一种医学信息推荐方法及系统转让专利
申请号 : CN202010787111.7
文献号 : CN111914174B
文献日 : 2021-07-02
发明人 : 张发宝 , 李欣梅
申请人 : 上海梅斯医药科技有限公司
摘要 :
权利要求 :
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系统,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;
系统建立子模块,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;
所述医学信息推荐系统还包括: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系统,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系统,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。
说明书 :
一种医学信息推荐方法及系统
技术领域
背景技术
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
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。
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。
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。
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。
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。
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。
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;系统建立子模块,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。
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。
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。
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。
该用户的需求,且对该用户在该专业类别的精进更有帮助。
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
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。
具体实施方式
细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、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。
骤、操作、元素、组件和/或集合的存在或添加。
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。
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。
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)。
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。
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。
级。这样才方便后续的类别及等级匹配。
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。
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。
后续确定该用户认知等级的一个参考因子。
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。
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系统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,
难易度评测系统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。
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。
级;
据信息的难易度分布量之间的拟合关系。
关系,用来作为用户的认知等级的预测模型。
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。
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。
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。
本申请的医学信息推荐系统的一个实施例,如图4所示,包括:
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。
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。
等级。
类别的认知等级;
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;
分数、及医学数据信息的难易度分布量之间的拟合关系。
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。
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。
选实施例以及落入本申请范围的所有变更和修改。
之内,则本申请也意图包含这些改动和变型在内。