CN117149998A - 基于多目标优化的智能就诊推荐方法及系统 - Google Patents
基于多目标优化的智能就诊推荐方法及系统 Download PDFInfo
- Publication number
- CN117149998A CN117149998A CN202311412204.1A CN202311412204A CN117149998A CN 117149998 A CN117149998 A CN 117149998A CN 202311412204 A CN202311412204 A CN 202311412204A CN 117149998 A CN117149998 A CN 117149998A
- Authority
- CN
- China
- Prior art keywords
- consultation
- information
- recommendation
- optimization
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 166
- 238000005457 optimization Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004062 sedimentation Methods 0.000 claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 69
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000036541 health Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000035790 physiological processes and functions Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000003058 natural language processing Methods 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于多目标优化的智能就诊推荐方法及系统，涉及数据处理技术领域，所述方法包括：从就诊档案信息中提取得到历史咨询问题和历史就诊推荐信息，再基于就诊咨询知识图谱对历史咨询问题进行特征分类，通过深度学习网络结构对分类获取的就诊咨询特征信息和历史就诊推荐信息进行训练，生成就诊推荐网络模型；根据目标优化维度确定优化推荐沉降逻辑；基于优化推荐沉降逻辑对就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；基于所述就诊优化推荐网络模型对目标用户就诊咨询信息进行就诊推荐。达到通过多目标优化生成就诊优化推荐网络模型实现智能化就诊推荐，提高就诊推荐结果精确性，进而保证患者就诊效果的技术效果。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及基于多目标优化的智能就诊推荐方法及系统。
背景技术
在医院就诊过程中，由于对医院就诊科室不熟悉导致患者找不到可以就诊的科室，且由于导诊人员数量限制，致使患者无法及时得到相应的诊疗服务。随着智慧医疗的建设和应用，对医院就诊实现智能就诊推荐，提供个性化分诊，保证医院就诊便利，有着重要应用意义。然而，现有技术就诊推荐智能化程度较低，进而导致就诊推荐结果精确性较低。
发明内容
本申请通过提供基于多目标优化的智能就诊推荐方法及系统，解决了现有技术就诊推荐智能化程度较低，进而导致就诊推荐结果精确性较低的技术问题，达到通过多目标优化生成就诊优化推荐网络模型实现智能化就诊推荐，提高就诊推荐结果精确性，进而保证患者就诊效果的技术效果。
鉴于上述问题，本发明提供了基于多目标优化的智能就诊推荐方法及系统。
第一方面，本申请提供了基于多目标优化的智能就诊推荐方法，所述方法包括：通过就诊记录数据库获取目标区域的就诊档案信息；从所述就诊档案信息中提取得到就诊咨询信息，所述就诊咨询信息包括历史咨询问题和历史就诊推荐信息；构建就诊咨询知识图谱，基于所述就诊咨询知识图谱对所述历史咨询问题进行特征分类，获取就诊咨询特征信息；通过深度学习网络结构对所述就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑；基于所述优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；采集获取目标用户就诊咨询信息，基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐。
