用于推荐体检项目的方法、计算设备和计算机存储介质

技术领域

本公开总体上涉及机器学习，并且具体地，涉及用于推荐体检项目的方法、计算设备和计算机存储介质。

背景技术

健康管理平台，通常包括健康类产品(体检、保险、健康咨询)的搜索、购买、预约、报告管理等功能。用户在选择体检项目时，通常因此健康管理平台的体检项目种类繁多、专业程度高，非医学专业的用户很难凭借自身的医学知识来选择匹配的体检项目。传统的推荐体检项目方案，例如包括协同过滤的推荐系统、基于内容的推荐系统。协同过滤的推荐系统所基于的协同过滤算法是从相似度度量出发，考虑体检项目或者用户之间的相似度进行推荐，该算法一般需要基于大数据分析，需要强大的历史数据作为支撑，和大量的相似度计算，以便统计出某种特征的用户喜欢某种类型的体检项目，因此，容易遇到冷启动或者数据系数的问题。基于内容的推荐系统则需要建模用户偏好和体检项目的特征，而且需要采用专家经验数据来构建推荐模型。

综上，传统的推荐体检项目方案需要强大的历史数据作为支撑以及大量的计算、或者需要采用专家经验数据来构建推荐模型，因此，需要消耗大量的计算和存储资源，并且难以在真实推荐场景中快速并精准地匹配用户需求。

发明内容

本公开提供一种用于推荐体检项目方法、计算设备和计算机存储介质，能够避免消耗大量的计算和存储资源，并且能够快速并精准地向用户推荐匹配的体检项目。

根据本公开的第一方面，提供了一种用于推荐体检项目的方法。该方法包括：获取用户属性符合预定条件的历史疾病数据，以便在历史疾病数据中确定多个目标风险疾病数据；确定与多个目标风险疾病数据相关联的多个体检项数据和多个用户属性，用户属性至少包括职业属性、性别、年龄属性和所属地区属性中的多种；基于多个目标风险疾病数据、多个体检项数据和多个用户属性，生成知识图谱模型的三元组数据；基于所获取当前用户的用户数据和体检报告中的异常体检项数据，生成用于输入神经网络模型的输入特征向量，以便经由经多样本训练的神经网络模型来预测关于当前用户的推荐体检项的推荐概率，神经网络模型和知识图谱模型共享交叉压缩单元，交叉压缩单元是基于神经网络模型的异常体检项特征向量和知识图谱模型中的疾病相关体检项特征向量而生成的，用户数据至少包括用户信息、运动数据、与针对目标对象的历史操作数据中的多种数据；基于推荐概率，确定关于当前用户的多个目标推荐体检项；以及基于目标推荐体检项查询预定数据库，以便确定与多个目标推荐体检项相匹配的目标推荐体检项目。

根据本发明的第二方面，还提供了一种计算设备，该设备包括：至少一个处理单元；至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得计算设备执行本公开的第一方面的方法。

根据本公开的第三方面，还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序，计算机程序被机器执行时执行本公开的第一方面的方法。

提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征，也无意限制本公开的范围。

附图说明

图1示出了根据本公开的实施例的用于实施用于推荐体检项目的方法的系统的示意图。

图2示出了根据本公开的实施例的用于推荐体检项目的方法的流程图。

图3示出根据本公开实施例的用于推荐体检项目的模型的示意图。

图4示出了根据本公开的实施例的交叉压缩单元的示意图。

图5示出根据本公开实施例的用于确定目标推荐体检项目的方法的流程图。

图6示出根据本公开实施例的用于候选目标推荐体检项目的方法的流程图。

图7示出根据本公开实施例的用于排序的多个候选体检项目的方法的流程图。

图8示意性示出了适于用来实现本公开实施例的电子设备的步骤图。

在各个附图中，相同或对应的标号表示相同或对应的部分。

具体实施方式

下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。

如前文所描述，在传统的基于协同过滤的推荐体检项目方法中，协同过滤算法是从相似度度量出发，考虑体检项目或者用户之间的相似度进行推荐，该算法容易遇到冷启动或者数据系数的问题。在传统的基于内容的推荐体检项目方法，需要建模用户偏好和体检项目的特征，而且需要采用专家经验数据来构建推荐模型。因此，传统的推荐体检项目方法需要消耗大量的计算和存储资源，并且难以在真实推荐场景中快速并精准地匹配用户需求。

