CN116364261A - 一种智能推荐方法、系统、设备及存储介质 - Google Patents
一种智能推荐方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116364261A CN116364261A CN202310643805.7A CN202310643805A CN116364261A CN 116364261 A CN116364261 A CN 116364261A CN 202310643805 A CN202310643805 A CN 202310643805A CN 116364261 A CN116364261 A CN 116364261A
- Authority
- CN
- China
- Prior art keywords
- user
- served
- feature
- similar
- user feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 239000000463 material Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims 1
- 230000003340 mental effect Effects 0.000 abstract description 7
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 206010022437 insomnia Diseases 0.000 description 4
- 238000009223 counseling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010041349 Somnolence Diseases 0.000 description 2
- 230000002060 circadian Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 208000007848 Alcoholism Diseases 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 201000007930 alcohol dependence Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- G16H40/20—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种智能推荐方法、系统、设备及存储介质,本发明实施例在接收到待服务用户的服务请求后,通过分析待服务用户信息资料中的量表信息与历史浏览记录信息,提取待服务用户特征集,并通过匹配相似用户群体补充待服务用户特征集,再利用补充过的待服务用户特征集匹配医生,为待服务用户推荐适配医生群体。这样,在待服务用户进行心理精神服务前,提前采集待服务用户特征,为待服务用户推荐对应领域的医生,提供个性化心理精神服务。
Description
技术领域
本发明实施例涉及智能推荐领域,具体涉及一种智能推荐方法、系统、设备及存储介质。
背景技术
智能推荐技术逐渐成为互联网医疗平台提升待服务用户线上就诊率与复诊率的强力助手,在实际使用时需要分析待服务用户的历史操作行为日志等信息资料中提取信息构成用户画像,根据用户画像中进行个性化心理精神服务推荐。现有的推荐系统,例如谷歌旗下的Wide&Deep模型只考虑不同领域特征之间的相互作用。而阿里的深度兴趣网络将用户的序列化历史行为表示用户的兴趣,没有体现出用户兴趣的动态进化性。
发明内容
为此,本发明实施例提供一种智能推荐方法、系统、设备及存储介质,以解决现有技术在心理精神方面推荐准确率低,医生与患者的体验较差的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例的第一方面,提供了一种智能推荐方法,其特征在于,所述方法包括:
接收待服务用户的服务请求,采集所述待服务用户的当前信息资料;
判断所述当前信息资料中是否有量表信息;
如果当前信息资料中有量表信息,则结合所述待服务用户的历史信息资料判断所述待服务用户量表信息是否有更新;
如果所述待服务用户量表信息未更新,则对所述待服务用户的历史量表信息进行特征分析,生成第一待服务用户特征与第一待服务用户特征集;
利用所述第一待服务用户特征集为所述待服务用户匹配第一相似用户群体;
从所述第一相似用户群体中依次提取第一相似用户特征,生成第一相似用户特征集;
从所述第一待服务用户特征集与所述第一相似用户特征集中提取第二待服务用户特征;
利用所述第二待服务用户特征进行第一医生匹配,得到第一适配医生群体;
将所述第一适配医生群体中的医生推荐给所述待服务用户。
进一步地,从所述第一待服务用户特征集与所述第一相似用户特征集中提取第二待服务用户特征,包括:
判断所述第一待服务用户特征集与所述第一相似用户特征集是否存在交集;
如果所述第一待服务用户特征集与所述第一相似用户特征集存在交集,则提取所述交集中的特征即作为第二待服务用户特征;
如果所述第一待服务用户特征集与所述第一相似用户特征集不存在交集,则分别对所述第一待服务用户特征与所述第一相似用户特征进行关联性分析,提取第二待服务用户特征。
进一步地,对第一待服务用户特征与所述第一相似用户特征进行关联性分析,提取第二待服务用户特征,包括:
将各个第一待服务用户特征作为所述第二待服务用户特征;
针对每个所述第一相似用户特征,分别与各个第一待服务用户特征进行组合,并计算两者之间的第一特征相似度;
将所述第一相似用户特征对应的各个第一特征相似度与第一预设阈值进行对比,判断各个第一特征相似度中是否存在大于第一预设阈值的值;
如果各个第一特征相似度中不存在大于第一预设阈值的值,则将下一第一相似用户特征对应的各个第一特征相似度与第一预设阈值进行对比;
如果各个第一特征相似度中存在大于第一预设阈值的值,则将所述第一相似用户特征作为所述第二待服务用户特征。
优选地,一种智能推荐方法还包括:
如果所述待服务用户量表信息有更新,则提取新量表信息;
判断所述新量表信息对应的新量表数量是否为1;
如果所述新量表数量不为1,则按照新量表分别对相应的新量表信息进行分析,生成第三待服务用户特征与第三待服务用户特征集;
如果所述新量表数量为1,则结合历史量表信息对新量表信息进行分析,生成第三待服务用户特征与第三待服务用户特征集;
利用所述第三待服务用户特征结合待服务用户注册信息进行第二医生匹配,生成第二适配医生群体;
将所述第二适配医生群体中的医生推荐给所述待服务用户。
优选地,一种智能推荐方法还包括:
如果所述待服务用户的当前信息资料中没有量表信息,判断所述当前信息资料中是否有历史浏览记录;
如果所述当前信息资料中有历史浏览记录,则提取所述历史浏览记录,生成历史浏览记录集;
对所述历史浏览记录集中的历史浏览记录进行分析,提取所述待服务用户的第四待服务用户特征,生成第四待服务用户特征集;
利用所述第四待服务用户特征集为所述待服务用户匹配第二相似用户群体;
从所述第二相似用户群体中依次提取第二相似用户特征,生成第二相似用户特征集;
判断所述第四待服务用户特征集与所述第二相似用户特征集是否存在交集;
如果所述第四待服务用户特征集与所述第二相似用户特征集存在交集,则提取所述交集中的特征作为第五待服务用户特征;
如果所述第四待服务用户特征集与所述第二相似用户特征集不存在交集,则分别对所述第四待服务用户特征与所述第二相似用户特征进行关联性分析,提取第五待服务用户特征。
进一步地,分别对第四待服务用户特征与所述第二相似用户特征进行关联性分析,提取第五待服务用户特征,包括:
针对每个所述第二相似用户特征,分别与各个第四待服务用户特征进行组合,并计算两者之间的第二特征相似度;
将所述第二相似用户特征对应的各个第二特征相似度与第一预设阈值进行对比,判断各个第二特征相似度中是否存在大于第一预设阈值的值;
如果各个第二特征相似度中不存在大于第一预设阈值的值,则将下一第二相似用户特征对应的各个第二特征相似度与第一预设阈值进行对比;
如果各个第二特征相似度中存在大于第一预设阈值的值,则将所述第二相似用户特征作为所述第五待服务用户特征。
优选地,如果所述当前信息资料中没有历史浏览记录,则利用所述待服务用户注册信息进行特征提取:
分析所述当前信息资料,提取待服务用户注册信息;
分析所述待服务用户注册信息,从所述待服务用户注册信息中提取第六待服务用户特征并生成第六待服务用户特征集;
利用所述第六待服务用户特征集为所述待服务用户匹配第三相似用户群体;
从所述第三相似用户群体中依次提取第三相似用户特征,生成第三相似用户特征集;
判断所述第六待服务用户特征集与所述第三相似用户特征集是否存在交集;
如果所述第六待服务用户特征集与所述第三相似用户特征集存在交集,则提取所述交集中的特征作为第七待服务用户特征;
如果所述第六待服务用户特征集与所述第三相似用户特征集不存在交集,则分别对所述第六待服务用户特征与所述第三相似用户特征进行关联性分析,提取第七待服务用户特征。
根据本发明实施例的第二方面,提供了一种智能推荐系统,其特征在于,所述系统包括:
采集模块,用于接收待服务用户的服务请求,采集所述待服务用户的当前信息资料;
第一用户特征分析模块,用于判断所述当前信息资料中是否有量表信息;如果当前信息资料中有量表信息,则结合所述待服务用户的历史信息资料判断所述待服务用户量表信息是否有更新;如果所述待服务用户量表信息未更新,则对所述待服务用户的历史量表信息进行特征分析,生成第一待服务用户特征与第一待服务用户特征集;
相似用户分析模块,用于利用所述第一待服务用户特征集为所述待服务用户匹配第一相似用户群体;
相似用户特征提取模块,用于从所述第一相似用户群体中依次提取第一相似用户特征,生成第一相似用户特征集;
