发明内容
有鉴于此,本申请提供一种基于决策分群模型的信息推送方法及装置,主要目的在于改善现有无法及时发现医疗相关最新信息,从而影响了治疗及时性和就诊数据采集的技术问题。
依据本申请一个方面,提供了一种基于决策分群模型的信息推送方法,包括:
获取目标用户的就诊信息;
基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果,所述决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的;
基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息,所述分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,以基于所述分群关系确定参照对象;
基于所述医疗关联信息确定所述目标用户的目标推送信息,并向所述目标用户进行推送。
优选的,所述基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果之前,所述方法还包括:
获取历史就诊信息,所述历史就诊信息包括历史症状信息、历史就诊时长、历史确诊信息;
构建决策树模型网络,并配置所述决策树模型网络的输出个数为至少三个分群结果;
基于医疗参数量化对应关系对所述历史症状信息、所述历史就诊时长、所述历史确诊信息进行数值量化处理,得到量化参数,所述医疗参数量化对应关系用于表征不同历史症状信息、历史就诊时长、历史确诊信息与不同量化参数之间的对应关系;
将所述量化参数引入所述决策树模型网络中的信息增益率函数中,并基于引入所述量化参数的决策树模型网络进行模型训练,得到决策分群模型。
优选的,所述基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果之前,所述方法还包括:
基于语言处理模型对所述历史就诊信息进行实体抽取,生成不同历史就诊信息对应的实体标签,所述实体标签用于区分不同用户的实体特征。
优选的,所述基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息之前,所述方法还包括:
获取智能医疗系统中的用户行为信息;
基于所述用户行为信息确定就诊活跃度、信息处理活跃度,并按照所述就诊活跃度信息、所述信息处理活跃度对待参照对象进行排序;
按照不同排序结果生成包含所述待参照对象与不同分群结果具有层级关系的分群对象关系树。
优选的,所述医疗关联信息包括医疗行为信息、医疗推送信息,所述基于所述医疗关联信息确定所述目标用户的目标推送信息包括:
从历史就诊信息中获取所述目标用户的诊疗信息,并计算所述诊疗信息与所述医疗行为信息、所述医疗推送信息之间的相似度;
若相似度大于预设相似度阈值,则将所述医疗行为信息、医疗推送信息作为目标推送信息。
优选的,所述方法还包括:
接收基于所述目标推送信息反馈的推送反馈信息,所述推送反馈信息包括推送触发时间、推送关联事件;
按照预设时间间隔统计所述推送反馈信息所对应的推送有效率;
若所述推送有效率小于预设有效阈值时,则输出所述目标推送信息,以指示所述目标推送信息进行更新。
优选的,所述获取目标用户的就诊信息之前,所述方法还包括:
按照预设推送时间、用户类别、以及推送信息更新状态,从已建立的用户画像数据中确定待进行信息推送的目标用户。
依据本申请另一个方面,提供了一种基于决策分群模型的信息推送装置,包括:
第一获取模块,用于获取目标用户的就诊信息;
分群模块,用于基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果,所述决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的;
查找模块,用于基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息,所述分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,以基于所述分群关系确定参照对象;
推送模块,用于基于所述医疗关联信息确定所述目标用户的目标推送信息,并向所述目标用户进行推送。
优选的,所述分群模块之前,所述装置还包括:
第二获取模块,用于获取历史就诊信息,所述历史就诊信息包括历史症状信息、历史就诊时长、历史确诊信息;
构建模块,用于构建决策树模型网络,并配置所述决策树模型网络的输出个数为至少三个分群结果;
量化模块,用于基于医疗参数量化对应关系对所述历史症状信息、所述历史就诊时长、所述历史确诊信息进行数值量化处理,得到量化参数,所述医疗参数量化对应关系用于表征不同历史症状信息、历史就诊时长、历史确诊信息与不同量化参数之间的对应关系;