为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于推荐体检项目的方案。该方案包括：获取用户属性符合预定条件的历史疾病数据，以便在历史疾病数据中确定多个目标风险疾病数据；确定与多个目标风险疾病数据相关联的多个体检项数据和多个用户属性，用户属性至少包括职业属性、性别、年龄属性和所属地区属性中的多种；基于多个目标风险疾病数据、多个体检项数据和多个用户属性，生成知识图谱模型的三元组数据；基于所获取当前用户的用户数据和体检报告中的异常体检项数据，生成用于输入神经网络模型的输入特征向量，以便经由经多样本训练的神经网络模型来预测关于当前用户的推荐体检项的推荐概率，神经网络模型和知识图谱模型共享交叉压缩单元，交叉压缩单元是基于神经网络模型的异常体检项特征向量和知识图谱模型中的疾病相关体检项特征向量而生成的，用户数据至少包括用户信息、运动数据、与针对目标对象的历史操作数据中的多种数据；基于推荐概率，确定关于当前用户的多个目标推荐体检项；以及基于目标推荐体检项查询预定数据库，以便确定与多个目标推荐体检项相匹配的目标推荐体检项目。

在上述方案中，本公开通过基于与所确定的多个目标风险疾病数、以及相关的体检项数据和用户属性，构建知识图谱模型；并且基于所获取当前用户数据和异常体检项数据经由神经网络模型预测推荐体检项的推荐概率，并且神经网络模型和知识图谱模型共享交叉压缩单元，本公开可以并将知识图谱模型与神经网络通过交叉单元进行连接，进而使得知识图谱模型不仅可以为神经网络模型提供更多的信息，以便神经网络模型更为准确地预测当前用户的推荐体检项的推荐概率，而且使得神经网络模型即便缺乏历史数据依然能够准确地进行推荐进而无需强大的历史数据和大量的计算、以及对专家经验数据的深度依赖。因而，本公开能够避免消耗大量的计算和存储资源，并且能够快速并精准地向用户推荐匹配的体检项目。

图1示出了根据本公开的实施例的用于实施用于推荐体检项目的方法的系统100的示意图。如图1所示，系统100包括：用户终端110、计算设备130、服务器160和网络150。用户终端110、计算设备130、服务器160可以通过网络150进行数据交互。

计算单元130用于基于多个目标风险疾病数据、多个体检项数据和多个用户属性，生成知识图谱模型的三元组数据；基于所获取当前用户的用户数据和体检报告中的异常体检项数据经由与知识图谱模型共享交叉压缩单元的神经网络模型来预测关于当前用户的推荐体检项的推荐概率；以及基于推荐概率确定多个目标推荐体检项，进而确定与多个目标推荐体检项相匹配的目标推荐体检项目。计算单元130可以包括目标风险疾病数据确定单元132、体检项数据和用户属性确定单元134、三元组数据生成单元136、体检项推荐概率预测单元138、目标推荐体检项确定单元140、目标推荐体检项目确定单元142。

关于目标风险疾病数据确定单元132，其用于获取用户属性符合预定条件的历史疾病数据，以便在历史疾病数据中确定多个目标风险疾病数据。

关于体检项数据和用户属性确定单元134，其用于确定与多个目标风险疾病数据相关联的多个体检项数据和多个用户属性，用户属性至少包括职业属性、性别、年龄属性和所属地区属性中的多种。

关于三元组数据生成单元136，其用于基于多个目标风险疾病数据、多个体检项数据和多个用户属性，生成知识图谱模型的三元组数据。

关于体检项推荐概率预测单元138，其用于基于所获取当前用户的用户数据和体检报告中的异常体检项数据，生成用于输入神经网络模型的输入特征向量，以便经由经多样本训练的神经网络模型来预测关于当前用户的推荐体检项的推荐概率，神经网络模型和知识图谱模型共享交叉压缩单元，交叉压缩单元是基于神经网络模型的异常体检项特征向量和知识图谱模型中的疾病相关体检项特征向量而生成的，用户数据至少包括用户信息、运动数据、与针对目标对象的历史操作数据中的多种数据。

