基于健康大数据档案的数据共享方法及系统

技术领域

本发明涉及大数据技术领域，具体而言，涉及一种基于健康大数据档案的数据共享方法及系统。

背景技术

随着信息技术的迅猛发展，传统健康档案数据的档案管理方式存在较大问题，纸质档案逐步向电子档案转变，相对于纸质档案来说，电子健康档案数据解决了纸质档案存储环境要求较高的问题，电子健康档案数据需要一定的存储空间即可，并且不存在字迹损坏不清的情况。基于此，电子健康档案数据的共享非常方便，可以便于相关医疗推送业务的开发。然而相关技术中，通常是基于全量的健康大数据档案数据进行共享，会产生较大的噪声共享特征，使得数据共享难以符合实际业务需求场景。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的在于提供一种基于健康大数据档案的数据共享方法及系统。

第一方面，本发明提供一种基于健康大数据档案的数据共享方法，应用于基于健康大数据档案的数据共享系统，所述方法包括：

获取每个健康监控服务平台上传的每个注册用户的健康大数据档案数据；

提取所述健康大数据档案数据中与当前医疗推送业务相关的待共享档案数据，以获得每个注册用户对应的待共享档案数据；

依据每个注册用户的用户画像和对应的待共享档案数据，确定每个用户画像下的目标共享档案数据；

基于每个用户画像下的目标共享档案数据进行大数据挖掘，获得每个用户画像下的大数据挖掘结果，并基于所述每个用户画像下的大数据挖掘结果对所述每个用户画像下的目标共享档案数据进行数据共享配置。

第二方面，本发明实施例还提供一种基于健康大数据档案的数据共享系统，所述基于健康大数据档案的数据共享系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述的基于健康大数据档案的数据共享方法。

基于上述任意一个方面，通过获取每个健康监控服务平台上传的每个注册用户的健康大数据档案数据，提取健康大数据档案数据中与当前医疗推送业务相关的待共享档案数据，以获得每个注册用户对应的待共享档案数据，依据每个注册用户的用户画像和对应的待共享档案数据，确定每个用户画像下的目标共享档案数据，基于每个用户画像下的目标共享档案数据进行大数据挖掘，获得每个用户画像下的大数据挖掘结果，并基于每个用户画像下的大数据挖掘结果对每个用户画像下的目标共享档案数据进行数据共享配置。如此，通过当前医疗推送业务以及相关注册用户的用户画像进行目标共享档案数据的提取，依次进行大数据挖掘后针对性进行数据共享配置，可以使得数据共享符合实际业务需求场景。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其它相关的附图。

图1为本发明实施例提供的基于健康大数据档案的数据共享方法的流程示意图；

图2为本发明实施例提供的用于实现上述的基于健康大数据档案的数据共享方法的基于健康大数据档案的数据共享系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和利用本发明，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本发明的原则和范围的情况下，本发明中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本发明并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

本发明中所使用的术语仅用于描述特定的示例性实施例，并不限制本发明的范围。如本发明使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本发明说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。

根据以下对附图的描述，本发明的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本发明说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本发明的范围。应当理解的是，附图并不是按比例绘制的。

本发明中使用了流程图用来说明根据本发明的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。

下面结合说明书附图对本发明进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本发明一种实施例提供的基于健康大数据档案的数据共享方法的流程示意图，下面对该基于健康大数据档案的数据共享方法进行详细介绍。

步骤S110，获取每个健康监控服务平台上传的每个注册用户的健康大数据档案数据。

本实施例中，每个注册用户可以在健康医疗服务使用过程中形成相关的健康大数据档案数据，在经过每个注册用户授权许可的情况下，可以获取每个健康监控服务平台上传的每个注册用户的健康大数据档案数据。

步骤S120，提取所述健康大数据档案数据中与当前医疗推送业务相关的待共享档案数据，以获得每个注册用户对应的待共享档案数据。

本实施例中，针对健康大数据档案数据，并不是基于全量数据进行共享，为了减少负载压力，需要结合当前重点推广的医疗推送业务从健康大数据档案数据中提取相关的待共享档案数据，作为每个注册用户对应的待共享档案数据。例如，相关的待共享档案数据可以是指与当前重点推广的医疗推送业务所包括的业务字段相关的待共享档案数据。

