CN114792571A - 药品信息推送方法、装置、服务器及计算机可读存储介质 - Google Patents
药品信息推送方法、装置、服务器及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114792571A CN114792571A CN202210231846.0A CN202210231846A CN114792571A CN 114792571 A CN114792571 A CN 114792571A CN 202210231846 A CN202210231846 A CN 202210231846A CN 114792571 A CN114792571 A CN 114792571A
- Authority
- CN
- China
- Prior art keywords
- medicine
- disease
- entities
- applicability
- drug
- 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.)
- Granted
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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及的一种药品信息推送方法基于用户的药品浏览数据,通过医药知识图谱获得相关疾病,再通过一基于药品购买概率构建的医药知识图谱获取用于治疗所推测的疾病的药品,由于效果更好的药品更有可能被医生开处,则效果更好的药品应具有更高的购买概率,因此药品购买概率作为药品效果的指示,用户可以获取到能够满足自身需求且具有更好效果的药品信息。本发明实现了智能导购以帮助用户进行购药选药,能够减少用户因不知如何购药而产生的线上客服咨询量,从而不仅提升了用户的购药体验,还有利于缓解线上客服资源以提升用户对于其他问题进行的咨询体验,以及减轻了服务器支持即时通信的压力。
Description
技术领域
本发明涉及信息推送处理技术领域,尤其是涉及一种药品信息推送方法、装置及计算机可读存储介质。
背景技术
随着互联网医疗的发展,网上药店已成为一种购买药品的便利途径。然而,网上药店的用户在进行药品选购时,面对选择丰富的药品常常无法明确如何购药,这主要是因为一方面,用户对于各药品的各个品牌不了解,无法确定治疗效果好的药品品牌;另一方面,用户按照惯常用药选购药品,可是当网上药店中有治疗效果更好的药品时,用户却无法获知。因此,用户自行在网上药店选购药品时常常无法了解能够满足自身用药需求的具有较好治疗效果的是哪些药品。目前,网上药店通过提供即时客服服务来解决这一问题,用户可以通过线上客服进行购药选药的咨询,但是,网上药店的用户询问量大,线上客服数量有限导致处理效率低,增加线上客服数量来提高处理效率则需增加服务成本,而且大量的即时消息给服务器带来巨大压力,难以进行维护且维护成本高。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种药品信息推送方法,能够向购药用户推送满足其自身用药需求的具有较好治疗效果的药品。
本发明是通过以下技术方案实现的:一种药品信息推送方法,包括步骤:获取用户终端的药品浏览数据,并对所述药品浏览数据进行实体提取,得到药品实体词;
根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,根据所述关联疾病得到推测疾病数据;
根据第二医药知识图谱中实体间的治疗关系对所述推测疾病数据中的疾病实体进行关联,得到关联药品,其中,所述第二医药知识图谱中,具有治疗关系的所述药品实体和疾病实体满足的条件是所述药品实体对应的药品对于所述疾病实体对应的疾病的购买概率高于一设定概率;
根据所述关联药品确定推送信息,并将所述推送信息推送至用户终端。
相对于现有技术,本发明提供一种药品信息推送方法基于用户的药品浏览数据,通过医药知识图谱获得相关疾病,再通过一基于药品购买概率构建的医药知识图谱获取用于治疗所推测的疾病的药品,由于效果更好的药品更有可能被医生开处,则效果更好的药品应具有更高的购买概率,因此药品购买概率作为药品效果的指示,用户可以获取到能够满足自身需求且具有更好效果的药品信息。本发明实现了智能导购以帮助用户进行购药选药,能够减少用户因不知如何购药而产生的线上客服咨询量,从而不仅提升了用户的购药体验,还有利于缓解线上客服资源以提升用户对于其他问题进行的咨询体验,以及减轻了服务器支持即时通信的压力。
进一步地,所述第一医药知识图谱中实体间的适用关系根据药品实体和疾病实体间的适用性分类,根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,包括:
根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的待确定疾病,并获取每个所述待确定疾病对应的该药品实体词的适用性;
对每一所述药品实体词所关联的所有所述待确定疾病按对应的适用性进行排序;
确定每一所述药品实体词所关联的适用性最高的X个所述待确定疾病为该药品实体词对应的关联疾病。
由此,能够推测出与用户浏览的药品相关性更高的疾病数据。
进一步地,所述适用性以适用性概率量化;根据所述关联疾病得到推测疾病数据,包括:
