CN113593692A - 基于大数据智慧医疗的数据处理方法和云计算服务器 - Google Patents

基于大数据智慧医疗的数据处理方法和云计算服务器 Download PDF

Info

Publication number
CN113593692A
CN113593692A CN202110876960.4A CN202110876960A CN113593692A CN 113593692 A CN113593692 A CN 113593692A CN 202110876960 A CN202110876960 A CN 202110876960A CN 113593692 A CN113593692 A CN 113593692A
Authority
CN
China
Prior art keywords
medical
emotion
service
data
abnormal
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.)
Withdrawn
Application number
CN202110876960.4A
Other languages
English (en)
Inventor
李刚
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110876960.4A priority Critical patent/CN113593692A/zh
Publication of CN113593692A publication Critical patent/CN113593692A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Finance (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例公开了一种基于大数据智慧医疗的数据处理方法和云计算服务器，在实施该基于大数据智慧医疗的数据处理方法时，由于情绪关联参考数据和情绪极性分类结果用于确定存在异常事项标记的医疗服务环境的情绪关联指示信息，且情绪关联指示信息能够用于确定至少一个所述智能医疗交互设备的服务情绪反馈，此外，情绪关联指示信息考虑了情绪极性，因而能够在确定服务情绪反馈的过程中确保服务情绪反馈的真实性和参考性，从而保证服务情绪反馈能够精准地反映出患者就诊反馈的实际需求情况。

Description

基于大数据智慧医疗的数据处理方法和云计算服务器
技术领域
本申请涉及智慧医疗和知识库技术领域，特别涉及一种基于大数据智慧医疗的数据处理方法和云计算服务器。
背景技术
智慧医疗致力构建一个病人为中心的医疗服务体系。通过在服务成本、服务质量和服务可及性三方面取得一个良好的平衡，从而优化医疗实践成果、创新医疗服务模式和业务市场，并提供高质量的个人医疗服务体验。
智慧医疗具有互联互通的特性、协作的特性、预防性的特性以及普及性的特性，能够有效改善传统医疗模式的痛点问题，从而实现智能化医疗的普及，提高医疗资源的分配和使用效率，确保现代医疗系统能够应对复杂的医疗问题。
发明人在对智慧医疗进行研究和分析的过程中发现，由于智慧医疗提高了患者就诊的智能化交互程度，为了实现对在线医疗服务产品的不断优化和更新，需要对患者的服务情绪反馈（在使用在线医疗服务产品的感受和反馈）进行分析和确定。然而，相关技术在确定服务情绪反馈时，在一定程度上难以确保服务情绪反馈的真实性和参考性，从而难以保证服务情绪反馈能够精准地反映出患者就诊反馈的实际需求情况。
发明内容
本申请实施例之一提供一种基于大数据智慧医疗的数据处理方法，应用于云计算服务器，所述云计算服务器与多个智能医疗交互设备通信连接，所述方法至少包括：根据当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境以及所述存在异常事项标记的引导事项的患者操作记录，确定情绪关联参考数据和情绪极性分类结果；基于所述情绪关联参考数据和所述情绪极性分类结果进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息；其中，所述情绪关联指示信息用于确定至少一个所述智能医疗交互设备的服务情绪反馈。
本申请实施例之一提供一种云计算服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行上述的方法。
附图说明
图1是根据本发明的一些实施例所示的一种示例性基于大数据智慧医疗的数据处理方法和/或过程的流程图；
图2是根据本发明的一些实施例所示的一种示例性基于大数据智慧医疗的数据处理装置的框图；
图3是根据本发明的一些实施例所示的一种示例性基于大数据智慧医疗的数据处理系统的框图，以及
图4是根据本发明的一些实施例所示的一种示例性云计算服务器中硬件和软件组成的示意图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
为了在确定服务情绪反馈的过程中确保服务情绪反馈的真实性和参考性，从而保证服务情绪反馈能够精准地反映出患者就诊反馈的实际需求情况，发明人针对性地提出了基于大数据智慧医疗的数据处理方法，通过确定存在异常事项标记的医疗服务环境的情绪关联指示信息，能够基于情绪关联指示信息确定至少一个智能医疗交互设备的服务情绪反馈，从而在确定服务情绪反馈的过程中确保服务情绪反馈的真实性和参考性，保证服务情绪反馈能够精准地反映出患者就诊反馈的实际需求情况。
在相关实施例中，对基于大数据智慧医疗的数据处理方法进行示例性的说明，请参阅图1，是根据本发明的一些实施例所示的一种示例性基于大数据智慧医疗的数据处理方法和/或过程的流程图，所述基于大数据智慧医疗的数据处理方法，可以应用于云计算服务器，所述云计算服务器与多个智能医疗交互设备通信连接，进一步地，云计算服务器在执行上述方法时可以实现以下步骤S100和步骤S200所描述的技术方案。
S100、根据当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境以及所述存在异常事项标记的引导事项的患者操作记录，确定情绪关联参考数据和情绪极性分类结果。
例如，当前在线医疗引导服务可以是云计算服务器所激活的在线医疗引导服务，包括但不限于门诊咨询、就诊流程（检查流程、问诊流程）引导以及其他个性化引导服务等。进一步地，异常事项标记的引导事项可以通过对不同的医疗患者终端的反馈信息进行分析之后得到，比如，针对引导事项case1，其对应的反馈信息可以包括反馈信息back11、反馈信息back12、反馈信息back13、反馈信息back14和反馈信息back15，进一步地，反馈信息back11、反馈信息back12、反馈信息back13、反馈信息back14和反馈信息back15各自对应的反馈热度指数分别为num11、num12、num13、num14和num15，由此可以得出引导事项case1的综合反馈热度指数为NumCase1=（num11+num12+num13+num14+num15）/5。针对引导事项case2，其对应的反馈信息可以包括反馈信息back21、反馈信息back22、反馈信息back23和反馈信息back24，进一步地，反馈信息back21、反馈信息back22、反馈信息back23和反馈信息back24各自对应的反馈热度指数分别为num21、num22、num23和num24，由此可以得出引导事项case2的综合反馈热度指数为NumCase2=（num21+num22+num23+num24）/4。进一步地，若NumCase1大于NumCase2，则可以判定引导事项case1为存在异常事项标记的引导事项，若NumCase2大于NumCase1，则可以判定引导事项case2为存在异常事项标记的引导事项。当然，确定存在异常事项标记的引导事项的实施方式还可以包括其他内容，在此不一一列举。同理，存在异常事项标记的医疗服务环境的确定方式也可以参照确定存在异常事项标记的引导事项的方式，存在异常事项标记的引导事项的患者操作记录可以是智能医疗交互设备对应的就诊操作数据，在本实施例中，所述存在异常事项标记的引导事项可以为指示-应答事项（交互项目），相应地，所述存在异常事项标记的引导事项的患者操作记录包括：设备请求数据、服务器响应数据、设备验证数据、服务器请求数据和设备操作数据等。举例而言，患者操作记录可以通过对相关的操作执行函数的调用记录进行分析之后得到，也可以通过其他实施方式确定，后续将对患者操作记录的获取方式进行进一步说明。
另外，情绪关联可以理解为在获得新的就诊反馈之后，需要对其进行情绪分析，以避免极性分析歧义，比如某些就诊反馈可能有多种表达，某个反馈消息也许对应于多个语义情绪等，相应地，情绪关联参考数据用于指示如何对新的就诊反馈进行整合和处理。情绪极性可以理解为新的就诊反馈的有用程度或者偏差情况，比如新的就诊反馈中的错误信息、冗余信息的比例，或者新的就诊反馈中的具有就诊优化指导意义的信息的比例等，相应地，情绪极性分类结果用于对这些就诊反馈信息进行一个全面的评估，比如可以通过情感极性量化数组来评估对应的就诊反馈信息。举例而言，情感极性量化数组可以为[em1，em2，em3，em4，em5]，其中，em1，em2，em3，em4和em5分别代表不同的情绪维度，比如em1可以用于评估新的就诊反馈中的异常信息的比例，em2可以用于评估新的就诊反馈中的重复信息的比例，em3可以用于评估新的就诊反馈中具有就诊优化指导意义的信息的比例等。当然，情感极性量化数组中的数组特征的含义可以根据其他情况进行调整，在此不作限定。可以理解，情绪关联参考数据和情绪极性分类结果用于确定存在异常事项标记的医疗服务环境的情绪关联指示信息，而情绪关联指示信息能够用于确定至少一个所述智能医疗交互设备的服务情绪反馈，并且情绪关联指示信息考虑了情绪极性，因而能够在确定服务情绪反馈的过程中确保服务情绪反馈的真实性和参考性，从而保证服务情绪反馈能够精准地反映出患者就诊反馈的实际需求情况。
