医疗就诊的推荐系统及其方法与流程

1.本技术涉及智能化医疗领域，且更为具体地，涉及一种医疗就诊的推荐系统及其方法。


背景技术：

2.在患者就医过程中，根据患者自身情况帮助患者更快速、准确地找到适合的医生或医院，有利于提高医疗服务的效率和质量。因此，期待构建一种医疗就诊的推荐系统。
3.然而，构建医疗就诊的推荐系统存在诸多技术难点，例如，医疗数据通常来自不同的来源，涉及的信息种类繁多，且往往存在数据缺失、错误、重复等问题，以及，不同的患者有不同的健康需求和医疗背景。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种医疗就诊的推荐系统及其方法，其可以提高患者就医体验和治疗效果。
5.根据本技术的一个方面，提供了一种医疗就诊的推荐系统，其包括：用户画像获取模块，用于获取目标对象的用户画像，其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息；文本描述获取模块，用于获取备选医疗资源的文本描述；第一语义编码模块，用于将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量；第二语义编码模块，用于将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量；关联编码模块，用于对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵；空间编码模块，用于将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行特征值位置信息表达强化以得到优化分类特征矩阵；以及分类模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向目标对象推荐备选医疗资源。
6.根据本技术的另一个方面，提供了一种医疗就诊的推荐方法，其包括：获取目标对象的用户画像，其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息；获取备选医疗资源的文本描述；将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量；将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量；对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵；将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵；对所述分类特征矩阵进行特征值位置信息表达强化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向目标对象推荐备选医疗资源。
7.与现有技术相比，本技术提供的医疗就诊的推荐系统及其方法，其首先将目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量，接着，
将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量，然后，对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵，接着，将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵，最后，将对所述分类特征矩阵进行特征值位置信息表达强化后通过分类器以得到用于表示是否向目标对象推荐备选医疗资源的分类结果。这样，可以提高患者就医体验和治疗效果。
附图说明
8.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
9.图1为根据本技术实施例的医疗就诊的推荐系统的框图示意图。
10.图2为根据本技术实施例的医疗就诊的推荐系统中的所述第一语义编码模块的框图示意图。
11.图3为根据本技术实施例的医疗就诊的推荐系统中的所述空间编码模块的框图示意图。
12.图4为根据本技术实施例的医疗就诊的推荐系统中的所述分类模块的框图示意图。
13.图5为根据本技术实施例的医疗就诊的推荐方法的流程图。
14.图6为根据本技术实施例的医疗就诊的推荐方法的系统架构的示意图。
15.图7为根据本技术实施例的医疗就诊的推荐系统的应用场景图。
具体实施方式
16.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，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，也属于本技术保护的范围。
17.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
18.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
19.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
20.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
