CN111914174B - 一种医学信息推荐方法及*** - Google Patents
一种医学信息推荐方法及*** Download PDFInfo
- Publication number
- CN111914174B CN111914174B CN202010787111.7A CN202010787111A CN111914174B CN 111914174 B CN111914174 B CN 111914174B CN 202010787111 A CN202010787111 A CN 202010787111A CN 111914174 B CN111914174 B CN 111914174B
- Authority
- CN
- China
- Prior art keywords
- medical
- user
- data
- grade
- category
- 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.)
- Active
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种医学信息推荐方法及***,其中,推荐方法包括:获取待推荐的医学信息数据;确定所述医学信息数据的医学类别及等级;根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;将所述医学信息数据推荐给匹配的目标用户。通过本申请,可根据用户在各医学类别的认知等级水平,推荐相应等级的医学类别的数据信息,从而实现高精准、高贴合度的医学信息推荐。
Description
技术领域
本申请涉及信息推荐领域,尤其涉及一种医学信息推荐方法及***。
背景技术
在医学专业网站中,我们可以浏览到大量的各种类别的医学信息。医学信息数据由于是专业类别的数据信息,因此,其与平常的娱乐新闻并不一样,医学信息往往涉及到医学专业术语,或者对某个医学领域的研发试验等,所以其并不一定是通俗易懂的,而且医学领域里包含的专业类别也很多,即使同一个专业领域,不同的医学信息数据,其难易程度也不一样,而同样,医学网站的受众的认知水平也是参差不齐,那么如果仅根据用户的兴趣爱好来进行推荐的话,有可能出现推荐给用户的医学信息该用户看不懂、看不明白的情况,从而大大影响用户体验,也无益于用户在该方面的学习进步。
发明内容
为解决上述技术问题,本申请提供一种医学信息推荐方法及***,可以根据用户的认知等级水平进行精准推荐。具体的,本申请的技术方案如下:
一方面,本申请公开了一种医学信息推荐方法,包括:获取待推荐的医学信息数据;确定所述医学信息数据的医学类别及等级;根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;将所述医学信息数据推荐给匹配的目标用户。
优选地,所述医学信息推荐方法还包括:获取用户感兴趣的医学类别及对应的等级;具体包括:定义用户的认知等级类型;获取用户的基本信息、历史行为数据、调研数据;建立等级分析模型;所述等级分析模型用于分析所述用户在医学领域的具体类别中的认知等级;根据所述用户的基本信息、历史行为数据及调研数据,通过所述等级分析模型获取所述用户感兴趣的医学类别及对应的认知等级。
优选地,步骤根据所述用户的基本信息、历史行为数据及调研数据,通过所述等级分析模型获取所述用户感兴趣的医学类别及对应的认知等级;具体包括:根据用户的历史行为数据和/或用户基本信息,确定所述用户感兴趣的医学类别,并将其作为目标医学类别;调取所述目标医学类别的医学调研考核数据,发送给所述用户;接收所述用户反馈的所述医学调研考核数据,并根据所述用户反馈的医学调研考核数据确定所述用户的考核分数;获取所述用户阅读的与所述目标医学类别有关的医学数据信息;确定获取的所述医学数据的难易度;统计所述医学数据分别为难、中、易所对应的数量;将所述用户的基本信息、考核分数、所述医学数据分别为难、中、易所对应的数量,输入所述等级分析模型,获得所述用户在所述目标医学类别的的认知等级。
优选地,所述等级分析模型包含一有序回归模型;所述医学信息推荐方法还包括:通过有序回归模型分析所述用户的认知等级与各输入因子的拟合关系;具体包括:获取分析样本;所述分析样本包含样本用户的基本信息、考核分数、目标医学类别的医学数据信息的难易度分布量;及所述样本用户在所述目标医学类别的认知等级;将所述样本用户的认知等级作为所述有序回归模型中的因变量;将所述样本用户的基本信息中的性别、专业作为所述有序回归模型中的第一类自变量;将所述样本用户的基本信息中的年龄、考核分数、及所述目标医学类别的医学数据的难易度分布量作为所述有序回归模型中的第二类自变量;将所述第一类自变量处理为虚拟变量;所述虚拟变量为定量数据;对所述有序回归模型进行平行性检验、及似然比检测;在通过所述平行性检验、及似然比检测后,通过所述有序回归模型进行分析,获取样本用户在目标医学类别的认知等级与所述用户的基本信息、考核分数、及医学数据信息的难易度分布量之间的拟合关系。
优选地,步骤所述根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;具体包括:根据所述医学信息数据的医学类别,结合用户的历史行为标签和/或用户基本信息;确定对所述医学信息数据感兴趣的用户;根据所述医学信息数据的等级,从确定的用户中查找用户等级与所述医学信息数据的等级匹配的目标用户。
