智能推送醫療資源的方法及系統技術方案

本發明專利技術公開智能推送醫療資源的方法，包括：在醫療資源推送平臺上，獲取第一用戶的醫療資源推送因素，收集與所述第一用戶具有相同醫療資源推送因素的第二用戶形成第二用戶集合，并收集所述第二用戶集合中的醫療資源推送因素；獲取預定數量的第二用戶組成熟悉用戶集合；獲取設定數量的第二用戶組成興趣相似用戶集合；利用所述熟悉用戶集合及興趣相似用戶集合中每個第二用戶對所述第二用戶集合中的醫療資源推送因素的評分得到所述第二用戶集合中的醫療資源推送因素的預測評分；將所述預測評分大于或等于預測評分閾值的所述第二用戶集合中的醫療資源推送因素所對應的醫療資源推送給所述第一用戶。本發明專利技術使得醫療資源得到了合理、均勻的利用。

【技術實現步驟摘要】

本專利技術涉及智能醫療的
，更具體地，涉及一種智能推送醫療資源的方法及系統。
技術介紹
隨著互聯網技術的快速發展，現在的互聯網結合移動網絡技術能夠實現不同區域的人們之間隨時隨地的互動溝通。基于互聯網的在線醫療領域，用戶可以通過互聯網與醫生在線互動進行醫療咨詢，打破了傳統醫療領域中必須用戶與醫生面對面溝通醫治的方式，實現了跨地域的醫療資源共享，解除了醫療資源的地域限制，實現了醫療資源的合理分配，同時解決了現今在醫院醫治排號難、路途遠等看病難的問題。在線醫療收集大量的醫療資源信息提供至用戶，用戶需要從如此龐大的醫療資源信息中找到適合自己的醫療資源也是一件極其困難的事情。并且，信息過載已經成為當今互聯網的一大難題，加上醫療資源、醫生信息等具有專業信息，對于沒有專業認知的普通用戶來說，要想在龐大的檢索信息中選擇合適自己的醫療資源就更加困難了。每個患者用戶所需求的醫療資源各不相同，由于患者對醫生的認識不全面或只愿意選擇有名氣的醫生，以至于有些醫生預約困難，而另外一些醫生無人問津，導致醫療資源分配嚴重不均，會嚴重影響到在線醫療平臺運行的平衡性。而且用戶自己找到的醫生也不一定能適合醫治自己的病情，就會造成極大地資源浪費。對于用戶來講，如果能提供一種結合用戶自身情況的醫療資源智能且專業的推薦方案，就能夠省去用戶自己查找醫療資源的諸多不便。因此，提供一種結合醫療資源及用戶屬性合理調度醫療資源并向用戶智能推送醫療資源的方案是本領域亟待解決的問題。
技術實現思路
有鑒于此，本專利技術提供了一種智能推送醫療資源的方法及系統，通過獲取用戶特定的醫生狀態信息并及時推送至用戶，方便用戶隨時獲取特定醫生的狀態信息。為了解決上述技術問題，本專利技術提出一種智能推送醫療資源的方法，包括：在醫療資源推送平臺上，獲取第一用戶的醫療資源推送因素，收集與所述第一用戶具有相同醫療資源推送因素的第二用戶形成第二用戶集合，并收集所述第二用戶集合中的醫療資源推送因素；根據所述第一用戶與第二用戶集合中每個第二用戶的往來記錄數據與所述往來記錄數據的跨度時間比值，獲取所述第一用戶與第二用戶集合中每個用戶的熟悉程度，并將所述熟悉程度從大到小排序得到熟悉程度排序；根據所述熟悉程度排序順序獲取預定數量的第二用戶組成熟悉用戶集合；在所述第二用戶集合中，根據每個第二用戶對所述第二用戶集合中的醫療資源推送因素的興趣度加權值與用戶總數的比值，獲得所述第二用戶集合中的醫療資源推送因素在所述第二用戶集合中的興趣相似度，并將所述興趣相似度從大到小順序排序得到興趣相似度排序；根據所述興趣相似度排序順序獲取設定數量的第二用戶組成興趣相似用戶集合；利用所述熟悉用戶集合及興趣相似用戶集合中每個第二用戶對所述第二用戶集合中的醫療資源推送因素的評分平均值，得到所述第二用戶集合中的醫療資源推送因素的預測評分；將所述預測評分大于或等于預測評分閾值的所述第二用戶集合中的醫療資源推送因素所對應的醫療資源推送給所述第一用戶。進一步地，其中，在醫療資源推送平臺上，獲取第一用戶的醫療資源推送因素為：在醫療資源推送平臺上，從網絡平臺中收集第一用戶的屬性信息數據；將從所述網絡平臺中收集到的所述屬性信息數據進行對比，采用貝葉斯算法得到所述屬性信息數據的真實性概率；在所述屬性信息數據的真實性概率大于或等于真實性概率閾值時，基于預設的醫療資源推送因素從所述網絡平臺中，獲取所述第一用戶的醫療資源推送因素。進一步地，其中，所述屬性信息數據，包括：年齡、性別、職業、工作單位、學校、學歷、住址、IP地址、興趣；所述醫療資源推送因素，包括：用戶所在地區、用戶的問診醫生、用戶的問診醫院、用戶標識、用戶標簽、用戶問診的時間、用戶問診的內容、用戶的手機號段、用戶的設備類型、用戶所在地的節氣、用戶的瀏覽歷史、用戶的定制信息、用戶問診的病種、用戶的年齡、用戶的性別、用戶的家族病史、用戶所屬的工作人群、用戶的身體特征、用戶的種族、用戶在醫療資源推送平臺上的活躍度及同類醫療資源的歡迎度。進一步地，其中，在所述屬性信息數據的真實性概率小于所述真實性概率閾值時，在醫療資源推送平臺上所述發出預警。進一步地，其中，所述真實性概率閾值大于或等于30％。另一方面，本專利技術還提供一種智能推送醫療資源的系統，包括：第二用戶集合創建模塊、熟悉程度獲取模塊、興趣相似度獲取模塊、醫療資源推送因素預測評分模塊及醫療資源推送因素推送模塊；其中，所述第二用戶集合創建模塊，用于在醫療資源推送平臺上，獲取第一用戶的醫療資源推送因素，收集與所述第一用戶具有相同醫療資源推送因素的第二用戶形成第二用戶集合，并收集所述第二用戶集合中的醫療資源推送因素；所述熟悉程度獲取模塊，用于根據所述第一用戶與第二用戶集合中每個第二用戶的往來記錄數據與所述往來記錄數據的跨度時間比值，獲取所述第一用戶與第二用戶集合中每個用戶的熟悉程度，并將所述熟悉程度從大到小排序得到熟悉程度排序；根據所述熟悉程度排序順序獲取預定數量的第二用戶組成熟悉用戶集合；所述興趣相似度獲取模塊，用于在所述第二用戶集合中，根據每個第二用戶對所述第二用戶集合中的醫療資源推送因素的興趣度加權值與用戶總數的比值，獲得所述第二用戶集合中的醫療資源推送因素在所述第二用戶集合中的興趣相似度，并將所述興趣相似度從大到小順序排序得到興趣相似度排序；根據所述興趣相似度排序順序獲取設定數量的第二用戶組成興趣相似用戶集合；所述醫療資源推送因素預測評分模塊，用于利用所述熟悉用戶集合及興趣相似用戶集合中每個第二用戶對所述第二用戶集合中的醫療資源推送因素的評分平均值，得到所述第二用戶集合中的醫療資源推送因素的預測評分；將所述預測評分大于或等于預測評分閾值的所述第二用戶集合中的醫療資源推送因素所對應的醫療資源推送給所述第一用戶。進一步地，其中，所述第二用戶集合創建模塊，進一步用于：在醫療資源推送平臺上，從網絡平臺中收集第一用戶的屬性信息數據；將從所述網絡平臺中收集到的所述屬性信息數據進行對比，采用貝葉斯算法得到所述屬性信息數據的真實性概率；在所述屬性信息數據的真實性概率大于或等于真實性概率閾值時，基于預設的醫療資源推送因素從所述網絡平臺中，獲取所述第一用戶的醫療資源推送因素；采用領域算法收集與所述第一用戶具有相同醫療資源推送因素的第二用戶形成第二用戶集合。進一步地，其中，所述屬性信息數據，包括：年齡、性別、職業、工作單位、學校、學歷、住址、IP地址、興趣；所述醫療資源推送因素，包括：用戶所在地區、用戶的問診醫生、用戶的問診醫院、用戶標識、用戶標簽、用戶問診的時間、用戶問診的內容、用戶的手機號段、用戶的設備類型、用戶所在地的節氣、用戶的瀏覽歷史、用戶的定制信息、用戶問診的病種、用戶的年齡、用戶的性別、用戶的家族病史、用戶所屬的工作人群、用戶的身體特征、用戶的種族、用戶在醫療資源推送平臺上的活躍度及同類醫療資源的歡迎度。進一步地，其中，所述第二用戶集合創建模塊，進一步用于：在所述屬性信息數據的真實性概率小于所述真實性概率閾值時，在醫療資源推送平臺上所述發出預警。進一步地，其中，所述真實性概率閾值大于或等于30％。與現有技術相比，本專利技術的智能推送醫療資源的方法及系統，實現了如下的有益效果：(1)本專利技術所述的智能推送醫療資源的方法及系統，克服了需要用戶根據本文檔來自技高網...

【技術保護點】
一種智能推送醫療資源的方法，其特征在于，包括：在醫療資源推送平臺上，獲取第一用戶的醫療資源推送因素，收集與所述第一用戶具有相同醫療資源推送因素的第二用戶形成第二用戶集合，并收集所述第二用戶集合中的醫療資源推送因素；根據所述第一用戶與第二用戶集合中每個第二用戶的往來記錄數據與所述往來記錄數據的跨度時間比值，獲取所述第一用戶與第二用戶集合中每個用戶的熟悉程度，并將所述熟悉程度從大到小排序得到熟悉程度排序；根據所述熟悉程度排序順序獲取預定數量的第二用戶組成熟悉用戶集合；在所述第二用戶集合中，根據每個第二用戶對所述第二用戶集合中的醫療資源推送因素的興趣度加權值與用戶總數的比值，獲得所述第二用戶集合中的醫療資源推送因素在所述第二用戶集合中的興趣相似度，并將所述興趣相似度從大到小順序排序得到興趣相似度排序；根據所述興趣相似度排序順序獲取設定數量的第二用戶組成興趣相似用戶集合；利用所述熟悉用戶集合及興趣相似用戶集合中每個第二用戶對所述第二用戶集合中的醫療資源推送因素的評分平均值，得到所述第二用戶集合中的醫療資源推送因素的預測評分；將所述預測評分大于或等于預測評分閾值的所述第二用戶集合中的醫療資源推送因素所對應的醫療資源推送給所述第一用戶。...

【技術特征摘要】
1.一種智能推送醫療資源的方法，其特征在于，包括：在醫療資源推送平臺上，獲取第一用戶的醫療資源推送因素，收集與所述第一用戶具有相同醫療資源推送因素的第二用戶形成第二用戶集合，并收集所述第二用戶集合中的醫療資源推送因素；根據所述第一用戶與第二用戶集合中每個第二用戶的往來記錄數據與所述往來記錄數據的跨度時間比值，獲取所述第一用戶與第二用戶集合中每個用戶的熟悉程度，并將所述熟悉程度從大到小排序得到熟悉程度排序；根據所述熟悉程度排序順序獲取預定數量的第二用戶組成熟悉用戶集合；在所述第二用戶集合中，根據每個第二用戶對所述第二用戶集合中的醫療資源推送因素的興趣度加權值與用戶總數的比值，獲得所述第二用戶集合中的醫療資源推送因素在所述第二用戶集合中的興趣相似度，并將所述興趣相似度從大到小順序排序得到興趣相似度排序；根據所述興趣相似度排序順序獲取設定數量的第二用戶組成興趣相似用戶集合；利用所述熟悉用戶集合及興趣相似用戶集合中每個第二用戶對所述第二用戶集合中的醫療資源推送因素的評分平均值，得到所述第二用戶集合中的醫療資源推送因素的預測評分；將所述預測評分大于或等于預測評分閾值的所述第二用戶集合中的醫療資源推送因素所對應的醫療資源推送給所述第一用戶。2.根據權利要求1所述的智能推送醫療資源的方法，其特征在于，在醫療資源推送平臺上，獲取第一用戶的醫療資源推送因素，進一步為：在醫療資源推送平臺上，從網絡平臺中收集第一用戶的屬性信息數據；將從所述網絡平臺中收集到的所述屬性信息數據進行對比，采用貝葉斯算法得到所述屬性信息數據的真實性概率；在所述屬性信息數據的真實性概率大于或等于真實性概率閾值時，基于預設的醫療資源推送因素從所述網絡平臺中，獲取所述第一用戶的醫療資源推送因素。3.根據權利要求2所述的智能推送醫療資源的方法，其特征在于，所述屬性信息數據，包括：年齡、性別、職業、工作單位、學校、學歷、住址、IP地址、興趣；所述醫療資源推送因素，包括：用戶所在地區、用戶的問診醫生、用戶的問診醫院、用戶標識、用戶標簽、用戶問診的時間、用戶問診的內容、用戶的手機號段、用戶的設備類型、用戶所在地的節氣、用戶的瀏覽歷史、用戶的定制信息、用戶問診的病種、用戶的年齡、用戶的性別、用戶的家族病史、用戶所屬的工作人群、用戶的身體特征、用戶的種族、用戶在醫療資源推送平臺上的活躍度及同類醫療資源的歡迎度。4.根據權利要求2所述的智能推送醫療資源的方法，其特征在于，在所述屬性信息數據的真實性概率小于所述真實性概率閾值時，在醫療資源推送平臺上所述發出預警。5.根據權利要求2所述的智能推送醫療資源的方法，其特征在于，所述真實性概率閾值大于或等于30％。6.一種智能推送醫療資源的系統，其特征在于，包括：第二用戶集合創建模塊、熟悉程度獲取模塊、興趣相似度獲取模塊、醫療資源推送因素預測評分模塊及醫療資源推送因素推送模塊；其中...

【專利技術屬性】
技術研發人員：崔有省，郭晨陽，宋曉天，
申請(專利權)人：上海覽海在線健康管理有限公司，
類型：發明
國別省市：上海;31