21.针对上述技术问题，本技术的技术构思为首先构建患者用户画像以此来充分表征患者基本信息和就诊需求，并使用基于自然语言处理模型的语义编码器对患者用户画像和医疗资源进行语义理解以得到用户画像语义编码特征向量和备选医疗资源语义编码特征向量，并以两者的关联特征表示来表达两者之间的适配度，最终以分类器来确定是否向目标对象推荐备选医疗资源。基于上述技术构思构建所述医疗就诊的推荐系统，其能够克服医疗数据来源多样和信息种类繁杂等难点，实现了提高医疗服务效率和质量的目标。同时，通过个性化推荐，能够更准确地为患者推荐适合的医生或医院，提高患者就医体验和治疗效果。
22.图1为根据本技术实施例的医疗就诊的推荐系统的框图示意图。如图1所示，根据本技术实施例的医疗就诊的推荐系统100，包括：用户画像获取模块110，用于获取目标对象的用户画像，其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息；文本描述获取模块120，用于获取备选医疗资源的文本描述；第一语义编码模块130，用于将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量；第二语义编码模块140，用于将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量；关联编码模块150，用于对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵；空间编码模块160，用于将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵；优化模块170，用于对所述分类特征矩阵进行特征值位置信息表达强化以得到优化分类特征矩阵；以及，分类模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向目标对象推荐备选医疗资源。
23.更具体地，在本技术实施例中，所述用户画像获取模块110，用于获取目标对象的用户画像，其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息。所述文本描述获取模块120，用于获取备选医疗资源的文本描述。应可以理解，在医疗领域中，患者的健康需求和医疗背景具有重要的个性化特征，因此需要针对不同的患者进行精细化的分析和推荐。所述用户画像是指对用户进行全面、深入、准确地分析和描述，以便更好地理解用户需求和行为。在医疗就诊推荐系统中，获取目标对象的用户画像，可以包含目标对象的基本信息（如年龄、性别、职业等）以及目标对象的需求信息（如病情、治疗历史、用药情况、健康意识等），上述信息都是医生或医院为患者提供个性化服务所必需的。相应地，通过获取目标对象的用户画像，推荐系统可以根据患者的个人特征和需求信息，对备选医疗资源进行筛选和匹配，从而提供更加符合患者实际情况和需求的医疗资源，提高患者的就医满意度和治疗效果。其中，获取的目标对象的用户画像和备选医疗资源的文本描述可以存放在数据库或文件系统中，以便推荐系统进行后续的匹配和推荐。具体来说，可以使用关系型数据库或非关系型数据库来存储用户画像和医疗资源的文本描述，例如mysql、mongodb等。此外，也可以将获取的目标对象的用户画像和备选医疗资源的文本描述存储在文件系统中，如json、xml等格式的文件。
24.更具体地，在本技术实施例中，所述第一语义编码模块130，用于将所述目标对象
的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量。也就是，使用基于自然语言处理模型的语义编码器对患者用户画像进行语义理解以得到用户画像语义编码特征向量。所述语义编码器为基于转换器的bert模型。当然，在本技术其他示例中，所述语义编码器还可以是其他语言模型，例如，rnn模型、lstm模型、gru模型、bi-lstm模型等，对此，并不为本技术所局限。
25.相应地，在一个具体示例中，如图2所示，所述第一语义编码模块130，包括：第一词嵌入单元131，用于将所述目标对象的用户画像分别通过所述上下文编码器的所述词嵌入层以将所述目标对象的用户画像分别转化为嵌入向量以得到用户画像嵌入向量的序列；第一语义编码单元132，用于将所述用户画像嵌入向量的序列输入所述语义编码器以得到多个用户画像语义特征向量；以及，第一级联单元133，用于将所述多个用户画像语义特征向量进行级联以得到所述用户画像语义编码特征向量。
26.更具体地，在本技术实施例中，所述第二语义编码模块140，用于将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量。也就是，使用基于自然语言处理模型的语义编码器对医疗资源进行语义理解以得到备选医疗资源语义编码特征向量。应可以理解，包含词嵌入层的语义编码器是一种基于深度学习模型的自然语言处理模型，其可以将自然语言文本转换成对应的向量表示。在该模型中，词嵌入层是指将文本中的每个单词映射成一个向量表示的层，其可以将文本中的每个单词转换成一个固定长度的向量，以便后续的处理。在得到单词向量表示后，语义编码器可以进一步将整个文本序列转换成一个向量表示，该向量表示可以被用于文本分类、相似性匹配等任务。
27.在一个具体示例中，使用包含词嵌入层的语义编码器对备选医疗资源的文本描述进行语义理解，以得到备选医疗资源语义编码特征向量。具体实施时，可以使用预训练的词向量模型（如word2vec、glove等）来构建词嵌入层，并使用循环神经网络（如lstm、gru等）或卷积神经网络（cnn）等模型作为语义编码器，对文本进行编码，编码后的向量可以作为备选医疗资源的语义特征向量，用于后续的匹配和推荐。
28.更具体地，在本技术实施例中，所述关联编码模块150，用于对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵。也就是，在高维语义特征空间中，构建患者用户画像和医疗资源信息之间的关联特征表示，所述关联特征表示用于表达患者的就医需求和医疗资源之间存在复杂的关系。在一个具体的示例中，计算所述备选医疗资源语义编码特征向量的转置向量和所述用户画像语义编码特征向量之间的向量乘积以得到所述高维匹配特征矩阵。也就是说，对所述用户画像语义编码特征向量表达的所述目标对象的用户画像的文本编码特征和所述备选医疗资源语义编码特征向量表达的所述备选医疗资源的文本描述的文本编码特征进行逐位置关联以得到所述高维匹配特征矩阵。
29.相应地，在一个具体示例中，所述关联编码模块150，用于：以如下关联编码公式对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到所述高维匹配特征矩阵；其中，所述关联编码公式为：，其中，表示所述备选医疗资源语义编码特征向量，表示所述备选医疗资源语义编码特征向量，
表示所述用户画像语义编码特征向量，表示所述高维匹配特征矩阵， 表示向量相乘。也就是说，对所述用户画像语义编码特征向量表达的所述目标对象的用户画像的文本编码特征和所述备选医疗资源语义编码特征向量表达的所述备选医疗资源的文本描述的文本编码特征进行逐位置关联以得到所述高维匹配特征矩阵。
30.更具体地，在本技术实施例中，所述空间编码模块160，用于将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵。考虑到所述高维匹配特征矩阵中不同位置的特征值对于最终分类判断的贡献度不同，也就是，不同的患者信息和医疗咨询信息之间的关联对于最终的分类判断的贡献度不同，为了充分利用空间维度的特征权重特异性，将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵。
31.应可以理解，空间注意力模块是一种常用的深度学习模块，本技术中，空间注意力模块用于对患者信息和医疗咨询信息之间的关联进行建模，以更好地捕捉不同位置的特征值对于最终分类判断的贡献度不同这一特性。空间注意力模块通常由两部分组成：查询、键、值（qkv）计算和注意力权重计算。具体来说，给定输入特征图，首先通过三个卷积层分别生成查询、键、值特征图，然后计算注意力权重，最后将值特征图与注意力权重相乘并相加得到输出特征图。
32.相应地，在一个具体示例中，如图3所示，所述空间编码模块160，包括：深度卷积编码单元161，用于使用所述空间注意力模块的卷积编码部分对所述高维匹配特征矩阵进行深度卷积编码以得到高维匹配卷积特征图；空间注意力单元162，用于将所述高维匹配卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；激活单元163，用于将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；计算单元164，用于计算所述空间注意力特征图和所述空间注意力图的按位置点乘以得到分类特征图；以及，池化单元165，用于将所述分类特征图进行沿通道维度的池化处理以得到所述分类特征矩阵。
33.值得一提的是，池化是一种常用的神经网络操作，其可以将输入的特征图进行降维处理，减少参数数量，同时也可以对输入特征图进行平移不变性的处理，使得网络对输入的小变化具有一定的鲁棒性。在深度学习中，常用的池化方式有最大池化、平均池化等。在池化单元165中，所述分类特征图会沿着通道维度进行池化处理，得到分类特征矩阵。具体来说，假设输入的特征图大小为h
×w×
c，其中h、w、c分别表示高度、宽度和通道数，那么在沿着通道维度进行池化时，会对每个通道分别进行池化操作，得到一个大小为h'
×
w'的矩阵，其中h'、w'分别表示在该通道上进行池化后的高度和宽度。最终得到的分类特征矩阵大小为h'
×
w'
×
c，其中每个通道对应了一个h'
×
w'的矩阵，表示该通道上的特征信息。
34.更具体地，在本技术实施例中，所述优化模块170，用于对所述分类特征矩阵进行特征值位置信息表达强化以得到优化分类特征矩阵。特征值位置信息表达强化是指在特征值的基础上，通过增加位置信息来强化特征表达的能力。在本技术中，对分类特征矩阵进行特征值位置信息表达强化，以进一步提高推荐的准确性和效果。
35.特别地，在本技术的技术方案中，在对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码得到所述高维匹配特征矩阵时，是对所述用户画像语义编码特征向量表达的所述目标对象的用户画像的文本编码特征和所述备选医疗
资源语义编码特征向量表达的所述备选医疗资源的文本描述的文本编码特征进行逐位置关联，因此所述高维匹配特征矩阵各个位置的特征值具有相应的位置属性，而在将所述高维匹配特征矩阵通过空间注意力模块得到所述分类特征矩阵时，考虑到空间注意力模块对于特征矩阵的各个位置的特征值的基于空间分布的加权强化，所述分类特征矩阵的各个位置的特征值更加强化了位置属性。但是，在将所述分类特征矩阵通过分类器进行分类回归时，需要将所述分类特征矩阵展开为特征向量，也就是，涉及到所述分类特征矩阵的特征值的基于位置属性的重新排列变换，因此，为了提升所述分类特征矩阵的各个特征值在排列变换时的位置信息表达效果，计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数。
36.相应地，在一个具体示例中，所述优化模块170，用于：以如下因数计算公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；其中，所述因数计算公式为：，其中， 代表将二维实数映射为一维实数的函数，和分别是所述分类特征矩阵的宽度和高度，是所述分类特征矩阵第个位置的特征值，为所述分类特征矩阵的各个特征值的坐标，且是所述分类特征矩阵的所有特征值的全局均值，是以2为底的对数函数，是所述分类特征矩阵的第个位置的特征值的位置信息图式注意力响应因数；以及，以所述位置信息图式注意力响应因数作为权重分别对所述分类特征矩阵的每个位置的特征值进行加权以得到所述优化分类特征矩阵。
37.这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述分类特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述分类特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性（permutation invariance）性质。因此，通过以此所述位置信息图式注意力响应因数对所述分类特征矩阵的各个特征值进行加权，就可以提升所述分类特征矩阵展开后得到的特征向量的各个特征值在排列变换时对所述分类特征矩阵的特征值的位置信息表达效果，从而提升所述分类特征矩阵通过分类器得到的分类结果的准确性。
38.值得一提的是，将二维实数映射为一维实数的函数可以采用线性映射函数、多项式映射函数、基函数映射函数或者卷积映射函数中的一种或者多种，当然也可以采用其他实施方式。
39.更具体地，在本技术实施例中，所述分类模块180，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向目标对象推荐备选医疗资源。也就是，在得到所述分类特征矩阵后，使用所述分类器来确定所述分类特征矩阵所属的类概率标签，所述类概率标签用于表示是否向目标对象推荐备选医疗资源。
40.也就是，在本技术的技术方案中，所述分类器的标签包括向目标对象推荐备选医疗资源(第一标签)，以及，不向目标对象推荐备选医疗资源(第二标签)，其中，所述分类器
通过软最大值函数来确定所述优化分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否向目标对象推荐备选医疗资源”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否向目标对象推荐备选医疗资源的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否向目标对象推荐备选医疗资源”的语言文本意义。
41.应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、svm等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
42.相应地，在一个具体示例中，如图4所示，所述分类模块180，包括：矩阵展开单元181，用于将所述优化分类特征矩阵按照行向量或列向量展开为优化分类特征向量；全连接编码单元182，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元183，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
43.值得一提的是，矩阵展开是指将一个矩阵按照行或者列的顺序展开成一个向量，以便于进行计算和优化。对于一个 的矩阵，按照行展开成一个向量的方法是将矩阵的每一行依次排列在一起，即将第一行的所有元素排在向量的前个位置，第二行的所有元素排在向量的第到个位置，以此类推，最后得到一个长度为的向量。按照行展开的公式如下：，按照列展开的方法与按照行展开类似，只不过是将矩阵的每一列依次排列在一起，最后得到的向量也是长度为的。按照列展开的公式如下：需要注意的是，展开的方向并不影响矩阵的内容，只是改变了数据在向量中的排列顺序。
44.进一步地，在一个示例中，向目标对象推荐备选医疗资源，可以通过：在用户界面上展示推荐的备选医疗资源，让用户自主选择；通过短信、邮件等方式向用户发送推荐的备选医疗资源信息；将推荐的备选医疗资源信息直接推送到用户的移动设备上。这些推荐手段可以根据实际情况进行选择和组合，以达到更好的推荐效果和用户体验。
45.综上，基于本技术实施例的医疗就诊的推荐系统100被阐明，其首先将目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量，接着，将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量，然后，对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵，接着，将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵，最后，将对所述分类特征矩阵进行特征值位置信息表