优选地,所述医学信息推荐方法还包括:定期或实时通过所述等级分析模型更新用户在各医学类别的等级。
另一方面,本申请还公开了一种医学信息推荐***,包括:数据获取模块,用于获取待推荐的医学信息数据;数据等级确定模块,用于确定所述医学信息数据的医学类别及等级;查找匹配模块,用于根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;信息推荐模块,用于将所述医学信息数据推荐给匹配的目标用户。
优选地,所述医学信息推荐***还包括:用户等级确定模块,用于获取所述用户感兴趣的医学类别及对应的认知等级;所述用户等级确定模块具体包括:定义子模块,用于定义用户的认知等级类型;信息采集子模块,用于获取用户的基本信息、历史行为数据、调研数据;***建立子模块,用于建立等级分析模型;所述等级分析模型用于分析所述用户在医学领域的具体类别中的认知等级;分析处理子模块,用于根据所述用户的基本信息、历史行为数据及调研数据,通过所述等级分析模型获取所述用户感兴趣的医学类别及对应的认知等级。
优选地,所述分析处理子模块具体包括:目标医学类别确定单元,用于根据用户的历史行为数据和/或用户基本信息,确定所述用户感兴趣的医学类别,并将其作为目标医学类别;调取单元,用于调取所述目标医学类别的医学调研考核数据,发送给所述用户;考核单元,用于接收所述用户反馈的所述医学调研考核数据,并根据所述用户反馈的医学调研考核数据确定所述用户的考核分数;所述信息采集子模块,还用于获取所述用户阅读的与所述目标医学类别有关的医学数据信息;难易度确定单元,用于确定获取的所述医学数据的难易度;统计单元,用于统计所述医学数据分别为难、中、易所对应的数量;模型处理单元,用于将所述用户的基本信息、考核分数、所述医学数据分别为难、中、易所对应的数量,输入所述等级分析模型,获得所述用户在所述目标医学类别的的认知等级。
优选地,所述医学信息推荐***还包括:回归分析模块,用于通过有序回归模型分析所述用户的认知等级与各输入因子的拟合关系;所述回归分析模块具体包括:样本获取子模块,用于获取分析样本;所述分析样本包含样本用户的基本信息、考核分数、目标医学类别的医学数据信息的难易度分布量;及所述样本用户在所述目标医学类别的认知等级;变量设定子模块,用于将所述样本用户的认知等级作为所述有序回归模型中的因变量;将所述样本用户的基本信息中的性别、专业作为所述有序回归模型中的第一类自变量;将所述样本用户的基本信息中的年龄、考核分数、及所述目标医学类别的医学数据的难易度分布量作为所述有序回归模型中的第二类自变量;变量转换子模块,用于将所述第一类自变量处理为虚拟变量;所述虚拟变量为定量数据;检测子模块,用于对所述有序回归模型进行平行性检验、及似然比检测;回归分析子模块,用于在通过所述平行性检验、及似然比检测后,通过所述有序回归模型进行分析,获取样本用户在目标医学类别的认知等级与所述用户的基本信息、考核分数、及医学数据信息的难易度分布量之间的拟合关系。
优选地,所述查找匹配模块具体包括:用户锁定子模块,用于根据所述医学信息数据的医学类别,结合用户的历史行为标签和/或用户基本信息;确定对所述医学信息数据感兴趣的用户;用户查找子模块,用于根据所述医学信息数据的等级,从确定的用户中查找用户等级与所述医学信息数据的等级匹配的目标用户。
优选地,所述分析处理子模块还包括:标签获取单元,用于分析所述用户的历史行为数据,获得所述用户的标签;所述标签用于指示所述用户感兴趣的医学类别。
本申请至少包括以下一项技术效果:
(1)本申请在推荐医学信息数据时,根据医学信息数据的医学类别和对应等级,再结合用户实际在这个医学类别的认知等级进行推荐,从而使得推荐的数据信息才会更贴合该用户的需求,且对该用户在该专业类别的精进更有帮助。
(2)本申请采用了有序回归模型分析影响用户认知等级的主要因素有哪些,以及与各影响因子的拟合关系;通过全方面的分析,使得最终预测的用户的认知等级更为准确。
(3)由于用户是不断学习和进步的,因此,用户在各医学类别的认知等级也并不是一层不变的,本实施例中可定期或实时对用户在各医学类别的认知等级进行更新,从而使得随着用户认知等级的提升,同步推荐符合当前认知等级的医学信息数据,更有利于用户的学习和进步。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请医学信息推荐方法的一个实施例的流程图;
图2为本申请中用户等级确定的一种实现方式流程图;
图3为本申请中用户等级确定的另一实现方式流程图;
图4为本申请医学信息推荐***的一个实施例的结构框图;
图5为本申请医学信息推荐***的另一实施例的结构框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本申请相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘出了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和 /或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对照附图说明本申请的具体实施方式。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