针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性概率进行和计算;
根据概率和最大的Y个所述关联疾病得到所述推测疾病数据。
由此,能够减少信息冗杂。
进一步地,所述适用性概率通过朴素贝叶斯算法进行计算:令i个药品实体m的集合表达为M={m1,m2,m3,…,mi};令j个疾病实体d的集合表达为D={d1,d2,d3,…,dj};使用贝叶斯公式计算第p个药品实体mp对于第q个疾病实体dq的适用性概率P(dq|mp)。
进一步地,所述适用性以适用性程度分级,根据所述关联疾病得到推测疾病数据,包括:
对不同的所述适用性程度赋予不同的权重系数,其中,所述适用性程度越高赋予的所述权重系数越大;
针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性程度对应的权重系数进行和计算;
根据权重系数和最大的Y个所述关联疾病得到所述推测疾病数据。
基于同一发明构思,本发明还提供一种药品信息推送装置,包括:药品实体词获取模块,用于获取用户终端的药品浏览数据,并对所述药品浏览数据进行实体提取,得到药品实体词;
推测疾病确定模块,用于根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,根据所述关联疾病得到推测疾病数据;
关联药品确定模块,用于根据第二医药知识图谱中实体间的治疗关系对所述推测疾病数据中的疾病实体进行关联,得到关联药品,其中,所述第二医药知识图谱中,具有治疗关系的所述药品实体和疾病实体满足的条件是所述药品实体对应的药品对于所述疾病实体对应的疾病的购买概率高于一设定概率;
信息推送模块,用于根据所述关联药品确定推送信息,并将所述推送信息推送至用户终端。
进一步地,所述第一医药知识图谱中实体间的适用关系根据药品实体和疾病实体间的适用性分类,所述推测疾病确定模块中根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,包括:
根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的待确定疾病,并获取每个所述待确定疾病对应的该药品实体词的适用性;
对每一所述药品实体词所关联的所有所述待确定疾病按对应的适用性进行排序;
确定每一所述药品实体词所关联的适用性最高的X个所述待确定疾病为该药品实体词对应的关联疾病。
进一步地,所述适用性以适用性概率量化;所述推测疾病确定模块中根据所述关联疾病得到推测疾病数据,包括:
针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性概率进行和计算;
根据概率和最大的Y个所述关联疾病得到所述推测疾病数据。
基于同一发明构思,本发明还提供一种服务器,包括:处理器;存储器,用于存储由所述处理器执行的计算机程序;其中,所述处理器执行所述计算机程序时实现上述药品信息推送方法的步骤。
基于同一发明构思,本发明还提供一种计算机可读存储介质,其上存储由计算机程序,所述计算机程序被执行时实现上述药品信息推送方法的步骤。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为实施例中的药品推送处理方法的一示例性应用环境示意图的结构示意图;
图2为实施例中的药品推送处理方法的流程示意图;
图3为图2所示的药品推送处理方法的一示例性的第一医药知识图谱的示意图结构示意图;
图4为一示例性的药品购买概率数据库的结构示意图;
图5为图2所示的药品推送处理方法的一示例性的第二医药知识图谱的结构示意图;
图6为一示例性的药品信息推送界面图;
图7为实施例中的一种药品信息推送装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参阅图1,其为本实施例的药品推送处理方法的一示例性应用环境示意图,包括用户终端1和服务器2,用户终端1可以是任何具有上网功能的智能终端,例如,可以具体为计算机、手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、电子书阅读器、多媒体播放器等,服务器2可以是计算机,还可以是专用服务器。其中,用户终端1可以通过无线局域网接入路由器,并通过路由器访问公网上的服务器2。用户终端1可以运行网上药店软件的用户客户端,用户在网上药店软件用户客户端进行药品浏览时,用户终端1将药品浏览数据上传至服务器2,服务器2根据该药品浏览数据进行本实施例的药品推送处理后,将处理得到的药品信息推送至用户终端1。
本发明通过用户终端的药品浏览数据利用医药知识图谱推测用户可能存在的疾病,根据所推测的疾病确定用药效果好的药品的信息推送至用户终端,从而在用户进行药品选购的过程中使用户能够获取有利于满足选购需求的内容。具体通过以下实施例进行说明。
请参阅图2,其为本实施例的药品推送处理方法的流程示意图。该方法包括步骤:
S1:获取用户终端的药品浏览数据,并对所述药品浏览数据进行实体提取,得到药品实体词;
S2:根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,根据所述关联疾病得到推测疾病数据;
S3:根据第二医药知识图谱中实体间的治疗关系对所述推测疾病数据中的疾病实体进行关联,得到关联药品;
S4:根据所述关联药品数据确定推送信息,并将所述推送信息推送至用户终端。
