应用于医疗健康大数据挖掘的信息推荐方法及系统与流程

1.本发明涉及大数据技术领域，具体而言，涉及一种应用于医疗健康大数据挖掘的信息推荐方法及系统。


背景技术：

2.随着信息技术和物联网技术的发展、个人电脑和智能手机的普及以及社交网络的兴起，人类活动产生的数据正以惊人的速度增长，大数据一词由此而生，大数据是指难以被传统数据管理系统有效且经济地存储、管理、处理的复杂数据集。
3.医疗健康行业目前面临着巨大的挑战，医疗健康机构采用大数据可以有效地帮助医疗机构了解更多用户的实际医疗需求和意图，进而便于制定个性化的医疗产品开发方案，从而有效减少医疗开发成本。例如，通过医疗需求和意图识别可以确定需要进行病毒基因检测的患者，从而可以通过采集患者的病毒基因进行检测，将检测后的病毒信息数据与候选病毒数据库进行比较或者核对，以用于病毒检测与治疗领域的应用。基于此，如何提高大数据挖掘的有效性，是亟待研究的本领域方向。


技术实现要素：

4.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应用于医疗健康大数据挖掘的信息推荐方法及系统。
5.第一方面，本发明提供一种应用于医疗健康大数据挖掘的信息推荐方法，应用于应用于医疗健康大数据挖掘的信息推荐系统，所述方法包括：
6.搜集目标用户的医疗健康大数据；
7.依据第一需求预测模型对所述医疗健康大数据进行医疗需求和医疗意图频繁项预测，获得参考医疗需求分布和参考医疗意图频繁项分布；
8.依据所述参考医疗需求分布和所述参考医疗意图频繁项分布优化所述第一需求预测模型的模型权重信息，获得参考需求预测模型；
9.依据所述参考需求预测模型对所述医疗健康大数据进行医疗需求和医疗意图频繁项预测，获得第二医疗需求和第二医疗意图频繁项分布；
10.依据所述第二医疗需求和所述第二医疗意图频繁项分布对所述参考需求预测模型进行收敛优化，获得收敛优化的第二需求预测模型，以依据所述收敛优化的第二需求预测模型对待挖掘医疗健康大数据中与预设投放业务相关的特定医疗健康数据的医疗需求和医疗意图频繁项进行挖掘获得挖掘输出信息，并基于所述挖掘输出信息对所述目标用户进行信息推荐。
11.第二方面，本发明实施例还提供一种应用于医疗健康大数据挖掘的信息推荐系统，所述应用于医疗健康大数据挖掘的信息推荐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应用于医疗健康大数据挖掘的信息推荐方法。
12.基于上述任意一个方面，通过依据第一需求预测模型对医疗健康大数据进行医疗需求和医疗意图频繁项预测，依据参考医疗需求分布和参考医疗意图频繁项分布优化第一需求预测模型的模型权重信息，获得参考需求预测模型，据于此对医疗健康大数据进行医疗需求和医疗意图频繁项预测，依据获得的第二医疗需求和第二医疗意图频繁项分布对参考需求预测模型进行收敛优化，以依据收敛优化的第二需求预测模型对待挖掘医疗健康大数据中与预设投放业务相关的特定医疗健康数据的医疗需求和医疗意图频繁项进行挖掘，从而在内容数据库中进行数据检索，并对目标用户进行信息推荐，从而在提高大数据挖掘的有效性的基础上，进行相应的数据库检索，提高信息推送精度和效率。
附图说明
13.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提取其它相关的附图。
14.图1为本发明实施例提供的应用于医疗健康大数据挖掘的信息推荐方法的流程示意图；
15.图2为本发明实施例提供的用于实现上述的应用于医疗健康大数据挖掘的信息推荐方法的应用于医疗健康大数据挖掘的信息推荐系统的结构示意框图。
具体实施方式
16.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时，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。
17.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。
18.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。
19.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。
20.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。
21.图1是本发明一种实施例提供的应用于医疗健康大数据挖掘的信息推荐方法的流程示意图，下面对该应用于医疗健康大数据挖掘的信息推荐方法进行详细介绍。
22.步骤s101、搜集具有特定医疗健康数据的第一待挖掘医疗健康大数据和第二待挖掘医疗健康大数据。
