具体实施方式

下面结合说明书附图，对本公开实施例的方案进行详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本公开具体实施例。

图1是本公开一种实施例提供的基于智慧医疗大数据的医疗信息推送系统10的场景示意图。基于智慧医疗大数据的医疗信息推送系统10可以包括智慧医疗系统100以及与智慧医疗系统100通信连接的智慧医疗订阅设备200。图1所示的基于智慧医疗大数据的医疗信息推送系统10仅为一种可行的示例，在其它可行的实施例中，该基于智慧医疗大数据的医疗信息推送系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。

本实施例中，基于智慧医疗大数据的医疗信息推送系统10中的智慧医疗系统100和智慧医疗订阅设备200可以通过配合执行以下方法实施例所描述的基于智慧医疗大数据的医疗信息推送方法，具体智慧医疗系统100和智慧医疗订阅设备200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于智慧医疗大数据的医疗信息推送方法的流程示意图，本实施例提供的基于智慧医疗大数据的医疗信息推送方法可以由图1中所示的智慧医疗系统100执行，下面对该基于智慧医疗大数据的医疗信息推送方法进行详细介绍。

步骤S110，在接收到兴趣反馈行为对医疗电商信息的信息选择指令时，对所述兴趣反馈行为进行兴趣匹配处理，得到对应的兴趣匹配结果。

在本实施例中，所述智慧医疗系统100在接收到兴趣反馈行为对医疗电商信息的信息选择指令时，可以对所述兴趣反馈行为进行兴趣匹配处理，如此，可以得到对应的兴趣匹配结果。

其中，若所述兴趣匹配结果为匹配失败，可以执行步骤S120。

步骤S120，检测所述兴趣反馈行为是否属于无效兴趣反馈行为。

在本实施例中，在基于步骤S110得到为匹配失败的兴趣匹配结果时，所述智慧医疗系统100可以检测所述兴趣反馈行为是否属于无效兴趣反馈行为，即确定是否会受到所述兴趣反馈行为的网络攻击。

其中，所述无效兴趣反馈行为用于表示误操作反馈行为。并且，若所述兴趣反馈行为属于无效兴趣反馈行为，可以执行步骤S130。

步骤S130，将所述信息选择指令的选择医疗电商信息片段从所述医疗电商信息迁移至预先生成的兴趣推送片段。

在本实施例中，在基于步骤S120检测到所述兴趣反馈行为属于无效兴趣反馈行为时，所述智慧医疗系统100可以将所述信息选择指令的选择医疗电商信息片段从所述医疗电商信息迁移至预先生成的兴趣推送片段。

其中，所述兴趣推送片段与所述医疗电商信息之间至少存在部分相同数据信息。

基于上述方法，通过在接收到兴趣反馈行为对医疗电商信息的信息选择指令时，先进行兴趣匹配处理，并在匹配失败时检测兴趣反馈行为是否属于无效兴趣反馈行为，以在兴趣反馈行为属于无效兴趣反馈行为时将信息选择指令的选择医疗电商信息片段从医疗电商信息迁移至预先生成的兴趣推送片段。基于此，可以避免在确定兴趣反馈行为属于无效兴趣反馈行为时直接进行信息推送而导致后续影响用户体验的问题，提高业务推送的体验。

例如，一种实施例中，可以基于以下步骤对所述兴趣反馈行为进行检测：

首先，若所述兴趣匹配结果为匹配失败，可以从目标行为库获取预先形成并存储的无效兴趣反馈行为集，并获取所述兴趣反馈行为的反馈行为标签信息。其次，判断所述无效兴趣反馈行为集中是否包括所述兴趣反馈行为的反馈行为标签信息，并在所述无效兴趣反馈行为集中包括所述兴趣反馈行为的反馈行为标签信息时，确定所述兴趣反馈行为属于无效兴趣反馈行为。基于此，通过直接将所述兴趣反馈行为的反馈行为标签信息与所述无效兴趣反馈行为集进行比较，可以充分提高检测的效率，且计算量较小。

可选地，在上述示例的基础上，若所述无效兴趣反馈行为集中不包括所述兴趣反馈行为的反馈行为标签信息，一种实施例中，若所述无效兴趣反馈行为集中不包括所述兴趣反馈行为的反馈行为标签信息，可以确定所述兴趣反馈行为不属于无效兴趣反馈行为。

又例如，另一种实施例中，若所述无效兴趣反馈行为集中不包括所述兴趣反馈行为的反馈行为标签信息，可以先计算所述无效兴趣反馈行为集中的每一个无效兴趣反馈行为与所述兴趣反馈行为之间的行为相关度，然后，基于所述无效兴趣反馈行为集中的每一个无效兴趣反馈行为与所述兴趣反馈行为之间的行为相关度，确定所述兴趣反馈行为是否属于无效兴趣反馈行为。