关于目标推荐体检项确定单元140，其用于基于推荐概率，确定关于当前用户的多个目标推荐体检项。

关于目标推荐体检项目确定单元142，其用于基于目标推荐体检项查询预定数据库，以便确定与多个目标推荐体检项相匹配的目标推荐体检项目。

以下将结合图2描述根据本公开的实施例的用于推荐体检项目的方法200。图2示出了根据本公开的实施例的用于推荐体检项目的方法200的流程图。应当理解，方法200例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤202处，计算设备130获取用户属性符合预定条件的历史疾病数据，以便在历史疾病数据中确定多个目标风险疾病数据。

关于用户属性符合预定条件，例如而不限于：是疾病的患者为在职人员。

关于确定多个目标风险疾病数据的方式可以是多种。在一些实施例中，计算设备130可以经由第一数据库获取多个历史疾病数据，然后确定与疾病相关联的用户的职业属性是否为在职人员，如果确定与疾病相关联的用户的职业属性为在职人员，基于疾病的类别进行聚类；以便获取于疾病的类别对应的关联用户数量（即患者数量），基于关联用户数量排序，以便选取排名小于预定顺序阈值的多个疾病作为多个目标风险疾病。

在步骤204处，计算设备130确定与多个目标风险疾病数据相关联的多个体检项数据和多个用户属性，用户属性至少包括职业属性、性别、年龄属性和所属地区属性中的多种。

在步骤206处，计算设备130基于多个目标风险疾病数据、多个体检项数据和多个用户属性，生成知识图谱模型的三元组数据。

图3示出根据本公开实施例的用于推荐体检项目的模型的示意图。如图3所示，推荐模型300包括神经网络模型310、知识图谱模型330、交叉压缩单元350。

关于知识图谱模型330，其例如包括目标风险疾病输入特征向量（例如RD）334、疾病相关体检项输入特征向量（例如DM）332和用户属性特征340。疾病相关体检项输入特征向量（例如DM）332是基于与多个目标风险疾病数据相关联的多个体检项数据而生成的。目标风险疾病输入特征向量（例如RD）334例如是基于多个目标风险疾病数据而生成的。用户属性特征340例如是经由知识图谱模型330预测的。步骤206处所确定的用户属性数据例如可以用于与知识图谱模型330所预测的用户属性特征340比较，以用于训练知识图谱模型330的网络结构。

关于知识图谱模型的预测方式，其例如包括：知识图谱模型经由第三网络层（例如包括知识图谱模型330较低网络层，例如K+1层以下的网络层）和交叉压缩单元350分别提取疾病相关体检项输入特征向量（例如DM）332和目标风险疾病输入特征向量（例如RD）334的特征，以便基于所提取的特征预测与目标风险疾病相关联的用户属性特征340（例如经由知识图谱模型330的较高网络层，例如K+1层及其以上的网络层）。

在步骤208处，计算设备130基于所获取当前用户的用户数据和体检报告中的异常体检项数据，生成用于输入神经网络模型的输入特征向量，以便经由经多样本训练的神经网络模型来预测关于当前用户的推荐体检项的推荐概率，神经网络模型和知识图谱模型共享交叉压缩单元，交叉压缩单元是基于神经网络模型的异常体检项特征向量和知识图谱模型中的疾病相关体检项特征向量而生成的，用户数据至少包括用户信息、运动数据、与针对目标对象的历史操作数据中的多种数据。

关于神经网络模型310，其例如而不限于是基于TensorFlow的神经网络技术框架所构建。关于交叉压缩单元350，其例如可以是如图4所示的一层交叉压缩单元，也可以是将图4所示的网络层进行叠加使用的多层交叉压缩单元。

关于神经网络模型310、知识图谱模型330共享交叉压缩单元350，应该理解，本公开通过共享的交叉压缩单元350，将神经网络模型310中的体检报告中的异常体检项特征向量AM（例如AM

神经网络模型310的输入数据包括：当前用户的用户数据输入特征向量U{ u

关于当前用户的用户数据，其例如包括当前用户的用户信息、运动数据、与针对目标对象（例如是预定应用中的与健康相关联的商品）的历史操作数据。用户信息例如包括年龄、性别、职业、所属地区等属性信息。历史操作数据例如是所获取的当前用户在预定时间间隔内在预定应用中针对与健康相关联的目标对象的点击数据、购买数据、浏览操作数据、购物车操作数据。异常体检项数据例如是当前用户的体检报告中的N个异常体检项数据。