训练模块,用于将所述量化参数引入所述决策树模型网络中的信息增益率函数中,并基于引入所述量化参数的决策树模型网络进行模型训练,得到决策分群模型。
优选的,所述分群模块之前,所述装置还包括:
抽取模块,用于基于语言处理模型对所述历史就诊信息进行实体抽取,生成不同历史就诊信息对应的实体标签,所述实体标签用于区分不同用户的实体特征。
优选的,所述查找模块之前,所述装置还包括:
第三获取模块,用于获取智能医疗系统中的用户行为信息;
排序模块,用于基于所述用户行为信息确定就诊活跃度、信息处理活跃度,并按照所述就诊活跃度信息、所述信息处理活跃度对待参照对象进行排序;
生成模块,用于按照不同排序结果生成包含所述待参照对象与不同分群结果具有层级关系的分群对象关系树。
优选的,所述医疗关联信息包括医疗行为信息、医疗推送信息,所述推送模块包括:
计算单元,用于从历史就诊信息中获取所述目标用户的诊疗信息,并计算所述诊疗信息与所述医疗行为信息、所述医疗推送信息之间的相似度;
推送单元,用于若相似度大于预设相似度阈值,则将所述医疗行为信息、医疗推送信息作为目标推送信息。
优选的,所述装置还包括:
接收模块,用于接收基于所述目标推送信息反馈的推送反馈信息,所述推送反馈信息包括推送触发时间、推送关联事件;
统计模块,用于按照预设时间间隔统计所述推送反馈信息所对应的推送有效率;
输出模块,用于若所述推送有效率小于预设有效阈值时,则输出所述目标推送信息,以指示所述目标推送信息进行更新。
优选的,所述第一获取模块之前,所述装置还包括:
确定模块,用于按照预设推送时间、用户类别、以及推送信息更新状态,从已建立的用户画像数据中确定待进行信息推送的目标用户。
根据本申请的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述基于决策分群模型的信息推送方法对应的操作。
根据本申请的再一方面,提供了一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述基于决策分群模型的信息推送方法对应的操作。
借由上述技术方案,本申请实施例提供的技术方案至少具有下列优点:
本申请提供了一种基于决策分群模型的信息推送方法及装置,与现有技术相比,本申请实施例通过获取目标用户的就诊信息;基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果,所述决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的;基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息,所述分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,以基于所述分群关系确定参照对象;基于所述医疗关联信息确定所述目标用户的目标推送信息,并向所述目标用户进行推送,使患者即使是在就诊的间隔期也可以随时掌握身体情况的变化,及时发现医疗相关的最新发展,从而保证了治疗的及时性和就诊数据的采集。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
基于此,在一个实施例中,本申请实施例提供了一种基于决策分群模型的信息推送方法,如图1所示,以该方法应用于服务器等计算机设备为例进行说明,其中,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器,如智能医疗系统、数字医疗平台等。上述方法包括以下步骤:
101、获取目标用户的就诊信息。
本申请实施例可以应用于带有信息推送功能的APP中,如微信医疗公众号,智能医疗系统等。
本申请实施例以智能医疗系统为例,执行主体为智能医疗系统的服务端。其中,目标用户为长期需要进行治疗的目标患者,例如,患有癌症、慢性病、尿毒症等需要长期治疗的患者,本申请实施例不做具体限定。就诊信息可以包括:用药信息、症状信息、就诊时长、确诊信息等,本申请实施例不做具体限定。在本申请实施例执行的智能医疗系统中,医生可以通过就诊后对其进行标记确定此类用户,从而将此类用户每次的就诊信息存储在智能医疗系统中,以便在进行信息推送时,获取目标用户的就诊信息。可选的,为了避免医生忘记标记,智能医疗系统可以按照预设就诊次数作为标记依据,即当用户的就诊次数达到预设就诊次数,则自动对用户标记为此类用户。
需要说明的是,在作为当前执行主体的智能医疗系统中,为了获取到准确的用户就诊信息,首先要构建用户的用户画像数据。可以通过NLP计算模型自动生成用户标签数据,进一步的,完成构建用户画像信息。例如,针对智能医疗系统中的全部用户的医疗数据,可以包括:用户就诊、检查检验、费用明细等信息,结合NLP计算模型,自动生成用户标签数据。其中,标签数据可以包括:用户基本标签(例如,年龄、性别、身高、体重等)和病症标签(例如,类别、分级、治疗方案、治疗费用、治疗痛苦程度、治疗效果等),并构建用户的画像信息,以便在获取目标用户的就诊信息时,基于构建的用户画像来查找需要进行信息推荐的目标用户。本实施例作为一种可选的方案,并不构成限定,也可以采用其他方式构建用户画像信息,以保证获取到的用户就诊信息的准确性。