在相关实施例中，步骤“根据当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境以及所述存在异常事项标记的引导事项的患者操作记录，确定情绪关联参考数据和情绪极性分类结果”，可以包括以下步骤S110-S130所描述的内容。
S110、确定当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境，并确定所述存在异常事项标记的引导事项的患者操作记录。例如，医疗服务环境可以是处于运行状态的医疗场景。在相关实施例中，确定所述存在异常事项标记的引导事项的患者操作记录除了上述的实施方式，还可以包括以下内容：确定所述存在异常事项标记的引导事项的就诊操作应答信息，并基于所确定的就诊操作应答信息，确定所述存在异常事项标记的引导事项的患者操作记录。进一步地，所述确定所述存在异常事项标记的引导事项的就诊操作应答信息的步骤，包括：根据所述当前在线医疗引导服务以及所述当前在线医疗引导服务之前的预设数目的关联引导服务中所述存在异常事项标记的引导事项相对于所述智能医疗交互设备的引导事项激活信息，确定所述存在异常事项标记的引导事项的就诊操作应答信息。相关实施例中，就诊操作应答信息可以理解为智能医疗交互设备侧的就诊响应信息，引导事项激活信息可以是云计算服务器侧针对智能医疗交互设备侧的就诊操作所反馈的就诊信息，如此设计，能够基于智能医疗交互设备侧和云计算服务器侧完整地确定出就诊操作应答信息，进而完整地确定出患者操作记录。
S120、将所述存在异常事项标记的医疗服务环境划分为预设数目个就诊流程场景，获得各个就诊流程场景的情绪关联参考数据。
例如，医疗服务环境可以包括多个互相之间存在关联关系的医疗场景，为了确保后续得到的情绪关联指示信息的环境适配性，通过事先将所述存在异常事项标记的医疗服务环境划分为预设数目个就诊流程场景并确定各个就诊流程场景的情绪关联参考数据，能够尽可能减少多个互相之间存在关联关系的医疗场景之间的互相影响，从而确保后续得到的情绪关联指示信息的环境适配性。
S130、根据所述存在异常事项标记的引导事项的患者操作记录，确定所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪极性分类结果。相关实施例中，步骤“根据所述存在异常事项标记的引导事项的患者操作记录，确定所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪极性分类结果”，可以包括以下内容：根据设定的存在异常事项标记的引导事项的患者操作记录与存在异常事项标记的医疗服务环境中各个就诊流程场景的情绪极性分类结果的匹配关系，以及所述存在异常事项标记的引导事项的患者操作记录，确定所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪极性分类结果。相关实施例中，匹配关系可以是神经网络模型，神经网络模型的训练可以基于存在异常事项标记的引导事项的样本患者操作记录以及与存在异常事项标记的医疗服务环境中各个就诊流程场景的样本情绪极性分类结果进行对抗训练之后得到，这样一来，基于匹配关系确定出的各个就诊流程场景的情绪极性分类结果具有更高的环境适配性。
S200、基于所述情绪关联参考数据和所述情绪极性分类结果进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息。
例如，所述情绪关联指示信息用于确定至少一个所述智能医疗交互设备的服务情绪反馈。在S100的基础上，步骤“基于所述情绪关联参考数据和所述情绪极性分类结果进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息”，进一步可以包括以下内容：按照各个就诊流程场景的情绪极性分类结果，对所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪关联参考数据进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息。相关实施例中，数据优化可以理解为：对于经过处理的就诊服务反馈，需要经过可靠性检测之后（部分需要人工参与甄别），才能将可用的部分作为服务情绪反馈，以确保服务情绪反馈的真实性。通俗地讲，通过数据优化得到的情绪关联指示信息，能够从医疗环境层面和智能医疗交互设备层面反映出患者就诊反馈的实时需求变化情况，从而为后续的服务情绪反馈的确定提供准确可靠的指导，这样一来，在确定服务情绪反馈的过程中确保服务情绪反馈的真实性和参考性，从而保证服务情绪反馈能够精准地反映出患者就诊反馈的实际需求情况。
在相关实施例中，存在异常事项标记的医疗服务环境可以为一个或者多个，本实施例将基于存在异常事项标记的医疗服务环境可以为一个或者多个的两种情况分别进行说明。
一方面，当所述存在异常事项标记的医疗服务环境为一个时，该方法还可以包括以下内容：在确定所述存在异常事项标记的医疗服务环境的情绪关联指示信息之后，将所述存在异常事项标记的医疗服务环境的情绪关联指示信息作为所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据；根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式。比如，情绪关联过渡数据可以用于优化相关的引导服务生成方式，从而确保后续的就诊服务引导更加精准，进而确保获取到的患者操作记录是符合患者实际操作习惯的。所述当前在线医疗引导服务的下一在线医疗引导服务可以是下发时刻位于当前在线医疗引导服务的下发时刻之后的在线医疗引导服务，如此设计，通过对后续的引导服务生成方式进行优化，能够实现后续的引导事项的准确下发，以便获得更加准确的患者操作记录，从而实现对服务情绪反馈的不断更新和完善。
另一方面，当所述存在异常事项标记的医疗服务环境为多个时，该方法还可以包括以下内容：在确定所述存在异常事项标记的医疗服务环境的情绪关联指示信息之后，根据每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据；根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式。同理，如此设计，通过对后续的引导服务生成方式进行优化，能够实现后续的引导事项的准确下发，以便获得更加准确的患者操作记录，从而实现对服务情绪反馈的不断更新和完善。在相关实施例中，为了考虑不同参考数据之间的互相干扰，在步骤“根据每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据”之前，还可以包括以下内容：对每一所述存在异常事项标记的医疗服务环境进行情绪关联参考数据的关联分析，确定每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息对存在异常事项标记的医疗服务环境的情绪关联过渡数据的参考数据扰动情况；根据所确定的每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息对存在异常事项标记的医疗服务环境的情绪关联过渡数据的参考数据扰动情况，将参考数据扰动情况对应的扰动系数大于设定扰动系数的存在异常事项标记的医疗服务环境确定为目标医疗服务环境。例如，通过情绪关联参考数据的关联分析，可以确定出每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息对存在异常事项标记的医疗服务环境的情绪关联过渡数据的参考数据扰动情况。进一步地，参考数据扰动情况可以用于表征情绪关联指示信息和情绪关联过渡数据之间对于相同就诊反馈信息的处理逻辑的差异，在此基础上，通过将参考数据扰动情况对应的扰动系数大于设定扰动系数的存在异常事项标记的医疗服务环境确定为目标医疗服务环境，能够确保目标医疗服务环境下的不同参考数据之间的干扰情况能够被重点关注，从而在后续进行情绪关联过渡数据确定时将不同参考数据之间的干扰情况考虑在内，以避免或者削弱不同参考数据之间的互相干扰。另外，扰动系数的取值可以为0~1，0表示不存在扰动，1表示存在整体性的扰动（也即情绪关联指示信息和情绪关联过渡数据之间对于相同就诊反馈信息的处理逻辑完全不同）。在上述基础上，步骤“根据每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据”，可以包括以下内容：根据每一目标医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据。进一步地，步骤“根据每一目标医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据”，可以包括：根据每一目标医疗服务环境的情绪关联指示信息对存在异常事项标记的医疗服务环境的局部情绪关联数据的参考数据扰动情况，确定每一目标医疗服务环境的环境描述语句；根据每一目标医疗服务环境的情绪关联指示信息以及环境描述语句，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据。举例而言，环境描述语句用于对不同的目标医疗服务环境进行区分。
