CN114582515A - 基于医疗大数据和深度学习的信息推送方法及医疗ai*** - Google Patents

Abstract

本公开实施例提供一种基于医疗大数据和深度学习的信息推送方法及医疗AI***，根据医疗行为画像分析模型对基于医疗词条兴趣点追踪获得的目标信息追踪轨迹数据进行医疗行为画像分析，获得所述互联网医疗终端的当前医疗行为画像，进而基于所述互联网医疗终端的当前医疗行为画像和对应的投放医疗行为画像，对所述互联网医疗终端的信息推送策略进行规则更新后，基于规则更新后的信息推送策略对所述互联网医疗终端进行互联网医疗信息推送，进而在考虑到相关用户的医疗词条兴趣点对应的医疗行为画像的基础上，结合当前信息投放过程中的医疗行为画像之间的比较情况进行规则更新，提高互联网医疗信息推送的有效性。

Description

基于医疗大数据和深度学习的信息推送方法及医疗AI***

技术领域

本公开涉及互联网医疗信息技术领域，示例性地，涉及一种基于医疗大数据和深度学习的信息推送方法及医疗AI***。

背景技术

随着5G正式商用的到来以及与大数据、互联网+、人工智能、区块链等前沿技术的充分整合和运用，5G医疗健康越来越呈现出强大的影响力和生命力，对推进深化医药卫生体制改革、加快数字经济建设和推动医疗健康产业发展，起到重要的支撑作用。

如今是一个大数据的时代，将大数据运用到互联网医疗领域已成为技术研究的热点；医疗操作数据具有极大的价值，挖掘医疗操作数据中的兴趣信息对于用户在互联网医疗领域的兴趣分析，进而进行信息追踪具有重要的意义，如何在进行信息追踪获得信息追踪轨迹数据后针对性地进行数据挖掘以优化信息推送规则，以提高互联网医疗信息推送的有效性，是当前亟待研究的互联网医疗技术方向。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于医疗大数据和深度学习的信息推送方法及医疗AI***。

第一方面，本公开提供一种基于医疗大数据和深度学习的信息推送方法，应用于医疗AI***，所述医疗AI***与多个互联网医疗终端通信连接，所述方法包括：

获取针对所述互联网医疗终端的目标信息追踪轨迹数据，其中，所述目标信息追踪轨迹数据基于目标医疗操作数据在不同的第一医疗词条兴趣点中对应的第一医疗词条兴趣点对所述目标医疗操作数据进行对应的信息追踪获得；

根据基于深度学习的医疗行为画像分析模型对所述目标信息追踪轨迹数据进行医疗行为画像分析，获得所述互联网医疗终端的当前医疗行为画像；

基于所述互联网医疗终端的当前医疗行为画像和对应的投放医疗行为画像，对所述互联网医疗终端的信息推送策略进行规则更新，并基于规则更新后的信息推送策略对所述互联网医疗终端进行互联网医疗信息推送。

第二方面，本公开实施例还提供一种基于医疗大数据和深度学习的信息推送***，所述基于医疗大数据和深度学习的信息推送***包括医疗AI***以及与所述医疗AI***通信连接的多个互联网医疗终端；

所述医疗AI***，用于：

获取针对所述互联网医疗终端的目标信息追踪轨迹数据，其中，所述目标信息追踪轨迹数据基于目标医疗操作数据在不同的第一医疗词条兴趣点中对应的第一医疗词条兴趣点对所述目标医疗操作数据进行对应的信息追踪获得；

根据基于深度学习的医疗行为画像分析模型对所述目标信息追踪轨迹数据进行医疗行为画像分析，获得所述互联网医疗终端的当前医疗行为画像；

基于所述互联网医疗终端的当前医疗行为画像和对应的投放医疗行为画像，对所述互联网医疗终端的信息推送策略进行规则更新，并基于规则更新后的信息推送策略对所述互联网医疗终端进行互联网医疗信息推送。

根据上述任意一个方面，本公开提供的实施方式中，根据医疗行为画像分析模型对基于医疗词条兴趣点追踪获得的目标信息追踪轨迹数据进行医疗行为画像分析，获得所述互联网医疗终端的当前医疗行为画像，进而基于所述互联网医疗终端的当前医疗行为画像和对应的投放医疗行为画像，对所述互联网医疗终端的信息推送策略进行规则更新后，基于规则更新后的信息推送策略对所述互联网医疗终端进行互联网医疗信息推送，进而在考虑到相关用户的医疗词条兴趣点对应的医疗行为画像的基础上，结合当前信息投放过程中的医疗行为画像之间的比较情况进行规则更新，提高互联网医疗信息推送的有效性。

附图说明

图1为本公开实施例提供的基于医疗大数据和深度学习的信息推送***的应用环境示意图；

图2为本公开实施例提供的基于医疗大数据和深度学习的信息推送方法的流程示意图；

图3为本公开实施例提供的用于实现上述的基于医疗大数据和深度学习的信息推送方法的医疗AI***的结构示意框图。

具体实施方式

下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。

图1是本公开一种实施例提供的基于医疗大数据和深度学习的信息推送***10的应用环境示意图。基于医疗大数据和深度学习的信息推送***10可以包括医疗AI***100以及与医疗AI***100通信连接的互联网医疗终端200。图1所示的基于医疗大数据和深度学习的信息推送***10仅为一种可行的示例，在其它可行的实施例中，该基于医疗大数据和深度学习的信息推送***10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。

一种可独立实施的实施例中，基于医疗大数据和深度学习的信息推送***10中的医疗AI***100和互联网医疗终端200可以通过配合执行以下方法实施例所描述的基于医疗大数据和深度学习的信息推送方法，具体医疗AI***100和互联网医疗终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，本实施例提供的基于医疗大数据和深度学习的信息推送方法可以由图1中所示的医疗AI***100执行，下面对该基于医疗大数据和深度学习的信息推送方法进行详细介绍。

步骤S101，获取针对所述互联网医疗终端的目标信息追踪轨迹数据。

本实施例中，所述目标信息追踪轨迹数据基于目标医疗操作数据在不同的第一医疗词条兴趣点中对应的第一医疗词条兴趣点对所述目标医疗操作数据进行对应的信息追踪获得。具体的实现方式可以具体参照后续的描述即可，在此暂时不做阐述。

步骤S102，根据基于深度学习的医疗行为画像分析模型对所述目标信息追踪轨迹数据进行医疗行为画像分析，获得所述互联网医疗终端的当前医疗行为画像。

本实施例中，医疗行为画像分析模型可以基于预先收集的训练样本集进行深度学习神经网络训练获得，该预先收集的训练样本集可以包括多个信息追踪轨迹数据样本以及对应的医疗行为画像标签的标注信息。由此，训练获得的医疗行为画像分析模型可以具有对信息追踪轨迹数据进行医疗行为画像预测的能力，例如可以预测所述目标信息追踪轨迹数据对应于不同参考医疗行为画像的概率值，进而进行筛选获得所述互联网医疗终端的当前医疗行为画像。

步骤S103，基于所述互联网医疗终端的当前医疗行为画像和对应的投放医疗行为画像，对所述互联网医疗终端的信息推送策略进行规则更新，并基于规则更新后的信息推送策略对所述互联网医疗终端进行互联网医疗信息推送。

例如，在一种可能的设计思路中，通常在对互联网医疗终端进行信息推送过程中，可以确定当前医疗行为画像和对应的投放医疗行为画像之间的差异画像标签，然后获取所述互联网医疗终端的信息推送策略中与差异画像标签所对应的目标信息推送标签，由此对所述目标信息推送标签进行推送权重的调整，例如如果所述目标信息推送标签是新增的信息推送标签，则按照预设规则提高所述目标信息推送标签的推送权重，如果所述目标信息推送标签是剔除的信息推送标签，则按照预设规则降低所述目标信息推送标签的推送权重，进而完成所述互联网医疗终端的信息推送策略的规则更。

基于以上步骤，本实施例可以根据医疗行为画像分析模型对基于医疗词条兴趣点追踪获得的目标信息追踪轨迹数据进行医疗行为画像分析，获得所述互联网医疗终端的当前医疗行为画像，进而基于所述互联网医疗终端的当前医疗行为画像和对应的投放医疗行为画像，对所述互联网医疗终端的信息推送策略进行规则更新后，基于规则更新后的信息推送策略对所述互联网医疗终端进行互联网医疗信息推送，进而在考虑到相关用户的医疗词条兴趣点对应的医疗行为画像的基础上，结合当前信息投放过程中的医疗行为画像之间的比较情况进行规则更新，提高互联网医疗信息推送的有效性。