另一方面，本申请还提供了基于多目标优化的智能就诊推荐系统，所述系统包括：就诊档案信息获取模块，用于通过就诊记录数据库获取目标区域的就诊档案信息；就诊咨询信息提取模块，用于从所述就诊档案信息中提取得到就诊咨询信息，所述就诊咨询信息包括历史咨询问题和历史就诊推荐信息；咨询知识图谱构建模块，用于构建就诊咨询知识图谱，基于所述就诊咨询知识图谱对所述历史咨询问题进行特征分类，获取就诊咨询特征信息；推荐网络模型生成模块，用于通过深度学习网络结构对所述就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；优化逻辑确定模块，用于设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑；模型优化更新模块，用于基于所述优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；就诊推荐模块，用于采集获取目标用户就诊咨询信息，基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其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上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了从就诊档案信息中提取得到历史咨询问题和历史就诊推荐信息，再基于就诊咨询知识图谱对所述历史咨询问题进行特征分类，通过深度学习网络结构对所获取的就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑，进而基于优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；基于所述就诊优化推荐网络模型对目标用户就诊咨询信息进行就诊推荐的技术方案。进而达到通过多目标优化生成就诊优化推荐网络模型实现智能化就诊推荐，提高就诊推荐结果精确性，进而保证患者就诊效果的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请基于多目标优化的智能就诊推荐方法的流程示意图；
图2为本申请基于多目标优化的智能就诊推荐方法中获取就诊咨询知识属性值集合的流程示意图；
图3为本申请基于多目标优化的智能就诊推荐系统的结构示意图；
图4为本申请示例性电子设备的结构示意图。
附图标记说明：就诊档案信息获取模块11，就诊咨询信息提取模块12，咨询知识图谱构建模块13，推荐网络模型生成模块14，优化逻辑确定模块15，模型优化更新模块16，就诊推荐模块17，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示，本申请提供了基于多目标优化的智能就诊推荐方法，所述方法包括：
步骤S1：通过就诊记录数据库获取目标区域的就诊档案信息；
步骤S2：从所述就诊档案信息中提取得到就诊咨询信息，所述就诊咨询信息包括历史咨询问题和历史就诊推荐信息；
具体的，在医院就诊过程中，由于对医院就诊科室不熟悉导致患者找不到可以就诊的科室，且由于导诊人员数量限制，致使患者无法及时得到相应的诊疗服务。随着智慧医疗的建设和应用，对医院就诊实现智能就诊推荐，提供个性化分诊，保证医院就诊便利，有着重要应用意义。
为实现智能化就诊推荐分析，通过医院云端或本地存储的就诊记录数据库获取目标区域的就诊档案信息，其中，所述目标区域为患者的待就诊医院区域，所述就诊档案信息为患者的就诊历史记录数据。从所述就诊档案信息中提取得到就诊咨询信息，所述就诊咨询信息包括历史咨询问题，即患者的咨询问题内容信息；和历史就诊推荐信息，即与患者咨询问题相匹配对应的就诊科室以及就诊流程等就诊推荐信息，为后续就诊推荐模型训练提供数据基础。
步骤S3：构建就诊咨询知识图谱，基于所述就诊咨询知识图谱对所述历史咨询问题进行特征分类，获取就诊咨询特征信息；
如图2所示，进一步而言，所述构建就诊咨询知识图谱，本申请步骤还包括：
获取就诊咨询属性信息，所述就诊咨询属性信息包括用户个人情况、症状发病特点、诊疗情况以及既往病史状态；
对所述就诊咨询属性信息进行知识提取，得到就诊咨询知识属性实体集合；
基于所述就诊咨询知识属性实体集合分别进行知识特征值赋予，获取就诊咨询知识属性值集合；
基于所述就诊咨询知识属性实体集合和所述就诊咨询知识属性值集合，构建所述就诊咨询知识图谱。
进一步而言，所述获取就诊咨询知识属性值集合，本申请步骤还包括：
依次对所述就诊咨询知识属性实体集合进行内容抽取，获取就诊咨询知识属性内容集合；
基于所述就诊咨询知识属性内容集合，确定就诊咨询知识节点信息集合；
获取知识特征节点编码规则，基于所述知识特征节点编码规则对所述就诊咨询知识节点信息集合进行编码，生成知识特征节点编码信息集合；
依据所述知识特征节点编码信息集合分别进行知识特征值赋予，得到所述就诊咨询知识属性值集合。
具体的，为提高就诊推荐精确性，首先制定获取就诊咨询属性信息，所述就诊咨询属性信息为就诊咨询问题属性类型，包括用户个人情况、症状发病特点、诊疗情况以及既往病史状态等。再对所述就诊咨询属性信息进行知识提取，即对每个咨询属性信息进行具体类别确定，示例性的，用户个人情况属性包括患者年龄、婚姻、职业、精神状态等知识实体类别，通过就诊内容细化分析得到各咨询属性对应的就诊咨询知识属性实体集合。
