基于大数据的智慧医疗交互方法及智慧医疗云计算系统

技术领域

本公开涉及以大数据技术为基础的智慧医疗技术领域，示例性地，涉及一种基于大数据的智慧医疗交互方法及智慧医疗云计算系统。

背景技术

智慧医疗是智慧城市的一个重要组成部分，是综合应用医疗物联网、数据融合传输交换、云计算、城域网等技术，通过信息技术将医疗基础设施与IT基础设施进行融合，以医疗云数据中心为核心，跨越原有医疗系统的时空限制，并在此基础上进行智能决策，实现医疗服务最优化的医疗体系。

智慧医疗是将个体、器械、机构整合为一个整体，将病患人员、医务人员、保险公司、研究人员等紧密联系起来，实现业务协同，增加社会、机构、个人的三重效益。同时，通过移动通信、移动互联网等技术将远程挂号、在线咨询、在线支付等医疗服务推送到每个人的手中，缓解看病难问题。

基于此，相关技术中，对于遍布设置的不同智慧医疗终端（如设置在医疗服务机构的终端）而言，对于在线咨询过程，需要与用户进行多次交互互动，并且能够按照最新的医疗业务词条为用户准确推送医疗业务的医疗响应信息，以便于用户针对所需的信息继续进行咨询导航。然而相关技术中，知识点推荐的准确度知识点的知晓率较低。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于大数据的智慧医疗交互方法及智慧医疗云计算系统。

第一方面，本公开提供一种基于大数据的智慧医疗交互方法，应用于智慧医疗云计算系统，所述智慧医疗云计算系统与多个智慧医疗移动终端通信连接，所述方法包括：

获取所述智慧医疗移动终端发起的目标医疗业务的医疗响应信息，并获取所述智慧医疗移动终端针对所述医疗响应信息中任意一个医疗响应词条发起的在线咨询主题；

获取所述在线咨询主题相关的医疗服务知识点，基于各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布，确定所述各个医疗服务知识点针对所述各个待应答问题的相关程度；

获取所述各个医疗服务知识点对应的知识点热度，基于所述相关程度和所述知识点热度，计算所述各个医疗服务知识点针对所述待应答问题集合的可参考度；

基于所述可参考度，从所述医疗服务知识点中选取目标知识点关联到所述待应答问题集合，以与所述智慧医疗移动终端发起的在线咨询主题进行交互。

第二方面，本公开实施例还提供一种基于大数据的智慧医疗交互系统，所述基于大数据的智慧医疗交互系统包括智慧医疗云计算系统以及与所述智慧医疗云计算系统通信连接的多个智慧医疗移动终端；

所述智慧医疗云计算系统，用于：

获取所述智慧医疗移动终端发起的目标医疗业务的医疗响应信息，并获取所述智慧医疗移动终端针对所述医疗响应信息中任意一个医疗响应词条发起的在线咨询主题；

获取所述在线咨询主题相关的医疗服务知识点，基于各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布，确定所述各个医疗服务知识点针对所述各个待应答问题的相关程度；

获取所述各个医疗服务知识点对应的知识点热度，基于所述相关程度和所述知识点热度，计算所述各个医疗服务知识点针对所述待应答问题集合的可参考度；

基于所述可参考度，从所述医疗服务知识点中选取目标知识点关联到所述待应答问题集合，以与所述智慧医疗移动终端发起的在线咨询主题进行交互。

根据上述任意一个方面，本公开提供的实施方式中，基于各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布，确定各个医疗服务知识点针对各个待应答问题的相关程度，获取各个医疗服务知识点对应的知识点热度，基于相关程度和知识点热度，计算各个医疗服务知识点针对待应答问题集合的可参考度，基于可参考度从医疗服务知识点中选取目标知识点关联到待应答问题集合。可见，本申请在将合适的知识点推荐给待应答问题集合的同时，又能考虑到待应答问题集合的参考度价值，进而可以选择出更匹配的知识点来向待应答问题集合进行信息咨询交互，不仅提高了知识点推荐的准确度，而且能够提高知识点的知晓率。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，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，还可以根据这些附图获得其它相关的附图。

图1为本公开实施例提供的基于大数据的智慧医疗交互系统的应用场景示意图；

图2为本公开实施例提供的基于大数据的智慧医疗交互方法的流程示意图；

图3为本公开实施例提供的基于大数据的智慧医疗交互装置的功能模块示意图；

图4为本公开实施例提供的用于实现上述的基于大数据的智慧医疗交互方法的智慧医疗云计算系统的结构示意框图。

具体实施方式

下面结合说明书附图对本公开进行具体说明，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是本公开一种实施例提供的基于大数据的智慧医疗交互系统10的解释示意图。基于大数据的智慧医疗交互系统10可以包括智慧医疗云计算系统100以及与智慧医疗云计算系统100通信连接的智慧医疗移动终端200。图1所示的基于大数据的智慧医疗交互系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据的智慧医疗交互系统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。

在一种可能的设计思路中，基于大数据的智慧医疗交互系统10中的智慧医疗云计算系统100和智慧医疗移动终端200可以通过配合执行以下方法实施例所描述的基于大数据的智慧医疗交互方法，具体智慧医疗云计算系统100和智慧医疗移动终端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大数据的智慧医疗交互方法的流程示意图，本实施例提供的基于大数据的智慧医疗交互方法可以由图1中所示的智慧医疗云计算系统100执行，下面对该基于大数据的智慧医疗交互方法进行详细介绍。

步骤S110，获取智慧医疗移动终端200发起的目标医疗业务的医疗响应信息，并获取智慧医疗移动终端200针对医疗响应信息中任意一个医疗响应词条发起的在线咨询主题。

在一种实施例中，医疗响应信息可以是指目标医疗业务相关联的词条信息，智慧医疗移动终端200可以针对医疗响应信息中任意一个医疗响应词条发起在线咨询主题。

步骤S120，获取在线咨询主题相关的医疗服务知识点，基于各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布，确定各个医疗服务知识点针对各个待应答问题的相关程度。

在一种实施例中，在线咨询主题相关的医疗服务知识点可以根据实际设计需求进行设定，如在线咨询主题为糖尿病咨询主题，那么医疗服务知识点可以包括糖尿病咨询主题相关的知识点，如糖尿病成因、糖尿病注意事项等。

在一种实施例中，知识点编码分布可以包括知识点范围、知识点类型、知识点适用病症、知识点覆盖范围、知识点查询数量、知识点响应数量等，知识点编码分布的维度可以根据实际设计需求进行选择，以使获取的知识点编码分布更加全面。

在一种实施例中，各个医疗服务知识点可以具有多种知识点编码分布，多种知识点编码分布可以包括：随着业务位置更新而持续更新的第二知识点编码分布、以及不随业务位置更新而持续更新的第三知识点编码分布。第二知识点编码分布可以包括知识点覆盖范围、知识点查询数量、知识点响应数量等。第三知识点编码分布可以包括知识点范围、知识点类型和知识点适用病症等。

在一种实施例中，待应答问题集合中可以包含一个或多个待应答问题，一个待应答问题集合可以对应一个咨询服务页面，待应答问题集合中的各个待应答问题可以在待应答问题集合对应的咨询服务页面中产生咨询消息。

在一种实施例中，问题编码分布可以包括待应答问题基础编码分布和待应答问题特定编码分布。待应答问题基础编码分布可以包括待应答问题问题类别、问题标签、问题等级等。待应答问题特定编码分布可以包括待应答问题的扩展问题方向等。

在一种实施例中，各个待应答问题可以具有多种问题编码分布，多种问题编码分布可以包括：用于描述待应答问题问题应答策略与业务位置更新关系的第一问题编码分布、随着业务位置更新而持续更新的第二问题编码分布、以及不随业务位置更新而持续更新的第三问题编码分布。