关于输入特征的生成方式，以下以用户数据输入特征向量U的生成方式为例加以说明。用户数据输入特征向量U的生成方式例如包括：计算设备130基于当前用户在预定时间间隔中的、针对目标对象的历史操作数据按照目标对象的类别分别进行聚类，以生成目标对象的操作特征（例如包括关于目标对象的点击特征、浏览特征和购买特征、购物车特征）。之后，计算设备130分别基于运动数据生成运动特征，以及基于用户数据生成用户信息特征，运动特征至少包括运动频次特征和运动项目特征。然后，计算设备130针对目标对象的操作特征、用户信息特征和运动数据进行归一化处理和拼接，以便生成用户数据输入特征向量U。体检报告中的异常体检项输入特征向量AM例如是包括异常检查项及其异常值。异常体检项输入特征向量AM也是经由归一化处理。通过对输入数据进行归一化，能够使得最优解的寻优过程明显会变得平缓，就更容易正确地收敛到最优解。以下将结合公式（1）说明针对输入特征进行归一化处理的方式。

在上述公式（1）中，x’代表经归一化处理后的输入特征。x代表未经归一化处理的输入特征。min(x) 代表未经归一化处理的输入特征最小值。max(x) 代表未经归一化处理的输入特征最大值。

关于神经网络模型的预测推荐概率的方式，其例如包括：经由神经网络模型310的第一网络层和交叉压缩单元350分别提取异常体检项输入特征向量312和用户数据输入特征向量314的特征；以及将所提取的特征连接并且输入神经网络模型310的第二网络层，以便输出关于当前用户的推荐体检项的推荐概率。第一网络层为多层，位于神经网络模型310的底层，例如是AM

M (x) =σ(Wx + b) （2）

在上述公式（2）中， W代表权重。b代表偏差。σ( )代表非线性激活函数。x代表网络层输入。M (x)代表网络层输出。

关于神经网络模型310的第二网络层，其例如位于神经网络模型310的较高层，例如用于将K+1层的用户数据特征向量（例如U

在一些实施例中，神经网络模型的训练方式例如包括：基于本次体检报告，生成本次异常体检项输入特征向量，以用于经由神经网络模型预测关于当前用户的推荐体检项的本次推荐概率；以及基于目标推荐体检项目的推荐概率与本次推荐概率之间的匹配度数据，调整神经网络模型的网络参数。

关于交叉压缩单元，其用于神经网络模型310和知识图谱模型330的特征进行交叉融合。图4示出了根据本公开的实施例的交叉压缩单元的示意图。如图4所示，标记410指示神经网络模型的第K层的体检报告中的异常体检项特征向量（即AM

知识图谱模型330，如图3所示，经由一个或多个交叉压缩单元和第三网络层（例如多个非线性层，知识图谱模型330的较低网络层）分别提取疾病相关体检项输入特征向量（例如DM）和目标风险疾病数据的输入特征向量（例如RD）的特征，以生成DM

关于模型300的损失函数，以下结合公式（3）进行说明。

L=L1+K1*L3+K2*L2 （3）

在上述公式（3）中，L代表模型300的损失。L1代表用于预测的目标检查项预测概率的神经网络模型的交叉熵损失。L3代表知识图谱模型的损失。L2为用于防止过拟合正则项。K1和K2代表系数。

在步骤210处，计算设备130基于推荐概率，确定关于当前用户的多个目标推荐体检项。

在步骤212处，计算设备130基于目标推荐体检项查询预定数据库，以便确定与多个目标推荐体检项相匹配的目标推荐体检项目。

关于确定目标推荐体检项目的方式，计算设备130可以依次计算候选体检项目的对应权重，并按对应权重降序排序，例如而不限于选取排名前十位的候选体检项目确定为目标推荐体检项目。候选体检项目的对应权重例如是基于候选体检项目相对于目标推荐体检项的关联度数据和覆盖度数据而计算的。