第二用户特征分析模块,用于从所述第一待服务用户特征集与所述第一相似用户特征集中提取第二待服务用户特征;
匹配模块,用于利用所述第二待服务用户特征进行第一医生匹配,得到第一适配医生群体;
推荐模块,用于将所述第一适配医生群体中的医生推荐给所述待服务用户。
根据本发明实施例的第三方面,提供了一种智能推荐设备,其特征在于,所述设备包括:处理器和存储器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如上任一项所述的一种智能推荐方法的步骤。
根据本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述一种智能推荐方法的步骤。
本发明实施例具有如下优点:
本发明实施例公开了一种智能推荐方法、系统、设备及存储介质,本发明实施例在接收到待服务用户的服务请求后,通过分析待服务用户信息资料中的量表信息与历史浏览记录信息,提取待服务用户特征集,并通过匹配相似用户群体补充待服务用户特征集,再利用补充过的待服务用户特征集特征集匹配医生,为待服务用户推荐适配医生群体。这样,在待服务用户进行心理精神服务前,提前采集待服务用户特征,为待服务用户推荐对应领域的医生,提供个性化心理精神服务。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种智能推荐系统的逻辑结构示意图;
图2为本发明实施例提供的一种智能推荐方法的流程示意图;
图3为本发明实施例提供的一种智能推荐方法中的利用相似用户补充待服务用户特征的流程示意图;
图4为本发明实施例提供的一种智能推荐方法中的相似度判断的流程示意图;
图5为本发明实施例提供的一种智能推荐方法中的利用新量表信息提取特征的流程示意图;
图6为本发明实施例提供的一种智能推荐方法中的利用历史浏览记录信息提取特征的流程示意图;
图7为本发明一个实施例提供的一种智能推荐方法中的另一相似度判断的流程示意图;
图8为本发明另一个实施例提供的一种智能推荐方法中的使用注册信息提取特征的流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的推荐系统,例如Wide&Deep模型只考虑了不同领域特征之间的相互作用,没有考虑到用户兴趣对模型的影响,而阿里DIN模型则是将用户的序列化历史行为表示用户的兴趣,没有体现出用户兴趣的动态进化性。
为了解决上述在心理精神方面推荐准确率较低,医生与患者的体验较差的技术问题。
参考图1,本发明实施例公开了一种智能推荐系统,该系统包括:采集模块1;第一用户特征分析模块2;相似用户分析模块3;相似用户特征提取模块4;第二用户特征分析模块5;匹配模块6;推荐模块7。
与上述公开的一种智能推荐系统相对应,本发明实施例还公开了一种智能推荐方法。以下结合上述描述的一种智能推荐系统详细介绍本发明实施例中公开的一种智能推荐方法。
以下参考图2,对利用量表信息采集待服务用户特征的具体步骤进行详细说明。
采集模块1接收待服务用户的服务请求后,采集所述待服务用户的当前信息资料。
其中,待服务用户的服务请求包括:基本心理咨询服务、心理咨询指导和训练、心理问题和障碍疾病的咨询和治疗。
其中,所述当前信息资料包括待服务用户的注册信息、历史浏览记录信息、量表信息及历史精神心理服务记录信息。
第一用户特征分析模块2判断所述当前信息资料中是否有量表信息。
其中,所述量表为鉴别个体心理功能的测量工具。
如果当前信息资料中有量表信息,即表明当前用户做过心理相关量表测评,则结合所述待服务用户的历史信息资料判断所述待服务用户量表信息是否有更新。
如果所述待服务用户量表信息没有更新,则利用现有量表信息提取待服务用户特征。
如果当前信息资料中有量表信息,则结合所述待服务用户的历史信息资料判断所述待服务用户量表信息是否有更新;如果所述待服务用户量表信息未更新,则对所述待服务用户的历史量表信息进行特征分析,生成第一待服务用户特征与第一待服务用户特征集。
相似用户分析模块3利用所述第一待服务用户特征集为所述待服务用户匹配第一相似用户群体。
相似用户特征提取模块4从所述第一相似用户群体中依次提取第一相似用户特征,生成第一相似用户特征集。
第二用户特征分析模块5从所述第一待服务用户特征集与所述第一相似用户特征集中提取第二待服务用户特征。
匹配模块6利用所述第二待服务用户特征进行第一医生匹配,得到第一适配医生群体。
例如,则第一医生匹配优先匹配与待服务用户相同性别的医生。
推荐模块7将所述第一适配医生群体中的医生推荐给所述待服务用户。
参考图3,判断所述第一待服务用户特征集与所述第一相似用户特征集是否存在交集。
如果所述第一待服务用户特征集与所述第一相似用户特征集存在交集,则提取所述交集中的特征即作为第二待服务用户特征;如果所述第一待服务用户特征集与所述第一相似用户特征集不存在交集,则分别对所述第一待服务用户特征与所述第一相似用户特征进行关联性分析,提取第二待服务用户特征。
将各个第一待服务用户特征作为所述第二待服务用户特征,如图4所示。