具体地,在步骤S1中,药品浏览数据可以在药品浏览记录中截取,药品浏览记录在用户使用用户终端运行网上药店软件的用户客户端进行药品选购操作时产生,例如,用户进行药品名的搜索时,获取用户终端所接收的药品名存储于药品浏览记录;用户选购药品中浏览药品的相关页面,如药品详情页面、药品介绍页面等时,获取用户终端打开的页面所属的药品存储于药品浏览记录;用户将药品加入购物车时,获取所加入购物车的药品存储于药品浏览记录。药品浏览数据可以截取药品浏览记录中最新的若干条药品数据,也可以截取药品浏览记录中最新的一段时间内的全部药品数据。
在步骤S1中,可以通过命名实体识别(NER)对药品浏览数据进行药品实体的抽取,从而得到药品实体词。
步骤S2中的第一医药知识图谱通过包括疾病信息、药品信息以及药品与疾病的相关关系的医药相关的数据源训练得到,所述数据源的数据结构可以是包括结构化数据、半结构化数据和非结构化数据,其中结构化数据有如服务商自主维护的药品疾病关系数据库、药监局批准上市的药品目录、卫健委发布的国际疾病分类术语标准等,半结构化数据有如药品百科、药典目录等,非结构化数据有如药品说明书、用药指南、权威医药文献等。
构建第一医药知识图谱时,从数据源中抽取实体,获取其中的药品实体和疾病实体,其中半结构化数据和非结构化数据的数据源通过命名实体识别(NER)抽取;同时从数据源中根据实体的上下文信息抽取实体间的相互关系,获取其中的药品实体与疾病实体的适用关系,该适用关系意为某种药品适用于治疗某种疾病。进一步,将获取的药品实体和疾病实体根据上下文信息通过聚类算法进行实体分类,以消除同名但不同义的实体间的歧义,如感冒药,同时具有感冒颗粒和感冒药片的含义;以及对获取的药品实体和疾病实体进行共指消解,以将不同名单同义的实体进行合并,如不同品牌的同种药可能以化学名称命名,可能以适用的疾病命名,在第一医药知识图谱中应将此类药品实体合并为同一药品实体。将处理后的药品实体和疾病实体及其之间的适用关系以(药品,适用关系,疾病)的三元组数据进行结构化,并存入RDF数据库中。请参阅图3,其为一示例性的第一医药知识图谱的示意图,其中药品实体和疾病实体为第一医药知识图谱的节点,药品实体和疾病实体间的适用关系为第一医药知识图谱的边。
在一优选实施例中,所述第一医药知识图谱中实体间的适用关系可根据药品实体和疾病实体之间的适用性分类,即第一医药知识图谱中的三元组数据为(药品,适用性,疾病)。基于此,步骤S2中根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,具体包括步骤:
S21:根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的待确定疾病,并获取每个所述待确定疾病对应的该药品实体词的适用性;
S22:对每一所述药品实体词所关联的所有所述待确定疾病按对应的适用性进行排序;
S23:确定每一所述药品实体词所关联的适用性最高的X个所述待确定疾病为该药品实体词对应的关联疾病。
更具体地,适用性可以适用性概率量化,即第一医药知识图谱中的三元组数据为(药品,适用性概率值,疾病),例如(布洛芬,69.75%,感冒)。疾病实体与药品实体的适用性概率具体可通过朴素贝叶斯算法、决策树等概率预测算法进行计算,在本实施例中,选用通过朴素贝叶斯算法进行药品实体与疾病实体的适用性概率的计算,具体过程为:令i个药品实体m的集合表达为M={m1,m2,m3,...,mi};令j个疾病实体d的集合表达为D={d1,d2,d3,...,dj};使用贝叶斯公式计算第p个药品实体mp对于第q个疾病实体dq的适用性概率P(dq|mp)。
或者,适用性还可以适用性程度分级,即第一医药知识图谱中的三元组数据为(药品,适用性程度,疾病)。适用性程度通常可分为高度适用、一般适用和低度适用等多个等级,例如布洛芬高度适用于缓解轻至中度疼痛,对应的三元组数据为(布洛芬,高度适用,疼痛);一般适用于普通感冒或流行性感冒引起的发热,对应的三元组数据为(布洛芬,一般适用,感冒)。
当药品浏览数据中包括多个类型的药品实体词时,每个类型的药品实体词将分别关联得到多个疾病实体,其中可能有疾病实体类型重合的部分,也可能有疾病实体类型不重合的部分,由此为了减少数据信息的冗杂,在适用性以适用性概率量化的优选实施例中,步骤S2中根据所述关联疾病得到推测疾病数据,具体包括步骤:针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性概率进行和计算;根据概率和最大的Y个所述关联疾病得到所述推测疾病数据。
在适用性以适用性程度分级的优选实施例中,步骤S2中根据所述关联疾病得到推测疾病数据,具体包括步骤:对不同的所述适用性程度赋予不同的权重系数,其中,所述适用性程度越高赋予的所述权重系数越大;针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性程度对应的权重系数进行和计算;根据权重系数和最大的Y个所述关联疾病得到所述推测疾病数据。在一示例中,适用性按适用性程度分为高度适用、一般适用和低度适用三个等级,对于高度适用赋予的权重系数为0.5,对于一般适用赋予的权重系数为0.3,对于低度适用赋予的权重系数为0.2;如推测疾病数据中的一个关联疾病与所关联的所述药品浏览数据中的三个药品实体间的适用性分别对应为高度适用、一般适用、一般适用,则该疾病实体的权重值为1.1。