23.一种示例性设计思路中，所述第一待挖掘医疗健康大数据为携带有所述特定医疗健康数据的目标医疗需求和目标医疗意图频繁项的待挖掘医疗健康大数据。
24.例如，医疗健康数据可以表示用户在使用相关的医疗健康服务过程中记录的一系列的档案数据，例如医疗健康订阅数据，转发数据，上传数据等等。第一待挖掘医疗健康大数据与第二待挖掘医疗健康大数据用于表示待挖掘医疗健康大数据。
25.步骤s102、依据第一需求预测模型对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据进行医疗需求和医疗意图频繁项预测，获得参考医疗需求分布和参考医疗意图频繁项分布。
26.例如，第一需求预测模型可以为长短期记忆网络(lstm，long short-term memory)。
27.参考医疗需求分布代表第一需求预测模型对第一待挖掘医疗健康大数据中的特定医疗健康数据进行医疗需求预测获得的预测信息。参考医疗意图频繁项分布代表第一需求预测模型对第一待挖掘医疗健康大数据中的特定医疗健康数据进行医疗意图频繁项预测获得的预测信息。
28.例如，步骤s102介绍的依据第一需求预测模型对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据进行医疗需求和医疗意图频繁项预测，获得参考医疗需求分布和参考医疗意图频繁项分布，例如可参照以下步骤s1021和步骤s1022的具体实施方式。
29.步骤s1021、依据所述第一需求预测模型对所述第一待挖掘医疗健康大数据进行集中关注变量挖掘，获得所述第一待挖掘医疗健康大数据关联的第一集中关注变量。
30.例如，第一集中关注变量代表与第一待挖掘医疗健康大数据的相关互动特征。
31.例如，第一需求预测模型包括参考集中关注变量挖掘单元，所述参考集中关注变量挖掘单元包括由多个主动关注变量挖掘节点构成的挖掘函数层。例如，步骤s1021介绍的依据所述第一需求预测模型对所述第一待挖掘医疗健康大数据进行集中关注变量挖掘，获得所述第一待挖掘医疗健康大数据关联的第一集中关注变量，例如可以是：分别依据所述挖掘函数层的多个主动关注变量挖掘节点对所述第一待挖掘医疗健康大数据进行集中关注变量挖掘，获得所述第一待挖掘医疗健康大数据关联的第一集中关注变量。
32.步骤s1022、依据所述第一需求预测模型依据所述第一集中关注变量对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据进行医疗需求和医疗意图频繁项预测，获得参考医疗需求分布和参考医疗意图频繁项分布。
33.例如，第一需求预测模型包括需求预测函数单元，所述需求预测函数单元包括回归分析节点、频繁模式项分析节点和需求预测节点。例如，步骤s1022介绍的依据所述第一需求预测模型依据所述第一集中关注变量对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据进行医疗需求和医疗意图频繁项预测，获得参考医疗需求分布和参考医疗意图频繁项分布，例如可参照步骤s10221-步骤s10223的具体实施方式。
34.步骤s10221、依据所述回归分析节点依据所述第一集中关注变量对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据进行回归分析挖掘，获得回归分析挖掘信息。
35.步骤s10222、依据所述频繁模式项分析节点依据所述第一集中关注变量和所述回归分析挖掘信息，对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据的主动意图频繁项与所述特定医疗健康数据的被动意图频繁项的频繁时空域特征的匹配度进行对比，获得所述特定医疗健康数据在所述第一待挖掘医疗健康大数据中的参考医疗意图频繁项分布。
36.步骤s10223、依据所述需求预测节点依据所述第一集中关注变量和所述回归分析挖掘信息，对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据进行医疗需求预测，获得所述特定医疗健康数据的参考医疗需求分布。
37.依据上述描述内容，依据第一需求预测模型对第一待挖掘医疗健康大数据中的特定医疗健康数据的主动意图频繁项与所述特定医疗健康数据的被动意图频繁项的频繁时空域特征的匹配度进行对比，能够有针对性确定出特定医疗健康数据的参考医疗需求分布。
38.步骤s103、将所述参考医疗需求分布与所述目标医疗需求进行特征更新，以及将所述参考医疗意图频繁项分布与所述目标医疗意图频繁项进行特征更新，以优化所述第一需求预测模型的第一模型权重信息，以及依据所述第一需求预测模型对所述第一待挖掘医疗健康大数据和所述第二待挖掘医疗健康大数据进行特征变量深度挖掘，以优化所述第一需求预测模型的第二模型权重信息，获得参考需求预测模型。
