本发明涉及信息管理,具体为一种基于云计算的智慧医疗信息推送系统及方法。
背景技术:
1、随着移动互联网的蓬勃发展,许多医疗软件提供了消息推送功能,推送技术将传统的获取信息的方法转变为信息主动寻觅用户的方法,这更能满足用户个性化信息的需求;
2、在医疗软件的发展过程中,人们对医疗软件业务的服务质量要求不断提高导致许多缺陷的发生。近年来,由于医患交流的特殊性,用户更加注重消息的送达率和即时性,此时医生问诊线上服务的回复效率成为衡量医生服务质量的关键性指标之一,然而当医疗软件的推送效率低且存在一定的滞后性时,大大影响了双方之间的交流。
3、同时,医疗软件缺乏对消息推送的管理意识,只管将业务触发的消息统统下发,那么随着时间的推移,势必会导致很多无意义的消息和用户无感的内容频繁推给用户,从而流失许多用户,不利于医疗软件的发展。
技术实现思路
1、本发明的目的在于提供一种基于云计算的智慧医疗信息推送系统及方法,以解决上述背景技术中提出的问题。
2、为了解决上述技术问题,本发明提供如下技术方案:一种基于云计算的智慧医疗信息推送方法,包括以下步骤:
3、步骤s100:采集登录目标医疗软件的所有用户身份信息和相应用户在目标医疗软件中的浏览大数据,形成用户身份集;将用户身份集中任意登录用户设为目标用户,则采集历史时间节点下目标用户在目标医疗软件中发送的医疗数据内容和相应医疗数据内容的公开度,形成目标用户的医疗内容集;
4、上述步骤中的浏览大数据表示各用户比较关注的医疗数据内容集合;
5、上述步骤中采集的医疗数据内容均属于可推送数据;其中医疗数据内容中还包括目标用户发送医疗数据内容到接收用户读取医疗数据的全过程记录;其中,医疗内容集中各时间节点下发送的医疗数据内容可以相同也可以不同,表明时间节点和医疗数据内容一一对应,不同时间节点对应的医疗数据内容互相独立;
6、步骤s200:获取医疗内容集中各时间节点下目标用户发送的医疗数据内容和相应医疗数据内容的公开度,依次捕捉各相邻时间节点之间的医疗内容相似度和发送时长间隔,则分析时间节点下医疗内容相似度和发送时长间隔的变化关联性;根据变化关联性对医疗内容相似度和发送时长间隔加权分别得到各医疗数据内容的推送状态值,则根据医疗数据内容的推送状态值和公开度分析推送各医疗数据内容的重要程度;
7、步骤s300:将目标用户发送的任意医疗数据内容设为目标医疗内容,则获取接收目标医疗内容的用户信息和相应用户的浏览大数据,分别形成各医疗数据内容的接收用户集;将目标医疗内容分别和相应接收用户集中各接收用户的浏览大数据进行相似度对比,分别得到各接收用户的信息关联值;获取接收目标医疗内容时接收用户集中各接收用户的数据响应时长,则根据各接收用户的信息关联值和数据响应时长分析各接收用户对目标医疗内容的数据响应程度;
8、步骤s400:根据各医疗数据内容的重要程度对各医疗数据内容进行分类,则根据各类医疗数据内容的重要程度和数据响应程度,分别构建各类医疗数据内容的信息滞后模型;
9、步骤s500:基于当前时间节点下目标用户发送的医疗数据内容,根据所述医疗数据内容的重要程度得到相应的信息滞后模型;根据信息滞后模型自适应调节所述医疗数据内容的推送需求。
10、进一步的,步骤s200包括:
11、步骤s210:获取医疗内容集中各时间节点下目标用户发送的医疗数据内容和相应医疗数据内容的公开度m,则根据相似度算法得到各相邻时间节点之间的医疗内容相似度h=|a1∩a2|/|a1∪a2|,其中a1、a2分别表示各相邻时间节点中第一、二个时间节点的医疗数据内容;将医疗内容相似度h赋值于各相邻时间节点中的第二个时间节点,则以时间节点的序号为横坐标,各相邻时间节点之间的医疗内容相似度h为纵坐标,构建目标用户发送医疗数据内容的相似度变化图;其中,相似度变化图中第一个时间节点序号对应的相似度值h=0;
12、上述步骤中各部分医疗数据内容的公开度是预先设定的,其具体设定的过程是根据在目标医疗软件中对各部分医疗数据内容所设置的等级权限用户的涵盖程度所评估得到的;
13、在目标医疗软件中,能访问某医疗数据内容q1包含第一级、第二级、第三级和第四级用户,则定义相应的等级权限用户涵盖程度为4;而能访问某医疗数据内容q2包含第一级、第二级和第三级用户,则定义相应的等级权限用户涵盖程度为3,则表示某医疗数据内容q1的公开度高;
14、步骤s220:获取各相邻时间节点之间目标用户发送医疗数据内容时的发送时长间隔t,将各相邻时间节点之间的发送时长间隔赋值于第二个时间节点,则以时间节点的序号为横坐标,各相邻时间节点之间的发送时长间隔为纵坐标,构建目标用户发送医疗数据内容的间隔变化图;其中间隔变化图中第一个时间节点序号对应的发送时长间隔值t=0;分别获取目标用户发送医疗数据内容的相似度变化图和间隔变化图,则利用轨迹相似算法得到相似度变化图轨迹和间隔变化图轨迹之间的轨迹变化关联性值a;
15、步骤s230:根据相似度变化图和间隔变化图分别获取各时间节点序号下的医疗内容相似度和发送时长间隔值,则将医疗内容相似度h、发送时长间隔值t和轨迹变化关联性值a进行加权计算得到各时间节点序号下医疗数据内容的推送状态值g=α1/t+α2*a*h/t;其中α1和α2分别表示发送时长间隔权重和医疗内容相似权重;
16、根据上述步骤中的推送状态值可知推送状态值和医疗内容相似度呈正相关,和发送时长间隔值呈负相关;则当医疗内容相似度越高,时长间隔值越短时,对应推送状态值越大,此时表示发送相应医疗数据内容的可用性越高;有利于分析医疗数据内容的有用性和无用性;
17、步骤s240:获取各时间节点序号下医疗数据内容的推送状态值g,构建时间节点序号下相应各医疗数据内容的推送状态变化图;捕捉推送状态变化图中各相邻三个时间节点序号对应轨迹组成的两条拟合直线k1和k2,则将拟合直线k1和k2之间的夹角弧度n1赋值于各相邻三个时间节点序号中第二个时间节点序号,此时根据各时间节点序号下的推送状态值g、对应时间节点序号的夹角弧度n1和对应时间节点序号下医疗数据内容的公开度m得到各时间节点序号下相应各医疗数据内容的重要程度z=n1*g/m;
18、其中,当推送状态值越高时,相应医疗数据内容的重要程度越高;
19、通过将医疗内容相似度的相似度变化图轨迹和发送时长间隔的间隔变化图轨迹进行关联比较,确认医疗数据内容的推送状态值,并根据推送状态值和公开度确认各医疗数据内容的重要程度,有利于分析医疗数据内容的有用性和无用性,便于后续比较数据响应程度,建立信息滞后模型。
20、进一步的,步骤s300包括:
21、步骤s310:将目标用户发送的任意医疗数据内容设为目标医疗内容,则获取接收目标医疗内容的用户信息和相应用户的浏览大数据,分别形成各医疗数据内容的接收用户集;利用相似度算法将目标医疗内容分别和接收用户集中各接收用户的浏览大数据进行相似度对比,分别得到接收用户集中各接收用户的信息关联值;
22、上述步骤中当信息关联值大于关联阈值β时,表示接收用户的浏览大数据和目标医疗内容的关联性高,反之,当小于关联阈值β时,表示接收用户的浏览大数据和目标医疗内容的关联性低;