针对每个所述第一相似用户特征,分别与各个第一待服务用户特征进行组合,并计算两者之间的第一特征相似度。
其中,所述第一待服务用户的特征向量为u,第一相似用户的特征向量为v,余弦相似度计算公式为:
将所述第一相似用户特征对应的各个第一特征相似度与第一预设阈值进行对比,判断各个第一特征相似度中是否存在大于第一预设阈值的值;如果各个第一特征相似度中不存在大于第一预设阈值的值,则将下一第一相似用户特征对应的各个第一特征相似度与第一预设阈值进行对比;如果各个第一特征相似度中存在大于第一预设阈值的值,则将所述第一相似用户特征作为所述第二待服务用户特征。
其中,所述第一预设阈值为70%。
如果所述待服务用户量表信息有更新,则参考图4,则提取新量表信息。
判断所述新量表信息对应的新量表数量是否为1;
如果所述新量表数量不为1,则按照新量表分别对相应的新量表信息进行分析,生成第三待服务用户特征与第三待服务用户特征集。
如果所述新量表数量为1,则结合历史量表信息对新量表信息进行分析,生成第三待服务用户特征与第三待服务用户特征集。
利用所述第三待服务用户特征结合待服务用户注册信息进行第二医生匹配,生成第二适配医生群体;将所述第二适配医生群体中的医生推荐给所述待服务用户,为待服务用户进行线上的精神心理服务。
进一步地,本发明实施例中,当待服务用户的当前信息资料中没有量表信息时,利用历史浏览记录信息进行特征提取,以下参考图6至图7,对使用历史浏览记录提取用户特征的具体步骤进行详细说明。
参考图6,当所述待服务用户的当前信息资料中没有量表信息时,判断所述当前信息资料中是否有历史浏览记录。
如果所述当前信息资料中有历史浏览记录,则提取所述历史浏览记录,生成历史浏览记录集;对所述历史浏览记录集中的历史浏览记录进行分析,提取所述待服务用户的第四待服务用户特征,生成第四待服务用户特征集。
例如,从用户的历史浏览记录集提取到关键词:“睡不着”、“熬夜”、“报复性熬夜”、“舍不得睡觉”、“匹兹堡睡眠质量指数”、“睡眠状况自评量表”等内容时,将“熬夜”作为第四待服务用户特征进行相似用户匹配,为所述待服务用户匹配其他具有“失眠”特征的相似用户。
其中,提取历史浏览记录时,仅提取待服务用户对相关文章/视频进行点赞或收藏或页面停留超过第一预设时间或视频观看进度超过第二预设时间的历史浏览记录。
当页面停留时间超过第三预设时间或视频观看进度达到100%且超过第四预设时间无响应或视频循环次数超过第五预设时间,则提取该浏览记录。
其中,所述第一预设时间为2分钟,第二预设时间为视频总时长的50%,第三预设时间为15分钟,第四预设时间为2分钟,第五预设时间为3次。
从所述第二相似用户群体中依次提取第二相似用户特征,生成第二相似用户特征集。
判断所述第四待服务用户特征集与所述第二相似用户特征集是否存在交集。
如果所述第四待服务用户特征集与所述第二相似用户特征集存在交集,则提取所述交集中的特征作为第五待服务用户特征;如果所述第四待服务用户特征集与所述第二相似用户特征集不存在交集,则分别对所述第四待服务用户特征与所述第二相似用户特征进行关联性分析,提取第五待服务用户特征。
参考图7,针对每个所述第二相似用户特征,分别与各个第四待服务用户特征进行组合,并计算两者之间的第二特征相似度。
将所述第二相似用户特征对应的各个第二特征相似度与第一预设阈值进行对比,判断各个第二特征相似度中是否存在大于第一预设阈值的值;如果各个第二特征相似度中不存在大于第一预设阈值的值,则将下一第二相似用户特征对应的各个第二特征相似度与第一预设阈值进行对比;如果各个第二特征相似度中存在大于第一预设阈值的值,则将所述第二相似用户特征作为所述第五待服务用户特征。
例如,第四待服务用户特征为“熬夜”、“失眠”、“入睡困难”,所述第二相似用户特征集中的特征为:“睡不着”、“昼夜颠倒”、“时差”、“焦虑”、“老年痴呆”、“酒精依赖”,其中,“熬夜”、“失眠”、“入睡困难”与“睡不着”、“昼夜颠倒”、“时差”有较高相似度,所述待服务用户的主要待服务用户特征为“失眠”。
如果所述当前信息资料中没有历史浏览记录,则利用所述待服务用户注册信息进行特征提取,参考图8,分析所述当前信息资料,提取待服务用户注册信息。
分析所述待服务用户注册信息,从所述待服务用户注册信息中提取第六待服务用户特征并生成第六待服务用户特征集。
利用所述第六待服务用户特征集为所述待服务用户匹配第三相似用户群体。
从所述第三相似用户群体中依次提取第三相似用户特征,生成第三相似用户特征集。
判断所述第六待服务用户特征集与所述第三相似用户特征集是否存在交集。
如果所述第六待服务用户特征集与所述第三相似用户特征集存在交集,则提取所述交集中的特征作为第七待服务用户特征;如果所述第六待服务用户特征集与所述第三相似用户特征集不存在交集,则分别对所述第六待服务用户特征与所述第三相似用户特征进行关联性分析,提取第七待服务用户特征。
例如,所述待服务用户的年龄为17岁,则待服务用户画像为学生,需要额外关注升学压力、学校社交压力等压力的相关心理疏导。
本发明所述的一种智能推荐方法,针对客户特征、访问行为和检测数据等信息,抽取大量精神心理量表相关的文本数据和客户标签画像来构建推荐引擎。利用快速识别和精准分发能力,给客户推荐有针对性的内容,根据不同就医人群的特征,提供个性化的内容运营和规则设置等优化方案,从而更精准地定位潜在问题,有效提升医生和患者线上就医的便捷率,改善医生和患者的体验,让医生和患者更快速找到符合自己意愿的医疗产品和服务,降低诊断风险,提高线上就医服务质量。
另外,本发明实施例还提供了一种智能推荐设备,所述设备包括:处理器和存储器;所述存储器用于存储一个或多个程序指令;所述处理器,用于运行一个或多个程序指令,用以执行如上任一项所述的一种智能推荐方法的步骤。
另外,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述一种智能推荐方法的步骤。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种智能推荐方法,其特征在于,所述方法包括:
接收待服务用户的服务请求,采集所述待服务用户的当前信息资料;
判断所述当前信息资料中是否有量表信息;
如果当前信息资料中有量表信息,则结合所述待服务用户的历史信息资料判断所述待服务用户量表信息是否有更新;
如果所述待服务用户量表信息未更新,则对所述待服务用户的历史量表信息进行特征分析,生成第一待服务用户特征与第一待服务用户特征集;
利用所述第一待服务用户特征集为所述待服务用户匹配第一相似用户群体;
从所述第一相似用户群体中依次提取第一相似用户特征,生成第一相似用户特征集;
从所述第一待服务用户特征集与所述第一相似用户特征集中提取第二待服务用户特征;
利用所述第二待服务用户特征进行第一医生匹配,得到第一适配医生群体;
将所述第一适配医生群体中的医生推荐给所述待服务用户。
2.如权利要求1所述的一种智能推荐方法,其特征在于,从所述第一待服务用户特征集与所述第一相似用户特征集中提取第二待服务用户特征,包括:
判断所述第一待服务用户特征集与所述第一相似用户特征集是否存在交集;
如果所述第一待服务用户特征集与所述第一相似用户特征集存在交集,则提取所述交集中的特征即作为第二待服务用户特征;
如果所述第一待服务用户特征集与所述第一相似用户特征集不存在交集,则分别对所述第一待服务用户特征与所述第一相似用户特征进行关联性分析,提取第二待服务用户特征。
3.如权利要求2所述的一种智能推荐方法,其特征在于,对第一待服务用户特征与所述第一相似用户特征进行关联性分析,提取第二待服务用户特征,包括:
将各个第一待服务用户特征作为所述第二待服务用户特征;
针对每个所述第一相似用户特征,分别与各个第一待服务用户特征进行组合,并计算两者之间的第一特征相似度;
将所述第一相似用户特征对应的各个第一特征相似度与第一预设阈值进行对比,判断各个第一特征相似度中是否存在大于第一预设阈值的值;
如果各个第一特征相似度中不存在大于第一预设阈值的值,则将下一第一相似用户特征对应的各个第一特征相似度与第一预设阈值进行对比;
如果各个第一特征相似度中存在大于第一预设阈值的值,则将所述第一相似用户特征作为所述第二待服务用户特征。
4.如权利要求1所述的一种智能推荐方法,其特征在于,所述方法还包括:
如果所述待服务用户量表信息有更新,则提取新量表信息;
判断所述新量表信息对应的新量表数量是否为1;
如果所述新量表数量不为1,则按照新量表分别对相应的新量表信息进行分析,生成第三待服务用户特征与第三待服务用户特征集;
如果所述新量表数量为1,则结合历史量表信息对新量表信息进行分析,生成第三待服务用户特征与第三待服务用户特征集;
利用所述第三待服务用户特征结合待服务用户注册信息进行第二医生匹配,生成第二适配医生群体;
将所述第二适配医生群体中的医生推荐给所述待服务用户。
5.如权利要求3所述的一种智能推荐方法,其特征在于,所述方法还包括:
如果所述待服务用户的当前信息资料中没有量表信息,判断所述当前信息资料中是否有历史浏览记录;
如果所述当前信息资料中有历史浏览记录,则提取所述历史浏览记录,生成历史浏览记录集;
对所述历史浏览记录集中的历史浏览记录进行分析,提取所述待服务用户的第四待服务用户特征,生成第四待服务用户特征集;
利用所述第四待服务用户特征集为所述待服务用户匹配第二相似用户群体;
从所述第二相似用户群体中依次提取第二相似用户特征,生成第二相似用户特征集;
判断所述第四待服务用户特征集与所述第二相似用户特征集是否存在交集;
如果所述第四待服务用户特征集与所述第二相似用户特征集存在交集,则提取所述交集中的特征作为第五待服务用户特征;
如果所述第四待服务用户特征集与所述第二相似用户特征集不存在交集,则分别对所述第四待服务用户特征与第二相似用户特征集中的第二相似用户特征进行关联性分析,提取第五待服务用户特征。
6.如权利要求4所述的一种智能推荐方法,其特征在于,分别对所述第四待服务用户特征与第二相似用户特征集中的第二相似用户特征进行关联性分析,提取第五待服务用户特征,包括:
针对每个所述第二相似用户特征,分别与各个第四待服务用户特征进行组合,并计算两者之间的第二特征相似度;
将所述第二相似用户特征对应的各个第二特征相似度与第一预设阈值进行对比,判断各个第二特征相似度中是否存在大于第一预设阈值的值;
如果各个第二特征相似度中不存在大于第一预设阈值的值,则将下一第二相似用户特征对应的各个第二特征相似度与第一预设阈值进行对比;
如果各个第二特征相似度中存在大于第一预设阈值的值,则将所述第二相似用户特征作为所述第五待服务用户特征。
7.如权利要求5所述的一种智能推荐方法,其特征在于,所述方法还包括:
如果所述当前信息资料中没有历史浏览记录,则利用所述待服务用户注册信息进行特征提取;
分析所述当前信息资料,提取待服务用户注册信息;
分析所述待服务用户注册信息,从所述待服务用户注册信息中提取第六待服务用户特征并生成第六待服务用户特征集;
利用所述第六待服务用户特征集为所述待服务用户匹配第三相似用户群体;
从所述第三相似用户群体中依次提取第三相似用户特征,生成第三相似用户特征集;
判断所述第六待服务用户特征集与所述第三相似用户特征集是否存在交集;
如果所述第六待服务用户特征集与所述第三相似用户特征集存在交集,则提取所述交集中的特征作为第七待服务用户特征;
如果所述第六待服务用户特征集与所述第三相似用户特征集不存在交集,则分别对所述第六待服务用户特征与所述第三相似用户特征进行关联性分析,提取第七待服务用户特征。
8.一种智能推荐系统,其特征在于,所述系统包括:
采集模块,用于接收待服务用户的服务请求,采集所述待服务用户的当前信息资料;
第一用户特征分析模块,用于判断所述当前信息资料中是否有量表信息;如果当前信息资料中有量表信息,则结合所述待服务用户的历史信息资料判断所述待服务用户量表信息是否有更新;如果所述待服务用户量表信息未更新,则对所述待服务用户的历史量表信息进行特征分析,生成第一待服务用户特征与第一待服务用户特征集;
相似用户分析模块,用于利用所述第一待服务用户特征集为所述待服务用户匹配第一相似用户群体;
相似用户特征提取模块,用于从所述第一相似用户群体中依次提取第一相似用户特征,生成第一相似用户特征集;
第二用户特征分析模块,用于从所述第一待服务用户特征集与所述第一相似用户特征集中提取第二待服务用户特征;
匹配模块,用于利用所述第二待服务用户特征进行第一医生匹配,得到第一适配医生群体;
推荐模块,用于将所述第一适配医生群体中的医生推荐给所述待服务用户。
9.一种智能推荐设备,其特征在于,所述设备包括:处理器和存储器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1至7任一项所述的一种智能推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种智能推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643805.7A CN116364261B (zh) | 2023-06-02 | 2023-06-02 | 一种智能推荐方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310643805.7A CN116364261B (zh) | 2023-06-02 | 2023-06-02 | 一种智能推荐方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116364261A true CN116364261A (zh) | 2023-06-30 |
CN116364261B CN116364261B (zh) | 2023-08-01 |
Family
ID=86928538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310643805.7A Active CN116364261B (zh) | 2023-06-02 | 2023-06-02 | 一种智能推荐方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116364261B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446575A (zh) * | 2016-10-12 | 2017-02-22 | 上海览海在线健康管理有限公司 | 智能推送医疗资源的方法及系统 |
US20190079938A1 (en) * | 2016-03-16 | 2019-03-14 | Koninklijke Philips N.V. | Relevance feedback to improve the performance of clustering model that clusters patients with similar profiles together |
