一种医疗处方推荐方法、装置、电子设备和可读存储介质与流程

1.本技术涉及数据处理及数字医疗技术领域，尤其是涉及到一种医疗处方推荐方法、装置、电子设备和可读存储介质。


背景技术：

2.随着互联网流量的成本越来越高，企业从传统的推广方式逐渐转向了精细化运营，更加注重用户留存和转化率。相关技术中，提高转化率的方法分为两种，一是产品路径优化，提升用户体验，监控页面转化漏斗情况并测试改进；二是用户调研、用户追踪，发现用户潜在需求，引导用户转化。这些方法都是基于用户已有自主行为进行追踪优化，对于互联网医疗平台问诊行为或购物行为不能完全适用。
3.医疗场景中需要对用户(也即患者)进行更为精确的商品推荐，解决用户在医疗领域因为专业知识缺失导致无法正确描述需求，或无法找到合适保健品、药品等问题。传统的医疗场景往往通过医生问诊方式来推荐正确或合适的处方，而相关技术中互联网大数据如上所述，更多的基于用户消费习惯等历史自主行为向用户推荐商品。然而在医疗场景中，往往用户没有历史购物场景，也即存在冷启动问题，从而导致使用相关技术中的互联网大数据进行推荐的方式无法适用于医疗场景。


技术实现要素：

4.有鉴于此，本技术提供了一种医疗处方推荐方法、装置、电子设备和可读存储介质，保证了推荐处方的准确性，提高了用户的留存和转化率。
5.第一方面，本技术实施例提供了一种医疗处方推荐方法，包括：
6.获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；
7.若查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；若未查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；
8.将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品。
9.根据本技术实施例的上述方法，还可以具有以下附加技术特征：
10.在上述技术方案中，可选地，所述方法还包括：
11.获取医生对所述推荐医疗处方的评价反馈信息；
12.若所述评价反馈信息为所述推荐医疗处方预测正确，则显示所述推荐医疗处方。
13.在上述任一技术方案中，可选地，所述方法还包括：
14.获取用户对所述推荐医疗处方的下单反馈信息；
15.根据所述下单反馈信息和所述评价反馈信息，对所述预测模型进行更新。
16.在上述任一技术方案中，可选地，通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量，或者通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量，具体包括：
17.通过多个不同的所述特征提取模型分别对获取数据进行特征提取处理，得到多个子特征向量，所述获取数据包括所述历史医疗数据和所述实时问诊数据，或者所述获取数据包括所述实时问诊数据；
18.将多个所述子特征向量进行合并，生成多维的所述医疗特征向量。
19.在上述任一技术方案中，可选地，所述方法还包括：
20.获取样本数据，并根据所述样本数据，分别训练多个不同的所述特征提取模型；
21.其中，在模型训练时，利用所述样本数据对当前特征提取模型进行训练，得到训练结果，根据所述训练结果调整所述样本数据的权重，再利用所述样本数据对下一个特征提取模型。
22.在上述任一技术方案中，可选地，所述根据所述样本数据，分别训练多个不同的所述特征提取模型，具体包括：
23.将所述样本数据拆分为多个词组，根据多个所述词组分别训练多个不同的所述特征提取模型。
24.在上述任一技术方案中，可选地，所述历史医疗数据包括以下至少一项：历史下单数据、历史问诊数据、历史医疗处方、历史体检数据、历史运动数据、历史睡眠数据、历史心理咨询数据。
25.第二方面，本技术实施例提供了一种医疗处方推荐装置，包括：
26.获取模块，用于获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；
27.特征提取模块，用于若查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；若未查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；
28.预测模块，用于将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品。
29.第三方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。
30.第四方面，本技术实施例提供了一种可读存储介质，该可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。
31.第五方面，本技术实施例提供了一种芯片，该芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现如第一方面的方法。
32.第六方面，本技术实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面的方法。