步骤S130，依据每个注册用户的用户画像和对应的待共享档案数据，确定每个用户画像下的目标共享档案数据。

本实施例中，可以基于用户画像对每个对应的待共享档案数据进行聚类，从而获得每个用户画像下的目标共享档案数据。

步骤S140，基于每个用户画像下的目标共享档案数据进行大数据挖掘，获得每个用户画像下的大数据挖掘结果，并基于所述每个用户画像下的大数据挖掘结果对所述每个用户画像下的目标共享档案数据进行数据共享配置。

本实施例中，可以进一步基于每个用户画像下的目标共享档案数据进行大数据挖掘，获得每个用户画像下的大数据挖掘结果，该大数据挖掘结果可以用于表征每个用户画像所对应的频繁项对象，由此可以基于每个用户画像所对应的频繁项对象对所述每个用户画像下的目标共享档案数据进行数据共享配置。例如，针对频繁项对象提高其数据共享权重。

基于以上步骤，本实施例通过获取每个健康监控服务平台上传的每个注册用户的健康大数据档案数据，提取健康大数据档案数据中与当前医疗推送业务相关的待共享档案数据，以获得每个注册用户对应的待共享档案数据，依据每个注册用户的用户画像和对应的待共享档案数据，确定每个用户画像下的目标共享档案数据，基于每个用户画像下的目标共享档案数据进行大数据挖掘，获得每个用户画像下的大数据挖掘结果，并基于每个用户画像下的大数据挖掘结果对每个用户画像下的目标共享档案数据进行数据共享配置。如此，通过当前医疗推送业务以及相关注册用户的用户画像进行目标共享档案数据的提取，依次进行大数据挖掘后针对性进行数据共享配置，可以使得数据共享符合实际业务需求场景。

一种可能的实施方式中，针对步骤S140，在基于每个用户画像下的目标共享档案数据进行大数据挖掘，获得每个用户画像下的大数据挖掘结果的过程中，可以通过以下步骤实现。

步骤S210，对所述每个用户画像下的目标共享档案数据进行频繁项向量挖掘，获得所述目标共享档案数据的频繁项行为向量和频繁项意图向量，所述频繁项意图向量表征所述目标共享档案数据的意图标签分布。

目标共享档案数据包括多个目标共享档案数据，所谓目标共享档案数据可以为需要进行挖掘的档案数据，该档案数据的意图标签分布可以有多个意图标签构成。

其中，频繁项意图向量表征目标共享档案数据的意图标签分布，可以是目标共享档案数据的意图标签分布对应的向量信息。

其中，对目标共享档案数据进行频繁项向量挖掘的操作可以是：采用目标频繁项挖掘网络的行为频繁项向量挖掘网络挖掘目标共享档案数据的频繁项行为向量，采用目标频繁项挖掘网络的意图频繁项向量挖掘网络挖掘目标共享档案数据的频繁项意图向量，例如可以通过以下步骤实现：

(1)采用目标频繁项挖掘网络的行为频繁项向量挖掘网络挖掘目标共享档案数据的频繁项行为向量。

(2)采用目标频繁项挖掘网络的意图频繁项向量挖掘网络，对目标共享档案数据进行频繁项向量挖掘，获得目标共享档案数据的频繁项意图向量。

步骤S220，在频繁项行为向量中获得与频繁项意图向量存在联系的向量分布，获得频繁项意图联系向量，并在频繁项意图向量中获得与频繁项行为向量存在联系的向量分布，获得频繁项行为联系向量。

其中，频繁项意图联系向量可以为频繁项行为向量中与频繁项意图向量(意图信息)相关的向量信息，频繁项行为联系向量可以为频繁项意图向量中与频繁项行为向量(挖掘频繁项分布)相关的向量信息。

其中，识别频繁项意图联系向量和频繁项行为联系向量的操作可以是：获取频繁项行为向量和频繁项意图向量在目标共享档案数据中的档案节点向量，获得频繁项行为向量对应的频繁项行为节点向量和频繁项意图向量对应的频繁项意图节点向量，基于频繁项行为节点向量，在频繁项行为向量中获得与频繁项意图向量存在联系的向量分布，获得频繁项意图联系向量，依据频繁项意图节点向量，在频繁项意图向量中获得与频繁项行为向量存在联系的向量分布，获得频繁项行为联系向量，例如可以通过以下步骤实现：

