CN115238173B - 基于大数据的行为分析与医疗服务推送方法、设备及介质 - Google Patents
基于大数据的行为分析与医疗服务推送方法、设备及介质 Download PDFInfo
- Publication number
- CN115238173B CN115238173B CN202210761153.2A CN202210761153A CN115238173B CN 115238173 B CN115238173 B CN 115238173B CN 202210761153 A CN202210761153 A CN 202210761153A CN 115238173 B CN115238173 B CN 115238173B
- Authority
- CN
- China
- Prior art keywords
- patient
- medical service
- information
- characteristic information
- service 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009193 crawling Effects 0.000 claims abstract description 14
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000000875 corresponding effect Effects 0.000 claims description 127
- 230000006399 behavior Effects 0.000 claims description 92
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000003542 behavioural effect Effects 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002716 delivery method Methods 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Child & Adolescent Psychology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了基于大数据的行为分析与医疗服务推送方法、设备及介质,用以解决现有的推送方法针对性较差、推送效率较低的技术问题。方法包括:基于患者的访问请求接收患者基础特征信息,基于患者基础特征信息爬取患者的历史行为特征信息,基于预设行为分析模型分析历史行为特征信息并输出患者画像;根据患者画像对应的待推送医疗服务特征信息从医疗服务特征阵列中确定关联医疗服务特征信息并建立关联医疗服务特征集合;基于患者对各关联医疗服务特征信息的反应数据确定患者的目标医疗服务特征信息;根据目标医疗服务特征信息更新推送策略,根据更新后的推送策略对患者进行医疗服务特征信息推送,与患者实际情况相符,提高了医疗服务推送的准确率。
Description
技术领域
本申请涉及大数据技术领域,尤其涉及基于大数据的行为分析与医疗服务推送方法、设备及介质。
背景技术
随着信息技术和物联网技术的迅速发展,大数据已经广泛的应用于各个技术领域。在大数据时代,随着各种医疗数据的不断生成,网络上的医疗相关的数据量逐渐庞大,患者在网络中爬取医疗信息的效率和准确率较低。与此同时,基于我国医疗技术的快速提升,越来越多的患者对医疗服务的准确推送有较大需求。目前,现有技术普遍通过基于用户引力的协同过滤推荐算法或者基于特征语义分析的推送方法进行信息推送。
但是,现有的推送方法普遍缺少对用户个人综合因素的考虑,存在针对性较差、推送效率较低的问题。
发明内容
本申请实施例提供了基于大数据的行为分析与医疗服务推送方法、设备及介质,用以解决现有的推送方法普遍缺少对用户个人综合因素的考虑,存在针对性较差、推送效率较低的技术问题。
一方面,本申请实施例提供了基于大数据的行为分析与医疗服务推送方法,包括:
基于患者的访问请求,接收所述患者上传的患者基础特征信息,并基于所述患者基础特征信息,爬取所述患者对应的历史行为特征信息,以基于预设行为分析模型对所述历史行为特征信息进行分析,输出对应的患者画像;
根据所述患者画像对应的待推送医疗服务特征信息,从医疗服务特征阵列中确定所述待推送医疗服务特征信息的关联医疗服务特征信息,并建立所述患者对应的关联医疗服务特征集合;
基于所述患者对所述关联医疗服务特征集合中各关联医疗服务特征信息的反应数据,从所述关联医疗服务特征集合中确定所述患者对应的目标医疗服务特征信息;
根据所述目标医疗服务特征信息,对所述待推送医疗服务特征信息的推送策略进行更新,并根据更新后的所述推送策略,对所述患者进行医疗服务特征信息推送。
在本申请的一种实现方式中,所述根据所述患者画像对应的待推送医疗服务特征信息,从医疗服务特征阵列中确定所述待推送医疗服务特征信息的关联医疗服务特征信息,具体包括:
根据所述患者画像,从预先确定好的患者画像与待推送医疗服务特征信息的对应关系表中,确定出所述患者画像对应的待推送医疗服务特征信息;
基于预设的数据节点部署模型,对采集到的医疗服务特征信息进行分类,并根据分类结果,将所述医疗服务特征信息存储至医疗服务特征阵列中;
根据所述患者画像对应的待推送医疗服务特征信息,查询所述医疗服务特征阵列,并确定出所述待推送医疗服务特征信息与所述医疗服务特征阵列中若干医疗服务特征信息的相关程度;
从所述医疗服务特征阵列的若干医疗服务特征信息中,确定出与所述待推送医疗服务特征信息相关程度最高的医疗服务特征信息,以将相关程度最高的所述医疗服务特征信息作为所述待推送医疗服务特征信息的关联医疗服务特征信息。
在本申请的一种实现方式中,所述根据所述患者画像,从预先确定好的患者画像与待推送医疗服务特征信息的对应关系表中,确定出所述患者画像对应的待推送医疗服务特征信息之前,所述方法还包括:
接收所述患者在预设时间段内发起的访问请求,以对所述访问请求中的请求信息进行语义分割,并对语义分割后的所述请求信息进行聚类分析,以确定所述患者对应的医疗服务标签;
基于所述患者的历史就诊信息,获取所述患者的生理特征信息,并根据所述生理特征信息以及所述医疗服务标签,预测出所述患者感兴趣的医疗服务特征信息;
获取所述患者对预测出的所述医疗服务特征信息的操作信息,并根据所述操作信息对预测出的所述医疗服务特征信息进行评分,得到所述医疗服务特征信息对应的评分分值;其中,所述操作信息至少包括以下一项或多项:浏览时长、累计点击次数;
将所述评分分值大于预设评分阈值的医疗服务特征信息作为所述患者画像对应的待推送医疗服务特征信息,并将所述患者画像与所述对应的待推送医疗服务特征信息存储至患者画像与待推送医疗服务特征信息的对应关系表中。
在本申请的一种实现方式中,所述基于患者的访问请求,接收所述患者上传的患者基础特征信息,并基于所述患者基础特征信息,爬取所述患者对应的历史行为特征信息,以基于预设行为分析模型对所述历史行为特征信息进行分析,输出对应的患者画像,具体包括:
基于患者的访问请求,接收所述患者上传的患者基础特征信息,并获取所述患者基础特征信息中所述患者的身份标识;其中,所述患者基础特征信息至少包括:身份标识、性别、年龄、地理位置信息、工作信息和病例记录,所述工作信息包括:工作时长、起止时间和工作环境;
基于所述患者的身份标识,从网络中爬取所述患者对应的历史行为特征信息;其中,所述历史行为特征信息中至少包括:医疗信息检索记录、药品购买记录、就诊记录和病例信息;
将所述患者的历史行为特征信息中的医疗信息检索记录、药品购买记录、就诊记录和病例信息输入至预设行为分析模型中,以通过所述预设行为分析模型对所述历史行为特征信息进行分析,得到对应的分析结果;
根据所述分析结果,建立医疗信息、药品、就诊信息和病例信息与所述患者之间的对应关系,并输出相应的患者画像。
在本申请的一种实现方式中,所述基于患者的访问请求,接收所述患者上传的患者基础特征信息,并基于所述患者基础特征信息,爬取所述患者对应的历史行为特征信息之后,所述方法还包括:
基于获取到的所述患者基础特征信息和所述历史行为特征信息,为所述患者进行建模,以通过模型确定所述患者对应的关键特征信息;
根据所述患者对应的关键特征信息,预测所述患者的病情信息,并根据所述病情信息以及所述患者的分类属性信息,确定所述患者对应的患者画像;
其中,所述分类属性信息至少包括以下一项:年龄属性、性别属性或者工作属性。
在本申请的一种实现方式中,所述基于预设行为分析模型对所述历史行为特征信息进行分析,输出对应的患者画像之前,所述方法还包括:
将预先确定出患者画像的历史行为特征信息输入卷积神经网络进行训练,以通过所述卷积神经网络的卷积层,从所述历史行为特征信息中提取所述患者对应的属性特征;
将所述属性特征通过所述卷积神经网络的池化层进行池化,并将池化后的所述属性特征输入所述卷积神经网络的全连接层,以通过所述全连接层输出所述历史行为特征信息对应的患者画像;
当所述全连接层输出的患者画像与预先确定出的患者画像相匹配时,完成对卷积神经网络行为分析模型的训练。
在本申请的一种实现方式中,所述从所述关联医疗服务特征集合中确定所述患者对应的目标医疗服务特征信息,具体包括:
获取所述患者基础特征信息中的地理位置信息,并确定所述关联医疗服务特征集合中各所述关联医疗服务特征信息的地理位置信息;
根据所述患者所处的地理位置信息和所述关联医疗服务特征信息所处的地理位置信息,确定所述患者与所述关联医疗服务特征信息之间的相对位置关系;
根据所述关联医疗服务特征集合中若干医疗服务特征信息与所述患者的相对位置关系由近到远的顺序,对所述关联医疗服务特征信息进行排序;
根据排序结果,从所述关联医疗服务特征集合的若干关联医疗服务特征信息中,确定出与所述患者的相对位置关系最近的目标医疗服务特征信息。
在本申请的一种实现方式中,所述基于所述患者对所述关联医疗服务特征集合中各关联医疗服务特征信息的反应数据,从所述关联医疗服务特征集合中确定所述患者对应的目标医疗服务特征信息,具体包括:
将所述关联医疗服务特征集合中的若干关联医疗服务特征信息发送至所述患者,并获取所述患者在预设时间段内对所述关联医疗服务特征信息的操作数据,以将所述患者的操作数据作为所述患者对所述关联医疗服务特征信息的反映数据;
基于所述反映数据中的浏览时长和累积点击次数,对所述患者与所述关联医疗服务特征信息的感兴趣影响程度,分别确定所述反映数据中所述浏览时长混合所述累积点击次数对应的权重系数;
根据所述对应的权重系数,计算所述患者对所述关联医疗服务特征信息的权重总值,并根据各所述关联医疗服务特征信息对应的权重总值,从所述关联医疗服务特征集合中确定出所述患者对应的目标医疗服务特征信息。
另一方面,本申请实施例还提供了基于大数据的行为分析与医疗服务推送方法设备,所述设备包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述的基于大数据的行为分析与医疗服务推送方法。
另一方面,本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
如上述的基于大数据的行为分析与医疗服务推送方法。
本申请实施例提供了基于大数据的行为分析与医疗服务推送方法、设备及介质,至少包括以下有益效果:
通过患者访问请求接收患者基础特征信息,然后根据患者基础特征信息从网络中爬取患者对应的历史行为特征信息,通过将爬取到的历史行为特征信息输入至预设行为分析模型,能够对患者的历史行为特征信息进行分析,得到患者对应的患者画像;根据患者画像对应的待推送医疗服务特征信息,能够从预先采集的医疗服务特征阵列中确定出关联医疗服务特征信息,从而建立当前患者对应的关联医疗服务特征集合;通过获取患者对关联医疗服务特征集合中每个关联医疗服务特征信息的反应数据,能够确定出患者真实意图对应的目标医疗服务特征信息;获取原来推送策略,并根据目标医疗服务特征信息对原始推送策略进行更新,从而能够根据更新后的推送策略对当前患者进行相应的医疗服务推送,提高向患者推送的医疗服务的准确率,提升用户的使用体验,节省用户的操作时间。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的基于大数据的行为分析与医疗服务推送方法的流程示意图;
图2为本申请实施例提供的基于大数据的行为分析与医疗服务推送设备的内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例提供了基于大数据的行为分析与医疗服务推送方法、设备及介质,通过患者访问请求接收患者基础特征信息,然后根据患者基础特征信息从网络中爬取患者对应的历史行为特征信息,通过将爬取到的历史行为特征信息输入至预设行为分析模型,能够对患者的历史行为特征信息进行分析,得到患者对应的患者画像;根据患者画像对应的待推送医疗服务特征信息,能够从预先采集的医疗服务特征阵列中确定出关联医疗服务特征信息,从而建立当前患者对应的关联医疗服务特征集合;通过获取患者对关联医疗服务特征集合中每个关联医疗服务特征信息的反应数据,能够确定出患者真实意图对应的目标医疗服务特征信息;获取原来推送策略,并根据目标医疗服务特征信息对原始推送策略进行更新,从而能够根据更新后的推送策略对当前患者进行相应的医疗服务推送。解决了现有技术中的推送方法普遍缺少对用户个人综合因素的考虑,存在针对性较差、推送效率较低的技术问题。
图1为本申请实施例提供的基于大数据的行为分析与医疗服务推送方法的流程示意图。如图1所示,本申请实施例提供的基于大数据的行为分析与医疗服务推送方法可以主要包括以下步骤:
步骤101、基于患者的访问请求,接收患者上传的患者基础特征信息,并基于患者基础特征信息,爬取患者对应的历史行为特征信息,以基于预设行为分析模型对历史行为特征信息进行分析,输出对应的患者画像。
近年来,随着信息技术的迅速发展,各个技术领域都应用了信息推送服务。并且,随着我国医疗技术的快速提升,患者对医疗服务特征信息的推送需求也越来越多。但是,现有的推送方法无法根据患者的实际情况进行医疗服务特征信息推送,推送的准确率较低。
为了解决上述问题,本申请中的服务器接收患者的访问请求,并基于访问请求获取患者上传的患者基础特征信息,进而能够基于患者基础特征信息,从网络中爬取患者的历史行为特征信息,然后将爬取到的历史行为特征信息输入至预设行为分析模型中,通过预设行为分析模型对患者的历史行为特征信息进行分析,从而输出患者对应的患者画像。
具体地,服务器接收患者的访问请求,并根据访问请求,接收患者上传的患者基础特征信息,然后从患者基础特征信息中获取患者的身份标识,进而通过身份标识确定患者的身份信息。需要说明的是,本申请实施例中的患者基础特征信息至少包括:身份标识、性别、年龄、地理位置信息、工作信息和病例记录,本申请实施例中的工作信息包括:工作时长、起止时间和工作环境。
服务器根据获取到的患者的额身份标识,能够从网络中爬取患者对应的历史行为特征信息。需要说明的是,本申请实施例中的历史行为特征信息中至少包括:医疗信息检索记录、药品购买记录、就诊记录和病例信息。然后,服务器将患者历史行为特征信息中的医疗信息检索记录、药品购买记录、就诊记录和病例信息输入至预设行为分析模型中,通过预设行为分析模型对历史行为特征信息进行分析,得到对应的分析结果,进而能够根据历史行为特征信息的分析结果,建立医疗信息、药品、就诊信息和病例信息与患者之间的对应关系,得到并输出相应的患者画像。
在本申请的一个实施例中,服务器基于患者的访问请求,接收患者上传的患者基础特征信息,并基于患者基础特征信息,爬取患者对应的历史行为特征信息之后,基于获取到的患者基础特征信息和患者的对应的历史行为特征信息,为当前患者进行建模,从而通过模型确定出患者对应的关键特征信息,然后再根据确定出的关键特征信息,预测出患者的病情信息,进而根据患者的病情信息以及患者的分类属性信息,确定出患者对应的患者画像。需要说明的是,本申请实施例中患者的分类属性信息至少包括以下一项:年龄属性、性别属性或者工作属性,即将患者按照年龄属性或者性别属性或者工作属性进行分类,进而能够找到当前患者的所属类别,进而将医疗服务特征阵列中同一类别患者对应的医疗服务特征信息作为患者的关联医疗服务特征信息。
在本申请的一个实施例中,服务器基于预设行为分析模型对患者的历史行为特征信息进行分析,输出对应的患者画像之前,将预先确定出患者画像的历史行为特征信息,输入至卷积神经网络进行训练,从而通过卷积神经网络中的卷积层,从历史行为特征信息中提取出患者对应的属性特征,例如:患者的医疗信息检索记录、药品购买记录、就诊记录和病例信息等属性特征。然后,服务器将患者的医疗信息检索记录、药品购买记录、就诊记录和病例信息等属性特征通过卷积神经网络的池化层进行池化,并将池化后的属性特征输入至卷积神经网络的全连接层,进而通过卷积神经网络的全连接层输出患者的历史行为特征信息对应的患者画像。服务器将全连接层输出的患者画像与预先确定出的患者画像进行对比,当两者相匹配时,实现对卷积神经网络行为分析模型的训练,后续可以通过训练好的行为分析模型,快速的输出患者历史行为特征信息对应的患者画像。
步骤102、根据患者画像对应的待推送医疗服务特征信息,从医疗服务特征阵列中确定待推送医疗服务特征信息的关联医疗服务特征信息,并建立患者对应的关联医疗服务特征集合。
服务器根据预设行为分析模型输出的患者画像,确定出患者画像对应的待推送医疗服务特征信息,然后根据患者画像对应的待推送医疗服务特征信息,能够从预先采集的医疗服务特征阵列中,确定出与患者画像的待推送医疗服务特征信息相仿的关联医疗服务特征信息,进而能够根据患者画像对应待推送医疗服务特征信息和确定出的关联医疗服务特征信息,建立当前患者对应的关联医疗服务特征集合,便于后续根据关联医疗服务特征集合为患者进行医疗服务推送。这样能够提高向患者推送医疗服务特征信息的准确率,使推送至患者的医疗服务特征信息更符合患者的实际情况。
具体地,服务器在根据患者画像,从预先确定好的患者画像与待推送医疗服务特征信息的对应关系表中,确定出患者画像对应的待推送医疗服务特征信息,然后采集医疗服务特征信息,并基于预设的数据节点模型,对采集到的医疗服务特征信息进行分类,进而根据分类结果,将各医疗服务特征信息存储至医疗服务特征阵列中。服务器根据患者画像对应的待推送医疗服务特征信息查询医疗服务特征阵列,并分别确定出待推送医疗服务特征信息与医疗服务特征阵列中若干医疗服务特征信息的相关程度,再基于相关程度的大小,从医疗服务特征阵列的若干医疗服务特征信息中,确定出与待推送医疗服务特征信息相关程度最高的医疗服务特征信息,从而能够将相关程度最高的医疗服务特征信息作为待推送医疗服务特征信息的关联医疗服务特征信息,这样能够进一步提高向患者推送的医疗服务特征信息的准确率。
在本申请的一个实施例中,服务器在根据患者画像,从预先确定好的患者画像与待推送医疗服务特征信息的对应关系表中,确定出患者画像对应的待推送医疗服务特征信息之前,通过接收患者在预设时间段内发起的访问请求,并对访问请求中的请求信息进行语义分割,然后对语义分割后的请求信息进行聚类分析,从而确定出患者对应的医疗服务标签,然后服务器基于患者的历史就诊信息,获取患者的生理特征信息,进而根据患者的生理特征信息和患者对应的医疗服务标签,预测出患者感兴趣的医疗服务特征信息。
服务器将预测出的患者感兴趣的医疗服务特征信息发送至患者,并获取患者对预测出的医疗服务特征信息的操作信息,然后根据操作信息对预测出的医疗服务特征信息进行评分,得到医疗服务特征信息对应的评分分值。需要说明的是,本申请实施例中操作信息至少包括以下一项或多项:浏览时长、累计点击次数。
服务器将评分分值大于预设评分阈值的医疗服务特征信息,作为患者画像对应的待推送医疗服务特征信息,并将患者画像与对应的待推送医疗服务特征信息存储至患者画像与待推送医疗服务特征信息的对应关系表中,便于后续根据患者画像直接找到相应的待推送医疗服务特征信息,提高推送的效率和准确率。
步骤103、基于患者对关联医疗服务特征集合中各关联医疗服务特征信息的反应数据,从关联医疗服务特征集合中确定患者对应的目标医疗服务特征信息。
服务器通过将关联医疗服务特征集合中的各关联医疗服务特征信息发送至患者,能够获取患者对各关联医疗服务特征信息的反应数据,从而能够根据患者对各关联医疗服务特征信息的反应数据,确定出患者真实意图对应的目标医疗服务特征信息。
步骤104、根据目标医疗服务特征信息,对待推送医疗服务特征信息的推送策略进行更新,并根据更新后的推送策略,对患者进行医疗服务特征信息推送。
服务器获取向患者推送医疗服务特征信息的原始推送策略,并根据确定出的目标医疗服务特征信息,对原始推送策略进行更新,进而根据更新后的推送策略,向患者进行医疗服务特征信息推送,这样能够使推送的医疗服务特征信息更符合患者的实际需求,提高了医疗服务特征信息的推送效率和推送准确率。
以上为本申请提出的方法实施例。基于同样的发明构思,本申请实施例还提供了基于大数据的行为分析与医疗服务推送设备,其结构如图2所示。
图2为本申请实施例提供的基于大数据的行为分析与医疗服务推送设备的内部结构示意图。如图2所示,设备包括:
至少一个处理器;
以及,与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
基于患者的访问请求,接收患者上传的患者基础特征信息,并基于患者基础特征信息,爬取患者对应的历史行为特征信息,以基于预设行为分析模型对历史行为特征信息进行分析,输出对应的患者画像;
根据患者画像对应的待推送医疗服务特征信息,从医疗服务特征阵列中确定待推送医疗服务特征信息的关联医疗服务特征信息,并建立患者对应的关联医疗服务特征集合;
基于患者对关联医疗服务特征集合中各关联医疗服务特征信息的反应数据,从关联医疗服务特征集合中确定患者对应的目标医疗服务特征信息;
根据目标医疗服务特征信息,对待推送医疗服务特征信息的推送策略进行更新,并根据更新后的推送策略,对患者进行医疗服务特征信息推送。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:
基于患者的访问请求,接收患者上传的患者基础特征信息,并基于患者基础特征信息,爬取患者对应的历史行为特征信息,以基于预设行为分析模型对历史行为特征信息进行分析,输出对应的患者画像;
根据患者画像对应的待推送医疗服务特征信息,从医疗服务特征阵列中确定待推送医疗服务特征信息的关联医疗服务特征信息,并建立患者对应的关联医疗服务特征集合;
基于患者对关联医疗服务特征集合中各关联医疗服务特征信息的反应数据,从关联医疗服务特征集合中确定患者对应的目标医疗服务特征信息;
根据目标医疗服务特征信息,对待推送医疗服务特征信息的推送策略进行更新,并根据更新后的推送策略,对患者进行医疗服务特征信息推送。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.基于大数据的行为分析与医疗服务推送方法,其特征在于,所述方法包括:
基于患者的访问请求,接收所述患者上传的患者基础特征信息,并基于所述患者基础特征信息,爬取所述患者对应的历史行为特征信息,以基于预设行为分析模型对所述历史行为特征信息进行分析,输出对应的患者画像;
根据所述患者画像对应的待推送医疗服务特征信息,从医疗服务特征阵列中确定所述待推送医疗服务特征信息的关联医疗服务特征信息,并建立所述患者对应的关联医疗服务特征集合;
基于所述患者对所述关联医疗服务特征集合中各关联医疗服务特征信息的反应数据,从所述关联医疗服务特征集合中确定所述患者对应的目标医疗服务特征信息;
根据所述目标医疗服务特征信息,对所述待推送医疗服务特征信息的推送策略进行更新,并根据更新后的所述推送策略,对所述患者进行医疗服务特征信息推送;
所述根据所述患者画像对应的待推送医疗服务特征信息,从医疗服务特征阵列中确定所述待推送医疗服务特征信息的关联医疗服务特征信息,具体包括:
根据所述患者画像,从预先确定好的患者画像与待推送医疗服务特征信息的对应关系表中,确定出所述患者画像对应的待推送医疗服务特征信息;
基于预设的数据节点部署模型,对采集到的医疗服务特征信息进行分类,并根据分类结果,将所述医疗服务特征信息存储至医疗服务特征阵列中;
根据所述患者画像对应的待推送医疗服务特征信息,查询所述医疗服务特征阵列,并确定出所述待推送医疗服务特征信息与所述医疗服务特征阵列中若干医疗服务特征信息的相关程度;
从所述医疗服务特征阵列的若干医疗服务特征信息中,确定出与所述待推送医疗服务特征信息相关程度最高的医疗服务特征信息,以将相关程度最高的所述医疗服务特征信息作为所述待推送医疗服务特征信息的关联医疗服务特征信息。
2.根据权利要求1所述的基于大数据的行为分析与医疗服务推送方法,其特征在于,所述根据所述患者画像,从预先确定好的患者画像与待推送医疗服务特征信息的对应关系表中,确定出所述患者画像对应的待推送医疗服务特征信息之前,所述方法还包括:
接收所述患者在预设时间段内发起的访问请求,以对所述访问请求中的请求信息进行语义分割,并对语义分割后的所述请求信息进行聚类分析,以确定所述患者对应的医疗服务标签;
基于所述患者的历史就诊信息,获取所述患者的生理特征信息,并根据所述生理特征信息以及所述医疗服务标签,预测出所述患者感兴趣的医疗服务特征信息;
获取所述患者对预测出的所述医疗服务特征信息的操作信息,并根据所述操作信息对预测出的所述医疗服务特征信息进行评分,得到所述医疗服务特征信息对应的评分分值;其中,所述操作信息至少包括以下一项或多项:浏览时长、累计点击次数;
将所述评分分值大于预设评分阈值的医疗服务特征信息作为所述患者画像对应的待推送医疗服务特征信息,并将所述患者画像与所述对应的待推送医疗服务特征信息存储至患者画像与待推送医疗服务特征信息的对应关系表中。
3.根据权利要求1所述的基于大数据的行为分析与医疗服务推送方法,其特征在于,所述基于患者的访问请求,接收所述患者上传的患者基础特征信息,并基于所述患者基础特征信息,爬取所述患者对应的历史行为特征信息,以基于预设行为分析模型对所述历史行为特征信息进行分析,输出对应的患者画像,具体包括:
基于患者的访问请求,接收所述患者上传的患者基础特征信息,并获取所述患者基础特征信息中所述患者的身份标识;其中,所述患者基础特征信息至少包括:身份标识、性别、年龄、地理位置信息、工作信息和病例记录,所述工作信息包括:工作时长、起止时间和工作环境;
基于所述患者的身份标识,从网络中爬取所述患者对应的历史行为特征信息;其中,所述历史行为特征信息中至少包括:医疗信息检索记录、药品购买记录、就诊记录和病例信息;
将所述患者的历史行为特征信息中的医疗信息检索记录、药品购买记录、就诊记录和病例信息输入至预设行为分析模型中,以通过所述预设行为分析模型对所述历史行为特征信息进行分析,得到对应的分析结果;
根据所述分析结果,建立医疗信息、药品、就诊信息和病例信息与所述患者之间的对应关系,并输出相应的患者画像。
4.根据权利要求1所述的基于大数据的行为分析与医疗服务推送方法,其特征在于,所述基于患者的访问请求,接收所述患者上传的患者基础特征信息,并基于所述患者基础特征信息,爬取所述患者对应的历史行为特征信息之后,所述方法还包括:
基于获取到的所述患者基础特征信息和所述历史行为特征信息,为所述患者进行建模,以通过模型确定所述患者对应的关键特征信息;
根据所述患者对应的关键特征信息,预测所述患者的病情信息,并根据所述病情信息以及所述患者的分类属性信息,确定所述患者对应的患者画像;
其中,所述分类属性信息至少包括以下一项:年龄属性、性别属性或者工作属性。
5.根据权利要求1所述的基于大数据的行为分析与医疗服务推送方法,其特征在于,所述基于预设行为分析模型对所述历史行为特征信息进行分析,输出对应的患者画像之前,所述方法还包括:
将预先确定出患者画像的历史行为特征信息输入卷积神经网络进行训练,以通过所述卷积神经网络的卷积层,从所述历史行为特征信息中提取所述患者对应的属性特征;
将所述属性特征通过所述卷积神经网络的池化层进行池化,并将池化后的所述属性特征输入所述卷积神经网络的全连接层,以通过所述全连接层输出所述历史行为特征信息对应的患者画像;
当所述全连接层输出的患者画像与预先确定出的患者画像相匹配时,完成对卷积神经网络行为分析模型的训练。
6.根据权利要求1所述的基于大数据的行为分析与医疗服务推送方法,其特征在于,所述从所述关联医疗服务特征集合中确定所述患者对应的目标医疗服务特征信息,具体包括:
获取所述患者基础特征信息中的地理位置信息,并确定所述关联医疗服务特征集合中各所述关联医疗服务特征信息的地理位置信息;
根据所述患者所处的地理位置信息和所述关联医疗服务特征信息所处的地理位置信息,确定所述患者与所述关联医疗服务特征信息之间的相对位置关系;
根据所述关联医疗服务特征集合中若干医疗服务特征信息与所述患者的相对位置关系由近到远的顺序,对所述关联医疗服务特征信息进行排序;
根据排序结果,从所述关联医疗服务特征集合的若干关联医疗服务特征信息中,确定出与所述患者的相对位置关系最近的目标医疗服务特征信息。
7.根据权利要求1所述的基于大数据的行为分析与医疗服务推送方法,其特征在于,所述基于所述患者对所述关联医疗服务特征集合中各关联医疗服务特征信息的反应数据,从所述关联医疗服务特征集合中确定所述患者对应的目标医疗服务特征信息,具体包括:
将所述关联医疗服务特征集合中的若干关联医疗服务特征信息发送至所述患者,并获取所述患者在预设时间段内对所述关联医疗服务特征信息的操作数据,以将所述患者的操作数据作为所述患者对所述关联医疗服务特征信息的反映数据;
基于所述反映数据中的浏览时长和累积点击次数,对所述患者与所述关联医疗服务特征信息的感兴趣影响程度,分别确定所述反映数据中所述浏览时长混合所述累积点击次数对应的权重系数;
根据所述对应的权重系数,计算所述患者对所述关联医疗服务特征信息的权重总值,并根据各所述关联医疗服务特征信息对应的权重总值,从所述关联医疗服务特征集合中确定出所述患者对应的目标医疗服务特征信息。
8.基于大数据的行为分析与医疗服务推送设备,其特征在于,所述设备包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7任一项所述的基于大数据的行为分析与医疗服务推送方法。
9.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
如权利要求1-7任一项所述的基于大数据的行为分析与医疗服务推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210761153.2A CN115238173B (zh) | 2022-06-30 | 2022-06-30 | 基于大数据的行为分析与医疗服务推送方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210761153.2A CN115238173B (zh) | 2022-06-30 | 2022-06-30 | 基于大数据的行为分析与医疗服务推送方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115238173A CN115238173A (zh) | 2022-10-25 |
CN115238173B true CN115238173B (zh) | 2023-06-02 |
Family
ID=83670962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210761153.2A Active CN115238173B (zh) | 2022-06-30 | 2022-06-30 | 基于大数据的行为分析与医疗服务推送方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238173B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116364261B (zh) * | 2023-06-02 | 2023-08-01 | 北京小懂科技有限公司 | 一种智能推荐方法、***、设备及存储介质 |
CN116541407B (zh) * | 2023-07-07 | 2023-10-10 | 之江实验室 | 一种数据处理的方法、装置、存储介质及电子设备 |
CN116959686B (zh) * | 2023-07-27 | 2024-02-13 | 常州云燕医疗科技有限公司 | 一种基于数字一体化的医疗信息管理***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776907A (zh) * | 2018-05-31 | 2018-11-09 | 康键信息技术(深圳)有限公司 | 广告智能推荐方法、服务器及存储介质 |
CN110941740A (zh) * | 2019-11-08 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 视频推荐方法及计算机可读存储介质 |
CN113362938A (zh) * | 2021-05-31 | 2021-09-07 | 珠海市魅族科技有限公司 | 一种医疗信息推送方法、装置、电子设备及存储介质 |
CN114443972A (zh) * | 2022-02-11 | 2022-05-06 | 京东城市(北京)数字科技有限公司 | 信息推荐方法、装置、设备及存储介质 |
-
2022
- 2022-06-30 CN CN202210761153.2A patent/CN115238173B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776907A (zh) * | 2018-05-31 | 2018-11-09 | 康键信息技术(深圳)有限公司 | 广告智能推荐方法、服务器及存储介质 |
CN110941740A (zh) * | 2019-11-08 | 2020-03-31 | 腾讯科技(深圳)有限公司 | 视频推荐方法及计算机可读存储介质 |
CN113362938A (zh) * | 2021-05-31 | 2021-09-07 | 珠海市魅族科技有限公司 | 一种医疗信息推送方法、装置、电子设备及存储介质 |
CN114443972A (zh) * | 2022-02-11 | 2022-05-06 | 京东城市(北京)数字科技有限公司 | 信息推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115238173A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115238173B (zh) | 基于大数据的行为分析与医疗服务推送方法、设备及介质 | |
US9785888B2 (en) | Information processing apparatus, information processing method, and program for prediction model generated based on evaluation information | |
CN111881343A (zh) | 信息推送方法、装置、电子设备及计算机可读存储介质 | |
CN107451832B (zh) | 推送信息的方法和装置 | |
TW201923675A (zh) | 資訊推薦方法及裝置、設備 | |
CN113724815B (zh) | 基于决策分群模型的信息推送方法及装置 | |
CN111159563B (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN108205775A (zh) | 一种业务对象的推荐方法、装置和客户端 | |
CN109903127A (zh) | 一种群组推荐方法、装置、存储介质及服务器 | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
CN107547626B (zh) | 用户画像的共享方法和装置 | |
CN110377828B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN111696656A (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN113592589B (zh) | 纺织原料推荐方法、装置及处理器 | |
CN111125507B (zh) | 一种群组活动推荐方法、装置、服务器及计算机存储介质 | |
CN111191065B (zh) | 一种同源图像确定方法及装置 | |
CN112883267A (zh) | 基于深度学习的数据热度统计方法及装置 | |
CN114443671A (zh) | 推荐模型的更新方法、装置、计算机设备和存储介质 | |
CN113836388A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
AU2020335019B2 (en) | Evaluation method based on mobile news client and system thereof | |
CN116504401A (zh) | 一种智能体检项目推荐方法和装置 | |
US20220156312A1 (en) | Personalized image recommendations for areas of interest | |
CN111816276B (zh) | 患教教程推荐方法、装置、计算机设备和存储介质 | |
CN114741540A (zh) | 一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质 |
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 |