[发明专利]一种推荐方法及装置

说明书

本发明实施例公开了一种推荐方法及装置，其中方法包括：获取用户的病症信息，将用户的病症信息输入医院联邦模型，所述医院联邦模型用于根据用户的病症信息确定用户的病症类型，并根据用户的病症类型为用户推荐匹配的目标医院。本发明实施例中，通过使用联邦学习方式建立医院联邦模型，可以在保证各医院节点的隐私医疗数据安全性的基础上提高推荐目标医院的精确度；且，在确定用户的病症类型后，通过医院联邦模型确定该病症类型下用户对应的目标医院，可以基于用户的病症情况为用户推荐合适的医院，从而可以提高用户就医的准确性，并能够降低大医院的就医压力。

技术领域

本发明涉及数据处理领域，尤其涉及一种推荐方法及装置。

背景技术

伴随着互联网的飞速发展，各种智能推荐系统已越来越多地深入到人们的生活之中，比如饮食推荐系统、景点推荐系统、交通推荐系统等等。在智能推荐系统中，为了满足用户的使用需求，当用户登录智能推荐系统的网页时，智能推荐系统通常可以向用户推荐一些符合用户需求的机构，以供用户选择。

传统的就医方法一般是需要用户自行确定目标医院，比如用户在就医之前，可以去搜索网页上查询一些综合排名较为靠前或者距离较近的医院，并可以从这些医院中选取出符合自己要求的目标医院进行就医。为了降低用户的操作复杂度，现有的一些医疗推荐系统可以根据各家医院的情况确定向用户推荐的目标医院，比如推荐接待人流量大、综合排名靠前的目标医院。然而，采用该种方式，医疗推荐系统所推荐的目标医院并不一定满足用户的需求，且可能无法实现有效分诊，比如会使得大医院所接待的病人较多，而小医院、社康医院、小诊所反而没有病人，从而导致就医效率较低。

综上，目前亟需一种推荐方法，用以解决现有的推荐系统无法为用户推荐符合用户需求的医院，且就医效率低的技术问题。

发明内容

本发明实施例提供一种推荐方法，用以解决现有的推荐系统无法为用户推荐符合用户需求的医院，且就医效率低的技术问题。

第一方面，本发明实施例提供的一种推荐方法，包括：

获取用户的病症信息，将所述用户的病症信息输入医院联邦模型，所述医院联邦模型用于根据所述用户的病症信息确定所述用户的病症类型，并根据所述用户的病症类型为所述用户推荐匹配的目标医院；其中，所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的。

在上述设计中，通过使用联邦学习方式建立医院联邦模型，可以在保证各医院节点的隐私医疗数据安全性的基础上提高推荐目标医院的精确度；且，在确定用户的病症类型后，通过医院联邦模型确定该病症类型下用户对应的目标医院，可以根据用户的病症情况为用户推荐合适的医院，从而可以提高用户就医的准确性，并能降低大医院的就医压力。

在一种可能的设计中，所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的，包括：在第I轮联邦训练中，若所述I为1，则分别向参与所述联邦学习的各医院节点发送初始模型参数；若所述I为大于1的整数，则分别向参与所述联邦学习的各医院节点发送第I-1轮联邦训练的综合模型参数；进一步地，获取所述各医院节点在所述第I轮联邦训练中的模型参数；每个医院节点在所述第I轮联邦训练中的模型参数为所述医院节点在所述初始模型参数或所述第I-1轮联邦训练的综合模型参数的基础上，使用所述医院节点的医疗数据训练模型得到的；根据所述各医院节点在所述第I轮联邦训练中的模型参数得到第I轮联邦训练的综合模型参数，若确定所述第I轮联邦训练已达到所述联邦学习的结束条件，则使用所述第I轮联邦训练的综合模型参数建立所述医院联邦模型；若确定所述第I轮联邦训练未达到所述联邦学习的结束条件，则启动第I+1轮联邦训练。

在上述设计中，通过引入多轮联邦训练过程，可以采用迭代方式结合联邦学习训练医院联邦模型，从而不断地根据各个医院节点训练的模型参数优化医院联邦模型的综合模型参数，提高医院联邦模型的推荐效果。