S1、获取频繁项行为向量和频繁项意图向量在目标共享档案数据中的档案节点向量，获得频繁项行为向量对应的频繁项行为节点向量和频繁项意图向量对应的频繁项意图节点向量。

例如，可以获取频繁项行为向量和频繁项意图向量在目标共享档案数据中的档案节点向量，获得频繁项行为向量对应的行为档案节点向量和频繁项意图向量对应的意图档案节点向量，基于行为档案节点向量，对目标共享档案数据中的档案单元数据进行行为档案节点挖掘，获得频繁项行为节点向量，依据意图档案节点向量，对目标共享档案数据中的档案单元数据进行行为档案节点挖掘，获得频繁项意图向量对应的频繁项意图节点向量，例如可以通过以下步骤实现：

(1)获取频繁项行为向量和频繁项意图向量在目标共享档案数据中的档案节点向量，获得频繁项行为向量对应的行为档案节点向量和频繁项意图向量对应的意图档案节点向量。

例如，在目标共享档案数据中获得频繁项行为向量和频繁项意图向量对应的档案单元数据，获取该档案单元数据在目标共享档案数据中的档案节点，由此获得频繁项行为向量对应的行为档案节点向量和频繁项意图向量对应的意图档案节点向量。

其中，获得频繁项行为向量和频繁项意图向量对应的档案单元数据可以是：在频繁项行为向量中挖掘频繁项行为向量信息，在目标共享档案数据的档案单元数据簇中获得频繁项行为向量信息对应的档案单元数据，在频繁项意图向量中挖掘频繁项意图向量信息，在目标共享档案数据的档案单元数据簇中获得频繁项意图向量信息对应的档案单元数据。

(2)基于行为档案节点向量，对目标共享档案数据中的档案单元数据进行行为档案节点挖掘，获得频繁项行为向量对应的频繁项行为节点向量。

(3)基于意图档案节点向量，对目标共享档案数据中的档案单元数据进行行为档案节点挖掘，获得频繁项意图向量对应的频繁项意图节点向量。

S2、基于频繁项行为节点向量，在频繁项行为向量中获得与频繁项意图向量存在联系的向量分布，获得频繁项意图联系向量。

例如，在频繁项行为向量中挖掘表征向量联系的频繁项行为向量，获得第一行为联系挖掘向量和第一行为参考依据挖掘向量，在频繁项意图向量中挖掘表征向量联系的频繁项意图向量，获得第一意图关系网络向量，将第一行为联系挖掘向量与第一意图关系网络向量进行向量联系，获得第一目标联系向量，并将第一目标联系向量、频繁项行为节点向量和第一行为参考依据挖掘向量进行聚合，获得频繁项意图联系向量。

其中，第一行为联系挖掘向量可以为在向量联系中引用频繁项行为向量中与频繁项意图向量存在联系的信息的向量。

其中，挖掘第一行为联系挖掘向量、第一行为参考依据挖掘向量和第一意图关系网络向量可以是：分别对频繁项行为向量进行挖掘，获得第一行为联系挖掘向量和第一行为参考依据挖掘向量，对频繁项意图向量进行挖掘，获得第一意图关系网络向量。

将第一行为联系挖掘向量和第一意图关系网络向量进行聚合的方式可以是：获取频繁项行为向量的行为知识网络，将第一行为联系挖掘向量与第一意图关系网络向量进行聚合，获得基础目标联系向量，确定所述基础目标联系向量与所述行为知识网络的联系向量，获得第一目标联系向量。

在得到第一目标联系向量之后，便可以将第一目标联系向量、频繁项行为节点向量和第一行为参考依据挖掘向量进行聚合，获得频繁项意图联系向量，聚合的方式可以是：将第一目标联系向量与频繁项行为节点向量进行聚合，获得聚合向量序列，对聚合向量序列进行关系挖掘，获得关系挖掘向量，该关系挖掘向量表征频繁项行为向量中的向量与频繁项意图向量的关系挖掘信息，基于关系挖掘向量，对第一行为参考依据挖掘向量进行关系联系，获得频繁项意图联系向量。