33.在本技术实施例中，获取用户的实时问诊数据，根据该用户的用户信息在医疗健康服务云平台中查找对用户信息对应的历史医疗数据。当在医疗健康服务云平台中查找到
用户信息对应的历史医疗数据时，表明用户在平台上产生过医疗行为，则通过多个特征提取模型对获取到的历史医疗数据和实时问诊数据进行特征提取处理，得到医疗特征向量，进而由预测模型依据医疗特征向量进行医疗处方预测，得到适合用户的推荐医疗处方。当在医疗健康服务云平台中未查找到用户信息对应的历史医疗数据时，表明用户为平台新用户，其在平台上未产生过医疗行为，则通过多个特征提取模型对实时问诊数据进行特征提取处理，得到医疗特征向量，进而由预测模型依据医疗特征向量进行医疗处方预测，得到适合用户的推荐医疗处方。
34.本技术实施例，一方面，能够将各种历史医疗数据进行结合，可以确保平台推荐的医疗处方单在历史医生开具过的处方范围内，保证了预测处方的正确性，推荐的商品历史上有类似需求的用户有过购买记录缩小了推荐商品的范围，提高了精确度。另一方面，对于平台新用户，也即没有历史医疗数据的用户，本技术可以基于用户实时的问诊数据给出相应准确性较高的推荐结果，保证了冷启动的准确性。通过准确的医疗处方的推荐，方便用户进行购药，提高了医疗健康服务云平台上用户的留存和转化率。
35.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
36.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
37.图1示出了本技术实施例的医疗处方推荐方法的流程示意图之一；
38.图2示出了本技术实施例的医疗处方推荐方法的流程示意图之二；
39.图3示出了本技术实施例的医疗处方推荐方法的流程示意图之三；
40.图4示出了本技术实施例的医疗处方推荐装置的结构框图；
41.图5示出了本技术实施例的电子设备的结构框图。
具体实施方式
42.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本技术保护的范围。
43.本技术的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
44.医疗云(medical cloud)，是指在云计算、移动技术、多媒体、4g通信、大数据以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用与结合，提高了医疗机构的效
率，方便居民就医。目前医院的预约挂号、智能诊断及导诊、电子病历、医保、线上问诊、购药、体检报告的生成与分析等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
45.下面结合附图，通过具体的实施例及其应用场景对本技术实施例提供的医疗处方推荐方法、装置、电子设备和可读存储介质进行详细地说明。
46.本技术实施例提供了一种医疗处方推荐方法，应用于医疗健康服务云平台。如图1所示，该方法包括：
47.步骤101，获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；
48.步骤102，判断是否查找到所述用户的历史医疗数据，若查找到所述用户的历史医疗数据，则进入步骤103，若未查找到所述用户的历史医疗数据，则进入步骤104；
49.步骤103，通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；
50.步骤104，通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；
51.步骤105，将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品。
52.在该实施例中，获取用户的实时问诊数据，该问诊数据包括病症描述、药品或保健品搜索信息等。根据该用户的用户信息(例如，用户id、用户手机号等)在医疗健康服务云平台中查找对用户信息对应的历史医疗数据。
53.需要说明的是，若用户曾经在医疗健康服务云平台上进行过问诊、购药等医疗行为，则在用户授权的情况下，会将用户的历史医疗数据进行存储，若用户为平台新用户，未进行过问诊、购药等医疗行为，则平台中并未存储有用户的历史医疗数据。
54.当在医疗健康服务云平台中查找到用户信息对应的历史医疗数据时，表明用户在平台上产生过医疗行为，则通过多个特征提取模型对获取到的历史医疗数据和实时问诊数据进行特征提取处理，得到医疗特征向量，进而由预测模型依据医疗特征向量进行医疗处方预测，得到适合用户的推荐医疗处方。
55.当在医疗健康服务云平台中未查找到用户信息对应的历史医疗数据时，表明用户为平台新用户，其在平台上未产生过医疗行为，则通过多个特征提取模型对实时问诊数据进行特征提取处理，得到医疗特征向量，进而由预测模型依据医疗特征向量进行医疗处方预测，得到适合用户的推荐医疗处方。
56.其中，医疗商品包括药品、保健品、医疗器械等等，在此不作具体限定。
57.需要说明的是，上述特征提取模型为具有特征提取能力的深度网络模型，能够对历史医疗数据和/或实时问诊数据进行医疗特征提取。
