CN114510629A - 基于大数据挖掘的数字化医疗推送优化方法及医疗ai系统 - Google Patents

Abstract

本公开实施例提供一种基于大数据挖掘的数字化医疗推送优化方法及医疗AI系统，能够基于各个反馈事件数据与实际信息推送数据之间的业务引导属性值，以及各个反馈事件数据的反馈倾向属性，对这一组反馈事件数据进行分簇，进而基于反馈事件数据簇，进而继续生成针对该实际信息推送数据的一组具有信息推送优化依据的信息推送优化指标，有效提高信息推送优化指标的搜集效率，并提高信息推送优化指标的精度，以便于针对性地进行后续的信息推送优化，提高数字化业务迭代更新的准确性。

Description

基于大数据挖掘的数字化医疗推送优化方法及医疗AI系统

技术领域

本公开涉及大数据技术领域，示例性地，涉及一种基于大数据挖掘的数字化医疗推送优化方法及医疗AI系统。

背景技术

数字化技术的发展，使得用户的生活发生巨大的变化。随着医疗健康进入数字化时代，相应的是数字城市，数字健康，数字医疗，进而是智慧城市，智慧健康，智慧医疗。随着互联网和大数据技术的发展，数字化医疗线上平台作为一种为用户服务的信息服务平台，目标是给注册用户提供最新的专业领域资讯（包括医疗话题互动、医疗学术互动、医疗药物咨询互动等），不但内容庞杂，而且信息量也比较大。因此，如何针对信息推送进行优化，以提高数字化业务迭代更新的准确性，是亟待解决的实际问题。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于大数据挖掘的数字化医疗推送优化方法及医疗AI系统。

第一方面，本公开提供一种基于大数据挖掘的数字化医疗推送优化方法，应用于数字化医疗AI系统，所述数字化医疗AI系统与多个数字化医疗终端通信连接，所述方法包括：

获取所述数字化医疗终端的话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象，并基于所述话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象对所述数字化医疗终端进行信息推送，记录多个实际信息推送数据；

获取针对所述实际信息推送数据的反馈事件数据序列，所述反馈事件数据序列包括至少两个反馈事件数据；

获得所述反馈事件数据序列中的各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值；

根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇；

基于所述反馈事件数据簇生成针对所述实际信息推送数据的目标信息推送优化指标集，并基于所述目标信息推送优化指标集对所述数字化医疗终端的信息推送优化进程进行策略优化配置，所述目标信息推送优化指标集包括至少两个目标信息推送优化指标的指标建议数据。

第二方面，本公开实施例还提供一种基于大数据挖掘的数字化医疗推送优化系统，所述基于大数据挖掘的数字化医疗推送优化系统包括数字化医疗AI系统以及与所述数字化医疗AI系统通信连接的多个数字化医疗终端；

所述数字化医疗AI系统，用于：

获取所述数字化医疗终端的话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象，并基于所述话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象对所述数字化医疗终端进行信息推送，记录多个实际信息推送数据；

获取针对所述实际信息推送数据的反馈事件数据序列，所述反馈事件数据序列包括至少两个反馈事件数据；

获得所述反馈事件数据序列中的各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值；

根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇；

基于所述反馈事件数据簇生成针对所述实际信息推送数据的目标信息推送优化指标集，并基于所述目标信息推送优化指标集对所述数字化医疗终端的信息推送优化进程进行策略优化配置，所述目标信息推送优化指标集包括至少两个目标信息推送优化指标的指标建议数据。

根据上述任意一个方面，本公开提供的实施方式中，能够基于各个反馈事件数据与实际信息推送数据之间的业务引导属性值，以及各个反馈事件数据的反馈倾向属性，对这一组反馈事件数据进行分簇，进而基于反馈事件数据簇，进而继续生成针对该实际信息推送数据的一组具有信息推送优化依据的信息推送优化指标，有效提高信息推送优化指标的搜集效率，并提高信息推送优化指标的精度，以便于针对性地进行后续的信息推送优化，提高数字化业务迭代更新的准确性。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本公开实施例提供的基于大数据挖掘的数字化医疗推送优化系统的挖掘环境示意图；

图2为本公开实施例提供的基于大数据挖掘的数字化医疗推送优化方法的流程示意图；

图3为本公开实施例提供的用于实现上述的基于大数据挖掘的数字化医疗推送优化方法的数字化医疗AI系统的结构示意框图。

具体实施方式

下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本公开一种实施例提供的基于大数据挖掘的数字化医疗推送优化系统10的挖掘环境示意图。基于大数据挖掘的数字化医疗推送优化系统10可以包括数字化医疗AI系统100以及与数字化医疗AI系统100通信连接的数字化医疗终端200。图1所示的基于大数据挖掘的数字化医疗推送优化系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据挖掘的数字化医疗推送优化系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。

一种可独立实施的实施例中，基于大数据挖掘的数字化医疗推送优化系统10中的数字化医疗AI系统100和数字化医疗终端200可以通过配合执行以下方法实施例所描述的基于大数据挖掘的数字化医疗推送优化方法，具体数字化医疗AI系统100和数字化医疗终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，本实施例提供的基于大数据挖掘的数字化医疗推送优化方法可以由图1中所示的数字化医疗AI系统100执行，下面对该基于大数据挖掘的数字化医疗推送优化方法进行详细介绍。

步骤S110，获取数字化医疗终端的话题兴趣对象以及与话题兴趣对象对应的至少一个扩展话题兴趣对象，并基于话题兴趣对象以及与话题兴趣对象对应的至少一个扩展话题兴趣对象对数字化医疗终端进行信息推送，记录多个实际信息推送数据。

本实施例中，在获得数字化医疗终端的话题兴趣对象以及与话题兴趣对象对应的至少一个扩展话题兴趣对象后，可以通过查找与话题兴趣对象以及与话题兴趣对象对应的至少一个扩展话题兴趣对象所匹配的医疗信息内容对数字化医疗终端进行信息推送，在信息推送过程中可以进行多轮迭代推送，例如本次基于话题兴趣对象进行推送，下一次基于扩展话题兴趣对象进行推送，并记录多个实际信息推送数据。

步骤S120，获取针对实际信息推送数据的反馈事件数据序列。

一种可独立实施的实施例中，反馈事件数据序列包括至少两个反馈事件数据。实际信息推送数据可以是不同推送标签对应的信息推送数据。反馈事件数据序列包括的至少两个反馈事件数据可以按照时间先后顺序进行统计。

步骤S130，获得所述反馈事件数据序列中的各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值。

一种可独立实施的实施例中，所述反馈事件数据序列中的各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值可以理解为存在业务引导行为的置信度。

步骤S140，根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇。

一种可独立实施的实施例中，反馈倾向属性可以是通过特征向量或者特征图的形式进行表达。对所述各个反馈事件数据进行分簇可以理解为对对所述各个反馈事件数据进行排序，得到反馈事件数据簇。

一种可独立实施的实施例中，步骤S140所描述的根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇，具体可以包括以下S1401和S1402。

S1401、根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分治，得到至少两个反馈事件子数据。

进一步地，S1401所描述的根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分治，得到至少两个反馈事件子数据，可以包括以下实施方式：分别根据所述各个反馈事件数据对应的业务引导属性值，对所述各个反馈事件数据的反馈倾向属性进行聚类，得到所述各个反馈事件数据的关键反馈倾向属性；根据所述各个反馈事件数据的关键反馈倾向属性对所述各个反馈事件数据进行关键数据拆分，得到至少两个反馈事件子数据。比如，可以将各个反馈事件数据的反馈倾向属性进行加权，从而确保关键数据拆分时的准确性，进而保证反馈事件子数据不会出现遗漏。