在上述内容的基础上，步骤“根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式”，可以包括以下内容：判断所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率是否大于第一预设阈值；如果大于所述第一预设阈值，判断所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率是否等于所述当前在线医疗引导服务的上一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率；如果等于所述当前在线医疗引导服务的上一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率，根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据优化历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据；根据优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据和设定的情绪关联基准偏差率，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式。举例而言，数据偏差率可以用于标识新就诊反馈信息中存在错误的信息片段的比例，可以理解，当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率可以用于表征后续的引导服务生成方式的下发准确度，因此，在当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率大于所述第一预设阈值时，可以通过考虑当前在线医疗引导服务的上一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率，进而根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据优化历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，这样一来，能够结合设定的情绪关联基准偏差率优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式，从而实现后续的引导事项的准确下发，以便获得更加准确的患者操作记录，从而实现对服务情绪反馈的不断更新和完善。
另外，在判断出所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率等于所述当前在线医疗引导服务的上一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率的情况下，还可以包括以下内容：针对所述当前在线医疗引导服务中各个存在异常事项标记的引导事项，判断所述当前在线医疗引导服务中该存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境的情绪关联指示信息是否与所述当前在线医疗引导服务的上一在线医疗引导服务中该存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境的情绪关联指示信息相同；如果是，确定所述当前在线医疗引导服务的情绪关联备选数据。在此基础上，步骤“根据优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据和设定的情绪关联基准偏差率，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式”，可以包括以下内容：确定所述当前在线医疗引导服务之后的第一预设数目的关联引导服务的引导服务生成方式的生成方式特征值等于所述当前在线医疗引导服务的引导服务生成方式的生成方式特征值；在所述情绪关联备选数据对应的数据偏差率不小于设定的动态偏差率时，减少所述设定的情绪关联基准偏差率，根据减少后的情绪关联基准偏差率和优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化第一目标在线医疗引导服务的引导服务生成方式，其中，所述第一目标在线医疗引导服务为：所述第一预设数目的关联引导服务中最后一关联引导服务的下一关联引导服务；在所述情绪关联备选数据对应的数据偏差率不大于设定的静态偏差率时，增加所述设定的情绪关联基准偏差率，根据增加后的情绪关联基准偏差率和优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述第一目标在线医疗引导服务的引导服务生成方式；在所述情绪关联备选数据对应的数据偏差率大于所述设定的静态偏差率且小于所述设定的动态偏差率时，根据所述设定的情绪关联基准偏差率和优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述第一目标在线医疗引导服务的引导服务生成方式。举例而言，引导服务生成方式的生成方式特征值用于对不同的引导服务生成方式进行比较，而情绪关联基准偏差率用于对服务情绪反馈的整体情绪极性进行把关，动态偏差率可以理解为随着时间的变化而变化的偏差率，静态偏差率可以理解为不随时间变化的偏差率，如此一来，能够基于动态偏差率和静态偏差率对情绪关联备选数据对应的数据偏差率的综合判定，从而实现对情绪关联基准偏差率的调整，以便实现对引导服务生成方式的优化，这样能够实现后续的引导事项的准确下发，以便获得更加准确的患者操作记录，从而实现对服务情绪反馈的不断更新和完善。
在另外的一些实施例中，在判断出所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率不等于所述当前在线医疗引导服务的前一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率的情况下，该方法还可以还包括以下内容：判断目标判定值的绝对值是否大于第二预设阈值，其中，所述目标判定值为：所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率与历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率的差值；如果否，根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据优化历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，并根据优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据和所述设定的情绪关联基准偏差率，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式；如果是，确定所述当前在线医疗引导服务之后的第二预设数目的关联引导服务的引导服务生成方式的生成方式特征值等于所述当前在线医疗引导服务的引导服务生成方式的生成方式特征值，并根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据优化历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，再根据优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据和所述设定的情绪关联基准偏差率，优化第二目标在线医疗引导服务在线医疗引导服务的引导服务生成方式，其中，所述第二目标在线医疗引导服务为：所述第二预设数目的关联引导服务中最后一关联引导服务的下一关联引导服务。
在一些可能的实施例中，在判断出所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率不大于所述第一预设阈值的情况下，还可以包括以下内容：判断所述当前在线医疗引导服务之前的第三预设数目的关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率是否均不大于所述第一预设阈值；如果是，确定所述当前在线医疗引导服务的情绪关联备选数据，在所述情绪关联备选数据对应的数据偏差率不小于设定的动态偏差率时，或在所述情绪关联备选数据对应的数据偏差率不大于设定的静态偏差率时，根据所述情绪关联备选数据和所述设定的情绪关联基准偏差率，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式，在所述情绪关联备选数据对应的数据偏差率小于所述设定的动态偏差率并且大于所述设定的静态偏差率时，确定所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式的生成方式特征值等于所述当前在线医疗引导服务的引导服务生成方式的生成方式特征值；如果否，确定所述当前在线医疗引导服务的情绪关联备选数据，根据所述情绪关联备选数据和所述设定的情绪关联基准偏差率，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式。