一种可独立实施的实施例中，针对步骤S101，可以通过以下示例性的步骤实现。

在步骤A101中，针对第一医疗词条兴趣点的多个参考医疗操作数据，获取每个参考医疗操作数据的多个第二医疗词条兴趣点。

一种可独立实施的实施例中，每个参考医疗操作数据的多个第二医疗词条兴趣点是参考医疗操作数据的第一医疗词条兴趣点的子医疗词条兴趣点，即第二医疗词条兴趣点是第一医疗词条兴趣点的子兴趣点，例如，第一医疗词条兴趣点是疾病咨询兴趣点，第二医疗词条兴趣点是疾病咨询兴趣点内的服药咨询兴趣点、术后咨询兴趣点、费用咨询兴趣点等等，第一医疗词条兴趣点是医疗科普兴趣点，第二医疗词条兴趣点是医疗科普兴趣点内的研究进展兴趣点、研究机构兴趣点、研究方向兴趣点等等。步骤A101是基于预先标注有第一医疗词条兴趣点的多个参考医疗操作数据，挖掘出这些参考医疗操作数据的第二医疗词条兴趣点，例如，存在100个参考医疗操作数据，其中有30个参考医疗操作数据被预先标注为疾病咨询兴趣点的第一医疗词条兴趣点，有70个参考医疗操作数据被预先标注为医疗科普兴趣点的第一医疗词条兴趣点，通过步骤A101可以获取这100个参考医疗操作数据中每个参考医疗操作数据的第二医疗词条兴趣点，例如，每个参考医疗操作数据是否可以被标注为服药咨询兴趣点、术后咨询兴趣点等等，并且每个参考医疗操作数据可以挖掘出一个第二医疗词条兴趣点或者挖掘出多个（至少两个）第二医疗词条兴趣点。

一种可独立实施的实施例中，在本公开实施例提供的基于医疗大数据和深度学习的信息推送方法中，由于是通过无监督的分簇方式挖掘出每个参考医疗操作数据的第二医疗词条兴趣点，因此，第二医疗词条兴趣点不会存在具体的兴趣点ID，即并不关注参考医疗操作数据的第二医疗词条兴趣点是服药咨询兴趣点还是术后咨询兴趣点，可以一些标签ID代替，只要在训练阶段进行第二医疗词条兴趣点识别时，将对应的参考医疗操作数据映射到对应的标签ID以获取对应的模型评估指标，即可以保证训练阶段，第二兴趣点预测网络以及第三兴趣点预测网络学习到了某个第二医疗词条兴趣点的实际兴趣向量，例如，针对第一医疗词条兴趣点A的30个目标参考医疗操作数据进行分簇，得到两个分簇，分别为对应第二医疗词条兴趣点C的分簇c以及对应第二医疗词条兴趣点D的分簇d，虽然对于用户而言，并不明确第二医疗词条兴趣点C和D是否为服药咨询兴趣点或者术后咨询兴趣点，但是可以确定第二医疗词条兴趣点C的分簇c对应的序列中的目标参考医疗操作数据均是具有第二医疗词条兴趣点C的对象，因此在训练时以将这些目标参考医疗操作数据识别为第二医疗词条兴趣点C为目标进行网络收敛配置，可以充分学习到第二医疗词条兴趣点a的兴趣向量，从而实现无监督的第二医疗词条兴趣点挖掘。

一种可独立实施的实施例中，步骤A101中针对第一医疗词条兴趣点的多个参考医疗操作数据，获取每个参考医疗操作数据的多个第二医疗词条兴趣点，可以通过下述步骤A1011-1013实现。

在步骤A1011中，通过第一兴趣点预测网络，获取多个参考医疗操作数据中每个参考医疗操作数据的第一兴趣点预测向量。

一种可独立实施的实施例中，步骤A1011中获取多个参考医疗操作数据中每个参考医疗操作数据的第一兴趣点预测向量，可以基于以下示例性的设计思路实施：针对每个参考医疗操作数据执行以下处理：提取参考医疗操作数据的第一医疗操作频繁向量，并对参考医疗操作数据的第一医疗操作频繁向量进行向量降维处理，得到参考医疗操作数据的第一降维医疗操作频繁向量；对第一降维医疗操作频繁向量进行多次误差观测游走处理，得到参考医疗操作数据的误差观测游走处理向量；对参考医疗操作数据的误差观测游走处理向量进行最大向量降维处理，得到参考医疗操作数据的最大降维处理向量；对参考医疗操作数据的最大降维处理向量进行第一向量选择，得到参考医疗操作数据的第一兴趣点预测向量。

一种可独立实施的实施例中，参考医疗操作数据输入向量提取单元后进行向量提取，例如，首先通过向量提取单元Conv1提取参考医疗操作数据的第一医疗操作频繁向量，并通过向量提取单元Conv2对参考医疗操作数据的第一医疗操作频繁向量进行向量降维处理，得到参考医疗操作数据的第一降维医疗操作频繁向量，向量降维处理可以为最大向量降维处理，再通过向量提取单元Conv2-Conv5对第一降维医疗操作频繁向量进行多次误差观测游走处理（残差处理），得到参考医疗操作数据的误差观测游走处理向量，通过向量降维单元（池化）对误差观测游走处理向量进行最大向量降维处理，得到参考医疗操作数据最大降维向量，通过第一向量整理单元对最大降维向量进行全连接处理，得到第一兴趣点预测向量。

一种可独立实施的实施例中，第一兴趣点预测网络包括向量单元、第一向量提取单元、以及对应第一医疗词条兴趣点的第一兴趣预测单元；通过第一兴趣点预测网络，获取多个参考医疗操作数据中每个参考医疗操作数据的第一兴趣点预测向量之前，通过向量单元对参考医疗操作数据进行向量提取，得到参考医疗操作数据的最大降维处理向量；通过第一向量提取单元对参考医疗操作数据的最大降维处理向量进行第一向量选择，得到参考医疗操作数据的第一兴趣点预测向量；通过第一兴趣预测单元将第一兴趣点预测向量映射为参考医疗操作数据的候选第一医疗词条兴趣点的第一可能性程度；基于第一可能性程度、以及参考医疗操作数据的候选第一医疗词条兴趣点，确定参考医疗操作数据的第一决策收敛评估指标；根据参考医疗操作数据的第一决策收敛评估指标，更新第一兴趣点预测网络的网络权重信息。

一种可独立实施的实施例中，向量单元可以实际为多层网络结构以及向量降维单元Pool，第一向量提取单元可以实际为第一向量整理单元Embedding1，第一兴趣预测单元可以实际为第一决策分类单元DL1，通过向量单元对参考医疗操作数据进行向量提取，得到参考医疗操作数据的最大降维处理向量的过程，以及通过第一向量提取单元对参考医疗操作数据的最大降维处理向量进行第一向量选择，得到参考医疗操作数据的第一兴趣点预测向量的过程，可以参考步骤A1011，通过第一决策分类单元（DL1）对第一兴趣点预测向量进行全连接处理得到参考医疗操作数据属于每个第一医疗词条兴趣点的第一可能性程度，第一医疗词条兴趣点的数量为P，P为正整数，将参考医疗操作数据的候选第一医疗词条兴趣点的第一可能性程度代入交叉熵损失函数，得到第一决策收敛评估指标，以逆向传递更新第一兴趣点预测网络的网络权重信息，逆向传递更新时可以仅更新第一决策分类单元以及第一向量整理单元的网络权重信息，通过前向传播以及基于梯度下降法的逆向传递更新，完成第一兴趣点预测网络的训练，其中，第一向量整理单元是全连层，输出1024维的第一兴趣点预测向量，向量提取单元Conv1-Conv5可以采用在预设数据集上预训练的参考基础数据101的网络权重信息，对新添加的层（例如，Embedding1以及DL1）采用方差为0.01，均值为0的高斯分布进行初始化。可以使用不同的网络结构、不同的预训练模型权重作为第一兴趣点预测网络。经过上述训练过程得到的第一兴趣点预测网络具备识别P个第一医疗词条兴趣点的兴趣点识别能力。

在步骤A1012中，针对每个第一医疗词条兴趣点执行以下处理：从多个参考医疗操作数据中获取具有第一医疗词条兴趣点的参考医疗操作数据，作为目标参考医疗操作数据，并基于多个目标参考医疗操作数据的第一兴趣点预测向量，对多个目标参考医疗操作数据进行分簇，得到与多个第二医疗词条兴趣点一一对应的多个分簇。

承接上述示例，存在100个参考医疗操作数据，其中有30个参考医疗操作数据被预先标注为疾病咨询兴趣点的第一医疗词条兴趣点（下文简称为第一医疗词条兴趣点A），有70个参考医疗操作数据被预先标注为医疗科普兴趣点的第一医疗词条兴趣点（下文简称为第一医疗词条兴趣点B），针对第一医疗词条兴趣点A，获取100个参考医疗操作数据中被预先标注为第一医疗词条兴趣点A的参考医疗操作数据，作为步骤A1012实施过程中的目标参考医疗操作数据，接着基于30个被预先标注为第一医疗词条兴趣点A的目标参考医疗操作数据的第一兴趣点预测向量，对30个目标参考医疗操作数据进行分簇，得到与多个第二医疗词条兴趣点一一对应的多个分簇，基于上述过程，完成了针对第一医疗词条兴趣点A的分簇，从而得到第一医疗词条兴趣点A下的多个第二医疗词条兴趣点。