其中，第一目标联系向量与频繁项行为节点向量进行聚合的方式可以是：将第一目标联系向量与频繁项行为节点向量进行融合拼接，获得聚合向量序列。

在将第一目标联系向量与频繁项行为节点向量进行聚合之后，便可以对聚合向量序列进行关系挖掘，获得关系挖掘向量，由此获得每个档案单元数据中的频繁项行为向量中与频繁项意图向量存在联系的关系挖掘向量。

在得到关系挖掘向量之后，就可以基于关系挖掘向量，对第一行为参考依据挖掘向量进行关系联系，获得频繁项意图联系向量。

S3、依据频繁项意图节点向量，在频繁项意图向量中获得与频繁项行为向量存在联系的向量分布，获得频繁项行为联系向量。

例如，可以在频繁项意图向量中挖掘表征向量联系的频繁项意图向量，获得第二行为联系挖掘向量和第二行为参考依据挖掘向量，在频繁项行为向量中挖掘表征向量联系的频繁项行为向量，获得第二意图关系网络向量，将第二行为联系挖掘向量与第二意图关系网络向量进行向量联系，获得第二目标联系向量，并将第二目标联系向量、频繁项意图节点向量和第二行为参考依据挖掘向量进行聚合，获得频繁项行为联系向量。

其中，获得频繁项行为联系向量和频繁项意图联系向量的区别在于表征向量联系的向量不同，输出频繁项意图联系向量的过程中，从频繁项行为向量中挖掘第一行为联系挖掘向量和第一行为参考依据挖掘向量，从频繁项意图向量中挖掘第一意图关系网络向量，而输出频繁项行为联系向量的过程中，从频繁项行为向量中挖掘第二意图关系网络向量，从频繁项意图向量中挖掘第二行为联系挖掘向量和第二行为参考依据挖掘向量。

步骤S230，基于频繁项意图联系向量和频繁项行为联系向量，对频繁项行为向量和频繁项意图向量进行优化调整。

例如，可以基于频繁项意图联系向量，在频繁项行为向量中获得待去噪的频繁项行为向量，获得目标频繁项行为向量，依据频繁项行为联系向量，在频繁项意图向量中获得待去噪的频繁项意图向量，获得目标频繁项意图向量，在频繁项行为向量中滤除目标频繁项行为向量，获得优化频繁项行为向量，并在频繁项意图向量中滤除目标频繁项意图向量，获得优化频繁项意图向量。

其中，基于频繁项意图联系向量，在频繁项行为向量中获得待去噪的频繁项行为向量的操作可以是：获取频繁项意图联系向量存在联系的去噪影响数据，基于去噪影响数据，对频繁项意图联系向量进行关系联系，将关系联系后频繁项意图联系向量确定为频繁项行为向量中待去噪的频繁项行为向量，获得目标频繁项行为向量。在获得目标频繁项行为向量之后，便可以在频繁项行为向量中滤除该目标频繁项行为向量，从而得到优化频繁项行为向量。

步骤S240，依据优化频繁项行为向量和优化频繁项意图向量，确定目标共享档案数据的挖掘频繁项分布。

其中，确定目标共享档案数据的挖掘频繁项分布的方式可以是：

例如，可以对优化频繁项行为向量和优化频繁项意图向量进行频繁项向量挖掘，并对挖掘获得的频繁项行为向量和频繁项意图向量进行优化调整，迭代循环对优化频繁项行为向量和优化频繁项意图向量进行频繁项向量挖掘的操作，直到频繁项行为向量的优化调整迭代次数收敛，获得目标优化频繁项行为向量，采用目标频繁项挖掘网络对目标优化频繁项行为向量进行挖掘，获得目标共享档案数据的挖掘频繁项分布。

其中，对优化频繁项行为向量和优化频繁项意图向量进行频繁项向量挖掘的方式可以是：采用目标频繁项挖掘网络的行为频繁项向量挖掘网络对优化频繁项行为向量进行频繁项向量挖掘，采用目标频繁项挖掘网络的意图频繁项向量挖掘网络对优化频繁项意图向量进行频繁项向量挖掘。