步骤S3中的第二医药知识图谱通过包括疾病信息、药品信息、药品与疾病的相关关系以及药品购买概率的医药相关的数据源训练得到,所述数据源的数据结构可以是包括结构化数据、半结构化数据和非结构化数据,其中结构化数据有如服务商自主维护的药品购买概率数据库、服务商自主维护的药品疾病关系数据库、药监局批准上市的药品目录、卫健委发布的国际疾病分类术语标准等,半结构化数据有如药品百科、药典目录等,非结构化数据有如药品说明书、用药指南、权威医药文献等。请参阅图4,其为一示例性的药品购买概率数据库的结构示意图,所述药品购买概率数据库为治疗某种疾病时每一药品的购买概率,该购买概率可以根据网上药店的售卖数据进行计算,也可以根据公开的药品使用统计数据进行计算。
构建第二医药知识图谱时,从数据源中抽取实体,获取其中的药品实体、疾病实体,其中半结构化数据和非结构化数据的数据源通过命名实体识别(NER)抽取;同时从数据源中根据实体的上下文信息抽取实体间的相互关系,获取其中的药品实体与疾病实体的治疗关系,所述治疗关系意为某种疾病使用某种药品治疗。进一步,将获取的药品实体和疾病实体根据上下文信息通过聚类算法进行实体分类,以消除同名但不同义的实体间的歧义;以及对获取的药品实体和疾病实体进行共指消解,以将不同名单同义的实体进行合并。将处理后的药品实体和疾病实体及其之间的治疗关系以(药品,治疗关系,疾病)的三元组数据进行结构化,其中,药品实体和疾病实体间的治疗关系根据药品购买概率进行筛选,确定治疗某种疾病时药品购买概率高于一设定概率的药品对应的药品实体,选取该药品实体与该疾病对应的疾病实体间的治疗关系。将结构化的(药品,治疗关系,疾病)三元组数据存入RDF数据库中。请参阅图5,其为一示例性的第二医药知识图谱的结构示意图,其中药品实体、疾病实体为第二医药知识图谱的节点,治疗关系为第二医药知识图谱的边。由此,通过第二医药知识图谱可以根据推测疾病数据中的疾病得到与其具有治疗关系且购买概率高的药品作为推送药品。
步骤S4中的推送信息根据所述关联药品数据生成,推送信息具体包括药品名称信息、药品功效信息、药品品牌信息、药品价格信息等药品相关的内容信息。药品相关的内容信息可存储于一药品数据库,根据所述推动药品在药品数据库中匹配获得药品相关的内容信息。推送信息在用户终端的展示形式可以是纯文本、图片、图文结合等多种形式。推送信息的推送形式可以是向用户终端发送短信、向用户的邮箱地址发送邮件、向用户终端运行的网上药店客户端发送站内消息以及向用户终端运行的网上药店客户端发送沉浸式推送等多种推送形式,其中所述沉浸式推送是一种在用户没有感知的情况下进行的消息推送,具体例如,请参阅图6,其为一示例性的推送信息推送界面图,该界面为网上药店客户端的药品列表,药品列表中包括多个药品展示块A,将推送信息格式为药品展示块A的格式并嵌入药品列表中,即可将推送信息推送至用户终端且不打扰用户当前的浏览行为,有利于提升用户体验。为区别推送药品与其他药品,可以在推送药品的药品展示块中显示推荐标识B,如心形图形、“推荐”字样等。
相对于现有技术,本发明基于用户的药品浏览数据,通过医药知识图谱获得相关疾病并通过概率测算推测出与用户浏览的药品相关性更高的疾病数据,再通过一基于药品购买概率构建的医药知识图谱获取用于治疗所推测的疾病的药品,由于效果更好的药品更有可能被医生开处,则效果更好的药品应具有更高的购买概率,因此药品购买概率作为药品效果的指示,用户可以获取到能够满足自身需求且具有更好效果的药品信息。本发明实现了智能导购以帮助用户进行购药选药,能够减少用户因不知如何购药而产生的线上客服咨询量,从而不仅提升了用户的购药体验,还有利于缓解线上客服资源以提升用户对于其他问题进行的咨询体验,以及减轻了服务器支持即时通信的压力。
基于同一发明构思,本发明还提供一种药品信息推送装置,请参阅图7,其为本实施例的一种药品信息推送装置的结构示意图,该药品信息推送装置包括药品实体词获取模块10、推测疾病确定模块20、关联药品确定模块30和信息推送模块40,其中,药品实体词获取模块10用于获取用户终端的药品浏览数据,并对所述药品浏览数据进行实体提取,得到药品实体词;推测疾病确定模块20用于根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,根据所述关联疾病得到推测疾病数据;关联药品确定模块30用于根据第二医药知识图谱中实体间的治疗关系对所述推测疾病数据中的疾病实体进行关联,得到关联药品;信息推送模块40用于根据所述关联药品确定推送信息,并将所述推送信息推送至用户终端。
在一优选实施例中,所述推测疾病确定模块20中根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,包括:根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,并获取对应的适用性;对每一所述药品实体词所关联的疾病按对应的适用性进行排序;确定每一所述药品实体词所关联的适用性高的前X个疾病为该药品实体词对应的关联疾病。
在一优选实施例中,所述推测疾病确定模块20中根据所述关联疾病得到推测疾病数据,包括:针对不同的所有药品实体词,对相同的所述关联疾病的适用性概率进行和计算;根据概率和最大的Y个所述关联疾病得到所述推测疾病数据。