58.在一个实施例中，多个特征提取模型包括基于random forest随机森林的分类模型、基于dnn(deep-learning neural network，深度神经网络)的分类模型以及基于rnn(recurrent neural network，循环神经网络)的分类模型，其中，基于random forest随机森林的分类模型是决策树的随机集成，能够在一定程度上改善决策树容易被攻击的弱点，适用于数据维度不高且需要达到较高准确性的情况，无需调整过多参数，具有较好的解释
性。通过上述三个特征提取模型，分别对历史医疗数据和/或实时问诊数据的文本数据集进行特征提取。
59.本技术实施例，一方面，能够将各种历史医疗数据进行结合，可以确保平台推荐的医疗处方单在历史医生开具过的处方范围内，保证了预测处方的正确性，推荐的商品历史上有类似需求的用户有过购买记录缩小了推荐商品的范围，提高了精确度。另一方面，对于平台新用户，也即没有历史医疗数据的用户，本技术可以基于用户实时的问诊数据给出相应准确性较高的推荐结果，保证了冷启动的准确性。
60.通过准确的医疗处方的推荐，方便用户进行购药，提高了医疗健康服务云平台上用户的留存和转化率。
61.在本技术一个实施例中，所述历史医疗数据包括历史医疗行为数据和历史健康行为数据，历史医疗行为数据包括但不限于历史下单数据、历史问诊数据、历史医疗处方等，历史健康行为数据包括但不限于历史体检数据、历史运动数据、历史睡眠数据、历史心理咨询数据等。
62.本技术能够对于上述数据进行分析，基于线上问诊的过程和结果、海量医生对于不同疾病开出的不同处方、用户进入平台后的搜索关键词，结合医生病症对应处方经验、历史记录中其他类似购药行为用户选择的结果，为用户推荐较为合适的医疗处方。
63.作为对上述实施例的细化和扩展，本发明实施例提供了另一种医疗处方推荐方法，如图2所示，该方法包括：
64.步骤201，获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；
65.步骤202，判断是否查找到所述用户的历史医疗数据，若查找到所述用户的历史医疗数据，则进入步骤203，若未查找到所述用户的历史医疗数据，则进入步骤204；
66.步骤203，通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；
67.步骤204，通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；
68.步骤205，将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品；
69.步骤206，获取医生对所述推荐医疗处方的评价反馈信息，若所述评价反馈信息为所述推荐医疗处方预测正确，则显示所述推荐医疗处方。
70.其中，步骤201至步骤205与上述实施例中的步骤101至步骤105相同或相似，在此不再赘述。
71.在该实施例中，在生成推荐医疗处方后，将推荐医疗处方发送至医生终端，以供医生对该推荐医疗处方进行评价。若该推荐医疗处方正确，则反馈该推荐医疗处方正确的评价反馈信息；若该推荐医疗处方不正确，则反馈包括该推荐医疗处方不正确以及对该推荐医疗处方进行调整的评价反馈信息。
72.在获取医生反馈的评价反馈信息后，若该评价反馈信息为推荐医疗处方预测正确，则向用户显示；若该评价反馈信息为推荐医疗处方预测不正确，则结合医生对该推荐医疗处方的调整，对该推荐医疗处方进行更新，更新后向用户显示。
73.本技术实施例，通过结合医生的评价反馈后再推荐给用户，进一步保证向用户推荐的医疗处方的准确。
74.作为对上述实施例的细化和扩展，本发明实施例提供了再一种医疗处方推荐方法，如图3所示，该方法包括：
75.步骤301，获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；
76.步骤302，判断是否查找到所述用户的历史医疗数据，若查找到所述用户的历史医疗数据，则进入步骤303，若未查找到所述用户的历史医疗数据，则进入步骤304；
77.步骤303，通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；
78.步骤304，通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；
79.步骤305，将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品；
80.步骤306，获取医生对所述推荐医疗处方的评价反馈信息，若所述评价反馈信息为所述推荐医疗处方预测正确，则显示所述推荐医疗处方；
81.步骤307，获取用户对所述推荐医疗处方的下单反馈信息，根据所述下单反馈信息和所述评价反馈信息，对所述预测模型进行更新。
82.其中，步骤301至步骤206与上述实施例中的步骤201至步骤206相同或相似，在此不再赘述。