S1402、对各个反馈事件子数据进行分簇，并分别对所述各个反馈事件子数据中的各个反馈事件数据进行分簇，得到所述反馈事件数据簇。

一种可独立实施的实施例中，S1402所描述的对各个反馈事件子数据进行分簇，并分别对所述各个反馈事件子数据中的各个反馈事件数据进行分簇，得到所述反馈事件数据簇，可以包括以下技术方案：根据各个反馈事件子数据所包含的反馈事件数据的数量，对所述各个反馈事件子数据进行分簇；针对所述各个反馈事件子数据，执行以下操作：根据所述反馈事件子数据中各个反馈事件数据的反馈倾向属性与所述反馈事件子数据的匹配度（关联程度），对所述反馈事件子数据中的各个反馈事件数据进行分簇；基于所述各个反馈事件子数据之间的分簇结果，以及所述各个反馈事件子数据中各个反馈事件数据的分簇结果，生成所述反馈事件数据簇。如此设计，能够对各个反馈事件子数据进行独立分析，从而避免遗漏个别的反馈事件子数据，进而确保生成的反馈事件数据簇的完整性和质量。

步骤S150，基于所述反馈事件数据簇生成针对所述实际信息推送数据的目标信息推送优化指标集，并基于目标信息推送优化指标集对数字化医疗终端的信息推送优化进程进行策略优化配置。

一种可独立实施的实施例中，所述目标信息推送优化指标集包括至少两个目标信息推送优化指标的指标建议数据。相应的，目标信息推送优化指标的指标建议数据包括相关的推送规则指标的权重配置数据，通过不同的目标信息推送优化指标的指标建议数据能够进行实现对业务的更新优化，从而基于目标信息推送优化指标集对数字化医疗终端的信息推送优化进程进行策略优化配置。

另一种可独立实施的实施例中，S130所描述的获得所述反馈事件数据序列中的各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值，可以通过以下实施例A实现：分别将所述各个反馈事件数据输入满足模型收敛要求的信息推送优化指标决策模型中，基于所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送数据维度的业务引导属性单元对所述各个反馈事件数据进行业务引导属性值分类，获得所述业务引导属性单元输出的所述各个反馈事件数据对应的业务引导属性值。

在实施例A中，信息推送优化指标决策模型可以是深度学习网络。进一步地，业务引导属性单元可以是具有业务引导属性预测功能的网络单元。

进一步地，在上述实施例A中，分别将所述各个反馈事件数据输入满足模型收敛要求的信息推送优化指标决策模型中，基于所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送数据维度的业务引导属性单元，获得所述业务引导属性单元输出的各条参考反馈事件数据对应的业务引导属性值，可以包括以下步骤A1-步骤A4。

步骤A1、分别将所述各个反馈事件数据输入所述业务引导属性单元，基于所述业务引导属性单元中的反馈倾向性映射网络将所述各个反馈事件数据映射至预设特征空间，得到所述各个反馈事件数据的反馈倾向性数据。

例如，反馈倾向性映射网络用于对各个反馈事件数据进行特征规则化处理。

步骤A2、通过深度卷积特征提取将所述各个反馈事件数据的反馈倾向性数据分别处理为对应的反馈倾向性深度特征。

步骤A3、基于所述业务引导属性单元，分别提取所述各个反馈事件数据的反馈倾向性深度特征与除该个反馈事件数据之外的其它反馈事件数据的反馈倾向性深度特征之间的业务引导特征。

可以理解的是，业务引导特征为注意力特征。

步骤A4、基于所述各个反馈事件数据对应的业务引导特征获得所述各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值。

可以理解，通过实施上述步骤A1-步骤A4，能够将各个反馈事件数据对应的业务引导特征考虑在内，从而精准地确定出所述各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值。

在上述实施例A的基础上，S140所描述的根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇，可以通过以下实施例B实现：分别将所述各个反馈事件数据，以及所述各个反馈事件数据对应的业务引导属性值输入所述满足模型收敛要求的信息推送优化指标决策模型中的关键数据拆分与分簇单元，基于所述关键数据拆分与分簇单元对所述各个反馈事件数据进行关键数据拆分与分簇，获得所述关键数据拆分与分簇单元输出的数据成员维度的第一目标数据，所述第一目标数据中的各个反馈事件数据成员组合形成所述反馈事件数据簇。

在实施例B中，关键数据拆分与分簇单元可以用于进行关键数据拆分与分簇，从而确保输出的数据成员维度的第一目标数据的可靠性。

在上述实施例B中，基于所述关键数据拆分与分簇单元对所述各个反馈事件数据进行关键数据拆分并分簇，获得所述关键数据拆分与分簇单元输出的数据成员维度的第一目标数据，可以包括以下步骤B1-步骤B5。

步骤B1、基于所述满足模型收敛要求的信息推送优化指标决策模型中的关键数据拆分与分簇单元，将所述各个反馈事件数据映射至预设特征空间得到所述各个反馈事件数据对应的数据分簇；

步骤B2、通过结构化特征提取对所述各个反馈事件数据对应的数据分簇进行结构化特征提取，得到所述各个反馈事件数据的结构化特征。

步骤B3、分别根据所述各个反馈事件数据对应的业务引导属性值，对所述各个反馈事件数据的结构化特征进行聚类，得到所述各个反馈事件数据的聚类结构化特征。

比如可以对所述各个反馈事件数据的结构化特征进行拼接，从而得到所述各个反馈事件数据的聚类结构化特征。

步骤B4、基于所述各个反馈事件数据的聚类结构化特征进行关键数据拆分，得到至少两个反馈事件子数据；

步骤B5、将全部反馈事件子数据进行分簇，并将每个反馈事件子数据中的各个反馈事件数据进行分簇后，将各个反馈事件数据的聚类结构化特征合成并进行数据成员维度处理得到所述第一目标数据。

在上述实施例C的基础上，S150所描述的基于所述反馈事件数据簇生成针对所述实际信息推送数据的目标信息推送优化指标集，并基于所述目标信息推送优化指标集对所述数字化医疗终端的信息推送优化进程进行策略优化配置，可以通过以下实施例C实现：将所述目标数据输入所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送优化指标单元，基于所述信息推送优化指标单元进行信息推送的优化概率分布预测，获得所述信息推送优化指标单元输出的所述目标信息推送优化指标集。

在实施例C中，所述满足模型收敛要求的信息推送优化指标决策模型是根据参考样本数据序列训练得到的，所述参考样本数据序列中的参考样本数据包括已携带匹配依据信息的参考反馈事件数据，所述匹配依据信息表示所述参考反馈事件数据与参考信息推送数据是否关联。这样，可以通过信息推送优化指标单元精准地分析和识别出目标信息推送优化指标的指标建议数据，从而确保目标信息推送优化指标集的精度。

在上述实施例C中，将所述第一目标数据输入所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送优化指标单元，基于所述信息推送优化指标单元进行信息推送的优化概率分布预测，获得所述信息推送优化指标单元输出的所述目标信息推送优化指标集，可以包括以下技术方案：采用遍历处理策略，依次生成所述目标信息推送优化指标集中的各个信息推送优化指标的指标建议数据，所述目标信息推送优化指标集中的一个信息推送优化指标至少包括一个信息推送优化指标的指标建议数据；其中，在一轮遍历处理过程中，执行以下操作：将上一轮输出的目标信息推送优化指标的指标建议数据输入所述信息推送优化指标单元，其中，第一轮输入所述信息推送优化指标单元的为预设的原始样本数据；通过优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据和所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布，其中，所述优化概率分布表示所述反馈事件数据成员与上一轮输出的信息推送优化指标的指标建议数据之间的指标优化概率；将所述优化概率分布和所述反馈事件数据簇中的反馈事件数据成员的反馈倾向性深度特征队列进行聚类，并输入到深度学习网络中，获得本轮输出的所述反馈事件数据簇的目标结构化特征；基于上一轮输出的目标信息推送优化指标的指标建议数据以及所述目标结构化特征，生成本轮输出的目标信息推送优化指标的指标建议数据。

一种可独立实施的实施例中，在所述通过优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据和所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布之前，还可以包括以下实施例C1：将本轮选取的目标反馈事件子数据以及所述目标反馈事件子数据的关联事件子数据作为显性的反馈事件子数据，将其它的反馈事件子数据作为边缘的反馈事件子数据，其中每次选取的目标反馈事件子数据是基于各个反馈事件子数据之间的顺序确定的；为所述反馈事件数据簇中位于显性的反馈事件子数据中的反馈事件数据成员添加第一优化描述特征，为所述反馈事件数据簇中位于边缘的反馈事件子数据中的反馈事件数据成员添加第二优化描述特征，得到所述参考样本数据序列中的各个反馈事件数据成员对应的第一反馈倾向性深度特征；以及为上一轮输出的目标信息推送优化指标的指标建议数据添加所述第一优化描述特征，得到对应的第二反馈倾向性深度特征。