在一优选实施例中,所述推测疾病确定模块20中根据所述关联疾病得到推测疾病数据,包括:对不同的所述适用性程度赋予不同的权重系数,其中,所述适用性程度越高赋予的所述权重系数越大;针对不同的所有药品实体词,对相同的所述关联疾病的适用性程度对应的权重系数进行和计算;根据权重系数和最大的Y个所述关联疾病得到所述推测疾病数据。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关细节之处请参见方法实施例的说明。
基于同一发明构思,本发明还提供一种服务器,所述服务器可以是普通计算机或专用服务器。所述服务器包括一个或多个处理器和存储器,其中处理器用于执行程序实现方法实施例的药品信息推送方法;存储器用于存储可由所述处理器执行的计算机程序。
基于同一发明构思,本发明还提供一种计算机可读存储介质,与前述药品信息推送方法的实施例相对应,所述计算机可读存储介质其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例所记载的所述药品信息推送方法的步骤。
本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种药品信息推送方法,其特征在于,包括步骤:
获取用户终端的药品浏览数据,并对所述药品浏览数据进行实体提取,得到药品实体词;
根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,根据所述关联疾病得到推测疾病数据;
根据第二医药知识图谱中实体间的治疗关系对所述推测疾病数据中的疾病实体进行关联,得到关联药品,其中,所述第二医药知识图谱中,具有治疗关系的所述药品实体和疾病实体满足的条件是所述药品实体对应的药品对于所述疾病实体对应的疾病的购买概率高于一设定概率;
根据所述关联药品确定推送信息,并将所述推送信息推送至用户终端。
2.根据权利要求1所述的药品信息推送方法,其特征在于,所述第一医药知识图谱中实体间的适用关系根据药品实体和疾病实体间的适用性分类,根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,包括:
根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的待确定疾病,并获取每个所述待确定疾病对应的该药品实体词的适用性;
对每一所述药品实体词所关联的所有所述待确定疾病按对应的适用性进行排序;
确定每一所述药品实体词所关联的适用性最高的X个所述待确定疾病为该药品实体词对应的关联疾病。
3.根据权利要求2所述的药品信息推送方法,其特征在于,所述适用性以适用性概率量化;根据所述关联疾病得到推测疾病数据,包括:
针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性概率进行和计算;
根据概率和最大的Y个所述关联疾病得到所述推测疾病数据。
4.根据权利要求3所述的药品信息推送方法,其特征在于,所述适用性概率通过朴素贝叶斯算法进行计算:令i个药品实体m的集合表达为M={m1,m2,m3,…,mi};令j个疾病实体d的集合表达为D={d1,d2,d3,…,dj};使用贝叶斯公式计算第p个药品实体mp对于第q个疾病实体dq的适用性概率P(dq|mp)。
5.根据权利要求2所述的药品信息推送方法,其特征在于,所述适用性以适用性程度分级,根据所述关联疾病得到推测疾病数据,包括:
对不同的所述适用性程度赋予不同的权重系数,其中,所述适用性程度越高赋予的所述权重系数越大;
针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性程度对应的权重系数进行和计算;
根据权重系数和最大的Y个所述关联疾病得到所述推测疾病数据。
6.一种药品信息推送装置,其特征在于,包括:
药品实体词获取模块,用于获取用户终端的药品浏览数据,并对所述药品浏览数据进行实体提取,得到药品实体词;
推测疾病确定模块,用于根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,根据所述关联疾病得到推测疾病数据;
关联药品确定模块,用于根据第二医药知识图谱中实体间的治疗关系对所述推测疾病数据中的疾病实体进行关联,得到关联药品,其中,所述第二医药知识图谱中,具有治疗关系的所述药品实体和疾病实体满足的条件是所述药品实体对应的药品对于所述疾病实体对应的疾病的购买概率高于一设定概率;
信息推送模块,用于根据所述关联药品确定推送信息,并将所述推送信息推送至用户终端。
7.根据权利要求5所述的药品信息推送装置,其特征在于,所述第一医药知识图谱中实体间的适用关系根据药品实体和疾病实体间的适用性分类,所述推测疾病确定模块中根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的关联疾病,包括:
根据第一医药知识图谱中实体间的适用关系对每个所述药品实体词进行关联,得到每个所述药品实体词对应的待确定疾病,并获取每个所述待确定疾病对应的该药品实体词的适用性;
对每一所述药品实体词所关联的所有所述待确定疾病按对应的适用性进行排序;
确定每一所述药品实体词所关联的适用性最高的X个所述待确定疾病为该药品实体词对应的关联疾病。
8.根据权利要求6所述的药品信息推送装置,其特征在于,所述适用性以适用性概率量化;所述推测疾病确定模块中根据所述关联疾病得到推测疾病数据,包括:
针对不同的所述药品实体词对应的所述关联疾病,对相同的所述关联疾病的适用性概率进行和计算;
根据概率和最大的Y个所述关联疾病得到所述推测疾病数据。
9.一种服务器,其特征在于,包括:
处理器;
存储器,用于存储由所述处理器执行的计算机程序;
其中,所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储由计算机程序,其特征在于,所述计算机程序被执行时实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210231846.0A CN114792571B (zh) | 2022-03-09 | 2022-03-09 | 药品信息推送方法、装置、服务器及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210231846.0A CN114792571B (zh) | 2022-03-09 | 2022-03-09 | 药品信息推送方法、装置、服务器及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114792571A true CN114792571A (zh) | 2022-07-26 |
CN114792571B CN114792571B (zh) | 2023-03-07 |
Family
ID=82460864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210231846.0A Active CN114792571B (zh) | 2022-03-09 | 2022-03-09 | 药品信息推送方法、装置、服务器及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792571B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030014166A (ko) * | 2001-08-10 | 2003-02-15 | 정용석 | 가상 아이템과 인센티브 제공을 통한 마케팅 방법 및 시스템 |
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 |
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 |
CN109658208A (zh) * | 2019-01-15 | 2019-04-19 | 京东方科技集团股份有限公司 | 药品的推荐方法、装置、介质和电子设备 |
CN111192654A (zh) * | 2019-12-30 | 2020-05-22 | 北京左医健康技术有限公司 | 基于知识图谱的用药指导查询方法及装置 |
CN112151141A (zh) * | 2020-09-23 | 2020-12-29 | 康键信息技术(深圳)有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
CN113257383A (zh) * | 2021-06-16 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
CN113569023A (zh) * | 2021-07-06 | 2021-10-29 | 浙江工业大学 | 一种基于知识图谱的中文医药问答系统及方法 |
-
2022
- 2022-03-09 CN CN202210231846.0A patent/CN114792571B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030014166A (ko) * | 2001-08-10 | 2003-02-15 | 정용석 | 가상 아이템과 인센티브 제공을 통한 마케팅 방법 및 시스템 |
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 |
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 |
CN109658208A (zh) * | 2019-01-15 | 2019-04-19 | 京东方科技集团股份有限公司 | 药品的推荐方法、装置、介质和电子设备 |
CN111192654A (zh) * | 2019-12-30 | 2020-05-22 | 北京左医健康技术有限公司 | 基于知识图谱的用药指导查询方法及装置 |
CN112151141A (zh) * | 2020-09-23 | 2020-12-29 | 康键信息技术(深圳)有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
CN113257383A (zh) * | 2021-06-16 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
CN113569023A (zh) * | 2021-07-06 | 2021-10-29 | 浙江工业大学 | 一种基于知识图谱的中文医药问答系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114792571B (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5662961B2 (ja) | レビュー処理方法およびシステム | |