对优化频繁项行为向量和优化频繁项意图向量进行频繁项向量挖掘之后，可对挖掘获得的频繁项行为向量和频繁项意图向量进行优化调整，优化调整的方式可以是：采用目标频繁项挖掘网络的向量联系单元将挖掘获得的频繁项行为向量和频繁项意图向量进行向量联系，以识别频繁项行为向量中与频繁项意图向量存在联系的向量分布和频繁项意图向量中与频繁项行为向量存在联系的向量分布。

其中，对频繁项行为向量和频繁项意图向量进行优化调整可以看作多次优化调整的过程，因此，目标频繁项挖掘网络可以包括挖掘单元和一个或多个优化调整单元。通过优化调整单元对频繁项行为向量和频繁项意图向量进行优化调整，优化调整的目的是减学习频繁项行为向量中与频繁项意图向量存在联系的向量分布，并学习频繁项意图向量中与频繁项行为向量存在联系的向量分布，当频繁项行为向量达到预设优化调整次数之后，也就意味着目标频繁项挖掘网络中全部的优化调整单元都对频繁项行为向量和频繁项意图向量进行优化调整了，就可以得到目标优化频繁项行为向量。

进一步地，该基于健康大数据档案的数据共享方法还可以包括：

获取多个参考训练数据，该参考训练数据包括携带训练参考依据的训练数据，基于预设挖掘网络对参考训练数据中训练数据的行为和意图进行挖掘，获得挖掘信息，基于挖掘信息和携带训练参考依据对初始挖掘网络进行网络配置，获得目标频繁项挖掘网络，例如可以通过以下步骤实现：

(1)获取多个参考训练数据。

其中，参考训练数据包括携带训练参考依据的训练数据，携带训练参考依据可以包括参考行为依据和参考意图依据，所谓参考行为依据指示训练数据的挖掘频繁项分布，参考意图依据指示训练数据的意图标签分布信息。

(2)基于初始挖掘网络对参考训练数据中训练数据的行为和意图进行挖掘，获得挖掘信息。

例如，基于初始挖掘网络对参考训练数据进行频繁项向量挖掘，获得训练数据的参考频繁项行为向量和参考频繁项意图向量，在参考频繁项行为向量中获得与参考意图存在联系的向量分布，获得参考频繁项意图联系向量，并在参考频繁项行为向量中获得与参考频繁项行为向量存在联系的向量分布，获得参考频繁项行为联系向量，基于参考频繁项意图联系向量和参考频繁项行为联系向量，对参考频繁项行为向量和参考频繁项意图向量进行优化调整，依据优化参考频繁项行为向量和优化参考频繁项意图向量，对参考训练数据中训练数据的行为和意图进行挖掘，获得挖掘信息。

(3)基于挖掘信息和携带训练参考依据对初始挖掘网络进行网络配置，获得目标频繁项挖掘网络。

其中，携带训练参考依据包括参考行为依据和参考意图依据，挖掘信息包括挖掘行为依据和挖掘意图依据。

其中，对初始挖掘网络进行网络配置的操作可以是：基于参考行为依据和挖掘行为依据，确定参考训练数据的行为挖掘代价，依据参考意图依据和挖掘意图依据，确定参考训练数据的意图挖掘代价，将行为挖掘代价和意图挖掘代价进行聚合，获得目标频繁项挖掘网络。

其中，确定参考训练数据的行为挖掘代价的方式可以有多种，比如，获取参考意图依据对应的目标频繁项行为向量，并确定参考训练数据的频繁项行为向量与目标频繁项行为向量之间的向量代价信息，确定参考行为依据与挖掘行为依据之间的依据代价信息，并将向量代价信息和依据代价信息进行聚合，获得聚合代价信息，基于参考训练数据的训练单位信息，确定聚合代价信息的优化代价信息，获得参考训练数据的行为挖掘代价。

