医疗分诊的推荐方法、装置、电子设备及存储介质与流程

本申请涉及数字医疗，尤其是涉及到医疗分诊的推荐方法、装置、电子设备及存储介质。

背景技术：

1、国内人口数量和医疗资源之间的巨大差距使得国内医疗资源日渐匮乏，同时，医疗信息过载也导致用户在就医时面临选择难的问题，导致就医效率普遍较低。近年来，随着人工智能技术的快速发展以及医疗大数据的不断积累，国内外学者在医疗推荐领域做出了很多研究工作，对于有特定疾病的患者，m.l6pez-nores等引入了新的过滤策略，具有较高的推荐效率；徐守坤等提出的使用最佳结果优先的医生资源均衡推荐算法，能够解决医疗资源使用过度集中而产生的问题。

2、现有的工作中主要有以下不足：

3、1)采取的算法模型比较简单，无法精确表征患者和待推荐的医生，导致推荐结果的相关性较差，无法有效地提升患者的就医效率和就医体验；

4、2)不涉及用户病情数据处理，推荐结果的同质化过于严重，存在少量医生的就诊病人数量集中，大量医生的就诊病人数量极少的现象，因此无法从根本上解决国内医疗资源分配不均的问题。

5、可见，如何对有限的医疗资源进行有效的整合以及合理的分配，以提升用户就医效率以及就医体验，是目前国内医疗领域短期内急需解决的难题。

技术实现思路

1、有鉴于此，本申请提供了医疗分诊的推荐方法、装置、电子设备及存储介质，主要目的在于解决现有推荐模型算法简单，推荐准确性较低，且存在医生推荐结果两极分化，导致医疗资源分配不合理等技术问题。

2、根据本申请的一个方面，提供了一种医疗分诊的推荐方法，该方法包括：

3、根据医生信息和用户信息训练初始deepfm模型，得到目标deepfm模型；

4、将待推荐医生信息和待就诊用户信息作为目标deepfm模型的输入数据后，提取所述目标deepfm模型最后一层的隐向量；

5、根据所述隐向量、所述待推荐医生信息对应的医生简介语义向量和所述待就诊用户信息对应的用户病症语义向量，确定与所述待就诊用户匹配的目标医生信息。

6、根据本申请的另一方面，提供了一种医疗分诊的推荐装置，该装置包括：

7、deepfm训练模块，用于根据医生信息和用户信息训练初始deepfm模型，得到目标deepfm模型；

8、提取模块，用于将待推荐医生信息和待就诊用户信息作为目标deepfm模型的输入数据后，提取所述目标deepfm模型最后一层的隐向量；

9、确定模块，用于根据所述隐向量、所述待推荐医生信息对应的医生简介语义向量和所述待就诊用户信息对应的用户病症语义向量，确定与所述待就诊用户匹配的目标医生信息。

10、依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述医疗分诊的推荐方法。

11、依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述医疗分诊的推荐方法。

12、借由上述技术方案，本申请提供的医疗分诊的推荐方法、装置、设备及介质，与现有推荐模型算法简单，推荐准确性较低，且存在医生推荐结果两极分化，导致医疗资源分配不合理的技术方案相比，本申请根据医生信息和用户信息训练初始deepfm模型，得到目标deepfm模型；将待推荐医生信息和待就诊用户信息作为目标deepfm模型的输入数据后，提取所述目标deepfm模型最后一层的隐向量；根据所述隐向量、所述待推荐医生信息对应的医生简介语义向量和所述待就诊用户信息对应的用户病症语义向量，确定与所述待就诊用户匹配的目标医生信息。可见，通过提取deepfm模型最后一层的隐向量，并再次引入医生简介语义向量和用户病症语义向量，通过尽量保留医生简介信息与用户病症信息中原有的语义特征，进而进一步校准待就诊用户所匹配的目标医生信息，保证所推荐的目标医生能够较好地解决医疗资源分配不均衡的问题，并且提升了用户的就医效率和就医体验。

13、上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

技术特征：

1.一种医疗分诊的推荐方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述根据医生信息和用户信息训练初始deepfm模型，得到目标deepfm模型步骤，包括：

3.根据权利要求2所述的方法，其特征在于，所述医学中文预训练模型通过以下步骤训练得到：

4.根据权利要求2或3所述的方法，其特征在于，所述根据所述医生简介语义向量和所述用户病症语义向量，确定医生擅长疾病信息、用户病症信息和用户病症类型信息步骤，包括：

5.根据权利要求2或3所述的方法，其特征在于，所述根据所述医生简介语义向量和所述用户病症语义向量，确定医生擅长疾病信息、用户病症信息和用户病症类型信息步骤之前，包括：

6.根据权利要求1所述的方法，其特征在于，所述目标deepfm模型最后一层的隐向量是根据所述目标deepfm模型fm部分最后一层的第一隐向量和所述目标deepfm模型deep部分最后一层的第二隐向量拼接得到的。

7.根据权利要求1所述的方法，其特征在于，所述根据所述隐向量、所述待推荐医生信息对应的医生简介语义向量和所述待就诊用户信息对应的用户病症语义向量，确定与所述待就诊用户匹配的目标医生信息步骤，包括：

8.一种医疗分诊的推荐装置，其特征在于，包括：

9.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述医疗分诊的推荐方法。

10.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的医疗分诊的推荐方法。

技术总结
本申请公开了医疗分诊的推荐方法、装置、设备及介质，涉及数字医疗技术领域，能够解决现有推荐模型算法简单，推荐准确性较低，且存在医生推荐结果两极分化，导致医疗资源分配不合理等技术问题。其中方法包括：根据医生信息和用户信息训练初始DeepFM模型，得到目标DeepFM模型；将待推荐医生信息和待就诊用户信息作为目标DeepFM模型的输入数据后，提取所述目标DeepFM模型最后一层的隐向量；根据所述隐向量、所述待推荐医生信息对应的医生简介语义向量和所述待就诊用户信息对应的用户病症语义向量，确定与所述待就诊用户匹配的目标医生信息。本申请适用于医生个性化推荐。

技术研发人员：吴逗逗
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/13