一种可独立实施的实施例中，步骤A1012中基于多个目标参考医疗操作数据的第一兴趣点预测向量，对多个目标参考医疗操作数据进行分簇，得到与多个第二医疗词条兴趣点一一对应的多个分簇，可以基于以下示例性的设计思路实施：将多个目标参考医疗操作数据汇总形成目标参考医疗操作数据序列；从目标参考医疗操作数据序列中随机选择第一数量个目标参考医疗操作数据，将对应第一数量个目标参考医疗操作数据的第一兴趣点预测向量作为多个分簇的第一分簇基准节点，并将第一数量个目标参考医疗操作数据从目标参考医疗操作数据序列移除，其中，第一数量为对应第一医疗词条兴趣点的第二医疗词条兴趣点的数量，第一数量为大于或者等于2的整数；运行配置分簇的游走循环轮次为第二数量，并创建对应每个分簇的空的序列，其中，第二数量为大于或者等于2的整数；在分簇的每一轮游走循环中执行以下处理：对每个分簇的序列进行更新，并基于更新内容执行分簇基准节点生成处理，得到每个分簇的第二分簇基准节点，当第二分簇基准节点不同于第一分簇基准节点时，将第一分簇基准节点对应的目标参考医疗操作数据再次添加至目标参考医疗操作数据序列，并基于第二分簇基准节点更新第一分簇基准节点；将游走循环第二数量轮后得到的每个分簇的序列确定为分簇信息，或者，将游走循环第二数量轮后得到的每个分簇的序列确定为分簇信息；其中，游走循环第二数量轮后得到的多个分簇与游走循环第二数量-1次后得到的多个分簇的分簇基准节点相同，第二数量小于第二数量，第二数量为整数变量且取值满足2≤第二数量≤第二数量。

一种可独立实施的实施例中，上述对每个分簇的序列进行更新，并基于更新内容执行分簇基准节点生成处理，得到每个分簇的第二分簇基准节点，可以基于以下示例性的设计思路实施：针对目标参考医疗操作数据序列中每个目标参考医疗操作数据执行以下处理：确定目标参考医疗操作数据的第一兴趣点预测向量与每个分簇的第一分簇基准节点之间的关联程度；将最大关联程度对应的第一分簇基准节点确定为与目标参考医疗操作数据属于相同分簇，并将目标参考医疗操作数据转移至最大关联程度第一分簇基准节点对应的分簇的序列，最大关联程度第一分簇基准节点为最大的关联程度对应的第一分簇基准节点；将每个分簇的序列中每个目标参考医疗操作数据的第一兴趣点预测向量进行向量集中，得到每个分簇的第二分簇基准节点。

承接上述示例，针对第一医疗词条兴趣点A，存在30个目标参考医疗操作数据，第二医疗词条兴趣点的预设数目为2，则分簇的目标是将30个目标参考医疗操作数据分为两个分簇，每个分簇存在对应的序列，每个序列中包括对应分簇的目标参考医疗操作数据，首先随机选择2个目标参考医疗操作数据的第一兴趣点预测向量分别作为两个分簇的第一分簇基准节点，针对剩余的28个目标参考医疗操作数据，计算每个目标参考医疗操作数据与2个第一分簇基准节点的关联程度，例如采取L2间隔特征值来评估关联程度，例如，对于目标参考医疗操作数据E，它的第一兴趣点预测向量与第一分簇基准节点a的间隔特征值较近，则将目标参考医疗操作数据E分配到第一分簇基准节点a所对应的分簇的序列中，针对28个目标参考医疗操作数据均执行分配操作后，针对每个分簇重新计算对应的第二分簇基准节点，若两个分簇的第二分簇基准节点相同或者第二分簇基准节点与第一分簇基准节点的关联程度大于关联程度阈值，则可以直接将每个序列确定为分簇信息，若两个分簇的第二分簇基准节点不相同，且第二分簇基准节点与第一分簇基准节点的关联程度不大于关联程度阈值，则继续利用第二分簇基准节点更新第一分簇基准节点，并再次针对分簇基准节点对应的目标参考医疗操作数据之外的目标参考医疗操作数据进行分配操作，例如，原来的第一分簇基准节点a被第二分簇基准节点代替后，原来的第一分簇基准节点a对应的目标参考医疗操作数据属于分簇基准节点对应的目标参考医疗操作数据之外的目标参考医疗操作数据，需要再次参与到分配过程中，直到满足两个分簇的第二分簇基准节点相同，或者第二分簇基准节点与第一分簇基准节点的关联程度大于关联程度阈值，或者游走循环了指定次数。

在步骤A1013中，基于多个分簇，确定每个参考医疗操作数据的第二医疗词条兴趣点。

一种可独立实施的实施例中，上述基于多个分簇，确定每个参考医疗操作数据的第二医疗词条兴趣点，可以基于以下示例性的设计思路实施：针对每个分簇执行以下处理：将每个分簇中的每个目标参考医疗操作数据的第一兴趣点预测向量进行向量集中，得到每个分簇的分簇基准节点；针对多个参考医疗操作数据中的每个参考医疗操作数据执行以下处理：确定参考医疗操作数据的第一兴趣点预测向量与每个分簇的分簇基准节点之间的间隔特征值，将小于目标间隔特征值的间隔特征值对应的分簇基准节点的分簇，确定为与参考医疗操作数据关联的分簇，并将分簇对应的第二医疗词条兴趣点确定为参考医疗操作数据的第二医疗词条兴趣点。

承接上述示例，通过步骤A1012可以得到第一医疗词条兴趣点A的多个与第二医疗词条兴趣点一一对应的分簇、以及第一医疗词条兴趣点B的多个与第二医疗词条兴趣点一一对应的分簇，若每个第一医疗词条兴趣点下的第二医疗词条兴趣点的数量均为2，则通过步骤A1012共得到4个分簇，分别对应4个第二医疗词条兴趣点。步骤A1013中多个分簇指的是针对所有第一医疗词条兴趣点获得的分簇，针对100个参考医疗操作数据，需要确定每个参考医疗操作数据所对应的第二医疗词条兴趣点，因此首先确定每个第二医疗词条兴趣点对应的分簇的分簇基准节点，例如，针对第二医疗词条兴趣点C，存在有对应的分簇的序列c，序列c中包括10个目标参考医疗操作数据，由于已经预先获得了100个参考医疗操作数据的第一兴趣点预测向量，并且目标参考医疗操作数据是来自于参考医疗操作数据，因此直接对10个目标参考医疗操作数据的第一兴趣点预测向量进行向量集中，得到第二医疗词条兴趣点C对应的分簇的分簇基准节点，该分簇基准节点能够表征第二医疗词条兴趣点C的兴趣向量，对某个参考医疗操作数据F，确定该参考医疗操作数据F与4个第二医疗词条兴趣点的4个分簇基准节点之间的间隔特征值，将间隔特征值小于目标间隔特征值的分簇基准节点对应的第二医疗词条兴趣点确定为参考医疗操作数据F的第二医疗词条兴趣点。

一种可独立实施的实施例中，在将小于目标间隔特征值的间隔特征值对应的分簇基准节点的分簇，确定为与参考医疗操作数据关联的分簇之前，针对每个第一医疗词条兴趣点执行以下处理：从预设数据存储区中获得第一医疗词条兴趣点的兴趣点精度；获取与兴趣点精度正相关的第一医疗词条兴趣点阈值；确定属于第一医疗词条兴趣点的目标参考医疗操作数据在多个参考医疗操作数据中的权重，并将权重作为第一医疗词条兴趣点阈值的影响参数；基于每个第一医疗词条兴趣点阈值的影响参数，对多个第一医疗词条兴趣点阈值进行权重融合计算，得到目标间隔特征值。

承接上述示例，通过目标间隔特征值来对间隔特征值进行评估，小于目标间隔特征值，则认为间隔特征值对应的分簇基准节点对应的第二医疗词条兴趣点是该参考医疗操作数据的第二医疗词条兴趣点，因此目标间隔特征值对于第二医疗词条兴趣点挖掘的准确度非常重要，由于目标间隔特征值是适用于全部参考医疗操作数据以及全部第二医疗词条兴趣点的阈值数据，因此需要综合考虑所有的第一医疗词条兴趣点的标签准确度，来确定目标间隔特征值，由于兴趣点精度越高则表征对应第一医疗词条兴趣点下进行分簇得到的第二医疗词条兴趣点的分簇的序列越准确，由此看出，若兴趣点精度高的第一医疗词条兴趣点的参考医疗操作数据的数量越多，则目标间隔特征值可以越高，若兴趣点精度低的第一医疗词条兴趣点的参考医疗操作数据的数量越多，则目标间隔特征值需要适当降低，以防止将第二医疗词条兴趣点关联到参考医疗操作数据时出错。

承接上述示例，针对每个第一医疗词条兴趣点执行以下处理，例如，针对第一医疗词条兴趣点A执行以下处理：从预设数据存储区中获得第一医疗词条兴趣点A的兴趣点精度，例如，30个标记为第一医疗词条兴趣点A的参考医疗操作数据中存在3个参考医疗操作数据实际上不属于第一医疗词条兴趣点A，获取与兴趣点精度90%正相关的第一医疗词条兴趣点阈值90%，确定属于第一医疗词条兴趣点的目标参考医疗操作数据在多个参考医疗操作数据中的权重，标记为第一医疗词条兴趣点A的参考医疗操作数据的权重为30%，并将权重作为第一医疗词条兴趣点阈值的影响参数，即将0.3作为兴趣点精度90%的权重，通过上述过程还得到了第一医疗词条兴趣点B的兴趣点精度80%、与兴趣点精度80%正相关的第一医疗词条兴趣点阈值80%，标记为第一医疗词条兴趣点B的参考医疗操作数据的权重为70%，基于每个第一医疗词条兴趣点阈值的影响参数，对多个第一医疗词条兴趣点阈值进行权重融合计算，得到目标间隔特征值，因此对兴趣点精度80%以及兴趣点精度90%进行加权计算，得到目标间隔特征值0.83。