其中，向量代价信息可以为参考训练数据的向量与参考意图依据对应的目标频繁项行为向量之间的差距，依据代价信息可以为参考行为依据与挖掘行为依据之间的差距信息等。

在确定行为挖掘代价和意图挖掘代价之后，便可以将行为挖掘代价和意图挖掘代价进行聚合，聚合的操作可以是：直接将行为挖掘代价和意图挖掘代价相加，获得聚合后挖掘代价。

基于聚合挖掘代价对初始挖掘网络进行网络配置，获得目标频繁项挖掘网络，网络配置的操作可以是：基于聚合后挖掘代价对初始挖掘网络的优化调整单元和挖掘单元的参数进行更新，以更新初始挖掘网络，获得目标频繁项挖掘网络。

基于以上步骤，在获取目标共享档案数据后，对目标共享档案数据进行频繁项向量挖掘，获得目标共享档案数据的频繁项行为向量和频繁项意图向量，然后，在频繁项行为向量中获得与频繁项意图向量存在联系的向量分布，获得频繁项意图联系向量，并在频繁项意图向量中获得与频繁项行为向量存在联系的向量分布，获得频繁项行为联系向量，然后，基于频繁项意图联系向量和频繁项行为联系向量，对频繁项行为向量和频繁项意图向量进行优化调整，然后，依据优化频繁项行为向量和优化频繁项意图向量，确定所述目标共享档案数据的挖掘频繁项分布；由此不仅挖掘频繁项行为向量和频繁项意图向量，而且还可以通过获得频繁项行为联系向量和频繁项意图联系向量对频繁项行为向量和频繁项意图向量进行优化调整，进而精确获得频繁项行为向量和频繁项意图向量，并通过频繁项意图向量进行挖掘。

基于以上步骤，下面进行示例性说明书。

下面为医疗咨询行为参考训练数据为例进行说明。

(一)基于健康大数据档案的数据共享系统配置挖掘网络。

(1)基于健康大数据档案的数据共享系统获取多个咨询行为参考训练数据。

一种示例性设计中，基于健康大数据档案的数据共享系统在接收到标注后的参考参考训练数据之后，还可以对参考参考训练数据的尺寸或者档案单元数据进行调整，获得咨询行为参考训练数据。

(2)基于健康大数据档案的数据共享系统基于初始挖掘网络对咨询行为参考训练数据中训练数据的行为和意图进行挖掘，获得挖掘信息。

例如，基于健康大数据档案的数据共享系统基于初始挖掘网络对咨询行为参考训练数据进行频繁项向量挖掘，获得训练数据的参考频繁项行为向量和参考频繁项意图向量，在参考频繁项行为向量中获得与参考意图存在联系的向量分布，获得参考频繁项意图联系向量，并在参考频繁项行为向量中获得与参考频繁项行为向量存在联系的向量分布，获得参考频繁项行为联系向量，基于参考频繁项意图联系向量和参考频繁项行为联系向量，对参考频繁项行为向量和参考频繁项意图向量进行优化调整，依据优化参考频繁项行为向量和优化参考频繁项意图向量，对咨询行为参考训练数据中训练数据的行为和意图进行挖掘，获得挖掘信息。

(3)基于健康大数据档案的数据共享系统基于挖掘信息和携带训练参考依据对初始挖掘网络进行网络配置，获得目标频繁项挖掘网络。

例如，基于健康大数据档案的数据共享系统获取参考意图依据对应的目标频繁项行为向量，并确定咨询行为参考训练数据的频繁项行为向量与目标频繁项行为向量之间的向量代价信息，确定参考行为依据与挖掘行为依据之间的依据代价信息，并将向量代价信息和依据代价信息进行聚合，获得聚合代价信息，基于咨询行为参考训练数据的训练单位信息，确定聚合代价信息的优化代价信息，获得咨询行为参考训练数据的行为挖掘代价。

(二)采用目标频繁项挖掘网络对医疗咨询行为参考训练数据进行识别

一种基于健康大数据档案的数据共享方法，具体流程如下：

步骤W101、基于健康大数据档案的数据共享系统获取医疗咨询行为参考训练数据。

步骤W102、基于健康大数据档案的数据共享系统对医疗咨询行为参考训练数据进行频繁项向量挖掘，获得目标共享档案数据的频繁项行为向量和频繁项意图向量。

例如，基于健康大数据档案的数据共享系统可以采用目标频繁项挖掘网络的行为频繁项向量挖掘网络挖掘目标共享档案数据的频繁项行为向量，采用目标频繁项挖掘网络的意图频繁项向量挖掘网络挖掘目标共享档案数据的频繁项意图向量，例如可以通过以下步骤实现：