23、步骤s320:捕捉信息关联值大于关联阈值β的所有接收用户信息,形成关联用户集b1;获取关联用户集b1中各接收用户接收目标医疗内容时的数据响应时长,则筛选出数据响应时长小于时长阈值γ的接收用户数量f1,得到关联响应概率r1=f1/|b1|;捕捉信息关联值小于关联阈值β的所有接收用户信息,形成非关联用户集b2;获取非关联用户集b2中各接收用户接收目标医疗内容时的数据响应时长,则筛选出数据响应时长小于时长阈值γ的接收用户数量f2,得到非关联响应概率r2=f2/|b2|;
24、步骤s330:分别获取关联用户集b1和非关联用户集b2中各接收用户接收目标医疗内容时的数据响应时长均值t1和t2,则基于关联响应概率r1、非关联响应概率r2和数据响应时长均值t1和t2得到目标医疗内容的数据响应程度w=σ1*r1/t1+σ2*r2/t2;其中σ1和σ2分别表示关联响应权重和非关联响应权重;
25、通过比较接收用户的浏览大数据和各医疗数据内容的相似性,分析各接收用户的信息关联值,并基于信息关联值分别分析各接收用户的数据响应概率,进一步确认各医疗数据内容的数据响应程度,有利于分析数据推送时接收用户的滞后性。
26、进一步的,步骤s400包括:
27、步骤s410:获取各时间节点下相应各医疗数据内容的重要程度z,则将各医疗数据内容之间的重要程度差值小于差值阈值φ的各医疗数据内容归为一类,得到任意各类医疗数据内容的重要程度均值z1;
28、步骤s420:基于目标医疗内容的数据响应程度,获取各类医疗数据内容的数据响应程度均值w1,分别构建得到各类医疗数据内容的信息滞后模型p=z1-w1;其中p表示信息滞后值;
29、上述步骤中,当z1-w1大于阈值时,表示任意一类医疗数据内容的重要程度高,但响应程度低,此时目标医疗软件推送任意一类医疗数据内容时存在滞后性,表示信息推送异常;
30、通过构建信息滞后模型便于后续分析各医疗数据内容所属的滞后级数,便于对各医疗数据内容进行智能处理,提高软件推送效率。
31、进一步的,步骤s500包括:
32、步骤s510:基于当前时间节点下目标用户发送的医疗数据内容,获取所述医疗数据内容的重要程度,则当所述医疗数据内容的重要程度和各类医疗数据内容的重要程度均值z1之间差值小于差值阈值φ时,将所述医疗数据内容和相应类别的医疗数据内容归为一类,并基于所属类别匹配相应的信息滞后模型;
33、步骤s520:获取所述医疗数据内容的信息滞后模型,当信息滞后值在0~d1时提高所述医疗数据内容的推送效率并提醒接收用户接收;当信息滞后值在d1~d2时无需处理所述医疗数据内容的推送效率;当信息滞后值在d2~d3时降低所述医疗数据内容的推送效率;其中,d1、d2和d3均表示信息滞后阈值,d1<d2<d3;
34、上述步骤中的信息滞后阈值分为3级,存储于目标医疗软件的数据库中,用于比较医疗数据内容的滞后性,分析医疗数据内容的推送需求。
35、智慧医疗信息推送系统,系统包括:数据采集模块、数据库、节点分析模块、响应处理模块、模型构建模块和智能推送模块;
36、通过数据采集模块采集登录目标医疗软件的所有用户身份信息和相应用户在目标医疗软件中的浏览大数据,形成用户身份集;将用户身份集中任意登录用户设为目标用户,则采集历史时间节点下目标用户在目标医疗软件中发送的医疗数据内容和相应医疗数据内容的公开度,形成目标用户的医疗内容集;
37、通过数据库对所有采集的数据进行存储;
38、通过节点分析模块获取医疗内容集中各时间节点下目标用户发送的医疗数据内容和相应医疗数据内容的公开度,依次捕捉各相邻时间节点之间的医疗内容相似度和发送时长间隔,则分析时间节点下医疗内容相似度和发送时长间隔的变化关联性;根据变化关联性对医疗内容相似度和发送时长间隔加权分别得到各医疗数据内容的推送状态值,则根据医疗数据内容的推送状态值和公开度分析推送各医疗数据内容的重要程度;
39、通过响应处理模块将目标用户发送的任意医疗数据内容设为目标医疗内容,则获取接收目标医疗内容的用户信息和相应用户的浏览大数据,分别形成各医疗数据内容的接收用户集;将目标医疗内容分别和相应接收用户集中各接收用户的浏览大数据进行相似度对比,分别得到各接收用户的信息关联值;获取接收目标医疗内容时接收用户集中各接收用户的数据响应时长,则根据各接收用户的信息关联值和数据响应时长分析各接收用户对目标医疗内容的数据响应程度;
40、通过模型构建模块根据各医疗数据内容的重要程度对各医疗数据内容进行分类,则根据各类医疗数据内容的重要程度和数据响应程度,分别构建各类医疗数据内容的信息滞后模型;
41、通过智能推送模块基于当前时间节点下目标用户发送的医疗数据内容,根据所述医疗数据内容的重要程度得到相应的信息滞后模型;根据信息滞后模型自适应调节所述医疗数据内容的推送需求。
42、进一步的,数据采集模块包括用户信息采集单元和内容采集单元;
43、用户信息采集单元用于采集登录目标医疗软件的所有用户身份信息和相应用户在目标医疗软件中的浏览大数据;内容采集单元用于采集历史时间节点下目标用户在目标医疗软件中发送的医疗数据内容和相应医疗数据内容的公开度。
44、进一步的,节点分析模块包括关联分析单元、状态分析单元和重要程度分析单元;
45、关联分析单元用于获取医疗内容集中各时间节点下目标用户发送的医疗数据内容和相应医疗数据内容的公开度,依次捕捉各相邻时间节点之间的医疗内容相似度和发送时长间隔,则分析时间节点下医疗内容相似度和发送时长间隔的变化关联性;状态分析单元用于根据变化关联性对医疗内容相似度和发送时长间隔加权分别得到各医疗数据内容的推送状态值;重要程度分析单元用于根据医疗数据内容的推送状态值和公开度分析推送各医疗数据内容的重要程度。
46、进一步的,响应处理模块包括相似度分析单元和响应处理单元;
47、相似度分析单元用于将目标医疗内容分别和相应接收用户集中各接收用户的浏览大数据进行相似度对比,分别得到各接收用户的信息关联值;响应处理单元用于获取接收目标医疗内容时接收用户集中各接收用户的数据响应时长,则根据各接收用户的信息关联值和数据响应时长分析各接收用户对目标医疗内容的数据响应程度。
48、进一步的,智能推送模块包括信息匹配单元和智能推送单元;
49、信息匹配单元用于根据当前时间节点下医疗数据内容的重要程度得到相应的信息滞后模型;智能推送单元用于根据信息滞后模型自适应调节所述医疗数据内容的推送需求。
50、与现有技术相比,本发明所达到的有益效果是:
51、本发明通过将医疗内容相似度的相似度变化图轨迹和发送时长间隔的间隔变化图轨迹进行关联比较,确认医疗数据内容的推送状态值,并根据推送状态值和公开度确认各医疗数据内容的重要程度,有利于分析医疗数据内容的有用性和无用性,便于后续比较数据响应程度,建立信息滞后模型;通过比较接收用户的浏览大数据和各医疗数据内容的相似性,分析各接收用户的信息关联值,并基于信息关联值分别分析各接收用户的数据响应概率,进一步确认各医疗数据内容的数据响应程度,有利于分析数据推送时接收用户的滞后性。