一种可独立实施的实施例中，上述获取与兴趣点精度正相关的第一医疗词条兴趣点阈值，可以基于以下示例性的设计思路实施：针对每个目标参考医疗操作数据，确定目标参考医疗操作数据的第一兴趣点预测向量与每个分簇的分簇基准节点的参考间隔特征值，并将最小的参考间隔特征值确定为目标参考医疗操作数据的间隔特征值；获取与兴趣点精度正相关的排序节点，并对多个目标参考医疗操作数据的间隔特征值进行排序；获取排序结果中对应排序节点的间隔特征值，并将间隔特征值确定为第一医疗词条兴趣点阈值。

基于以上实施例，继续针对第一医疗词条兴趣点A，通过具体步骤确定第一医疗词条兴趣点阈值，所确定的第一医疗词条兴趣点阈值与兴趣点精度正相关，存在标记为第一医疗词条兴趣点A的30个目标参考医疗操作数据，经过步骤A1012的分簇后得到第一医疗词条兴趣点A下的两个第二医疗词条兴趣点的分簇，针对目标参考医疗操作数据E，确定目标参考医疗操作数据的第一兴趣点预测向量与两个第二医疗词条兴趣点的分簇中每个分簇的分簇基准节点的参考间隔特征值，例如，确定出目标参考医疗操作数据E与某个第二医疗词条兴趣点的分簇基准节点的参考间隔特征值为0.7，确定出目标参考医疗操作数据E与另一个第二医疗词条兴趣点的分簇基准节点的参考间隔特征值为0.8，并将最小的参考间隔特征值0.7确定为目标参考医疗操作数据E的间隔特征值，对30个目标参考医疗操作数据执行上述处理，从而获取了30个目标参考医疗操作数据的间隔特征值，获取与兴趣点精度正相关的排序节点，例如，兴趣点精度是80%，与兴趣点精度正相关的排序节点是30个目标参考医疗操作数据中的第24位，并对多个目标参考医疗操作数据的间隔特征值进行排序，将30个目标参考医疗操作数据的间隔特征值进行从小到大的排序，获取排序结果中对应第24位的间隔特征值，并将第24位的间隔特征值确定为第一医疗词条兴趣点阈值。

在步骤A102中，基于多个参考医疗操作数据的第一医疗词条兴趣点、以及多个参考医疗操作数据的第二医疗词条兴趣点，组合训练第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络。

一种可独立实施的实施例中，第一兴趣点预测网络用于预测不同的第一医疗词条兴趣点，第二兴趣点预测网络用于预测不同的第二医疗词条兴趣点，第三兴趣点预测网络是基于第一兴趣点预测网络以及第二兴趣点预测网络联合训练获得的。

一种可独立实施的实施例中，步骤A102中基于多个参考医疗操作数据的第一医疗词条兴趣点、以及多个参考医疗操作数据的第二医疗词条兴趣点，组合训练第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络，可以针对每个参考医疗操作数据执行下述的步骤A1021-1022实现。

在步骤A1021中，通过第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络对参考医疗操作数据进行兴趣点预测，得到参考医疗操作数据的兴趣点预测信息。

一种可独立实施的实施例中，第一兴趣点预测网络分别与第二兴趣点预测网络以及第三兴趣点预测网络共享第一兴趣点预测网络的向量单元，第一兴趣点预测网络与第三兴趣点预测网络共享第一兴趣点预测网络的第一向量提取单元，第二兴趣点预测网络与第三兴趣点预测网络共享第二兴趣点预测网络的第二向量提取单元；步骤A1021中通过第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络对参考医疗操作数据进行兴趣点预测，得到参考医疗操作数据的兴趣点预测信息，可以基于以下示例性的设计思路实施：通过向量单元对参考医疗操作数据进行向量提取，得到参考医疗操作数据的最大降维处理向量；通过第一兴趣点预测网络的第一向量提取单元对参考医疗操作数据的最大降维处理向量进行第一向量选择，得到参考医疗操作数据的第一兴趣点预测向量；通过第一兴趣预测单元将第一兴趣点预测向量映射为参考医疗操作数据的候选第一医疗词条兴趣点的第一可能性程度；通过第二向量提取单元对参考医疗操作数据的最大降维处理向量进行第二向量选择，得到参考医疗操作数据的第二兴趣点预测向量，并通过第二兴趣点预测网络的第二兴趣预测单元将第二兴趣点预测向量映射为参考医疗操作数据的多个预先标注第二医疗词条兴趣点的第二可能性程度；对第一兴趣点预测向量以及第二兴趣点预测向量进行向量融合，并通过第三兴趣点预测网络的第三兴趣预测单元将向量融合信息映射为参考医疗操作数据的候选第一医疗词条兴趣点的第三可能性程度；将第一可能性程度、第二可能性程度以及第三可能性程度，组合为参考医疗操作数据的兴趣点预测信息。

一种可独立实施的实施例中，第一兴趣点预测网络分别与第二兴趣点预测网络以及第三兴趣点预测网络共享第一兴趣点预测网络的向量单元（向量提取单元），第一兴趣点预测网络与第三兴趣点预测网络共享第一兴趣点预测网络的第一向量提取单元（Embedding1），第二兴趣点预测网络与第三兴趣点预测网络共享第二兴趣点预测网络的第二向量提取单元（Embedding2），参考医疗操作数据输入向量提取单元后进行向量提取，特征提取过程可以参见表1以及表2，首先通过向量提取单元Conv1提取参考医疗操作数据的第一医疗操作频繁向量，并通过向量提取单元Conv2对参考医疗操作数据的第一医疗操作频繁向量进行向量降维处理，得到参考医疗操作数据的第一降维医疗操作频繁向量，向量降维处理可以为最大向量降维处理，再通过向量提取单元Conv2-Conv5对第一降维医疗操作频繁向量进行多次误差观测游走处理，得到参考医疗操作数据的误差观测游走处理向量，通过向量降维单元对误差观测游走处理向量进行最大向量降维处理，误差观测游走处理向量是特征提取结果，得到参考医疗操作数据最大降维向量，通过第一向量整理单元（Embedding1）对最大降维向量进行第一向量选择，第一向量选择实际上是全连接处理，得到第一兴趣点预测向量，第一兴趣点预测网络的第一兴趣预测单元实施为第一决策分类单元，同样的，通过向量降维单元对误差观测游走处理向量进行最大向量降维处理，误差观测游走处理向量是特征提取结果，得到参考医疗操作数据最大降维向量，再通过第一决策分类单元（DL1）对第一兴趣点预测向量进行全连接处理，映射得到参考医疗操作数据属于每个第一医疗词条兴趣点的第一可能性程度，其中就包括预先标注的第一医疗词条兴趣点的第一可能性程度（对应第一决策收敛评估指标），第一医疗词条兴趣点的数量为P个，P为正整数，针对第二兴趣点预测网络，通过第二向量整理单元（Embedding2）对参考医疗操作数据最大降维向量进行第二向量选择，第二向量选择实际上是全连接处理，得到第二兴趣点预测向量，第二兴趣点预测网络的第二兴趣预测单元实施为第二决策分类单元，再通过第二决策分类单元（DL2）对第二兴趣点预测向量进行全连接处理，映射得到参考医疗操作数据属于每个第二医疗词条兴趣点的第二可能性程度，其中就包括预先标注的第二医疗词条兴趣点的第二可能性程度（对应第二决策收敛评估指标），第二医疗词条兴趣点的数量为K*P个，K为正整数，K为每个第一医疗词条兴趣点下的第二医疗词条兴趣点的数量。

一种可独立实施的实施例中，针对第三兴趣点预测网络，第三兴趣预测单元实施为第三决策分类单元DL3，将第一兴趣点预测向量和第二兴趣点预测向量进行向量融合，再通过第三决策分类单元（DL3）对向量融合信息进行全连接处理得到参考医疗操作数据属于每个第一医疗词条兴趣点的第三可能性程度，其中就包括候选第一医疗词条兴趣点的第三可能性程度（对应第三决策收敛评估指标），第一医疗词条兴趣点的数量为P个。

在步骤A1022中，基于多个参考医疗操作数据的兴趣点预测信息、参考医疗操作数据的候选第一医疗词条兴趣点和参考医疗操作数据的预先标注第二医疗词条兴趣点，更新第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络的网络权重信息。