在上述示例的基础上，由于在步骤S130中需要使用所述兴趣推送片段，因而，还需要先生成所述兴趣推送片段，其中，生成所述兴趣推送片段的具体方式不受限制，可以根据实际应用需求进行选择。

例如，一种实施例中，可以获取任意一与所述医疗电商信息相关且已经公开的常见热点数据片段，作为所述兴趣推送片段。

又例如，另一种实施例中，为了提高所述兴趣推送片段的伪装效果，即避免无效兴趣反馈行为识别出所述兴趣推送片段不是所述医疗电商信息，可以基于以下步骤生成所述兴趣推送片段：

第一步，对所述医疗电商信息进行频繁项挖掘，得到对应的频繁项挖掘信息；

第二步，基于所述频繁项挖掘信息和数据内容之间相似性对所述医疗电商信息进行分割处理，得到至少一个频繁项片段，其中，所述至少一个频繁项片段构成所述医疗电商信息，且不同的频繁项片段之间重合度小于预设重合度；

第三步，基于所述频繁项挖掘信息，分别确定所述至少一个频繁项片段中的每一个所述频繁项片段的排序权重，得到每一个所述频繁项片段的排序权重信息；

第四步，基于所述排序权重信息和预先确定的排序权重阈值信息，将所述至少一个频繁项片段进行聚类，得到至少一个第一类频繁项片段，或者，得到至少一个第一类频繁项片段和至少一个第二类频繁项片段，其中，每一个所述第一类频繁项片段的排序权重信息大于或等于所述排序权重阈值信息，且每一个所述第二类频繁项片段的排序权重信息小于所述排序权重阈值信息（例如，可以将排序权重大于排序权重阈值的每一个频繁项片段确定为第一类频繁项片段，可以将排序权重小于或等于排序权重阈值的每一个频繁项片段确定为第二类频繁项片段，其中，若不存在排序权重大于排序权重阈值的频繁项片段，可以将任意数量的频繁项片段确定为第一类频繁项片段；并且，所述排序权重阈值可以基于用户根据实际应用场景进行的配置操作生成）；

第五步，分别对每一个所述第一类频繁项片段进行内容丰富，得到每一个所述第一类频繁项片段对应的丰富频繁项片段（也就是说，可以将每一个第一类频繁项片段进行调整，如将其中的数据进行相关信息扩展为一些已经公开的其它信息）；

第六步，基于每一个所述丰富频繁项片段和每一个所述第二类频繁项片段，构建形成所述医疗电商信息对应的所述兴趣推送片段。

一种实施例中，以上方法还可以包括以下步骤。

步骤A110，根据所述智慧医疗订阅设备200的大数据挖掘信息获取对应的目标医疗电商数据源中每个相关挖掘标签的电商热点信息。

在本实施例中，可以通过各个所述相关挖掘标签的信息采集服务获得各个所述相关挖掘标签的电商热点信息。其中，所述电商热点信息可以包括电商资讯热点信息、近期科研热点信息等。

步骤A120，根据各所述相关挖掘标签的电商热点信息，获得各相关挖掘标签的电商热点分布特征。

在本实施例中，可以通过预先训练的AI模型进行特征提取，并对提取到的特征进行筛选、融合等处理后获得所述电商热点分布特征。

步骤A130，将各个所述相关挖掘标签的电商热点分布特征进行融合，得到所述目标医疗电商数据源的挖掘热点分布特征。

在本实施例中，通过将各个所述相关挖掘标签的电商热点分布特征进行融合得到整个目标医疗电商数据源的挖掘热点分布特征，使得该挖掘热点分布特征能够反映医疗电商数据源中各个相关挖掘标签的电商热点信息对整个医疗电商数据源的影响，能够更准确地表达目标医疗电商数据源的推送属性的决策特性。

步骤A140，根据所述挖掘热点分布特征对所述目标医疗电商数据源进行医疗电商推送属性决策，得到所述目标医疗电商数据源的至少一个医疗电商推送属性。

步骤A150，根据所述目标医疗电商数据源的至少一个医疗电商推送属性，为所述智慧医疗订阅设备200进行对应的医疗电商信息推送。

一种实施例中，在步骤A140中可以通过例如支持向量机或全连接深度神经网络等分类器实现对目标医疗电商数据源的医疗电商推送属性决策。

在本实施例中，由于所述挖掘热点分布特征为根据各个所述相关挖掘标签的电商热点分布特征融合获得的，因此根据所述挖掘热点分布特征执行的目标医疗电商数据源的医疗电商推送属性决策可以更加准确。

