应用于智慧医疗的大数据挖掘评估方法及大数据挖掘系统

技术领域

本申请涉及智慧医疗技术领域，具体而言，涉及一种应用于智慧医疗的大数据挖掘评估方法及大数据挖掘系统。

背景技术

智慧医疗服务是以医疗用户为中心、以医疗需求为起点，将大数据、人工智能、云计算、物联网等技术应用于医疗场景，全方位提升互联网医疗服务的效率和质量。医疗资源的网络化管理成为了一种可能，基于医疗资源网络，可以在用户需要进行医疗资源预约时，基于用户的医疗需求为用户提供医疗资源分配服务。

相关技术中，在进行医疗资源分配过程中通常都是基于单一用户的医疗需求进行逐个分配，这样会导致医疗资源分配效率较低，也就是说，相关技术中没有针对不同用户进行医疗需求的匹配，无法针对某个具有关联医疗需求的用户群体进行统一分配。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种应用于智慧医疗的大数据挖掘评估方法及大数据挖掘系统。

第一方面，本申请提供一种应用于智慧医疗的大数据挖掘评估方法，应用于大数据挖掘系统，所述方法包括：

分别对标的用户的标的医疗行为样本数据和对照用户的对照医疗行为样本数据进行医疗需求分析，获得所述标的医疗行为样本数据中的多个医疗需求定位数据、以及所述对照医疗行为样本数据中的多个医疗需求定位数据，其中，每个所述医疗需求定位数据包括待挖掘的医疗需求；

对于所述标的医疗行为样本数据和所述对照医疗行为样本数据，分别进行同一个医疗行为样本数据中不同医疗需求定位数据的需求变量聚合以及不同医疗行为样本数据中不同医疗需求定位数据的需求变量聚合，获得所述标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及所述对照医疗行为样本数据中各个医疗需求定位数据的需求变量；

依据所述标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及所述对照医疗行为样本数据中各个医疗需求定位数据的需求变量，确定所述标的医疗行为样本数据中任意一个医疗需求定位数据与所述对照医疗行为样本数据中任意一个医疗需求定位数据的需求关联值；

基于所述需求关联值生成医疗需求关联信息，并基于所述医疗需求关联信息生成所述标的用户和所述对照用户的用户需求分组评估信息，其中，所述医疗需求关联信息表征所述标的医疗行为样本数据中任意一个医疗需求定位数据与所述对照医疗行为样本数据中任意一个医疗需求定位数据是否包括相关联的医疗需求。

在第一方面的一种可能的实施方式中，根据每个标的用户和对应的对照用户的用户需求分组评估信息，将存在相关联的医疗需求的标的用户和对应的对照用户添加到同一医疗需求用户组中；

针对每个医疗需求用户组，依据对应医疗需求的医疗资源分配策略，对所述医疗需求用户组中的每个用户分配对应的医疗资源，其中，所述医疗资源包括医疗科普推送内容；

获取所述医疗需求用户组针对分配的所述医疗资源的资源反馈信息，并基于所述资源反馈信息对所述医疗资源分配策略进行更新优化；

在第一方面的一种可能的实施方式中，所述基于所述资源反馈信息对所述医疗资源分配策略进行更新优化的步骤，包括：

依据所述资源反馈信息获得对应的兴趣点触发活动数据；

将所述兴趣点触发活动数据加载到第一关注意图决策模型，输出所述兴趣点触发活动数据的第一关注意图变量；

依据所述第一关注意图变量与医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据的第二关注意图变量之间的变量匹配信息，输出所述兴趣点触发活动数据与所述医疗资源分配倾向簇中的各医疗资源分配倾向对应的偏向概率值；

依据所述偏向概率值，从所述医疗资源分配倾向簇中获得所述兴趣点触发活动数据包括的各个医疗资源分配倾向对应的策略优化信息；

依据所述各个医疗资源分配倾向对应的策略优化信息对所述医疗资源分配策略进行更新优化。

譬如，在第一方面的一种可能的实施方式中，所述第一关注意图变量包括多个，所述第二关注意图变量包括多个；

所述依据所述第一关注意图变量与医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据的第二关注意图变量之间的变量匹配信息，输出所述兴趣点触发活动数据与所述医疗资源分配倾向簇中的各医疗资源分配倾向对应的偏向概率值，包括：

确定第一目标关注意图变量与每个医疗资源分配倾向的第二目标关注意图变量之间的变量匹配信息，输出第一偏向概率值；所述第一目标关注意图变量为多个所述第一关注意图变量中的一种；所述第二目标关注意图变量为多个所述第二关注意图变量中的一种；

将所述第一偏向概率值，确定为所述兴趣点触发活动数据与所述医疗资源分配倾向簇中的各医疗资源分配倾向对应的所述偏向概率值；或者

确定每个第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量之间的变量匹配信息，分别得到多个第二偏向概率值；

依据所述多个第二偏向概率值中基于由大到小的顺序位于设定数量区间的多个第二偏向概率值，输出每个所述第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量的第三偏向概率值；

依据各所述第一关注意图变量的所述第三偏向概率值的加权偏向概率值，确定所述兴趣点触发活动数据与所述医疗资源分配倾向簇中的各医疗资源分配倾向对应的所述偏向概率值。

譬如，在第一方面的一种可能的实施方式中，第一关注意图决策模型包括第一关注意图变量解析分支和第一关注意图决策分支，所述方法还包括预先对所述第一关注意图决策模型进行模型开发优化的步骤，具体包括：

将每个所述医疗资源分配倾向的认证兴趣点触发活动数据的所述第二关注意图变量确定为第一模型开发样本数据，将每个所述医疗资源分配倾向的认证兴趣点触发活动数据的非关注意图变量确定为第二模型开发样本数据；

依据所述第一模型开发样本数据和所述第二模型开发样本数据对所述第一关注意图决策分支进行权重更新，输出权重更新后的第一关注意图决策分支；

所述将所述兴趣点触发活动数据加载到第一关注意图决策模型，输出所述兴趣点触发活动数据的第一关注意图变量，包括：

将所述兴趣点触发活动数据加载到所述第一关注意图变量解析分支，输出所述兴趣点触发活动数据的第一兴趣点触发倾向变量；

将所述第一兴趣点触发倾向变量加载到所述权重更新后的第一关注意图决策分支，输出所述兴趣点触发活动数据的所述第一关注意图变量。

譬如，在第一方面的一种可能的实施方式中，在所述将每个所述医疗资源分配倾向的认证兴趣点触发活动数据的所述第二关注意图变量确定为第一模型开发样本数据，将每个所述医疗资源分配倾向的认证兴趣点触发活动数据的非关注意图变量确定为第二模型开发样本数据之前，所述方法还包括：