在上述实施例C1的基础上，通过优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据和所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布，可以包括以下实施方式：利用所述参考样本数据序列中的各个反馈事件数据成员对应的第一反馈倾向性深度特征与上一轮输出的目标信息推送优化指标的指标建议数据对应的第二反馈倾向性深度特征，基于优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据与所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布。如此设计，可以确保优化概率分布的准确性和时效性。

譬如，一种可独立实施的实施例中，上述内容所描述的信息推送优化指标决策模型，可以通过如下过程训练得到：获取针对至少一个参考信息推送数据的所述参考样本数据序列；根据所述参考样本数据序列中的参考样本数据，对初始的信息推送优化指标决策模型执行遍历处理训练，以获得所述满足模型收敛要求的信息推送优化指标决策模型。

相应的，每一轮遍历处理训练过程包括以下操作：从所述参考样本数据序列中选取针对同一参考信息推送数据的一组参考样本数据，分别将选取的各个参考样本数据包含的参考反馈事件数据输入所述初始的信息推送优化指标决策模型中的信息推送数据维度的业务引导属性单元，获得所述业务引导属性单元输出的各条参考反馈事件数据对应的业务引导属性值。

进一步地，基于所述各条参考反馈事件数据对应的业务引导属性值与对应的匹配依据信息之间的损失参数，生成第一模型损失数据；以及分别将选取的各个参考样本数据中的参考反馈事件数据，以及所述各条参考反馈事件数据对应的业务引导属性值输入所述初始的信息推送优化指标决策模型中的关键数据拆分与分簇单元，基于所述关键数据拆分与分簇单元对所述各条参考反馈事件数据进行关键数据拆分，获得至少两个反馈事件子数据；基于所述关键数据拆分与分簇单元对各个反馈事件子数据进行分簇，获得所述关键数据拆分与分簇单元输出的数据成员维度的第二目标数据；将所述第二目标数据输入所述初始的信息推送优化指标决策模型中的信息推送优化指标单元，基于所述信息推送优化指标单元进行信息推送的优化概率分布预测，获得所述信息推送优化指标单元输出的一组评估信息推送优化指标集，所述评估信息推送优化指标集包括至少两个评估信息推送优化指标的指标建议数据；基于所述评估信息推送优化指标集中的评估信息推送优化指标的指标建议数据与实际信息推送优化指标集中的实际信息推送优化指标的指标建议数据的全局损失参数，生成第二模型损失数据；以及，基于各个反馈事件子数据中反馈事件数据成员的指标优化概率，生成第三模型损失数据。

最后，根据所述第一模型损失数据，所述第二模型损失数据和所述第三模型损失数据，对所述初始的信息推送优化指标决策模型进行模型优化更新。

可以理解，第一模型损失数据反映所述各条参考反馈事件数据对应的业务引导属性值与对应的匹配依据信息之间的损失参数，第二模型损失数据反映所述评估信息推送优化指标集中的评估信息推送优化指标的指标建议数据与实际信息推送优化指标集中的实际信息推送优化指标的指标建议数据的全局损失参数，第三模型损失数据反映各个反馈事件子数据中反馈事件数据成员的指标优化概率，而不同的模型损失数据可以理解为不同的损失函数。

譬如，一种可独立实施的实施例中，上述步骤所描述的基于所述评估信息推送优化指标集中的评估信息推送优化指标的指标建议数据与实际信息推送优化指标集中的实际信息推送优化指标的指标建议数据的全局损失参数，生成第二模型损失数据，可以包括以下内容：对于任意一个评估信息推送优化指标的指标建议数据，基于所述评估信息推送优化指标的指标建议数据在预设的信息推送优化指标的指标建议数据集中的分类标签描述，以及所述评估信息推送优化指标的指标建议数据在所述反馈事件数据序列中的分类标签描述，确定所述评估信息推送优化指标集中的评估信息推送优化指标的指标建议数据与实际信息推送优化指标集中的实际信息推送优化指标的指标建议数据的全局损失参数；基于确定的全局损失参数生成所述第二模型损失数据。

基于以上步骤，能够基于各个反馈事件数据与实际信息推送数据之间的业务引导属性值，以及各个反馈事件数据的反馈倾向属性，对这一组反馈事件数据进行分簇，进而基于反馈事件数据簇，进而继续生成针对该实际信息推送数据的一组具有信息推送优化依据的信息推送优化指标，有效提高信息推送优化指标的搜集效率，并提高信息推送优化指标的精度，以便于针对性地进行后续的信息推送优化，提高数字化业务迭代更新的准确性。

一种可独立实施的实施例中，以上步骤S110可以包括以下步骤。

步骤W110，从所述数字化医疗终端的浏览医疗大数据中提取多个浏览行为数据，并分别获取所述多个浏览行为数据中的每一个浏览行为数据的浏览意图特征。

本实施例中，对于从浏览医疗大数据中提取出的多个浏览行为数据，可以首先通过浏览意图分类模型来提取每一个浏览行为数据的浏览意图特征。假设从浏览医疗大数据中提取了T个浏览行为数据，那么通过浏览意图分类模型而提取每一个浏览行为数据的浏览意图特征为v1，v2，……，vT。也就是说，每一个浏览行为数据都将对应于一个浏览意图特征。例如，浏览意图分类模型可以采用VGG网络来实现。

一种可独立实施的实施例中，在通过浏览意图分类模型提取出每一个浏览行为数据的浏览意图特征之后，考虑到浏览医疗大数据各浏览行为数据在时序特征上具有连续性，因此还可以对提取出的每一个浏览行为数据的浏览意图特征执行特征拼接。例如，可以计算在时序特征上连续的两个浏览行为数据的浏览意图特征之间的特征匹配度。然后，将高特征匹配度的浏览意图特征进行拼接。例如，可以通过对两个相似的浏览意图特征进行加权的方式来执行拼接。假设通过特征拼接后，得到了T′个浏览意图特征v′1，v′2，……，v′T′。

其中，浏览意图特征可以分别用于表征每一个浏览行为数据的实际浏览注意对象，如某个浏览行为数据的实际浏览注意对象是某个医疗器械的产品更新信息，那么浏览意图特征可以是该医疗器械的产品更新信息相关的特征信息。

步骤W120，获取所述浏览医疗大数据所对应的医疗话题分布，并分别生成所述医疗话题分布中的每个话题成员的话题成员特征。

一种设计思路中，每一个浏览医疗大数据都具有一个对应的医疗话题分布（可用于表征浏览医疗大数据本身所覆盖的医疗话题的情况），二者均作为用于生成话题兴趣对象的输入。通过特征映射处理，将医疗话题分布中的每一个话题成员都映射到另一特征区间中的话题成员特征。假设医疗话题分布包括P个话题成员，那么通过特征映射处理将得到话题成员特征s1，s2，……，sP。每个话题成员特征与每个浏览意图特征可以具有相同类别属性。从而，通过步骤W110和步骤W120的处理，将不同模态的两种输入数据都映射到相同的特征区间中。

步骤W130，将所述多个浏览行为数据的浏览意图特征和所述医疗话题分布的话题成员特征进行融合，以得到融合特征集。

本实施例还可以包括：获取第一关键业务节点所对应的第一关键融合特征以及第一关键业务节点定位，并获取第二关键业务节点所对应的第二关键融合特征以及第二关键业务节点定位的步骤，其中，例如，第一关键业务节点可以是用于标识融合特征的初始的关键业务节点，且第二关键业务节点可以是用于标识不同模态的融合特征向量之间的分隔的关键业务节点。

例如，在步骤W130，通过将所述第一关键融合特征、所述多个浏览行为数据的浏览意图特征、所述第二关键融合特征、以及所述医疗话题分布的话题成员特征依序进行融合，以得到融合特征集。