一种可独立实施的实施例中，步骤A1022中基于多个参考医疗操作数据的兴趣点预测信息、参考医疗操作数据的候选第一医疗词条兴趣点和参考医疗操作数据的预先标注第二医疗词条兴趣点，更新第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络的网络权重信息，可以基于以下示例性的设计思路实施：基于第一可能性程度、以及参考医疗操作数据的候选第一医疗词条兴趣点，确定第一决策收敛评估指标；基于第三可能性程度、以及参考医疗操作数据的候选第一医疗词条兴趣点，确定第三决策收敛评估指标；基于多个第二可能性程度，以及参考医疗操作数据的多个预先标注第二医疗词条兴趣点，确定第二决策收敛评估指标；对第一决策收敛评估指标、第二决策收敛评估指标以及第三决策收敛评估指标进行加权计算，得到组合收敛评估指标；根据组合收敛评估指标更新第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络的网络权重信息。

一种可独立实施的实施例中，针对第一兴趣点预测网络，第一决策收敛评估指标为交叉熵损失函数。

一种可独立实施的实施例中，采用多个二分类的交叉熵损失函数作为对应DL2的输出的第二决策收敛评估指标。

一种可独立实施的实施例中，对于参考医疗操作数据F而言，该参考医疗操作数据F具有2个第二医疗词条兴趣点（例如，服药咨询兴趣点以及费用咨询兴趣点），则分别获取这两个第二医疗词条兴趣点的二分类的交叉熵损失函数，再进行加权计算，得到第二决策收敛评估指标。

一种可独立实施的实施例中，第三兴趣点预测网络的第三决策收敛评估指标与第一决策收敛评估指标类似，组合训练的整体模型评估指标为第一决策收敛评估指标、第二决策收敛评估指标以及第三决策收敛评估指标的联合。

一种可独立实施的实施例中，进行网络权重优化时，可以同时更新第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络的网络权重信息，也可以仅更新第二兴趣点预测网络的第二向量提取单元的网络权重信息、第二兴趣预测单元的网络权重信息、第三兴趣点预测网络的第三兴趣预测单元的网络权重信息，从而提高网络收敛速度。

在步骤A103中，通过满足网络收敛条件的第三兴趣点预测网络对目标医疗操作数据进行兴趣点预测，得到目标医疗操作数据在不同的第一医疗词条兴趣点中对应的第一医疗词条兴趣点。

在步骤A104中，基于所述目标医疗操作数据在不同的所述第一医疗词条兴趣点中对应的第一医疗词条兴趣点，对所述目标医疗操作数据进行对应的信息追踪，获得信息追踪轨迹数据。

一种可独立实施的实施例中，通过满足网络收敛条件的第三兴趣点预测网络对目标医疗操作数据进行兴趣点预测时，实际上是通过第三兴趣点预测网络的第三兴趣预测单元对第一兴趣点预测向量以及第二兴趣点预测向量的向量融合信息进行全连接处理，映射为参考医疗操作数据属于每个第一医疗词条兴趣点的第三可能性程度，在应用阶段会保留向量单元、第一向量提取单元、第二向量提取单元以及第三兴趣预测单元。

一种可独立实施的实施例中，每个第一医疗词条兴趣点下的第二医疗词条兴趣点的数量指定为K，也可根据第一医疗词条兴趣点的实际兴趣覆盖情况，对第二医疗词条兴趣点的数量进行选择，可以确定与第一医疗词条兴趣点的数据量正相关的第二医疗词条兴趣点的数量，如具有1000和2000个样本的第一医疗词条兴趣点A和第二医疗词条兴趣点B，B的第二医疗词条兴趣点的数量为A的第二医疗词条兴趣点的数量的2倍。

通过第一兴趣点预测向量进行第一医疗词条兴趣点中原型兴趣点（第二医疗词条兴趣点）的挖掘，从而把一个混合复杂深度细节兴趣特征的医疗词条兴趣点的操作数据映射到更特定的子兴趣点中，方便一个第一医疗词条兴趣点中多个不同的第二医疗词条兴趣点的共享兴趣向量可以分别得到学习。

一种可独立实施的实施例中，例如可以从第一医疗词条兴趣点中可以挖掘出深度细节兴趣特征的第二医疗词条兴趣点，例如，第一医疗词条兴趣点（疾病咨询兴趣点）下具有更精确的第二医疗词条兴趣点，第二医疗词条兴趣点包括：服药咨询兴趣点、术后咨询兴趣点、费用咨询兴趣点等。

一种可独立实施的实施例中，在训练完成第一兴趣点预测网络，并且挖掘出每个医疗操作数据的第二医疗词条兴趣点后，组合训练第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络，其中，组合训练时，第一兴趣点预测网络的前向传播过程与上述过程类似，针对第二兴趣点预测网络，通过第二向量整理单元（Embedding2）对第一兴趣点预测网络输出的参考医疗操作数据最大降维向量进行全连接处理，得到第二兴趣点预测向量，再通过第二决策分类单元（DL2）对第二兴趣点预测向量进行全连接处理得到医疗操作数据F属于每个第二医疗词条兴趣点的第二可能性程度，第二医疗词条兴趣点的数量为K*P个，K为正整数，K为每个第一医疗词条兴趣点下的第二医疗词条兴趣点的数量，上述过程是第二兴趣点预测网络的前向传播的过程。

一种可独立实施的实施例中，针对第三兴趣点预测网络，将第一兴趣点预测向量和第二兴趣点预测向量进行向量融合，再通过第三决策分类单元（DL3）对向量融合信息进行全连接处理得到医疗操作数据F属于每个第一医疗词条兴趣点的第三可能性程度，上述过程是第三兴趣点预测网络的前向传播的过程。第二兴趣点预测向量以嵌入的形式合并到第一兴趣点预测向量中，使的上位概括的兴趣特征的第一医疗词条兴趣点的第一兴趣点预测向量与更具有共性的第二兴趣点预测向量联合驱动兴趣点预测流程。

一种可独立实施的实施例中，基于组合训练时第一兴趣点预测网络前向传播得到的第一可能性程度、第二兴趣点预测网络前向传播得到的第二可能性程度以及第三兴趣点预测网络前向传播得到的第三可能性程度，确定各个兴趣点预测网络的模型评估指标，针对第一兴趣点预测网络，第一决策收敛评估指标为交叉熵损失函数。

针对第二兴趣点预测网络，由于进行原型挖掘时已经为每个医疗操作数据获取到多个第二医疗词条兴趣点，故医疗操作数据可能有多个第二医疗词条兴趣点，将每个第二医疗词条兴趣点视作多医疗词条兴趣点中的一个医疗词条兴趣点，采用多个二分类的交叉熵损失函数作为对应DL2的输出的第二决策收敛评估指标。

一种可独立实施的实施例中，对于K*P个第二医疗词条兴趣点，对K*P个二分类的交叉熵损失函数求和得到第二决策收敛评估指标，对于医疗操作数据F而言，该医疗操作数据具有2个第二医疗词条兴趣点（例如，服药咨询兴趣点以及费用咨询兴趣点），则分别获取这两个第二医疗词条兴趣点的二分类的交叉熵损失函数，再进行加权计算，得到第二决策收敛评估指标。

针对第三兴趣点预测网络，第三兴趣点预测网络实际上是全特征分类模型，全特征指兼顾第一兴趣点预测网络的第一兴趣点预测向量和第二兴趣点预测网络的第二兴趣点预测向量的第三兴趣点预测向量，DL3的作用是把第三兴趣点预测向量映射到P个不同的第一医疗词条兴趣点，故第三兴趣点预测网络的第三决策收敛评估指标与第一决策收敛评估指标类似，组合训练的整体模型评估指标为第一决策收敛评估指标、第二决策收敛评估指标以及第三决策收敛评估指标之和，从而保证所学习到的第三兴趣点预测网络既学习到深度细节兴趣特征的细化特征（第二兴趣点预测向量）的兴趣向量，也学习到兴趣点预测特征（第一兴趣点预测向量）的兴趣向量。

在组合训练阶段进行网络权重优化时，同时更新Embedding1、Embedding2、DL1、DL2、DL3的网络权重信息，即同时学习第一兴趣点预测、第二兴趣点预测以及第三兴趣点预测，其中，第三兴趣点预测网络作为要学习的目标深度学习网络，其采用Embedding1和Embedding2的输出拼接作为第三兴趣点预测向量，输出为P个需要学习的第一医疗词条兴趣点。

在组合训练阶段，加载上阶段已经训练好的第一兴趣点预测网络的网络权重信息，基于梯度下降的策略进行权重配置信息更新，对比第一训练阶段仅需要训练第一兴趣点预测网络，本阶段还需要另外学习Embedding2、DL2、DL3等网络层，其中，将Embedding1（1*1024）的输出和Embedding2（1*1024）的输出进行拼接，得到第三兴趣点预测向量（1*2048）作为DL3的输入，Embedding1的输出代表单纯采用针对识别第一医疗词条兴趣点所需要用到的第一兴趣点预测向量、Embedding2的输出代表兴趣点中具体某些细化特征（即可以根据细化特征区分深度细节兴趣特征的第二医疗词条兴趣点），两者合并实现两种兴趣点特征的联合。