在一种实施例中，可以计算各个待应答问题的问题编码分布与各个医疗服务知识点的知识点编码分布之间的分布关联参数，通过Sigmoid函数对分布关联参数进行输入映射，以得到各个医疗服务知识点针对各个待应答问题的相关程度。Sigmoid函数可以将分布关联参数映射至零至一之间，从而得到分布关联参数对应的相关程度，作为各个医疗服务知识点针对各个待应答问题的相关程度。

在一种实施例中，分布关联参数可以为但不限于欧氏距离、曼哈顿距离、切比雪夫距离、闵可夫斯基距离、标准化欧氏距离、马氏距离、夹角余弦、汉明距离、杰卡德距离、相关距离或信息熵等。

在一种实施例中，在计算各个待应答问题的问题编码分布与各个医疗服务知识点的知识点编码分布之间的分布关联参数之前，可以将各个待应答问题的问题编码分布与各个医疗服务知识点的知识点编码分布映射至同一编码分布网格，以更方便的计算各个待应答问题的问题编码分布与各个医疗服务知识点的知识点编码分布的相关程度。

在一种实施例中，可以获取各个待应答问题的问题编码分布所对应的问题编码分布范围，以及各个医疗服务知识点的知识点编码分布所对应的知识点编码分布范围，将各个待应答问题的问题编码分布输入核函数处理范围为问题编码分布范围的核函数进行数据转换，并将各个医疗服务知识点的知识点编码分布输入核函数处理范围为知识点编码分布范围的核函数进行数据转换，以将各个待应答问题的问题编码分布和各个医疗服务知识点的知识点编码分布转换至同一编码分布网格。

在一种实施例中，在将各个待应答问题的问题编码分布与各个医疗服务知识点的知识点编码分布映射至同一编码分布网格之前，可以将各个待应答问题的多种问题编码分布进行融合，并将各个医疗服务知识点的多种知识点编码分布进行融合，以更方便的计算各个待应答问题的问题编码分布与各个医疗服务知识点的知识点编码分布的相关程度。

在一种实施例中，可以对各个待应答问题的每两个第一问题编码分布进行条件随机场计算，得到条件随机场特征，条件随机场特征能够体现第一问题编码分布中的标注或分析序列信息。可以对各个待应答问题的每两个第三问题编码分布进行非线性特征拟合处理，得到问题非线性特征拟合特征，问题非线性特征拟合特征能够体现出各个待应答问题的每两个第三问题编码分布之间的关系。可以将各个待应答问题的第二问题编码分布、条件随机场特征和问题非线性特征拟合特征进行融合，使得到的融合信息能够反映出问题编码分布中包含的更深层次的信息。

在一种实施例中，可以在将各个待应答问题的相同种类的问题编码分布进行融合之后，再与各个待应答问题的不同种类的问题编码分布进行融合，例如，可以分别将各个待应答问题的第二问题编码分布、条件随机场特征及问题非线性特征拟合特征进行融合，再将各个待应答问题融合后的第二问题编码分布、融合后的条件随机场特征及融合后的问题非线性特征拟合特征进行融合。

在一种实施例中，可以对各个医疗服务知识点的每两个第三知识点编码分布进行非线性特征拟合处理，得到知识点非线性特征拟合特征，知识点非线性特征拟合特征能够体现出各个知识点的每两个第三知识点编码分布之间的关系。将各个医疗服务知识点的第二知识点编码分布和知识点非线性特征拟合特征进行融合，使得到的融合信息能够反映出知识点编码分布中包含的更深层次的信息。

在一种实施例中，可以在将各个医疗服务知识点的相同种类的知识点编码分布进行融合之后，再与各个医疗服务知识点的不同种类的知识点编码分布进行融合，例如，可以分别将各个医疗服务知识点的第二知识点编码分布、条件随机场特征及知识点非线性特征拟合特征进行融合，再将各个医疗服务知识点融合后的第二知识点编码分布、融合后的条件随机场特征及融合后的知识点非线性特征拟合特征进行融合。

步骤S130，获取各个医疗服务知识点对应的知识点热度，基于相关程度和知识点热度，计算各个医疗服务知识点针对待应答问题集合的可参考度。

在一种实施例中，各个医疗服务知识点对应的知识点热度是根据知识点的具体情况灵活设定的，是各个医疗服务知识点被接收后用户提供的初始参考度，用于表征该医疗服务知识点的受众几率，如医疗服务知识点的点击率或者咨询率越大，那么其知识点热度越大，具体知识点热度的设定规则可以参考现有技术中的热度规则即可，此处不作具体限定。

在一种实施例中，可以计算各个医疗服务知识点对应的知识点热度与各个医疗服务知识点针对各个待应答问题的相关程度之间的乘积，得到各个医疗服务知识点针对各个待应答问题的初始参考度，对各个医疗服务知识点针对各个待应答问题的初始参考度进行加权，得到各个医疗服务知识点针对待应答问题集合的可参考度。

在一种实施例中，可以计算相关程度和知识点热度的加权和，以得到各个医疗服务知识点针对待应答问题集合的可参考度。

步骤S140，基于可参考度，从医疗服务知识点中选取目标知识点关联到待应答问题集合，以与智慧医疗移动终端发起的在线咨询主题进行交互。

在一种实施例中，可以按照可参考度由大到小的顺序，从医疗服务知识点中选取设定数量个医疗服务知识点作为目标知识点，将目标知识点关联到待应答问题集合。在一种实施例中，可以按照可参考度由大到小的顺序生成候选列表，从候选列表中选取排名在先的设定数量个医疗服务知识点。在一种实施例中，目标知识点的数量可以有多个。

在一种实施例中，可以将设定数量个医疗服务知识点发送至待应答问题集合管理员所在的客户端，由待应答问题集合管理员从设定数量个医疗服务知识点中选择目标知识点转发至待应答问题集合。在一种实施例中，可以由待应答问题集合所在的平台系统推送目标知识点至待应答问题集合。

在前述的实施例中，基于各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布，确定各个医疗服务知识点针对各个待应答问题的相关程度，获取各个医疗服务知识点对应的知识点热度，基于相关程度和知识点热度，计算各个医疗服务知识点针对待应答问题集合的可参考度，基于可参考度，从医疗服务知识点中选取目标知识点关联到待应答问题集合，在将合适的知识点推荐给待应答问题集合的同时，又能考虑到待应答问题集合的参考度价值，进而可以选择出更匹配的知识点来向待应答问题集合进行信息咨询交互，不仅提高了知识点推荐的准确度，而且能够提高知识点的知晓率，此外，由于待应答问题在待应答问题集合的知识点中获得了参考度价值，能够提高待应答问题集合中待应答问题的匹配度。

在一种实施例中，前述的步骤S120中，基于各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布，确定各个医疗服务知识点针对各个待应答问题的相关程度，可以包括：将各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布输入机器学习网络，获取机器学习网络输出的各个医疗服务知识点针对各个待应答问题的相关程度。

在一种实施例中，可以将各个医疗服务知识点的知识点编码分布输入至机器学习网络的第一机器学习单元，并将各个待应答问题的问题编码分布输入机器学习网络的第二机器学习单元，第一机器学习单元与第二机器学习单元连接至全局学习单元，获取全局学习单元输出的各个医疗服务知识点针对各个待应答问题的相关程度。

在一种实施例中，第一机器学习单元可以包括：第一非线性特征拟合子单元和与第一非线性特征拟合子单元的输出端相连的第一融合子单元。第一非线性特征拟合子单元用于对知识点编码分布中的第三知识点编码分布进行非线性特征拟合处理，知识点融合子单元用于对知识点编码分布中的第二知识点编码分布和第一非线性特征拟合子单元输出的知识点非线性特征拟合特征进行融合。