一种实施例中，步骤A120可以包括以下子步骤。

步骤A210，针对每个所述相关挖掘标签的电商热点信息，对该相关挖掘标签的电商热点信息进行热点舆情信息提取，得到所述相关挖掘标签的电商热点信息对应的热点舆情信息。

在本实施例中，将各个所述相关挖掘标签的电商热点信息分别输入预先训练的AI模型，通过所述AI模型进行一次或多次卷积处理，以对所述电商热点信息进行特征提取，得到与所述相关挖掘标签的电商热点信息对应的热点舆情信息。

步骤A220，对所述相关挖掘标签的电商热点信息的热点舆情信息进行舆情趋势特征识别，确定所述相关挖掘标签的电商热点信息的热点舆情信息的至少一个舆情趋势特征。

由于单个相关挖掘标签的电商热点信息中可能具有一些无效的特征，例如普适性的特征；或者具有一些过于个性化不能表征医疗电商数据源的热点推送属性特性的行为。因此在本实施例中，需要从单个相关挖掘标签的热点舆情信息中识别出具有代表性的舆情趋势特征，这些舆情趋势特征对应的特征将影响后续的特征提取融合过程。

步骤A230，对所述相关挖掘标签的电商热点信息的热点舆情信息中各个舆情趋势特征进行热点提取，得到所述相关挖掘标签的电商热点信息的各个舆情趋势特征的舆情趋势热点特征。

在本实施例中，在识别出所述舆情趋势特征后，可以将所述热点舆情信息中与所述舆情趋势特征对应的具体特征向量提取出来并进行热点提取，得到这些舆情趋势特征对应的舆情趋势热点特征。

步骤A240，根据所述相关挖掘标签的电商热点信息的各个舆情趋势特征对所述目标医疗电商数据源的决策结果的预设加权信息，对所述相关挖掘标签的电商热点信息的热点舆情信息以及各个舆情趋势特征的舆情趋势热点特征进行融合，得到所述相关挖掘标签的电商热点分布特征。

在本实施例中，当确定出所述舆情趋势热点特征后，可以根据舆情趋势热点特征对医疗电商数据源的医疗电商推送属性决策的重要性对舆情趋势热点特征和热点舆情信息进行加权融合。如此，得到的电商热点分布特征中包括了相关挖掘标签的全局分布特征和局部分布特征，能够更准确的反映相关挖掘标签的热点分布特征。

一种实施例中，步骤A240可以包括以下子步骤。

步骤A241，根据所述相关挖掘标签的电商热点信息的各个舆情趋势特征对所述目标医疗电商数据源的决策结果的预设加权信息，确定所述相关挖掘标签的电商热点信息的各个舆情趋势特征对应的融合参数。

在本实施例中，不同的舆情趋势特征可以具有不同的预设加权信息，所述融合参数可以是会根据所述舆情趋势特征对目标医疗电商数据源分类进行医疗电商推送属性决策的影响程度确定。

步骤A242，根据所述融合参数，对所述相关挖掘标签的电商热点信息的热点舆情信息以及各个舆情趋势特征的舆情趋势热点特征进行加权计算，得到所述相关挖掘标签的电商热点分布特征。

在本实施例中，对所述相关挖掘标签的电商热点信息的热点舆情信息以及各个舆情趋势特征的舆情趋势热点特征进行加权计算，可以使得获得的电商热点分布特征中即具表征相关挖掘标签全局特征的热点舆情信息，又具有特性热点分布特征的舆情趋势热点特征，并且所述舆情趋势热点特征经过加权计算，更能体现某些舆情趋势特征的重要性。如此，得出的电商热点分布特征更能准确地反映相关挖掘标签相关挖掘标签的能对所述目标医疗电商数据源造成影响的热点分布特征。

一种实施例中，步骤A130可以包括以下子步骤。

步骤A131，对各个所述相关挖掘标签的电商热点分布特征进行分簇，得到至少一个分簇，并确定各个分簇中作为分簇核心的核心分布特征。

步骤A132，针对每一个分簇，计算所述分簇中的非核心分布特征与核心分布特征的热点分布节点特征，得到所述分簇的热点分布节点特征序列。

步骤A133，将各个分簇的热点分布节点特征序列进行融合，得到所述目标医疗电商数据源的挖掘热点分布特征。

在本实施例中，可以采用K-均值(K-means)聚类算法进行上述分簇计算。

一种实施例中，步骤A131可以包括以下子步骤。

步骤1311，确定分簇的数量N，其中，N为大于等于2的正整数。

步骤1312，从所述相关挖掘标签的电商热点分布特征中，选取N个电商热点分布特征分别作为N个分簇的核心分布特征。

步骤1313，计算各个所述相关挖掘标签的电商热点分布特征与各个核心分布特征的特征相似度。

在本实施例中，所述电商热点分布特征和所述核心分布特征之间的特征相似度可以表示二者之间的匹配度。特征相似度越大，匹配度越大。计算电商热点分布特征和核心分布特征之间的特征相似度的方式可以通过余弦距离或欧式距离等来计算。