将所述医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据加载到第二关注意图决策模型，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量，以及每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员；

依据每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员，确定所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标；

依据所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标，从每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中，获得所述第二关注意图变量和所述非关注意图变量。

譬如，在第一方面的一种可能的实施方式中，所述第二关注意图决策模型包括第二关注意图变量解析分支和第二关注意图决策分支；所述将所述医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据加载到第二关注意图决策模型，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量，以及每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员，包括：

将每个所述医疗资源分配倾向的认证兴趣点触发活动数据加载到所述第二关注意图变量解析分支，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的所述第二兴趣点触发倾向变量；

采用所述医疗资源分配倾向簇中各个医疗资源分配倾向的认证兴趣点触发活动数据的所述第二兴趣点触发倾向变量，对所述第二关注意图决策分支进行预设数量次权重更新，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员。

譬如，在第一方面的一种可能的实施方式中，所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量对应一个初始循环训练变量；

所述采用所述医疗资源分配倾向簇中各个医疗资源分配倾向的认证兴趣点触发活动数据的所述第二兴趣点触发倾向变量，对所述第二关注意图决策分支进行预设数量次权重更新，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员，包括：

将所述医疗资源分配倾向簇中各个医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量，以及每个所述兴趣点触发倾向变量所对应的初始循环训练变量，加载到所述第二关注意图决策分支，对所述第二关注意图决策分支进行预设数量次权重更新，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的目标循环训练变量，以及与所述目标循环训练变量对应的训练变量卷积信息；

将每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的目标循环训练变量，以及与所述目标循环训练变量对应的训练变量卷积信息，作为每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员。

譬如，在第一方面的一种可能的实施方式中，所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的所述目标循环训练变量，以及与所述目标循环训练变量对应的所述训练变量卷积信息分别包括：预设数量次权重更新进程中，所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的每轮权重更新结束后得到的目标循环训练变量，以及与所述目标循环训练变量对应的训练变量卷积信息；

所述依据每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员，确定所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标，包括：

确定每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的每轮权重更新结束后得到的所述目标循环训练变量和与所述目标循环训练变量对应的所述训练变量卷积信息之间的融合信息，输出i个部分模型开发评价指标；其中，i为权重更新总次数，所述部分模型开发评价指标为每轮权重更新进程对应的模型开发评价指标；

将所述i个部分模型开发评价指标的综合模型开发评价指标，确定为所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的模型开发评价指标。

譬如，在第一方面的一种可能的实施方式中，所述将所述第一兴趣点触发倾向变量加载到所述权重更新后的第一关注意图决策分支，输出所述兴趣点触发活动数据的所述第一关注意图变量，包括：

将所述第一兴趣点触发倾向变量加载到所述权重更新后的第一关注意图决策分支，输出所述第一兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的关注意图热力决策数据；

依据所述第一兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的关注意图热力决策数据，从所述第一兴趣点触发倾向变量中获得关注意图热力决策数据匹配预设关注意图热力决策数据的兴趣点触发倾向变量，作为所述兴趣点触发活动数据的所述第一关注意图变量。

譬如，在第一方面的一种可能的实施方式中，所述第一关注意图变量涵盖有对应的关注意图热力决策数据；

所述依据所述多个第二偏向概率值中基于由大到小的顺序位于设定数量区间的多个第二偏向概率值，输出每个所述第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量的第三偏向概率值，包括：

确定所述多个第二偏向概率值中基于由大到小的顺序位于设定数量区间的多个偏向概率值的加权偏向概率值，输出目标偏向概率值；

将所述目标偏向概率值与所述多个第二偏向概率值所对应的第一关注意图变量涵盖的关注意图热力决策数据之间的融合信息，作为每个所述第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量的所述第三偏向概率值。

第二方面，本申请实施例还提供一种大数据挖掘系统，所述大数据挖掘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计算机程序，所述计算机程序依据该处理器加载并执行以实现以上第一方面的应用于智慧医疗的大数据挖掘评估方法。

基于以上方面，针对标的医疗行为样本数据和对照医疗行为样本数据，通过分别进行同一个医疗行为样本数据中不同医疗需求定位数据的需求变量聚合以及不同医疗行为样本数据中不同医疗需求定位数据的需求变量聚合，不仅可以提高后续的医疗需求关联分析效率，而且可以使得每个医疗需求定位数据的需求变量可以充分融合标的医疗行为样本数据和对照医疗行为样本数据的深度特征信息，从而可以提取到医疗行为样本数据中的长跨度变量，以便于之后依据标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的需求变量，确定标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据的需求关联值时，提高医疗行为样本数据中医疗需求匹配准确性。

附图说明

图1为本申请实施例提供的应用于智慧医疗的大数据挖掘评估系统的架构示意图；

图2为本申请实施例提供的应用于智慧医疗的大数据挖掘评估方法的流程示意图。

具体实施方式

图1是本申请一种实施例提供的应用于智慧医疗的大数据挖掘评估系统10的架构示意图。应用于智慧医疗的大数据挖掘评估系统10可以包括大数据挖掘系统100以及与大数据挖掘系统100通信连接的智慧医疗线上平台200。图1所示的应用于智慧医疗的大数据挖掘评估系统10仅为一种可行的示例，在其它可行的实施例中，该应用于智慧医疗的大数据挖掘评估系统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。

一种依据独立构思的实施例中，应用于智慧医疗的大数据挖掘评估系统10中的大数据挖掘系统100和智慧医疗线上平台200可以依据配合执行以下方法实施例所描述的应用于智慧医疗的大数据挖掘评估方法，具体大数据挖掘系统100和智慧医疗线上平台200的执行步骤部分可以参照以下方法实施例的详细描述。

在步骤S101中，分别对标的用户的标的医疗行为样本数据和对照用户的对照医疗行为样本数据进行医疗需求分析，获得所述标的医疗行为样本数据中的多个医疗需求定位数据、以及所述对照医疗行为样本数据中的多个医疗需求定位数据。

本实施例中，每个医疗需求定位数据包括至少一个待挖掘的医疗需求，用于反映标的用户和对照用户的医疗需求，例如针对某个疾病类别下的康复训练医疗需求，标的用户和对照用户对应两个不同的医疗用户，通过对标的用户和对照用户进行医疗需求匹配分析，可以便于后续的医疗资源分配，提高医疗资源分配效率。

一些可能的实施方式中，医疗需求决策模型可以通过以下方式实现上述的步骤S101：分别对标的医疗行为样本数据和对照医疗行为样本数据进行医疗需求相关数据的定位，获得标的医疗行为样本数据中的多个参考医疗需求定位数据、以及对照医疗行为样本数据中的多个参考医疗需求定位数据；分别对标的医疗行为样本数据中的多个参考医疗需求定位数据、以及对照医疗行为样本数据中的多个参考医疗需求定位数据进行医疗需求决策（即确定医疗需求定位数据包括的医疗需求的类别的置信度）和回归处理（即确定医疗需求定位数据的定位触发节点），获得标的医疗行为样本数据中包括任意医疗需求类别的医疗需求的多个医疗需求定位数据、以及对照医疗行为样本数据中包括任意医疗需求类别的医疗需求的多个医疗需求定位数据（即针对每个参考医疗需求定位数据，确定参考医疗需求定位数据包括的医疗需求对应不同类别的置信度中的最大置信度，并过滤掉最大置信度小于置信度阈值的参考医疗需求定位数据（即过滤掉未包括待挖掘的医疗需求的参考医疗需求定位数据），将剩余的参考医疗需求定位数据作为标的医疗行为样本数据和对照医疗行为样本数据进行医疗需求分析之后得到的多个医疗需求定位数据）。

需要说明的是，针对对照医疗行为样本数据的医疗需求分析，可以参照标的医疗行为样本数据的医疗需求分析过程实现，本申请实施例在此不再赘述。

在步骤S102中，针对标的医疗行为样本数据和对照医疗行为样本数据，分别进行同一个医疗行为样本数据中不同医疗需求定位数据的需求变量聚合以及不同医疗行为样本数据中不同医疗需求定位数据的需求变量聚合，获得标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的需求变量。

一些可能的实施方式中，步骤S102可以通过步骤S1021和步骤S1022实现。

在步骤S1021中，提取标的医疗行为样本数据中各个医疗需求定位数据的需求变量，并提取对照医疗行为样本数据中各个医疗需求定位数据的需求变量。

一些可能的实施方式中，需求变量提取模型可以通过以下方式提取标的医疗行为样本数据中各个医疗需求定位数据的需求变量：提取标的医疗行为样本数据的第一行为倾向变量；提取标的医疗行为样本数据中各个医疗需求定位数据的第二行为倾向变量；依据标的医疗行为样本数据的第一行为倾向变量以及标的医疗行为样本数据中各个医疗需求定位数据的第二行为倾向变量进行变量联系，将得到的标的医疗行为样本数据中各个医疗需求定位数据的初始需求变量，作为首轮循环处理所调用的标的医疗行为样本数据中各个医疗需求定位数据的需求变量。

例如，假设在步骤S101中对标的医疗行为样本数据进行医疗需求分析之后，获得3个医疗需求定位数据，分别为医疗需求定位数据1、医疗需求定位数据2和医疗需求定位数据3，则可以通过CNN分别提取医疗需求定位数据1、医疗需求定位数据2和医疗需求定位数据3的第二行为倾向变量（例如假设医疗需求定位数据1至医疗需求定位数据3的第二行为倾向变量分别为m1、m2、m3），接着通过CNN（例如残差网络）提取标的医疗行为样本数据的第一行为倾向变量（假设标的医疗行为样本数据的第一行为倾向变量为M），随后可以将每个医疗需求定位数据的第二行为倾向变量与标的医疗行为样本数据的第一行为倾向变量进行变量联系，获得标的医疗行为样本数据中各个医疗需求定位数据的初始需求变量，例如医疗需求定位数据1的初始需求变量为m1+M，医疗需求定位数据2的初始需求变量为m2+M，医疗需求定位数据3的初始需求变量为m3+M。也即，每个医疗需求定位数据的初始需求变量可以仅仅是标的医疗行为样本数据的第一行为倾向变量和医疗需求定位数据的第二行为倾向变量进行连接得到。

在另一些可能的实施方式中，还可以通过以下方式实现上述的依据标的医疗行为样本数据中各个医疗需求定位数据的第二行为倾向变量与标的医疗行为样本数据的第一行为倾向变量进行变量联系：针对标的医疗行为样本数据中的每个医疗需求定位数据，执行如下步骤：提取医疗需求定位数据在标的医疗行为样本数据中的行为触发节点向量；提取医疗需求定位数据包括的待挖掘的医疗需求的医疗需求标签向量；将医疗需求定位数据的第二行为倾向变量、标的医疗行为样本数据的第一行为倾向变量、医疗需求定位数据在标的医疗行为样本数据中的行为触发节点向量、以及医疗需求定位数据包括的待挖掘的医疗需求的医疗需求标签向量进行变量联系，获得医疗需求定位数据的初始需求变量。