在一种实施例中，第二机器学习单元可以包括：第二非线性特征拟合子单元、条件随机场子单元和第二融合子单元，第二融合子单元的输入端连接第二非线性特征拟合子单元的输出端和条件随机场子单元的输出端。第二非线性特征拟合子单元用于对问题编码分布中的第三问题编码分布进行非线性特征拟合处理，条件随机场子单元用于对问题编码分布中的第一问题编码分布中进行条件随机场计算，待应答问题融合子单元用于对问题编码分布中的第二问题编码分布、第二非线性特征拟合子单元输出的问题非线性特征拟合特征、条件随机场子单元输出的条件随机场特征进行融合。

在一种实施例中，全局学习单元可以计算知识点融合子单元输出的知识点融合特征和待应答问题融合子单元输出的待应答问题融合特征之间的相关程度。

例如，假设该机器学习网络A可以包括第一机器学习单元A1、第二机器学习单元A2，以及连接第一机器学习单元A1与第二机器学习单元A2的全局学习单元A3。

在一种实施例中，第一机器学习单元A1可以包括第一离散编码子单元A11、连接第一离散编码子单元A11输出端的第一非线性特征拟合子单元A12、第一连续编码子单元A13、连接第一非线性特征拟合子单元A12的输出端和第一连续编码子单元输出端A13的第一融合子单元A14、连接第一融合子单元A14的输出端的第一空间转换模块A15和连接第一空间转换模块A15输出端的第一正则化模块A16。第一离散编码子单元A11用于对各个医疗服务知识点的知识点编码分布中的离散知识点编码分布进行编码处理得到离散知识点编码分布向量；第一非线性特征拟合子单元A12用于对各个医疗服务知识点的离散知识点编码分布向量中每两个离散知识点编码分布向量进行非线性特征拟合；第一连续编码子单元A13用于各个医疗服务知识点的知识点编码分布中的第二知识点编码分布进行编码处理得到第二知识点编码分布向量；第一融合子单元A14用于对第二知识点编码分布向量和第一非线性特征拟合子单元A12输出的知识点非线性特征拟合特征向量进行融合；第一空间转换模块A15用将第一融合子单元A14输出的知识点融合特征向量转换至目标编码分布网格；第一正则化模块A16用于对目标编码分布网格中的知识点融合特征向量进行正则化处理。

在一种实施例中，第二机器学习单元A2可以包括：时序特征编码子单元A21，连接时序特征编码子单元A21输出端的条件随机场子单元A22，第二离散编码子单元A23，连接第二离散编码子单元A23输出端的第二非线性特征拟合子单元A24，第二连续编码子单元A25，连接条件随机场子单元A22的输出端、第二非线性特征拟合子单元A24的输出端和第二连续编码子单元A25输出端的第二融合子单元A26，连接第二融合特征模块A26的输出端的第二空间转换模块A27，以及连接第二空间转换模块A27输出端的第二正则化模块A28。时序特征编码子单元A21用于各个待应答问题的问题编码分布中的第一问题编码分布进行编码处理得到第一问题编码分布向量；条件随机场子单元A22用于对各个待应答问题的第一问题编码分布向量中的每两个第一问题编码分布向量进行条件随机场计算得到条件随机场特征向量；第二离散编码子单元A23用于对各个待应答问题的问题编码分布中的离散问题编码分布进行编码处理得到离散问题编码分布向量；第二非线性特征拟合子单元A24用于对各个待应答问题的离散问题编码分布向量中每两个离散问题编码分布向量进行非线性特征拟合；第二连续编码子单元A25用于各个待应答问题的问题编码分布中的第二问题编码分布进行编码处理得到第二问题编码分布向量；第二融合子单元A26用于对第二问题编码分布向量、条件随机场特征向量和第二非线性特征拟合子单元A24输出的问题非线性特征拟合特征向量进行融合；第二空间转换模块A27用将第二融合子单元输出的待应答问题融合特征向量转换至目标编码分布网格；第二正则化模块A28用于对目标编码分布网格中的待应答问题融合特征向量进行正则化处理。

在一种实施例中，第一空间转换模块A15可以包括多个全连接层，在将知识点融合特征向量转换至目标编码分布网格的同时，能够对知识点融合特征向量进行降维。第二空间转换模块A27可以包括由多个全连接层，在将待应答问题融合特征向量转换至目标编码分布网格的同时，能够对待应答问题融合特征向量进行降维，以便于全局学习单元计算处于同一编码分布网格中降维后的知识点融合特征向量和待应答问题融合特征向量之间的相关程度。

在一种实施例中，全局学习单元A3可以用于计算各个待应答问题正则化后的目标编码分布网格中的待应答问题融合特征向量与各个医疗服务知识点正则化后的目标编码分布网格中的知识点融合特征向量之间的分布关联参数，并通过Sigmoid函数对分布关联参数进行输入映射，以得到各个医疗服务知识点针对各个待应答问题的相关程度。

在一种实施例中，机器学习网络的结构可以分为三个区域，分别为输入区、连接输入区输出端的映射区和连接映射区输出端的输出区。输入区可以包括第一离散编码子单元A11、第一连续编码子单元A13、时序特征编码子单元A21、第二离散编码子单元A22和第二连续编码子单元A25。映射区可以包括第一非线性特征拟合子单元A12、第一融合子单元A14、第一空间转换模块A15、第一正则化模块A16、条件随机场子单元A22、第二非线性特征拟合子单元A24、第二融合子单元A26、第二空间转换模块A27和第二正则化模块A28。输出区可以包括全局学习单元A3。

在一种实施例中，第二非线性特征拟合子单元的结构可以参考第一非线性特征拟合子单元的结构。

在该实施例中，通过对第一问题编码分布向量中的任意两个第一问题编码分布向量通过条件随机场计算直接联系起来，引入条件随机场子单元进行序列信息的特征提取，可以能捕获两个第一问题编码分布向量之间的关联性，进而学习出更深层次的表征向量，更容易捕获那些深层次的相互依赖的隐含信息。

譬如，在一种实施例中，机器学习网络可以通过以下方式预先训练：获取问题编码分布样本序列和知识点编码分布样本序列，以及问题编码分布样本序列中的各个问题编码分布样本与知识点编码分布样本序列中的各个知识点编码分布样本之间的相关程度；将问题编码分布样本输入至第一机器学习单元，并将知识点编码分布样本输入至第二机器学习单元，获取机器学习网络输出的问题编码分布样本序列中的各个问题编码分布样本与知识点编码分布样本序列中的各个知识点编码分布样本之间的分类置信度；将分类置信度与相关程度比较，如果不一致，调整机器学习网络，使得分类置信度与相关程度一致。

譬如，在一种实施例中，可以将相关程度达到目标程度阈值的问题编码分布样本和知识点编码分布样本作为第一样本，可以将相关程度未达到目标程度阈值的问题编码分布样本和知识点编码分布样本作为第二样本，若第一样本的数量与第二样本的数量的比值未达到阈值，则复制第一样本，直至第一样本的数量与第二样本的数量的比值达到阈值。

譬如，在一种实施例中，若第一样本的数量与第二样本的数量的比值未达到阈值，可以计算各个第一样本与任一第一样本之间的第一分布关联参数，随机选择分布关联参数小于第一分布关联参数的第一样本，作为合成第一样本；直至第一样本的数量与合成第一样本的数量之和比上第二样本的数量达到阈值。

在一种实施例中，步骤S110中获取所述智慧医疗移动终端发起的目标医疗业务的医疗响应信息的具体实现方式，可以通过以下步骤实现。

步骤S111，构建医疗业务词条网络。

本实施例中，医疗业务词条网络包括元素和关联属性，元素包括医疗业务对应的医疗业务元素和词条对应的词条元素，存在解释关系或扩展关联属性的两个元素使用关联属性进行关联标注，解释关系包括已发起解释流程的医疗业务元素与词条元素间的属性关系，扩展关联属性包括医疗业务元素之间的跳转关系和词条元素之间的主题层级关系中的至少一种。