步骤1314，将各个电商热点分布特征分别添加到与所述电商热点分布特征的特征相似度最大的核心分布特征所属的分簇中，得到N个分簇。

步骤1315，针对每个分簇，从所述分簇中选取符合分簇核心条件的电商热点分布特征作为新的核心分布特征，返回执行所述计算各个所述相关挖掘标签的电商热点分布特征与各个核心分布特征的特征相似度的步骤，直到各个分簇的核心分布特征满足分簇终止要求，获得N个分簇，并获得各分簇中作为分簇核心的核心分布特征。

在本实施例中，对于每一个分簇而言，分别计算该分簇最新的核心分布特征与分簇过程中最大一次所采用的核心分布特征是否相同，即计算二者之间的特征相似度是否为0。若相同，则可以认为该分簇的分簇核心没有变化，如果所有分簇的分簇核心都不再变化，则分簇过程完成，得到N个分簇，并获得各分簇中作为分簇核心的核心分布特征；如果不是所有分簇的分簇核心都没有变化，则返回步骤A1313，直到每个分簇的分簇核心不再发生变化。

应当理解的是，分簇计算中每个分簇的最新的核心分布特征与该分簇最大一次所采用的分簇核心相同只是结束循环的一个可选条件，该可选条件也可以是这两个分簇核心之间的热点分布节点特征小于某个预设的值。

一种实施例中，在步骤A220中对所述相关挖掘标签的电商热点信息进行热点舆情信息提取，得到所述相关挖掘标签的电商热点信息对应的热点舆情信息时，可以通过深度学习网络模型，对所述相关挖掘标签的电商热点信息进行热点舆情信息提取，得到所述相关挖掘标签的电商热点信息对应的热点舆情信息。

在步骤A220中对所述相关挖掘标签的电商热点信息的热点舆情信息进行舆情趋势特征识别，确定所述相关挖掘标签的电商热点信息的热点舆情信息的至少一个舆情趋势特征时，可以通过所述深度学习网络模型，对所述相关挖掘标签的电商热点信息的热点舆情信息进行舆情趋势特征识别，确定所述相关挖掘标签的电商热点信息的热点舆情信息的至少一个舆情趋势特征。

在步骤A140中根据所述挖掘热点分布特征对所述目标医疗电商数据源进行医疗电商推送属性决策，得到所述目标医疗电商数据源的至少一个医疗电商推送属性时，可以通过所述深度学习网络模型，根据所述挖掘热点分布特征对所述目标医疗电商数据源进行医疗电商推送属性决策，得到所述目标医疗电商数据源的至少一个医疗电商推送属性。

在本实施例中，所述深度学习网络模型可以残差网络和密集连接卷积网络等。

譬如，一种实施例中，本公开实施例还提供一种基于深度学习的医疗信息模型训练方法，包括以下步骤。

步骤A401，获取参考数据集，所述参考数据集包括目标医疗电商数据源的目标医疗电商数据源的电商热点信息、以及所述目标医疗电商数据源对应的实际医疗电商推送属性。

步骤A402，通过深度学习网络模型，对所述目标医疗电商数据源的电商热点信息进行热点舆情信息提取，得到所述目标医疗电商数据源的电商热点信息对应的热点舆情信息，对所述目标医疗电商数据源的电商热点信息的热点舆情信息进行舆情趋势特征识别，确定所述目标医疗电商数据源的电商热点信息的热点舆情信息的至少一个决策舆情趋势特征。

步骤A403，基于所述所述目标医疗电商数据源的电商热点信息的热点舆情信息的至少一个决策舆情趋势特征训练获得深度学习网络模型。

譬如，一种实施例中，步骤A403可以通过以下步骤实现。

步骤A4031，对所述目标医疗电商数据源的电商热点信息的热点舆情信息中各个决策舆情趋势特征进行特征提取，得到所述目标医疗电商数据源的电商热点信息的各个决策舆情趋势特征的舆情趋势热点特征，并根据所述目标医疗电商数据源的电商热点信息的各个决策舆情趋势特征对所述目标医疗电商数据源的决策结果的预设加权信息，对所述目标医疗电商数据源的电商热点信息的热点舆情信息以及各个决策舆情趋势特征的舆情趋势热点特征进行融合，得到所述目标医疗电商数据源的电商热点信息的电商热点分布特征。