本申请的一个实施例,如图1所示,本实施例的医学信息推荐方法,包括:
S100,获取待推荐的医学信息数据;
S200,确定所述医学信息数据的医学类别及等级;
具体的,医学信息数据由于是专业类别的数据信息,因此,其与平常的娱乐新闻并不一样,其受众往往是从事医学行业或者对医学行业感兴趣的人,因为其可能涉及到医学专业术语,或者对某个医学领域的研发试验等,所以其并不一定是通俗易懂的,而且医学领域里包含的专业类别也很多,即使同一个专业领域,不同的医学信息数据,其难易程度也不一样,对这方面认知度较为薄弱的用户可能比较喜欢看该领域较为简单的医学信息数据,而随着用户的认知水平的增强,那么其感兴趣的医学信息的难度也会同步增强,更喜欢看更深入,在这方面钻研更深的医学信息。因此,本申请中,在获取到待推荐的医学信息数据后,会根据医学信息数据本身内容来确定其所属的类别和等级 (理解或认知的难易度)。
S300,根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;
具体的,在确定好待推荐的医学信息数据的医学类别及等级后,便根据其类别和等级来匹配对应的用户----目标用户。这个目标用户不仅需要对这个类别的医学信息感兴趣,而且该用户的认知等级(认知等级/水平)也需要达到该医学信息数据的等级水准,这样才会使得推荐的数据信息更加有针对性和区分度,实现根据用户认知水平(等级)的精准推荐。
S400,将所述医学信息数据推荐给匹配的目标用户。
最后,查找到与该医学信息数据的等级和类别匹配的目标用户后,再将该医学信息数据推荐给用户。
本申请实施例中,由于用户对医学信息的认知水准各有不同,而如果采用现有的热点推荐或者仅根据用户感兴趣的类别进行推荐的话,则可能造成用户的认知水准达不到推荐的医学信息数据的等级,从而让用户出现看不懂,不知所云,看完后一头雾水的情况。而只有根据用户实际在这个类别的认知水准进行推荐,才会更贴合该用户的需求,且对该用户在该专业类别的精进更有帮助。
本申请的另一实施例,在上述实施例的基础上,增加了用户等级确定的步骤;具体的,所述医学信息推荐方法还包括:
S000,获取用户感兴趣的医学类别及对应的等级;
具体的,由于需要按照医学信息数据的医学类别和等级来匹配用户进行推荐,因此,在推荐之前还需要确定用户对哪类医学信息数据感兴趣,且该用户在该类别的认知等级。这样才方便后续的类别及等级匹配。
进一步的,上述步骤S000具体包括:
S010,定义用户的认知等级类型;
具体的,比如根据用户的认知度来定义用户的认知等级类型,包含:低、中、高三个等级。
S020,获取用户的基本信息、历史行为数据、调研数据;
具体的,用户的认知度到底怎么样呢,则需要通过用户的一些行为数据、基本信息情况、及调用数据来综合进行判断。此外,对于用户的认知度等级并不一定是综合等级,而是可以根据医学类别来分别进行等级评定。术业有专攻,有的用户在这个领域(医学类别)A是专家,但对于领域(医学类别)B则不一定专业,那么其在领域A的认知等级会比较高,而在领域B的认知等级则为低等级。
S030,建立等级分析模型;所述等级分析模型用于分析所述用户在医学领域的具体类别中的认知等级;
具体的,建立等级分析模型,该模型用于分析用户在各类别对应的认知水平等级。
S040,根据所述用户的基本信息、历史行为数据及调研数据,通过所述等级分析模型获取所述用户感兴趣的医学类别及对应的认知等级。
较佳的,上述步骤S040根据所述用户的基本信息、历史行为数据及调研数据,通过所述等级分析模型获取所述用户感兴趣的医学类别及对应的认知等级;具体包括:
S041,根据用户的历史行为数据和/或用户基本信息,确定所述用户感兴趣的医学类别,并将其作为目标医学类别;
具体的,历史行为数据包含历史浏览数据和历史查询数据,根据这些数据我们可以大致分析出用户对哪些类别的医学数据信息感兴趣,另外,用户基本信息包含用户名、年龄、专业类别等信息,比如该用户所学的专业类别,或者其所工作的科室等。因为本申请是医学信息推荐,所以面向的用户大部分是从事或者将要从事医学行业的人员,比如医学院学生、医护人员、医疗研发人员等等。当然,也可以是不从事这方面工作,而对这方面有兴趣,有了解的人员。我们从历史行为数据、或者用户基本信息中的专业信息便可获取到该用户感兴趣的目标医学类别。当然,也可以结合这两个方面来获取目标医学类别,且目标医学类别可以为一个或多个,本实施例并不限定每个用户的目标医学类别个数。
S042,调取所述目标医学类别的医学调研考核数据,发送给所述用户;
具体的,确定好目标医学类别后,便可调取出对应的调研考核数据发给用户进行调研考核。该调研考核数据用来考核用户在该目标医学类别的初步水准。考核分数将作为后续确定该用户认知等级的一个参考因子。
S043,接收所述用户反馈的所述医学调研考核数据,并根据所述用户反馈的医学调研考核数据确定所述用户的考核分数;
具体的,本实施例中,用户可根据自己的需求选择是否更新或确定用户认知等级,若是,则会根据自身实际情况填写相应的调研考核问卷,然后再反馈回来。获取到用户反馈的医学调研考核数据后,便可基于内置的评判标准对其进行打分评判。