US20230252094A1 (en) | Computer-implemented system and method for updating user interest profiles | |
US8725592B2 (en) | Method, system, and medium for recommending gift products based on textual information of a selected user | |
Katsuki et al. | Establishing a link between prescription drug abuse and illicit online pharmacies: Analysis of twitter data | |
CN103593392B (zh) | 用于生成推荐的方法和系统 | |
US9710555B2 (en) | User profile stitching | |
US9430776B2 (en) | Customized E-books | |
US20130254280A1 (en) | Identifying influential users of a social networking service | |
US8423551B1 (en) | Clustering internet resources | |
Rossolov et al. | How COVID-19 has influenced the purchase patterns of young adults in developed and developing economies: factor analysis of shopping behavior roots | |
CN101025737A (zh) | 基于关注度的同源信息搜索引擎聚合显示方法及相关系统 | |
TW201104617A (en) | Activity based users' interests modeling for determining content relevance | |
US20110145250A1 (en) | Method and system for automatically identifying related content to an electronic text | |
WO2008043143A1 (en) | Personalised content generation | |
US10489373B1 (en) | Method and apparatus for generating unique hereditary sequences and hereditary key representing dynamic governing instructions | |
US20140207770A1 (en) | System and Method for Identifying Documents | |
JP4829789B2 (ja) | キーワードの翻訳方法及びコンピュータ読取可能媒体 | |
US20180232750A1 (en) | Systems and methods for predicting customer behavior from social media activity | |
CN114792571B (zh) | 药品信息推送方法、装置、服务器及计算机可读存储介质 | |
Das et al. | Opinion based on polarity and clustering for product feature extraction | |
JP7133508B2 (ja) | 提供装置、提供方法および提供プログラム | |
Asabere et al. | SARPPIC: Exploiting COVID‐19 Contact Tracing Recommendation through Social Awareness | |
CN113704630A (zh) | 一种信息推送方法、装置、可读存储介质和电子设备 | |
CN113256393A (zh) | 一种服务信息处理系统、方法、装置以及电子设备 | |
JP6527257B1 (ja) | 提供装置、提供方法および提供プログラム |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Room 206-208, Building 4, No. 2 Tiantai 1st Road, Huangpu District, Guangzhou City, Guangdong Province, 510700 Patentee after: Guangzhou Fangzhou Information Technology Co.,Ltd. Address before: 510700 room 1005, No. 118, banhe Road, Huangpu District, Guangzhou, Guangdong Patentee before: Guangzhou Fangzhou Information Technology Co.,Ltd. |