步骤W140，确定每个浏览意图特征所对应的浏览意图对象在所述浏览医疗大数据中的浏览业务节点，并确定每个话题成员特征所对应的话题成员在所述医疗话题分布中的话题业务节点。

例如，对于每一个浏览意图特征，确定其对应于浏览医疗大数据中的第几个浏览行为数据，这里的第几个浏览行为数据可以认为是浏览业务节点。对于每一个话题成员特征，确定其对应于医疗话题分布中的第几个话题成员，这里的第几个话题成员可以认为是话题业务节点。

步骤W150，基于所确定的各浏览意图特征所对应的浏览业务节点和各话题成员特征所对应的话题业务节点，对所述融合特征集中的各融合特征进行业务节点映射处理，以得到业务映射融合特征集。

例如，通过基于所述第一关键业务节点定位、所确定的各浏览意图特征所对应的浏览业务节点、所述第二关键业务节点定位、各话题成员特征所对应的话题业务节点，对所述融合特征集中的各融合特征进行位置嵌入，以得到业务映射融合特征集。

另外，除了业务节点映射处理之外，本实施例还可以进一步包括分区特征映射。例如，以上实施例还可以包括：基于所确定的各浏览意图特征所对应的分区和各话题成员特征所对应的话题成员分区，对所述融合特征集中的各融合特征进行分区特征映射，以更新所述融合特征集。同一种模态的输入数据将对应于相同的分区。例如，浏览医疗大数据的各个浏览意图特征对应于相同的分区特征，而医疗话题分布的各个话题成员特征对应于相同的分区特征，且浏览医疗大数据的各个浏览意图特征对应的分区特征与医疗话题分布的各个话题成员特征对应的分区特征相同。并且，下述实施例中将提到的话题兴趣对象的各个话题成员特征也将相同的分区特征，且与浏览医疗大数据的各个浏览意图特征对应的分区特征以及医疗话题分布的各个话题成员特征对应的分区特征都不同。

前述实施例中所描述的分区特征映射是在业务节点映射处理之前执行的。当然，本公开并不仅限于此。或者，另一种设计思路中，所述分区特征映射也可以在业务节点映射处理之后执行。例如，这样，以上实施例还可以包括：基于所确定的各浏览意图特征所对应的分区和各话题成员特征所对应的话题成员分区，对所述业务映射融合特征集中的各融合特征进行分区特征映射，以更新所述业务映射融合特征集。

步骤W160，基于所述业务映射融合特征集，生成与所述浏览医疗大数据对应的话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象。

例如，在步骤W160，基于所述业务映射融合特征集，可以首先生成与浏览医疗大数据对应的话题兴趣对象。这时生成的所述话题兴趣对象可以认为是基础话题兴趣对象。然后，根据预定的映射关系，可以基于基础话题兴趣对象，生成对应的扩展话题兴趣对象。下述实施例中所述的生成与浏览医疗大数据对应的话题兴趣对象的具体过程中所涉及的话题兴趣对象为基础话题兴趣对象。

例如，一种可独立实施的实施例中，可以逐对象地生成与所述浏览医疗大数据对应的话题兴趣对象。一种可独立实施的实施例中，在基于所述业务映射融合特征集，生成与所述浏览医疗大数据对应的话题兴趣对象的过程中，本公开实施例提供一种基于人工智能的话题兴趣对象预测方法，包括以下步骤（值得说明的是，本公开实施例提供的基于人工智能的话题兴趣对象预测方法可以作为一种独立的实施例单独实施）。

步骤W210，将所述业务映射融合特征集输入到话题兴趣决策模型，并得到所述话题兴趣对象的当前话题成员。当然，在首次执行步骤W210时，得到的所述话题兴趣对象的当前话题成员为第一个话题成员。

例如，一种可独立实施的实施例中，可以通过以下处理来得到所述话题兴趣对象的当前话题成员。所述话题兴趣决策模型可以包括特征提取单元和特征决策单元。首先，将所述业务映射融合特征集输入到特征提取单元，并得到对应于话题兴趣对象的当前话题成员的决策参考特征。然后，通过特征决策单元，将对应于话题兴趣对象的当前话题成员的决策参考特征表征为为第一决策分量，其中在所述第一决策分量中包含对应于话题集合中的每一个话题成员的置信度。最后，基于所述第一决策分量，确定所述话题兴趣对象的当前话题成员。

例如，可以在所述第一决策分量中选择置信度最大的那一个分量节点，并且将该分量节点所对应的那一个话题成员作为所述话题兴趣对象的当前话题成员。这样，可以将最终生成与所述浏览医疗大数据对应的一个话题兴趣对象。

或者，另一种设计思路中，也可以在所述第一决策分量中选择置信度较大的多个分量节点，并且将这多个分量节点所对应的多个话题成员均作为所述话题兴趣对象的参考选定对象信息。这样，将最终生成与所述浏览医疗大数据对应的多个话题兴趣对象。

例如，基于所述第一决策分量，确定所述话题兴趣对象的第一个话题成员可以包括：在所述第一决策分量中，对置信度按照降序顺序排序；选择位于排序范围预设数量的置信度，并确定对应的预设数量的话题成员作为所述话题兴趣对象的第一个话题成员的参考选定对象。假设选择N个第一个话题成员的参考选定对象。并且其中，将所述更新的业务映射融合特征集输入到所述特征提取单元，并重复以上处理，直到得到所述话题兴趣对象的分类结果为止可以包括：基于第一个话题成员的参考选定对象，依次产生其它话题成员的参考选定对象；基于所述话题兴趣对象中的各个话题成员的参考选定对象，确定预设数量的话题兴趣对象。也就是说，分别将第一个话题成员的每一个参考选定对象分别输入到话题兴趣决策模型，并得到第二个话题成员的N个参考选定对象。因此，共计得到N*N个第一个话题成员和第二个话题成员的参考选定对象。例如，可以基于第一个话题成员的置信度和第二个话题成员的置信度(例如，二者的乘积)，从这N*N个参考选定对象中筛选出组合置信度较大的N个第一个话题成员和第二个话题成员的组合，并将其作为已得到的话题成员输入至话题兴趣决策模型，以得到接下来的各个话题成员的参考选定对象。最终，可以确定与所述浏览医疗大数据对应的N个话题兴趣对象。

步骤W220，判断在步骤W210中得到的所述话题兴趣对象的当前话题成员是否为分类结果。如果在步骤W220判断为否，则处理进行到步骤W230。另一方面，如果在步骤W220判断为是，则处理结束。

步骤W230，生成所述话题兴趣对象的当前话题成员的话题成员特征。这里，与前述实施例中描述的步骤W120类似地，通过特征映射处理，将生成的所述话题兴趣对象的当前话题成员映射到另一特征区间中的话题成员特征。

步骤W240，基于所述话题兴趣对象的当前话题成员的话题成员特征及其在所述话题兴趣对象中的业务节点，通过特征融合来更新所述业务映射融合特征集。下面，以所述话题兴趣对象的当前话题成员为第一个话题成员为例进行说明。当然，所述话题兴趣对象的当前话题成员为其它话题成员的情况下的处理也是类似的。基于所述话题兴趣对象的第一个话题成员的话题成员特征及其在所述话题兴趣对象中的业务节点，通过特征融合来更新所述业务映射融合特征集可以包括：将所述多个浏览行为数据的浏览意图特征、所述医疗话题分布的话题成员特征和所述话题兴趣对象的第一个话题成员的话题成员特征进行融合，以更新所述融合特征集。然后，基于所确定的各浏览意图特征所对应的浏览业务节点、所述医疗话题分布的各话题成员特征所对应的话题业务节点以及所述话题兴趣对象的第一个话题成员的话题业务节点，对更新后的所述融合特征集中的各融合特征进行业务节点映射处理，以更新所述业务映射融合特征集。