关于关联度数据和覆盖度数据的确定方式，其例如包括：计算设备130确定每一个候选体检项目关联的所有风险疾病；计算目标推荐体检项对于所有风险疾病中的每一种风险疾病的重要权重和每一种风险疾病的风险权重，以用于计算候选体检项目的所有风险疾病的关联度数据；以及基于候选体检项目所关联的所有风险疾病的数量和与当前用户有关联的风险疾病的数量，计算与候选体检项目相关联的覆盖度数据。下文将结合图4至7进行说明关于确定目标推荐体检项目的方式，在此，不再赘述。

在上述方案中，本公开通过将知识图谱模型与神经网络通过交叉单元进行连接，可以将知识图谱作为协同过滤的冷启动数据，并使用户体检报告数据中的异常数据输入神经网络模型以便用于精准预测，而且无需强大的历史数据和大量的计算、以及对专家经验数据的深度依赖。另外，本公开基于从符合预定条件的历史疾病数据所确定的目标风险疾病数据、以及相关的体检项数据和用户属性，生成知识图谱模型的三元组数据，以及基于当前用户的用户数据和异常体检项来预测目标体检项，进而确定匹配的目标推荐体检项目。因此，本公开能够避免消耗大量的计算和存储资源，而且能够快速并精准地向用户推荐匹配的体检项目。

以下结合图5说明用于确定目标推荐体检项目的方法。图5示出根据本公开实施例的用于确定目标推荐体检项目的方法500的流程图。应当理解，方法500例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法500还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤502处，计算设备130基于目标推荐体检项查询预定数据库，以便获得包含有目标推荐体检项的多个候选体检项目。

在步骤504处，计算设备130针对多个候选体检项目中的每一个候选体检项目，计算每一个候选体检相目相对于目标推荐体检项的关联度数据和覆盖度数据。

关于候选体检项目的关联度数据，其例如基于以下公式（4）进行计算。

Relevancy

在上述公式（4）中，Relevancy

关于候选体检项目的覆盖度数据，其例如基于以下公式（5）进行计算。

Coverage

在上述公式（5）中，Coverage

步骤506处，计算设备130基于关联度数据和覆盖度数据，计算关于每一个候选体检项目的对应权重。在一些实施例中，计算设备130可以基于关联度数据、覆盖度数据和费用匹配度数据，计算关于每一个候选体检项目的对应权重，费用匹配度数据是基于候选体检项目的关联费用与当前用户的预定费用阈值之间的比较结果而确定的。

关于候选体检项目的对应权重，其例如基于以下公式（6）或者（7）进行计算。

Weight

Weight

在上述公式（6）和（7）中，Weight

关于费用匹配度数据Pricematch

在步骤508处，计算设备130基于对应权重，排序多个候选体检项目，以便基于排序结果确定用于向当前用户推荐的目标推荐体检项目。例如，计算设备130依次计算每个候选体检项目的对应权重，并按对应权重降序排序，然后取例如排序前10的候选体检项目向当前用户推荐。

通过采用上述方案，本公开能够迅速确定匹配当前用户的目标推荐体检项目。

在一些实施例中，方法200还包括用于排序目标推荐体检项目的方法。以下结合图6说明用于排序候选体检项目的方法。图6示出根据本公开实施例的用于候选目标推荐体检项目的方法600的流程图。应当理解，方法600例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法600还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤602处，计算设备130基于关联度数据与覆盖度数据的乘积，排序多个候选体检项目，以便生成经第一排序的多个候选体检项目。关联度数据与覆盖度数据的乘积可以指示候选体检项目的检查全面性，由此，利于提高目标推荐体检项目的检查全面性。

在步骤604处，计算设备130基于对应权重与候选体检项目的费用数据之间的比值，排序多个候选体检项目，以便生成经第二排序的多个候选体检项目。关联度数据与费用数据的比值可以指示候选体检项目的性价比情况，由此，利于使得向当前用户推荐的目标推荐体检项目具备高性价比。

在步骤606处，计算设备130在经第一排序的多个候选体检项目和经第二排序的多个候选体检项目中，分别选择预定数量的候选体检项目，以作为用于推荐给当前用户的目标推荐体检项目。