83.在该实施例中，在向用户推荐医疗处方后，获取用户对医疗处方的下单反馈信息，该下单反馈信息包括用户下单信息和用户未下单信息，用户下单信息包括预测出的推荐医疗处方为多个时用户下单的医疗商品、购买次数、处方评价等，用户未下单信息包括未下单原因等。进而将用户对医疗处方的下单反馈信息以及医生对医疗处方的评价反馈信息作为新的医疗特征向量，参与下一次的预测模型的训练和优化，提高了预测模型的精准性，进而保证推荐结果的准确性。
84.在上述任一实施例中，通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量，或者通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量，具体包括：
85.通过多个不同的所述特征提取模型分别对获取数据进行特征提取处理，得到多个子特征向量，所述获取数据包括所述历史医疗数据和所述实时问诊数据，或者所述获取数据包括所述实时问诊数据；
86.将多个所述子特征向量进行合并，生成多维的所述医疗特征向量。
87.在该实施例中，通过多个不同的特征提取模型分别对获取数据进行特征提取处理，针对下单数据主要提取品牌名称、购买次数等，问诊数据主要提取问诊的诊断结果、问诊次数、问诊时长、对话次数、每次对话内容长度等，医疗处方主要提取处方内容、总计开处方次数等。体检数据主要提取体检次数、不达标数据等，运动数据主要提取运动次数、运动的项目、每次运动的时长等，睡眠数据主要提取睡眠时长、睡眠质量等，咨询数据主要提取咨询次数、是否用权益进行抵扣、问诊结果、问诊医生性别等，通过特征提取将数据提取为
模型可以理解的内容。
88.将上述每个特征提取模型提取的特征进行级联拼接，也就是说，每一组数据(历史医疗数据和/或实时问诊数据)会被提取为多维向量，级联拼接就是将这些向量放入一个集合里。例如，如果每一次对于一组数据提取出3个二维的向量，那么3个特征提取模型对应的向量级联拼接之后得到9个二维向量，9个二维向量都是用来描述这组数据的。
89.进一步地，医疗特征向量输入预测模型，实现医疗处方预测。其中，预测模型可以为svm(support vector mac，又称为支持向量机)模型，svm模型基于核函数适合处理高维样本空间上的数据分类，根据分类的概率设定阈值，当预测的处方单概率通过显著性检验，则输出预测的处方。
90.通过上述方式，将多个特征提取模型提取的子特征向量级联拼接为一个多维的医疗特征向量，通过多种特征实现医疗处方预测，提高了医疗处方预测的准确性。
91.在上述任一实施例中，所述方法还包括：
92.获取样本数据，并根据所述样本数据，分别训练多个不同的所述特征提取模型；
93.其中，在模型训练时，利用所述样本数据对当前特征提取模型进行训练，得到训练结果，根据所述训练结果调整所述样本数据的权重，再利用所述样本数据对下一个特征提取模型。
94.在该实施例中，在对多个不同的特征提取模型进行模型训练时，进行集成训练，利用前一个模型的表现更新样本的权重，再训练后一个模型。例如，首先从具有初始权重的训练集训练出一个弱学习器1，再依据弱学习器1的表现来更新样本的权重。然后，在具有新的权重的训练集上训练弱学习器2，再依据弱学习器2的表现来更新样本的权重，由此重复多次，得到m个学习器。
95.通过上述方式，解决了单个模型或者某一组参数的模型所固有的缺陷，从而整合起更多的模型，取长补短，避免局限性。在集成中，将每一份在之前一个模型训练后误差率高的样本数据放入下一个模型训练时，提高它的权重(boosting)，更加重视这份样本数据，以提高对模型训练的效果。
96.在上述任一实施例中，所述根据所述样本数据，分别训练多个不同的所述特征提取模型，具体包括：
97.将所述样本数据拆分为多个词组，根据多个所述词组分别训练多个不同的所述特征提取模型。
98.在该实施例中，因为问诊环节和心理咨询环节有对话内容，针对样本数据中的问诊数据和心理咨询数据，是引入词组的切词方式，将切词得到的词组(phrase)作为参数输入模型进行训练，相对于采用单个的词(word)作为参数进行分类训练，能够提升准确率。
99.作为上述医疗处方推荐方法的具体实现，本技术实施例提供了一种医疗处方推荐装置。如图4所示，该医疗处方推荐装置400包括：获取模块401、特征提取模块402以及预测模块403。
100.其中，获取模块401，用于获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；
101.特征提取模块402，用于若查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；若
未查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；
102.预测模块403，用于将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品。