或者，另一种可独立实施的实施例中，基于所述话题兴趣对象的第一个话题成员的话题成员特征及其在所述话题兴趣对象中的业务节点，通过特征融合来更新所述业务映射融合特征集可以包括：将所述多个浏览行为数据的浏览意图特征、所述医疗话题分布的话题成员特征和所述话题兴趣对象的第一个话题成员的话题成员特征进行融合，以更新所述融合特征集。然后，基于所确定的各浏览意图特征所对应的分区、医疗话题分布的各话题成员特征所对应的话题成员分区以及话题兴趣对象的第一个话题成员所对应的话题成员分区，对所述融合特征集中的各融合特征进行分区特征映射，以更新所述融合特征集。或者，基于所确定的各浏览意图特征所对应的分区、医疗话题分布的各话题成员特征所对应的话题成员分区以及话题兴趣对象的第一个话题成员所对应的话题成员分区，对所述业务映射融合特征集中的各融合特征进行分区特征映射，以更新所述业务映射融合特征集。

然后，处理返回到步骤W210，以将更新后的业务映射融合特征集输入到话题兴趣决策模型，并重复利用所得到的各个话题成员的话题成员特征来更新所述业务映射融合特征集，直至得到所述话题兴趣对象的分类结果。

在前述实施例中，详细描述了根据本公开实施例的基于大数据挖掘的数字化医疗推送优化方法。可以看出，在根据本公开实施例的基于大数据挖掘的数字化医疗推送优化方法中，通过将输入的不同模态的特征进行深度融合和交互，来生成与浏览医疗大数据对应的话题兴趣对象。

除了最终生成与浏览医疗大数据对应的话题兴趣对象之外，本实施例还可以进一步判断浏览医疗大数据与医疗话题分布的主题特征匹配度。例如，如果浏览医疗大数据与医疗话题分布的主题不一致。

例如，所述方法可以进一步包括：当得到所述话题兴趣对象的分类结果时，在由所述特征提取单元输出的多个决策参考特征中选择一个决策参考特征作为浏览医疗数据特征和一个决策参考特征作为医疗话题分布特征。例如，作为浏览医疗数据特征的一个决策参考特征可以是与位于所述多个浏览行为数据的浏览意图特征之前的第一关键融合特征对应的决策参考特征，并且作为医疗话题分布特征的一个决策参考特征可以是与位于所述多个浏览行为数据的浏览意图特征与所述医疗话题分布的各个话题成员特征之间的第二关键融合特征对应的决策参考特征。然后，确定所述浏览医疗数据特征与所述医疗话题分布特征之间的特征匹配度。例如，可以使用余弦特征匹配度来计算所述浏览医疗数据特征与所述医疗话题分布特征之间的特征匹配度。这样，特征匹配度是在-1到1之间取值的数值，数值越接近于1，则认为特征匹配度越高。最后，基于所述特征匹配度，确定所述浏览医疗大数据与所述医疗话题分布是否匹配。

另外，本实施例还可以进一步判断所生成的话题兴趣对象与医疗话题分布的主题特征匹配度。在生成与所述浏览医疗大数据对应的多个话题兴趣对象的情况下，可以根据生成的话题兴趣对象与医疗话题分布的主题特征匹配度，对生成的多个话题兴趣对象进行去噪，以去掉特征匹配度低的话题兴趣对象。

例如，本实施例还可以进一步包括：分别针对所述预设数量的话题兴趣对象中的每一个，执行以下处理：当得到所述话题兴趣对象的分类结果时，在由所述特征提取单元输出的多个决策参考特征中选择一个决策参考特征作为医疗话题分布特征和一个决策参考特征作为话题兴趣对象特征。例如，作为医疗话题分布特征的一个决策参考特征可以是与位于所述多个浏览行为数据的浏览意图特征与所述医疗话题分布的各个话题成员特征之间的第二关键融合特征对应的决策参考特征，并且作为话题兴趣对象特征的一个决策参考特征可以是与位于所述医疗话题分布的各个话题成员特征与所述话题兴趣对象的各个话题成员特征之间的第二关键融合特征对应的决策参考特征。然后，确定所述医疗话题分布特征与所述话题兴趣对象特征之间的特征匹配度。例如，可以使用余弦特征匹配度来计算所述医疗话题分布特征与所述话题兴趣对象特征之间的特征匹配度。例如，特征匹配度是在-1到1之间取值的数值，数值越接近于1，则认为特征匹配度越高。当最大特征匹配度大于预设匹配度时，确定与该特征匹配度对应的话题兴趣对象作为与浏览医疗大数据对应的话题兴趣对象，否则输出指示没有与所述浏览医疗大数据对应的话题兴趣对象的信息。此外，特征匹配度越高的话题兴趣对象，准确率也会越来越高。这说明医疗话题分布与话题兴趣对象的特征匹配度，对实际话题兴趣对象和错误话题兴趣对象具有一定的区分能力。根据医疗话题分布与话题兴趣对象的特征匹配度来去噪生成的话题兴趣对象，去掉低特征匹配度的话题兴趣对象，能够在牺牲一定的召回率指标的情况下，提升话题兴趣对象的准确率。

另外，本实施例还可以进一步利用浏览医疗大数据与话题兴趣对象的特征匹配度以及医疗话题分布与话题兴趣对象的特征匹配度来找到仅通过浏览医疗大数据内容生成的话题兴趣对象。

例如，本实施例可以进一步包括：分别针对所述预设数量的话题兴趣对象中的每一个，执行以下处理：当得到所述话题兴趣对象的分类结果时，在由所述特征提取单元输出的多个决策参考特征中选择一个决策参考特征作为浏览医疗数据特征、一个决策参考特征作为医疗话题分布特征和一个决策参考特征作为话题兴趣对象特征。例如，作为浏览医疗数据特征的一个决策参考特征可以是与位于所述多个浏览行为数据的浏览意图特征之前的第一关键融合特征对应的决策参考特征，作为医疗话题分布特征的一个决策参考特征可以是与位于所述多个浏览行为数据的浏览意图特征与所述医疗话题分布的各个话题成员特征之间的第二关键融合特征对应的决策参考特征，并且作为话题兴趣对象特征的一个决策参考特征可以是与位于所述医疗话题分布的各个话题成员特征与所述话题兴趣对象的各个话题成员特征之间的第二关键融合特征对应的决策参考特征。然后，确定所述浏览医疗数据特征与所述医疗话题分布特征之间的特征匹配度，并确定所述浏览医疗数据特征与所述话题兴趣对象特征之间的特征匹配度。例如，可以使用余弦特征匹配度来计算所述浏览医疗大数据与所述话题兴趣对象之间的特征匹配度以及所述医疗话题分布特征与所述话题兴趣对象特征之间的特征匹配度。这样，特征匹配度是在-1到1之间取值的数值，数值越接近于1，则认为特征匹配度越高。当所述浏览医疗数据特征与所述医疗话题分布特征之间的特征匹配度小于第一预设匹配度且所述浏览医疗数据特征与所述话题兴趣对象特征大于第二预设匹配度时，将该话题兴趣对象确定为仅通过浏览医疗大数据内容生成的话题兴趣对象。

下面描述根据本公开实施例的基于大数据挖掘的数字化医疗推送优化方法中涉网络训练方法。前述实施例中所述的所述特征映射处理和所述业务节点映射处理通过深度学习模型来完成。例如本公开实施例提供一种基于人工智能的话题兴趣对象预测方法，包括以下步骤（值得说明的是，本公开实施例提供的基于人工智能的话题兴趣对象预测方法可以作为一种独立的实施例单独实施）。

通过第一参考样本序列来训练所述深度学习模型、所述特征提取单元和所述特征决策单元，其中所述第一参考样本序列包括多个第一参考样本，每个第一参考样本包括第一参考浏览医疗大数据、与所述第一参考浏览医疗大数据对应的第一参考医疗话题分布以及与所述第一参考浏览医疗大数据和所述第一参考医疗话题分布对应的实际话题兴趣对象。