再基于所述就诊咨询知识属性实体集合分别进行知识特征值赋予，首先依次对所述就诊咨询知识属性实体集合进行内容抽取，即对每个知识属性实体进行实质内容确定，示例性的，精神状态属性实体可包括正常、涣散、亢奋、意志下降、意志减退等具体内容，通过医学内容界定分析获取各属性实体对应的就诊咨询知识属性内容集合。并所述就诊咨询知识属性内容集合中的每个属性内容都作为一个知识节点，进而得到就诊咨询知识节点信息集合。
为实现就诊咨询信息快速分类，可通过医院专家组自行制定获取知识特征节点编码规则，所述知识特征节点编码规则为知识节点的内容编码依据，包括编码标识以及编码位数等。基于所述知识特征节点编码规则对所述就诊咨询知识节点信息集合进行编码，即对各知识节点进行编码，生成相应的知识特征节点编码信息集合。再依据所述知识特征节点编码信息集合作为知识特征值分别对各知识节点进行属性值赋予，得到相应的就诊咨询知识属性值集合，简化知识节点内容标识，提高知识属性节点分类速度和节约节点内容存储内存。
基于所述就诊咨询知识属性实体集合和所述就诊咨询知识属性值集合，构建就诊咨询知识图谱，所述就诊咨询知识图谱类似于树结构，可视化展示就诊咨询知识内容映射特征，用于对就诊咨询内容进行快速特征分类。基于所述就诊咨询知识图谱对所述历史咨询问题依次进行特征分类，获取历史咨询问题知识分类后的就诊咨询特征信息，所述就诊咨询特征信息通过知识图谱属性值展示，表明就诊咨询内容的具体分类信息。实现就诊内容智能化特征分类，提高分类特征准确性和特征分类效率。
步骤S4：通过深度学习网络结构对所述就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；
步骤S5：设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑；
具体的，通过深度学习网络结构对所述就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型，所述就诊推荐网络模型为神经网络模型，用于依据资讯内容特征进行就诊推荐分析。为保证模型推荐准确性，设置多目标优化维度，所述多目标优化维度为用于对推荐模型进行验证优化的评估指标，包括推荐准确率和就诊推荐效率这两个维度。根据所述目标优化维度确定优化推荐沉降逻辑，所述优化推荐沉降逻辑为依据目标优化维度对推荐模型进行优化评价，进而实现优化更新的逻辑规则。
步骤S6：基于所述优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；
进一步而言，所述生成就诊优化推荐网络模型，本申请步骤还包括：
通过验证集对所述就诊推荐网络模型进行推荐效果测试验证，获取模型推荐准确度和模型推荐速度；
将所述模型推荐准确度和所述模型推荐速度的比值作为推荐沉降逻辑系数；
若所述推荐沉降逻辑系数未达到预设沉降逻辑系数，则基于所述推荐沉降逻辑系数和所述预设沉降逻辑系数的差值，确定模型推荐优化度；
基于所述模型推荐优化度对所述就诊推荐网络模型进行优化更新，得到所述就诊优化推荐网络模型。
进一步而言，所述基于所述模型推荐优化度对所述就诊推荐网络模型进行优化更新，本申请步骤还包括：
提取获得模型参数取值阈值信息，并基于所述模型参数取值阈值信息构建推荐模型参数记忆库；
根据所述优化推荐沉降逻辑，确定优化评估适应度函数；
将所述优化评估适应度函数内嵌至所述推荐模型参数记忆库，基于所述模型推荐优化度设置记忆库微调概率和微调搜索带宽；
激活所述优化评估适应度函数，利用所述记忆库微调概率和微调搜索带宽在所述推荐模型参数记忆库内进行全局寻优，输出模型优化参数信息，并基于所述模型优化参数信息对所述就诊推荐网络模型进行优化更新。
具体的，基于所述优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，首先通过就诊记录数据库中比例划分的验证集对所述就诊推荐网络模型进行推荐效果测试验证，测试获取模型推荐准确度和模型推荐速度。将所述模型推荐准确度和所述模型推荐速度的比值作为推荐沉降逻辑系数，用于衡量模型推荐输出效果。若所述推荐沉降逻辑系数未达到预设沉降逻辑系数，其中，所述预设沉降逻辑系数可通过推荐准确度和推荐速度的应用需求自行设置。当未满足设置要求时，则基于所述推荐沉降逻辑系数和所述预设沉降逻辑系数的差值，作为模型推荐优化度，即模型优化更新的需求程度。
基于所述模型推荐优化度对所述就诊推荐网络模型进行优化更新，首先提取获得模型参数取值阈值信息，所述模型参数取值阈值信息为就诊推荐网络模型的训练参数，例如模型权重、偏置以及样本特征等参数的可取值范围信息。基于所述模型参数取值阈值信息多次训练验证获得模型验证结果，并基于模型参数取值阈值和验证结果构建推荐模型参数记忆库。根据所述优化推荐沉降逻辑，设置所述预设沉降逻辑系数对应的模型推荐准确度和模型推荐速度的比重权值，以此确定优化评估适应度函数，所述优化评估适应度函数对模型参数的推荐效果进行评估。
将所述优化评估适应度函数内嵌至所述推荐模型参数记忆库，再基于所述模型推荐优化度的参数关联程度设置记忆库微调概率，即记忆库中各模型参数的调整概率；和微调搜索带宽，即记忆库中各模型参数的微调幅度区间。当模型参数开始寻优搜索时，激活所述优化评估适应度函数，同时利用所述记忆库微调概率和微调搜索带宽在所述推荐模型参数记忆库内进行全局寻优，并通过优化评估适应度函数对搜索得到的模型参数进行适应度评估，直至达到预设迭代次数。