在应用时仅取DL3的输出结果作为预测的各个第一医疗词条兴趣点的概率，采用最大似然函数获得具有最大的第一可能性程度对应的第一医疗词条兴趣点作为兴趣点预测信息。

一种可独立实施的实施例中，通过挖掘第二医疗词条兴趣点，建立第二医疗词条兴趣点的特征学习，从而使得训练获得的第三兴趣点预测网络更容易学习到第二医疗词条兴趣点的共享兴趣向量，并支持到整体的兴趣点识别中，在网络训练中得到更充分的兴趣点预测信息，本公开实施例提供的基于医疗大数据和深度学习的信息推送方法可以具有以下技术效果：1）通过分簇进行无监督的第二医疗词条兴趣点挖掘，在不需要手动第二医疗词条兴趣点的情况下即可以进行识别第二医疗词条兴趣点的训练阶段；2）通过第二医疗词条兴趣点的不断迭代学习优化第二医疗词条兴趣点的兴趣向量；3）通过对第二医疗词条兴趣点的第二兴趣点预测向量与第一医疗词条兴趣点的第一兴趣点预测向量进行联合，使得第三兴趣点预测网络针对第一医疗词条兴趣点的预测精度提高；4）在有限增加实际兴趣覆盖情况的情况下（对比第一兴趣点预测网络，仅增加了Embedding 2、DL2、以及DL3）下得到组合训练框架。

一种可独立实施的实施例中，针对步骤A104，在获取到所述目标医疗操作数据在不同的所述第一医疗词条兴趣点中对应的第一医疗词条兴趣点（如以上实施例或者任意已知的第一医疗词条兴趣点）后，本公开实施例进一步提供一种基于人工智能的信息追踪处理方法，可以通过以下示例性的步骤实现。

步骤B10，基于所述目标医疗操作数据在不同的所述第一医疗词条兴趣点中对应的第一医疗词条兴趣点，向各信息追踪服务发送兴趣跟踪引导信息，调用各所述信息追踪服务根据所述兴趣跟踪引导信息对设定的医疗数据业务区域进行至少两个的医疗数据对象进行信息追踪。

一种可独立实施的实施例中，所述兴趣跟踪引导信息包括预设的需要各所述信息追踪服务进行信息追踪的医疗数据业务区域、需要所述信息追踪服务进行信息追踪的设定医疗数据对象、以及配置的所述信息追踪服务进行医疗数据对象的信息追踪运行的追踪轨迹配置信息。

所述追踪轨迹配置信息例如可以是，针对不同的信息追踪项目分别设置的追踪轨迹配置规则（如何时追踪）、以及输出的追踪轨迹表现形式等。

步骤B20，获取各所述信息追踪服务根据所述追踪轨迹配置信息输出的针对所述医疗数据业务区域内进行信息追踪得到各所述医疗数据对象分别对应的追踪轨迹片段，得到追踪轨迹片段集。

步骤B30，根据所述追踪轨迹片段集创建与各所述信息追踪服务所对应的信息追踪流程的目标信息追踪轨迹数据。

基于以上步骤，本实施例通过所述信息追踪服务进行信息追踪控制，根据所述信息追踪服务输出的各所述医疗数据对象分别对应的追踪轨迹片段创建与各所述信息追踪服务所对应的信息追踪流程的目标信息追踪轨迹数据，进而可以便于对所述目标信息追踪轨迹数据进行后续的挖掘处理，以对所述各所述信息追踪服务所对应的信息追踪流程进行调用，进而有效基于获得的第一医疗词条兴趣点实现目标信息追踪流程的有效信息追踪。

一种可独立实施的实施例中，针对所述步骤B30，所述根据所述追踪轨迹片段集创建与各所述信息追踪服务所对应的信息追踪流程的目标信息追踪轨迹数据，可以通过以下示例性的步骤实现。

步骤B301， 获取待创建的目标信息追踪轨迹数据对应的追踪业务分布信息。

一种可独立实施的实施例中，所述追踪业务分布信息例如可以包括该目标信息追踪轨迹数据的轨迹内容信息、与对应的信息追踪流程的匹配轨迹信息、分别用于呈现哪些追踪轨迹片段的设置信息等。

步骤B302，根据所述追踪业务分布信息，在信息追踪轨迹数据的分布空间中创建目标知识网络。

其中，一种可独立实施的实施例中，所述目标知识网络包括多个知识实体，所述知识实体用于区分所述信息追踪轨迹数据的分布空间。所述目标知识网络可以是用于针对不同的追踪轨迹片段的业务节点以及业务关系的一种知识图谱，以利于后续进行目标信息追踪轨迹数据的生产。

一种可独立实施的实施例中，步骤B302可以通过下述实施方式实现。

（1）根据所述追踪业务分布信息，在所述信息追踪轨迹数据的分布空间中创建基础知识网络，其中，所述基础知识网络包括多个候选知识实体。

例如，可首先确定创建基础知识网络对应的知识实体分区规则； 然后，对所述追踪业务分布信息进行业务分布特征提取，得到所述追踪业务分布信息对应的业务分布特征描述；最后，根据所述知识实体分区规则与所述业务分布特征描述，在所述信息追踪轨迹数据的分布空间中创建基础知识网络。

（2）根据各所述候选知识实体在所述基础知识网络中的网络位置信息，对所述知识实体进行配置，得到配置后的知识实体。

例如，可首先根据预设的网络位置配置模板，对所述网络位置信息进行匹配，以确定候选目标知识实体；然后，再按照所述网络位置配置模板对所述目标知识实体进行配置，得到配置后的知识实体。

（3）根据所述配置后的知识实体，确定所述信息追踪轨迹数据的分布空间中的目标知识网络。其中，所述目标知识网络包括多个配置后的知识实体，所述知识实体用于区分所述信息追踪轨迹数据的分布空间。

例如，可首先在所述信息追踪轨迹数据的分布空间中创建匹配所述知识实体分区规则的基础知识网络，其中，所述基础知识网络包括多个待更新的知识实体；然后，根据所述业务分布特征描述，对所述基础知识网络中的知识实体进行位置更新，得到更新后的知识实体；然后，根据所述更新后的知识实体，确定所述信息追踪轨迹数据的分布空间中的基础知识网络。

步骤B303，从所述追踪轨迹片段集中获取需映射至所述目标知识网络中的追踪轨迹片段集，其中，所述追踪轨迹片段集包括多个追踪轨迹片段。

本实施中，步骤B303可以包括以下（11）-（14）的步骤。

（11）获取多个追踪轨迹片段分别对应的追踪覆盖业务。

（12）确定预设的所述追踪覆盖业务对应的追踪数据引用策略。

（13） 根据所述追踪覆盖业务的追踪覆盖数据与所述追踪数据引用策略，对所述追踪覆盖业务进行数据引用，得到引用后的追踪轨迹片段。

（14）根据所述引用后的追踪轨迹片段，从所述追踪轨迹片段集中获取需映射至所述目标知识网络中的追踪轨迹片段集，其中，所述追踪轨迹片段集包括多个追踪轨迹片段。

步骤B304，将所述追踪轨迹片段集中的所述追踪轨迹片段与所述目标知识网络中的知识实体进行属性匹配，得到匹配于所述知识实体的候选追踪轨迹片段。

一种可独立实施的实施例中，所述知识实体可以是所述目标知识网络中拆分的分别与各所述信息追踪服务进行信息追踪的信息追踪流程对应的一个轨迹内容单元，将该轨迹内容单元与所对应的追踪轨迹片段进行属性配对后即形成对应的知识实体，用于指示该轨迹内容单元需要配置哪些项目的追踪轨迹片段。

例如，可首先确定所述追踪轨迹片段的追踪轨迹内容信息、以及所述知识实体的知识实体内容信息；然后，对所述追踪轨迹内容信息与所述知识实体内容信息进行属性匹配；最后，将具有属性配对关系的追踪轨迹片段确定为匹配于所述知识实体的候选追踪轨迹片段。

步骤B305，根据所述候选追踪轨迹片段与所述知识实体之间的知识归属关系，从所述候选追踪轨迹片段中确定出目标追踪轨迹片段。

一种可独立实施的实施例中，关于步骤B305，首先，可以基于所述候选追踪轨迹片段的业务所在节点信息，确定所述候选追踪轨迹片段与所述知识实体之间的知识归属关系。

然后，根据所述知识归属关系，对所述候选追踪轨迹片段与所述知识实体进行轨迹片段适配分析。

其次，确定完成轨迹片段适配分析的候选追踪轨迹片段对应的轨迹片段类别，其中，所述轨迹片段类别具有对应的轨迹片段限定范围。

最后，根据所述轨迹片段限定范围，对所述轨迹片段类别下的候选追踪轨迹片段进行确定，得到确定后的目标追踪轨迹片段。

步骤B306，将所述目标追踪轨迹片段映射到所述知识实体，以将所述目标追踪轨迹片段映射至所述目标知识网络中，创建得到与各所述信息追踪服务所对应的信息追踪流程的所述目标信息追踪轨迹数据。

例如，一种可独立实施的实施例中，可首先对所述目标追踪轨迹片段依次加入预设片段集，以确定各目标追踪轨迹片段的追踪内容权重；然后，根据所述追踪内容权重，依序将所述预设片段集中的目标追踪轨迹片段映射到所述知识实体，以将所述目标追踪轨迹片段映射至所述目标知识网络中，创建得到所述目标信息追踪轨迹数据。

如此，能够创建得到所述目标信息追踪轨迹数据用于对相应的信息追踪的信息追踪流程的目标信息追踪轨迹数据，可用于对信息追踪流程进行全局的信息追踪结果的后续挖掘处理。

一种可独立实施的实施例中，基于前述的目标信息追踪轨迹数据还可以进一步进行后续的内容更新。例如，本公开实施例还可以包括以下的步骤B50和步骤B60。

步骤B50，针对至少一个目标医疗数据对象中的每个目标医疗数据对象，根据所述目标信息追踪轨迹数据获取各所述知识实体中该目标医疗数据对象在预设业务阶段内各业务进展位置分别对应的追踪轨迹片段。

步骤B60，根据各所述知识实体中该目标医疗数据对象在预设业务阶段内各业务进展位置分别对应的追踪轨迹片段，分析得到所述目标医疗数据对象的追踪轨迹片段在各所述知识实体对应的业务进展画像，根据所述业务进展画像确定所述目标医疗数据对象是否匹配预设进展画像，当匹配预设进展画像时，获取针对所述目标医疗数据对象的内容更新策略，以用于对对应的知识实体的所述目标医疗数据对象进行内容更新。

一种可独立实施的实施例中，所述对对应知识实体的所述目标医疗数据对象进行内容更新包括，在所述对应的目标知识实体配置与所述目标医疗数据对象的业务进展画像对应的内容引用信息。

详细地，针对步骤B60，一种可独立实施的实施例中，可以基于深度学习的方式对所述业务进展画像进行分析并获取内容更新策略，例如可以通过以下示例性的步骤实现。

首先，针对每个所述知识实体，根据所述知识实体中该目标医疗数据对象在预设业务阶段内各业务进展位置分别对应的追踪轨迹片段，获得一片段集。例如，可以根据各业务进展位置的进展顺序依次将对应的追踪轨迹片段加入预设的片段集中，得到所述片段集。

然后，将所述片段集输入预设业务进展画像预测网络，得到所述目标医疗数据对象的追踪轨迹片段在各所述知识实体的追踪业务进展画像特征，根据所述追踪业务进展画像特征判断所述目标医疗数据对象是否匹配预设进展画像，并在匹配预设进展画像时，获得针对所述目标医疗数据对象的内容更新策略。

一种可独立实施的实施例中，本公开实施例还提供一种基于人工智能的画像预测网络训练方法，可以通过以下步骤实现。

步骤B51，获取参考基础数据序列。

一种可独立实施的实施例中，所述参考基础数据序列包括第一参考基础数据以及第二参考基础数据，所述第一参考基础数据包括针对目标医疗数据对象的第一参考业务进展基础数据以及与第一参考业务进展基础数据对应的第一内容更新策略，所述第一内容更新策略携带有针对所述第一参考业务进展基础数据的前向业务进展特征向量。所述第二参考基础数据包括针对目标医疗数据对象的第二参考业务进展基础数据以及与第二参考业务进展基础数据对应的第二内容更新策略，所述第二内容更新策略携带有针对所述第二参考业务进展基础数据的后向业务进展特征向量。

一种可独立实施的实施例中，其中，所述前向业务进展特征向量可以表示所述第一内容更新策略与所述第一参考业务进展基础数据具有匹配关系。所述后向业务进展特征向量可以表示所述第二内容更新策略与所述第二参考业务进展基础数据具有彼此相反的数据业务关系。

步骤B52，依次游走所述第一参考基础数据以及所述第二参考基础数据，分别将一个第一参考基础数据以及一个所述第二参考基础数据进行联合，得到多个参考基础数据簇。其中，每个参考基础数据簇包括一个第参考基础数据以及一个第二参考基础数据。

步骤B53，针对每个所述参考基础数据簇，获取所述参考基础数据簇中的第一参考基础数据以及第二参考基础数据。

步骤B54，将所述第一参考基础数据以及所述第二参考基础数据输入所述业务进展画像预测网络，得到所述第一参考基础数据对应的第一业务进展特征以及所述第二参考基础数据对应的第二业务进展特征。

步骤B55，将所述第一业务进展特征与所述第一参考基础数据中的第一内容更新策略携带的前向业务进展特征向量进行损失计算，得到第一损失结果；将所述第二业务进展特征与所述第二参考基础数据中的第二内容更新策略携带的后向业务进展特征向量进行损失计算，得到第二损失结果。

步骤B56，根据所述第一损失结果以及所述第二损失结果计算得到所述业务进展画像预测网络的网络收敛评估信息，根据所述网络收敛评估信息对所述业务进展画像预测网络的权重配置信息进行循环训练，直到满足网络收敛要求，得到满足网络收敛要求的业务进展画像预测网络。

一种可独立实施的实施例中，例如，可以针对第一损失结果设置第一影响系数，以及针对第二损失结果设置第二影响系数，根据第一影响系数以及第二影响系数对第一损失结果和第二损失结果进行权重融合计算，得到所述网络收敛评估信息。

图3示出了本公开实施例提供的用于实现上述的基于医疗大数据和深度学习的信息推送方法的医疗AI***100的硬件结构意图，如图3所示，医疗AI***100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于医疗大数据和深度学习的信息推送方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的互联网医疗终端200进行数据收发。

处理器110的具体实现过程可参见上述医疗AI***100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于医疗大数据和深度学习的信息推送方法。

最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种基于医疗大数据和深度学习的信息推送方法，其特征在于，应用于医疗AI***，所述医疗AI***与所述多个互联网医疗终端通信连接，所述方法包括：

获取针对所述互联网医疗终端的目标信息追踪轨迹数据，其中，所述目标信息追踪轨迹数据基于目标医疗操作数据在不同的第一医疗词条兴趣点中对应的第一医疗词条兴趣点对所述目标医疗操作数据进行对应的信息追踪获得；

根据基于深度学习的医疗行为画像分析模型对所述目标信息追踪轨迹数据进行医疗行为画像分析，获得所述互联网医疗终端的当前医疗行为画像；

基于所述互联网医疗终端的当前医疗行为画像和对应的投放医疗行为画像，对所述互联网医疗终端的信息推送策略进行规则更新，并基于规则更新后的信息推送策略对所述互联网医疗终端进行互联网医疗信息推送。

2.根据权利要求1所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述获取针对所述互联网医疗终端的目标信息追踪轨迹数据的步骤，包括：

针对第一医疗词条兴趣点的多个参考医疗操作数据，获取每个所述参考医疗操作数据的多个第二医疗词条兴趣点；其中，每个所述参考医疗操作数据的多个第二医疗词条兴趣点是所述参考医疗操作数据的第一医疗词条兴趣点的子医疗词条兴趣点；

基于所述多个参考医疗操作数据的第一医疗词条兴趣点、以及所述多个参考医疗操作数据的第二医疗词条兴趣点，组合训练第一兴趣点预测网络、第二兴趣点预测网络以及第三兴趣点预测网络；其中，所述第一兴趣点预测网络用于预测不同的所述第一医疗词条兴趣点，所述第二兴趣点预测网络用于预测不同的所述第二医疗词条兴趣点，所述第三兴趣点预测网络是基于所述第一兴趣点预测网络以及所述第二兴趣点预测网络联合训练获得的；

通过满足网络收敛条件的所述第三兴趣点预测网络对目标医疗操作数据进行兴趣点预测，得到所述目标医疗操作数据在不同的所述第一医疗词条兴趣点中对应的第一医疗词条兴趣点；

基于所述目标医疗操作数据在不同的所述第一医疗词条兴趣点中对应的第一医疗词条兴趣点，向各信息追踪服务发送兴趣跟踪引导信息，调用各所述信息追踪服务根据所述兴趣跟踪引导信息对设定的医疗数据业务区域进行至少两个的医疗数据对象进行信息追踪，所述兴趣跟踪引导信息包括设定的需要各所述信息追踪服务进行信息追踪的医疗数据业务区域、需要所述信息追踪服务进行信息追踪的设定医疗数据对象、以及配置的所述信息追踪服务进行医疗数据对象的信息追踪运行的追踪轨迹配置信息；

获取各所述信息追踪服务根据所述追踪轨迹配置信息输出的针对所述医疗数据业务区域内进行信息追踪得到各所述医疗数据对象分别对应的追踪轨迹片段，得到追踪轨迹片段集；

根据所述追踪轨迹片段集创建与各所述信息追踪服务所对应的信息追踪流程的目标信息追踪轨迹数据。

3.根据权利要求2所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述根据所述追踪轨迹片段集创建与各所述信息追踪服务所对应的信息追踪流程的目标信息追踪轨迹数据，包括：

获取待创建的目标信息追踪轨迹数据对应的追踪业务分布信息；

根据所述追踪业务分布信息，在信息追踪轨迹数据的分布空间中创建目标知识网络，其中，所述目标知识网络包括多个知识实体，所述知识实体用于区分所述信息追踪轨迹数据的分布空间；

从所述追踪轨迹片段集中获取需映射至所述目标知识网络中的追踪轨迹片段集，其中，所述追踪轨迹片段集包括多个追踪轨迹片段；

将所述追踪轨迹片段集中的所述追踪轨迹片段与所述目标知识网络中的知识实体进行属性匹配，得到匹配于所述知识实体的候选追踪轨迹片段；

根据所述候选追踪轨迹片段与所述知识实体之间的知识归属关系，从所述候选追踪轨迹片段中确定出目标追踪轨迹片段；

将所述目标追踪轨迹片段映射到所述知识实体，以将所述目标追踪轨迹片段映射至所述目标知识网络中，创建得到与各所述信息追踪服务所对应的信息追踪流程的所述目标信息追踪轨迹数据。

4.根据权利要求3所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述方法还包括：

针对至少一个目标医疗数据对象中的每个目标医疗数据对象，根据所述目标信息追踪轨迹数据获取各所述知识实体中该目标医疗数据对象在预设业务阶段内各业务进展位置分别对应的追踪轨迹片段；

根据各所述知识实体中该目标医疗数据对象在预设业务阶段内各业务进展位置分别对应的追踪轨迹片段，分析得到所述目标医疗数据对象的追踪轨迹片段在各所述知识实体对应的业务进展画像，根据所述业务进展画像确定所述目标医疗数据对象是否匹配预设进展画像，当匹配预设进展画像时，获取针对所述目标医疗数据对象的内容更新策略，以用于对对应的知识实体的所述目标医疗数据对象进行内容更新；

其中，所述对对应的知识实体的所述目标医疗数据对象进行内容更新包括，在对应的目标知识实体配置与所述目标医疗数据对象的业务进展画像对应的内容引用信息。

5.根据权利要求3所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述根据所述追踪业务分布信息，在信息追踪轨迹数据的分布空间中创建目标知识网络，包括：

根据所述追踪业务分布信息，在所述信息追踪轨迹数据的分布空间中创建基础知识网络，其中，所述基础知识网络包括多个候选知识实体；

根据各所述候选知识实体在所述基础知识网络中的网络位置信息，对所述知识实体进行配置，得到配置后的知识实体；

根据所述配置后的知识实体，确定所述信息追踪轨迹数据的分布空间中的目标知识网络，其中，所述目标知识网络包括多个配置后的知识实体，所述知识实体用于区分所述信息追踪轨迹数据的分布空间；

其中，所述根据所述追踪业务分布信息，在所述信息追踪轨迹数据的分布空间中创建基础知识网络，包括：

确定创建基础知识网络对应的知识实体分区规则；

对所述追踪业务分布信息进行业务分布特征提取，得到所述追踪业务分布信息对应的业务分布特征描述；

根据所述知识实体分区规则与所述业务分布特征描述，在所述信息追踪轨迹数据的分布空间中创建基础知识网络；

其中，所述根据各所述候选知识实体在所述基础知识网络中的网络位置信息，对所述知识实体进行配置，得到配置后的知识实体，包括：

根据预设的网络位置配置模板，对所述网络位置信息进行匹配，以确定候选目标知识实体；

按照所述网络位置配置模板对所述目标知识实体进行配置，得到配置后的知识实体；

所述根据所述知识实体分区规则与所述业务分布特征描述，在所述信息追踪轨迹数据的分布空间中创建基础知识网络，包括：

在所述信息追踪轨迹数据的分布空间中创建匹配所述知识实体分区规则的基础知识网络，其中，所述基础知识网络包括多个待更新的知识实体；

根据所述业务分布特征描述，对所述基础知识网络中的知识实体进行位置更新，得到更新后的知识实体；

根据所述更新后的知识实体，确定所述信息追踪轨迹数据的分布空间中的基础知识网络。

6.根据权利要求3所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述根据所述候选追踪轨迹片段与所述知识实体之间的知识归属关系，从所述候选追踪轨迹片段中确定出目标追踪轨迹片段，包括：

基于所述候选追踪轨迹片段的业务所在节点信息，确定所述候选追踪轨迹片段与所述知识实体之间的知识归属关系；

根据所述知识归属关系，对所述候选追踪轨迹片段与所述知识实体进行轨迹片段适配分析；

确定完成轨迹片段适配分析的候选追踪轨迹片段对应的轨迹片段类别，其中，所述轨迹片段类别具有对应的轨迹片段限定范围；

根据所述轨迹片段限定范围，对所述轨迹片段类别下的候选追踪轨迹片段进行确定，得到确定后的目标追踪轨迹片段。

7.根据权利要求3所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述将所述目标追踪轨迹片段映射到所述知识实体，以将所述目标追踪轨迹片段映射至所述目标知识网络中，创建得到与各所述信息追踪服务所对应的信息追踪流程的所述目标信息追踪轨迹数据，包括：

对所述目标追踪轨迹片段依次加入预设片段集，以确定各目标追踪轨迹片段的追踪内容权重；

根据所述追踪内容权重，依序将所述预设片段集中的目标追踪轨迹片段映射到所述知识实体，以将所述目标追踪轨迹片段映射至所述目标知识网络中，创建得到所述目标信息追踪轨迹数据。

8.根据权利要求3所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述从所述追踪轨迹片段集中获取需映射至所述目标知识网络中的追踪轨迹片段集，包括：

获取多个追踪轨迹片段分别对应的追踪覆盖业务；

确定预设的所述追踪覆盖业务对应的追踪数据引用策略；

根据所述追踪覆盖业务的追踪覆盖数据与所述追踪数据引用策略，对所述追踪覆盖业务进行数据引用，得到引用后的追踪轨迹片段；

根据所述引用后的追踪轨迹片段，从所述追踪轨迹片段集中获取需映射至所述目标知识网络中的追踪轨迹片段集，其中，所述追踪轨迹片段集包括多个追踪轨迹片段；

所述将所述追踪轨迹片段与所述目标知识网络中的知识实体进行属性匹配，得到匹配于所述知识实体的候选追踪轨迹片段，包括：

确定所述追踪轨迹片段的追踪轨迹内容信息、以及所述知识实体的知识实体内容信息；

对所述追踪轨迹内容信息与所述知识实体内容信息进行属性匹配；

将具有属性配对关系的追踪轨迹片段确定为匹配于所述知识实体的候选追踪轨迹片段。

9.根据权利要求4所述的基于医疗大数据和深度学习的信息推送方法，其特征在于，所述根据各所述知识实体中该目标医疗数据对象在预设业务阶段内各业务进展位置分别对应的追踪轨迹片段，分析得到所述目标医疗数据对象的追踪轨迹片段在各所述知识实体对应的业务进展画像，根据所述业务进展画像确定所述目标医疗数据对象是否匹配预设进展画像，当匹配预设进展画像时，获取针对所述目标医疗数据对象的内容更新策略，包括：

针对每个所述知识实体，根据所述知识实体中该目标医疗数据对象在预设业务阶段内各业务进展位置分别对应的追踪轨迹片段，获得一片段集；

将所述片段集输入预设业务进展画像预测网络，得到所述目标医疗数据对象的追踪轨迹片段在各所述知识实体的追踪业务进展画像特征，根据所述追踪业务进展画像特征判断所述目标医疗数据对象是否匹配预设进展画像，并在匹配预设进展画像时，获得针对所述目标医疗数据对象的内容更新策略；

其中，所述业务进展画像预测网络通过以下步骤配置得到：

获取参考基础数据序列，所述参考基础数据序列包括第一参考基础数据以及第二参考基础数据，所述第一参考基础数据包括针对目标医疗数据对象的第一参考业务进展基础数据以及与第一参考业务进展基础数据对应的第一内容更新策略，所述第一内容更新策略携带有针对所述第一参考业务进展基础数据的前向业务进展特征向量；所述第二参考基础数据包括针对目标医疗数据对象的第二参考业务进展基础数据以及与第二参考业务进展基础数据对应的第二内容更新策略，所述第二内容更新策略携带有针对所述第二参考业务进展基础数据的后向业务进展特征向量；

依次游走所述第一参考基础数据以及所述第二参考基础数据，分别将一个第一参考基础数据以及一个所述第二参考基础数据进行联合，得到多个参考基础数据簇；其中，每个参考基础数据簇包括一个第参考基础数据以及一个第二参考基础数据；

针对每个所述参考基础数据簇，获取所述参考基础数据簇中的第一参考基础数据以及第二参考基础数据；

将所述第一参考基础数据以及所述第二参考基础数据输入所述业务进展画像预测网络，得到所述第一参考基础数据对应的第一业务进展特征以及所述第二参考基础数据对应的第二业务进展特征；

将所述第一业务进展特征与所述第一参考基础数据中的第一内容更新策略携带的前向业务进展特征向量进行损失计算，得到第一损失结果；

将所述第二业务进展特征与所述第二参考基础数据中的第二内容更新策略携带的后向业务进展特征向量进行损失计算，得到第二损失结果；

根据所述第一损失结果以及所述第二损失结果计算得到所述业务进展画像预测网络的网络收敛评估信息，根据所述网络收敛评估信息对所述业务进展画像预测网络的权重配置信息进行循环训练，直到满足网络收敛要求，得到满足网络收敛要求的业务进展画像预测网络。

10.一种医疗AI***，其特征在于，所述医疗AI***包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现权利要求1-9中任意一项的基于医疗大数据和深度学习的信息推送方法。

Images