例如，在第一参考样本序列中的至少一部分第一参考样本中，针对每一个第一参考样本，执行如下处理。

步骤W310，从该第一参考样本的第一参考浏览医疗大数据中提取多个第一参考浏览行为数据，并分别获取多个第一参考浏览行为数据中的每一个的浏览意图特征。

步骤W320，获取所述第一参考浏览医疗大数据所对应的第一参考医疗话题分布，并分别生成所述第一参考医疗话题分布中的每个话题成员的话题成员特征，其中每个话题成员特征与每个浏览意图特征可以具有相同类别属性。

步骤W330，将实际话题兴趣对象中的一个或多个话题成员替换为扩展话题成员，以得到扩展话题兴趣对象，并分别生成所述扩展话题兴趣对象中的每个话题成员的话题成员特征，其中所述扩展话题兴趣对象中的每个话题成员的话题成员特征与每个浏览意图特征可以具有相同类别属性。

步骤W340，将所述多个第一参考浏览行为数据的浏览意图特征、所述第一参考医疗话题分布的话题成员特征和所述扩展话题兴趣对象中的每个话题成员的话题成员特征进行融合，以得到第一参考融合特征集。

步骤W350，确定每个第一参考浏览行为数据的浏览意图特征所对应的浏览意图对象在所述第一参考浏览医疗大数据中的浏览业务节点，确定所述第一参考医疗话题分布中的每个话题成员特征所对应的话题成员在所述第一参考医疗话题分布中的话题业务节点，并确定所述扩展话题兴趣对象中的每个话题成员的话题成员特征所对应的话题成员在所述扩展话题兴趣对象中的话题业务节点。

步骤W360，基于所确定的各浏览意图特征所对应的浏览业务节点和各话题成员特征所对应的话题业务节点，对所述第一参考融合特征集中的各融合特征进行业务节点映射处理，以得到第一参考业务映射融合特征集。

步骤W370，基于所述第一参考业务映射融合特征集，生成所述扩展话题兴趣对象中的一个或多个扩展话题成员。

步骤W380，计算所述一个或多个扩展话题成员与实际话题成员之间的第一模型评估指标。

步骤W390，至少基于所述第一模型评估指标，训练所述深度学习模型、所述特征提取单元和所述特征决策单元，并基于所述深度学习模型、所述特征提取单元和所述特征决策单元进行话题兴趣对象预测。

另外，在模型评估指标设计上，除了扩展话题成员与实际话题成员之间的第一模型评估指标之外，还可以进一步增加浏览医疗大数据与医疗话题分布之间的三元组评估指标、浏览医疗大数据与生成话题兴趣对象之间的三元组评估指标以及医疗话题分布与生成话题兴趣对象之间的三元组评估指标。由于浏览医疗大数据、医疗话题分布和生成话题兴趣对象都是通过相同的话题兴趣决策模型得到的融合特征，因此增加三元组评估指标的目的是让话题兴趣决策模型生成的话题兴趣对象在主题层面上，尽量与浏览医疗大数据或者医疗话题分布接近。

例如，可以通过以下方式来计算上述三元组评估指标。首先，在由所述特征提取单元输出的多个决策参考特征中选择作为浏览医疗数据特征的一个决策参考特征、作为医疗话题分布特征的一个决策参考特征和作为话题兴趣对象特征的一个决策参考特征。

然后，基于浏览医疗数据特征与对应的医疗话题分布特征之间的特征匹配度和浏览医疗数据特征与不对应的医疗话题分布特征之间的特征匹配度以及医疗话题分布特征与对应的浏览医疗数据特征之间的特征匹配度和医疗话题分布特征与不对应的浏览医疗数据特征之间的特征匹配度，计算第二模型评估指标，作为浏览医疗大数据与医疗话题分布之间的三元组评估指标。例如，可以通过以下公式来计算第二模型评估指标。

value2＝max(F(V，S′)+m-F(V，S)，0.0)+max(F(V′，S)+m-F(V，S)，0.0) (1)

其中，value2表示第二模型评估指标，V、S和S′分别表示浏览医疗大数据、正确医疗话题分布(与所述浏览医疗大数据对应的医疗话题分布)、错误医疗话题分布(与所述浏览医疗大数据不对应的医疗话题分布，即与其它浏览医疗大数据对应的医疗话题分布)。S、V和V′分别表示医疗话题分布、正确浏览医疗大数据(与所述医疗话题分布对应的浏览医疗大数据)、错误浏览医疗大数据(与所述医疗话题分布不对应的浏览医疗大数据，即与其它医疗话题分布对应的浏览医疗大数据)。m是一个常量，例如，m可以是0.1。这里需要指出的是，在训练过程中，通常是对于一批参考样本进行集中的训练，因此对于这一批参考样本，将得到多组浏览医疗大数据、医疗话题分布和话题兴趣对象的决策参考特征(如前述实施例中所述，也可以称为浏览医疗数据特征、医疗话题分布特征和话题兴趣对象特征)，同一组中包括的浏览医疗大数据、医疗话题分布和话题兴趣对象的决策参考特征是对应的，而不同组中包括的浏览医疗大数据、医疗话题分布和话题兴趣对象的决策参考特征是不对应的。并且，在一批参考样本中，当对于一个浏览医疗数据特征存在多个不对应的医疗话题分布特征时，可以计算该浏览医疗数据特征与各个不对应的医疗话题分布特征的特征匹配度的平均值，作为F(V，S′)。类似地，在一批参考样本中，当对于一个医疗话题分布特征存在多个不对应的浏览医疗数据特征时，可以计算该医疗话题分布特征与各个不对应的浏览医疗数据特征的特征匹配度的平均值，作为F(V′，S)。

基于浏览医疗数据特征与对应的话题兴趣对象特征之间的特征匹配度和浏览医疗数据特征与不对应的话题兴趣对象特征之间的特征匹配度以及话题兴趣对象特征与对应的浏览医疗数据特征以及话题兴趣对象特征与不对应浏览医疗数据特征之间的特征匹配度，计算第三模型评估指标，作为浏览医疗大数据与话题兴趣对象之间的三元组评估指标。例如，可以通过以下来计算第三模型评估指标。

value3＝max(F(V，T′)+m-F(V，T)，0.0)+max(F(V′，T)+m-F(V，T)，0.0) (2)

其中，value3表示第三模型评估指标，V、T和T′分别表示浏览医疗大数据、实际话题兴趣对象(与所述浏览医疗大数据对应的话题兴趣对象)、错误话题兴趣对象(与所述浏览医疗大数据不对应的话题兴趣对象，即与其它浏览医疗大数据对应的话题兴趣对象)。T、V和V′分别表示话题兴趣对象、正确浏览医疗大数据(与所述话题兴趣对象对应的浏览医疗大数据)、错误浏览医疗大数据(与所述话题兴趣对象不对应的浏览医疗大数据，即与其它话题兴趣对象对应的浏览医疗大数据)。m是一个常量，例如，m可以是0.1。与前述实施例中计算第二模型评估指标类似地，在一批参考样本中，当对于一个浏览医疗数据特征存在多个不对应的话题兴趣对象特征时，可以计算该浏览医疗数据特征与各个不对应的话题兴趣对象特征的特征匹配度的平均值，作为F(V，T′)。类似地，在一批参考样本中，当对于一个话题兴趣对象特征存在多个不对应的浏览医疗数据特征时，可以计算该话题兴趣对象特征与各个不对应的浏览医疗数据特征的特征匹配度的平均值，作为F(V′，T)。

基于医疗话题分布特征与对应的话题兴趣对象特征之间的特征匹配度和医疗话题分布特征与不对应的话题兴趣对象特征之间的特征匹配度以及话题兴趣对象特征与对应的医疗话题分布特征之间的特征匹配度和话题兴趣对象特征与不对应的医疗话题分布特征之间的特征匹配度，计算第四模型评估指标，作为医疗话题分布与话题兴趣对象之间的三元组评估指标。例如，可以通过以下公式来计算第四模型评估指标。

value4＝max(F(S，T′)+m-F(S，T)，0.0)+max(F(S′，T)+m-F(S，T)，0.0) (3)