39.例如，第一待挖掘医疗健康大数据为过往指定医疗健康数据，所述第二待挖掘医疗健康大数据为过往扩展医疗健康数据，所述过往指定医疗健康数据为携带有所述特定医疗健康数据的目标医疗需求和目标医疗意图频繁项的待挖掘医疗健康大数据，所述过往扩展医疗健康数据为未携带有所述特定医疗健康数据的目标医疗需求和目标医疗意图频繁项的待挖掘医疗健康大数据；所述第一需求预测模型包括权重更新单元，所述权重更新单元包括权重配置节点。
40.由此，将所述参考医疗需求分布与所述目标医疗需求进行特征更新，以及将所述参考医疗意图频繁项分布与所述目标医疗意图频繁项进行特征更新，以优化所述第一需求预测模型的第一模型权重信息，以及依据所述第一需求预测模型对所述第一待挖掘医疗健康大数据和所述第二待挖掘医疗健康大数据进行特征变量深度挖掘，以优化所述第一需求预测模型的第二模型权重信息，获得参考需求预测模型，例如可参照下述实施方式：依据所述第一需求预测模型对所述第二待挖掘医疗健康大数据进行集中关注变量挖掘，获得所述第二待挖掘医疗健康大数据关联的第二集中关注变量；依据所述回归分析挖掘信息、所述参考医疗意图频繁项分布和所述参考医疗需求分布生成模型收敛评估参数值；依据所述模型收敛评估参数值将所述参考医疗需求分布与所述目标医疗需求进行特征更新，以及将所述参考医疗意图频繁项分布与所述目标医疗意图频繁项进行特征更新，以优化所述第一需求预测模型的第一模型权重信息；以及，依据所述权重更新单元提取学习所述第一集中关注变量和所述第二集中关注变量所对应的所述过往指定医疗健康数据或所述过往扩展医疗健康数据，获得提取学习信息，依据所述权重配置节点对所述提取学习信息进行权重更
新，以深度掌握涵盖有需求深度特征变量的集中关注变量深度值，依据所述涵盖有需求深度特征变量的集中关注变量深度值对所述第一待挖掘医疗健康大数据和所述第二待挖掘医疗健康大数据的参考需求进行特征变量深度挖掘，以优化所述第一需求预测模型的第二模型权重信息，获得参考需求预测模型。
41.由此，依据进行模型权重信息，可以对第一需求预测模型的进行模型收敛配置。
42.步骤s104、依据所述参考需求预测模型获取所述第二待挖掘医疗健康大数据中所述特定医疗健康数据关联的关注特征值最大的医疗需求和医疗意图频繁项分别确定为关注医疗需求和关注医疗意图频繁项；将所述第二待挖掘医疗健康大数据输入所述参考需求预测模型进行医疗需求和医疗意图频繁项预测，获得第二医疗需求和第二医疗意图频繁项分布。
43.例如，关注特征值可以是关注行为的度量值。关注医疗需求和关注医疗意图频繁项可以作为医疗需求和医疗意图频繁项预测的特征依据。
44.例如，步骤s104介绍的依据所述参考需求预测模型获取所述第二待挖掘医疗健康大数据中所述特定医疗健康数据关联的关注特征值最大的医疗需求和医疗意图频繁项分别确定为关注医疗需求和关注医疗意图频繁项，可以包括以下步骤s1041-步骤s1043的具体实施方式。
45.步骤s1041、依据所述参考需求预测模型对所述第二待挖掘医疗健康大数据进行集中关注变量挖掘，获得第三集中关注变量。
46.步骤s1042、依据所述第三集中关注变量对所述第二待挖掘医疗健康大数据中的所述特定医疗健康数据进行医疗需求和医疗意图频繁项预测，获得多个参考医疗需求以及关联的关注特征值和多个参考医疗意图频繁项分布以及关联的关注特征值。
47.步骤s1043、从所述参考医疗需求中获得关注特征值最大的医疗需求确定为所述第二待挖掘医疗健康大数据中所述特定医疗健康数据关联的关注医疗需求，以及从所述参考医疗意图频繁项分布中获得关注特征值最大的医疗意图频繁项确定为所述第二待挖掘医疗健康大数据中所述特定医疗健康数据关联的关注医疗意图频繁项。
48.由此，依据上述步骤s1041-步骤s1043，可以准确获得关注医疗需求和关注医疗意图频繁项。
49.例如，步骤s104介绍的将所述第二待挖掘医疗健康大数据输入所述参考需求预测模型进行医疗需求和医疗意图频繁项预测，获得第二医疗需求和第二医疗意图频繁项分布，例如可参照以下步骤s1044和步骤s1045的具体实施方式。
50.步骤s1044、依据所述参考需求预测模型对所述第二待挖掘医疗健康大数据进行集中关注变量挖掘，获得所述第二待挖掘医疗健康大数据关联的第四集中关注变量。
51.步骤s1045、依据所述参考需求预测模型依据所述第四集中关注变量，对所述第二待挖掘医疗健康大数据中的所述特定医疗健康数据进行回归分析挖掘、以及医疗需求和医疗意图频繁项预测，获得所述特定医疗健康数据的第二医疗需求和第二医疗意图频繁项分布。