进一步地，在S200之后，还可以根据情绪关联指示信息确定至少一个所述智能医疗交互设备的服务情绪反馈，在确定了服务情绪反馈之后，可以基于智能医疗交互设备侧的可视化就诊记录实现服务情绪反馈（患者信息）的优化，为此，在一些可选择的方案中，还可以包括以下内容。
S310：智能医疗交互设备从收集的第一云就诊互动状态的第一可视化就诊记录获取目标就诊服务事件在所述第一可视化就诊记录中的智慧医疗患者描述；从所述第一可视化就诊记录中确定所述智慧医疗患者描述对应的第一待处理就诊记录；将所述第一待处理就诊记录至少进行噪声过滤处理得到第二云就诊互动状态的目标可视化就诊记录，所述第二云就诊互动状态适于所述目标可视化就诊记录进行患者信息优化；将所述目标可视化就诊记录发送至所述云计算服务器。
举例而言，智能医疗交互设备在与云计算服务器通信时可能存在不同的就诊互动状态，比如单向就诊互动状态或者双向就诊互动状态，单向就诊互动状态是指智能医疗交互设备和云计算服务器两者之间只有一方进行就诊操作的就诊互动状态，双向就诊互动状态是指智能医疗交互设备和云计算服务器两者均进行就诊操作的就诊互动状态，当然，不同的就诊互动状态的分类还可以通过是否存在第三方就诊参与对象进行分类，在此不作限定。进一步地，可视化就诊记录可以是智能医疗交互设备与云计算服务器之间的交互记录，以就诊检测化验为例，可视化就诊记录可以是智能医疗交互设备的检测缴费信息和采集记录信息，以住院观察服务为例，可视化就诊记录可以是智能医疗交互设备的床位分配和管理记录等。更近一步地，目标就诊服务事件可以是事先根据大量样本确定出的具有较高就诊服务反馈热度或者询问系数的就诊服务事件，比如就诊检测化验中的某项化验项目，住院观察服务中的某项缴费流程等。智慧医疗患者描述则可以理解为针对医疗患者层面的特征信息，特征信息（元素信息）记录不同患者的就诊情况、就诊评价，可以在一定程度上理解为较为粗糙的就诊反馈信息。在上述内容的基础上，第一待处理就诊记录可以理解为随着时间的变化而变化的可视化就诊记录，也即智能医疗交互设备在与云计算服务器交互时存在持续性更新和变化的可视化就诊记录。在本实施例中，第二云就诊互动状态适于所述目标可视化就诊记录进行患者信息优化，相应地，第二云就诊互动状态可以理解为与信息服务期的运行状态相匹配的就诊互动状态，且第二云就诊互动状态和第一云就诊互动状态是相对的，比如，若第一云就诊互动状态为单向就诊互动状态，那么第二云就诊互动状态可能为双向就诊互动状态，若第一云就诊互动状态为双向就诊互动状态，那么第二云就诊互动状态可能为单向就诊互动状态。智能医疗交互设备在确定出了目标可视化就诊记录之后，将目标可视化就诊记录发送给云计算服务器以使得云计算服务器基于所述目标可视化就诊记录进行患者信息优化。相关实施例中，目标可视化就诊记录可以是经过患者反馈校正之后的就诊信息，且目标可视化就诊记录的确定是在智能医疗交互设备侧进行的，因而能够确保目标可视化就诊记录尽可能与智能医疗交互设备的实时就诊情况相匹配。当然，在实际实施过程中，上述S310可以在智能医疗交互设备对应的关联终端中执行，也可以在智能医疗交互设备中执行。比如，当智能医疗交互设备为手机等处理能力较弱的设备时，上述S310可以在智能医疗交互设备对应的关联终端中执行。又比如，当智能医疗交互设备为大型计算机等处理能力较强的设备时，上述S310可以在智能医疗交互设备中执行。
在相关的实施例中，为了确保得到的智慧医疗患者描述的准确性，步骤“从收集的第一云就诊互动状态的第一可视化就诊记录获取目标就诊服务事件在所述第一可视化就诊记录中的智慧医疗患者描述”，可以通过以下方式实现：对第一可视化就诊记录进行就诊信息转换得到第二可视化就诊记录；在所述第二可视化就诊记录中统计出所述目标就诊服务事件的智慧医疗患者描述，将统计出的智慧医疗患者描述确定为所述目标就诊服务事件在所述第一可视化就诊记录中的智慧医疗患者描述。其中，通过就诊信息转换，能够尽可能确保可视化就诊记录的信息格式的一致性，这样在进行目标就诊服务事件的智慧医疗患者描述的统计时，能够尽可能减少信息失真等问题，从而确保得到的智慧医疗患者描述的准确性。进一步地，在实际实施过程中，为了提高确定智慧医疗患者描述的效率，可以借助相关的人工智能网络实现上述步骤“在所述第二可视化就诊记录中统计出所述目标就诊服务事件的智慧医疗患者描述，将统计出的智慧医疗患者描述确定为所述目标就诊服务事件在所述第一可视化就诊记录中的智慧医疗患者描述”。机器学习（Machine Learning）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的就诊反馈或技能，重新组织已有的知识结构使之不断改善自身的性能。因此，利用人工智能网络，比如神经网络模型（Neural Networks，NN）实现相应的数据信息处理，能够提高处理的准确性和效率。为实现这一目的，步骤“在所述第二可视化就诊记录中统计出所述目标就诊服务事件的智慧医疗患者描述，将统计出的智慧医疗患者描述确定为所述目标就诊服务事件在所述第一可视化就诊记录中的智慧医疗患者描述”，可以通过以下内容实现：将所述第二可视化就诊记录输入至事先完成训练的第一人工智能网络；其中所述第一人工智能网络至少通过用于进行就诊特征抽取的就诊特征抽取子网、用于进行就诊特征判别的就诊特征判别子网、用于进行就诊特征区分的就诊特征区分子网、用于进行患者标签提取的标签提取子网和用于进行患者描述匹配的信息匹配层实现所述目标就诊服务事件的智慧医疗患者描述的识别和统计；将所述第一人工智能网络统计的结果确定为所述目标就诊服务事件在所述第一可视化就诊记录中的智慧医疗患者描述。
举例而言，第一人工智能网络可以是神经网络模型，第一人工智能网络可以包括多个功能网络层，比如上述提到的用于进行就诊特征抽取的就诊特征抽取子网、用于进行就诊特征判别的就诊特征判别子网、用于进行就诊特征区分的就诊特征区分子网、用于进行患者标签提取的标签提取子网和用于进行患者描述匹配的信息匹配层，这些功能网络层可以通过预训练实现对应功能的学习和优化，从而更好地应用到智慧医疗患者描述的确定过程中。比如，在对第一人工智能网络进行训练时，可以将样本集按照一定比例划分为训练集和测试集，并通过训练集对第一人工智能网络进行训练，通过测试集对第一人工智能网络进行测试，并通过调整相关的网络参量确保测试率满足设定条件，从而完成对第一人工智能网络的训练。由于训练之后的第一人工智能网络包括不同的功能网络层，且这些功能网络层之间能够进行输入输出的传递，这样能够减少对目标就诊服务事件的智慧医疗患者描述进行识别和统计时产生的累积误差，从而提高确定智慧医疗患者描述的效率。
在实际实施过程中，步骤“将所述第一待处理就诊记录至少进行噪声过滤处理得到第二云就诊互动状态的目标可视化就诊记录”的进一步实施方式可以包括多种，下面将对至少部分的实施方式进行说明，当然，在实际实施过程中，并不限于以下的实施方式。
关于步骤“将所述第一待处理就诊记录至少进行噪声过滤处理得到第二云就诊互动状态的目标可视化就诊记录”的实施方式（1）：将所述第一待处理就诊记录输入至事先完成训练的第二人工智能网络中；所述第二人工智能网络至少通过用于进行医疗类别分析的医疗类别分析子网、用于进行患者就诊流程划分的就诊流程划分子网实现输入的第一待处理就诊记录的噪声记录过滤，并输出噪声记录过滤后的可视化就诊记录；将第二人工智能网络输出的可视化就诊记录作为所述目标可视化就诊记录。在实施方式（1）中，第二人工智能网络的训练方式和第一人工智能网络的训练方式类似，在此不作赘述。由于在进行噪声记录过滤时考虑了就诊紧急程度和患者就诊反馈，因而能够确保得到的目标可视化就诊记录能够与不同的就诊紧急程度和不同的患者就诊反馈相适配，进而确保后续患者信息优化的准确性和可靠性。可以理解，第二人工智能网络输出的噪声记录过滤后的可视化就诊记录为第二云就诊互动状态的目标可视化就诊记录。
关于步骤“将所述第一待处理就诊记录至少进行噪声过滤处理得到第二云就诊互动状态的目标可视化就诊记录”的实施方式（2）：将所述第一待处理就诊记录输入至事先完成训练的第三人工智能网络中；所述第三人工智能网络通过就诊互动状态转换子网将所述第一待处理就诊记录转换成第一待处理可视化就诊记录，所述就诊互动状态转换子网用于进行以下至少一种就诊互动状态转换方式：就诊互动状态标签筛分处理、就诊互动状态特征交叉处理，并至少通过用于进行医疗类别分析的医疗类别分析子网、用于进行患者就诊流程划分的就诊流程划分子网实现对所述第一待处理可视化就诊记录的噪声记录过滤，并输出噪声记录过滤后的可视化就诊记录；将第三人工智能网络输出的可视化就诊记录作为所述目标可视化就诊记录。在实施方式（2）中，第三人工智能网络的训练方式和第一人工智能网络的训练方式类似，在此不作赘述。由于在进行噪声记录过滤时考虑了就诊互动状态转换，因而能够实现可视化就诊记录由智能医疗交互设备侧向云计算服务器侧的完整转换。在本实施例中，就诊互动状态标签筛分处理用于对不同的就诊互动状态进行分组，就诊互动状态特征交叉处理用于按照智能医疗交互设备侧和云计算服务器侧之间的设备配置差异进行就诊互动状态调整，这样一来，在完成就诊互动状态转换之后，在通过用于进行医疗类别分析的医疗类别分析子网、用于进行患者就诊流程划分的就诊流程划分子网实现对所述第一待处理可视化就诊记录的噪声记录过滤并输出噪声记录过滤后的可视化就诊记录，能够确保目标可视化就诊记录与云计算服务器的运行状态的高适配性。