102、基于已完成训练的决策分群模型对目标用户的就诊信息进行分群处理,得到对该目标用户标记分群标识的分群结果。
其中,决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的。
本申请实施例中,决策分群模型可以是一种进行预测分群的决策树模型,利用完成训练的决策树模型对就诊信息进行分群处理,得到分群结果。分群结果为对目标用户的分群标记,可以包括高风险用户、中风险用户、低风险用户,从而确定出不同用户所对应的患病分群风险。其中,完成训练的决策分群模型可以按照不同症状信息、不同就诊时长、不同确诊信息的量化值作为网络层级权重值进行训练得到的,即以症状信息、就诊时长、确诊信息的量化值,作为二叉树层级决策的权重值,利用此权重值在模型迭代过程中作为网络层级中信息增益率的改进参数,从而完成训练。
需要说明的是,决策树模型是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,可以用于判断分类结果的决策分析方法,是直观运用概率分析的一种图解法,代表的是对象属性与对象值之间的一种映射关系。
103、基于分群对象关系树查找与分群结果匹配的参照对象,并获取该参照对象的医疗关联信息。
其中,分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,进一步的,基于分群关系确定参照对象。
本申请实施例中,为了使不同分群用户可以接收到适用自身就诊、医疗情况的信息,在得到分群结果后,基于预先构建的分群用户关系树中查找与分群结果匹配的参照用户。其中,分群用户关系树中记录有不同分群用户以及与各分群用户对应的分群关系,以基于分群关系确定参照用户。其中,分群用户关系树为树状结构的用户关系网,具有相同分群结果的用户作为一个树的分支,从而查找到匹配的参照用户。本申请实施例中的参照用户为与目标用户具有相同分群,并已经进行信息推送或者已经采取了相关诊疗操作的用户,可以为一个也可以为多个,本申请实施例不做具体限定。因此,将此类用户的医疗行为信息、医疗推送信息作为向目标用户进行推送的对象。其中,医疗行为信息即为参照用户在就医过程中查询、关注、购买等行为所对应的内容,例如,关注了一个癌症医生。可以理解的是,此医疗行为信息为在智能医疗系统中记录下的,医疗推送信息为向参照用户已经推送过且被浏览过的信息。
104、基于医疗关联信息确定该目标用户的目标推送信息,并向所述目标用户进行推送。
本申请实施例中,通过步骤103匹配到的参照用户可以为一个也可以为多个,具体可由发布者自行确定,本申请实施例不做具体限定。
优选的,在推送信息时,可以将目标推送信息发送至用户的智能医疗系统的账户中。进一步可选的,可以将本申请实施例中的智能医疗系统作为一个医疗应用程序,并与社交应用程序之间的应用链接,以使得本申请实施例中的智能医疗系统作为社交应用程序中的一个小程序,从而使得推送的目标推送信息在社交应用程序中输出给用户,以提升信息推送的有效率。
在本发明实施例中,为了进一步说明及限定,基于已完成训练的决策分群模型对就诊信息进行分群处理,得到对目标用户标记分群标识的分群结果之前,本实施例方法还包括:获取历史就诊信息;构建决策树模型网络,并配置决策树模型网络的输出个数为至少三个分群结果;基于医疗参数量化对应关系对历史症状信息、历史就诊时长、历史确诊信息进行数值量化处理,得到量化参数;将得到的量化参数引入决策树模型网络中的信息增益率函数中,并基于引入量化参数的决策树模型网络进行模型训练,得到决策分群模型。
其中,历史就诊信息包括历史症状信息、历史就诊时长、历史确诊信息;医疗参数量化对应关系用于表征不同历史症状信息、历史就诊时长、历史确诊信息与不同量化参数之间的对应关系;