103.在该实施例中，获取用户的实时问诊数据，根据该用户的用户信息在医疗健康服务云平台中查找对用户信息对应的历史医疗数据。当在医疗健康服务云平台中查找到用户信息对应的历史医疗数据时，表明用户在平台上产生过医疗行为，则通过多个特征提取模型对获取到的历史医疗数据和实时问诊数据进行特征提取处理，得到医疗特征向量，进而由预测模型依据医疗特征向量进行医疗处方预测，得到适合用户的推荐医疗处方。当在医疗健康服务云平台中未查找到用户信息对应的历史医疗数据时，表明用户为平台新用户，其在平台上未产生过医疗行为，则通过多个特征提取模型对实时问诊数据进行特征提取处理，得到医疗特征向量，进而由预测模型依据医疗特征向量进行医疗处方预测，得到适合用户的推荐医疗处方。
104.本技术实施例，一方面，能够将各种历史医疗数据进行结合，可以确保平台推荐的医疗处方单在历史医生开具过的处方范围内，保证了预测处方的正确性，推荐的商品历史上有类似需求的用户有过购买记录缩小了推荐商品的范围，提高了精确度。另一方面，对于平台新用户，也即没有历史医疗数据的用户，本技术可以基于用户实时的问诊数据给出相应准确性较高的推荐结果，保证了冷启动的准确性。
105.通过准确的医疗处方的推荐，方便用户进行购药，提高了医疗健康服务云平台上用户的留存和转化率。
106.进一步地，获取模块401，还用于获取医生对所述推荐医疗处方的评价反馈信息；
107.所述装置还包括：
108.显示模块，用于若所述评价反馈信息为所述推荐医疗处方预测正确，则显示所述推荐医疗处方。
109.进一步地，获取模块401，还用于获取用户对所述推荐医疗处方的下单反馈信息；
110.所述装置还包括：
111.模型训练模块，用于根据所述下单反馈信息和所述评价反馈信息，对所述预测模型进行更新。
112.进一步地，特征提取模块402，具体用于：
113.通过多个不同的所述特征提取模型分别对获取数据进行特征提取处理，得到多个子特征向量，所述获取数据包括所述历史医疗数据和所述实时问诊数据，或者所述获取数据包括所述实时问诊数据；
114.将多个所述子特征向量进行合并，生成多维的所述医疗特征向量。
115.进一步地，获取模块401，还用于获取样本数据；
116.模型训练模块，还用于根据所述样本数据，分别训练多个不同的所述特征提取模型；
117.其中，在模型训练时，利用所述样本数据对当前特征提取模型进行训练，得到训练结果，根据所述训练结果调整所述样本数据的权重，再利用所述样本数据对下一个特征提取模型。
118.进一步地，模型训练模块，具体用于：
119.将所述样本数据拆分为多个词组，根据多个所述词组分别训练多个不同的所述特征提取模型。
120.进一步地，所述历史医疗数据包括以下至少一项：历史下单数据、历史问诊数据、历史医疗处方、历史体检数据、历史运动数据、历史睡眠数据、历史心理咨询数据。
121.本技术实施例中的医疗处方推荐装置400可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(mobile internet device，mid)、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，还可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
122.本技术实施例中的医疗处方推荐装置400可以为具有操作系统的装置。该操作系统可以为安卓(android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本技术实施例不作具体限定。
123.本技术实施例提供的医疗处方推荐装置400能够实现图1至图3的医疗处方推荐方法实施例实现的各个过程，为避免重复，这里不再赘述。
124.本技术实施例还提供一种电子设备，如图5所示，该电子设备500包括处理器501和存储器502，存储器502上存储有可在处理器501上运行的程序或指令，该程序或指令被处理器501执行时实现上述医疗处方推荐方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
125.需要说明的是，本技术实施例中的电子设备包括上述的移动电子设备和非移动电子设备。
126.存储器502可用于存储软件程序以及各种数据。存储器502可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器502可以包括易失性存储器或非易失性存储器，或者，存储器502可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本技术实施例中的存储器502包括但不限于这些和任意其它适合类型的存储器。
127.处理器501可包括一个或多个处理单元；可选的，处理器501集成应用处理器和调
制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
128.本技术实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述医疗处方推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
129.本技术实施例还提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述医疗处方推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