关于步骤“将所述第一待处理就诊记录至少进行噪声过滤处理得到第二云就诊互动状态的目标可视化就诊记录”的实施方式（3）：将所述第一待处理就诊记录输入至事先完成训练的第四人工智能网络，以由所述第四人工智能网络的信息优化程度检测子网检测输入的第一待处理就诊记录在指定信息优化引导下的优化程度统计结果，所述优化程度统计结果中每个智慧医疗患者特征的特征属性优化程度描述了输入的第一待处理就诊记录中对应智慧医疗患者特征的特征属性受指定信息优化引导影响的程度，并由所述第四人工智能网络的就诊记录重构子网依据信息优化程度检测子网得到的优化程度统计结果对输入的第一待处理就诊记录进行记录重构处理，并输出记录重构处理的可视化就诊记录；将第四人工智能网络输出的可视化就诊记录作为所述目标可视化就诊记录。在实施方式（3）中，第四人工智能网络的训练方式和第一人工智能网络的训练方式类似，在此不作赘述。由于在实施方式（3）中引入了特征属性优化程度的分析，因而能够基于知识库本身的实体、关系和属性层面实现第一待处理就诊记录的噪声过滤处理。举例而言，信息优化引导可以是患者通过智能医疗交互设备输入的，也可以时云计算服务器基于自适应学习之后发送的，在此不作限定。智慧医疗患者特征可以理解为知识库中的属性，相应地，特征属性优化程度可以理解为智慧医疗患者特征的优化速率，比如特征属性优化程度c1表征智慧医疗患者特征的优化速率为c1，特征属性优化程度c2表征智慧医疗患者特征的优化速率为c2，特征属性优化程度c3表征智慧医疗患者特征的优化速率为c3，特征属性优化程度c4表征智慧医疗患者特征的优化速率为c4，特征属性优化程度c5表征智慧医疗患者特征的优化速率为c5，在此不作限定。记录重构处理可以理解为对第一待处理就诊记录对应的知识库进行实体之间的关系的重新连接和调整，从而实现对第一待处理就诊记录的噪声过滤以得到目标可视化就诊记录。如此设计，能够确保目标可视化就诊记录更加贴近于知识库本身的就诊环境，从而提高后续云计算服务器基于目标可视化就诊记录进行患者信息优化的效率。在实施方式（3）中，步骤“信息优化程度检测子网检测输入的第一待处理就诊记录在各信息优化引导下的优化程度统计结果”可以包括：所述信息优化程度检测子网至少通过优化程度检测单元实现对输入的第一待处理就诊记录在指定信息优化引导下的优化程度统计结果的检测。在实施方式（3）中，步骤“就诊记录重构子网依据信息优化程度检测子网得到的优化程度统计结果对输入的第一待处理就诊记录进行记录重构处理”可以包括以下内容：所述就诊记录重构子网至少通过用于进行就诊特征抽取的就诊特征抽取子网、用于进行就诊特征判别的就诊特征判别子网以及用于进行记录分治的记录分治子网实现依据信息优化程度检测子网得到的优化程度统计结果对输入的第一待处理就诊记录进行记录重构处理。可以理解，通过进行记录分治，能够减少在先的图数据对后续的记录重构处理的影响，从而确保噪声过滤的精准性。
可以理解，上述实施方式（1）、实施方式（2）和实施方式（3）可以根据实际情况择一使用，在此不作限定。
相关实施例中，云计算服务器基于所述目标可视化就诊记录进行患者信息优化主要可以是对智能医疗交互设备的患者就诊反馈对应的知识库进行优化。在实际实施时，为了确保知识库优化的全面性，还需要考虑目标就诊服务事件可能对应的其他待处理就诊记录，为实现这一目的，步骤“将所述目标可视化就诊记录发送至所述云计算服务器”之前，还可以包括：获取经由所述第一可视化就诊记录转换所得的包含所述目标就诊服务事件的第三可视化就诊记录，并从所述第三可视化就诊记录中确定出目标就诊服务事件所处的第二待处理就诊记录，在此基础上，步骤“将所述目标可视化就诊记录发送至所述云计算服务器”，可以包括以下内容：将所述目标可视化就诊记录与所述第二待处理就诊记录的关键就诊信息进行组合得到线上医疗就诊记录，将所述线上医疗就诊记录发送至所述云计算服务器，以使所述云计算服务器从所述线上医疗就诊记录中获取所述目标可视化就诊记录并基于所述目标可视化就诊记录进行患者信息优化。在本实施例中，关键就诊信息可以是患者就诊交互系数（患者服务交互指数）较高的就诊信息，也可以理解为影响面较广的就诊信息。通过将所述目标可视化就诊记录与所述第二待处理就诊记录的关键就诊信息进行组合得到线上医疗就诊记录，能够确保云计算服务器接收到的实时智慧医疗业务信息是与实际就诊情况存在时序一致性的，从而能够确保后续患者信息优化的时效性。在相关的实施例中，步骤“将所述目标可视化就诊记录与所述第二待处理就诊记录的关键就诊信息进行组合得到线上医疗就诊记录”，可以通过以下内容实现：采用指定就诊记录分治方式对所述第二待处理就诊记录进行就诊记录分治，得到就诊信息片段序列；将所述目标可视化就诊记录的第一关键就诊信息添加至就诊信息片段序列的设定序列位置中，得到所述线上医疗就诊记录，所述第一关键就诊信息包含所述目标可视化就诊记录中所有患者特征属性类别的属性类别文本。在本实施中，通过将第二待处理就诊记录进行划分，能够减少就诊信息之间的互相影响。举例而言，就诊信息片段序列可以为{h1、h2、h3、h4、h5、...、hi}，目标可视化就诊记录的第一关键就诊信息可以为mk，设定序列位置可以根据就诊信息片段序列中每相邻两个信息片段之间的相关性确定，比如可以选择相关性最小的两个信息片段之间的位置作为设定序列位置，比如h3和h4的相关性最小，那么可以将mk添加到h3和h4之间，从而得到{h1、h2、h3、hk、h4、h5、...、hi}，进一步得到与{h1、h2、h3、hk、h4、h5、...、hi}对应的线上医疗就诊记录h123k45...i。患者特征属性类别用于对患者特征属性进行区分，属性类别文本可以通过数值的方式进行确定，在此不作限定。在另外的实施例中，为了确保信息传输的安全性，步骤“将所述目标可视化就诊记录与所述第二待处理就诊记录的关键就诊信息进行组合得到线上医疗就诊记录”，可以包括：采用指定就诊记录分治方式对所述第二待处理就诊记录进行就诊记录分治，得到就诊信息片段序列；将所述目标可视化就诊记录的第一关键就诊信息进行信息匿名得到已匿名的关键就诊信息，所述第一关键就诊信息包含所述目标可视化就诊记录中所有患者特征属性类别的属性类别文本；将所述已匿名的关键就诊信息添加至就诊信息片段序列的设定序列位置中，得到所述线上医疗就诊记录。进一步地，匿名方式可以采用现有的匿名技术，在此不作限定。
S320：云计算服务器基于所述目标可视化就诊记录进行患者信息优化。
在相关实施例中，在“采用指定就诊记录分治方式对所述第二待处理就诊记录进行就诊记录分治，得到就诊信息片段序列；将所述目标可视化就诊记录的第一关键就诊信息添加至就诊信息片段序列的设定序列位置中，得到所述线上医疗就诊记录，所述第一关键就诊信息包含所述目标可视化就诊记录中所有患者特征属性类别的属性类别文本”的实施例的基础上，所述云计算服务器从所述线上医疗就诊记录中获取所述目标可视化就诊记录，进一步可以包括以下内容：所述云计算服务器从所述线上医疗就诊记录的设定序列位置中提取出第一关键就诊信息，并利用提取的第一关键就诊信息生成所述目标可视化就诊记录。如此设计，通过将第一关键就诊信息添加到设定序列位置，能够避免在信息传输过程中第一关键就诊信息的丢失。从而确保后续得到的目标可视化就诊记录的完整性。
在相关实施例中，在“采用指定就诊记录分治方式对所述第二待处理就诊记录进行就诊记录分治，得到就诊信息片段序列；将所述目标可视化就诊记录的第一关键就诊信息进行信息匿名得到已匿名的关键就诊信息，所述第一关键就诊信息包含所述目标可视化就诊记录中所有患者特征属性类别的属性类别文本；将所述已匿名的关键就诊信息添加至就诊信息片段序列的设定序列位置中，得到所述线上医疗就诊记录”的实施例的基础上，所述云计算服务器从所述线上医疗就诊记录中获取所述目标可视化就诊记录，包括：所述云计算服务器从所述线上医疗就诊记录的设定序列位置中提取出已匿名的关键就诊信息，对提取的已匿名的关键就诊信息进行信息还原得到所述第一关键就诊信息，并利用信息还原得到的第一关键就诊信息生成所述目标可视化就诊记录。如此设计，通过信息加还原，能够在确保信息完整性的前提下保证信息传输的安全性，从而保护患者隐私不被泄露。
在上述S320所描述的内容的基础上，步骤“云计算服务器基于所述目标可视化就诊记录进行患者信息优化”，可以通过以下方式实现：所述云计算服务器从所述目标可视化就诊记录中提取目标患者就诊反馈分布，所述目标患者就诊反馈分布用于描述所述目标可视化就诊记录中的目标就诊服务事件对应的患者就诊反馈变化；所述云计算服务器确定所述目标患者就诊反馈分布与预设的基准患者就诊反馈分布之间的对比情况，依据所述对比情况识别所述目标可视化就诊记录中的目标就诊服务事件是否为指定的目标就诊服务事件，所述基准患者就诊反馈分布用于描述指定目标就诊服务事件；所述云计算服务器在依据所述对比情况识别出所述目标可视化就诊记录中的目标就诊服务事件为指定的目标就诊服务事件时，基于所述目标患者就诊反馈分布对所述基准患者就诊反馈分布进行优化。在相关实施例中，患者就诊反馈分布可以理解为患者就诊反馈对应的知识库，所述目标患者就诊反馈分布与预设的基准患者就诊反馈分布之间的对比情况可以是所述目标患者就诊反馈分布与预设的基准患者就诊反馈分布之间的比较信息，该比较信息可以提现在实体之间的关系连接方面、实体的属性节点分布方面，在此不作限定。指定的目标就诊服务事件可以理解为云计算服务器事先确定出的需要进行就诊反馈分布优化所对应的就诊服务事件，也即后续考虑需要进行就诊引导的就诊服务事件。如此设计，在进行患者就诊反馈分布优化之前，能够基于指定的目标就诊服务事件进行判断，从而确保患者就诊反馈分布优化之后能够及时地被应用。在相关实施例中，步骤“基于所述目标患者就诊反馈分布对所述基准患者就诊反馈分布进行优化”，可以通过以下的步骤S410-S460所描述的内容实现。