52.步骤s105、将所述第二医疗需求与所述关注医疗需求进行特征更新，以及将所述第二医疗意图频繁项分布与所述关注医疗意图频繁项进行特征更新，以对所述参考需求预测模型进行收敛优化，获得收敛优化的第二需求预测模型，以依据所述收敛优化的第二需
求预测模型对待挖掘医疗健康大数据中特定医疗健康数据的医疗需求和医疗意图频繁项进行挖掘获得挖掘输出信息，并基于所述挖掘输出信息在内容数据库中进行信息推荐内容检索，基于检索到的信息推荐内容对所述目标用户进行信息推荐。
53.例如，将所述第二医疗需求与所述关注医疗需求进行特征更新，以及将所述第二医疗意图频繁项分布与所述关注医疗意图频繁项进行特征更新可以是指对所述第二医疗需求与所述关注医疗需求的预测结果的优化学习流程，以及对所述第二医疗意图频繁项分布与所述关注医疗意图频繁项的预测结果的优化学习流程。
54.例如，可以基于所述挖掘输出信息中医疗需求和医疗意图频繁项相关的内容信息在内容数据库中进行信息推荐内容检索，基于检索到的信息推荐内容，对所述目标用户进行信息推荐。
55.一种示例性的设计思路中，可以基于所述挖掘输出信息中医疗需求和医疗意图频繁项相关的内容信息，在病毒基因检测数据库中获取对应的候选病毒基因信息，其中，病毒基因检测数据库包括每个病毒基因信息以及对应的匹配医疗需求和医疗意图频繁项相关的内容特征信息。基于此，确定需要进行病毒基因检测的目标患者以及每个目标患者对应的候选病毒基因信息，从而可以通过采集每个目标患者的病毒基因进行检测，将检测后的病毒信息数据与候选病毒基因信息进行比较或者核对，以确定患者的病毒基因携带情况。如此，可以提高病毒基因的筛选效率。
56.例如，步骤s105介绍的将所述第二医疗需求与所述关注医疗需求进行特征更新，以及将所述第二医疗意图频繁项分布与所述关注医疗意图频繁项进行特征更新，以对所述参考需求预测模型进行收敛优化，获得收敛优化的第二需求预测模型，可以包括以下步骤s1051-步骤s1053的具体实施方式。
57.步骤s1051、依据第一预测代价函数对所述第二医疗需求与所述关注医疗需求进行特征更新，获得第一特征更新损失值。
58.步骤s1052、依据第二预测代价函数对所述第二医疗意图频繁项分布与所述关注医疗意图频繁项进行特征更新，获得第二特征更新损失值。
59.步骤s1053、依据所述第一特征更新损失值和所述第二特征更新损失值生成目标模型收敛评估参数值，依据所述目标模型收敛评估参数值优化所述参考需求预测模型的模型权重信息，并将完成模型权重信息优化后的参考需求预测模型确定为第一需求预测模型，返回执行依据第一需求预测模型对所述第一待挖掘医疗健康大数据中的所述特定医疗健康数据进行医疗需求和医疗意图频繁项预测，获得参考医疗需求分布和参考医疗意图频繁项分布的执行策略，直至所述目标模型收敛评估参数值的特征更新损失值最小，获得收敛优化的第二需求预测模型。
60.例如，上述方法还可以包括步骤s106-步骤s108的具体实施方式。
61.步骤s106、搜集涵盖所述特定医疗健康数据的待挖掘医疗健康大数据。
62.步骤s107、依据所述收敛优化的第二需求预测模型对所述待挖掘医疗健康大数据进行集中关注变量挖掘，获得目标集中关注变量。
63.步骤s108、依据所述收敛优化的第二需求预测模型依据所述目标集中关注变量挖掘所述待挖掘医疗健康大数据中的所述特定医疗健康数据的医疗需求和医疗意图频繁项。
64.由此，可以搜集具有特定医疗健康数据的第一待挖掘医疗健康大数据和第二待挖
掘医疗健康大数据，第一待挖掘医疗健康大数据为携带有特定医疗健康数据的目标医疗需求和目标医疗意图频繁项的待挖掘医疗健康大数据；然后可以依据第一需求预测模型对第一待挖掘医疗健康大数据中的特定医疗健康数据进行医疗需求和医疗意图频繁项预测，获得参考医疗需求分布和参考医疗意图频繁项分布；以及将参考医疗需求分布与目标医疗需求进行特征更新，以及将参考医疗意图频繁项分布与目标医疗意图频繁项进行特征更新，以优化第一需求预测模型的第一模型权重信息，以及依据第一需求预测模型对第一待挖掘医疗健康大数据和第二待挖掘医疗健康大数据进行特征变量深度挖掘，以优化第一需求预测模型的第二模型权重信息，获得参考需求预测模型。其次，可以依据参考需求预测模型获取第二待挖掘医疗健康大数据中特定医疗健康数据关联的关注特征值最大的医疗需求和医疗意图频繁项分别确定为关注医疗需求和关注医疗意图频繁项；将第二待挖掘医疗健康大数据输入参考需求预测模型进行医疗需求和医疗意图频繁项预测，获得第二医疗需求和第二医疗意图频繁项分布；此时可以将第二医疗需求与关注医疗需求进行特征更新，以及将第二医疗意图频繁项分布与关注医疗意图频繁项进行特征更新，以对参考需求预测模型进行收敛优化，获得收敛优化的第二需求预测模型，以依据收敛优化的第二需求预测模型对待挖掘医疗健康大数据中特定医疗健康数据的医疗需求和医疗意图频繁项进行挖掘获得挖掘输出信息。