S044,获取所述用户阅读的与所述目标医学类别有关的医学数据信息;
具体的,比如确定的目标医学类别为心脑血管类,那么便会从该用户历史浏览的医学数据信息中提取出所有与心脑血管相关的数据信息。
S045,确定获取的所述医学数据的难易度;
获取到该用户历史浏览的所有与心脑血管相关的数据信息后,再获取这些医学数据信息的难易度。难度越高的医学数据信息则对用户的认知度要求也就更高,等级匹配的用户也才能更加理解该医学数据信息的内容。具体的,该医学网站内的每一篇医学数据信息在发布的时候,均会通过后台的难易度评测***对其进行难易度评测,因而后续在获取到用户的历史阅读数据信息后,便可快速获取到各历史阅读数据信息对应的难易度。当然,难易度评测***内包含有难易度测评标准;医学类别不同,也可对应有不同的难易度测评标准。
S046,统计所述医学数据分别为难、中、易所对应的数量;
具体的,比如获取到该用户历史阅读的所有与心脑血管相关的医学数据信息的难易度后,再对其进行统计分析,看各个难易等级有多少篇心脑血管的医学数据信息。
S047,将所述用户的基本信息、考核分数、所述医学数据分别为难、中、易所对应的数量,输入所述等级分析模型,获得所述用户在所述目标医学类别的的认知等级。
最后,将用户的基本信息、调研考核的考核分数及各个难易等级的心脑血管的医学数据信息作为参考因子,输入等级分析模型,通过等级分析模型分析这些数据来获取该用户在心脑血管方面的认知等级。比如,若该用户是心脑血管方面的医生、且根据其历史阅读数据来看,其阅读的心脑血管数据信息大部分属于难度大的医学信息,关于心脑血管方面的调研考核分数也比较高,那么基本就可以确定该用户在心脑血管方面的认知等级为高等级。当然,各个参考因子都是考虑的一个方面,各个参考因子的权重也不同。综合这些参考因子进行多个维度的考量,从而使得确定的用户认知等级更为准确。
本申请的另外一个方法实施例,在上述实施例的基础上,所述等级分析模型包括一有序回归模型,所述医学信息推荐方法还包括步骤:
S015,通过有序回归模型分析所述用户的认知等级与各输入因子的拟合关系;所述步骤S015具体包括:
S015-1,获取分析样本;所述分析样本包含样本用户的基本信息、考核分数、目标医学类别的医学数据信息的难易度分布量;及所述样本用户在所述目标医学类别的认知等级;
具体的,为了确定各因素对
S015-2,将所述样本用户的认知等级作为所述有序回归模型中的因变量;
S015-3,将所述样本用户的基本信息中的性别、专业作为所述有序回归模型中的第一类自变量;
S015-4,将所述样本用户的基本信息中的年龄、考核分数、及所述目标医学类别的医学数据的难易度分布量作为所述有序回归模型中的第二类自变量;
S015-5,将所述第一类自变量处理为虚拟变量;所述虚拟变量为定量数据;
S015-6,对所述有序回归模型进行平行性检验、及似然比检测;
S015-7,在通过所述平行性检验、及似然比检测后,通过所述有序回归模型进行分析,获取样本用户在目标医学类别的认知等级与所述用户的基本信息、考核分数、及医学数据信息的难易度分布量之间的拟合关系。
具体的,有序回归(OrdinalRegression)主要是用来进行回归预测分析,回归预测是指因变量与多个自变量之间存在着某种关系,用函数表示为,利用有序回归来拟合这种关系,用来作为用户的认知等级的预测模型。
有序logistics回归中,自变量X可以为定量数据(值为具体数字,比如年龄、分数、处于难、中、易各级别的医学数据信息的分布数量等),也可以是定类数据(值不是数字,比如性别、专业等)。但如果定类数据纳入模型,需要先将其设为哑变量,即虚拟变量。平行性检验,即检验自变量各取值水平对因变量的影响在各个回归方程中是否相同。平行性检验的原假设为模型满足平行性,因而如果P值大于0.05则说明模型接受原假设,即符合平行性检验。反之如果P值小于0.05则说明模型拒绝原假设,模型不满足平行性检验。平行性是有序Logit回归的前提条件。似然比检验,用于分析模型整体有效性。其原假设是模型的回归系数全部均为0,因此如果P值小于0.05,则说明拒绝原假设,即说明模型有效;反之如果P值大于0.05则说明接受原假设,即说明模型回归系数全部均应该为0,模型无意义。最后在通过平行性检验和似然比检验后,再根据有序回归模型进行分析,可获得影响用户的认知等级的主要因素(自变量),并可拟合出用户的认知等级与各主要因素的拟合关系(方程)。后续便可通过该有序分析模型分析用户的认知等级,也就是说确定好因变量与自变量的拟合函数(关系)后,在对用户在医学类别A的认知等级进行预测的时候,则只需输入主要的影响因子参数,比如输入用户的基本信息、用户在医学类别A的调研考核分数、该用户在医学类别A阅读的历史医学信息数据的难易度分布情况,则可通过该有序回归分析模型输出该用户在医学类别A的认知等级。
本发明方法的另一实施例,如图所示,包括:
S100,获取待推荐的医学信息数据;
S200,确定所述医学信息数据的医学类别及等级;
S310,根据所述医学信息数据的医学类别,结合用户的历史行为标签和/ 或用户基本信息;确定对所述医学信息数据感兴趣的用户;
S320,根据所述医学信息数据的等级,从确定的用户中查找用户等级与所述医学信息数据的等级匹配的目标用户;