通过参数适应度比对输出其中适应度最大的模型优化参数信息，表明该模型参数的推荐效果最优，其模型的模型推荐准确度和模型推荐速度可达到模型应用需求。基于所述模型优化参数信息对所述就诊推荐网络模型进行优化更新，生成推荐效果提高达标的就诊优化推荐网络模型。通过多目标优化生成就诊优化推荐网络模型实现智能化就诊推荐，提高就诊推荐结果精确性，保证就诊推荐效率。
步骤S7：采集获取目标用户就诊咨询信息，基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐。
进一步而言，所述基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐，本申请步骤还包括：
对所述目标用户就诊咨询信息进行文本转换预处理，获得目标就诊咨询文本信息；
基于自然语言处理算法对所述目标就诊咨询文本信息进行语义分析，获得就诊咨询语义分析信息；
对所述就诊咨询语义分析信息进行关键词提取，获得就诊咨询语义关键词；
通过所述就诊咨询知识图谱对所述就诊咨询语义关键词进行特征分类，获得目标就诊咨询特征；
基于所述就诊优化推荐网络模型对所述目标就诊咨询特征进行推荐分析，输出目标就诊推荐信息。
具体的，采集获取目标用户就诊咨询信息，所述目标用户就诊咨询信息为用户就诊提出的相关咨询问题。基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐，由于用户输入问题的方式可能包括文字、语音等方式，因此首先对所述目标用户就诊咨询信息进行文本转换预处理，将其输入方式转换为文本格式，示例性的，当患者咨询问题提出方式为语音时，通过语音识别算法实现语音文本转换，获得对应的目标就诊咨询文本信息。
基于自然语言处理算法对所述目标就诊咨询文本信息进行语义分析，常用包括马尔科夫链、维特比算法等处理算法对咨询文本信息实现词汇语序、语法、拼写等语义确定，获得处理后的就诊咨询语义分析信息。通过就诊咨询特征构建咨询关键词库，再依据关键词库对所述就诊咨询语义分析信息进行关键词提取，获得能准确表达就诊咨询问题的就诊咨询语义关键词，提高就诊咨询信息处理效率。
通过所述就诊咨询知识图谱对所述就诊咨询语义关键词进行特征分类，获得快速分类后对应的目标就诊咨询特征。基于所述就诊优化推荐网络模型对所述目标就诊咨询特征进行推荐分析，输出目标就诊推荐信息，即与患者咨询问题特征相匹配对应的就诊科室以及就诊流程等就诊推荐信息。通过就诊优化推荐网络模型实现智能化就诊推荐，提高就诊推荐结果精确性和推荐效率，进而保证患者就诊效果。
进一步而言，本申请步骤还包括：
向目标用户配置可穿戴监测设备，通过所述可穿戴监测设备采集获取所述目标用户的生理状态信息；
基于所述生理状态信息进行健康指数评估，得到目标健康指数评估信息；
通过用户终端采集目标姿态图像信息，对所述目标姿态图像信息进行特征提取，生成目标生理姿态特征信息；
基于所述目标健康指数评估信息和所述目标生理姿态特征信息对所述目标就诊推荐信息进行补充修正。
具体的，为增强就诊推荐信息准确性，可向目标用户配置可穿戴监测设备，所述可穿戴监测设备可为监测手环、头盔等。通过所述可穿戴监测设备采集获取所述目标用户的生理状态信息，所述生理状态信息包括患者体温、呼吸频次、心率等相关生理信息。基于所述生理状态信息进行健康指数评估，判断其是否在正常生理状态范围内，通过生理指标经验数据制定健康等级划分表，进而与等级划分表匹配评估得到的健康等级作为目标健康指数评估信息，所述目标健康指数评估信息用于表明患者当前生理健康情况。
此外通过用户终端，例如手机终端等采集患者的当前身体姿态信息即目标姿态图像信息。再对所述目标姿态图像信息进行特征提取，即可通过卷积网络结构对患者肢体形态进行匹配提取，生成目标生理姿态特征信息，所述目标生理姿态特征信息为患者的当前肢体形态状况，示例性的，可检测到患者的身体残缺状态，以便更好推荐与患者当前状态匹配的就诊信息，利于急诊、抢救等诊断。综合基于所述目标健康指数评估信息和所述目标生理姿态特征信息对所述目标就诊推荐信息进行补充修正，提高就诊推荐结果精确性和合理性，进而保证患者就诊效果。
综上所述，本申请所提供的基于多目标优化的智能就诊推荐方法及系统具有如下技术效果：
由于采用了从就诊档案信息中提取得到历史咨询问题和历史就诊推荐信息，再基于就诊咨询知识图谱对所述历史咨询问题进行特征分类，通过深度学习网络结构对所获取的就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑，进而基于优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；基于所述就诊优化推荐网络模型对目标用户就诊咨询信息进行就诊推荐的技术方案。进而达到通过多目标优化生成就诊优化推荐网络模型实现智能化就诊推荐，提高就诊推荐结果精确性，进而保证患者就诊效果的技术效果。
实施例二
基于与前述实施例中基于多目标优化的智能就诊推荐方法同样发明构思，本发明还提供了基于多目标优化的智能就诊推荐系统，如图3所示，所述系统包括：
就诊档案信息获取模块11，用于通过就诊记录数据库获取目标区域的就诊档案信息；
就诊咨询信息提取模块12，用于从所述就诊档案信息中提取得到就诊咨询信息，所述就诊咨询信息包括历史咨询问题和历史就诊推荐信息；
咨询知识图谱构建模块13，用于构建就诊咨询知识图谱，基于所述就诊咨询知识图谱对所述历史咨询问题进行特征分类，获取就诊咨询特征信息；
推荐网络模型生成模块14，用于通过深度学习网络结构对所述就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；
优化逻辑确定模块15，用于设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑；
模型优化更新模块16，用于基于所述优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；
就诊推荐模块17，用于采集获取目标用户就诊咨询信息，基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐。
进一步的，所述系统还包括：
就诊咨询属性获取单元，用于获取就诊咨询属性信息，所述就诊咨询属性信息包括用户个人情况、症状发病特点、诊疗情况以及既往病史状态；
知识属性实体获得单元，用于对所述就诊咨询属性信息进行知识提取，得到就诊咨询知识属性实体集合；
知识属性值获取单元，用于基于所述就诊咨询知识属性实体集合分别进行知识特征值赋予，获取就诊咨询知识属性值集合；
知识图谱构建单元，用于基于所述就诊咨询知识属性实体集合和所述就诊咨询知识属性值集合，构建所述就诊咨询知识图谱。
进一步的，所述系统还包括：
内容抽取单元，用于依次对所述就诊咨询知识属性实体集合进行内容抽取，获取就诊咨询知识属性内容集合；
知识节点确定单元，用于基于所述就诊咨询知识属性内容集合，确定就诊咨询知识节点信息集合；
节点编码生成单元，用于获取知识特征节点编码规则，基于所述知识特征节点编码规则对所述就诊咨询知识节点信息集合进行编码，生成知识特征节点编码信息集合；
特征值赋予单元，用于依据所述知识特征节点编码信息集合分别进行知识特征值赋予，得到所述就诊咨询知识属性值集合。
进一步的，所述系统还包括：
模型验证单元，用于通过验证集对所述就诊推荐网络模型进行推荐效果测试验证，获取模型推荐准确度和模型推荐速度；
逻辑系数获得单元，用于将所述模型推荐准确度和所述模型推荐速度的比值作为推荐沉降逻辑系数；
推荐优化度确定单元，用于若所述推荐沉降逻辑系数未达到预设沉降逻辑系数，则基于所述推荐沉降逻辑系数和所述预设沉降逻辑系数的差值，确定模型推荐优化度；
模型优化更新单元，用于基于所述模型推荐优化度对所述就诊推荐网络模型进行优化更新，得到所述就诊优化推荐网络模型。
进一步的，所述系统还包括：
参数记忆库构建单元，用于提取获得模型参数取值阈值信息，并基于所述模型参数取值阈值信息构建推荐模型参数记忆库；
适应度函数确定单元，用于根据所述优化推荐沉降逻辑，确定优化评估适应度函数；
微调参数设置单元，用于将所述优化评估适应度函数内嵌至所述推荐模型参数记忆库，基于所述模型推荐优化度设置记忆库微调概率和微调搜索带宽；
模型优化参数输出单元，用于激活所述优化评估适应度函数，利用所述记忆库微调概率和微调搜索带宽在所述推荐模型参数记忆库内进行全局寻优，输出模型优化参数信息，并基于所述模型优化参数信息对所述就诊推荐网络模型进行优化更新。
进一步的，所述系统还包括：
转换预处理单元，用于对所述目标用户就诊咨询信息进行文本转换预处理，获得目标就诊咨询文本信息；
语义分析单元，用于基于自然语言处理算法对所述目标就诊咨询文本信息进行语义分析，获得就诊咨询语义分析信息；
关键词提取单元，用于对所述就诊咨询语义分析信息进行关键词提取，获得就诊咨询语义关键词；
特征分类单元，用于通过所述就诊咨询知识图谱对所述就诊咨询语义关键词进行特征分类，获得目标就诊咨询特征；
就诊推荐分析单元，用于基于所述就诊优化推荐网络模型对所述目标就诊咨询特征进行推荐分析，输出目标就诊推荐信息。
进一步的，所述系统还包括：
生理状态信息获取单元，用于向目标用户配置可穿戴监测设备，通过所述可穿戴监测设备采集获取所述目标用户的生理状态信息；
健康指数评估单元，用于基于所述生理状态信息进行健康指数评估，得到目标健康指数评估信息；
特征提取单元，用于通过用户终端采集目标姿态图像信息，对所述目标姿态图像信息进行特征提取，生成目标生理姿态特征信息；
补充修正单元，用于基于所述目标健康指数评估信息和所述目标生理姿态特征信息对所述目标就诊推荐信息进行补充修正。
前述图1实施例一中的基于多目标优化的智能就诊推荐方法的各种变化方式和具体实例同样适用于本实施例的基于多目标优化的智能就诊推荐系统，通过前述对基于多目标优化的智能就诊推荐方法的详细描述，本领域技术人员可以清楚的知道本实施例中基于多目标优化的智能就诊推荐系统的实施方法，所以为了说明书的简洁，在此不再详述。
此外，本申请还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
示例性电子设备
具体的，参见图4所示，本申请还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130，用于在处理器1120的控制下接收和发送数据。
本申请中，总线架构（用总线1110来代表），总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本申请不再对其进行进一步描述。
收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解，在本申请中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解，本申请中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。
易失性存储器包括：随机存取存储器，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、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外，本申请还提供了一种计算机可读存储介质，其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上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请披露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.基于多目标优化的智能就诊推荐方法，其特征在于，所述方法包括：
通过就诊记录数据库获取目标区域的就诊档案信息；
从所述就诊档案信息中提取得到就诊咨询信息，所述就诊咨询信息包括历史咨询问题和历史就诊推荐信息；
构建就诊咨询知识图谱，基于所述就诊咨询知识图谱对所述历史咨询问题进行特征分类，获取就诊咨询特征信息；
通过深度学习网络结构对所述就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；
设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑；
基于所述优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；
采集获取目标用户就诊咨询信息，基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐。
2.如权利要求1所述的方法，其特征在于，所述构建就诊咨询知识图谱，包括：
获取就诊咨询属性信息，所述就诊咨询属性信息包括用户个人情况、症状发病特点、诊疗情况以及既往病史状态；
对所述就诊咨询属性信息进行知识提取，得到就诊咨询知识属性实体集合；
基于所述就诊咨询知识属性实体集合分别进行知识特征值赋予，获取就诊咨询知识属性值集合；
基于所述就诊咨询知识属性实体集合和所述就诊咨询知识属性值集合，构建所述就诊咨询知识图谱。
3.如权利要求2所述的方法，其特征在于，所述获取就诊咨询知识属性值集合，包括：
依次对所述就诊咨询知识属性实体集合进行内容抽取，获取就诊咨询知识属性内容集合；
基于所述就诊咨询知识属性内容集合，确定就诊咨询知识节点信息集合；
获取知识特征节点编码规则，基于所述知识特征节点编码规则对所述就诊咨询知识节点信息集合进行编码，生成知识特征节点编码信息集合；
依据所述知识特征节点编码信息集合分别进行知识特征值赋予，得到所述就诊咨询知识属性值集合。
4.如权利要求1所述的方法，其特征在于，所述生成就诊优化推荐网络模型，包括：
通过验证集对所述就诊推荐网络模型进行推荐效果测试验证，获取模型推荐准确度和模型推荐速度；
将所述模型推荐准确度和所述模型推荐速度的比值作为推荐沉降逻辑系数；
若所述推荐沉降逻辑系数未达到预设沉降逻辑系数，则基于所述推荐沉降逻辑系数和所述预设沉降逻辑系数的差值，确定模型推荐优化度；
基于所述模型推荐优化度对所述就诊推荐网络模型进行优化更新，得到所述就诊优化推荐网络模型。
5.如权利要求4所述的方法，其特征在于，所述基于所述模型推荐优化度对所述就诊推荐网络模型进行优化更新，包括：
提取获得模型参数取值阈值信息，并基于所述模型参数取值阈值信息构建推荐模型参数记忆库；
根据所述优化推荐沉降逻辑，确定优化评估适应度函数；
将所述优化评估适应度函数内嵌至所述推荐模型参数记忆库，基于所述模型推荐优化度设置记忆库微调概率和微调搜索带宽；
激活所述优化评估适应度函数，利用所述记忆库微调概率和微调搜索带宽在所述推荐模型参数记忆库内进行全局寻优，输出模型优化参数信息，并基于所述模型优化参数信息对所述就诊推荐网络模型进行优化更新。
6.如权利要求1所述的方法，其特征在于，所述基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐，包括：
对所述目标用户就诊咨询信息进行文本转换预处理，获得目标就诊咨询文本信息；
基于自然语言处理算法对所述目标就诊咨询文本信息进行语义分析，获得就诊咨询语义分析信息；
对所述就诊咨询语义分析信息进行关键词提取，获得就诊咨询语义关键词；