其中，value4表示第四模型评估指标，S、T和T′分别表示医疗话题分布、实际话题兴趣对象(与所述医疗话题分布对应的话题兴趣对象)、错误话题兴趣对象(与所述医疗话题分布不对应的话题兴趣对象，即与其它医疗话题分布对应的话题兴趣对象)。T、S和S′分别表示话题兴趣对象、正确医疗话题分布(与所述话题兴趣对象对应的医疗话题分布)、错误医疗话题分布(与所述话题兴趣对象不对应的医疗话题分布，即与其它话题兴趣对象对应的医疗话题分布)。m是一个常量，例如，m可以是0.1。与前述实施例中计算第二模型评估指标类似地，在一批参考样本中，当对于一个医疗话题分布特征存在多个不对应的话题兴趣对象特征时，可以计算该浏览医疗数据特征与各个不对应的话题兴趣对象特征的特征匹配度的平均值，作为F(S，T′)。类似地，在一批参考样本中，当对于一个话题兴趣对象特征存在多个不对应的医疗话题分布特征时，可以计算该话题兴趣对象特征与各个不对应的医疗话题分布特征的特征匹配度的平均值，作为F(S′，T)。

并且，至少基于所述第一模型评估指标，训练所述深度学习模型、所述特征提取单元和所述特征决策单元可以包括：基于第一模型评估指标、第二模型评估指标、第三模型评估指标和第四模型评估指标之和，训练所述深度学习模型、所述特征提取单元和所述特征决策单元。例如，可以设置预定的迭代次数，当达到所述预定的迭代次数时，判断训练终止。或者，也可以判断各模型评估指标之和是否最小化，当各模型评估指标之和最小化时，判断训练终止。

可以看出，训练过程与前述实施例中所述的基于大数据挖掘的数字化医疗推送优化方法大体是类似的。不同之处在于，在训练过程中，不再是逐个地输出话题兴趣对象中的每一个话题成员，因为在训练时实际话题兴趣对象是已知的，所以将实际话题兴趣对象随机地扩展一个或多个话题成员，并作为输入输入到网络。

另外，一种可独立实施的实施例中，在通过第一参考样本序列来训练所述深度学习模型、所述特征提取单元和所述特征决策单元之前，进一步包括预训练的步骤。例如，以上方法还可以进一步包括：通过第二参考样本序列来训练所述深度学习模型和所述特征提取单元，其中所述第二参考样本序列包括多个第二参考样本，每个第二参考样本包括第二参考浏览医疗大数据和与所述第二参考浏览医疗大数据对应的第二参考医疗话题分布。这里，可以看出，第二参考样本序列与第一参考样本序列的不同之处在于，第二参考样本序列是无话题兴趣对象参考样本序列。

通过第二参考样本序列来训练所述深度学习模型和所述特征提取单元可以包括以下步骤。

在第二参考样本序列中的至少一部分第二参考样本中，针对每一个第二参考样本，执行如下处理。

首先，从该第二参考样本的参考浏览医疗大数据中提取多个第二参考浏览行为数据，并分别获取所述多个第二参考浏览行为数据中的每一个的浏览意图特征。

然后，获取所述第二参考浏览医疗大数据所对应的第二参考医疗话题分布，并分别生成所述第二参考医疗话题分布中的每个话题成员的话题成员特征，其中每个话题成员特征与每个浏览意图特征可以具有相同类别属性。

接下来，将所述多个第二参考浏览行为数据的浏览意图特征和所述第二参考医疗话题分布的话题成员特征进行融合，以得到第二参考融合特征集。

然后，确定每个第二参考浏览行为数据的浏览意图特征所对应的浏览意图对象在所述第二参考浏览医疗大数据中的浏览业务节点，并确定每个话题成员特征所对应的话题成员在所述第二参考医疗话题分布中的话题业务节点。

接下来，基于所确定的各浏览意图特征所对应的浏览业务节点和各话题成员特征所对应的话题业务节点，对所述第二参考融合特征集中的各融合特征进行业务节点映射处理，以得到第二参考业务映射融合特征集。

可以看出，该预训练过程与前述实施例中所述的基于大数据挖掘的数字化医疗推送优化方法大体是类似的。不同之处在于，该预训练过程不会生成并输出话题兴趣对象。通过先在无标签的话题兴趣对象的第二参考样本序列上进行预训练，可以学习浏览医疗大数据的浏览意图对象特征与话题特征的主题分布特征，使得浏览医疗大数据特征与话题特征在主题上接近。

然后，将所述第二参考业务映射融合特征集输入到特征提取单元，并在由所述特征提取单元输出的多个决策参考特征中选择作为浏览医疗数据特征的一个决策参考特征和作为医疗话题分布特征的一个决策参考特征。

接下来，基于浏览医疗数据特征与对应的医疗话题分布特征之间的特征匹配度和浏览医疗数据特征与不对应的医疗话题分布特征之间的特征匹配度以及医疗话题分布特征与对应的浏览医疗数据特征之间的特征匹配度和医疗话题分布特征与不对应的浏览医疗数据特征之间的特征匹配度，计算第五模型评估指标。

然后，基于所述第五模型评估指标，训练所述深度学习模型和所述特征提取单元。例如，可以设置预定的预迭代次数，当达到所述预定的预迭代次数时，预判断训练终止。或者，也可以判断第五模型评估指标是否最小化，当第五模型评估指标最小化时，预判断训练终止。

图3示出了本公开实施例提供的用于实现上述的基于大数据挖掘的数字化医疗推送优化方法的数字化医疗AI系统100的硬件结构意图，如图3所示，数字化医疗AI系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于大数据挖掘的数字化医疗推送优化方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的数字化医疗终端200进行数据收发。

处理器110的具体实现过程可参见上述数字化医疗AI系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于大数据挖掘的数字化医疗推送优化方法。

最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于大数据挖掘的数字化医疗推送优化方法，其特征在于，应用于数字化医疗AI系统，所述数字化医疗AI系统与所述多个数字化医疗终端通信连接，所述方法包括：

获取所述数字化医疗终端的话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象，并基于所述话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象对所述数字化医疗终端进行信息推送，记录多个实际信息推送数据；

获取针对所述实际信息推送数据的反馈事件数据序列，所述反馈事件数据序列包括至少两个反馈事件数据；

获得所述反馈事件数据序列中的各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值；

根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇；

基于所述反馈事件数据簇生成针对所述实际信息推送数据的目标信息推送优化指标集，并基于所述目标信息推送优化指标集对所述数字化医疗终端的信息推送优化进程进行策略优化配置，所述目标信息推送优化指标集包括至少两个目标信息推送优化指标的指标建议数据。

2.根据权利要求1所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，所述根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇的步骤，包括：

根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分治，得到至少两个反馈事件子数据；

对各个反馈事件子数据进行分簇，并分别对所述各个反馈事件子数据中的各个反馈事件数据进行分簇，得到所述反馈事件数据簇。

3.根据权利要求2所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，所述根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分治，得到至少两个反馈事件子数据的步骤，包括：

分别根据所述各个反馈事件数据对应的业务引导属性值，对所述各个反馈事件数据的反馈倾向属性进行聚类，得到所述各个反馈事件数据的关键反馈倾向属性；

根据所述各个反馈事件数据的关键反馈倾向属性对所述各个反馈事件数据进行关键数据拆分，得到至少两个反馈事件子数据；

相应的，所述对各个反馈事件子数据进行分簇，并分别对所述各个反馈事件子数据中的各个反馈事件数据进行分簇，得到所述反馈事件数据簇的步骤，包括：

根据各个反馈事件子数据所包含的反馈事件数据的数量，对所述各个反馈事件子数据进行分簇；

针对所述各个反馈事件子数据，执行以下操作：根据所述反馈事件子数据中各个反馈事件数据的反馈倾向属性与所述反馈事件子数据的匹配度，对所述反馈事件子数据中的各个反馈事件数据进行分簇；

基于所述各个反馈事件子数据之间的分簇结果，以及所述各个反馈事件子数据中各个反馈事件数据的分簇结果，生成所述反馈事件数据簇。

4.根据权利要求1-3中任意一项所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，所述获得所述反馈事件数据序列中的各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值的步骤，包括：