65.这样，可以依据第一待挖掘医疗健康大数据预测获得的参考医疗需求分布和参考医疗意图频繁项分布，以及依据第一待挖掘医疗健康大数据和第二待挖掘医疗健康大数据的特征变量深度挖掘，对第一需求预测模型进行收敛优化，获得参考需求预测模型，以及依据第二待挖掘医疗健康大数据预测获得的关注医疗需求、关注医疗意图频繁项、第二医疗需求和第二医疗意图频繁项分布对参考需求预测模型进行收敛优化，获得收敛优化的第二需求预测模型，以提高对第二需求预测模型的模型收敛性能，由此提高第二需求预测模型对待挖掘医疗健康大数据中的特定医疗健康数据进行挖掘的性能。
66.图2示出了本发明实施例提供的用于实现上述的应用于医疗健康大数据挖掘的信息推荐方法的应用于医疗健康大数据挖掘的信息推荐系统100的硬件结构意图，如图2所示，应用于医疗健康大数据挖掘的信息推荐系统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。
67.在一些实施例中，应用于医疗健康大数据挖掘的信息推荐系统100可以是单个应用于医疗健康大数据挖掘的信息推荐系统，也可以是应用于医疗健康大数据挖掘的信息推荐系统组。所述应用于医疗健康大数据挖掘的信息推荐系统组可以是集中式的，也可以是分布式的(例如，应用于医疗健康大数据挖掘的信息推荐系统100可以是分布式的系统)。在一些实施例中，应用于医疗健康大数据挖掘的信息推荐系统100可以是本地的，也可以是远程的。例如，应用于医疗健康大数据挖掘的信息推荐系统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，应用于医疗健康大数据挖掘的信息推荐系统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，应用于医疗健康大数据挖掘的信息推荐系统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。
68.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
存应用于医疗健康大数据挖掘的信息推荐系统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(ddr sdram)、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。
69.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应用于医疗健康大数据挖掘的信息推荐方法，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。
70.处理器110的具体实现过程可参见上述应用于医疗健康大数据挖掘的信息推荐系统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。
71.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，实现如上应用于医疗健康大数据挖掘的信息推荐方法。
72.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。
73.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。
74.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。
75.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。
76.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。
77.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应用于医疗健康大数据挖掘的信息推荐系统上运行。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)。
78.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，如在现有的应用于医疗健康大数据挖掘的信息推荐系统或移动设备上安装所描述的系统。
79.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。