例如，智慧医疗云计算系统可以基于数据库中存储的医疗业务大数据构建医疗业务词条网络。医疗业务词条网络是由大量医疗业务的医疗业务大数据构成的大规模网络结构。医疗业务词条网络中可以包括两类元素：医疗业务元素和词条元素。例如，医疗业务词条网络中存在至少两个医疗业务元素或至少两个词条元素，例如，由于医疗业务词条网络是使用智慧医疗云计算系统100中存储的大量医疗业务数据构建的，医疗业务词条网络中存在多个医疗业务元素和多个词条元素。例如，用关联属性来表示各个元素间的属性关系，例如，当医疗业务与词条存在解释关系时，用关联属性将医疗业务元素与词条元素标注，该关联属性即表示这两个元素间的解释关系；再如，医疗业务与医疗业务间存在跳转关系时，用关联属性将两个医疗业务元素标注，该关联属性即表示这两个元素间的跳转关系；再如，对于一个医疗业务，可以为其关联的不同词条分配不同的关联程度，则可以为医疗业务元素与词条元素间的关联属性赋值关联程度，该关联属性即表示这两个医疗业务元素存在解释关系和该解释关系的关联程度。例如，一种实施例中，关联属性可以是有向关联属性也可以是无向关联属性。有向关联属性表示两个元素间的属性关系可以具有方向性，例如，在医疗业务与医疗业务的跳转关系中，医疗业务A引用了医疗业务B，则医疗业务A的医疗业务元素A与医疗业务B的医疗业务元素B之间的关联属性可以是从医疗业务A指向医疗业务B，来强调医疗业务A的主动引用，当然，关联属性也可以是从医疗业务B指向医疗业务A，来强调医疗业务B的被引用关系。

例如，假设在医疗业务词条网络中包含了A医疗业务元素、B词条元素以及元素间的关联属性C，关联属性C表征了元素间的属性关系。例如，一个医疗业务在医疗业务词条网络中占用一个医疗业务元素，一个词条在医疗业务词条网络中占用一个词条元素，则当用于构建医疗业务词条网络的数据中包含了一万个医疗业务和一千个词条时，医疗业务词条网络中对应的包含了一万个医疗业务元素和一千个词条元素。

以上提及了元素间的三种关系：解释关系、跳转关系和主题层级关系，下面分别介绍这三种关系。

解释关系是医疗业务(医疗业务元素)与词条(词条元素)间的属性关系。解释关系代表医疗业务与词条间存在直接关联关系，即，医疗业务与词条之间发生了解释流程，例如，医疗业务添加了词条、医疗业务引用了词条、医疗业务在构建时产生了该词条的关键词、医疗业务引用了该词条的相关信息等等。例如，解释关系可以是由智慧医疗移动终端200采集到的，智慧医疗移动终端200将采集到的解释关系发送给智慧医疗云计算系统100进行存储，智慧医疗云计算系统100根据存储的各个智慧医疗移动终端200上报的各个医疗业务的解释关系，来构建医疗业务词条网络。例如，由于医疗业务与词条间具有解释关系，则该医疗业务对应的医疗业务元素与该词条对应的词条元素间具有解释关系。

跳转关系是两个医疗业务(医疗业务元素)间的属性关系。跳转关系代表两个医疗业务间存在直接关联关系，例如，两个医疗业务间存在业务服务关系、两个医疗业务间存在引用与被引用关系、两个医疗业务间存在订阅与被订阅关系、两个医疗业务间存在共享与被共享关系、两个医疗业务(帐号)属于同一个服务商等。例如，跳转关系也可以是间接关联关系，例如，两个医疗业务属于同一个业务分类、两个医疗业务共同加入了同一个相关性标签、两个医疗业务与另一个医疗业务都具有业务服务关系等等。例如，本公开所提及的医疗业务是指智慧医疗云计算系统100所能够识别的医疗业务，即，医疗业务帐号，同一个医疗业务若具有多个医疗业务节点会被智慧医疗云计算系统识别为多个医疗业务。例如，由于两个医疗业务之间具有跳转关系，则该医疗业务对应的医疗业务元素与该另一个医疗业务对应的医疗业务元素之间具有跳转关系。

主题层级关系是加权的解释关系。例如，根据词条的主题层级可以计算得到在主题层级层面医疗业务对词条的主题匹配度，根据主题匹配度可以得到医疗业务对该词条的关联程度。本实施例将经过关联程度加权的解释关系称为主题层级关系。即，主题层级关系是词条与频繁模式项的主题匹配度关系，例如，与第一医疗业务元素具有解释关系的词条元素包括第一词条元素、第二词条元素和第三词条元素，当第一词条元素是第一医疗业务元素的中心时，第一词条元素与第二词条元素的主题匹配度为3个单位，第一词条元素与第三词条元素的主题匹配度为1个单位，则第一医疗业务元素与第一词条元素的关联属性的关联程度最大，第一医疗业务元素与第二词条元素的关联属性的关联程度次之，第一医疗业务元素与第三词条元素的关联属性的关联程度最小。例如，代表主题层级关系的关联属性，还是连接的具有解释关系的医疗业务元素和词条元素，只是该关联属性会具有关联程度，该关联程度表示的是该词条元素与该医疗业务元素的频繁模式项的主题匹配度大小，因此，根据关联属性上的关联程度可以表示出各个词条元素间的主题层级关系。

例如，智慧医疗云计算系统100获取医疗业务词条的主题关联数据和扩展数据，医疗业务词条的主题关联数据包括至少两个医疗业务和医疗业务关联的词条，扩展数据包括医疗业务跳转数据和词条主题数据中的至少一种；根据医疗业务词条的主题关联数据和扩展数据构造医疗业务词条网络。

例如，上述所提到的用医疗业务数据来构建医疗业务词条网络，这里的医疗业务数据包含了医疗业务词条的主题关联数据和扩展数据。其中，医疗业务词条的主题关联数据用于记载医疗业务与词条的解释关系，例如，医疗业务词条的主题关联数据包含：医疗业务(医疗业务标识(ID))、词条(词条标识(ID))以及医疗业务和词条的对应关系(解释关系)。扩展数据包含了三种可能性：医疗业务跳转数据；词条主题数据；医疗业务跳转数据和词条主题数据。医疗业务跳转数据用于记载医疗业务与医疗业务间的跳转关系，医疗业务跳转数据包含：第一医疗业务、第二医疗业务以及第一医疗业务和第二医疗业务的对应关系(跳转关系)。词条主题数据用于机载词条的主题层级信息，例如，词条主题层级数据包括：词条和词条的主题层级，或，词条和词条所述的主题节点。

例如，以上所列举的三种数据所包含的数据包含的数据内容仅是实施本公开所提供的方法所需的基础数据类型，基于以上列举的数据类型，医疗业务词条的主题关联数据还可以包括：医疗业务更新词条的主题频率、医疗业务信息等；医疗业务跳转数据还可以包括：跳转关系类型(主动跳转、被动跳转等)、业务服务密切度、业务服务关系持续时长、业务服务互动频率、是否特别引用、共同业务服务的数量等；词条主题数据还可以包括：词条的词条类型、属性等。

例如，基于解释关系和跳转关系可以构建医疗业务词条跳转网络，基于解释关系和主题层级关系可以构建医疗业务词条主题网络，基于解释关系、跳转关系和主题层级关系可以构建医疗业务词条跳转网络和医疗业务词条主题网络。基于不同的网络进行学习可以学习到医疗业务与词条间的不同网络联系特征，进而从不同的层面来向医疗业务医疗响应信息。

步骤S112，基于医疗业务词条网络进行业务学习得到医疗业务元素的医疗业务学习特征和词条元素的词条学习特征。

业务学习用于根据元素间的关联属性进行深度学习、提取医疗业务词条网络中的网络联系特征。

例如，本实施例可以采用CNN来提取医疗业务词条网络中的特征，具体在于元素间的特征传播，对于每一个元素而言，可以吸收融合其关联元素传播而来的特征，结合自身已有特征，生成一个新的维度保持不变的向量。这样的特征传播可以迭代多层，从而提取了网络结构中一层乃至高层的连接信息；同时元素的初始属性特征可以作为第0个学习特征，故图卷积网络可以同时有效利用元素属性与网络的结构信息。

例如，智慧医疗云计算系统首先根据各个元素自身的属性生成各个元素的第0个学习特征(初始学习特征)，例如，根据医疗业务ID生成医疗业务元素的初始学习特征，根据词条ID生成词条元素的初始学习特征。或者，智慧医疗云计算系统还可以根据医疗业务ID和医疗业务性别生成医疗业务元素的初始学习特征，根据词条ID和词条类型生成词条元素的初始学习特征。

然后，智慧医疗云计算系统根据本元素与关联元素的连接关系，向关联元素输入本元素的初始学习特征，同时，本元素会获得关联元素输入的关联元素的初始学习特征。本元素就可以根据获得的关联元素的初始学习特征以及本元素的初始学习特征，来进行特征学习本元素的学习特征得到本元素的第1个学习特征。如此，本元素的第1个学习特征就可以学习到本元素的关联元素的特征。重复业务学习的步骤，可以继续根据本元素的第1个学习特征和关联元素的第1个学习特征得到本元素的第2个学习特征，由于关联元素的第1个学习特征已经学习到了关联元素的关联元素的特征，则本元素的第2个学习特征就包含了关联元素的关联元素的特征。如此，进行迭代学习，本元素就可以不断学习到远端元素的特征。

例如，如图4所示，以医疗业务词条网络中的三个元素为例，其中，元素1和元素2通过关联属性标注，元素2和元素3通过关联属性标注，元素1具有初始学习特征1，元素2具有初始学习特征2，元素3具有初始学习特征3。首先，进行特征传播，元素1向元素2发送初始学习特征1，元素2向元素1和元素3发送初始学习特征2，元素3向元素2发送初始学习特征3。然后，进行特征学习，元素1根据获得的初始学习特征2和自身的初始学习特征1得到第1个学习特征1，元素2根据获得的初始学习特征1和初始学习特征3以及自身的初始学习特征2得到第1个学习特征2，元素3根据获得的初始学习特征2和自身的初始学习特征3得到第1个学习特征3。然后，再次进行特征传播，元素1向元素2输入第1个学习特征1，元素2向元素1和元素3输入第1个学习特征2，元素3向元素2输入第1个学习特征3。然后，再次进行特征学习，元素1根据获得的第1个学习特征2和自身的第1个学习特征1得到第2个学习特征1，元素2根据获得的第1个学习特征1和第1个学习特征3以及自身的第1个学习特征2得到第2个学习特征2，元素3根据获得的第1个学习特征2和自身的第1个学习特征3得到第2个学习特征3。如此，元素1在经过两次业务学习，就可以学习到元素3的特征，同理，元素3也可以学习到元素1的特征。

特征传播是指各个元素向关联元素输入本元素的学习特征的过程，特征学习是指各个元素根据获得的学习特征更新本元素的学习特征的过程。迭代进行业务学习就可以得到更深层的学习特征。

例如，当在医疗业务词条网络中的关联属性是有向关联属性，则特征传播是根据关联属性所指的方向单向传播的，例如，元素1与元素2的关联属性是从元素1指向元素2，则在特征传播时，元素1会向元素2发送本元素的学习特征，元素2不会向元素1发送本元素的学习特征。

例如，医疗业务元素和词条元素的初始学习特征是根据元素的元素信息生成的。例如，医疗业务元素的元素信息包括医疗业务的属性信息，例如，元素信息包括医疗业务ID、医疗业务类别、医疗业务时间、医疗业务名称、医疗业务画像、医疗业务唯一码中的至少一种。词条元素的元素信息包括词条的属性信息，例如，元素信息包括词条ID、词条类型中的至少一种。

例如，在后续的实施例中可能会分别介绍对医疗业务词条跳转网络进行业务学习，以及对医疗业务词条主题网络进行业务学习，无论是在医疗业务词条跳转网络还是在医疗业务词条主题网络中，相同的元素其初始学习特征是相同的，即，两张网络中相同元素的第0个学习特征是相同的，其底层表征是共享的。

步骤S113，根据目标医疗业务的医疗业务元素与至少两个词条元素的至少两个置信度输出目标医疗业务的医疗响应信息。

本实施例中，置信度是根据医疗业务学习特征和词条学习特征确定的。

例如，置信度是一个医疗业务元素与一个词条元素的组合对应一个置信度。当智慧医疗云计算系统要确定一个医疗业务的医疗响应信息时，则医疗业务元素固定为目标医疗业务，词条元素包括医疗业务词条网络上所有词条，计算目标医疗业务与医疗业务词条网络中每一个词条(除与目标医疗业务具有解释关系的词条外其余的词条)的置信度，将置信度最高的前几个词条作为目标医疗业务的医疗响应信息。

例如，在经过迭代的业务学习后，每个元素都可以得到多个学习特征。根据一个医疗业务元素的学习特征和一个词条元素的学习特征可以计算得到一个置信度，置信度用于表征该医疗业务对该词条的相关性程度。例如，置信度越高表示该医疗业务在未来会关联该词条的可能性越高。

因此，要预测目标医疗业务可能会感相关性的医疗响应信息，只要计算目标医疗业务的医疗业务元素，与医疗业务词条网络中与目标医疗业务不具有解释关系的全部词条元素，的置信度。然后将这些医疗业务未访问过的词条根据置信度由高到低排序，将置信度最高的前几位词条作为目标医疗业务的医疗响应信息输出即可。

例如，在医疗响应信息时，可以不用计算与医疗业务具有解释关系的词条与医疗业务的置信度，只需要计算与医疗业务不具有解释关系的词条与医疗业务的置信度，然后从不具有解释关系的词条中选出几个词条作为医疗响应信息关联至医疗业务。

综上，根据解释关系以及扩展关联属性构建医疗业务词条网络，进而基于医疗业务词条网络学习医疗业务与词条之间的相关性关系，从而为医疗业务更准确地进行医疗信息响应。根据医疗业务词条网络来进行业务学习，迭代学习医疗业务与词条之间的关联特征，这种关联特征不仅包含医疗业务的业务流向关系，还会包含医疗业务与医疗业务间的跳转关系，或词条与词条间的主题层级属性关系，根据关联特征来输出医疗业务可能会关联某一个词条的置信度，提高了医疗业务响应的业务响应精度和可靠性。

例如，给出一种基于解释关系和跳转关系构建医疗业务词条跳转网络，基于医疗业务词条跳转网络进行特征传播的示例性实施例。即，医疗业务词条网络包括医疗业务词条跳转网络，医疗业务词条跳转网络中的关联属性用于连接元素间的解释关系和跳转关系。

在一个独立的示例性实施例中，在前述示例性实施例的基础上，步骤S112还包括步骤S1121，步骤S113还包括步骤S1131。

步骤S1121，基于医疗业务词条跳转网络进行业务学习，得到医疗业务元素的医疗业务跳转学习特征和词条元素的词条跳转学习特征。

例如，扩展数据包括医疗业务跳转数据，医疗业务跳转数据包括医疗业务间的跳转关系；医疗业务词条网络包括根据医疗业务词条的主题关联数据和医疗业务跳转数据构建的医疗业务词条跳转网络，在医疗业务词条跳转网络中存在解释关系或跳转关系的两个元素使用关联属性进行关联标注。

例如，智慧医疗云计算系统根据医疗业务元素与词条元素的解释关系，使用关联属性连接医疗业务元素与词条元素，根据医疗业务元素间的跳转关系，使用关联属性连接具有跳转关系的两个医疗业务元素，得到医疗业务词条跳转网络。

例如，特征传播包括特征输入和特征获得两个过程。

首先，进行特征传播。基于医疗业务词条跳转网络，调用元素向关联元素输入元素的第x个跳转学习特征，关联元素是通过关联属性与元素标注的元素，其中，第0个跳转学习特征是根据元素的元素信息生成的初始学习特征。