S410：获取所述基准患者就诊反馈分布的目标就诊反馈图数据。
举例而言，目标就诊反馈图数据可以理解为基准患者就诊反馈分布的知识库的知识图谱拓扑结构。
S420：确定所述目标就诊反馈图数据的图数据优化位置对应的目标就诊反馈热度。
举例而言，所述图数据优化位置为各个患者就诊反馈的就诊反馈热度均小于所述目标就诊反馈图数据的第一全局就诊反馈热度的就诊反馈分布区域，且所述目标就诊反馈热度为目标患者就诊反馈数量对应的就诊反馈热度，所述目标患者就诊反馈数量为所述图数据优化位置中，各个就诊反馈热度对应的患者就诊反馈数量中最大的患者就诊反馈数量。本实施例中，就诊反馈热度可以用于表征患者就诊反馈的热门程度，就诊反馈热度越高，对应的患者就诊反馈越热门。
S430：基于所述目标就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，确定所述目标就诊反馈图数据对应的就诊反馈热度区间。举例而言，就诊反馈热度区间可以根据实际情况进行设置，比如设置为[r1，r2]。在相关实施例中，步骤“基于所述目标就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，确定所述目标就诊反馈图数据对应的就诊反馈热度区间”之前，还可以包括：判断所述目标就诊反馈热度是否符合预设的热度区间分析条件，基于此，步骤“基于所述目标就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，确定所述目标就诊反馈图数据对应的就诊反馈热度区间”，可以包括：当判断出所述目标就诊反馈热度符合预设的热度区间分析条件时，基于所述目标就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，确定所述目标就诊反馈图数据对应的就诊反馈热度区间。如此设计，能够避免确定出的就诊反馈热度区间过大或过小而导致后续的知识库优化出现异常。
在相关的实施例中，步骤“判断所述目标就诊反馈热度是否符合预设的热度区间分析条件的步骤”，可以包括以下内容：确定至少一组就诊反馈图数据的图数据优化位置对应的第一就诊反馈热度，其中，所述至少一组就诊反馈图数据为所述目标就诊反馈图数据的前一组就诊反馈图数据，或者，所述目标就诊反馈图数据的前连续N组就诊反馈图数据，任一组就诊反馈图数据的图数据优化位置对应的第一就诊反馈热度为第一患者就诊反馈数量对应的就诊反馈热度，所述第一患者就诊反馈数量为该组就诊反馈图数据的图数据优化位置中，各个就诊反馈热度对应的患者就诊反馈数量中最大的患者就诊反馈数量；判断所述目标就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，得到第一判断结果；并判断各个第一就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，得到第二判断结果；检测所述第一判断结果与所得到的各个第二判断结果是否均一致；若为是，判定所述目标就诊反馈热度符合预设的热度区间分析条件。进一步地，任一组就诊反馈图数据的图数据优化位置对应的第一就诊反馈热度的确定过程包括：针对一组就诊反馈图数据的图数据优化位置的多个就诊反馈热度中的每一就诊反馈热度，确定具有该就诊反馈热度的患者就诊反馈的统计结果；按照所述目标就诊反馈图数据的图数据优化位置的各个就诊反馈热度的大小顺序，对确定得到的多个统计结果进行排序；在排序之后，针对每一统计结果，对包含该统计结果在内的连续就诊反馈热度对应的多个统计结果进行融合，并将融合结果确定为该统计结果所对应就诊反馈热度的患者就诊反馈数量；将所确定的最大的患者就诊反馈数量所对应的就诊反馈热度，确定为该组就诊反馈图数据的图数据优化位置对应的第一就诊反馈热度。在上述内容的基础上，步骤“判断所述目标就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，得到第一判断结果”，可以包括以下内容：在所述目标就诊反馈热度小于预设就诊反馈热度区间的第一区间阈值时，将目标就诊反馈热度小于第一区间阈值确定为第一判断结果；在所述目标就诊反馈热度大于或等于预设就诊反馈热度区间的第一区间阈值，且小于或等于预设就诊反馈热度区间的第二区间阈值时，将目标就诊反馈热度大于或等于第一区间阈值，且小于或等于第二区间阈值确定为第一判断结果；在所述目标就诊反馈热度大于预设就诊反馈热度区间的第二区间阈值时，将目标就诊反馈热度大于第二区间阈值确定为第一判断结果。步骤“判断各个第一就诊反馈热度与预设就诊反馈热度区间的区间阈值的对比情况，得到第二判断结果”，可以包括以下内容：对于各个第一就诊反馈热度中的每一就诊反馈热度，在该第一就诊反馈热度小于预设就诊反馈热度区间的第一区间阈值时，将第一就诊反馈热度小于第一区间阈值确定为第二判断结果；在该第一就诊反馈热度大于或等于预设就诊反馈热度区间的第一区间阈值，且小于或等于预设就诊反馈热度区间的第二区间阈值时，将第一就诊反馈热度大于或等于第一区间阈值，且小于或等于第二区间阈值确定为第二判断结果；在该第一就诊反馈热度大于预设就诊反馈热度区间的第二区间阈值时，将第一就诊反馈热度大于第二区间阈值确定为第二判断结果。举例而言，第一区间阈值可以是r1，第二区间阈值可以是r2。
S440：基于所确定的就诊反馈热度区间，确定第二全局就诊反馈热度。
在相关实施例中，第一全局就诊反馈热度和第二全局就诊反馈热度可以理解为目标就诊反馈图数据的整体层面的就诊反馈热度。一般而言，第二全局就诊反馈热度的取值位于就诊反馈热度区间内。比如第二全局就诊反馈热度可以为r3，且r1<r3<r2。
S450：基于所述目标患者就诊反馈分布对应的平均就诊反馈热度对所述图数据优化位置进行就诊反馈热度调整，直至所述目标就诊反馈图数据的全局就诊反馈热度为所述第二全局就诊反馈热度时，完成对所述目标就诊反馈图数据的就诊反馈热度优化。
举例而言，所述第二全局就诊反馈热度为对所述目标就诊反馈图数据进行就诊反馈热度优化后，所述目标就诊反馈图数据的全局就诊反馈热度。可以理解，在进行就诊反馈热度调整时，可以通过对部分患者就诊反馈的就诊反馈热度进行调整，从而通过迭代调整的方式实现对所述图数据优化位置进行就诊反馈热度调整。
S460：按照所述目标就诊反馈图数据对应的第二全局就诊反馈热度对所述图数据优化位置中的患者就诊反馈之间的关联情况进行优化。
可以理解，在进行的就诊反馈热度调整之后，通过对图数据优化位置中的患者就诊反馈之间的关联情况进行优化，能够实现对服务情绪反馈的精准、实时优化，这样在后续进行就诊引导决策时，可以利用最新的就诊反馈库确定患者的就诊习惯，进而确保智能化就诊引导的精准性。可以理解，对所述图数据优化位置中的患者就诊反馈之间的关联情况进行优化可以理解为重新调整不同患者就诊反馈之间的关联情况和关联系数等，当然也可以通过其他实施方式实现，在此不作限定。
综上所述，在应用本方案时，由于情绪关联参考数据和情绪极性分类结果用于确定存在异常事项标记的医疗服务环境的情绪关联指示信息，且情绪关联指示信息能够用于确定至少一个所述智能医疗交互设备的服务情绪反馈，此外，情绪关联指示信息考虑了情绪极性，因而能够在确定服务情绪反馈的过程中确保服务情绪反馈的真实性和参考性，从而保证服务情绪反馈能够精准地反映出患者就诊反馈的实际需求情况。
针对上述基于大数据智慧医疗的数据处理方法，本发明实施例还提出了一种示例性的基于大数据智慧医疗的数据处理装置，如图2所示，基于大数据智慧医疗的数据处理装置200可以包括以下的功能模块。
情绪分析模块210，用于根据当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境以及所述存在异常事项标记的引导事项的患者操作记录，确定情绪关联参考数据和情绪极性分类结果。
数据优化模块220，用于基于所述情绪关联参考数据和所述情绪极性分类结果进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息；其中，所述情绪关联指示信息用于确定至少一个所述智能医疗交互设备的服务情绪反馈。
可以理解，上述情绪分析模块210和数据优化模块220的进一步实施方式可以参阅对图1所示的方法实施例的描述，在此不作更多说明。
基于上述的方法实施例和装置实施例，本发明实施例还提出了一种系统实施例，也即基于大数据智慧医疗的数据处理系统，请结合参阅图3，基于大数据智慧医疗的数据处理系统500可以包括云计算服务器300和智能医疗交互设备400。其中，云计算服务器300和智能医疗交互设备400通信用以实施上述方法，进一步地，基于大数据智慧医疗的数据处理系统500的功能性描述如下：一种基于大数据智慧医疗的数据处理系统，包括互相之间通信的云计算服务器和智能医疗交互设备，所述云计算服务器用于：根据当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境以及所述存在异常事项标记的引导事项的患者操作记录，确定情绪关联参考数据和情绪极性分类结果；基于所述情绪关联参考数据和所述情绪极性分类结果进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息；其中，所述情绪关联指示信息用于确定所述智能医疗交互设备的服务情绪反馈；根据所述情绪关联指示信息确定所述智能医疗交互设备的服务情绪反馈，并基于所述服务情绪反馈向所述智能医疗交互设备推送引导事项。智能医疗交互设备用于根据所推送的引导事项进行业务交互。
