一种医生在线推荐方法及系统技术方案

本公开公开了一种医生在线推荐方法及系统，包括：获取待推荐患者的基本属性信息和病情主诉文本；对待推荐患者的基本属性和病情主诉文本进行向量化表示；根据病情主诉文本的向量化表示，获取初步推荐的科室；根据待推荐患者病情主诉文本特征，从疾病症状实体词数据库中提取待推荐患者的疾病症状实体词；将待推荐患者的疾病症状实体词与初步推荐的科室的每个医生的擅长诊断疾病描述进行匹配，筛选出匹配的第一类医生；根据待推荐患者的基本属性和病情主诉文本进行向量化表示与历史患者的基本属性和病情主诉文本进行向量化表示之间的相似度，和第一类医生中每个医生的历史患者评分；计算每个医生的最终推荐得分；输出得分最高的若干个医生。

An online recommendation method and system for doctors

【技术实现步骤摘要】
一种医生在线推荐方法及系统
本公开涉及医疗
，特别是涉及一种医生在线推荐方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。随着医疗行业的快速发展，医疗信息过载的现象愈发严重。同时，人们对就医的质量要求也在不断提高，而医院的医疗资源尤其是专业科室和医生信息等都具有高度专业化的特点，对于普通患者来说不具有专业的医疗认知，往往会在面对庞大的医生科室检索信息时无法根据自己的病情进行快速恰当的选择。这一方面加大了医院导医的工作量,同时降低了医院资源的合理分配，另一方面也降低了患者本身的就医质量。在实现本公开的过程中，专利技术人发现现有技术中存在以下技术问题：如何在医疗信息系统中充分利用各种医疗数据，并进行合理开发与分析，为患者和医院带来最大程度的价值，是医疗信息发展中具有重要研究意义的课题。
技术实现思路
为了解决现有技术的不足，本公开提供了一种医生在线推荐方法及系统；旨在克服医疗导诊系统中医疗信息过载患者选择难和医院资源分配不均的问题，能够向患者快速、准确的在线推荐医生。第一方面，本公开提供了一种医生在线推荐方法；一种医生在线推荐方法，包括：获取待推荐患者的基本属性信息和病情主诉文本；对待推荐患者的基本属性和病情主诉文本进行向量化表示；根据病情主诉文本的向量化表示，获取初步推荐的科室；根据待推荐患者病情主诉文本特征，从疾病症状实体词数据库中提取待推荐患者的疾病症状实体词；将待推荐患者的疾病症状实体词与初步推荐的科室的每个医生的擅长诊断疾病描述进行匹配，筛选出匹配的第一类医生；并输出第一类医生中每个医生的历史患者评分；根据待推荐患者的基本属性和病情主诉文本进行向量化表示与所述历史患者的基本属性和病情主诉文本进行向量化表示之间的相似度，和第一类医生中每个医生的历史患者评分；计算每个医生的最终推荐得分；输出得分最高的若干个医生作为推荐结果。第二方面，本公开还提供了一种医生在线推荐系统；一种医生在线推荐系统，包括：获取模块，其被配置为：获取待推荐患者的基本属性信息和病情主诉文本；向量化表示模块，其被配置为：对待推荐患者的基本属性和病情主诉文本进行向量化表示；科室推荐模块，其被配置为：根据病情主诉文本的向量化表示，获取初步推荐的科室；实体词提取模块，其被配置为：根据待推荐患者病情主诉文本特征，从疾病症状实体词数据库中提取待推荐患者的疾病症状实体词；初筛模块，其被配置为：将待推荐患者的疾病症状实体词与初步推荐的科室的每个医生的擅长诊断疾病描述进行匹配，筛选出匹配的第一类医生；并输出第一类医生中每个医生的历史患者评分；输出模块，其被配置为：根据待推荐患者的基本属性和病情主诉文本进行向量化表示与所述历史患者的基本属性和病情主诉文本进行向量化表示之间的相似度，和第一类医生中每个医生的历史患者评分；计算每个医生的最终推荐得分；输出得分最高的若干个医生作为推荐结果。第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。与现有技术相比，本公开的有益效果是：本专利技术根据患者和医生的特征属性为每位患者推荐出最适合的医生，可以帮助患者通过导诊系统快速准确的选择最适合自己病情的医生，提高用户对医生的满意度，同时也可以提高患者对医院产品的粘度。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为第一个实施例的方法流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例一，本实施例提供了一种医生在线推荐方法；如图1所示，一种医生在线推荐方法，包括：S1：获取待推荐患者的基本属性信息和病情主诉文本；S2：对待推荐患者的基本属性和病情主诉文本进行向量化表示；S3：根据病情主诉文本的向量化表示，获取初步推荐的科室；S4：根据待推荐患者病情主诉文本特征，从疾病症状实体词数据库中提取待推荐患者的疾病症状实体词；S5：将待推荐患者的疾病症状实体词与初步推荐的科室的每个医生的擅长诊断疾病描述进行匹配，筛选出匹配的第一类医生；并输出第一类医生中每个医生的历史患者评分；S6：根据待推荐患者的基本属性和病情主诉文本进行向量化表示与所述历史患者的基本属性和病情主诉文本进行向量化表示之间的相似度，和第一类医生中每个医生的历史患者评分；计算每个医生的最终推荐得分；输出得分最高的若干个医生作为推荐结果。作为一个或多个实施例，所述S2中，对待推荐患者的病情主诉文本进行向量化表示的具体步骤，包括：对待推荐患者的病情主诉文本进行分词处理；利用预训练的语言神经网络模型对分词处理后的数据进行向量化表示，得到待推荐患者病情主诉文本特征。作为一个或多个实施例，所述S3中，根据病情主诉文本的向量化表示，获取初步推荐的科室；具体步骤包括：将待推荐患者病情主诉文本特征进行组合得到待推荐患者病情主诉文本的句向量表示，将待推荐患者病情主诉文本的句向量表示输入到预训练的科室推荐神经网络模型中，输出初步推荐的科室；根据初步推荐的科室，从医生数据库中调取初步推荐科室对应的所有医生数据和每个医生的擅长诊断疾病描述。作为一个或多个实施例，所述S5，还包括：根据筛选出的第一类医生，从医生数据库中查询第一类医生的历史就诊患者的基本属性信息；并对第一类医生历史就诊患者的基本属性信息进行向量化表示。作为一个或多个实施例，所述S6的具体步骤包括：计算待推荐患者的基本属性向量化表示结果与第一类医生历史就诊患者的基本属性向量化表示结果的第一相似度；计算待推荐患者的病情主诉文本特征与第一类医生历史就诊患者的病情主诉文本特征的第二相似度；根据第一相似度、第二相似度和每个医生的历史患者评分，计算每个医生的最终推荐得分；将每个医生的最终推荐得分，按照从大到小进行排序，输出排名靠前的N个医生，N为正整数。作为一个或多个实施例，所述待推荐患者的基本属性信息，包括：患者的年龄和性别。...

【技术保护点】
1.一种医生在线推荐方法，其特征是，包括：/n获取待推荐患者的基本属性信息和病情主诉文本；/n对待推荐患者的基本属性和病情主诉文本进行向量化表示；/n根据病情主诉文本的向量化表示，获取初步推荐的科室；/n根据待推荐患者病情主诉文本特征，从疾病症状实体词数据库中提取待推荐患者的疾病症状实体词；/n将待推荐患者的疾病症状实体词与初步推荐的科室的每个医生的擅长诊断疾病描述进行匹配，筛选出匹配的第一类医生；并输出第一类医生中每个医生的历史患者评分；/n根据待推荐患者的基本属性和病情主诉文本进行向量化表示与所述历史患者的基本属性和病情主诉文本进行向量化表示之间的相似度，和第一类医生中每个医生的历史患者评分；计算每个医生的最终推荐得分；输出得分最高的若干个医生作为推荐结果。/n

【技术特征摘要】
1.一种医生在线推荐方法，其特征是，包括：
获取待推荐患者的基本属性信息和病情主诉文本；
对待推荐患者的基本属性和病情主诉文本进行向量化表示；
根据病情主诉文本的向量化表示，获取初步推荐的科室；
根据待推荐患者病情主诉文本特征，从疾病症状实体词数据库中提取待推荐患者的疾病症状实体词；
将待推荐患者的疾病症状实体词与初步推荐的科室的每个医生的擅长诊断疾病描述进行匹配，筛选出匹配的第一类医生；并输出第一类医生中每个医生的历史患者评分；
根据待推荐患者的基本属性和病情主诉文本进行向量化表示与所述历史患者的基本属性和病情主诉文本进行向量化表示之间的相似度，和第一类医生中每个医生的历史患者评分；计算每个医生的最终推荐得分；输出得分最高的若干个医生作为推荐结果。


2.如权利要求1所述的方法，其特征是，对待推荐患者的病情主诉文本进行向量化表示的具体步骤，包括：对待推荐患者的病情主诉文本进行分词处理；利用预训练的语言神经网络模型对分词处理后的数据进行向量化表示，得到待推荐患者病情主诉文本特征。


3.如权利要求1所述的方法，其特征是，根据病情主诉文本的向量化表示，获取初步推荐的科室；具体步骤包括：
将待推荐患者病情主诉文本特征进行组合得到待推荐患者病情主诉文本的句向量表示，将待推荐患者病情主诉文本的句向量表示输入到预训练的科室推荐神经网络模型中，输出初步推荐的科室；根据初步推荐的科室，从医生数据库中调取初步推荐科室对应的所有医生数据和每个医生的擅长诊断疾病描述。


4.如权利要求1所述的方法，其特征是，所述将待推荐患者的疾病症状实体词与初步推荐的科室的每个医生的擅长诊断疾病描述进行匹配，筛选出匹配的第一类医生；并输出第一类医生中每个医生的历史患者评分步骤之后，还包括：根据筛选出的第一类医生，从医生数据库中查询第一类医生的历史就诊患者的基本属性信息；并对第一类医生历史就诊患者的基本属性信息进行向量化表示。


5.如权利要求1所述的方法，其特征是，所述根据待推荐患者的基本属性和病情主诉文本进行向量化表示与所述历史患者的基本属性和病情主诉文本进行向量化表示之间的相似度，和第一类医生中每个医生的历史患者评分；计算每个医生的最终推荐得分；输出得分最高的若干个医生作为推荐结果的具体步骤包括：
计算待推荐患者的基本属性向量化表示结果与第一类医生历史就诊患者的基本属性向量化表示结果的第一相似度；
计算待推荐患者的病情主诉文本特征与第一类医生历史就诊患者的病情主诉文本特征的第二相似度；
根据第一相似度、第二相似度和每个医生的历史患者评分，计算每个医生的最终推荐得分；将每个医生的最终推荐得分，按照从大到小进行排序，输出排名靠前的N个医生，N为正整数。


6.如权利要求1所述的方法，其特征是，所述将待推荐患者病情主诉文本特征进行组合得到待推荐患者病情主诉文本的句向量表示；具体步骤包括：
...

【专利技术属性】
技术研发人员：陈贞翔，艾延永，孙涛，
申请(专利权)人：济南大学，神思旭辉医疗信息技术有限责任公司，
类型：发明
国别省市：山东;37