例如，假设在步骤S101中对标的医疗行为样本数据进行医疗需求分析之后，获得3个医疗需求定位数据，分别为医疗需求定位数据1、医疗需求定位数据2和医疗需求定位数据3，其中，每个医疗需求定位数据的行为触发节点向量可以通过步骤S101中的回归处理得到，例如假设医疗需求定位数据1在标的医疗行为样本数据中的行为触发节点向量为l1，医疗需求定位数据2在标的医疗行为样本数据中的行为触发节点向量为l2，医疗需求定位数据3在标的医疗行为样本数据中的行为触发节点向量为l3，同时，每个医疗需求定位数据包括的医疗需求的医疗需求标签向量可以通过步骤S101中的医疗需求决策得到（例如可以将最大置信度对应的类别确定为医疗需求定位数据包括的医疗需求的类别，并以独热编码的方式确定类别对应的医疗需求标签向量），例如假设医疗需求定位数据1包括的医疗需求的医疗需求标签向量为o1，医疗需求定位数据2包括的医疗需求的医疗需求标签向量为o2，医疗需求定位数据3包括的医疗需求的医疗需求标签向量为o3，则可以将每个医疗需求定位数据的第二行为倾向变量、标的医疗行为样本数据的第一行为倾向变量、每个医疗需求定位数据在标的医疗行为样本数据中的行为触发节点向量、以及每个医疗需求定位数据包括的医疗需求的医疗需求标签向量进行变量联系，获得每个医疗需求定位数据的初始需求变量，例如医疗需求定位数据1的初始需求变量为m1+M+l1+o1，医疗需求定位数据2的初始需求变量为m2+M+l2+o2，医疗需求定位数据3的初始需求变量为m3+M+l3+o3。也即，每个医疗需求定位数据的初始需求变量还可以是由标的医疗行为样本数据的第一行为倾向变量、医疗需求定位数据的第二行为倾向变量、医疗需求定位数据在标的医疗行为样本数据中的行为触发节点向量、以及医疗需求定位数据包括的医疗需求的医疗需求标签向量进行连接得到，如此，综合考虑了医疗需求定位数据的定位触发节点信息、以及医疗需求定位数据包括的医疗需求的类别信息，能够进一步提高后续医疗需求关联分析时的精度。

在实际实施过程中，也可以在将医疗需求定位数据的第二行为倾向变量与标的医疗行为样本数据的第一行为倾向变量进行连接之后，还可以继续与医疗需求定位数据在标的医疗行为样本数据中的行为触发节点向量和医疗需求定位数据包括的医疗需求的医疗需求标签向量至少之一进行连接，获得医疗需求定位数据的初始需求变量（例如以医疗需求定位数据1为例，医疗需求定位数据1的初始需求变量还可以是m1+M+l1，或者m1+M+o1），此外针对对照医疗行为样本数据，可以参照标的医疗行为样本数据的处理方式得到对照医疗行为样本数据中各个医疗需求定位数据的初始需求变量，本申请实施例在此不再赘述。

在步骤S1022中，循环执行如下步骤：将标的医疗行为样本数据中各个医疗需求定位数据的需求变量与标的医疗行为样本数据中其它医疗需求定位数据的需求变量进行特征聚合，获得标的医疗行为样本数据中各个医疗需求定位数据的聚合需求变量，并将对照医疗行为样本数据中各个医疗需求定位数据的需求变量与对照医疗行为样本数据中其它医疗需求定位数据的需求变量进行特征聚合，获得对照医疗行为样本数据中各个医疗需求定位数据的聚合需求变量；将标的医疗行为样本数据中各个医疗需求定位数据的聚合需求变量与对照医疗行为样本数据中各个医疗需求定位数据的聚合需求变量进行特征聚合，获得标的医疗行为样本数据中各个医疗需求定位数据的再次聚合需求变量，并将对照医疗行为样本数据中各个医疗需求定位数据的聚合需求变量与标的医疗行为样本数据中各个医疗需求定位数据的聚合需求变量进行特征聚合，获得对照医疗行为样本数据中各个医疗需求定位数据的再次聚合需求变量。

这里，循环处理的次数为至少一次，且首轮循环处理所调用的标的医疗行为样本数据中各个医疗需求定位数据的需求变量，是从标的医疗行为样本数据中各个医疗需求定位数据提取获得的初始需求变量，首轮循环处理所调用的对照医疗行为样本数据中各个医疗需求定位数据的需求变量，是从对照医疗行为样本数据中各个医疗需求定位数据提取获得的初始需求变量；首轮循环处理后续的循环处理所调用的标的医疗行为样本数据中各个医疗需求定位数据的需求变量是从前一轮循环处理后聚合需求变量（例如第二次循环处理所调用的标的医疗行为样本数据中各个医疗需求定位数据的需求变量是首轮循环处理后聚合需求变量，第三次循环处理所调用的标的医疗行为样本数据中各个医疗需求定位数据的需求变量是第二次循环处理后再次聚合需求变量，以此类推），首轮循环处理后续循环处理所调用的对照医疗行为样本数据中各个医疗需求定位数据的需求变量是从前一轮循环处理后聚合需求变量（例如第二次循环处理所调用的对照医疗行为样本数据中各个医疗需求定位数据的需求变量是首轮循环处理后聚合需求变量，第三次循环处理所调用的对照医疗行为样本数据中各个医疗需求定位数据的需求变量是第二次循环处理后再次聚合需求变量，以此类推）。

一些可能的实施方式中，特征聚合模型可以通过以下方式实现上述的将标的医疗行为样本数据中各个医疗需求定位数据的需求变量与标的医疗行为样本数据中其它医疗需求定位数据的需求变量进行特征聚合：针对标的医疗行为样本数据中的每个医疗需求定位数据，执行如下步骤：对医疗需求定位数据的需求变量进行知识向量挖掘，获得对应的一个基础知识向量和一个扩展知识向量；依据医疗需求定位数据对应的基础知识向量和扩展知识向量、以及标的医疗行为样本数据中其它医疗需求定位数据对应的基础知识向量和扩展知识向量，对医疗需求定位数据的需求变量和标的医疗行为样本数据中其它医疗需求定位数据的需求变量进行加权聚合，并将加权聚合变量与历史相关需求变量进行聚合，获得医疗需求定位数据的聚合需求变量。

例如，可以通过以下方式实现上述的依据医疗需求定位数据对应的基础知识向量和扩展知识向量、以及标的医疗行为样本数据中其它医疗需求定位数据对应的基础知识向量和扩展知识向量，对医疗需求定位数据的需求变量和标的医疗行为样本数据中其它医疗需求定位数据的需求变量进行加权聚合：依据医疗需求定位数据对应的基础知识向量和扩展知识向量、以及标的医疗行为样本数据中其它医疗需求定位数据对应的基础知识向量和扩展知识向量调用依据频繁项关注模板（频繁项关注模板的原理是计算扩展知识向量与每个基础知识向量之间的关注频繁项以获得频繁项参数）的频繁度输出，获得医疗需求定位数据、以及标的医疗行为样本数据中其它医疗需求定位数据分别对应的频繁项参数；依据医疗需求定位数据、以及标的医疗行为样本数据中其它医疗需求定位数据分别对应的频繁项参数，对医疗需求定位数据的需求变量和标的医疗行为样本数据中其它医疗需求定位数据的需求变量进行加权聚合。

例如，假设在步骤S101中对标的医疗行为样本数据进行医疗需求分析之后，获得3个医疗需求定位数据，分别为医疗需求定位数据1、医疗需求定位数据2和医疗需求定位数据3，且在经过步骤S1021的需求变量提取和变量联系之后，可以得到这3个医疗需求定位数据的需求变量分别为：x1、x2和x3，例如x1=m1+M、x2= m2+M、x3= m3+M，即每个医疗需求定位数据的需求变量由医疗需求定位数据的第二行为倾向变量和标的医疗行为样本数据的第一行为倾向变量连接得到，接着针对每个医疗需求定位数据，对医疗需求定位数据的需求变量进行知识向量挖掘，获得对应的一个基础知识向量和一个扩展知识向量，例如对于医疗需求定位数据1，在对医疗需求定位数据1的需求变量x1进行知识向量挖掘之后，可以得到对应的一个基础知识向量k1和一个扩展知识向量q1，相对应地，对医疗需求定位数据2的需求变量x2进行知识向量挖掘之后，可以得到医疗需求定位数据2对应的一个基础知识向量k2和一个扩展知识向量q2，同理，可以得到医疗需求定位数据3对应的一个基础知识向量k3和一个扩展知识向量q3。在得到3个医疗需求定位数据分别对应的基础知识向量和扩展知识向量之后，可以调用自注意力卷积层对这3个医疗需求定位数据分别对应的基础知识向量和扩展知识向量进行依据频繁项关注模板的频繁度输出，获得这3个医疗需求定位数据分别对应的频繁项参数，例如分别为a1、a2和a3，其中，a1是医疗需求定位数据1对应的频繁项参数，a2是医疗需求定位数据2对应的频繁项参数，a3是医疗需求定位数据3对应的频繁项参数，例如以医疗需求定位数据1为例，可以依据医疗需求定位数据1、以及医疗需求定位数据2和医疗需求定位数据3分别对应的频繁项参数，对医疗需求定位数据1的需求变量和医疗需求定位数据2和医疗需求定位数据3的需求变量进行加权聚合，并将加权聚合变量与历史相关需求变量b1进行聚合，获得医疗需求定位数据1的聚合需求变量x11，具体公式如下：

x11=a1* x1+a2* x2+a3* x3+b1

其中，可以采用与医疗需求定位数据1相同的处理方式得到标的医疗行为样本数据中其它医疗需求定位数据（例如医疗需求定位数据2和医疗需求定位数据3）的聚合需求变量，本申请实施例在此不再赘述。此外，还需要说明的是，在实际应用中，除了可以调用以上频繁项关注模板对医疗需求定位数据对应的基础知识向量和扩展知识向量、以及标的医疗行为样本数据中其它医疗需求定位数据对应的基础知识向量和扩展知识向量进行依据频繁项关注模板的频繁度输出之外，还可以采用LSTM或者GRU对医疗需求定位数据对应的基础知识向量和扩展知识向量、以及标的医疗行为样本数据中其它医疗需求定位数据对应的基础知识向量和扩展知识向量进行频繁度输出，获得医疗需求定位数据、以及标的医疗行为样本数据中其它医疗需求定位数据分别对应的频繁项参数。

在步骤S103中，依据标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的需求变量，确定标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据的需求关联值。

一些可能的实施方式中，步骤S103可以通过步骤S1031至步骤S1032实现。

在步骤S1031中，依据标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的需求变量，生成不同医疗行为样本数据中不同医疗需求定位数据之间的需求关联值阵列。

一些可能的实施方式中，在依据步骤S102得到标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的需求变量之后，可以通过需求关联值计算层依据标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的需求变量，生成不同医疗行为样本数据中不同医疗需求定位数据之间的需求关联值阵列。例如可以计算标的医疗行为样本数据中各个医疗需求定位数据的需求变量与对照医疗行为样本数据中各个医疗需求定位数据的需求变量之间的变量内积，并将计算结果确定为两个医疗需求定位数据之间的需求关联值，并依据多个需求关联值生成不同医疗行为样本数据中不同医疗需求定位数据之间的需求关联值阵列。

在另一些可能的实施方式中，还可以通过以下方式生成需求关联值阵列：依据标的医疗行为样本数据中各个医疗需求定位数据的初始需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的初始需求变量，生成不同医疗行为样本数据中不同医疗需求定位数据之间的需求关联值阵列。例如在依据步骤S101分别对标的医疗行为样本数据和对照医疗行为样本数据进行医疗需求分析，获得标的医疗行为样本数据中的多个医疗需求定位数据、以及对照医疗行为样本数据中的多个医疗需求定位数据之后，对标的医疗行为样本数据中各个医疗需求定位数据的第二行为倾向变量与标的医疗行为样本数据的第一行为倾向变量进行变量联系，获得标的医疗行为样本数据中各个医疗需求定位数据的初始需求变量，以及对对照医疗行为样本数据中各个医疗需求定位数据的第二行为倾向变量与对照医疗行为样本数据的第一行为倾向变量进行变量联系，获得对照医疗行为样本数据中各个医疗需求定位数据的初始需求变量，随后直接依据标的医疗行为样本数据中各个医疗需求定位数据的初始需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的初始需求变量，确定标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据的需求关联值。例如计算标的医疗行为样本数据中各个医疗需求定位数据的初始需求变量与对照医疗行为样本数据中各个医疗需求定位数据的初始需求变量之间的变量内积，并将计算结果确定为两个医疗需求定位数据之间的需求关联值。

在步骤S1032中，从需求关联值阵列中遍历解析不同阵列成员。

这里，不同阵列成员表征对应于不同医疗行为样本数据的两个医疗需求定位数据之间的需求关联值。

一些可能的实施方式中，假设在步骤S101中对标的医疗行为样本数据进行医疗需求分析之后，获得3个医疗需求定位数据，分别为医疗需求定位数据1、医疗需求定位数据2和医疗需求定位数据3，对对照医疗行为样本数据进行医疗需求分析之后，也得到3个医疗需求定位数据，分别为医疗需求定位数据4、医疗需求定位数据5和医疗需求定位数据6，且在经过步骤S102的需求变量聚合之后，获得标的医疗行为样本数据中3个医疗需求定位数据的需求变量分别为t1、t2和t3，相对应地，获得对照医疗行为样本数据中3个医疗需求定位数据的需求变量分别为t4、t5和t6，接着可以计算标的医疗行为样本数据中各个医疗需求定位数据的需求变量与对照医疗行为样本数据中各个医疗需求定位数据的需求变量之间的变量内积，并将计算结果确定为两个医疗需求定位数据之间的需求关联值，并依据需求关联值生成出如下的需求关联值阵列：

其中，表示标的医疗行为样本数据中的医疗需求定位数据1与对照医疗行为样本数据中的医疗需求定位数据4之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据1与对照医疗行为样本数据中的医疗需求定位数据5之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据1与对照医疗行为样本数据中的医疗需求定位数据6之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据2与对照医疗行为样本数据中的医疗需求定位数据4之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据2与对照医疗行为样本数据中的医疗需求定位数据5之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据2与对照医疗行为样本数据中的医疗需求定位数据6之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据3与对照医疗行为样本数据中的医疗需求定位数据4之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据3与对照医疗行为样本数据中的医疗需求定位数据5之间的需求关联值，表示标的医疗行为样本数据中的医疗需求定位数据3与对照医疗行为样本数据中的医疗需求定位数据6之间的需求关联值。

在另一些可能的实施方式中，在生成不同医疗行为样本数据中不同医疗需求定位数据之间的需求关联值阵列之后，且当标的医疗行为样本数据包括的医疗需求定位数据的数据片段量与对照医疗行为样本数据包括的医疗需求定位数据的数据片段量不同时，还可以执行如下步骤：在需求关联值阵列中生成作为空白单元的阵列成员；将仅在标的医疗行为样本数据或对照医疗行为样本数据中出现的医疗需求定位数据的需求变量加载到空白单元中，获得更新的需求关联值阵列；对更新的需求关联值阵列中的每一阵列成员循环进行规则化转换，并移除空白单元，获得再次更新的需求关联值阵列。

例如，假设在步骤S101中对标的医疗行为样本数据进行医疗需求分析之后，获得3个医疗需求定位数据，分别为医疗需求定位数据1、医疗需求定位数据2和医疗需求定位数据3，对对照医疗行为样本数据进行医疗需求分析之后，获得2个医疗需求定位数据，分别为医疗需求定位数据4和医疗需求定位数据5，即标的医疗行为样本数据包括的医疗需求定位数据的数据片段量与对照医疗行为样本数据包括的医疗需求定位数据的数据片段量不同，则在生成标的医疗行为样本数据和对照医疗行为样本数据之间的需求关联值阵列之后，可以在需求关联值阵列中生成阵列成员，作为空白单元，并将标的医疗行为样本数据包括的医疗需求定位数据3的需求变量填入空白单元中，获得更新的需求关联值阵列，随后可以采用最优传输-Sinkhorn算法对更新后的需求关联值阵列中的每一阵列成员循环的进行规则化转换，并移除新增的空白单元，获得再次更新的需求关联值阵列。

一些可能的实施方式中，以医疗服务分配业务为例（即标的医疗行为样本数据是对医疗服务分配业务进行医疗行为样本数据采集得到的医疗行为样本数据，对照医疗行为样本数据是从在过往历史数据中获取的同一医疗服务分配业务的医疗行为样本数据），在依据步骤S103得到标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据的需求关联值之后，还可以执行如下步骤：确定标的医疗行为样本数据中与对照医疗行为样本数据中需求关联值大于预设需求关联值的医疗需求定位数据的数据片段量；当数据片段量大于预设片段量时，确定标的医疗行为样本数据与对照医疗行为样本数据包括相同的医疗业务对象，并将过往历史数据中的对照医疗行为样本数据更新为标的医疗行为样本数据。

在步骤S104中，基于需求关联值生成医疗需求关联信息。

这里，医疗需求关联信息表征标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据是否包括相关联的医疗需求。

一些可能的实施方式中，当标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据之间的需求关联值大于预设需求关联值时，确定这两个医疗需求定位数据包括的医疗需求是同一个医疗需求；当标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据之间的需求关联值小于预设需求关联值时，确定这两个医疗需求定位数据包括的医疗需求不是同一个医疗需求。

基于以上步骤，针对标的医疗行为样本数据和对照医疗行为样本数据，通过分别进行同一个医疗行为样本数据中不同医疗需求定位数据的需求变量聚合以及不同医疗行为样本数据中不同医疗需求定位数据的需求变量聚合，不仅可以提高后续的医疗需求关联分析效率，而且可以使得每个医疗需求定位数据的需求变量可以充分融合标的医疗行为样本数据和对照医疗行为样本数据的深度特征信息，从而可以提取到医疗行为样本数据中的长跨度变量，以便于之后依据标的医疗行为样本数据中各个医疗需求定位数据的需求变量以及对照医疗行为样本数据中各个医疗需求定位数据的需求变量，确定标的医疗行为样本数据中任意一个医疗需求定位数据与对照医疗行为样本数据中任意一个医疗需求定位数据的需求关联值时，提高医疗行为样本数据中医疗需求匹配准确性。

一些可能的实施方式中，在以上实施例的基础上，本申请实施例还可以包括以下步骤。

步骤S105，根据每个标的用户和对应的对照用户的用户需求分组评估信息，将存在相关联的医疗需求的标的用户和对应的对照用户添加到同一医疗需求用户组中。

步骤S106，针对每个医疗需求用户组，依据对应医疗需求的医疗资源分配策略，对所述医疗需求用户组中的每个用户分配对应的医疗资源，其中，所述医疗资源包括医疗科普推送内容。

步骤S107，获取所述医疗需求用户组针对分配的所述医疗资源的资源反馈信息，并依据所述资源反馈信息对所述医疗资源分配策略进行更新优化。

其中，步骤S107可以通过以下示例性的步骤实现。

步骤S1、依据所述资源反馈信息获得对应的兴趣点触发活动数据。

步骤S2、将兴趣点触发活动数据加载到第一关注意图决策模型，输出兴趣点触发活动数据的第一关注意图变量。

一些可能的实施方式中，第一关注意图变量为与预设的多个医疗资源分配倾向匹配的兴趣点触发倾向变量。

一些可能的实施方式中，可以将兴趣点触发活动数据加载到到第一关注意图决策模型中，所述第一关注意图决策模型可从兴趣点触发活动数据中提取到的各个兴趣点触发倾向变量，以并从从兴趣点触发活动数据的各种类型的兴趣点触发倾向变量中获得与在先预设的多个医疗资源分配倾向匹配的兴趣点触发倾向变量，作为兴趣点触发活动数据的第一关注意图变量。

一些可能的实施方式中，每轮可以加载一个响应事件搜集任务响应事件搜集的兴趣点触发活动数据，也可以一次加载到多个响应事件搜集任务响应事件搜集的兴趣点触发活动数据进行分析，此处不具体限定。

步骤S3、确定第一关注意图变量与医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据的第二关注意图变量之间的变量匹配信息，输出兴趣点触发活动数据与医疗资源分配倾向簇中的各医疗资源分配倾向对应的偏向概率值。

一些可能的实施方式中，所述认证兴趣点触发活动数据可以是在先预设的关键兴趣点触发活动数据，用于作为识别关注意图变量的依据。第二关注意图变量为与认证兴趣点触发活动数据包括的医疗资源分配倾向匹配的兴趣点触发倾向变量。

例如，可预先确定多个医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据的第二关注意图变量，并且该医疗资源分配倾向簇中包括了兴趣点触发活动数据包括的医疗资源分配倾向，每个医疗资源分配倾向的认证兴趣点触发活动数据的第二关注意图变量为与该医疗资源分配倾向的认证兴趣点触发活动数据包括的医疗资源分配倾向匹配的兴趣点触发倾向变量。如此，可以分析得到兴趣点触发活动数据的第一关注意图变量与医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据的每个第二关注意图变量之间的变量匹配信息（如关联度），然后相应得到与医疗资源分配倾向簇中的各医疗资源分配倾向对应的偏向概率值。

步骤S4、依据所述偏向概率值，从医疗资源分配倾向簇中获得兴趣点触发活动数据包括的各个医疗资源分配倾向对应的策略优化信息。

步骤S5，依据所述各个医疗资源分配倾向对应的策略优化信息对所述医疗资源分配策略进行更新优化。

一些可能的实施方式中，每个医疗资源分配倾向的认证兴趣点触发活动数据还可以包括非关注意图变量；每个医疗资源分配倾向的认证兴趣点触发活动数据的非关注意图变量可以是包含于各个医疗资源分配倾向簇的各认证兴趣点触发活动数据中，且与该认证兴趣点触发活动数据包括的医疗资源分配倾向不相关的兴趣点触发倾向变量。

一些可能的实施方式中，上述S2中的第一关注意图决策模型包括：第一关注意图变量解析分支和第一关注意图决策分支。第一关注意图决策分支可以依据医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据的第二关注意图变量和非关注意图变量进行模型开发优化获得的。

一些可能的实施方式中，以上方法还可以包括预先对所述第一关注意图决策模型进行模型开发优化的步骤，具体包括下述的步骤S11-S12的内容。

步骤S11、将每个医疗资源分配倾向的认证兴趣点触发活动数据的第二关注意图变量确定为第一模型开发样本数据，将每个医疗资源分配倾向的认证兴趣点触发活动数据的非关注意图变量确定为第二模型开发样本数据。

步骤S12、依据第一模型开发样本数据和第二模型开发样本数据对第一关注意图决策分支进行权重更新，输出权重更新后的第一关注意图决策分支。

其中，所述第一模型开发样本数据可以是指正样本数据，第二模型开发样本数据可以是指负样本数据。

由此，输出所述兴趣点触发活动数据的第一关注意图变量的方式例如可以通过以下实施方式实现：首先，将兴趣点触发活动数据加载到第一关注意图变量解析分支，输出兴趣点触发活动数据的第一兴趣点触发倾向变量，然后将第一兴趣点触发倾向变量加载到权重更新后的第一关注意图决策分支，输出兴趣点触发活动数据的第一关注意图变量。

一些可能的实施方式中，可在采用网络收敛获得的网络参数对第一关注意图决策分支进行调整后，再将兴趣点触发活动数据的第一兴趣点触发倾向变量加载到到调整后的第一关注意图决策分支中，以对兴趣点触发活动数据的第一兴趣点触发倾向变量中的关注意图变量和非关注意图变量进行分析，进而得到第一兴趣点触发倾向变量中的关注意图变量，作为第一关注意图变量。

一些可能的实施方式中，可以将所述第一兴趣点触发倾向变量加载到所述权重更新后的第一关注意图决策分支，输出所述第一兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的关注意图热力决策数据；然后，依据所述第一兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的关注意图热力决策数据，从所述第一兴趣点触发倾向变量中获得关注意图热力决策数据匹配预设关注意图热力决策数据的兴趣点触发倾向变量，作为所述兴趣点触发活动数据的所述第一关注意图变量。

一些可能的实施方式中，第一关注意图变量可以包括多个，第二关注意图变量也可以包括多个。如此，上述 S3可以包括下述的步骤S310和步骤S320。

步骤S310、确定第一目标关注意图变量与每个医疗资源分配倾向的第二目标关注意图变量之间的变量匹配信息，输出第一偏向概率值；第一目标关注意图变量为多个第一关注意图变量中的一种；第二目标关注意图变量为多个第二关注意图变量中的一种。

步骤，S320、将第一偏向概率值，确定为兴趣点触发活动数据与医疗资源分配倾向簇中的各医疗资源分配倾向对应的所述偏向概率值。

其中，所述第一目标关注意图变量可以是兴趣点触发活动数据的多个第一关注意图变量的其中一个，第二目标关注意图变量也可以是每个医疗资源分配倾向的多个第二关注意图变量中的其中一个。