通过所述就诊咨询知识图谱对所述就诊咨询语义关键词进行特征分类，获得目标就诊咨询特征；
基于所述就诊优化推荐网络模型对所述目标就诊咨询特征进行推荐分析，输出目标就诊推荐信息。
7.如权利要求6所述的方法，其特征在于，所述方法包括：
向目标用户配置可穿戴监测设备，通过所述可穿戴监测设备采集获取所述目标用户的生理状态信息；
基于所述生理状态信息进行健康指数评估，得到目标健康指数评估信息；
通过用户终端采集目标姿态图像信息，对所述目标姿态图像信息进行特征提取，生成目标生理姿态特征信息；
基于所述目标健康指数评估信息和所述目标生理姿态特征信息对所述目标就诊推荐信息进行补充修正。
8.基于多目标优化的智能就诊推荐系统，其特征在于，所述系统包括：
就诊档案信息获取模块，用于通过就诊记录数据库获取目标区域的就诊档案信息；
就诊咨询信息提取模块，用于从所述就诊档案信息中提取得到就诊咨询信息，所述就诊咨询信息包括历史咨询问题和历史就诊推荐信息；
咨询知识图谱构建模块，用于构建就诊咨询知识图谱，基于所述就诊咨询知识图谱对所述历史咨询问题进行特征分类，获取就诊咨询特征信息；
推荐网络模型生成模块，用于通过深度学习网络结构对所述就诊咨询特征信息和所述历史就诊推荐信息进行训练，生成就诊推荐网络模型；
优化逻辑确定模块，用于设置多目标优化维度，所述多目标优化维度包括推荐准确率和就诊推荐效率，根据所述目标优化维度确定优化推荐沉降逻辑；
模型优化更新模块，用于基于所述优化推荐沉降逻辑对所述就诊推荐网络模型进行优化更新，生成就诊优化推荐网络模型；
就诊推荐模块，用于采集获取目标用户就诊咨询信息，基于所述就诊优化推荐网络模型对所述目标用户就诊咨询信息进行就诊推荐。
9.一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的基于多目标优化的智能就诊推荐方法中的步骤。
10.一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如权利要求1-7中任一项所述的基于多目标优化的智能就诊推荐方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412204.1A CN117149998B (zh) | 2023-10-30 | 2023-10-30 | 基于多目标优化的智能就诊推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311412204.1A CN117149998B (zh) | 2023-10-30 | 2023-10-30 | 基于多目标优化的智能就诊推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117149998A true CN117149998A (zh) | 2023-12-01 |
| CN117149998B CN117149998B (zh) | 2024-01-23 |
Family
ID=88908429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311412204.1A Active CN117149998B (zh) | 2023-10-30 | 2023-10-30 | 基于多目标优化的智能就诊推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117149998B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117497158A (zh) * | 2023-12-28 | 2024-02-02 | 智业软件股份有限公司 | 基于维度组合与权重计算推荐分诊等级的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111785368A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
| CN112329964A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
| WO2021189971A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
| CN115146179A (zh) * | 2022-07-29 | 2022-10-04 | 京东城市(北京)数字科技有限公司 | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 |
| CN116030944A (zh) * | 2022-12-26 | 2023-04-28 | 郑州中业科技股份有限公司 | 一种医疗咨询信息的推荐方法及系统 |
| CN116682553A (zh) * | 2023-08-02 | 2023-09-01 | 浙江大学 | 一种融合知识与患者表示的诊断推荐系统 |
-
2023