其中,历史就诊信息为已经完成标记分群的就诊信息,即为基于用户画像数据进行实体抽取出带有标签的就诊信息,至少包括:历史症状信息、历史就诊时长、历史确诊信息,以作为预测模型的决策树模型的训练数据。优选的,在构建决策树模型网络时,配置输出分群结果至少包括高风险用户、中风险用户、低风险用户3种,也可以基于需求将分群结果进一步细化,本申请实施例不做具体限定。进一步的,基于医疗参数量化对应关系对获取到的历史症状信息、历史就诊时长、历史确诊信息进行量化处理,得到量化参数。并基于得到的量化值配置信息增益率的改进参数,以完成对决策树模型网络的训练,得到决策分类模型。其中,决策树由结点和有向边组成。结点有两种类型:内部结点和叶结点,其中内部结点表示一个特征或属性,叶结点表示一个类。通常情况下,一棵决策树包含一个根结点、若干个内部结点和若干个叶结点。叶结点对应于决策结果,其他每个结点则对应于一个属性测试。每个结点包含的样本集合根据属性测试的结果被划分到子结点中,根结点包含样本全集,从根结点到每个叶结点的路径对应了一个判定测试序列。决策树的信息增益是随机变量X对于随机变量Y的信息增益被定义成Y的熵和Y对X的条件熵之差,在决策树的应用场景中,信息增益的含义就是特征X对样本标签Y不确定性减少的贡献。信息增益也叫做互信息。互信息存在如下特性,Y对X的互信息和X对Y的互信息是相等的。决策树学习应用信息增益准则选择特征。给定训练数据集D和特征a*,经验熵H(D)表示对数据集D进行分类的不确定性。|D|表示样本容量,即样本个数,以本申请实施例中的3个类为例,C1、C2、C3,|C1+C2+C3|=|D|,设特征a*有V个不同的取值{a*1,a*2,a*3...a*V},根据特征a*的取值将D划分为V个子集D1,D2,D3....DV,|Dt|为Dt的样本个数,
记子集Di中属于类C1、C2、C3的样本集合为Dik,D
ik=D
i∩C
k,|Dik|为Dik的样本个数,于是计算信息增益:经验熵
特征A对数据集D的经验条件熵H(D∣A),
计算信息增益g(D,a
*)=H(D)-H(D|a
*)。
需要说明的是,为了使决策树在用户分群中提高模型分群准确性,在计算信息增益时,引入改进参数,即基于症状信息、就诊时长、确诊信息的量化值配置信息增益率的改进参数,改进参数包括h1、h2,基于预设的量化列表查找h1h2,即确定为症状信息、就诊时长、确诊信息的量化值,预设的量化列表中记录有不同症状信息、不同就诊时长、不同确诊信息所对应的量化值,为用户基于历史就诊信息预先配置的,从而在模型训练时,直接调取查找,从而得到的改进的信息增益计算式g(D,a*)=h1×H(D)-h2×H(D|a*),其中,h1,h2的数值范围在0.6-0.8之间。
本申请实施例中,可选的,在基于已完成训练的决策分群模型对就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果之前,本实施例方法还包括:基于语言处理模型对历史就诊信息进行实体抽取,生成不同历史就诊信息对应的实体标签。
其中,实体标签用于区分不同用户的实体特征。
具体的,基于医疗数据中心,在已构建的用户画像中,抽样一定数量的用户医疗数据,可以包括但不限于用户就诊、检查检验、费用明细等信息,其中抽样的用户医疗数据中携带有基于在用户画像构建阶段中利用NLP计算模型自动生成的用户标签数据,可以包括用户基本标签(例如,年龄、性别、身高、体重等)和癌症标签、普通病症标签,癌症标签与普通病症标签是基于治疗类别、分级、治疗方案、治疗费用、治疗痛苦程度、治疗效果等确定的,为了作为预测模型的决策树模型的模型训练,再次基于NLP计算模型进行医疗数据抽取,即按照就诊信息进行标记抽取,得到历史就诊信息对应的标签。从而完成用户的医疗数据的实体抽取,进一步的,作为预测模型的训练数据。同时,将所有的用户数据采用全量自动标签化,构建全量用户的标签,可以作为对预测模型的训练数据集进行保存。
本申请实施例中,为了在匹配参照用户时,能够快速查找到可以参照推送的用户,优选的,在基于分群对象关系树查找与分群结果匹配的参照对象,并获取匹配到的参照对象的医疗关联信息之前,本实施例方法还包括:获取智能医疗系统中的用户行为信息;基于用户行为信息确定就诊活跃度、信息处理活跃度,并按照就诊活跃度信息、信息处理活跃度对待参照对象进行排序;按照不同排序结果生成包含所述待参照对象与不同分群结果具有层级关系的分群对象关系树。
具体的,在建立分群对象关系树时,首先计算各个用户的就诊活跃度、信息处理活跃度,按照活跃度大小的顺序,排列树枝层级。其中,就诊活跃度为预设时间单位内的就诊次数,信息处理活跃度为对全部推送信息的反馈次数,从而逐层构建分群对象关系树。
需要说明的是,当前执行主体为智能医疗系统,用户通过注册,建立智能医疗系统中的用户账户,从而进行挂号、就诊、治疗等信息的预约、就诊等,当用户完成就诊后,智能医疗系统将产生的就诊信息等数据存储在用户的账户中,以便用户进行查看。进一步的,基于智能医疗系统的账户,作为当前执行端的服务器可以向用户账户中发送挂号信息、就诊信息等内容,还可以发送推送的其他信息,本申请实施例不做具体限定。
可选的,医疗关联信息包括医疗行为信息、医疗推送信息,由于医疗行为信息、医疗推送信息的内容可能不完全适用于目标用户,为了解决这一问题,本申请实施例中,基于医疗关联信息确定目标用户的目标推送信息包括:从历史就诊信息中获取目标用户的诊疗信息,并计算诊疗信息与医疗行为信息、医疗推送信息之间的相似度;若相似度大于预设相似度阈值,则将医疗行为信息、医疗推送信息作为目标推送信息。