CN110008406A (zh) * | 2019-04-04 | 2019-07-12 | 中国石油大学(华东) | 一种基于相似社区的舆情个性化推荐算法 |
CN113724848A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 |
CN114048379A (zh) * | 2021-11-11 | 2022-02-15 | 泰康保险集团股份有限公司 | 服务推荐方法及装置、存储介质和电子设备 |
CN114141321A (zh) * | 2021-11-19 | 2022-03-04 | 武汉科技大学 | 一种社区老年轻度认知障碍智能随访服务推荐方法 |
CN115238173A (zh) * | 2022-06-30 | 2022-10-25 | 山东省玖玖医养健康产业有限公司 | 基于大数据的行为分析与医疗服务推送方法、设备及介质 |
CN115994271A (zh) * | 2023-01-12 | 2023-04-21 | 武汉大学 | 心理测评量表的推荐方法 |
-
2023
- 2023-06-02 CN CN202310643805.7A patent/CN116364261B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190079938A1 (en) * | 2016-03-16 | 2019-03-14 | Koninklijke Philips N.V. | Relevance feedback to improve the performance of clustering model that clusters patients with similar profiles together |
CN106446575A (zh) * | 2016-10-12 | 2017-02-22 | 上海览海在线健康管理有限公司 | 智能推送医疗资源的方法及系统 |
CN110008406A (zh) * | 2019-04-04 | 2019-07-12 | 中国石油大学(华东) | 一种基于相似社区的舆情个性化推荐算法 |
CN113724848A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 |
CN114048379A (zh) * | 2021-11-11 | 2022-02-15 | 泰康保险集团股份有限公司 | 服务推荐方法及装置、存储介质和电子设备 |
CN114141321A (zh) * | 2021-11-19 | 2022-03-04 | 武汉科技大学 | 一种社区老年轻度认知障碍智能随访服务推荐方法 |
CN115238173A (zh) * | 2022-06-30 | 2022-10-25 | 山东省玖玖医养健康产业有限公司 | 基于大数据的行为分析与医疗服务推送方法、设备及介质 |
CN115994271A (zh) * | 2023-01-12 | 2023-04-21 | 武汉大学 | 心理测评量表的推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116364261B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Campbell et al. | A systematic review of the relationship between religion and attitudes toward transgender and gender-variant people | |
Rodríguez-González et al. | Differentiation of self, mate selection, and marital adjustment: Validity of postulates of Bowen theory in a Spanish sample | |
Morris et al. | Prevalence of anxiety in people with aphasia after stroke | |
Garimella et al. | Social media image analysis for public health | |
Lee et al. | Estimation for volunteer panel web surveys using propensity score adjustment and calibration adjustment | |
US9798797B2 (en) | Cluster method and apparatus based on user interest | |
L'Abbé et al. | Application of Fordisc 3.0 to explore differences among crania of North American and South African blacks and whites | |
US20060173556A1 (en) | Methods and apparatus for using user gender and/or age group to improve the organization of documents retrieved in response to a search query | |
Warren | Reverse migration to Mexico led to US undocumented population decline: 2010 to 2018 | |
Thomas et al. | Accuracy rates of ancestry estimation by forensic anthropologists using identified forensic cases | |
Maurer et al. | Taking online search queries as an indicator of the public agenda: The role of public uncertainty | |
Manero | Income inequality within smallholder irrigation schemes in Sub-Saharan Africa | |
Franks et al. | Relative disutilities of 47 risk factors and conditions assessed with seven preference-based health status measures in a national US sample: toward consistency in cost-effectiveness analyses | |
Weber et al. | Intimate partner violence: Variations in perpetrators and treatment allocation | |
Leite et al. | Towards a model for the measurement of data quality in websites | |
Arancibia-Martini et al. | New evidence of construct validity problems for Pettigrew and Meertens’(1995) Blatant and Subtle Prejudice Scale | |
Triantafyllou et al. | Correlates of duration of intimate partner violence among women seeking services at a domestic violence support center | |
CN110752027B (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
Chou et al. | Construct validity of the depression and somatic symptoms scale: evaluation by Mokken scale analysis | |
van Meijeren-Pont et al. | Comparison of the responsiveness of the Utrecht Scale for Evaluation of Rehabilitation (USER) and the Barthel Index in stroke patients | |
CN109299238B (zh) | 一种数据查询方法和装置 | |
CN116364261B (zh) | 一种智能推荐方法、系统、设备及存储介质 | |
CN116401466B (zh) | 一种图书分级分类推荐方法和系统 | |
Read et al. | Social and evolutionary explanations for Face-ism: facial prominence in female academic profile pictures | |
Taduran et al. | Different methods for estimating height in a Filipino sample: forensic implications |
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 |