S400,将所述医学信息数据推荐给匹配的目标用户。
S500,定期或实时通过所述等级分析模型更新用户在各医学类别的等级。
具体的,本实施例中,首先需要获取到医学网站上各待推荐的医学信息数据的医学类别及等级;然后再根据待推荐的医学信息数据的医学类别找到对该医学类别感兴趣的用户,具体的,可以根据用户的历史浏览情况或者用户注册的基本信息中的专业类别中进行参考挑选,初步锁定了用户群后,再根据待推荐的医学信息数据的等级,从锁定的用户群中查找到与之匹配的目标用户。最后将该医学信息数据推荐给匹配上的目标用户,从而实现了医学信息的高贴合度推荐。
此外,由于用户是不断学习和进步的,因此,用户在各医学类别的认知等级也并不是一层不变的,本实施例中可定期或实时对用户在各医学类别的认知等级进行更新,从而使得随着用户认知等级的提升,同步推荐符合当前认知等级的医学信息数据,更有利于用户的学习和进步。
基于相同的技术构思,本申请还公开了一种医学信息推荐***,该医学信息推荐***可采用上述任一实施例的推荐方法将待推荐的医学信息推荐给匹配的用户。具体的,本申请的医学信息推荐***的一个实施例,如图4所示,包括:
数据获取模块100,用于获取待推荐的医学信息数据;
数据等级确定模块200,用于确定所述医学信息数据的医学类别及等级;
查找匹配模块300,用于根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;
信息推荐模块400,用于将所述医学信息数据推荐给匹配的目标用户。
本申请***实施例中,由于用户对医学信息的认知水准各有不同,而如果采用现有的热点推荐或者仅根据用户感兴趣的类别进行推荐的话,则可能造成用户的认知水准达不到推荐的医学信息数据的等级,从而让用户出现出现看不懂的情况。而只有根据用户实际在这个类别的认知水准进行推荐,才会更贴合该用户的需求,且对该用户在该专业类别的精进更有帮助。
本申请的医学信息推荐***的另一个实施例,如图5所示,在上一医学信息推荐***的基础上,所述医学信息推荐***还包括:
用户等级确定模块500,用于获取所述用户感兴趣的医学类别及对应的认知等级;
所述用户等级确定模块500具体包括:
定义子模块510,用于定义用户的认知等级类型;
信息采集子模块520,用于获取用户的基本信息、历史行为数据、调研数据;
***建立子模块530,用于建立等级分析模型;所述等级分析模型用于分析所述用户在医学领域的具体类别中的认知等级;
分析处理子模块540,用于根据所述用户的基本信息、历史行为数据及调研数据,通过所述等级分析模型获取所述用户感兴趣的医学类别及对应的认知等级。
本申请实施例在上述***实施例的基础上,增加了用户等级确定模块,用于对广大用户进行等级判定。具体的,本实施例中,用户在各医学类别的认知等级的判定是综合考虑了用户的基本信息、历史行为数据和调研数据的结果,由于考量的比较全面,因此最终分析的结果也更准确。
本申请***的另一实施例,在上述实施例的基础上,所述分析处理子模块 540具体包括:
目标医学类别确定单元,用于根据用户的历史行为数据和/或用户基本信息,确定所述用户感兴趣的医学类别,并将其作为目标医学类别;
调取单元,用于调取所述目标医学类别的医学调研考核数据,发送给所述用户;
考核单元,用于接收所述用户反馈的所述医学调研考核数据,并根据所述用户反馈的医学调研考核数据确定所述用户的考核分数;
所述信息采集子模块,还用于获取所述用户阅读的与所述目标医学类别有关的医学数据信息;
难易度确定单元,用于确定获取的所述医学数据的难易度;
统计单元,用于统计所述医学数据分别为难、中、易所对应的数量;
模型处理单元,用于将所述用户的基本信息、考核分数、所述医学数据分别为难、中、易所对应的数量,输入所述等级分析模型,获得所述用户在所述目标医学类别的的认知等级。
较佳的,所述医学信息推荐***还包括:回归分析模块,用于通过有序回归模型分析所述用户的认知等级与各输入因子的拟合关系;具体的,所述回归分析模块包括:
样本获取子模块,用于获取分析样本;所述分析样本包含样本用户的基本信息、考核分数、目标医学类别的医学数据信息的难易度分布量;及所述样本用户在所述目标医学类别的认知等级;
变量设定子模块,用于将所述样本用户的认知等级作为所述有序回归模型中的因变量;将所述样本用户的基本信息中的性别、专业作为所述有序回归模型中的第一类自变量;将所述样本用户的基本信息中的年龄、考核分数、及所述目标医学类别的医学数据的难易度分布量作为所述有序回归模型中的第二类自变量;
变量转换子模块,用于将所述第一类自变量处理为虚拟变量;所述虚拟变量为定量数据;
检测子模块,用于对所述有序回归模型进行平行性检验、及似然比检测;
回归分析子模块,用于在通过所述平行性检验、及似然比检测后,通过所述有序回归模型进行分析,获取样本用户在目标医学类别的认知等级与所述用户的基本信息、考核分数、及医学数据信息的难易度分布量之间的拟合关系。
在上述任一实施例的基础上,所述查找匹配模块具体包括:
用户锁定子模块,用于根据所述医学信息数据的医学类别,结合用户的历史行为标签和/或用户基本信息;确定对所述医学信息数据感兴趣的用户;
用户查找子模块,用于根据所述医学信息数据的等级,从确定的用户中查找用户等级与所述医学信息数据的等级匹配的目标用户。