一些可能的实施方式中，针对医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据，可以计算第一目标关注意图变量，与该认证兴趣点触发活动数据的第二目标关注意图变量之间的皮尔森相关性系数，作为兴趣点触发活动数据与医疗资源分配倾向簇中的各医疗资源分配倾向所对应的偏向概率值，如此可以加快对兴趣点触发活动数据的挖掘效率。

一些可能的实施方式中，所述步骤S3还可以包括下述的步骤S311和S331：

步骤S311、确定每个第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量之间的变量匹配信息，分别得到多个第二偏向概率值。

步骤S321、依据多个第二偏向概率值中依据由大到小的顺序位于设定数量区间的多个第二偏向概率值，输出每个第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量的第三偏向概率值。

一些可能的实施方式中，可以将多个偏向概率值中依据由大到小的顺序位于设定数量区间的多个偏向概率值的加权偏向概率值，输出目标偏向概率值；将目标偏向概率值与多个偏向概率值所对应的第一关注意图变量的一个关注意图热力决策数据之间的融合信息，作为每个第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量的第三偏向概率值。

一些可能的实施方式中，所述第一关注意图变量可以涵盖有对应的关注意图热力决策数据。如此，可以先确定所述多个偏向概率值中依据由大到小的顺序位于设定数量区间的多个偏向概率值的加权偏向概率值，输出目标偏向概率值，然后将所述目标偏向概率值与所述多个偏向概率值所对应的第一关注意图变量涵盖的关注意图热力决策数据之间的融合信息，作为每个所述第一关注意图变量与每个医疗资源分配倾向的各所述第二关注意图变量的所述第三偏向概率值。

S331、依据所有第一关注意图变量的第三偏向概率值的加权偏向概率值，确定兴趣点触发活动数据与医疗资源分配倾向簇中的各医疗资源分配倾向对应的所述偏向概率值。其中，所述加权偏向概率值可以是对应的各系数之和。

一些可能的实施方式中，第二关注意图变量和非关注意图变量可以在上述的步骤S12之前而获得具体包括下述内容。

（1）将医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据加载到第二关注意图决策模型，输出每个医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量，以及每个医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员。

（2）依据每个医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员，确定第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标。

一些可能的实施方式中，所述倾向变量成员可以包括循环训练变量和训练变量卷积信息。依据此，所述模型开发评价指标的确定方式如下：依据每个医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中，每个兴趣点触发倾向变量所对应的循环训练变量和训练变量卷积信息之间的融合信息，输出第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的模型开发评价指标。例如，可以依据预设加权系数计算每个兴趣点触发倾向变量所对应的循环训练变量和训练变量卷积信息之间的融合信息，输出第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的模型开发评价指标。

（3）依据所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标，从每个医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中，获得第二关注意图变量和非关注意图变量。

一些可能的实施方式中，在获得第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标后，可以依据第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标，从第二兴趣点触发倾向变量中，获得模型开发评价指标满足预设要求的兴趣点触发倾向变量；将模型开发评价指标满足预设要求的兴趣点触发倾向变量，确定为第二关注意图变量，将第二兴趣点触发倾向变量中其他的兴趣点触发倾向变量确定为非关注意图变量。

一些可能的实施方式中，所述第二关注意图决策模型包括第二关注意图变量解析分支和第二关注意图决策分支。所述将所述医疗资源分配倾向簇中的各医疗资源分配倾向的认证兴趣点触发活动数据加载到第二关注意图决策模型，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量，以及每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员，包括下述（11）和（12）的内容。

（11）将每个所述医疗资源分配倾向的认证兴趣点触发活动数据加载到所述第二关注意图变量解析分支，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的所述第二兴趣点触发倾向变量。

（12）采用所述医疗资源分配倾向簇中各个医疗资源分配倾向的认证兴趣点触发活动数据的所述第二兴趣点触发倾向变量，对所述第二关注意图决策分支进行预设数量次权重更新，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员。

详细地，在步骤（12）中，可将所述医疗资源分配倾向簇中各个医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量，以及每个所述兴趣点触发倾向变量所对应的初始循环训练变量，加载到所述第二关注意图决策分支，对所述第二关注意图决策分支进行预设数量次权重更新，输出每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的目标循环训练变量，以及与所述目标循环训练变量对应的训练变量卷积信息；然后，将每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的目标循环训练变量，以及与所述目标循环训练变量对应的训练变量卷积信息，作为每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员。

一些可能的实施方式中，所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的所述目标循环训练变量，以及与所述目标循环训练变量对应的所述训练变量卷积信息分别包括：预设数量次权重更新进程中，所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的每轮权重更新结束后得到的目标循环训练变量，以及与所述目标循环训练变量对应的训练变量卷积信息。

依据此，所述依据每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的倾向变量成员，确定所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量的模型开发评价指标，例如可以通过以下实施方式实现：确定每个所述医疗资源分配倾向的认证兴趣点触发活动数据的第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的每轮权重更新结束后得到的所述目标循环训练变量和与所述目标循环训练变量对应的所述训练变量卷积信息之间的融合信息，输出i个部分模型开发评价指标； 其中，i为权重更新总次数，所述部分模型开发评价指标为每轮权重更新进程对应的模型开发评价指标；然后，将所述i个部分模型开发评价指标的综合模型开发评价指标，确定为所述第二兴趣点触发倾向变量中的各兴趣点触发倾向变量所对应的模型开发评价指标。其中，所述综合模型开发评价指标可以是各个部分模型开发评价指标对应的加权评估信息。

一种可依据独立构思的实施例中，该大数据挖掘系统100可以包括：处理器101和机器可读存储介质102。其中，所述机器可读存储介质102用于存储支持该大数据挖掘系统100执行上述前述任意一种实施例中提供的应用于智慧医疗的大数据挖掘评估方法的程序，所述处理器101被配置为用于执行所述机器可读存储介质102中存储的程序。

所述程序包括一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器101执行时能够实现前述任意一种实施例中的全部或部分步骤。

其中，所述大数据挖掘系统100的架构中还可以包括通信单元103，用于该大数据挖掘系统100与其它设备或系统通信（例如智慧医疗线上平台200）。

另外，本申请实施例提供了一种计算机存储介质，用于储存上述大数据挖掘系统100所用的计算机软件指令，其包含用于执行上述前述任意一种方法实施例中应用于智慧医疗的大数据挖掘评估方法所涉及的程序。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。