(1)基于健康大数据档案的数据共享系统采用目标频繁项挖掘网络的行为频繁项向量挖掘网络挖掘目标共享档案数据的频繁项行为向量。

例如，基于健康大数据档案的数据共享系统采用IR34残差网络作为行为频繁项向量挖掘网络对医疗咨询行为参考训练数据进行频繁项向量挖掘，获得医疗咨询行为参考训练数据的频繁项行为向量。

(2)基于健康大数据档案的数据共享系统采用目标频繁项挖掘网络的意图频繁项向量挖掘网络，对医疗咨询行为参考训练数据进行频繁项向量挖掘，获得医疗咨询行为参考训练数据的频繁项意图向量。

例如，基于健康大数据档案的数据共享系统采用IR18残差网络作为意图频繁项向量挖掘网络对医疗咨询行为参考训练数据进行频繁项向量挖掘，获得医疗咨询行为参考训练数据的频繁项意图向量。

步骤W103、基于健康大数据档案的数据共享系统获取频繁项行为向量和频繁项意图向量在医疗咨询行为参考训练数据中的档案节点向量，获得频繁项行为向量对应的频繁项行为节点向量和频繁项意图向量对应的频繁项意图节点向量。

例如，基于健康大数据档案的数据共享系统可以获取频繁项行为向量和频繁项意图向量在医疗咨询行为参考训练数据中的档案节点向量，获得频繁项行为向量对应的行为档案节点向量和频繁项意图向量对应的意图档案节点向量，基于行为档案节点向量，对医疗咨询行为参考训练数据中的档案单元数据进行行为档案节点挖掘，获得频繁项行为节点向量，依据意图档案节点向量，对医疗咨询行为参考训练数据中的档案单元数据进行行为档案节点挖掘，获得频繁项意图向量对应的频繁项意图节点向量，例如可以通过以下步骤实现：

(1)基于健康大数据档案的数据共享系统获取频繁项行为向量和频繁项意图向量在医疗咨询行为参考训练数据中的档案节点向量，获得频繁项行为向量对应的行为档案节点向量和频繁项意图向量对应的意图档案节点向量。

例如，基于健康大数据档案的数据共享系统在频繁项行为向量中挖掘频繁项行为向量信息，在医疗咨询行为参考训练数据的档案单元数据簇中获得频繁项行为向量信息对应的档案单元数据，在频繁项意图向量中挖掘频繁项意图向量信息，在医疗咨询行为参考训练数据的档案单元数据簇中获得频繁项意图向量信息对应的档案单元数据，获取该档案单元数据在医疗咨询行为参考训练数据中的档案节点，由此获得频繁项行为向量对应的行为档案节点向量和频繁项意图向量对应的意图档案节点向量。

(2)基于健康大数据档案的数据共享系统基于行为档案节点向量，对医疗咨询行为参考训练数据中的档案单元数据进行行为档案节点挖掘，获得频繁项行为向量对应的频繁项行为节点向量。

(3)基于健康大数据档案的数据共享系统基于意图档案节点向量，对医疗咨询行为参考训练数据中的档案单元数据进行行为档案节点挖掘，获得频繁项意图向量对应的频繁项意图节点向量。

步骤W104、基于健康大数据档案的数据共享系统基于频繁项行为节点向量，在频繁项行为向量中获得与频繁项意图向量存在联系的向量分布，获得频繁项意图联系向量。

在得到第一目标联系向量之后，可以将第一目标联系向量与频繁项行为节点向量进行聚合，从而得到聚合向量序列，采用softmax函数对聚合向量序列进行关系挖掘，从而得到医疗咨询行为参考训练数据的档案单元数据间的挖掘信息作为每个档案单元数据中的频繁项行为向量中与频繁项意图向量存在联系的关系挖掘向量，该关系挖掘向量表征频繁项行为向量中的向量与频繁项意图向量的关系挖掘信息。