进一步地,所述分析处理子模块还包括:标签获取单元,用于分析所述用户的历史行为数据,获得所述用户的标签;所述标签用于指示所述用户感兴趣的医学类别。
具体的,本实施例中,首先需要获取到医学网站上各待推荐的医学信息数据的医学类别及等级;然后再根据待推荐的医学信息数据的医学类别找到对该医学类别感兴趣的用户,具体的,可以根据用户的历史浏览情况或者用户注册的基本信息中的专业类别中进行参考挑选,初步锁定了用户群后,再根据待推荐的医学信息数据的等级,从锁定的用户群中查找到与之匹配的目标用户。最后将该医学信息数据推荐给匹配上的目标用户,从而实现了医学信息的高贴合度推荐。
此外,由于用户是不断学习和进步的,因此,用户在各医学类别的认知等级也并不是一层不变的,本实施例中可定期或实时对用户在各医学类别的认知等级进行更新,从而使得随着用户认知等级的提升,同步推荐符合当前认知等级的医学信息数据,更有利于用户的学习和进步。
本申请的***实施例与方法实施例对应,本申请中的方法实施例的技术细节同样适用于本申请的***实施例,为减少重复,不再赘述。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种医学信息推荐方法,其特征在于,包括:
获取用户感兴趣的医学类别及对应的等级;
获取待推荐的医学信息数据;
确定所述医学信息数据的医学类别及等级;
根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;
将所述医学信息数据推荐给匹配的目标用户;
其中,获取用户感兴趣的医学类别及对应的等级具体包括:
定义用户的认知等级类型;
获取用户的基本信息、历史行为数据、调研数据;
建立等级分析模型;所述等级分析模型用于分析所述用户在医学领域的具体类别中的认知等级;
根据用户的历史行为数据和/或用户基本信息,确定所述用户感兴趣的医学类别,并将其作为目标医学类别;
调取所述目标医学类别的医学调研考核数据,发送给所述用户;
接收所述用户反馈的所述医学调研考核数据,并根据所述用户反馈的医学调研考核数据确定所述用户的考核分数;
获取所述用户阅读的与所述目标医学类别有关的医学数据信息;
确定获取的所述医学数据的难易度;
统计所述医学数据分别为难、中、易所对应的数量;
将所述用户的基本信息、考核分数、所述医学数据分别为难、中、易所对应的数量,输入所述等级分析模型,获得所述用户在所述目标医学类别的的认知等级;
所述等级分析模型包含一有序回归模型,所述医学信息推荐方法还包括:
通过有序回归模型分析所述用户的认知等级与各输入因子的拟合关系;具体包括:
获取分析样本;所述分析样本包含样本用户的基本信息、考核分数、目标医学类别的医学数据信息的难易度分布量;及所述样本用户在所述目标医学类别的认知等级;
将所述样本用户的认知等级作为所述有序回归模型中的因变量;
将所述样本用户的基本信息中的性别、专业作为所述有序回归模型中的第一类自变量;
将所述样本用户的基本信息中的年龄、考核分数、及所述目标医学类别的医学数据的难易度分布量作为所述有序回归模型中的第二类自变量;
将所述第一类自变量处理为虚拟变量;所述虚拟变量为定量数据;
对所述有序回归模型进行平行性检验、及似然比检测;
在通过所述平行性检验、及似然比检测后,通过所述有序回归模型进行分析,获取样本用户在目标医学类别的认知等级与所述用户的基本信息、考核分数、及医学数据信息的难易度分布量之间的拟合关系。
2.根据权利要求1所述的一种医学信息推荐方法,其特征在于,所述根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;具体包括:
根据所述医学信息数据的医学类别,结合用户的历史行为标签和/或用户基本信息;确定对所述医学信息数据感兴趣的用户;
根据所述医学信息数据的等级,从确定的用户中查找用户等级与所述医学信息数据的等级匹配的目标用户。
3.根据权利要求1-2任一项所述的一种医学信息推荐方法,其特征在于,包括:
定期或实时通过所述等级分析模型更新用户在各医学类别的等级。
4.一种医学信息推荐***,其特征在于,包括:
用户等级确定模块,用于获取所述用户感兴趣的医学类别及对应的认知等级;
数据获取模块,用于获取待推荐的医学信息数据;
数据等级确定模块,用于确定所述医学信息数据的医学类别及等级;
查找匹配模块,用于根据所述医学信息数据的医学类别及等级,查找匹配的目标用户;
信息推荐模块,用于将所述医学信息数据推荐给匹配的目标用户;
其中:所述用户等级确定模块具体包括:
定义子模块,用于定义用户的认知等级类型;
信息采集子模块,用于获取用户的基本信息、历史行为数据、调研数据;
***建立子模块,用于建立等级分析模型;所述等级分析模型用于分析所述用户在医学领域的具体类别中的认知等级;
分析处理子模块,用于根据所述用户的基本信息、历史行为数据及调研数据,通过所述等级分析模型获取所述用户感兴趣的医学类别及对应的认知等级;
所述分析处理子模块具体包括:
目标医学类别确定单元,用于根据用户的历史行为数据和/或用户基本信息,确定所述用户感兴趣的医学类别,并将其作为目标医学类别;
调取单元,用于调取所述目标医学类别的医学调研考核数据,发送给所述用户;
考核单元,用于接收所述用户反馈的所述医学调研考核数据,并根据所述用户反馈的医学调研考核数据确定所述用户的考核分数;