步骤A4032，将各个目标医疗电商数据源的电商热点信息的电商热点分布特征进行融合，得到所述目标医疗电商数据源的挖掘热点分布特征。

步骤A4033，根据所述挖掘热点分布特征，确定所述目标医疗电商数据源在各个预设医疗电商推送属性上的匹配概率。

步骤A4034，计算所述匹配概率和所述目标医疗电商数据源的实际医疗电商推送属性之间的第一模型评估指标值。

步骤A4035，计算所述第一模型评估指标值对所述目标医疗电商数据源的挖掘热点分布特征的梯度下降值，并根据所述梯度下降值，计算所述目标医疗电商数据源的目标医疗电商数据源的电商热点信息的热点舆情信息对应的舆情概率分布。

步骤A4036，根据所述目标医疗电商数据源的匹配概率，确定所述目标医疗电商数据源的医疗电商推送属性信息。

步骤A4037，当所述目标医疗电商数据源的医疗电商推送属性信息与所述实际医疗电商推送属性一致时，根据所述舆情概率分布，获取所述目标医疗电商数据源的电商热点信息的热点舆情信息的舆情趋势特征，并将获取的所述舆情趋势特征设置为所述目标医疗电商数据源的电商热点信息的实际舆情趋势特征。

步骤A438，当所述目标医疗电商数据源的医疗电商推送属性信息与所述实际医疗电商推送属性不匹配时，根据所述舆情概率分布，获取所述目标医疗电商数据源的电商热点信息的热点舆情信息的非舆情趋势特征，并将获取的所述非舆情趋势特征设置为所述目标医疗电商数据源的电商热点信息的非实际舆情趋势特征。

步骤A439，根据所述实际舆情趋势特征和所述非实际舆情趋势特征，计算所述目标医疗电商数据源的电商热点信息的决策舆情趋势特征的第二模型评估指标值，根据所述第一模型评估指标值和所述第二模型评估指标值，对深度学习网络模型的参数进行调整，得到满足条件的深度学习网络模型。

在本实施例中，可以采用反向传播算法对深度学习网络模型的参数进行调整，以使通过深度学习网络模型得到的匹配概率匹配概率与实际医疗电商推送属性之间的第一模型评估指标值小于目标特征度，其中，可以将该目标特征度设置尽量小，以提高深度学习网络模型的分类准确度。

通常，深度学习网络模型在某个预设医疗电商推送属性上的匹配概率超过阈值，则可以认为该目标医疗电商数据源是该预设医疗电商推送属性上的医疗电商数据源。在深度学习网络模型的训练过程中，如果深度学习网络模型决策出来的医疗电商推送属性信息与实际医疗电商推送属性一致时，即表示决策正确，则可以根据此次决策过程中涉及的参数，分析得到舆情概率分布，可以根据该舆情概率分布进行舆情趋势特征识别，得到目标医疗电商数据源的电商热点信息的实际舆情趋势特征。

在深度学习网络模型的训练过程中，如果深度学习网络模型决策出来的医疗电商推送属性信息与实际医疗电商推送属性不匹配时，也就是说，通过深度学习网络模型对目标医疗电商数据源的医疗电商推送属性决策错了，则可以根据此次决策过程中涉及的参数，分析得到舆情概率分布，并根据该舆情概率分布获取目标医疗电商数据源的电商热点信息的非实际舆情趋势特征。

譬如，在本实施例中，步骤A439可以包括以下子步骤。

步骤A501，根据所述目标医疗电商数据源的电商热点信息的决策舆情趋势特征和所述实际舆情趋势特征的行为相似度，及根据所述目标医疗电商数据源的电商热点信息的决策舆情趋势特征和所述非实际舆情趋势特征的行为相似度，确定所述决策舆情趋势特征的非实际舆情趋势特征概率。

可选的，一种实施例中，可以将与所述实际舆情趋势特征的特征匹配度大于第一目标特征度的决策舆情趋势特征的实际舆情趋势特征概率设置为1；将与所述非实际舆情趋势特征的特征匹配度大于第二目标特征度的决策舆情趋势特征的实际舆情趋势特征概率设置为0；所述第一目标特征度和第二目标特征度可以根据实际情况进行设置。

步骤A502，通过深度学习网络模型，根据所述决策舆情趋势特征的舆情趋势热点特征，确定所述决策舆情趋势特征为实际的舆情趋势特征的匹配概率。

步骤A503，根据所述决策舆情趋势特征的匹配概率和对应的实际舆情趋势特征概率，计算所述决策舆情趋势特征的决策差异参数。

步骤A504，根据所述实际舆情趋势特征概率不低于预设概率阈值的决策舆情趋势特征，在所述目标医疗电商数据源的电商热点信息的热点舆情信息中的业务节点，以及所述实际舆情趋势特征在所述目标医疗电商数据源的电商热点信息的热点舆情信息中的业务节点，计算所述决策舆情趋势特征的回归差异参数。

