评分，对所述多个医疗资源数据进行排序，得到已排序的多个医疗资源数据；其中，所述多个医疗资源数据的评分由已训练的评分模型计算得到；

推送模块，用于向所述推荐请求的发起方返回已排序的多个医疗资源数据。

在一实施例中，所述排序模块，还用于：

获取每个医疗资源数据的若干项特征指标；

将每个医疗资源数据的若干项特征指标转换为特征参数；

将每个医疗资源数据的特征参数输入已训练的评分模型，获得所述评分模型输出的所述医疗资源数据的评分。

在一实施例中，所述装置还包括训练模块，所述训练模块，用于：

获取多个历史医疗资源数据的若干项特征指标和用户行为数据；

针对每个历史医疗资源数据，将其对应的若干项特征指标转换为样本特征参数，将其对应的用户行为数据转换为标签评分；

依据多个携带标签评分的样本特征参数，对机器学习模型进行训练，获得所述评分模型。

进一步的，本申请还提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述医疗资源的推荐方法。

另外，本申请还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述医疗资源的推荐方法。

本申请方案，依据推荐请求筛选出多个医疗资源数据之后，可以获取已通过评分模型计算出的医疗资源数据的评分，并依据该评分对多个医疗资源数据进行排序，返回已排序的多个医疗资源数据；评分模型由多项特征指标训练得到，可以客观地计算出医疗资源数据的评分，使得推荐给用户的医疗资源的排序显示最优的推荐程度，协助用户从推荐结果中选择合适的医疗资源。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。

图1为本申请一实施例提供的医疗资源的推荐方法的应用场景示意图；

图2为本申请一实施例提供的电子设备的结构示意图；

图3为本申请一实施例提供的医疗资源的推荐方法的流程示意图；

图4为本申请一实施例提供的医疗资源数据的评分方法的流程示意图；

图5为本申请一实施例提供的评分模型的训练方法的流程示意图；

图6为本申请一实施例提供的医疗资源的推荐装置的框图。

具体实施方式

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描述。

相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1为本申请实施例提供的医疗资源的推荐方法的应用场景示意图。如图1所示，该应用场景包括客户端20和服务端30；客户端20可以是主机、手机、平板电脑等用户终端，用于向服务端30发送推荐请求；服务端30可以是搭载互联网医疗平台的服务器、服务器集群或云计算中心，可以响应于推荐请求，选择多个医疗资源数据进行排序后返回客户端20。

如图2所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图2中以一个处理器11为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中，电子设备1可以是上述服务端30，用于执行医疗资源的推荐方法。

存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器11执行以完成本申请提供的医疗资源的推荐方法。

参见图3，为本申请一实施例提供的医疗资源的推荐方法的流程示意图，如图3所示，该方法可以包括以下步骤310-步骤350。

步骤310：接收推荐请求，并依据推荐请求筛选出多个医疗资源数据。

其中，推荐请求用于获取医疗资源数据。推荐请求可以是用户在客户端搜索框输入关键词查询时产生的，也可以在用户点击业务服务的入口时产生。比如：用户在页面上点击提供“专家问诊”服务的入口图标时，可以产生推荐请求。

医疗资源可以包括与专病专科相关的医生、医院科室等，医疗资源数据用于指示医疗资源。

服务端可以依据推荐请求中的医疗需求信息，从数据库中筛选出多个医疗资源数据。这里，医疗需求信息可以是关键词(比如：疾病名称)、业务服务的标识。示例性的，用户在客户端搜索框输入关键词“感冒”进行搜索，产生携带关键词“感冒”的推荐请求，服务端可以依据该关键词从数据库中筛选出多个呼吸科医生对应的医疗资源数据，该医疗资源数据可以包括医生的姓名、所属科室、所属医院、擅长领域等信息。

步骤320：基于多个医疗资源数据的评分，对多个医疗资源数据进行排序，得到已排序的多个医疗资源数据；其中，多个医疗资源数据的评分由已训练的评分模型计算得到。

在筛选出多个医疗资源数据之后，服务端可以获取每个医疗资源数据对应的评分，并依据评分大小次序对多个医疗资源数据进行排序，评分高的医疗资源数据排在评分低的医疗资源数据之前。

服务端可以通过评分模型对每个医疗资源数据计算评分，并保存该评分，以便在响应推荐请求时依据评分对医疗资源数据进行排序。这里，评分模型可以由机器学习模型训练得到，用于对医疗资源数据进行评分，该机器学习模型可以是线性回归模型。

步骤330：向推荐请求的发起方返回已排序的多个医疗资源数据。

服务端对多个医疗资源数据进行排序之后，可以获得已排序的多个医疗资源数据，并可向推荐请求的发起方返回已排序的多个医疗资源数据。发送推荐请求的客户端接收已排序的多个医疗资源数据之后，可以根据排序顺序展示多个医疗资源数据，使得用户可以直观地查看医疗平台所推荐的医疗资源，并可依据排列顺序获知推荐程度。

通过评分模型计算出的评分对医疗资源数据进行排序，可以避免人工打分的主观性，从而以合适的排列顺序为用户提供医疗资源。

在一实施例中，参见图4，为本申请一实施例提供的医疗资源数据的评分方法的流程示意图，如图4所示，该方法可以包括如下步骤410-步骤430。

步骤410：获取每个医疗资源数据的若干项特征指标。

其中，特征指标用于表征医疗资源的各类特征。示例性的，特征指标可以包括但不限于所在地、医院的排名(比如：复旦医院榜排名)、医院等级、医院好评率、医院在线服务的服务量、开通科室情况等。

服务端可以从数据库中获取每个医疗资源数据对应的多项特征指标。如果医疗资源为医院科室，服务端获取该医院对应的多项特征指标。如果医疗资源为医生，服务端可以获取该医生所在医院对应的多项特征指标。

步骤420：将每个医疗资源数据的若干项特征指标转换为特征参数。

服务端可以将每个医疗资源数据的特征指标进行转换，从而得到可用于计算的特征参数。特征指标包括类别型指标和数值型指标，对于类别型指标，可以进行one-hot编码，获得该指标对应的one-hot向量；对于数值型指标，可以进行log变换、归一化处理。示例性的，类别型指标可以是医院等级，如“三甲”、“三乙”、“二甲”，服务端可以使用sklearn库中的one-hot编码器对医院等级进行编码处理。数值型指标可以是好评率，服务端对好评率进行log变换后，可以使用sklearn库中的minmaxscaler进行归一化处理。

服务端可以将类别型指标的处理结果和数值型指标的处理结果进行组合，从而得到特征参数。该特征参数可以是多维向量。

步骤430：将每个医疗资源数据的特征参数输入已训练的评分模型，获得评分模型输出的医疗资源数据的评分。

在获得医疗资源数据对应的特征参数之后，服务端可以将特征参数输入评分模型，通过评分模型对特征参数进行计算，从而得到医疗资源数据对应的评分。

在一实施例中，在执行本申请医疗资源的推荐方法之前，可以训练出评分模型。参见图5，为本申请一实施例提供的评分模型的训练方法的流程示意图，如图5所示，该方法可以包括如下步骤510-步骤530。

步骤510：获取多个历史医疗资源数据的若干项特征指标和用户行为数据。

其中，历史医疗资源数据是训练评分模型时已上线的医疗资源对应的医疗资源数据。用户行为数据是用户对医疗资源执行点击、下单、收藏等操作行为而产生的数据。示例性的，用户行为数据可以包括点击次数、下单次数、收藏次数等。

服务端所获取的历史医疗资源数据的若干项特征指标，与后续计算评分时所获取的特征指标相同。

步骤520：针对每个历史医疗资源数据，将其对应的若干项特征指标转换为样本特征参数，将其对应的用户行为数据转换为标签评分。

服务端可以对历史医疗资源数据的特征指标进行转换，对于类别型指标，通过one-hot编码获得该指标对应的one-hot向量；对于数值型指标，通过log变换和归一化处理。服务端对类别型指标的处理结果和数值型指标的处理结果进行组合，可以得到样本特征参数。样本特征参数可以是多维向量。

服务端可以对历史医疗资源数据对应的用户行为数据进行转换，从而换算出相应的评分，作为标签评分。服务端可以将历史医疗资源数据的标签评分标记在样本特征参数上。

对每个历史医疗资源数据对应的特征指标和用户行为数据进行转换后，可以获得多个携带标签指标的样本特征参数。

步骤530：依据多个携带标签评分的样本特征参数，对机器学习模型进行训练，获得评分模型。

服务端可以将多个样本特征参数输入机器学习模型，获得机器学习模型输出的对应于每个样本特征参数的预测评分。服务端可以根据预设损失函数对样本特征参数的预测评分与标签评分的差异进行评估，获得损失函数的函数值。服务端可以依据该函数值对机器学习模型进行调整。

当机器学习模型经过调整之后，服务端可以重新将多个样本特征参数输入机器学习模型，从而得到对应于每个样本特征参数的预测评分。服务端可以根据损失函数对该预测评分与标签评分的差异进行评估，获得损失函数的函数值，并依据该函数值进一步对机器学习模型进行调整。

重复上述措施，经过反复迭代，当损失函数的函数值趋于稳定时，可认为机器学习模型收敛，获得评分模型。

在一实施例中，用户行为数据包括多种行为类型对应的行为次数，比如，行为类型可以包括点击、下单、收藏等。

服务端在将历史医疗资源数据对应的用户行为数据转换为标签评分时，可以基于每一行为类型对应的行为次数，确定该行为类型对应的子评分。示例性的，行为类型为点击，每一点击次数换算为1分，可以得到点击对应的子评分；行为类型为下单，每一下单次数换算为5分，可以得到下单对应的子评分。

服务端可以对多个行为类型对应的子评分进行加权求和，从而得到标签评分。这里，每一行为类型对应的权重可以是预配置的经验值。示例性的，每一行为类型的权重均为1，服务端将各子评分直接相加，可以得到标签评分。

在一实施例中，服务端在确定历史医疗资源数据的标签评分之后，可以对标签评分进行调整，以消除历史医疗资源数据此前的排序对用户行为产生的影响。

服务端可以依据历史医疗资源数据的历史评分，确定对应的调整系数。历史评分与调整系数负相关。其中，历史评分是此前确定的评分，在机器学习模型尚未训练出评分模型之前，历史评分可以是现有方案确定的评分；在已经训练出评分模型之后，在对评分模型进行更新之前，历史评分可以是此前评分模型计算出的评分。

服务端可以根据调整系数对历史医疗资源数据的标签评分进行更新，获得新的标签评分。服务端可以将调整系数与标签评分相乘，从而得到新的标签评分。

历史评分高的历史医疗资源数据在此前的推荐结果中排序较为靠前，容易被用户查看，而历史评分低的历史医疗资源数据相反。在这种情况下，服务端通过与历史评分负相关的调整系数对标签评分进行调整，可获得更准确的标签评分，使得后续训练得到的评分模型可以更准确地对医疗资源数据进行评分。

图6是本发明一实施例的一种医疗资源的推荐装置，如图6所示，该装置可以包括：

筛选模块610，用于接收推荐请求，并依据所述推荐请求筛选出多个医疗资源数据；

排序模块620，用于基于所述多个医疗资源数据的评分，对所述多个医疗资源数据进行排序，得到已排序的多个医疗资源数据；其中，所述多个医疗资源数据的评分由已训练的评分模型计算得到；