所述信息采集子模块,还用于获取所述用户阅读的与所述目标医学类别有关的医学数据信息;
难易度确定单元,用于确定获取的所述医学数据的难易度;
统计单元,用于统计所述医学数据分别为难、中、易所对应的数量;
模型处理单元,用于将所述用户的基本信息、考核分数、所述医学数据分别为难、中、易所对应的数量,输入所述等级分析模型,获得所述用户在所述目标医学类别的的认知等级;
所述医学信息推荐***还包括:回归分析模块,用于通过有序回归模型分析所述用户的认知等级与各输入因子的拟合关系;所述回归分析模块包括:
样本获取子模块,用于获取分析样本;所述分析样本包含样本用户的基本信息、考核分数、目标医学类别的医学数据信息的难易度分布量;及所述样本用户在所述目标医学类别的认知等级;
变量设定子模块,用于将所述样本用户的认知等级作为所述有序回归模型中的因变量;将所述样本用户的基本信息中的性别、专业作为所述有序回归模型中的第一类自变量;将所述样本用户的基本信息中的年龄、考核分数、及所述目标医学类别的医学数据的难易度分布量作为所述有序回归模型中的第二类自变量;
变量转换子模块,用于将所述第一类自变量处理为虚拟变量;所述虚拟变量为定量数据;
检测子模块,用于对所述有序回归模型进行平行性检验、及似然比检测;
回归分析子模块,用于在通过所述平行性检验、及似然比检测后,通过所述有序回归模型进行分析,获取样本用户在目标医学类别的认知等级与所述用户的基本信息、考核分数、及医学数据信息的难易度分布量之间的拟合关系。
5.根据权利要求4任一项所述的一种医学信息推荐***,其特征在于,所述查找匹配模块具体包括:
用户锁定子模块,用于根据所述医学信息数据的医学类别,结合用户的历史行为标签和/或用户基本信息;确定对所述医学信息数据感兴趣的用户;
用户查找子模块,用于根据所述医学信息数据的等级,从确定的用户中查找用户等级与所述医学信息数据的等级匹配的目标用户。
6.根据权利要求4所述的一种医学信息推荐***,其特征在于,所述分析处理子模块还包括:
标签获取单元,用于分析所述用户的历史行为数据,获得所述用户的标签;所述标签用于指示所述用户感兴趣的医学类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010787111.7A CN111914174B (zh) | 2020-08-07 | 2020-08-07 | 一种医学信息推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010787111.7A CN111914174B (zh) | 2020-08-07 | 2020-08-07 | 一种医学信息推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914174A CN111914174A (zh) | 2020-11-10 |
CN111914174B true CN111914174B (zh) | 2021-07-02 |
Family
ID=73287352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010787111.7A Active CN111914174B (zh) | 2020-08-07 | 2020-08-07 | 一种医学信息推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914174B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408985A (zh) * | 2014-12-17 | 2015-03-11 | 李莎 | 基于云网络的答题学习方法及*** |
WO2016114790A1 (en) * | 2015-01-16 | 2016-07-21 | Hewlett-Packard Development Company, L. P. | Reading difficulty level based resource recommendation |
CN106097200A (zh) * | 2016-06-12 | 2016-11-09 | 深圳市悦好教育科技有限公司 | 一种基于词汇占比进行小学低年级阅读图书分级的方法 |
CN109977408A (zh) * | 2019-03-27 | 2019-07-05 | 西安电子科技大学 | 基于深度学习的英语阅读分级和读物推荐***的实现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063596A1 (en) * | 2014-08-27 | 2016-03-03 | Kobo Incorporated | Automatically generating reading recommendations based on linguistic difficulty |
-
2020
- 2020-08-07 CN CN202010787111.7A patent/CN111914174B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408985A (zh) * | 2014-12-17 | 2015-03-11 | 李莎 | 基于云网络的答题学习方法及*** |