例如，关联元素是会向本元素输入学习特征的元素，例如，若关联属性是有向关联属性，元素A通过有向关联属性指向元素B，则元素A是元素B的关联元素，但元素B不是元素A的关联元素，因为元素B不会向元素A发送学习特征。

然后，进行特征获得。调用元素获得关联元素输入的关联元素的第x个关联跳转学习特征。

例如，在医疗业务词条跳转网络中，对于医疗业务元素，关联元素包括关联医疗业务元素和关联词条元素，则医疗业务元素获得到的第x个关联跳转学习特征包括第x个关联医疗业务跳转学习特征和第x个关联词条跳转学习特征；对于词条元素，关联元素包括关联医疗业务元素，则词条元素获得到的第x个关联跳转学习特征包括第x个关联医疗业务跳转学习特征；

例如，给出一种特征学习更新方式。

根据元素的第x个跳转学习特征和关联元素的第x个关联跳转学习特征进行特征学习，得到元素的第x+1个跳转学习特征；其中，医疗业务元素对应第x+1个医疗业务跳转学习特征，词条元素对应第x+1个词条跳转学习特征。

例如，响应于元素为医疗业务关联元素，将第x个跳转学习特征、第x个关联医疗业务跳转学习特征和第x个关联词条跳转学习特征之和确定为第x+1个跳转特征向量；计算第x+1个跳转特征向量与第x+1个跳转权重的第x+1跳转向量内积；计算第x+1跳转向量内积与第x+1个跳转服务特征的第x+1跳转和，将第x+1跳转和代入Sigmoid函数得到医疗业务元素的第x+1个医疗业务跳转学习特征。

响应于元素为词条元素，将第x个跳转学习特征和第x个关联医疗业务跳转学习特征之和确定为第x+1个跳转特征向量；计算第x+1个跳转特征向量与第x+1个跳转权重的第2(i+1)跳转向量内积；计算第2(i+1)跳转向量内积与第x+1个跳转服务特征的第2(i+1)跳转和，将第2(i+1)跳转和代入Sigmoid函数得到词条元素的第x+1个词条跳转学习特征。

重复上述步骤迭代进行业务学习，得到医疗业务元素在医疗业务词条跳转网络中的第W个医疗业务跳转学习特征，得到词条元素在医疗业务词条跳转网络中的第W个词条跳转学习特征。

步骤S1131，根据目标医疗业务的医疗业务元素与至少两个词条元素的至少两个跳转置信度输出目标医疗业务的医疗响应信息，跳转置信度是根据医疗业务跳转学习特征和词条跳转学习特征确定的。

例如，给出一种计算跳转置信度的方法。

智慧医疗云计算系统将医疗业务元素的W个医疗业务跳转学习特征顺序融合得到医疗业务跳转融合特征；将词条元素的W个词条跳转学习特征顺序融合得到词条跳转融合特征；根据医疗业务跳转融合特征与词条跳转融合特征的向量内积得到跳转置信度；将至少两个词条元素中，与目标医疗业务的医疗业务元素的跳转置信度最大的前K个词条元素对应的词条，确定为目标医疗业务的医疗响应信息。

综上，通过根据医疗业务词条的主题关联数据和医疗业务跳转数据采用图卷积的方法来进而学习医疗业务与词条之间的相关性关系，从而为医疗业务更准确地进行医疗信息响应。通过使用医疗业务词条的主题关联数据和医疗业务跳转数据构建医疗业务词条跳转网络，医疗业务词条跳转网络中不仅包含医疗业务历史更新词条的数据，还会包含医疗业务的跳转关系，然后根据医疗业务词条跳转网络来进行业务学习，迭代学习医疗业务与词条之间的关联特征，这种关联特征不仅包含医疗业务的业务流向关系，还会包含医疗业务与医疗业务间的跳转关系，根据关联特征来输出医疗业务可能会关联某一个词条的跳转置信度，若跳转置信度较高，则表明医疗业务对该词条的相关性较大，医疗业务越倾向于关联该词条，则将该词条关联至医疗业务，提高了医疗业务响应的业务响应精度和可靠性。

例如，给出一种基于解释关系和主题层级关系构建医疗业务词条主题网络，基于医疗业务词条主题网络进行特征传播的示例性实施例。即，医疗业务词条网络包括医疗业务词条主题网络，医疗业务词条主题网络中存在解释关系或主题层级关系的两个元素使用关联属性进行关联标注。

下面给出本公开另一个示例性实施例。在前述示例性实施例的基础上，步骤S111还包括步骤S1111至步骤S1114，步骤S112还包括步骤S1122，步骤S113还包括步骤S1132。

步骤S1111，利用频繁模式项挖掘算法获取医疗业务的至少一个频繁模式项，频繁模式项是根据与医疗业务具有解释关系的词条的词条主题出现信息得到的频繁模式项。

例如，根据医疗业务与词条的解释关系可以构造出医疗业务与关联的词条的网络，网络中元素间的关联属性表示了医疗业务与词条的解释关系。基于此，可以根据词条的主题层级关系来为解释关系的关联属性进行加权。

例如，每个医疗业务所热度较高的词条一般围绕着几个频繁模式项。因此，根据医疗业务词条的主题关联数据中医疗业务所关联的词条，找出医疗业务热度较高的频繁模式项，然后分别计算每个词条与频繁模式项的主题匹配度，就可以得到医疗业务在主题匹配度上对该词条的关联程度，例如，与频繁模式项差别越大，医疗业务对该词条的关联程度越小。

因此，智慧医疗云计算系统首先需要在与医疗业务具有解释关系的多个词条中找出该医疗业务热度较高的频繁模式项。例如，医疗业务词条的主题关联数据还包括医疗业务更新词条的次数或频率，智慧医疗云计算系统根据医疗业务更新词条的次数或频率由高到低将词条排序，然后将次数或频率最高的词条作为第一个频繁模式项，分别计算其它词条与该频繁模式项的直接主题匹配度，将直接主题匹配度大于主题匹配度阈值的词条划分至该频繁模式项对应的频繁模式项分区内。从直接主题匹配度大于主题匹配度阈值的词条中，再找出次数或频率最高的词条作为第二个频繁模式项，分别计算剩下的词条与第二个频繁模式项的直接主题匹配度，将直接主题匹配度大于主题匹配度阈值的词条划分至第二频繁模式项对应的频繁模式项分区内。如此，直至所有词条都被划分至一个频繁模式项的频繁模式项分区内，则完成了频繁模式项获取的过程，使用该方法可以获取到医疗业务热度较高的至少一个频繁模式项。

例如，还可以根据其它方式来找出医疗业务热度较高的频繁模式项，例如，依据上述方法将多个词条划分为多个频繁模式项区域后，求该频繁模式项分区内所有词条的主题层级平均值，将主题层级平均值对应的词条作为该频繁模式项分区的频繁模式项。再如，将医疗业务的频繁程度最高的前几个词条作为频繁模式项，然后其它词条划分至与其主题匹配度最近的频繁模式项的频繁模式项分区内。

例如，频繁模式项分区是指与频繁模式项的主题匹配度大于主题匹配度阈值的分区区间。主题匹配度阈值用于将词条划分至频繁模式项对应的频繁模式项分区内。例如，不同频繁模式项对应的主题匹配度阈值可以相同也可以不同。例如，将与医疗业务具有解释关系的词条按照词条的主题层级信息(主题层级)绘制词条的分布图，然后将分布图上医疗业务访问次数最多的词条作为第一个频繁模式项，以第一个频繁模式项为基准项以主题匹配度阈值为范围找出第一个频繁模式项的频繁模式项分区，位于频繁模式项分区内的词条属于第一个频繁模式项的频繁模式项分区。然后将第一个频繁模式项的频繁模式项分区外的词条中，医疗业务访问次数最高的词条作为第二个频繁模式项，再以第二个频繁模式项为基准项与主题匹配度阈值为范围找出第二个频繁模式项的频繁模式项分区，位于频繁模式项分区内的词条属于第二个频繁模式项的频繁模式项分区。如此，可以根据词条的主题层级信息在分布图上找出医疗业务的多个频繁模式项。