步骤A505，将所述决策差异参数和所述回归差异参数进行融合，得到所述目标医疗电商数据源的电商热点信息的决策舆情趋势特征的第二模型评估指标值。

一种实施例中，可以通过梯度下降值加权的类激活图来分析得到舆情概率分布，先计算第一模型评估指标值对所述目标医疗电商数据源的挖掘热点分布特征的梯度下降值，用梯度下降值的全局平均来计算目标医疗电商数据源的电商热点信息的热点舆情信息中各热点舆情对象对应的权重参数，根据热点舆情信息中各热点舆情对象权重参数的大小，可以描绘出热点舆情信息对应的舆情概率分布。其中，目标医疗电商数据源的挖掘热点分布特征具体可以是由目标医疗电商数据源的各个所述相关挖掘标签的电商热点信息对应的电商热点分布特征拼接得到的。Grad-CAM其基本思路是对应于某个决策属性的特征映射的权重参数可以转换为利用反传梯度下降值来表达这个权重参数。

如此，通过提取目标医疗电商数据源中每个相关挖掘标签的电商热点信息，并从单个相关挖掘标签的电商热点信息中识别出舆情趋势特征，并据此确定各个所述相关挖掘标签的电商热点分布特征，然后对各个所述相关挖掘标签的电商热点分布特征进行融合，得到整个目标医疗电商数据源的挖掘热点分布特征，再根据该挖掘热点分布特征对目标医疗电商数据源进行医疗电商推送属性决策。如此确定出的挖掘热点分布特征更能准确地反映出相关挖掘标签对医疗电商数据源的影响，从而更准确地反映整个医疗电商数据源的特点，使得基于该挖掘热点分布特征进行的医疗电商数据源的医疗电商推送属性决策更加准确。

譬如，一种实施例中，以上方法还可以包括以下步骤。

步骤B110，获取目标订阅医疗资源的医疗资源行为大数据。

一种实施例中，目标订阅医疗资源可以是指实际应用的医疗服务场景，例如医疗药品咨询场景，医疗科室咨询场景，医疗知识点学习场景等，但不限于此。医疗资源行为大数据可以是指用户在目标订阅医疗资源下产生的行为大数据，如对于医疗知识点学习场景而言，可以是指用户的知识点搜索行为，知识点分享行为等产生的大数据信息。

步骤B120，对所述医疗资源行为大数据进行处理，以得到所述医疗资源行为大数据的搜索意图信息分布。

其中，搜索意图信息分布包括医疗资源行为大数据中目标医疗推送标签的搜索指向目标的意图分布信息。并且，搜索意图信息分布具体包括分享搜索意图特征和持续共享搜索意图特征，其中，分享搜索意图特征中包括多个意图分量，每个意图分量代表与该意图分量对应的医疗资源行为大数据中的行为兴趣行为为目标医疗推送标签的搜索指向目标的意图兴趣点的置信度。持续共享搜索意图特征的维度为2，意思是说，持续共享搜索意图特征具体是由特征范围属性的搜索意图特征和特征层级属性的搜索意图特征组成，并且特征范围属性的搜索意图特征和特征层级属性的搜索意图特征的意图关键词区间相同。另外，分享搜索意图特征的意图关键词区间与持续共享搜索意图特征的意图关键词区间同样相同。例如，分享搜索意图特征的意图关键词区间与持续共享搜索意图特征的意图关键词区间均为（a1，a2，......，an）。特征范围属性的搜索意图特征中包括多个意图分量，每个意图分量代表与该意图分量对应的医疗资源行为大数据中的行为兴趣行为对应的决策特征范围；同理，特征层级属性的搜索意图特征中包括多个意图分量，每个意图分量代表与该意图分量对应的医疗资源行为大数据中的行为兴趣行为对应的决策特征层级。

举例来说，本公开实施例对于意图的表征形式为分享+持续共享的形式。则搜索意图信息分布分别对二者进行决策，即分享搜索意图特征和持续共享搜索意图特征。其中，分享搜索意图特征的维度为（a1，a2，......，an）*C，持续共享意图分量特征的维度是（a1，a2，......，an）*2，C为所要决策的目标医疗推送标签的目标数量。搜索意图特征上的每个意图分量分别表达了该坐标位置处，是目标医疗推送标签的搜索指向目标的意图兴趣点的置信度和特征范围特征层级的决策值。

步骤B130，根据所述搜索意图信息分布确定所述医疗资源行为大数据的大数据挖掘信息，所述大数据挖掘信息包括所述医疗资源行为大数据中所述目标医疗推送标签的搜索指向目标的挖掘标签信息。