推送模块630，用于向所述推荐请求的发起方返回已排序的多个医疗资源数据。

在一实施例中，所述排序模块620，还用于：

获取每个医疗资源数据的若干项特征指标；

将每个医疗资源数据的若干项特征指标转换为特征参数；

将每个医疗资源数据的特征参数输入已训练的评分模型，获得所述评分模型输出的所述医疗资源数据的评分。

在一实施例中，所述装置还包括训练模块640(图中未示出)，所述训练模块640，用于：

获取多个历史医疗资源数据的若干项特征指标和用户行为数据；

针对每个历史医疗资源数据，将其对应的若干项特征指标转换为样本特征参数，将其对应的用户行为数据转换为标签评分；

依据多个携带标签评分的样本特征参数，对机器学习模型进行训练，获得所述评分模型。

在一实施例中，所述训练模块640(图中未示出)，还用于：

基于每一行为类型对应的行为次数，确定所述行为类型对应的子评分；

对多个行为类型对应的子评分进行加权求和，获得标签评分。

在一实施例中，所述训练模块640(图中未示出)，还用于：

依据所述历史医疗资源数据的历史评分，确定对应的调整系数；

根据所述调整系数对所述历史医疗资源数据的标签评分进行更新，获得新的标签评分。

上述装置中各个模块的功能和作用的实现过程具体详见上述医疗资源的推荐方法中对应步骤的实现过程，在此不再赘述。

在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块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，本申请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)执行本申请各个实施例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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种医疗资源的推荐方法，其特征在于，包括：

接收推荐请求，并依据所述推荐请求筛选出多个医疗资源数据；

基于所述多个医疗资源数据的评分，对所述多个医疗资源数据进行排序，得到已排序的多个医疗资源数据；其中，所述多个医疗资源数据的评分由已训练的评分模型计算得到；

向所述推荐请求的发起方返回已排序的多个医疗资源数据。

2.根据权利要求1所述的方法，其特征在于，在所述对所述多个医疗资源数据进行排序之前，所述方法还包括：

获取每个医疗资源数据的若干项特征指标；

将每个医疗资源数据的若干项特征指标转换为特征参数；

将每个医疗资源数据的特征参数输入已训练的评分模型，获得所述评分模型输出的所述医疗资源数据的评分。

3.根据权利要求2所述的方法，其特征在于，所述评分模型通过如下方式训练得到：

获取多个历史医疗资源数据的若干项特征指标和用户行为数据；

针对每个历史医疗资源数据，将其对应的若干项特征指标转换为样本特征参数，将其对应的用户行为数据转换为标签评分；

依据多个携带标签评分的样本特征参数，对机器学习模型进行训练，获得所述评分模型。

4.根据权利要求3所述的方法，其特征在于，所述用户行为数据包括多种行为类型对应的行为次数；

所述将其对应的用户行为数据转换为标签评分，包括：

基于每一行为类型对应的行为次数，确定所述行为类型对应的子评分；

对多个行为类型对应的子评分进行加权求和，获得标签评分。

5.根据权利要求4所述的方法，其特征在于，在确定所述历史医疗资源的标签评分之后，所述方法还包括：

依据所述历史医疗资源数据的历史评分，确定对应的调整系数；

根据所述调整系数对所述历史医疗资源数据的标签评分进行更新，获得新的标签评分。

6.一种医疗资源的推荐装置，其特征在于，包括：

筛选模块，用于接收推荐请求，并依据所述推荐请求筛选出多个医疗资源数据；

排序模块，用于基于所述多个医疗资源数据的评分，对所述多个医疗资源数据进行排序，得到已排序的多个医疗资源数据；其中，所述多个医疗资源数据的评分由已训练的评分模型计算得到；

推送模块，用于向所述推荐请求的发起方返回已排序的多个医疗资源数据。

7.根据权利要求6所述的装置，其特征在于，所述排序模块，还用于：

获取每个医疗资源数据的若干项特征指标；

将每个医疗资源数据的若干项特征指标转换为特征参数；

将每个医疗资源数据的特征参数输入已训练的评分模型，获得所述评分模型输出的所述医疗资源数据的评分。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块，用于：

获取多个历史医疗资源数据的若干项特征指标和用户行为数据；

针对每个历史医疗资源数据，将其对应的若干项特征指标转换为样本特征参数，将其对应的用户行为数据转换为标签评分；

依据多个携带标签评分的样本特征参数，对机器学习模型进行训练，获得所述评分模型。

9.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-5任意一项所述的医疗资源的推荐方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-5任意一项所述的医疗资源的推荐方法。

Images