其中,目标用户的诊疗信息可以包括但不限于用药信息,症状信息等,通过计算目标用户的用药信息、症状信息与医疗行为信息、医疗推送信息之间的相似度,从而从医疗行为信息、医疗推送信息中匹配出目标用户预期关注的内容,可以通过比较计算出的相似度与预设的相似阈值的大小,当相似度大于阈值时,将医疗行为信息、医疗推送信息作为目标推送信息,进而推送给目标用户。
需要说明的是,本申请中医疗推送信息包括但不限于治疗决策信息、情感关怀信息,若用户授权智能医疗系统,该用户的联系方式也可以作为推送的内容,发送给目标用户,以便建立关爱的病友联盟,并不会对用户造成困扰。
为了提高信息推送的有效率,同时也使系统功能更加完善,本实施例方法还包括:接收基于目标推送信息反馈的推送反馈信息;按照预设时间间隔统计推送反馈信息所对应的推送有效率;若推送有效率小于预设有效阈值时,则输出目标推送信息。
其中,推送反馈信息包括推送触发时间、推送关联事件。
进一步的,指示目标推送信息进行更新。
具体的,在目标信息推送完成后,接收针对已推送的信息的反馈信息,可以包括但不限于推送触发时间、推送关联事件等。按照预设时间统计推送反馈信息的推送有效率,当有效率小于阈值时,则说明推送的目标信息并未引起用户关注,是用户所不感兴趣的,此时,将该推送信息标记并输出,进一步的,指示重新匹配目标推送信息,以再次为目标用户推送。其中,预设时间可以由开发者根据实际情况自行设定,本申请实施例不做具体限定。例如,基于目标用户的年龄段来设置,针对50岁以下的用户,由于其对于推送信息的反应时间较短,可以设置为12小时;而针对对于推送信息的反应时间较长的50岁以上的用户,可以将时间相应拉长,如3天。推送有效率用于表征目标推送信息被点击查看或转发或关注的频次,本申请实施例不做具体限定。
为了实现对长期治疗的用户进行信息推送,本申请实施例中,在获取目标用户的就诊信息之前,本实施例方法还包括:按照预设推送时间、用户类别、以及推送信息更新状态,从已建立的用户画像数据中确定待进行信息推送的目标用户。
具体的,按照预设推送时间、用户类别、以及推送信息更新状态确定目标用户。其中,预设推送时间可以由发布者具体设定,可以为一周、一个月。患者类别可以为性别分类、病症分类、用药分类等。推送信息更新状态用于表征当推送信息更新,则需要重新进行推送,上述各项本申请实施例不做具体限定。例如,按照每周一次、女性癌症患者、推送信息a已更新,确定上一周已经完成推送信息a的女性癌症患者作为目标患者。
结合上述各实施例的具体实施过程,给出如下在具体的应用场景中的总体实施流程,如图2所示,但不限于此:首先,基于医疗数据中心的患者的医疗数据抽样1000份样本,生成患者画像数据,对其进行标记分类生成预测样本数据。基于样本数据构建并训练决策分类模型。将医疗数据中心的全量患者数据进行分类构建分群对象关系树。其次,将目标患者的医疗数据生成患者画像数据,经过分群处理、匹配参照对象,进一步推荐最佳治疗决策,提供指导与咨询,提供智能化关怀等。
本申请提供了一种基于决策分群模型的信息推送方法,与现有技术相比,本申请实施例通过获取目标用户的就诊信息;基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果,所述决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的;基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息,所述分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,以基于所述分群关系确定参照对象;基于所述医疗关联信息确定所述目标用户的目标推送信息,并向所述目标用户进行推送,使患者即使是在就诊的间隔期也可以随时掌握身体情况的变化,及时发现医疗相关的最新发展,从而保证了治疗的及时性和就诊数据的采集。
进一步的,作为对上述图1所示方法的实现,本申请实施例提供了一种基于决策分群模型的信息推送装置,如图3所示,该装置包括:
第一获取模块21,分群模块22,查找模块23,推送模块24。
第一获取模块21,用于获取目标用户的就诊信息;
分群模块22,用于基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果,所述决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的;
查找模块23,用于基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息,所述分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,以基于所述分群关系确定参照对象;