可以理解，上述系统的进一步实施方式可以参阅对图1所示的方法实施例的描述，在此不作更多说明。
请结合参阅图4，云计算服务器300可以包括处理引擎310、网络模块320和存储器330，处理引擎310和存储器330通过网络模块320通信。
处理引擎310可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎310可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎310可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。
网络模块320可以促进信息和/或数据的交换。在一些实施例中，网络模块320可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块320可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块320可以包括至少一个网络接入点。例如，网络模块320可以包括有线或无线网路接入点，如基站和/或网路接入点。
存储器330可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器330用于存储程序，所述处理引擎310在接收到执行指令后，执行所述程序。
可以理解，图4所示的结构仅为示意，云计算服务器300还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的区间。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种基于大数据智慧医疗的数据处理方法，其特征在于，应用于云计算服务器，所述云计算服务器与多个智能医疗交互设备通信连接，所述方法至少包括：
根据当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境以及所述存在异常事项标记的引导事项的患者操作记录，确定情绪关联参考数据和情绪极性分类结果；
基于所述情绪关联参考数据和所述情绪极性分类结果进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息；其中，所述情绪关联指示信息用于确定至少一个所述智能医疗交互设备的服务情绪反馈。
2.根据权利要求1所述的方法，其特征在于，所述根据当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境以及所述存在异常事项标记的引导事项的患者操作记录，确定情绪关联参考数据和情绪极性分类结果，包括：
确定当前在线医疗引导服务中存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境，并确定所述存在异常事项标记的引导事项的患者操作记录；
将所述存在异常事项标记的医疗服务环境划分为预设数目个就诊流程场景，获得各个就诊流程场景的情绪关联参考数据；
根据所述存在异常事项标记的引导事项的患者操作记录，确定所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪极性分类结果；
所述基于所述情绪关联参考数据和所述情绪极性分类结果进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息；其中，所述情绪关联指示信息用于确定至少一个所述智能医疗交互设备的服务情绪反馈，包括：
按照各个就诊流程场景的情绪极性分类结果，对所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪关联参考数据进行数据优化，得到所述存在异常事项标记的医疗服务环境的情绪关联指示信息；其中，所述情绪关联指示信息用于确定至少一个所述智能医疗交互设备的服务情绪反馈。
3.根据权利要求2所述的方法，其特征在于，所述确定所述存在异常事项标记的引导事项的患者操作记录，包括：确定所述存在异常事项标记的引导事项的就诊操作应答信息，并基于所确定的就诊操作应答信息，确定所述存在异常事项标记的引导事项的患者操作记录。
4.根据权利要求3所述的方法，其特征在于，所述确定所述存在异常事项标记的引导事项的就诊操作应答信息的步骤，包括：根据所述当前在线医疗引导服务以及所述当前在线医疗引导服务之前的预设数目的关联引导服务中所述存在异常事项标记的引导事项相对于所述智能医疗交互设备的引导事项激活信息，确定所述存在异常事项标记的引导事项的就诊操作应答信息；其中，所述存在异常事项标记的引导事项为指示-应答事项，所述存在异常事项标记的引导事项的患者操作记录包括：设备请求数据、服务器响应数据、设备验证数据、服务器请求数据和设备操作数据。
5.根据权利要求2所述的方法，其特征在于，所述根据所述存在异常事项标记的引导事项的患者操作记录，确定所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪极性分类结果的步骤，包括：根据设定的存在异常事项标记的引导事项的患者操作记录与存在异常事项标记的医疗服务环境中各个就诊流程场景的情绪极性分类结果的匹配关系，以及所述存在异常事项标记的引导事项的患者操作记录，确定所述存在异常事项标记的医疗服务环境中的各个就诊流程场景的情绪极性分类结果。
6.根据权利要求2所述的方法，其特征在于，在所述存在异常事项标记的医疗服务环境为一个时，所述方法还包括：
在确定所述存在异常事项标记的医疗服务环境的情绪关联指示信息之后，将所述存在异常事项标记的医疗服务环境的情绪关联指示信息作为所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据；
根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式；
在所述存在异常事项标记的医疗服务环境为多个时，所述方法还包括：
在确定所述存在异常事项标记的医疗服务环境的情绪关联指示信息之后，根据每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据；
根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式。
7.根据权利要求6所述的方法，其特征在于，在所述根据每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据之前，还包括：
对每一所述存在异常事项标记的医疗服务环境进行情绪关联参考数据的关联分析，确定每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息对存在异常事项标记的医疗服务环境的情绪关联过渡数据的参考数据扰动情况；
根据所确定的每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息对存在异常事项标记的医疗服务环境的情绪关联过渡数据的参考数据扰动情况，将参考数据扰动情况对应的扰动系数大于设定扰动系数的存在异常事项标记的医疗服务环境确定为目标医疗服务环境；
相应的，所述根据每一所述存在异常事项标记的医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，包括：根据每一目标医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据；
所述根据每一目标医疗服务环境的情绪关联指示信息，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，包括：
根据每一目标医疗服务环境的情绪关联指示信息对存在异常事项标记的医疗服务环境的局部情绪关联数据的参考数据扰动情况，确定每一目标医疗服务环境的环境描述语句；
根据每一目标医疗服务环境的情绪关联指示信息以及环境描述语句，确定所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据。
8.根据权利要求6-7任一项所述的方法，其特征在于，所述根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式，包括：
判断所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率是否大于第一预设阈值；
如果大于所述第一预设阈值，判断所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率是否等于所述当前在线医疗引导服务的上一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率；
如果等于所述当前在线医疗引导服务的上一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率，根据所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据优化历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据；