步骤W105、基于健康大数据档案的数据共享系统依据频繁项意图节点向量，在频繁项意图向量中获得与频繁项行为向量存在联系的向量分布，获得频繁项行为联系向量。

例如，基于健康大数据档案的数据共享系统可以在频繁项意图向量中挖掘表征向量联系的频繁项意图向量，获得第二行为联系挖掘向量和第二行为参考依据挖掘向量，在频繁项行为向量中挖掘表征向量联系的频繁项行为向量，获得第二意图关系网络向量，将第二行为联系挖掘向量与第二意图关系网络向量进行向量联系，获得第二目标联系向量，并将第二目标联系向量、频繁项意图节点向量和第二行为参考依据挖掘向量进行聚合，获得频繁项行为联系向量。

步骤W106、基于健康大数据档案的数据共享系统基于频繁项意图联系向量和频繁项行为联系向量，对频繁项行为向量和频繁项意图向量进行优化调整。

例如，基于健康大数据档案的数据共享系统可以获取频繁项意图联系向量存在联系的去噪影响数据，基于去噪影响数据，对频繁项意图联系向量进行关系联系，将关系联系后频繁项意图联系向量确定为频繁项行为向量中待去噪的频繁项行为向量，获得目标频繁项行为向量。在获得目标频繁项行为向量之后，便可以在频繁项行为向量中滤除该目标频繁项行为向量，从而得到优化频繁项行为向量。

基于健康大数据档案的数据共享系统基于频繁项行为联系向量，在频繁项意图向量中获得待去噪的意图频繁项行为向量，获得目标频繁项意图向量。在获得目标频繁项意图向量之后，便可以在频繁项意图向量中获得该目标频繁项意图向量，从而得到优化频繁项意图向量。

步骤W107、基于健康大数据档案的数据共享系统依据优化频繁项行为向量和优化频繁项意图向量，确定目标共享档案数据的挖掘频繁项分布。

例如，基于健康大数据档案的数据共享系统可以对优化频繁项行为向量和优化频繁项意图向量进行频繁项向量挖掘，并采用目标频繁项挖掘网络的向量联系单元将挖掘获得的频繁项行为向量和频繁项意图向量进行向量联系，以识别频繁项行为向量中与频繁项意图向量存在联系的向量分布和频繁项意图向量中与频繁项行为向量存在联系的向量分布，就可以对挖掘获得的频繁项行为向量和频繁项意图向量进行优化调整。迭代循环对优化频繁项行为向量和优化频繁项意图向量进行频繁项向量挖掘的操作，直到频繁项行为向量的优化调整迭代次数收敛，获得目标优化频繁项行为向量。

图2示出了本发明实施例提供的用于实现上述的基于健康大数据档案的数据共享方法的基于健康大数据档案的数据共享系统100的硬件结构意图，如图2所示，基于健康大数据档案的数据共享系统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。

在一些实施例中，基于健康大数据档案的数据共享系统100可以是单个基于健康大数据档案的数据共享系统，也可以是基于健康大数据档案的数据共享系统组。所述基于健康大数据档案的数据共享系统组可以是集中式的，也可以是分布式的(例如，基于健康大数据档案的数据共享系统100可以是分布式的系统)。在一些实施例中，基于健康大数据档案的数据共享系统100可以是本地的，也可以是远程的。例如，基于健康大数据档案的数据共享系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于健康大数据档案的数据共享系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，基于健康大数据档案的数据共享系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以储存数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以储存基于健康大数据档案的数据共享系统100用来执行或使用来完成本发明中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDRSDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。

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存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于健康大数据档案的数据共享方法，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。

处理器110的具体实现过程可参见上述基于健康大数据档案的数据共享系统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，本发明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可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于健康大数据档案的数据共享方法。

应当理解的是，以上描述仅出于说明的目的，并不旨在限制本发明的范围。对于本领域的普通技术人员来说，可以根据本发明的描述，做出多种修改和变化。然而，这些修改和变化不会背离本发明的范围。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本发明的限制。虽然此处并没有明确说明，本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议，所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。

同时，本发明使用了特定词语来描述本发明的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本发明的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本发明公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。

本发明各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，主动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或基于健康大数据档案的数据共享系统上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本发明所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的基于健康大数据档案的数据共享系统或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本发明披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。