一种实施例中，挖掘标签信息可以包括意图对象，挖掘标签信息例如可以包括：医疗资源行为大数据是目标医疗推送标签的搜索指向目标的意图兴趣点的决策置信度，和医疗资源行为大数据是目标医疗推送标签的搜索指向目标对应的意图对象的特征范围和特征层级。

一种实施例中，搜索意图信息分布包括分享搜索意图特征和持续共享搜索意图特征。其中，分享搜索意图特征包括医疗资源行为大数据中每个行为兴趣行为为目标医疗推送标签的搜索指向目标的意图兴趣点的置信度，持续共享搜索意图特征包括医疗资源行为大数据中每个行为兴趣行为对应的特征范围和特征层级数据。

一种实施例中，首先，智慧医疗系统100根据分享搜索意图特征确定医疗资源行为大数据中目标医疗推送标签的搜索指向目标的意图兴趣点。然后，智慧医疗系统100根据意图兴趣点以及意图兴趣点处的行为兴趣行为对应的特征范围和特征层级数据，确定医疗资源行为大数据中目标医疗推送标签的搜索指向目标的意图对象。最后，智慧医疗系统100将目标医疗推送标签的搜索指向目标的意图对象作为目标医疗推送标签的搜索指向目标的挖掘标签信息。

举例来说，医疗资源行为大数据中每个行为兴趣行为对应搜索意图信息分布中的一个意图分量。因此，可以确定医疗资源行为大数据的大数据挖掘信息，大数据挖掘信息包括医疗资源行为大数据中目标医疗推送标签的搜索指向目标的挖掘标签信息。

后续，智慧医疗系统100可以根据目标医疗推送标签的搜索指向目标的挖掘标签信息在医疗资源行为大数据中将意图对象标注出来，例如，意图对象的意图兴趣点位置为（i，j），由于搜索意图信息分布中的特征范围和特征层级数据与原意图关键词区间之间通过按照降采样倍率（通常为4）进行换算，因此在原医疗资源行为大数据中的意图对象的特征范围为40，特征层级为80。另外，意图对象的表现形式通常为跳转表现形式，但是，意图对象的表现形式也可以根据医疗资源行为大数据中包括的目标医疗推送标签的搜索指向目标来确定，若目标医疗推送标签的搜索指向目标为网页、视频流弹幕等，则意图对象通常为视频流弹幕或者网页元素等等。意图对象的表现形式可以根据目标医疗推送标签的搜索指向目标的表现形式，或者业务场景的不同进行灵活浮动，本公开对此不作具体限定。当然，若目标医疗推送标签不止一个类型，即目标医疗推送标签包括两个及以上类型，则每种类型的意图对象的表现形式可以不同，以此便于在医疗资源行为大数据中区分不同类型的搜索指向目标。

通过本公开实施例提供的医疗资源行为数据处理方法，可以处理目标订阅医疗资源的医疗资源行为大数据，从而得到医疗资源行为大数据的搜索意图信息分布。其中，搜索意图信息分布包括医疗资源行为大数据中所述目标医疗推送标签的搜索指向目标的意图分布信息，并根据搜索意图信息分布确定医疗资源行为大数据的大数据挖掘信息。如此设计，目标订阅医疗资源的第二参考医疗资源行为数据无需标注即可训练得到搜索意图分类单元，搜索意图分类单元可以直接对目标订阅医疗资源的医疗资源行为数据进行处理，从而得到大数据挖掘信息，可以节省对目标订阅医疗资源的医疗资源行为数据的标注成本，提高大数据挖掘的效率和精度。

一种实施例中，智慧医疗系统100可以调用搜索意图分类单元对医疗资源行为大数据进行处理，以得到医疗资源行为大数据的搜索意图信息分布。其中，搜索意图分类单元是通过对目标订阅医疗资源的参考医疗资源行为数据进行网络权重学习更新得到的。例如，搜索意图分类单元是基于原始订阅医疗资源的第一参考医疗资源行为数据、第一参考医疗资源行为数据中目标医疗推送标签的搜索指向目标的参考意图分布信息和目标订阅医疗资源的第二参考医疗资源行为数据训练后得到的。

如此设计，相比于现有技术，以上目标订阅医疗资源的第二参考医疗资源行为数据无需标注即可训练得到搜索意图分类单元，而是利用目标订阅医疗资源的参考医疗资源行为数据的冗余排除信息量进行网络权重学习更新训练得到搜索意图分类单元。最后，训练得到的机器学习网络可以直接对目标订阅医疗资源的医疗资源行为数据进行处理，从而得到大数据挖掘信息，可以节省对目标订阅医疗资源的医疗资源行为数据的标注成本，提高大数据挖掘的效率和精度。