达强化后通过分类器以得到用于表示是否向目标对象推荐备选医疗资源的分类结果。这样，可以提高患者就医体验和治疗效果。
46.如上所述，根据本技术实施例的基于本技术实施例的医疗就诊的推荐系统100可以实现在各种终端设备中，例如具有基于本技术实施例的医疗就诊的推荐算法的服务器等。在一个示例中，基于本技术实施例的医疗就诊的推荐系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本技术实施例的医疗就诊的推荐系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本技术实施例的医疗就诊的推荐系统100同样可以是该终端设备的众多硬件模块之一。
47.替换地，在另一示例中，该基于本技术实施例的医疗就诊的推荐系统100与该终端设备也可以是分立的设备，并且该医疗就诊的推荐系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
48.图5为根据本技术实施例的医疗就诊的推荐方法的流程图。图6为根据本技术实施例的医疗就诊的推荐方法的系统架构的示意图。如图5和图6所示，根据本技术实施例的医疗就诊的推荐方法，其包括：s110，获取目标对象的用户画像，其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息；s120，获取备选医疗资源的文本描述；s130，将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量；s140，将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量；s150，对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵；s160，将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵；s170，对所述分类特征矩阵进行特征值位置信息表达强化以得到优化分类特征矩阵；以及，s180，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向目标对象推荐备选医疗资源。
49.在一个具体示例中，在上述医疗就诊的推荐方法中，所述语义编码器为基于转换器的bert模型。
50.在一个具体示例中，在上述医疗就诊的推荐方法中，将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量，包括：将所述目标对象的用户画像分别通过所述上下文编码器的所述词嵌入层以将所述目标对象的用户画像分别转化为嵌入向量以得到用户画像嵌入向量的序列；将所述用户画像嵌入向量的序列输入所述语义编码器以得到多个用户画像语义特征向量；以及，将所述多个用户画像语义特征向量进行级联以得到所述用户画像语义编码特征向量。
51.这里，本领域技术人员可以理解，上述医疗就诊的推荐方法中的各个步骤的具体操作已经在上面参考图1到图4的医疗就诊的推荐系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
52.图7为根据本技术实施例的医疗就诊的推荐系统的应用场景图。如图7所示，在该应用场景中，首先，获取目标对象的用户画像（例如，图7中所示意的d1）以及备选医疗资源的文本描述（例如，图7中所示意的d2），其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息，然后，将所述目标对象的用户画像和所述备选医疗资源的文本描述输入至部署有医疗就诊的推荐算法的服务器中（例如，图7中所示意的s），其中，所述服务器
能够使用所述医疗就诊的推荐算法对所述目标对象的用户画像和所述备选医疗资源的文本描述进行处理以得到用于表示是否向目标对象推荐备选医疗资源的分类结果。
53.除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
54.上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种医疗就诊的推荐系统，其特征在于，包括：用户画像获取模块，用于获取目标对象的用户画像，其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息；文本描述获取模块，用于获取备选医疗资源的文本描述；第一语义编码模块，用于将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量；第二语义编码模块，用于将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量；关联编码模块，用于对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵；空间编码模块，用于将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行特征值位置信息表达强化以得到优化分类特征矩阵；以及分类模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向目标对象推荐备选医疗资源。