130.应理解，本技术实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
131.本技术实施例还提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述医疗处方推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
132.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本技术实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
133.上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。

技术特征：
1.一种医疗处方推荐方法，其特征在于，包括：获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；若查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；若未查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取医生对所述推荐医疗处方的评价反馈信息；若所述评价反馈信息为所述推荐医疗处方预测正确，则显示所述推荐医疗处方。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取用户对所述推荐医疗处方的下单反馈信息；根据所述下单反馈信息和所述评价反馈信息，对所述预测模型进行更新。4.根据权利要求1所述的方法，其特征在于，通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量，或者通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量，具体包括：通过多个不同的所述特征提取模型分别对获取数据进行特征提取处理，得到多个子特征向量，所述获取数据包括所述历史医疗数据和所述实时问诊数据，或者所述获取数据包括所述实时问诊数据；将多个所述子特征向量进行合并，生成多维的所述医疗特征向量。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：获取样本数据，并根据所述样本数据，分别训练多个不同的所述特征提取模型；其中，在模型训练时，利用所述样本数据对当前特征提取模型进行训练，得到训练结果，根据所述训练结果调整所述样本数据的权重，再利用所述样本数据对下一个特征提取模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述样本数据，分别训练多个不同的所述特征提取模型，具体包括：将所述样本数据拆分为多个词组，根据多个所述词组分别训练多个不同的所述特征提取模型。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述历史医疗数据包括以下至少一项：历史下单数据、历史问诊数据、历史医疗处方、历史体检数据、历史运动数据、历史睡眠数据、历史心理咨询数据。8.一种医疗处方推荐装置，其特征在于，包括：获取模块，用于获取用户的实时问诊数据，并根据所述用户的用户信息对应查找所述用户的历史医疗数据；特征提取模块，用于若查找到所述用户的历史医疗数据，则通过多个特征提取模型对所述历史医疗数据和所述实时问诊数据进行特征提取处理，得到医疗特征向量；若未查找
到所述用户的历史医疗数据，则通过多个特征提取模型对所述实时问诊数据进行特征提取处理，得到医疗特征向量；预测模块，用于将所述医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，所述推荐医疗处方中包括至少一个医疗商品。9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的医疗处方推荐方法的步骤。10.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的医疗处方推荐方法的步骤。

技术总结
本申请提供了一种医疗处方推荐方法、装置、电子设备和可读存储介质，涉及数据处理及数字医疗技术领域。该方法包括：获取用户的实时问诊数据，并根据用户的用户信息对应查找用户的历史医疗数据；若查找到用户的历史医疗数据，则通过多个特征提取模型对历史医疗数据和实时问诊数据进行特征提取处理，得到医疗特征向量；若未查找到用户的历史医疗数据，则通过多个特征提取模型对实时问诊数据进行特征提取处理，得到医疗特征向量；将医疗特征向量输入至预测模型进行医疗处方预测，得到推荐医疗处方，推荐医疗处方中包括至少一个医疗商品。本申请保证了预测处方的准确性，通过准确的医疗处方的推荐，方便用户进行购药，提高了用户的留存和转化率。的留存和转化率。的留存和转化率。


技术研发人员：洪敬业
受保护的技术使用者：康键信息技术（深圳）有限公司
技术研发日：2023.07.04
技术公布日：2023/10/15