推送模块24,用于基于所述医疗关联信息确定所述目标用户的目标推送信息,并向所述目标用户进行推送。
在具体的应用场景中,所述分群模块22之前,所述装置还包括:
第二获取模块,用于获取历史就诊信息,所述历史就诊信息包括历史症状信息、历史就诊时长、历史确诊信息;
构建模块,用于构建决策树模型网络,并配置所述决策树模型网络的输出个数为至少三个分群结果;
量化模块,用于基于医疗参数量化对应关系对所述历史症状信息、所述历史就诊时长、所述历史确诊信息进行数值量化处理,得到量化参数,所述医疗参数量化对应关系用于表征不同历史症状信息、历史就诊时长、历史确诊信息与不同量化参数之间的对应关系;
训练模块,用于将所述量化参数引入所述决策树模型网络中的信息增益率函数中,并基于引入所述量化参数的决策树模型网络进行模型训练,得到决策分群模型。
在具体的应用场景中,所述分群模块22之前,所述装置还包括:
抽取模块,用于基于语言处理模型对所述历史就诊信息进行实体抽取,生成不同历史就诊信息对应的实体标签,所述实体标签用于区分不同用户的实体特征。
在具体的应用场景中,所述查找模块23之前,所述装置还包括:
第三获取模块,用于获取智能医疗系统中的用户行为信息;
排序模块,用于基于所述用户行为信息确定就诊活跃度、信息处理活跃度,并按照所述就诊活跃度信息、所述信息处理活跃度对待参照对象进行排序;
生成模块,用于按照不同排序结果生成包含所述待参照对象与不同分群结果具有层级关系的分群对象关系树。
在具体的应用场景中,所述医疗关联信息包括医疗行为信息、医疗推送信息,所述推送模块24包括:
计算单元,用于从历史就诊信息中获取所述目标用户的诊疗信息,并计算所述诊疗信息与所述医疗行为信息、所述医疗推送信息之间的相似度;
推送单元,用于若相似度大于预设相似度阈值,则将所述医疗行为信息、医疗推送信息作为目标推送信息。
在具体的应用场景中,所述装置还包括:
接收模块,用于接收基于所述目标推送信息反馈的推送反馈信息,所述推送反馈信息包括推送触发时间、推送关联事件;
统计模块,用于按照预设时间间隔统计所述推送反馈信息所对应的推送有效率;
输出模块,用于若所述推送有效率小于预设有效阈值时,则输出所述目标推送信息,以指示所述目标推送信息进行更新。
在具体的应用场景中,所述第一获取模块21之前,所述装置还包括:
确定模块,用于按照预设推送时间、用户类别、以及推送信息更新状态,从已建立的用户画像数据中确定待进行信息推送的目标用户。
本申请提供了一种基于决策分群模型的信息推送装置,与现有技术相比,本申请实施例通过获取目标用户的就诊信息;基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果,所述决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的;基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息,所述分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,以基于所述分群关系确定参照对象;基于所述医疗关联信息确定所述目标用户的目标推送信息,并向所述目标用户进行推送,使患者即使是在就诊的间隔期也可以随时掌握身体情况的变化,及时发现医疗相关的最新发展,从而保证了治疗的及时性和就诊数据的采集。
根据本申请一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于决策分群模型的信息推送方法。
图4示出了根据本申请一个实施例提供的一种计算机设备的结构示意图,本申请具体实施例并不对计算机设备的具体实现做限定。
如图4所示,该计算机设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302,用于执行程序310,具体可以执行上述数据查询方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器502执行以下操作:
获取目标用户的就诊信息;
基于已完成训练的决策分群模型对所述就诊信息进行分群处理,得到对所述目标用户标记分群标识的分群结果,所述决策分群模型为按照不同就诊信息的量化值作为网络层级权重进行训练得到的;
基于分群对象关系树查找与所述分群结果匹配的参照对象,并获取所述参照对象的医疗关联信息,所述分群对象关系树中记录有不同分群结果与不同参照对象的分群关系,以基于所述分群关系确定参照对象;
基于所述医疗关联信息确定所述目标用户的目标推送信息,并向所述目标用户进行推送。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本申请的保护范围之内。