步骤S1112，将与频繁模式项的主题匹配度大于阈值的词条划分至频繁模式项对应的频繁模式项分区内。

例如，根据对步骤S1111的解释，可以将医疗业务对应的多个词条就近划到频繁模式项分区内。

例如，当一个词条主题匹配度多个频繁模式项的主题匹配度都小于阈值(主题匹配度阈值)时，将该词条划分至主题匹配度最近的那个频繁模式项的频繁模式项分区内，即，遵照就近原则进行划分。

步骤S1113，计算频繁模式项分区内的词条与频繁模式项的主题匹配度，根据主题匹配度确定医疗业务对词条的关联程度。

根据词条的主题层级信息(主题层级)分别计算频繁模式项分区内，每个词条与频繁模式项的直接主题匹配度，然后根据直接主题匹配度确定该词条的关联程度，使直接主题匹配度越长的词条关联程度越小，直接主题匹配度越短的词条关联程度越大。

例如，将每个频繁模式项区域内频繁模式项对应的词条的权重确定为1，其它词条的权重为1除以直接主题匹配度，即可以实现直接主题匹配度越远关联程度越小，直接主题匹配度越近关联程度越大。

步骤S1114，根据医疗业务与词条的解释关系、医疗业务对词条的关联程度构建医疗业务词条主题网络。

根据医疗业务对词条的关联程度可以为解释关系进行加权，即，在医疗业务词条主题网络中，医疗业务与词条间的关联属性是具有权重值的，不同的关联属性权重值不同，权重值即为医疗业务对词条的关联程度。

在进行特征学习时，可以根据关联属性的权重值来更新本元素的向量。例如，本元素在特征传播时获得了第一关联元素的第一学习特征，和第二关联元素的第二学习特征，其中，本元素与第一关联元素关联属性的关联程度为0.5，本元素与第二关联元素关联属性的关联程度为0.3，则用关联程度对第一学习特征和第二学习特征进行加权，根据本元素的学习特征、加权后的第一学习特征、加权后的第二学习特征来进行特征学习。例如，加权后的第一学习特征是0.5*第一学习特征，加权后的第二学习特征是0.3*第二学习特征。

如此，便可以在医疗业务词条网络中引入词条的主题层级信息，根据词条的主题层级信息来提取医疗业务相关性在主题层级层面上的特征，从而更好地向医疗业务医疗响应信息。

步骤S1122，基于医疗业务词条主题网络进行业务学习，得到医疗业务元素的医疗业务主题学习特征和词条元素的词条主题学习特征。

例如，扩展数据包括词条主题数据，词条主题数据至少包括词条的词条主题出现信息；医疗业务词条网络包括医疗业务词条主题网络，医疗业务词条主题网络中的关联属性用于连接医疗业务元素与词条元素的访问关系、医疗业务元素与词条元素间的主题层级关系。

例如，特征传播包括特征输入和特征获得两个过程。

首先，进行特征传播。基于医疗业务词条主题网络，调用元素向关联元素输入元素的第x个主题学习特征，关联元素是通过关联属性与元素标注的元素，其中，第0个主题学习特征是根据元素的元素信息生成的初始学习特征。

然后，进行特征获得。调用元素获得关联元素输入的关联元素的第x个关联主题学习特征。

例如，在医疗业务词条主题网络中，对于医疗业务元素，关联元素包括关联词条元素，则医疗业务元素获得到的第x个关联主题学习特征包括第x个关联词条主题学习特征；对于词条元素，关联元素包括关联医疗业务元素，则词条元素获得到的第x个关联主题学习特征包括第x个关联医疗业务主题学习特征；

例如，给出一种特征学习更新方式。

根据元素的第x个主题学习特征和关联元素的第x个关联主题学习特征进行特征学习，得到元素的第x+1个主题学习特征；其中，医疗业务元素对应第x+1个医疗业务主题学习特征，词条元素对应第x+1个词条主题学习特征。

例如，响应于元素为医疗业务关联元素，计算第x个关联词条主题学习特征与关联元素的关联程度第一向量内积，将第x个主题学习特征和第一向量内积之和确定为第x+1个主题特征向量；计算第x+1个主题特征向量与第x+1个主题权重的第x+1主题向量内积；计算第x+1主题向量内积与第x+1个主题偏置的第x+1主题和，将第x+1主题和代入Sigmoid函数得到医疗业务元素的第x+1个医疗业务主题学习特征。

响应于元素为词条元素，计算第x个关联医疗业务主题学习特征与关联元素的关联程度第二向量内积，将第x个主题学习特征和第二向量内积之和确定为第x+1个主题特征向量；计算第x+1个主题特征向量与第x+1个主题权重的第2(i+1)主题向量内积；计算第2(i+1)主题向量内积与第x+1个主题偏置的第2(i+1)主题和，将第2(i+1)主题和代入Sigmoid函数得到词条元素的第x+1个词条主题学习特征。

重复上述步骤迭代进行业务学习，得到医疗业务元素在医疗业务词条主题网络中的第W个医疗业务主题学习特征，得到词条元素在医疗业务词条主题网络中的第W个词条主题学习特征。

步骤S1132，根据目标医疗业务的医疗业务元素与至少两个词条元素的至少两个主题置信度输出目标医疗业务的医疗响应信息，主题置信度是根据医疗业务主题学习特征和词条主题学习特征确定的。

例如，给出一种计算跳转置信度的方法。

智慧医疗云计算系统将医疗业务元素的W个医疗业务主题学习特征顺序融合得到医疗业务主题融合特征；将词条元素的W个词条主题学习特征顺序融合得到词条主题融合特征；根据医疗业务主题融合特征与词条主题融合特征的向量内积得到主题置信度；将至少两个词条元素中，与目标医疗业务的医疗业务元素的主题置信度最大的前K个词条元素对应的词条，确定为目标医疗业务的医疗响应信息。

综上所述，通过根据医疗业务词条的主题关联数据和词条主题数据采用图卷积的方法来进而学习医疗业务与词条之间的相关性关系，从而为医疗业务更准确地进行医疗信息响应。通过使用医疗业务词条的主题关联数据和词条主题数据构建医疗业务词条主题网络，医疗业务词条主题网络中不仅包含医疗业务历史更新词条的数据，还会包含词条与医疗业务的频繁模式项的主题层级关系，然后根据医疗业务词条主题网络来进行业务学习，迭代学习医疗业务与词条之间的关联特征，这种关联特征不仅包含医疗业务的业务流向关系，还会包含词条与频繁模式项的主题层级关系，根据关联特征来输出医疗业务可能会关联某一个词条的主题置信度，若主题置信度较高，则表明医疗业务对该词条的相关性较大，医疗业务越倾向于关联该词条，则将该词条关联至医疗业务，提高了医疗业务响应的业务响应精度和可靠性。

例如，给出一种基于解释关系、跳转关系和主题层级关系构建医疗业务词条跳转网络和医疗业务词条主题网络，基于医疗业务词条跳转网络和医疗业务词条主题网络进行特征传播的示例性实施例。即，医疗业务词条网络包括医疗业务词条跳转网络和医疗业务词条主题网络；在医疗业务词条跳转网络中存在解释关系或跳转关系的两个元素使用关联属性进行关联标注；在医疗业务词条主题网络中存在解释关系或主题层级关系的两个元素使用关联属性进行关联标注。

下面给出本公开另一个示例性实施例。例如，步骤S112还包括步骤S1121至步骤S1122，步骤S113还包括步骤S1133至步骤S1136。

步骤S1121，基于医疗业务词条跳转网络进行业务学习，得到医疗业务元素的医疗业务跳转学习特征和词条元素的词条跳转学习特征。

例如，对步骤S1121的解释可以参照前述的步骤S1121。

步骤S1122，基于医疗业务词条主题网络进行业务学习，得到医疗业务元素的医疗业务主题学习特征和词条元素的词条主题学习特征。

例如，对步骤S1122的解释可以参照前述的步骤S1122。

例如，本实施例对步骤S1121和步骤S1122执行的先后时序不加以限定，两个步骤可以同时执行；两个步骤也可以先后执行，其先后顺序也可以是任意的。

步骤S1133，将医疗业务元素的W个医疗业务跳转学习特征顺序融合得到医疗业务跳转融合特征；将词条元素的W个词条跳转学习特征顺序融合得到词条跳转融合特征；根据医疗业务跳转融合特征与词条跳转融合特征的向量内积得到跳转置信度。

步骤S1134，将医疗业务元素的W个医疗业务主题学习特征顺序融合得到医疗业务主题融合特征；将词条元素的W个词条主题学习特征顺序融合得到词条主题融合特征；根据医疗业务主题融合特征与词条主题融合特征的向量内积得到主题置信度。

例如，可以分别在医疗业务词条跳转网络、医疗业务词条主题网络中进行业务学习。即，同一个医疗业务元素在两张网络中具有不同的学习特征(第0个学习特征相同，其它个学习特征不同)。因此，根据两个不同的网络中的学习特征可以分别计算得到跳转置信度和主题置信度，然后根据在跳转置信度和主题置信度得到最终的置信度。

步骤S1135，将跳转置信度与主题置信度的加权置信度确定为置信度。

步骤S1136，将至少两个词条元素中，与目标医疗业务的医疗业务元素的置信度最大的前K个词条元素对应的词条，确定为目标医疗业务的医疗响应信息。

智慧医疗云计算系统根据多个目标医疗业务未关联的词条元素，与目标医疗业务的医疗业务元素间的多个置信度，将词条元素对应的词条进行排序，将置信度最高的前几个词条作为目标医疗业务的医疗响应信息输出。

综上所述，通过根据医疗业务与词条的解释关系以及医疗业务与医疗业务的跳转关系构建医疗业务词条跳转网络，将医疗业务的跳转关系引入至医疗业务词条网络中，根据解释关系和跳转关系来提取医疗业务相关性。通过根据医疗业务与词条的解释关系以及词条间的主题层级关系构建医疗业务词条主题网络，将词条的主题层级信息引入至医疗业务词条网络中，根据解释关系和词条的主题层级来提取医疗业务相关性。然后将根据两个网络进行特征提取、确定的在跳转感知层面的跳转置信度和在主题感知层面的主题置信度，来计算置信度，则置信度包含了对跳转层面、主题层面和解释层面上的感知特征，根据这三个层面来对医疗业务的相关性词条进行预测，可以提高医疗响应信息的准确度。并且，当医疗业务的解释关系较少时，还可以利用另外两种关系来对医疗业务进行词条推荐，提高了模型对冷启动医疗业务的相关性获取能力，从而更好地为医疗业务医疗响应信息。

例如，本公开提供的方法是通过智慧医疗云计算系统上的词条推荐模型来执行的，本实施例给出了一种词条推荐模型的训练方法。

下面给出本公开另一个示例性实施例，例如，在前述示例性实施例的基础上，步骤S113之后还包括步骤S114至步骤S117。

步骤S114，获取第一标注对象的第一标注对象置信度，第一标注对象包括具有解释关系的样本医疗业务和第一标注对象词条，第一标注对象置信度是样本医疗业务和第一标注对象词条的置信度。

步骤S115，获取第二标注对象的第二标注对象置信度，第二标注对象包括不具有解释关系的样本医疗业务和第二标注对象词条，第二标注对象置信度是样本医疗业务和第二标注对象词条的置信度。

例如，在构建医疗业务词条网络，并对网络上的元素进行业务学习之后，可以根据智慧医疗响应模型输出的置信度来训练智慧医疗响应模型。

例如，基于偏序学习的方法，将具有解释关系的医疗业务与词条作为第一标注对象，不具有解释关系的医疗业务与词条作为第二标注对象，利用损失函数来计算第一标注对象与第二标注对象间的差异参数值，根据差异参数值来调整模型参数，以使第一标注对象与第二标注对象的置信度主题匹配度拉大，第一标注对象与第二标注对象的置信度差值越大，则表示智慧医疗响应模型对第一标注对象和第二标注对象的区分能力越强。

例如，以使用一个第一标注对象和一个第二标注对象计算一个差异参数值为例，智慧医疗云计算系统从多个医疗业务中选出一个样本医疗业务，然后获取该样本医疗业务的一个第一标注对象和一个第二标注对象，即，获取该样本医疗业务与具有解释关系的词条的置信度，以及，获取该样本医疗业务与不具有解释关系的一个词条的置信度，然后调用损失函数计算这两个置信度的差异参数值。例如，一组第一标注对象和第二标注对象必须对应同一个医疗业务，即，组成<医疗业务，第一标注对象，第二标注对象>的三元组数据，根据三元组数据中的第一标注对象和第二标注对象的置信度来计算差异参数值。

例如，由于对于一个医疗业务，具有解释关系的词条的数量较少，不具有解释关系的词条数量较多，因此，对于每一个第一标注对象，按照一定的比例从多个不具有解释关系的词条中随机抽取一部分作为第二标注对象，构成三元组数据，利用每一组三元组数据代入损失函数计算差异参数值。

步骤S116，调用损失函数计算第一标注对象置信度与第二标注对象置信度的差异参数值。

步骤S117，根据差异参数值训练智慧医疗响应模型。

例如，智慧医疗云计算系统根据差异参数值来调整智慧医疗响应模型，以使调整后的智慧医疗响应模型输出的置信度的差异参数值最小。例如，智慧医疗云计算系统可以通过调整每个元素的每个跳转权重、跳转服务特征、主题权重和主题偏置来使输出的置信度的差异参数值最小。

综上所述，本实施例提供的方法，通过采用基于偏序学习的方法来训练智慧医疗响应模型，从而使模型对第一标注对象输出的置信度与对第二标注对象输出的置信度的差值尽量大，从而提升模型对第一标注对象和第二标注对象的区分能力，提高模型进行精准推荐的能力。

图3为本公开实施例提供的基于大数据的智慧医疗交互装置300的功能模块示意图，下面分别对该基于大数据的智慧医疗交互装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于获取智慧医疗移动终端发起的目标医疗业务的医疗响应信息，并获取智慧医疗移动终端针对医疗响应信息中任意一个医疗响应词条发起的在线咨询主题。

确定模块320，用于获取在线咨询主题相关的医疗服务知识点，基于各个医疗服务知识点的知识点编码分布和待应答问题集合中的各个待应答问题的问题编码分布，确定各个医疗服务知识点针对各个待应答问题的相关程度。

计算模块330，用于获取各个医疗服务知识点对应的知识点热度，基于相关程度和知识点热度，计算各个医疗服务知识点针对待应答问题集合的可参考度。

选取模块340，用于基于可参考度，从医疗服务知识点中选取目标知识点关联到待应答问题集合，以与智慧医疗移动终端发起的在线咨询主题进行交互。

图4示出了本公开实施例提供的用于实现上述的基于大数据的智慧医疗交互方法的智慧医疗云计算系统100的硬件结构意图，如图4所示，智慧医疗云计算系统100可包括处理器110、机器可读存储介质120、总线130以及收发器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存储的智慧医疗云计算系统执行指令，使得处理器110可以执行如上方法实施例的基于大数据的智慧医疗交互方法，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的智慧医疗移动终端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云计算系统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智慧医疗云计算系统执行指令，当处理器执行所述智慧医疗云计算系统执行指令时，实现如上基于大数据的智慧医疗交互方法。

最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导匹配。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。