通过采用上述手段，本公开能够为当前用户推荐的提供体现检查全面、高性价不同排序的目标推荐体检项目，便于针对不同的用户偏好，利于方便用户选择，以及提高用户体验。

以下结合图7说明关于用于排序的多个候选体检项目的方法。图7示出根据本公开实施例的用于排序的多个候选体检项目的方法700的流程图。应当理解，方法700例如可以在图8所描述的电子设备800处执行。也可以在图1所描述的计算设备130处执行。应当理解，方法700还可以包括未示出的附加动作和/或可以省略所示出的动作，本公开的范围在此方面不受限制。

在步骤702处，计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的关联度数据与覆盖度数据的乘积是否相等。

在步骤704处，如果计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的关联度数据与覆盖度数据的乘积相等，基于热度值数据排序第一候选体检项目和第二候选体检项目。如果计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的关联度数据与覆盖度数据的乘积不相等，跳转至步骤710处。

在步骤706处，计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的热度值数据是否相等。

在步骤708处，如果计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的热度值数据相等，基于覆盖度数据和候选体检项目标识中的至少一项来排序第一候选体检项目和第二候选体检项目，以便生成经第一排序的多个候选体检项目。例如，如果计算设备130确定第一候选体检项目的对应热度值与第二候选体检项目的对应热度值相同，则基于覆盖度数据排序第一候选体检项目和第二候选体检项目，例如将覆盖度数据高的候选体检项目排在前面。如果计算设备130确定覆盖度数据也相同，则将候选体检项目的标识（例如ID）小的候选体检项目排在前面。如果计算设备130确定确定与第一候选体检项目和第二候选体检项目分别对应的热度值数据不相等，，跳转至步骤710处。在步骤710处，计算设备130在第一排序的多个候选体检项目中选择排名小于或者等一阈值的候选体检项目，以便将所选择的候选体检项目关联第一标签。第一标签例如指示体检项目检查的全面程度。

在一些实施例中，方法700还包括步骤712至步骤722。

在步骤712处，计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的对应权重与费用数据的比值是否相等。

在步骤714处，如果计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的对应权重与费用数据的比值相等，基于热度值数据排序第一候选体检项目和第二候选体检项目。如果计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的对应权重与费用数据的比值不相等，跳转至步骤720处。

在步骤716处，计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的热度值数据是否相等。

在步骤718处，如果计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的热度值数据相等，基于候选体检项目的标识排序第一候选体检项目和第二候选体检项目，以便生成经第二排序的多个候选体检项目。例如，如果计算设备130确定第一候选体检项目的对应热度值与第二候选体检项目的对应热度值相同，则将候选体检项目的标识（例如ID）小的候选体检项目排在前面。如果计算设备130确定与第一候选体检项目和第二候选体检项目分别对应的热度值数据不相等，跳转至步骤720处。

在步骤720处，计算设备130在经第二排序的多个候选体检项目中选择排名小于或者等二阈值的候选体检项目，以便将所选择的候选体检项目关联第二标签。第二标签例如指示体检项目检查的性价比情况。

在步骤722处，计算设备130向当前用户的用户终端发送关联有第一标签的候选体检项目和关联有第二标签的候选体检项目。例如，可以在当前用户的用户终端优先展示带有“检查全面”和“高性价比”标签的候选体检项目。对于其余所显示的候选体检项目例如按照对应权重降序排序进行显示。如果对应权重数据相同，则优先取热度值高的排在前面，若热度值相同，取候选体检项目标识小的排在前面。

通过采用上述手段，本公开可以向用户的用户终端优先展示带有两种不同标签（例如“检查全面”和“高性价比”标签）的候选体检项目。

图8示意性示出了适于用来实现本公开实施例的电子设备（或者计算设备）800的框图。设备800可以是用于实现执行图2、图5至图7所示的方法200、500至700的设备。如图7所示，设备800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的计算机程序指令或者从存储单元808加载到随机存取存储器（RAM）803中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可存储设备800操作所需的各种程序和数据。CPU、ROM以及RAM通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。

设备800中的多个部件连接至输入/输出（I/O）805，包括：输入单元806、输出单元807、存储单元808，中央处理单元801执行上文所描述的各个方法和处理，例如执行方法200、500至700例如，在一些实施例中，方法200、500至700可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的方法200、500至700的一个或多个操作。备选地，在其他实施例中，CPU可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法200、500至700的一个或多个动作。

需要进一步说明的是，本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、设备（系统）、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解，流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。

附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方步骤中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

以上仅为本公开的可选实施例，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本公开的保护范围之内。