2.根据权利要求1所述的医疗就诊的推荐系统，其特征在于，所述语义编码器为基于转换器的bert模型。3.根据权利要求2所述的医疗就诊的推荐系统，其特征在于，所述第一语义编码模块，包括：第一词嵌入单元，用于将所述目标对象的用户画像分别通过所述上下文编码器的所述词嵌入层以将所述目标对象的用户画像分别转化为嵌入向量以得到用户画像嵌入向量的序列；第一语义编码单元，用于将所述用户画像嵌入向量的序列输入所述语义编码器以得到多个用户画像语义特征向量；以及第一级联单元，用于将所述多个用户画像语义特征向量进行级联以得到所述用户画像语义编码特征向量。4.根据权利要求3所述的医疗就诊的推荐系统，其特征在于，所述关联编码模块，用于：以如下关联编码公式对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到所述高维匹配特征矩阵；其中，所述关联编码公式为：，其中，表示所述备选医疗资源语义编码特征向量，表示所述备选医疗资源语义编码特征向量，表示所述用户画像语义编码特征向量，表示所述高维匹配特征矩阵， 表示向量相乘。5.根据权利要求4所述的医疗就诊的推荐系统，其特征在于，所述空间编码模块，包括：深度卷积编码单元，用于使用所述空间注意力模块的卷积编码部分对所述高维匹配特征矩阵进行深度卷积编码以得到高维匹配卷积特征图；空间注意力单元，用于将所述高维匹配卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；激活单元，用于将所述空间注意力图通过softmax激活函数以得到空间注意力特征图；计算单元，用于计算所述空间注意力特征图和所述空间注意力图的按位置点乘以得到分类特征图；以及池化单元，用于将所述分类特征图进行沿通道维度的池化处理以得到所述分类特征矩阵。6.根据权利要求5所述的医疗就诊的推荐系统，其特征在于，所述优化模块，用于：以如下因数计算公式计算所述分类特征矩阵的每个位置的特征值的位置信息图式注意力响应因数；其中，所述因数计算公式为：，其
中， 代表将二维实数映射为一维实数的函数，和分别是所述分类特征矩阵的宽度和高度，是所述分类特征矩阵第个位置的特征值，为所述分类特征矩阵的各个特征值的坐标，且是所述分类特征矩阵的所有特征值的全局均值，是以2为底的对数函数，是所述分类特征矩阵的第个位置的特征值的位置信息图式注意力响应因数；以及以所述位置信息图式注意力响应因数作为权重分别对所述分类特征矩阵的每个位置的特征值进行加权以得到所述优化分类特征矩阵。7.根据权利要求6所述的医疗就诊的推荐系统，其特征在于，所述分类模块，包括：矩阵展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为优化分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。8.一种医疗就诊的推荐方法，其特征在于，包括：获取目标对象的用户画像，其中，所述用户画像包含目标对象的基本信息以及目标对象的需求信息；获取备选医疗资源的文本描述；将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量；将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量；对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵；将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵；对所述分类特征矩阵进行特征值位置信息表达强化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向目标对象推荐备选医疗资源。9.根据权利要求8所述的医疗就诊的推荐方法，其特征在于，所述语义编码器为基于转换器的bert模型。10.根据权利要求9所述的医疗就诊的推荐方法，其特征在于，将所述目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量，包括：将所述目标对象的用户画像分别通过所述上下文编码器的所述词嵌入层以将所述目标对象的用户画像分别转化为嵌入向量以得到用户画像嵌入向量的序列；将所述用户画像嵌入向量的序列输入所述语义编码器以得到多个用户画像语义特征向量；以及将所述多个用户画像语义特征向量进行级联以得到所述用户画像语义编码特征向量。

技术总结
公开了一种医疗就诊的推荐系统及其方法。其首先将目标对象的用户画像通过包含词嵌入层的语义编码器以得到用户画像语义编码特征向量，接着，将所述备选医疗资源的文本描述通过所述包含词嵌入层的语义编码器以得到备选医疗资源语义编码特征向量，然后，对所述备选医疗资源语义编码特征向量和所述用户画像语义编码特征向量进行关联编码以得到高维匹配特征矩阵，接着，将所述高维匹配特征矩阵通过空间注意力模块以得到分类特征矩阵，最后，将对所述分类特征矩阵进行特征值位置信息表达强化后通过分类器以得到用于表示是否向目标对象推荐备选医疗资源的分类结果。这样，可以提高患者就医体验和治疗效果。提高患者就医体验和治疗效果。提高患者就医体验和治疗效果。


技术研发人员：郑栋
受保护的技术使用者：杭州医初科技有限公司
技术研发日：2023.06.14
技术公布日：2023/9/6