一种实施例中，搜索意图分类单元包括搜索意图提取节点和搜索意图融合节点。例如，机器学习网络包括搜索意图提取节点和搜索意图融合节点。智慧医疗系统100调用搜索意图分类单元对医疗资源行为大数据进行处理，以得到医疗资源行为大数据的搜索意图信息分布的具体实现方式可以包括：智慧医疗系统100调用搜索意图提取节点对医疗资源行为大数据进行特征提取，以得到医疗资源行为大数据的初始搜索意图特征；调用搜索意图融合节点对医疗资源行为大数据和初始搜索意图特征进行特征融合，以得到医疗资源行为大数据的搜索意图信息分布。其中，搜索意图提取节点由卷积层、批正则化、非线性激活、池化层等组成。搜索意图提取节点能够有效提取输入医疗资源行为数据（医疗资源行为大数据）的一种特征层级维特征表达（即初始搜索意图特征）。

一种实施例中，首先，智慧医疗系统100调用搜索意图融合节点对医疗资源行为大数据和初始搜索意图特征进行卷积处理和采样处理，得到第一搜索意图特征；然后，智慧医疗系统100调用搜索意图融合节点对医疗资源行为大数据和初始搜索意图特征进行压缩处理和激励处理，得到初始搜索意图特征对应的影响权重，并根据影响权重对初始搜索意图特征进行加权计算，得到第二搜索意图特征；最后，智慧医疗系统100对第一待融合搜索意图特征和第二待融合搜索意图特征进行融合处理，得到医疗资源行为大数据的搜索意图信息分布。

举例来说，搜索意图融合节点可以包括第一融合结构和第二融合结构，第一融合结构例如可以为特征金字塔结构。特征金字塔结构是融合医疗资源行为大数据的初始搜索意图特征的低层和特征层级层的搜索意图特征表征，从而得到第一搜索意图特征。特征金字塔结构的基本运算单元同样是卷积层、批正则化、非线性激活、池化层的元操作。第二融合结构可以是压缩-激励模块，例如可以将初始搜索意图特征全局平均池化，并通过激励的方式对进行处理，得到影响权重。最后，智慧医疗系统100将影响权重与初始搜索意图特征进行权重综合计算，得到第二搜索意图特征。

最后，智慧医疗系统100对第一搜索意图特征和第二搜索意图特征进行融合处理，从而得到医疗资源行为大数据的搜索意图信息分布。当然，也可以是对医疗资源行为大数据的初始搜索意图特征通过特征金字塔结构进行处理之后，得到的第一搜索意图特征作为压缩-激励模块的输入，然后得到第二搜索意图特征。最后，将压缩-激励模块根据第一搜索意图特征处理后得到的第二搜索意图特征作为医疗资源行为大数据的搜索意图信息分布。

图3为本公开实施例提供的基于智慧医疗大数据的医疗信息推送装置300的功能模块示意图，基于智慧医疗大数据的医疗信息推送装置300可以是运行于智慧医疗系统10010中的一个计算机程序（包括程序代码），例如该基于智慧医疗大数据的医疗信息推送装置300为一个应用软件，下面分别对该基于智慧医疗大数据的医疗信息推送装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于获取所述智慧医疗订阅设备200针对推送的医疗电商信息的兴趣反馈行为。

匹配模块320，用于在检测到所述兴趣反馈行为对所述医疗电商信息的信息选择指令时，对所述兴趣反馈行为进行兴趣匹配处理，得到对应的兴趣匹配结果。

检测模块330，用于若所述兴趣匹配结果为匹配失败，则检测所述兴趣反馈行为是否属于无效兴趣反馈行为，其中，所述无效兴趣反馈行为用于表示误操作反馈行为。

迁移模块340，用于若所述兴趣反馈行为属于无效兴趣反馈行为，则将所述信息选择指令的选择医疗电商信息片段从所述医疗电商信息迁移至预先生成的兴趣推送片段，其中，所述兴趣推送片段与所述医疗电商信息之间至少存在部分相同数据信息。

图4示出了本公开实施例提供的用于实现上述的基于智慧医疗大数据的医疗信息推送方法的智慧医疗系统100的硬件结构示意图，如图4所示，智慧医疗系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令，使得处理器110可以执行如上方法实施例的基于智慧医疗大数据的医疗信息推送方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的智慧医疗订阅设备200进行数据收发。

处理器110的具体实现过程可参见上述智慧医疗系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于智慧医疗大数据的医疗信息推送方法。

以上所揭露的仅为本公开的部分实施例而已，当然不能以此来限定本公开之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本公开权利要求所作的等同浮动，仍属于发明所涵盖的范围。