分别将所述各个反馈事件数据输入满足模型收敛要求的信息推送优化指标决策模型中，基于所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送数据维度的业务引导属性单元对所述各个反馈事件数据进行业务引导属性值分类，获得所述业务引导属性单元输出的所述各个反馈事件数据对应的业务引导属性值；

所述根据所述各个反馈事件数据对应的业务引导属性值，以及所述各个反馈事件数据的反馈倾向属性，对所述各个反馈事件数据进行分簇，得到相应的反馈事件数据簇的步骤，包括：

分别将所述各个反馈事件数据，以及所述各个反馈事件数据对应的业务引导属性值输入所述满足模型收敛要求的信息推送优化指标决策模型中的关键数据拆分与分簇单元，基于所述关键数据拆分与分簇单元对所述各个反馈事件数据进行关键数据拆分与分簇，获得所述关键数据拆分与分簇单元输出的数据成员维度的第一目标数据，所述第一目标数据中的各个反馈事件数据成员组合形成所述反馈事件数据簇；

所述基于所述反馈事件数据簇生成针对所述实际信息推送数据的目标信息推送优化指标集，并基于所述目标信息推送优化指标集对所述数字化医疗终端的信息推送优化进程进行策略优化配置的步骤，包括：

将所述目标数据输入所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送优化指标单元，基于所述信息推送优化指标单元进行信息推送的优化概率分布预测，获得所述信息推送优化指标单元输出的所述目标信息推送优化指标集；其中，所述满足模型收敛要求的信息推送优化指标决策模型是根据参考样本数据序列训练得到的，所述参考样本数据序列中的参考样本数据包括已携带匹配依据信息的参考反馈事件数据，所述匹配依据信息表示所述参考反馈事件数据与参考信息推送数据是否关联；

基于所述目标信息推送优化指标集对所述数字化医疗终端的信息推送优化进程进行策略优化配置。

5.根据权利要求4所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，所述分别将所述各个反馈事件数据输入满足模型收敛要求的信息推送优化指标决策模型中，基于所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送数据维度的业务引导属性单元，获得所述业务引导属性单元输出的各条参考反馈事件数据对应的业务引导属性值的步骤，包括：

分别将所述各个反馈事件数据输入所述业务引导属性单元，基于所述业务引导属性单元中的反馈倾向性映射网络将所述各个反馈事件数据映射至预设特征空间，得到所述各个反馈事件数据的反馈倾向性数据；

通过深度卷积特征提取将所述各个反馈事件数据的反馈倾向性数据分别处理为对应的反馈倾向性深度特征；

基于所述业务引导属性单元，分别提取所述各个反馈事件数据的反馈倾向性深度特征与除该个反馈事件数据之外的其它反馈事件数据的反馈倾向性深度特征之间的业务引导特征；

基于所述各个反馈事件数据对应的业务引导特征获得所述各个反馈事件数据与所述实际信息推送数据之间的业务引导属性值。

6.根据权利要求4所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，所述基于所述关键数据拆分与分簇单元对所述各个反馈事件数据进行关键数据拆分并分簇，获得所述关键数据拆分与分簇单元输出的数据成员维度的第一目标数据的步骤，包括：

基于所述满足模型收敛要求的信息推送优化指标决策模型中的关键数据拆分与分簇单元，将所述各个反馈事件数据映射至预设特征空间得到所述各个反馈事件数据对应的数据分簇；

通过结构化特征提取对所述各个反馈事件数据对应的数据分簇进行结构化特征提取，得到所述各个反馈事件数据的结构化特征；

分别根据所述各个反馈事件数据对应的业务引导属性值，对所述各个反馈事件数据的结构化特征进行聚类，得到所述各个反馈事件数据的聚类结构化特征；

基于所述各个反馈事件数据的聚类结构化特征进行关键数据拆分，得到至少两个反馈事件子数据；

将全部反馈事件子数据进行分簇，并将每个反馈事件子数据中的各个反馈事件数据进行分簇后，将各个反馈事件数据的聚类结构化特征合成并进行数据成员维度处理得到所述第一目标数据。

7.根据权利要求4所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，所述将所述目标数据输入所述满足模型收敛要求的信息推送优化指标决策模型中的信息推送优化指标单元，基于所述信息推送优化指标单元进行信息推送的优化概率分布预测，获得所述信息推送优化指标单元输出的所述目标信息推送优化指标集的步骤，包括：

采用遍历处理策略，依次生成所述目标信息推送优化指标集中的各个信息推送优化指标的指标建议数据，所述目标信息推送优化指标集中的一个信息推送优化指标至少包括一个信息推送优化指标的指标建议数据；

其中，在一轮遍历处理过程中，执行以下操作：

将上一轮输出的目标信息推送优化指标的指标建议数据输入所述信息推送优化指标单元，其中，第一轮输入所述信息推送优化指标单元的为预设的原始样本数据；

通过优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据和所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布，其中，所述优化概率分布表示所述反馈事件数据成员与上一轮输出的信息推送优化指标的指标建议数据之间的指标优化概率；

将所述优化概率分布和所述反馈事件数据簇中的反馈事件数据成员的反馈倾向性深度特征队列进行聚类，并输入到深度学习网络中，获得本轮输出的所述反馈事件数据簇的目标结构化特征；

基于上一轮输出的目标信息推送优化指标的指标建议数据以及所述目标结构化特征，生成本轮输出的目标信息推送优化指标的指标建议数据。

8.根据权利要求7所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，在所述通过优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据和所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布之前，还包括：

将本轮选取的目标反馈事件子数据以及所述目标反馈事件子数据的关联事件子数据作为显性的反馈事件子数据，将其它的反馈事件子数据作为边缘的反馈事件子数据，其中每次选取的目标反馈事件子数据是基于各个反馈事件子数据之间的顺序确定的；

为所述反馈事件数据簇中位于显性的反馈事件子数据中的反馈事件数据成员添加第一优化描述特征，为所述反馈事件数据簇中位于边缘的反馈事件子数据中的反馈事件数据成员添加第二优化描述特征，得到所述参考样本数据序列中的各个反馈事件数据成员对应的第一反馈倾向性深度特征；

以及为上一轮输出的目标信息推送优化指标的指标建议数据添加所述第一优化描述特征，得到对应的第二反馈倾向性深度特征；

所述通过优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据和所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布的步骤，包括：

利用所述参考样本数据序列中的各个反馈事件数据成员对应的第一反馈倾向性深度特征与上一轮输出的目标信息推送优化指标的指标建议数据对应的第二反馈倾向性深度特征，基于优化概率策略分析上一轮输出的目标信息推送优化指标的指标建议数据与所述参考样本数据序列中的各个反馈事件数据成员的优化概率分布。

9.根据权利要求1-8中任意一项所述的基于大数据挖掘的数字化医疗推送优化方法，其特征在于，所述获取所述数字化医疗终端的话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象的步骤，包括：

从所述数字化医疗终端的浏览医疗大数据中提取多个浏览行为数据，并分别获取所述多个浏览行为数据中的每一个浏览行为数据的浏览意图特征；

获取所述浏览医疗大数据所对应的医疗话题分布，并分别生成所述医疗话题分布中的每个话题成员的话题成员特征；

将所述多个浏览行为数据的浏览意图特征和所述医疗话题分布的话题成员特征进行融合，以得到融合特征集；

确定每个浏览意图特征所对应的浏览意图对象在所述浏览医疗大数据中的浏览业务节点，并确定每个话题成员特征所对应的话题成员在所述医疗话题分布中的话题业务节点；

基于所确定的各浏览意图特征所对应的浏览业务节点和各话题成员特征所对应的话题业务节点，对所述融合特征集中的各融合特征进行业务节点映射处理，以得到业务映射融合特征集；

基于所述业务映射融合特征集，生成与所述浏览医疗大数据对应的话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象，并基于所述话题兴趣对象以及与所述话题兴趣对象对应的至少一个扩展话题兴趣对象对所述数字化医疗终端进行信息推送。

10.一种数字化医疗AI系统，其特征在于，所述数字化医疗AI系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-9中任意一项的基于大数据挖掘的数字化医疗推送优化方法。

Images