根据优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据和设定的情绪关联基准偏差率，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式。
9.根据权利要求8所述的方法，其特征在于，在判断出所述当前在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率等于所述当前在线医疗引导服务的上一在线医疗引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据对应的数据偏差率的情况下，还包括：
针对所述当前在线医疗引导服务中各个存在异常事项标记的引导事项，判断所述当前在线医疗引导服务中该存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境的情绪关联指示信息是否与所述当前在线医疗引导服务的上一在线医疗引导服务中该存在异常事项标记的引导事项所在的存在异常事项标记的医疗服务环境的情绪关联指示信息相同；如果是，确定所述当前在线医疗引导服务的情绪关联备选数据；
所述根据优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据和设定的情绪关联基准偏差率，优化所述当前在线医疗引导服务的下一在线医疗引导服务的引导服务生成方式，包括：
确定所述当前在线医疗引导服务之后的第一预设数目的关联引导服务的引导服务生成方式的生成方式特征值等于所述当前在线医疗引导服务的引导服务生成方式的生成方式特征值；
在所述情绪关联备选数据对应的数据偏差率不小于设定的动态偏差率时，减少所述设定的情绪关联基准偏差率，根据减少后的情绪关联基准偏差率和优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化第一目标在线医疗引导服务的引导服务生成方式，其中，所述第一目标在线医疗引导服务为：所述第一预设数目的关联引导服务中最后一关联引导服务的下一关联引导服务；
在所述情绪关联备选数据对应的数据偏差率不大于设定的静态偏差率时，增加所述设定的情绪关联基准偏差率，根据增加后的情绪关联基准偏差率和优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述第一目标在线医疗引导服务的引导服务生成方式；
在所述情绪关联备选数据对应的数据偏差率大于所述设定的静态偏差率且小于所述设定的动态偏差率时，根据所述设定的情绪关联基准偏差率和优化后的历史关联引导服务的存在异常事项标记的医疗服务环境的情绪关联过渡数据，优化所述第一目标在线医疗引导服务的引导服务生成方式。
10.一种云计算服务器，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-9任一项所述的方法。
CN202110876960.4A 2021-07-31 2021-07-31 基于大数据智慧医疗的数据处理方法和云计算服务器 Withdrawn CN113593692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110876960.4A CN113593692A (zh) 2021-07-31 2021-07-31 基于大数据智慧医疗的数据处理方法和云计算服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110876960.4A CN113593692A (zh) 2021-07-31 2021-07-31 基于大数据智慧医疗的数据处理方法和云计算服务器

Publications (1)

Publication Number Publication Date
CN113593692A true CN113593692A (zh) 2021-11-02

Family

ID=78253222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110876960.4A Withdrawn CN113593692A (zh) 2021-07-31 2021-07-31 基于大数据智慧医疗的数据处理方法和云计算服务器

Country Status (1)

Country Link
CN (1) CN113593692A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114203312A (zh) * 2021-11-12 2022-03-18 姜德秋 结合大数据智慧医疗的数字化医疗服务分析方法及服务器
CN117637093A (zh) * 2024-01-25 2024-03-01 西南医科大学附属医院 基于智慧医疗的患者信息管理方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114203312A (zh) * 2021-11-12 2022-03-18 姜德秋 结合大数据智慧医疗的数字化医疗服务分析方法及服务器
CN117637093A (zh) * 2024-01-25 2024-03-01 西南医科大学附属医院 基于智慧医疗的患者信息管理方法及系统
CN117637093B (zh) * 2024-01-25 2024-04-12 西南医科大学附属医院 基于智慧医疗的患者信息管理方法及系统

Similar Documents

Publication Publication Date Title
US10275407B2 (en) Apparatus and method for executing an automated analysis of data, in particular social media data, for product failure detection
US6542881B1 (en) System and method for revealing necessary and sufficient conditions for database analysis
CN110008288A (zh) 用于网络故障分析的知识图谱库的构建方法及其应用
US20170109668A1 (en) Model for Linking Between Nonconsecutively Performed Steps in a Business Process
WO2017214181A1 (en) System and method for dynamic healthcare insurance claims decision support
US20170109667A1 (en) Automaton-Based Identification of Executions of a Business Process
CN101996385A (zh) 索赔分析引擎
CN113593692A (zh) 基于大数据智慧医疗的数据处理方法和云计算服务器
CN115174231B (zh) 一种基于AI Knowledge Base的网络欺诈分析方法及服务器
CN112132624A (zh) 医疗理赔数据预测系统
CN110598070A (zh) 应用类型识别方法及装置、服务器及存储介质
KR20160104064A (ko) 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템
CN113822366A (zh) 业务指标异常检测方法及装置、电子设备、存储介质
JP2022548501A (ja) 暗号通貨取引を分析するためのデータ取得方法及び装置
CN113313479A (zh) 基于人工智能的支付业务大数据处理方法及系统
CN113488167A (zh) 应用于大数据的智慧医疗信息优化方法及智慧医疗服务端
Xu An integrated rule-and case-based approach to AIDS initial assessment
CN115346686A (zh) 关系图谱生成方法及装置、存储介质及电子设备
US11182411B2 (en) Combined data driven and knowledge driven analytics
CN111210912A (zh) 一种帕金森预测方法及装置
CN114219596A (zh) 一种基于决策树模型的数据处理方法及相关设备
CN114417405A (zh) 一种基于人工智能的隐私业务数据分析方法及服务器
CN116403728A (zh) 医疗就诊数据的数据处理装置和相关设备
WO2021092012A1 (en) Methods and systems for comprehensive symptom analysis
CN114041146A (zh) 用于合乎道德的数据收集的系统和方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20211102

WW01 Invention patent application withdrawn after publication