WO2016114790A1 (en) * | 2015-01-16 | 2016-07-21 | Hewlett-Packard Development Company, L. P. | Reading difficulty level based resource recommendation |
CN106097200A (zh) * | 2016-06-12 | 2016-11-09 | 深圳市悦好教育科技有限公司 | 一种基于词汇占比进行小学低年级阅读图书分级的方法 |
CN109977408A (zh) * | 2019-03-27 | 2019-07-05 | 西安电子科技大学 | 基于深度学习的英语阅读分级和读物推荐***的实现方法 |
Non-Patent Citations (1)
Title |
---|
Personalized e-learning system using Item Response Theory;Chih-Ming Chen等;《Computers & Education》;20050430;第44卷;237-255页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914174A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920129B (zh) | 一种基于眼动追踪的网络广告效果测评***及其方法 | |
CN108550068B (zh) | 一种基于用户行为分析的个性化商品推荐方法及*** | |
Bittermann et al. | How to identify hot topics in psychology using topic modeling | |
US20190050731A1 (en) | Automated commentary for online content | |
EP3189449A2 (en) | Sentiment rating system and method | |
CN103455522A (zh) | 应用程序扩展工具推荐方法及*** | |
CN108959329B (zh) | 一种文本分类方法、装置、介质及设备 | |
US8838435B2 (en) | Communication processing | |
CN115577185B (zh) | 基于混合推理和中智群决策的慕课推荐方法及装置 | |
Ng et al. | CrsRecs: A personalized course recommendation system for college students | |
CN116109373A (zh) | 金融产品的推荐方法、装置、电子设备和介质 | |
CN108280081B (zh) | 生成网页的方法和装置 | |
Guan et al. | When images backfire: The effect of customer-generated images on product rating dynamics | |
Lin et al. | A novel recommendation system via L0-regularized convex optimization | |
Lubis et al. | Topic discovery of online course reviews using LDA with leveraging reviews helpfulness | |
CN112052297A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN115098777A (zh) | 一种基于数据分析的用户个性化推荐方法和*** | |
KR20110052114A (ko) | 인터넷을 활용한 추천 검색 시스템 및 그 방법 | |
CN111914174B (zh) | 一种医学信息推荐方法及*** | |
CN116153496A (zh) | 神经网络模型训练方法和抑郁情绪检测方法 | |
CN115827990A (zh) | 搜索方法及装置 | |
Delmastro et al. | Social monitoring for food policy and research: Directions and implications | |
KR20130021945A (ko) | 상품 정보 자동 추출 방법 및 장치 | |
Rodzi et al. | The DEMATEL Approach to Analyzing the Factors Influencing University Students' Purchase of Smartphones | |
CN114707068A (zh) | 一种智库知识推荐的方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |