CN115391666A - 医院在线推荐方法、装置、计算机设备和存储介质 - Google Patents
医院在线推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115391666A CN115391666A CN202211173513.3A CN202211173513A CN115391666A CN 115391666 A CN115391666 A CN 115391666A CN 202211173513 A CN202211173513 A CN 202211173513A CN 115391666 A CN115391666 A CN 115391666A
- Authority
- CN
- China
- Prior art keywords
- user
- hospital
- access operation
- data
- operation frequency
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种医院在线推荐方法、装置、计算机设备、存储介质和计算机程序产品,本方案涉及人工智能智能服务技术领域。本方法通过获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;确定用户访问操作频繁度对应的用户类型,用户类型可以准确反映用户的就医需求,综合考虑不同用户的就医需求,并根据用户类型、历史就医数据以及候选医院数据这三个维度的特征计算医院评分,医院评分结果更加准确,之后根据医院评分排序得到医院推荐结果,医院推荐结果更加满足用户就医需求,因此提高给用户的就医推荐结果更加准确。
Description
技术领域
本申请涉及人工智能智能服务技术领域,特别是涉及一种医院在线推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着大数据技术的不断发展,各行各业都逐渐进入数字化时代。医疗作为人们生活中的一个重要组成部分,医疗服务的智能化更是受到各界的高度重视。为了更好地指引患者快速选择合适的医院进行线上就医,目前已经出现了各种就医服务平台。
目前的就医服务平台需要用户自己搜索医院,然后选择对应的医院,并进入医院对应的就医服务平台查询医院提供的医疗服务,进行挂号问诊等服务。然而目前的就医服务查询过程复杂,无法准确地为用户推荐合适的医院。
因此,亟需一种可以为用户推荐合适的医院的方案。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确推荐的医院在线推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种医院在线推荐方法。该方法包括:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据候选医院评分结果进行医院推荐。
在其中一个实施例中,根据在线就医平台历史访问操作数据,确定用户访问操作频繁度包括:根据在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据;确定各历史操作数据对应的操作得分;对各操作得分进行累加,得到用户访问操作频繁度。
在其中一个实施例中,确定用户访问操作频繁度对应的用户类型包括:获取在线就医平台的综合访问操作频繁度;根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型。
在其中一个实施例中,根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型包括:根据综合访问操作频繁度,确定在线就医平台的平均访问操作频繁度;当用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型;当用户访问操作频繁度小于平均访问操作频繁度,则根据综合访问操作频繁度,确定在线就医平台的最高访问操作区间;根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型。
在其中一个实施例中,根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型包括:当用户访问操作频繁度在最高访问操作区间内,则确定用户类型为正常访问类型;当用户访问操作频繁度不在最高访问操作区间内,则确定用户类型为少量访问类型。
在其中一个实施例中,基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果包括:基于用户类型,获取用户类型对应的权重系数;根据历史就医数据以及候选医院数据进行特征提取,得到特征因子;根据特征因子以及权重系数进行加权求和,得到候选医院评分;对候选医院评分进行排序,得到候选医院评分结果。
在其中一个实施例中,根据历史就医数据以及候选医院数据进行特征提取,得到特征因子包括:根据历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;根据候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
在其中一个实施例中,根据特征因子以及权重系数进行加权求和,得到候选医院评分包括:根据特征因子以及预设特征因子评分规则,确定特征因子得分;根据权重系数,确定各特征因子权重;将各特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
第二方面,本申请还提供了一种医院在线推荐装置。该装置包括:
获取模块,用于获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
操作频繁度确定模块,用于根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
用户类型确定模块,用于确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
评分模块,用于基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
推荐模块,用于根据候选医院评分结果进行医院推荐。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现以下步骤:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据候选医院评分结果进行医院推荐。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据候选医院评分结果进行医院推荐。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据候选医院评分结果进行医院推荐。
上述医院在线推荐方法、装置、计算机设备、存储介质和计算机程序产品,获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;根据候选医院评分结果进行医院推荐。整个方案首先基于用户的在线就医平台历史访问操作数据来确定用户访问操作频繁度,根据用户访问操作频繁度来确定用户类型,在线就医平台历史访问操作数据准确反映了用户在在线就医平台的需求,进而得到的用户访问操作频繁度可以准确反映用户类型,用户类型可以准确反映用户的就医需求,综合考虑不同用户的就医需求,其次,根据用户类型、历史就医数据以及候选医院数据多维度的特征计算医院评分,综合考虑用户类型与候选医院特征的关系,得到的医院评分结果更加准确,之后根据医院评分排序得到医院推荐结果,医院推荐结果更加满足用户就医需求,因此提供给用户的就医推荐结果更加准确。
附图说明
图1为一个实施例中医院在线推荐方法的应用环境图;
图2为一个实施例中医院在线推荐方法的流程示意图;
图3为一个实施例中用户访问操作频繁度确定过程的流程示意图;
图4为一个实施例中用户类型确定过程的流程示意图;
图5为另一个实施例中用户类型确定过程的流程示意图;
图6为又一个实施例中用户类型确定过程的流程示意图;
图7为一个实施例中医院在线推荐装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的医院在线推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102接收用户的就医请求,将就医请求发送至服务器104,服务器104根据就医请求,获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;根据候选医院评分结果进行医院推荐。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种医院在线推荐方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据。
其中,在线就医平台指的可为用户提供医疗服务、医疗指引、在线问诊等服务的平台,通过在线就医平台用户可以进行在线问诊、就医推荐等。候选医院指的是在线服务平台中可供选择所有的医院,可以包括不同地区不同等级的医院。候选医院数据指的是候选医院的特征数据,候选医院的特征数据可以包括医院地理信息以及医院活跃信息等。用户指的是进行就医请求的用户,服务器可对终端传输的就医请求进行解析,获得用户标识,根据用户标识获取用户的历史就医数据。进一步地,用户的历史就医数据包括用户在候选医院的历史就医行为数据以及用户的就医偏好数据等。在线就医平台历史访问操作数据指的是用户之前在在线就医平台中主动参与线上就医服务的历史记录数据,如用户在在线就医平台的搜索医院、点击医院、挂号等操作。
具体地,终端侦听并响应用户在终端显示界面触发就医请求,并将就医请求发送至服务器,就医请求中携带用户标识,以表明用户身份。服务器接收终端发送的就医请求,对就医请求进行解析,得到用户标识,根据用户标识从数据库中获取与用户标识相关联的用户的历史就医数据与在线就医平台历史访问操作数据,同时服务器从数据库中获取在线就医平台中所有可供选择的所有候选医院的特征数据。
步骤204,根据在线就医平台历史访问操作数据,确定用户访问操作频繁度。
其中,用户访问操作频繁度指的是预设历史时间段内用户在在线就医平台中历史操作记录的频繁程度,用户访问操作频繁度根据用户历史就医行为不断更新。
具体地,服务器对用户的在线就医平台历史访问操作数据进行统计分析,进一步计算得到用户访问操作频繁度。
步骤206,确定用户访问操作频繁度对应的用户类型。
其中,用户类型表征用户在在线就医平台的就医需求。用户类型包括频繁访问类型、正常访问类型以及少量访问类型。
具体地,服务器根据用户访问操作频繁度与在线就医平台的所有用户的累积访问操作频繁度的大小关系,来确定用户类型。
步骤208,基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果。
具体地,服务器确定用户类型之后,获取用户类型对应的就医推荐模型,不同的就医推荐模型中影响就医推荐结果的特征因子相同,但是不同的就医推荐模型中特征因子的权重系数不同,权重系数表征不同特征因子的影响程度。
服务器获取用户类型对应的就医推荐模型以及就医推荐模型中特征因子的权重系数,根据用户的历史就医数据以及候选医院数据计算就医推荐模型中各特征因子得分。之后,根据各特征因子得分以及各特征因子对应的权重系数进行计算,得到候选医院评分结果。
步骤210,根据候选医院评分结果进行医院推荐。
具体地,服务器对候选医院评分结果进行排序,得到医院推荐结果,将医院推荐结果发送至终端,以使用户根据医院推荐结果进行就医。
上述医院在线推荐方法中,获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;根据候选医院评分结果进行医院推荐。整个方案首先基于用户的在线就医平台历史访问操作数据来确定用户类型,用户类型可以准确反映用户的就医需求,综合考虑不同用户的就医需求,并根据用户类型、历史就医数据以及候选医院数据这三个维度的特征计算医院评分,医院评分结果更加准确,之后根据医院评分排序得到医院推荐结果,医院推荐结果更加满足用户就医需求,因此提高给用户的就医推荐结果更加准确。
在一个可选的实施例中,如图3所示,根据在线就医平台历史访问操作数据,确定用户访问操作频繁度包括:
步骤302,根据在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据。
其中,在线就医平台历史访问操作数据包括点击医院、关注医院、点击科室、挂号、线上缴费等多种访问操作行为,不同访问操作行为都有对应的操作得分计算规则。进一步地,访问操作行为还可以包括用户主动切换城市、点击推荐医院、点击非推荐医院、关注医院、取消关注医院、点击科室、点击号源、挂号、到院报到、查询排队叫号、查询报告、线上缴费、搜索医院等,对每个访问操作行为在预设历史时间段内给予一定的分值,例如均为1分,可适当给予挂号、关注医院、到院报到、在线缴费以更高的分值。
具体地,服务器从用户的在线就医平台历史访问操作数据中提取点击医院、关注医院、点击科室、挂号、线上缴费的历史操作数据。
进一步地,服务器可以在初始运行时对不同访问操作行为进行埋点操作,初始设置中所有访问操作行为设置为默认值,默认值可以为0。当用户触发对应的访问操作行为时,服务器记录各访问操作行为。为避免频繁点击影响,浏览类操作如点击科室、点击号源、点击医院当天多次点击可只计算一次分数。
步骤304,确定各历史操作数据对应的操作得分。
具体地,服务器根据各访问操作行为的重要程度设置对应的操作得分。例如,点击医院的操作得分可以为1,关注医院的操作得分为2,点击科室的操作得分为1,挂号的操作得分为2,线上缴费的操作得分为3。
服务器根据用户各历史操作数据的记录以及各访问操作行为的操作得分,计算各历史操作数据对应的操作得分。
步骤306,对各操作得分进行累加,得到用户访问操作频繁度。
具体地,服务器对用户的各历史操作数据的操作得分进行累加,得到用户访问操作频繁度。
本实施例中,服务器通过提取用户在在线就医平台中各项访问操作记录,并统计每一项访问操作记录的操作得分,可以更加准确确定用户类型,以更加准确地确定用户就医需求,进一步基于准确的用户就医需求,对候选医院进行评分,可以得到更加满足用户的就医推荐结果。
在一个可选的实施例中,如图4所示,确定用户访问操作频繁度对应的用户类型包括:
步骤402,获取在线就医平台的综合访问操作频繁度。
其中,综合访问操作频繁度指的是在线就医平台中所有用户在预设历史时间段内进行在线就医访问操作的访问操作频繁度的累加结果。
具体地,服务器获取在线就医平台中所有用户在预设历史时间段内进行在线就医访问操作的综合访问操作频繁度。
步骤404,根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型。
具体地,将用户访问操作频繁度与综合访问操作频繁度进行比较,根据比较结果来确定用户类型。
本实施例中,服务器综合考虑所有用户的访问操作频繁度,并结合所有用户的综合访问操作频繁度以及用户访问操作频繁度来确定用户类型,可以得到更加准确的用户类型以及用户就医需求。
在一个可选的实施例中,如图5所示,根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型包括:
步骤502,根据综合访问操作频繁度,确定在线就医平台的平均访问操作频繁度。
具体地,服务器根据在线就医平台所有用户的综合访问操作频繁度以及所有用户数量,确定在线就医平台的平均访问操作频繁度。进一步地,服务器可以剔除在预设历史时间段内无访问操作的用户,将综合访问操作频繁度除以有访问操作记录的用户数量,得到平均访问操作频繁度。
步骤504,当用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型。
具体地,服务器对比用户访问操作频繁度与平均访问操作频繁度的大小关系,当判断用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型,表明用户比较关注自身需求,对应的就医推荐模型为用户优先型。用户优先型中用户相关特征因子权重系数较高。
步骤506,当用户访问操作频繁度小于平均访问操作频繁度,则根据综合访问操作频繁度,确定在线就医平台的最高访问操作区间。
具体地,当判断用户访问操作频繁度小于等于平均访问操作频繁度,则确定表明用户不属于频繁访问类型。进而,根据所有用户的综合访问操作频繁度,选取用户的访问操作频繁度的最高值以及最低值,将最低值至最高值之间的区间划分为预设区间数量,判断每一区间内的用户数量是否服从正态分布,若所有区间内的用户数量都符合正态分布,则选取用户数量最多的两个连续区间作为最高访问操作区间,代表较多数用户操作分值所在范围。若存在区间内的用户数量不服从正态分布,则取用户数量最多的前两个区间作为最高访问操作区间。
步骤508,根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型。
具体地,服务器判断用户访问操作频繁度是否在最高访问操作区间对应的访问操作频繁度范围内,根据判断结果确定用户类型。
本实施例中,服务器根据所有用户的访问操作频繁度确定用户数量最多的最高访问操作区间,以表明平台用户的访问操作情况,进而结合大多数平台用户的访问操作情况来确定用户类型,可以得到更加准确的用户类型以及用户需求。
在一个可选的实施例中,如图6所示,根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型包括:
步骤602,当用户访问操作频繁度在最高访问操作区间内,则确定用户类型为正常访问类型。
具体地,当服务器判断用户访问操作频繁度在最高访问操作区间对应的访问操作频繁度范围内,则确定用户类型为正常访问类型,表明用户就医需求较为平衡,对应的就医推荐模型为平等均衡型。用户优先型中各特征因子权重系数相同,均衡配置。
步骤604,当用户访问操作频繁度不在最高访问操作区间内,则确定用户类型为少量访问类型。
具体地,具体地,当服务器判断用户访问操作频繁度不在最高访问操作区间对应的访问操作频繁度范围内,则确定用户类型为少量访问类型,表明用户操作记录较少,则根据医院活跃度信息等为用户推荐医院,对应的就医推荐模型为医院流量优先型。医院流量优先型中与医院相关特征因子权重系数较高。
本实施例中,当判定用户类型不属于频繁访问类型时,判断用户与平台大多数用户的操作所在区间的所属关系,进一步更加准确的判断用户类型,可以得到更加准确的用户类型以及用户需求,进而确定更加准确的就医推荐模型,为用户推荐更加准确的医院。
在一个可选的实施例中,基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果包括:基于用户类型,获取用户类型对应的权重系数;根据历史就医数据以及候选医院数据进行特征提取,得到特征因子;根据特征因子以及权重系数进行加权求和,得到候选医院评分;对候选医院评分进行排序,得到候选医院评分结果。
具体地,服务器基于用户类型,获取用户类型对应就医推荐模型以及就医推荐模型的权重系数;接着,服务器根据历史就医数据以及候选医院数据进行特征提取,得到就医推荐模型中的特征因子;之后,服务器根据历史就医数据以及候选医院数据确定各特征因子得分,根据各特征因子得分以及各特征因子得分对应的权重系数进行加权求和,得到候选医院评分;最后,对候选医院评分按照从高到低的次序进行排序,得到候选医院评分结果。
本实施例中,服务器基于用户类型,获取用户类型对应的就医推荐模型以及模型对应的权重系数配置,进而计算就医推荐模型中各特征因子得分,根据各特征因子得分以及对应的权重系数进行加权求和,得到更加准确的医院评分,进而得到更加准确的医院推荐结果,为用户推荐更加准确的医院。
在一个可选的实施例中,根据历史就医数据以及候选医院数据进行特征提取,得到特征因子包括:根据历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;根据候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
其中,就医推荐模型中的特征因子包括用户偏好因子、用户就医行为因子、医院活跃时间因子、医院距离因子以及医院活跃度因子。
具体地,服务器根据历史就医数据进行特征提取,得到用户相关的用户偏好因子以及用户就医行为因子,根据用户的历史就医数据确定用户偏好因子得分以及用户就医行为因子得分;根据候选医院数据进行特征提取,得到医院相关的医院活跃时间因子、医院距离因子以及医院活跃度因子,根据候选医院数据确定医院活跃时间因子得分、医院距离因子得分以及医院活跃度因子得分。进而根据用户偏好因子得分、用户就医行为因子得分、医院活跃时间因子得分、医院距离因子得分以及医院活跃度因子得分以及各特征因子对应的权重系数进行加权求和,得到候选医院评分。
本实施例中,根据历史就医数据确定用户相关特征因子以及用户相关特征因子得分,根据候选医院数据确定医院相关特征因子以及医院相关特征因子得分,并基于各特征因子得分以及用户类型对应的权重系数进行候选医院评分,综合考虑用户与候选医院的各项信息,得到更加准确的候选医院评分结果,为用户进行更加准确的医院推荐。
在一个可选的实施例中,根据特征因子以及权重系数进行加权求和,得到候选医院评分包括:根据特征因子以及预设特征因子评分规则,确定特征因子得分;根据权重系数,确定各特征因子权重;将各特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
具体地,终端获取预设特征因子评分规则,根据历史就医数据、候选医院数据以及预设特征因子评分规则,确定各特征因子得分;之后再根据用户类型对应的就医推荐模型中的权重系数,确定个特征因子对应的特征因子权重;最后将各特征因子得分乘以对应的权重,并累加各特征因子得分与对应的权重的乘积,得到候选医院评分。
具体实施中,可以将各特征因子得分乘以对应的权重,将累加各特征因子得分与对应的权重的乘积结果除以各特征因子权重和,得到候选医院评分。如设定医院活跃时间因子、医院距离因子、医院活跃度因子、用户就医行为因子以及用户偏好因子五个因子分别为S1、S2、S3、S4、S5,单个因子得分分别为F1、F2、F3、F4、F5,在就医推荐模型中的各特征因子权重分别为Q1、Q2、Q3、Q4、Q5,医院总分为SUM,具体计算过程为SUM=(F1*Q1+F2*Q2+F3*Q3+F4*Q4+F5*Q5)/(Q1+Q2+Q3+Q4+Q5)。
医院活跃时间因子根据就医请求发出前医院上一笔线上业务发生的时间来计算,若暂无业务,则以医院在在线就医平台的信息录入时间来计算,假设当前时间与医院上一笔线上业务发生时间相差的天数为N,则具体计算公式如下:
医院活跃时间得分F1=100-N。
注:若计算分数小于0,则该项因子得分最小取值为0。
医院距离因子根据用户与医院距离来计算,医院距离以km为单位,按如下表格计算得分:
医院距离 | 医院距离得分F2 |
1km内 | 100-(医院距离/0.1) |
5km内 | 90-((医院距离-1)/0.4) |
10km内 | 80-((医院距离-5)/0.5) |
20km内 | 70-((医院距离-10)) |
20-50km | 60-((医院距离-20)/3) |
50-100km | 20 |
>100km | 0 |
医院活跃度因子根据医院近1个月线上就医业务笔数来计算,线上就医业务主要包括挂号和处方缴费,按如下表格计算得分:
注:若计算分数大于100,则该项因子得分最大取100。
用户就医行为因子得分根据用户近期在医院的线上就医次数来计算,通常来说,大部分医院开放挂号业务的比例比在线缴费业务更多,故挂号数量取近12个月,在线缴费取近6个月,具体计算方式如下:
用户历史就医行为得分F4=用户近12个月挂号数*10+近6个月处方缴费成功订单数*20。
注:若计算分数大于100,则该项因子得分最大取100。
用户偏好因子得分根据用户近1个月浏览候选医院页面次数(有效浏览次数)和是否关注医院来计算,计算方式为:
用户偏好得分F5=近1个月浏览医院页面次数*5+关注医院系数*50。
关注医院系数:已关注为1,未关注为0。
注:若计算分数大于100,则该项因子得分最大取100。
本实施例基于用户类型,若用户短期内产生较多的线上就医行为,尤其是分值较高的在线缴费、关注医院、挂号后,其用户操作行为分数有较大概率超过平台用户均值。综合考虑用户需求,将自动匹配用户优先型的权重模型,便于用户直接在首页看到自己近期关注或就诊过的医院;随着时间变化,超过一定时间后,用户的操作行为分数将降低,低于均值后,服务器将根据用户活跃情况匹配平等均衡型或流量优先型,均值偏离众数区间较远时,平台自动匹配流量优先型,以便让操作频率较低得用户看到热度较高的推荐医院,用户有更多概率点击推荐医院,从而逐渐回归流量平衡。
本实施例经过长期经验和数据分析,确定医院活跃时间、医院距离、用户历史就诊行为、用户偏好以及医院活跃度为影响医院推荐结果的五大影响因子,明确了五个因子的具体定义。并通过用户类型进行自适应权重模型选择的方式,根据用户操作行为分数、平台用户平台操作行为分数和平台最多操作行为分数之间的综合计算对比,为用户匹配合适的医院推荐的权重模型,匹配的权重模型随着用户在平台上操作行为的变化、平台其他用户操作行为的频率变化实现了简单便捷的自适应,兼顾了用户优先和医院活跃信息优先,降低了人工干预。
为了易于理解本申请实施例提供的技术方案,以完整的医院在线推荐方法过程对本申请实施例提供的医院在线推荐方法进行简要说明:
(1)获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据。
(2)根据在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据。
(3)确定各历史操作数据对应的操作得分;对各操作得分进行累加,得到用户访问操作频繁度。
(4)获取在线就医平台的综合访问操作频繁度。
(5)根据综合访问操作频繁度,确定在线就医平台的平均访问操作频繁度。
(6)当用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型。
(7)当用户访问操作频繁度小于平均访问操作频繁度,则根据综合访问操作频繁度,确定在线就医平台的最高访问操作区间。
(8)当用户访问操作频繁度在最高访问操作区间内,则确定用户类型为正常访问类型。
(9)当用户访问操作频繁度不在最高访问操作区间内,则确定用户类型为少量访问类型。
(10)基于用户类型,获取用户类型对应的权重系数。
(11)根据历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子。
(12)根据候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
(13)根据特征因子以及预设特征因子评分规则,确定特征因子得分。
(14)根据权重系数,确定各特征因子权重。
(15)将各特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
(15)对候选医院评分进行排序,得到候选医院评分结果。
(16)根据候选医院评分结果进行医院推荐。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的医院在线推荐方法的医院在线推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个医院在线推荐装置实施例中的具体限定可以参见上文中对于医院在线推荐方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种医院在线推荐装置,包括:获取模块702、操作频繁度确定模块704、用户类型确定模块706、评分模块708和推荐模块710,其中:
获取模块702,用于获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
操作频繁度确定模块704,用于根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
用户类型确定模块706,用于确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
评分模块708,用于基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
推荐模块710,用于根据候选医院评分结果进行医院推荐。
在一个可选的实施例中,操作频繁度确定模块704还用于根据在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据;以及确定各历史操作数据对应的操作得分;以及对各操作得分进行累加,得到用户访问操作频繁度。
在一个可选的实施例中,用户类型确定模块706还用于获取在线就医平台的综合访问操作频繁度;以及根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型。
在一个可选的实施例中,用户类型确定模块706还用于根据综合访问操作频繁度,确定在线就医平台的平均访问操作频繁度;以及当用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型;以及当用户访问操作频繁度小于平均访问操作频繁度,则根据综合访问操作频繁度,确定在线就医平台的最高访问操作区间;以及根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型。
在一个可选的实施例中,用户类型确定模块706还用于当用户访问操作频繁度在最高访问操作区间内,则确定用户类型为正常访问类型;以及当用户访问操作频繁度不在最高访问操作区间内,则确定用户类型为少量访问类型。
在一个可选的实施例中,评分模块708还用于基于用户类型,获取用户类型对应的权重系数;以及根据历史就医数据以及候选医院数据进行特征提取,得到特征因子;以及根据特征因子以及权重系数进行加权求和,得到候选医院评分;以及对候选医院评分进行排序,得到候选医院评分结果。
在一个可选的实施例中,评分模块708还用于根据历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;以及根据候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
在一个可选的实施例中,评分模块708还用于根据特征因子以及预设特征因子评分规则,确定特征因子得分;以及根据权重系数,确定各特征因子权重;以及将各特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
上述医院在线推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医院在线推荐方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据候选医院评分结果进行医院推荐。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据在线就医平台历史访问操作数据,确定用户访问操作频繁度包括:根据在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据;确定各历史操作数据对应的操作得分;对各操作得分进行累加,得到用户访问操作频繁度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定用户访问操作频繁度对应的用户类型包括:获取在线就医平台的综合访问操作频繁度;根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型包括:根据综合访问操作频繁度,确定在线就医平台的平均访问操作频繁度;当用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型;当用户访问操作频繁度小于平均访问操作频繁度,则根据综合访问操作频繁度,确定在线就医平台的最高访问操作区间;根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型包括:当用户访问操作频繁度在最高访问操作区间内,则确定用户类型为正常访问类型;当用户访问操作频繁度不在最高访问操作区间内,则确定用户类型为少量访问类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果包括:基于用户类型,获取用户类型对应的权重系数;根据历史就医数据以及候选医院数据进行特征提取,得到特征因子;根据特征因子以及权重系数进行加权求和,得到候选医院评分;对候选医院评分进行排序,得到候选医院评分结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据历史就医数据以及候选医院数据进行特征提取,得到特征因子包括:根据历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;根据候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据特征因子以及权重系数进行加权求和,得到候选医院评分包括:根据特征因子以及预设特征因子评分规则,确定特征因子得分;根据权重系数,确定各特征因子权重;将各特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据候选医院评分结果进行医院推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据在线就医平台历史访问操作数据,确定用户访问操作频繁度包括:根据在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据;确定各历史操作数据对应的操作得分;对各操作得分进行累加,得到用户访问操作频繁度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定用户访问操作频繁度对应的用户类型包括:获取在线就医平台的综合访问操作频繁度;根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型包括:根据综合访问操作频繁度,确定在线就医平台的平均访问操作频繁度;当用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型;当用户访问操作频繁度小于平均访问操作频繁度,则根据综合访问操作频繁度,确定在线就医平台的最高访问操作区间;根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型包括:当用户访问操作频繁度在最高访问操作区间内,则确定用户类型为正常访问类型;当用户访问操作频繁度不在最高访问操作区间内,则确定用户类型为少量访问类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果包括:基于用户类型,获取用户类型对应的权重系数;根据历史就医数据以及候选医院数据进行特征提取,得到特征因子;根据特征因子以及权重系数进行加权求和,得到候选医院评分;对候选医院评分进行排序,得到候选医院评分结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据历史就医数据以及候选医院数据进行特征提取,得到特征因子包括:根据历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;根据候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据特征因子以及权重系数进行加权求和,得到候选医院评分包括:根据特征因子以及预设特征因子评分规则,确定特征因子得分;根据权重系数,确定各特征因子权重;将各特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定用户访问操作频繁度对应的用户类型,用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据候选医院评分结果进行医院推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据在线就医平台历史访问操作数据,确定用户访问操作频繁度包括:根据在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据;确定各历史操作数据对应的操作得分;对各操作得分进行累加,得到用户访问操作频繁度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定用户访问操作频繁度对应的用户类型包括:获取在线就医平台的综合访问操作频繁度;根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据用户访问操作频繁度与综合访问操作频繁度的大小关系,确定用户类型包括:根据综合访问操作频繁度,确定在线就医平台的平均访问操作频繁度;当用户访问操作频繁度大于或者等于平均访问操作频繁度,则确定用户类型为频繁访问类型;当用户访问操作频繁度小于平均访问操作频繁度,则根据综合访问操作频繁度,确定在线就医平台的最高访问操作区间;根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据用户访问操作频繁度与最高访问操作区间的所属关系,确定用户类型包括:当用户访问操作频繁度在最高访问操作区间内,则确定用户类型为正常访问类型;当用户访问操作频繁度不在最高访问操作区间内,则确定用户类型为少量访问类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于用户类型、历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果包括:基于用户类型,获取用户类型对应的权重系数;根据历史就医数据以及候选医院数据进行特征提取,得到特征因子;根据特征因子以及权重系数进行加权求和,得到候选医院评分;对候选医院评分进行排序,得到候选医院评分结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据历史就医数据以及候选医院数据进行特征提取,得到特征因子包括:根据历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;根据候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据特征因子以及权重系数进行加权求和,得到候选医院评分包括:根据特征因子以及预设特征因子评分规则,确定特征因子得分;根据权重系数,确定各特征因子权重;将各特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (19)
1.一种医院在线推荐方法,其特征在于,所述方法包括:
获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
根据所述在线就医平台历史访问操作数据,确定用户访问操作频繁度;
确定所述用户访问操作频繁度对应的用户类型,所述用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
基于所述用户类型、所述历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
根据所述候选医院评分结果进行医院推荐。
2.根据权利要求1所述的方法,其特征在于,所述根据所述在线就医平台历史访问操作数据,确定用户访问操作频繁度包括:
根据所述在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据;
确定各所述历史操作数据对应的操作得分;
对各所述操作得分进行累加,得到用户访问操作频繁度。
3.根据权利要求1所述的方法,其特征在于,所述确定所述用户访问操作频繁度对应的用户类型包括:
获取在线就医平台的综合访问操作频繁度;
根据所述用户访问操作频繁度与所述综合访问操作频繁度的大小关系,确定用户类型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述用户访问操作频繁度与所述综合访问操作频繁度的大小关系,确定用户类型包括:
根据所述综合访问操作频繁度,确定所述在线就医平台的平均访问操作频繁度;
当所述用户访问操作频繁度大于或者等于所述平均访问操作频繁度,则确定所述用户类型为频繁访问类型;
当所述用户访问操作频繁度小于所述平均访问操作频繁度,则根据所述综合访问操作频繁度,确定所述在线就医平台的最高访问操作区间;
根据所述用户访问操作频繁度与所述最高访问操作区间的所属关系,确定用户类型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户访问操作频繁度与所述最高访问操作区间的所属关系,确定用户类型包括:
当所述用户访问操作频繁度在所述最高访问操作区间内,则确定所述用户类型为正常访问类型;
当所述用户访问操作频繁度不在所述最高访问操作区间内,则确定所述用户类型为少量访问类型。
6.根据权利要求1所述的方法,其特征在于,所述基于所述用户类型、所述历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果包括:
基于所述用户类型,获取所述用户类型对应的权重系数;
根据所述历史就医数据以及所述候选医院数据进行特征提取,得到特征因子;
根据所述特征因子以及所述权重系数进行加权求和,得到候选医院评分;
对所述候选医院评分进行排序,得到候选医院评分结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述历史就医数据以及所述候选医院数据进行特征提取,得到特征因子包括:
根据所述历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;
根据所述候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
8.根据权利要求6所述的方法,其特征在于,所述根据所述特征因子以及所述权重系数进行加权求和,得到候选医院评分包括:
根据所述特征因子以及预设特征因子评分规则,确定特征因子得分;
根据所述权重系数,确定各特征因子权重;
将各所述特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
9.一种医院在线推荐装置,其特征在于,所述装置包括:
获取模块,用于获取候选医院数据、以及用户的历史就医数据与在线就医平台历史访问操作数据;
操作频繁度确定模块,用于根据所述在线就医平台历史访问操作数据,确定用户访问操作频繁度;
用户类型确定模块,用于确定所述用户访问操作频繁度对应的用户类型,所述用户类型包括频繁访问类型、正常访问类型以及少量访问类型;
评分模块,用于基于所述用户类型、所述历史就医数据以及候选医院数据进行候选医院评分,得到候选医院评分结果;
推荐模块,用于根据所述候选医院评分结果进行医院推荐。
10.根据权利要求9所述的装置,其特征在于,所述操作频繁度确定模块还用于根据所述在线就医平台历史访问操作数据,获取各访问操作行为对应的历史操作数据;
以及确定各所述历史操作数据对应的操作得分;
以及对各所述操作得分进行累加,得到用户访问操作频繁度。
11.根据权利要求9所述的装置,其特征在于,所述用户类型确定模块还用于获取在线就医平台的综合访问操作频繁度;
以及根据所述用户访问操作频繁度与所述综合访问操作频繁度的大小关系,确定用户类型。
12.根据权利要求11所述的装置,其特征在于,所述用户类型确定模块还用于根据所述综合访问操作频繁度,确定所述在线就医平台的平均访问操作频繁度;
以及当所述用户访问操作频繁度大于或者等于所述平均访问操作频繁度,则确定所述用户类型为频繁访问类型;
以及当所述用户访问操作频繁度小于所述平均访问操作频繁度,则根据所述综合访问操作频繁度,确定所述在线就医平台的最高访问操作区间;
以及根据所述用户访问操作频繁度与所述最高访问操作区间的所属关系,确定用户类型。
13.根据权利要求12所述的装置,其特征在于,所述用户类型确定模块还用于当所述用户访问操作频繁度在所述最高访问操作区间内,则确定所述用户类型为正常访问类型;
以及当所述用户访问操作频繁度不在所述最高访问操作区间内,则确定所述用户类型为少量访问类型。
14.根据权利要求9所述的装置,其特征在于,所述评分模块还用于基于所述用户类型,获取所述用户类型对应的权重系数;
以及根据所述历史就医数据以及所述候选医院数据进行特征提取,得到特征因子;
以及根据所述特征因子以及所述权重系数进行加权求和,得到候选医院评分;
以及对所述候选医院评分进行排序,得到候选医院评分结果。
15.根据权利要求14所述的装置,其特征在于,所述评分模块还用于根据所述历史就医数据进行特征提取,得到用户偏好因子以及用户就医行为因子;
以及根据所述候选医院数据进行特征提取,得到医院活跃时间因子、医院距离因子以及医院活跃度因子。
16.根据权利要求14所述的装置,其特征在于,所述评分模块还用于根据所述特征因子以及预设特征因子评分规则,确定特征因子得分;
以及根据所述权重系数,确定各特征因子权重;
以及将各所述特征因子得分以及对应的特征因子权重进行加权求和,得到候选医院评分。
17.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
19.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173513.3A CN115391666A (zh) | 2022-09-26 | 2022-09-26 | 医院在线推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173513.3A CN115391666A (zh) | 2022-09-26 | 2022-09-26 | 医院在线推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115391666A true CN115391666A (zh) | 2022-11-25 |
Family
ID=84129065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211173513.3A Pending CN115391666A (zh) | 2022-09-26 | 2022-09-26 | 医院在线推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115391666A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116887233A (zh) * | 2023-07-13 | 2023-10-13 | 北京领创医谷科技发展有限责任公司 | 一种患者就近医疗方法、系统、终端及存储介质 |
-
2022
- 2022-09-26 CN CN202211173513.3A patent/CN115391666A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116887233A (zh) * | 2023-07-13 | 2023-10-13 | 北京领创医谷科技发展有限责任公司 | 一种患者就近医疗方法、系统、终端及存储介质 |
CN116887233B (zh) * | 2023-07-13 | 2024-04-30 | 北京领创医谷科技发展有限责任公司 | 一种患者就近医疗方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11665072B2 (en) | Parallel computational framework and application server for determining path connectivity | |
US20220239574A1 (en) | Systems and methods for social graph data analytics to determine connectivity within a community | |
US10311106B2 (en) | Social graph visualization and user interface | |
US8676799B1 (en) | Evaluating techniques for clustering geographic entities | |
US8140541B2 (en) | Time-weighted scoring system and method | |
US20050210025A1 (en) | System and method for predicting the ranking of items | |
EP3070667A1 (en) | Revenue management system and revenue management method | |
US20160239765A1 (en) | Personalized ranking for search results of a travel-related database query | |
US20200210457A1 (en) | Linking incongruous personal data records, and applications thereof | |
US20170154268A1 (en) | An automatic statistical processing tool | |
CN112184046A (zh) | 广告业务用户价值评估方法、装置、设备及存储介质 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
US20160232376A1 (en) | Privacy fractal mirroring of transaction data | |
CN115391666A (zh) | 医院在线推荐方法、装置、计算机设备和存储介质 | |
CN113962457A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
WO2014107517A1 (en) | Priority-weighted quota cell selection to match a panelist to a market research project | |
AU2014204115B2 (en) | Using a graph database to match entities by evaluating Boolean expressions | |
CN115879819A (zh) | 企业信用评估方法及装置 | |
US10013481B2 (en) | Using a graph database to match entities by evaluating boolean expressions | |
WO2014107521A2 (en) | Quota cell priority determination to match a panelist to a market research project | |
JP7449886B2 (ja) | 情報共有支援方法及び情報共有支援装置 | |
WO2023195117A1 (ja) | グループ生成装置、グループ生成方法、及び非一時的なコンピュータ可読媒体 | |
CN113761134A (zh) | 用户画像构建方法、装置、计算机设备及存储介质 | |
CN116403720A (zh) | 外部干预行为的干预结果预测方法、装置和计算机设备 | |
CN115796979A (zh) | 一种基于对象行为的物品推荐方法、装置、设备及介质 |
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 |