- 2023-10-30 CN CN202311412204.1A patent/CN117149998B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111785368A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
| WO2021189971A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
| CN112329964A (zh) * | 2020-11-24 | 2021-02-05 | 北京百度网讯科技有限公司 | 用于推送信息的方法、装置、设备以及存储介质 |
| CN115146179A (zh) * | 2022-07-29 | 2022-10-04 | 京东城市(北京)数字科技有限公司 | 基于跨域医疗数据的信息推荐方法、装置及计算机设备 |
| CN116030944A (zh) * | 2022-12-26 | 2023-04-28 | 郑州中业科技股份有限公司 | 一种医疗咨询信息的推荐方法及系统 |
| CN116682553A (zh) * | 2023-08-02 | 2023-09-01 | 浙江大学 | 一种融合知识与患者表示的诊断推荐系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117497158A (zh) * | 2023-12-28 | 2024-02-02 | 智业软件股份有限公司 | 基于维度组合与权重计算推荐分诊等级的方法 |
| CN117497158B (zh) * | 2023-12-28 | 2024-04-16 | 智业软件股份有限公司 | 基于维度组合与权重计算推荐分诊等级的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117149998B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022007823A1 (zh) | 一种文本数据处理方法及装置 | |
| CN111401066B (zh) | 基于人工智能的词分类模型训练方法、词处理方法及装置 | |
| WO2021139232A1 (zh) | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 | |
| CN111708873A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
| CN112100406B (zh) | 数据处理方法、装置、设备以及介质 | |
| CN117149998B (zh) | 基于多目标优化的智能就诊推荐方法及系统 | |
| WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
| WO2023165012A1 (zh) | 问诊方法和装置、电子设备及存储介质 | |
| CN113051905A (zh) | 训练医疗命名实体识别模型及医疗命名实体识别的方法 | |
| CN111666477A (zh) | 一种数据处理方法、装置、智能设备及介质 | |
| CN113593709B (zh) | 一种疾病编码方法、系统、可读存储介质及装置 | |
| CN113707299A (zh) | 基于问诊会话的辅助诊断方法、装置及计算机设备 | |
| CN113571184A (zh) | 一种用于精神健康测评的对话交互设计方法及系统 | |
| CN116010586A (zh) | 一种健康建议的生成方法、装置、设备及存储介质 | |
| CN114708976A (zh) | 辅助诊断技术的方法、装置、设备及存储介质 | |
| CN113096756A (zh) | 病情演变分类方法、装置、电子设备和存储介质 | |
| CN113220895A (zh) | 基于强化学习的信息处理方法、装置、终端设备 | |
| CN116894498A (zh) | 网络模型的训练方法、策略识别方法、装置以及设备 | |
| CN114490965A (zh) | 问题处理方法、装置、电子设备和存储介质 | |
| CN116029294B (zh) | 词项配对方法、装置及设备 | |
| CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
| CN116453702B (zh) | 孤独症行为特征集的数据处理方法、设备、系统及介质 | |
| US20230401391A1 (en) | Machine translation method, devices, and storage media | |
| WO2022227164A1 (zh) | 基于人工智能的数据处理方法、装置、设备和介质 | |
| CN117558442A (zh) | 医疗分析模型的训练方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |