(12)发明专利申请
(10)申请公布号 CN 114627992 A(43)申请公布日 2022.06.14
(21)申请号 202210221655.6(22)申请日 2022.03.07
(71)申请人 杨春杰
地址 400799 重庆市北碚区水土高新园云
汉大道117号两江国际云计算中心1012室(72)发明人 杨春杰
(74)专利代理机构 北京恒和顿知识产权代理有
限公司 11014
专利代理师 林涛(51)Int.Cl.
G16H 10/60(2018.01)G16H 80/00(2018.01)G06V 20/40(2022.01)
权利要求书3页 说明书21页 附图2页
CN 114627992 A(54)发明名称
应用于数字化医疗的服务资源处理方法及智慧医疗服务器(57)摘要
本申请的应用于数字化医疗的服务资源处理方法及智慧医疗服务器，根据本申请，基于服务资源分配指向者和就诊项目参与者的互动特征信息以及可视化医疗服务的自有特征信息来确定服务资源分配指向者针对就诊往来记录的服务咨询热度，进而根据服务咨询热度对就诊往来记录进行输出，使得输出的就诊往来记录的优先级情况满足服务资源分配指向者的差异性医疗服务需求，相较于常规技术中根据单一的、片面的判断标准对就诊往来记录进行调整，能够提高就诊往来记录对应的服务资源分配准确性，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。
CN 114627992 A
权 利 要 求 书
1/3页
1.一种应用于数字化医疗的服务资源处理方法，其特征在于，应用于智慧医疗服务器，所述方法包括：
获取针对可视化医疗服务的多个就诊往来记录；
基于所述可视化医疗服务的服务资源分配指向者和就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述可视化医疗服务的就诊服务询问描述；
基于所述就诊服务询问描述和所述可视化医疗服务的多样化描述进行整合处理，得到全局性描述；
基于所述全局性描述确定所述服务资源分配指向者针对所述每个就诊往来记录的服务咨询热度；
基于所述服务咨询热度对所述多个就诊往来记录进行调整，并基于调整结果输出所述多个就诊往来记录。
2.根据权利要求1所述的方法，其特征在于，所述基于所述可视化医疗服务的服务资源分配指向者和就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述可视化医疗服务的就诊服务询问描述，包括：
针对所述每个就诊往来记录实施如下步骤：
将所述就诊项目参与者的差异化偏好中的视觉感官信息和所述就诊往来记录中的视觉感官信息进行融合处理，并对所述融合处理得到的视觉感官信息进行关键内容识别，以获得所述就诊往来记录的视觉感官关键内容；
对所述服务资源分配指向者的差异化偏好中的视觉感官信息进行关键内容识别，以获得所述服务资源分配指向者的使用者描述；
将所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使用者描述进行整合处理，以获得所述可视化医疗服务的就诊服务询问描述；
相应的，所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使用者描述是通过同一个机器学习模型提取的；所述将所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使用者描述进行整合处理，以获得所述可视化医疗服务的就诊服务询问描述，包括：
通过所述机器学习模型，确定所述就诊往来记录的视觉感官关键内容的局部聚焦影响程度和所述服务资源分配指向者的使用者描述的局部聚焦影响程度，并根据所述就诊往来记录的视觉感官关键内容的局部聚焦影响程度和所述服务资源分配指向者的使用者描述的局部聚焦影响程度，对所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使用者描述进行整体性合并，以获得所述可视化医疗服务的就诊服务询问描述。
3.根据权利要求1所述的方法，其特征在于，所述基于所述就诊服务询问描述和所述可视化医疗服务的多样化描述进行整合处理，得到全局性描述，包括：
对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗服务的视觉感官关键内容、听觉感官关键内容和融合感官关键内容；
将所述视觉感官关键内容、所述听觉感官关键内容和所述融合感官关键内容进行整合处理，以获得所述可视化医疗服务的多样化描述；
将所述就诊服务询问描述和所述可视化医疗服务的多样化描述进行融合处理，以获得
2
CN 114627992 A
权 利 要 求 书
2/3页
所述全局性描述；
相应的，所述对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗服务的视觉感官关键内容、听觉感官关键内容和融合感官关键内容，包括：
从所述可视化医疗服务中提取视觉感官信息，对所述视觉感官信息进行关键内容识别，以获得所述可视化医疗服务的视觉感官关键内容，其中，所述视觉感官信息包括以下至少之一：主题关键词、流动性评论、背景视觉感官信息、类别、区分标识；
从所述可视化医疗服务中提取多个听觉感官信息片段，并对所述多个听觉感官信息片段进行关键内容识别，以获得与所述多个听觉感官信息片段一一对应的多个听觉感官信息片段描述，将所述多个听觉感官信息片段描述进行整合处理，以获得所述可视化医疗服务的听觉感官关键内容；
从所述可视化医疗服务中提取多个融合感官信息片段，并对所述多个融合感官信息片段进行关键内容识别，以获得与所述多个融合感官信息片段一一对应的多个融合感官信息片段描述，将所述多个融合感官信息片段描述进行整合处理，以获得所述可视化医疗服务的融合感官关键内容。
4.根据权利要求1所述的方法，其特征在于，所述基于所述全局性描述确定所述服务资源分配指向者针对所述每个就诊往来记录的服务咨询热度，包括：
针对所述每个就诊往来记录实施如下步骤：将所述全局性描述转换为所述就诊往来记录对应不同的就诊交互类别的服务咨询热度；其中，所述就诊交互类别包括以下至少之一：积极性评价、推荐性操作、反馈性互动、持续性关注；
相应的，所述基于所述服务咨询热度对所述多个就诊往来记录进行调整，并基于调整结果输出所述多个就诊往来记录，包括：
将所述每个就诊往来记录对应不同的就诊交互类别的服务咨询热度进行整体性合并，以获得所述每个就诊往来记录的量化调整评价；
根据所述量化调整评价对所述多个就诊往来记录进行由大到小或由小到大地调整，并根据调整结果输出所述多个就诊往来记录中的至少部分就诊往来记录。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗服务的多样化描述；
基于所述就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述每个就诊往来记录的视觉感官关键内容；
基于所述可视化医疗服务的多样化描述和所述每个就诊往来记录的视觉感官关键内容，确定所述每个就诊往来记录与所述可视化医疗服务之间的关联程度；
所述基于所述服务咨询热度对所述多个就诊往来记录进行调整，包括：
将所述每个就诊往来记录对应的所述服务咨询热度和所述关联程度进行整体性合并，以获得所述每个就诊往来记录的量化调整评价；
根据所述量化调整评价对所述多个就诊往来记录进行由大到小或由小到大地调整。6.根据权利要求5所述的方法，其特征在于，所述基于所述就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述每个就诊往来记录的视觉感官关键内容，包括：
3
CN 114627992 A
权 利 要 求 书
3/3页
根据所述就诊项目参与者所关注的可视化医疗服务，生成所述就诊项目参与者的差异化偏好；针对所述每个就诊往来记录实施如下步骤：
将所述就诊项目参与者的差异化偏好中的视觉感官信息和所述就诊往来记录中的视觉感官信息进行融合处理，并对所述融合处理得到的视觉感官信息进行关键内容识别，以获得所述就诊往来记录的视觉感官关键内容。
7.根据权利要求5所述的方法，其特征在于，所述基于所述可视化医疗服务的多样化描述和所述每个就诊往来记录的视觉感官关键内容，确定所述每个就诊往来记录与所述可视化医疗服务之间的关联程度，包括：
针对所述每个就诊往来记录实施如下步骤：
将所述多样化描述和所述就诊往来记录的视觉感官关键内容进行整合处理，以获得关联程度全局性描述；将所述关联程度全局性描述转换为分别对应于不同的备选关联程度的可能性，将最大可能性所对应的备选关联程度确定为所述就诊往来记录与所述可视化医疗服务之间的关联程度。
8.根据权利要求5所述的方法，其特征在于，所述对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗服务的多样化描述，包括：
从所述可视化医疗服务中提取视觉感官信息，对所述视觉感官信息进行关键内容识别，以获得所述可视化医疗服务的视觉感官关键内容，其中，所述视觉感官信息包括以下至少之一：主题关键词、流动性评论、背景视觉感官信息、类别、区分标识；
从所述可视化医疗服务中提取多个听觉感官信息片段，并对所述多个听觉感官信息片段进行关键内容识别，以获得与所述多个听觉感官信息片段一一对应的多个听觉感官信息片段描述，将所述多个听觉感官信息片段描述进行整合处理，以获得所述可视化医疗服务的听觉感官关键内容；
从所述可视化医疗服务中提取多个融合感官信息片段，并对所述多个融合感官信息片段进行关键内容识别，以获得与所述多个融合感官信息片段一一对应的多个融合感官信息片段描述，将所述多个融合感官信息片段描述进行整合处理，以获得所述可视化医疗服务的融合感官关键内容；
将所述视觉感官关键内容、所述听觉感官关键内容和所述融合感官关键内容进行整合处理，以获得所述可视化医疗服务的多样化描述。
9.根据权利要求5所述的方法，其特征在于，所述方法还包括：确定所述每个就诊往来记录的就诊交互情绪信息；基于所述每个就诊往来记录的就诊交互状态、以及所述就诊项目参与者的就诊交互状态，确定所述每个就诊往来记录的受关注信息；
所述将所述每个就诊往来记录对应的所述服务咨询热度和所述关联程度进行整体性合并，以获得所述每个就诊往来记录的量化调整评价，包括：将所述每个就诊往来记录对应的所述就诊交互情绪信息、所述关联程度、所述服务咨询热度、以及所述受关注信息进行整体性合并，以获得所述每个就诊往来记录的量化调整评价。
10.一种智慧医疗服务器，其特征在于，包括：存储器，用于存储可执行的指令；处理器，用于根据所述可执行的指令的控制，运行所述智慧医疗服务器执行如权利要求1‑9任一项所述的方法。
4
CN 114627992 A
说 明 书
1/21页
应用于数字化医疗的服务资源处理方法及智慧医疗服务器
技术领域
[0001]本申请涉及数字化和智慧医疗技术领域，更具体地，涉及一种应用于数字化医疗的服务资源处理方法及智慧医疗服务器。
背景技术[0002]智慧医疗（Wise Information Technology of med，WITMED）是一种以患者数据为中心的医疗服务模式。一般而言，智慧医疗可以分为三个阶段，第一个阶段是数据获取，第二个阶段是知识发现，第三个阶段是远程服务。进一步地，数据获取可以通过医疗物联网实现，知识发现可以通过大数据处理技术实现，远程服务则可以通过云端服务与轻便的智能医疗终端共同实现。
[0003]与传统的医疗服务模式相比，智慧医疗具备多个优势，比如可以打破时间限制和地域限制，实现异地医疗资源的共享以提高医疗资源利用率，在重大公共卫生事件大环境下尽可能实现无接触式的就医互动。然而，在实际应用过程中，随着数字化升级和智慧医疗规模的不断扩大，智慧医疗服务所面临的医疗服务资源分配效率低下的问题仍然难以得到有效改善。
发明内容
[0004]本申请的一个目的是提供一种用于进行就诊信息分配处理的新技术方案。[0005]根据本申请的第一方面，提供一种应用于数字化医疗的服务资源处理方法，应用于智慧医疗服务器，所述方法包括：
获取针对可视化医疗服务的多个就诊往来记录；
基于所述可视化医疗服务的服务资源分配指向者和就诊项目参与者的差异化偏
好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述可视化医疗服务的就诊服务询问描述；
基于所述就诊服务询问描述和所述可视化医疗服务的多样化描述进行整合处理，
得到全局性描述；
基于所述全局性描述确定所述服务资源分配指向者针对所述每个就诊往来记录
的服务咨询热度；
基于所述服务咨询热度对所述多个就诊往来记录进行调整，并基于调整结果输出
所述多个就诊往来记录。
[0006]在一些可独立实施的设计思路下，所述基于所述可视化医疗服务的服务资源分配指向者和就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述可视化医疗服务的就诊服务询问描述，包括：
针对所述每个就诊往来记录实施如下步骤：
将所述就诊项目参与者的差异化偏好中的视觉感官信息和所述就诊往来记录中
的视觉感官信息进行融合处理，并对所述融合处理得到的视觉感官信息进行关键内容识
5
CN 114627992 A
说 明 书
2/21页
别，以获得所述就诊往来记录的视觉感官关键内容；
对所述服务资源分配指向者的差异化偏好中的视觉感官信息进行关键内容识别，
以获得所述服务资源分配指向者的使用者描述；
将所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使用者
描述进行整合处理，以获得所述可视化医疗服务的就诊服务询问描述；
相应的，所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使
用者描述是通过同一个机器学习模型提取的；所述将所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使用者描述进行整合处理，以获得所述可视化医疗服务的就诊服务询问描述，包括：
通过所述机器学习模型，确定所述就诊往来记录的视觉感官关键内容的局部聚焦
影响程度和所述服务资源分配指向者的使用者描述的局部聚焦影响程度，并根据所述就诊往来记录的视觉感官关键内容的局部聚焦影响程度和所述服务资源分配指向者的使用者描述的局部聚焦影响程度，对所述就诊往来记录的视觉感官关键内容和所述服务资源分配指向者的使用者描述进行整体性合并，以获得所述可视化医疗服务的就诊服务询问描述。[0007]在一些可独立实施的设计思路下，所述基于所述就诊服务询问描述和所述可视化医疗服务的多样化描述进行整合处理，得到全局性描述，包括：
对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗服务的视觉感
官关键内容、听觉感官关键内容和融合感官关键内容；
将所述视觉感官关键内容、所述听觉感官关键内容和所述融合感官关键内容进行
整合处理，以获得所述可视化医疗服务的多样化描述；
将所述就诊服务询问描述和所述可视化医疗服务的多样化描述进行融合处理，以
获得所述全局性描述；
相应的，所述对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗
服务的视觉感官关键内容、听觉感官关键内容和融合感官关键内容，包括：
从所述可视化医疗服务中提取视觉感官信息，对所述视觉感官信息进行关键内容
识别，以获得所述可视化医疗服务的视觉感官关键内容，其中，所述视觉感官信息包括以下至少之一：主题关键词、流动性评论、背景视觉感官信息、类别、区分标识；
从所述可视化医疗服务中提取多个听觉感官信息片段，并对所述多个听觉感官信
息片段进行关键内容识别，以获得与所述多个听觉感官信息片段一一对应的多个听觉感官信息片段描述，将所述多个听觉感官信息片段描述进行整合处理，以获得所述可视化医疗服务的听觉感官关键内容；
从所述可视化医疗服务中提取多个融合感官信息片段，并对所述多个融合感官信
息片段进行关键内容识别，以获得与所述多个融合感官信息片段一一对应的多个融合感官信息片段描述，将所述多个融合感官信息片段描述进行整合处理，以获得所述可视化医疗服务的融合感官关键内容。
[0008]在一些可独立实施的设计思路下，所述基于所述全局性描述确定所述服务资源分配指向者针对所述每个就诊往来记录的服务咨询热度，包括：
针对所述每个就诊往来记录实施如下步骤：将所述全局性描述转换为所述就诊往
来记录对应不同的就诊交互类别的服务咨询热度；其中，所述就诊交互类别包括以下至少
6
CN 114627992 A
说 明 书
3/21页
之一：积极性评价、推荐性操作、反馈性互动、持续性关注；
相应的，所述基于所述服务咨询热度对所述多个就诊往来记录进行调整，并基于
调整结果输出所述多个就诊往来记录，包括：
将所述每个就诊往来记录对应不同的就诊交互类别的服务咨询热度进行整体性
合并，以获得所述每个就诊往来记录的量化调整评价；
根据所述量化调整评价对所述多个就诊往来记录进行由大到小或由小到大地调
整，并根据调整结果输出所述多个就诊往来记录中的至少部分就诊往来记录。[0009]在一些可独立实施的设计思路下，所述方法还包括：
对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗服务的多样化
描述；
基于所述就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视
化医疗服务分享的每个就诊往来记录，生成所述每个就诊往来记录的视觉感官关键内容；
基于所述可视化医疗服务的多样化描述和所述每个就诊往来记录的视觉感官关
键内容，确定所述每个就诊往来记录与所述可视化医疗服务之间的关联程度；
所述基于所述服务咨询热度对所述多个就诊往来记录进行调整，包括：
将所述每个就诊往来记录对应的所述服务咨询热度和所述关联程度进行整体性
合并，以获得所述每个就诊往来记录的量化调整评价；
根据所述量化调整评价对所述多个就诊往来记录进行由大到小或由小到大地调
整。
[0010]在一些可独立实施的设计思路下，所述基于所述就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述每个就诊往来记录的视觉感官关键内容，包括：
根据所述就诊项目参与者所关注的可视化医疗服务，生成所述就诊项目参与者的
差异化偏好；针对所述每个就诊往来记录实施如下步骤：
将所述就诊项目参与者的差异化偏好中的视觉感官信息和所述就诊往来记录中
的视觉感官信息进行融合处理，并对所述融合处理得到的视觉感官信息进行关键内容识别，以获得所述就诊往来记录的视觉感官关键内容。[0011]在一些可独立实施的设计思路下，所述基于所述可视化医疗服务的多样化描述和所述每个就诊往来记录的视觉感官关键内容，确定所述每个就诊往来记录与所述可视化医疗服务之间的关联程度，包括：
针对所述每个就诊往来记录实施如下步骤：
将所述多样化描述和所述就诊往来记录的视觉感官关键内容进行整合处理，以获
得关联程度全局性描述；将所述关联程度全局性描述转换为分别对应于不同的备选关联程度的可能性，将最大可能性所对应的备选关联程度确定为所述就诊往来记录与所述可视化医疗服务之间的关联程度。
[0012]在一些可独立实施的设计思路下，所述对所述可视化医疗服务进行关键内容识别，以获得所述可视化医疗服务的多样化描述，包括：
从所述可视化医疗服务中提取视觉感官信息，对所述视觉感官信息进行关键内容
识别，以获得所述可视化医疗服务的视觉感官关键内容，其中，所述视觉感官信息包括以下
7
CN 114627992 A
说 明 书
4/21页
至少之一：主题关键词、流动性评论、背景视觉感官信息、类别、区分标识；
从所述可视化医疗服务中提取多个听觉感官信息片段，并对所述多个听觉感官信
息片段进行关键内容识别，以获得与所述多个听觉感官信息片段一一对应的多个听觉感官信息片段描述，将所述多个听觉感官信息片段描述进行整合处理，以获得所述可视化医疗服务的听觉感官关键内容；
从所述可视化医疗服务中提取多个融合感官信息片段，并对所述多个融合感官信
息片段进行关键内容识别，以获得与所述多个融合感官信息片段一一对应的多个融合感官信息片段描述，将所述多个融合感官信息片段描述进行整合处理，以获得所述可视化医疗服务的融合感官关键内容；
将所述视觉感官关键内容、所述听觉感官关键内容和所述融合感官关键内容进行以获得所述可视化医疗服务的多样化描述。整合处理，
[0013]在一些可独立实施的设计思路下，所述方法还包括：确定所述每个就诊往来记录的就诊交互情绪信息；基于所述每个就诊往来记录的就诊交互状态、以及所述就诊项目参与者的就诊交互状态，确定所述每个就诊往来记录的受关注信息；
所述将所述每个就诊往来记录对应的所述服务咨询热度和所述关联程度进行整
体性合并，以获得所述每个就诊往来记录的量化调整评价，包括：将所述每个就诊往来记录对应的所述就诊交互情绪信息、所述关联程度、所述服务咨询热度、以及所述受关注信息进行整体性合并，以获得所述每个就诊往来记录的量化调整评价。[0014]根据本申请的第二方面，提供一种智慧医疗服务器，包括：存储器，用于存储可执行的指令；处理器，用于根据所述可执行的指令的控制，运行所述智慧医疗服务器执行如第一方面所述的方法。
[0015]根据本申请的一个实施例，基于服务资源分配指向者和就诊项目参与者的互动特征信息以及可视化医疗服务的自有特征信息来确定服务资源分配指向者针对就诊往来记录的服务咨询热度，进而根据服务咨询热度对就诊往来记录进行输出，使得输出的就诊往来记录的优先级情况满足服务资源分配指向者的差异性医疗服务需求，相较于常规技术中根据单一的、片面的判断标准对就诊往来记录进行调整，能够提高就诊往来记录对应的服务资源分配准确性，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。
[0016]通过以下参照附图对本申请的示例性实施例的详细描述，本申请的其它特征及其优点将会变得清楚。
附图说明
[0017]被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且连同其说明一起用于解释本申请的原理。
[0018]图1是示出可以实现本申请的实施例的智慧医疗服务器的一种硬件配置的框图。[0019]图2是示出可以实现本申请的实施例的智慧医疗服务器的另一种硬件配置的框图。
[0020]图3是示出可以实现本申请的实施例的应用于数字化医疗的服务资源处理方法的流程图。
8
CN 114627992 A[0021]
说 明 书
5/21页
图4是示出可以实现本申请的实施例的应用于数字化医疗的服务资源处理系统的
架构示意图。
具体实施方式
[0022]现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
[0023]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。
[0024]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。[0025]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。[0026]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。[0027]<硬件配置>
图1是示出可以实现本申请的实施例的智慧医疗服务器100的一种硬件配置的框
图，智慧医疗服务器100可以包括处理器110和存储器120，存储器120用于存储可执行的指令，处理器110用于根据可执行的指令的控制，运行智慧医疗服务器100执行本申请中的应用于数字化医疗的服务资源处理方法。
[0028]图2是示出可以实现本申请的实施例的智慧医疗服务器100的另一种硬件配置的框图，智慧医疗服务器100可以包括处理器110、存储器120和应用于数字化医疗的服务资源处理装置400，应用于数字化医疗的服务资源处理装置400包括至少一个可以软件或固件（firmware）的形式储存于所述存储器120中的软件功能模块，所述处理器110通过运行存储在存储器120内的软件程序以及模块，例如本申请实施例中的应用于数字化医疗的服务资源处理装置400，从而执行各种功能应用以及数据处理，即实现本申请实施例中的应用于数字化医疗的服务资源处理方法。[0029]<方法实施例>
图3是示出可以实现本申请的实施例的应用于数字化医疗的服务资源处理方法的
流程图，应用于数字化医疗的服务资源处理方法可以通过图1或图2所示的智慧医疗服务器100实现，进一步可以包括以下步骤所描述的技术方案。[0030]在STEP101中，获取针对可视化医疗服务的多个就诊往来记录。[0031]对于一些示例性的描述而言，可视化医疗服务可以是融合感官信息、听觉感官信息、视觉感官信息等形式的信息。换言之，融合感官信息可以理解为图像信息+语音信息，听
视觉感官信息可以理解为文本信息。觉感官信息可以理解为语音信息，
[0032]以可视化医疗服务是融合感官信息为例，就诊往来记录可以是服务资源分配指向者和/或就诊项目参与者消化融合感官信息（比如处理相关的可视化就医指导流程视频）的过程中所分享的体验信息、积极性评价或持续性关注意图等表达服务资源分配指向者和/或就诊项目参与者消化态度的信息。就诊往来记录可以是在先的就诊项目参与者所对应的
9
CN 114627992 A
说 明 书
6/21页
信息，用于为后续的服务资源分配指向者的医疗服务提供分配依据，确保通过可视化形式分配给后续的服务资源分配指向者的就诊往来记录（对应的医疗资源服务）能够满足后续的服务资源分配指向者的就诊医疗服务需求。[0033]此外，可视化医疗服务包括但不限于就诊流程指导、住院手续办理、费用缴纳和医师选择推荐等。
[0034]在STEP102中，基于可视化医疗服务的服务资源分配指向者和就诊项目参与者的差异化偏好、以及就诊项目参与者针对可视化医疗服务分享的每个就诊往来记录，生成可视化医疗服务的就诊服务询问描述。[0035]对于一些示例性的描述而言，根据就诊项目参与者和服务资源分配指向者所关注的可视化医疗服务，分别生成就诊项目参与者和服务资源分配指向者的差异化偏好；针对每个就诊往来记录实施如下步骤：将就诊项目参与者的差异化偏好中的视觉感官信息和就诊往来记录中的视觉感官信息进行融合处理，并对融合处理得到的视觉感官信息进行关键内容识别，以获得就诊往来记录的视觉感官关键内容；对服务资源分配指向者的差异化偏好中的视觉感官信息进行关键内容识别，以获得服务资源分配指向者的使用者描述；将就诊往来记录的视觉感官关键内容和服务资源分配指向者的使用者描述进行整合处理，以获得可视化医疗服务的就诊服务询问描述。[0036]对于一些可能的示例而言，所关注的可视化医疗服务包括：在先的可视化医疗服务、被标记的可视化医疗服务、在先的就诊交互（就诊服务体验、积极性评价或持续性关注行为等）的可视化医疗服务。
[0037]以一些示例性的角度来看待，智慧医疗用户的差异化偏好是用户的偏好区分标识队列（比如用户画像集），是基于智慧医疗用户所关注的可视化医疗服务循环学习生成的，例如，通过神经网络模型对用户所关注的可视化医疗服务实施如下步骤：提取所关注的可视化医疗服务的多模态描述特征；将提取的多模态描述特征分别转换为对应多个备选偏好区分标识队列的可能性（概率），并将最大可能性所对应的备选偏好区分标识队列确定为智慧医疗用户（例如上述的就诊项目参与者和服务资源分配指向者）的差异化偏好（例如用户画像）。
[0038]这里，神经网络模型是以样本可视化医疗服务、以及针对样本可视化医疗服务标注的偏好区分标识队列为样本训练得到的。如此，使得神经网络模型具有从用户所关注的可视化医疗服务中识别出差异化偏好的能力，从而能够精准确定就诊项目参与者和服务资源分配指向者的差异化偏好。
[0039]对于一些可能的示例而言，神经网络模型可以包括各种类别，例如，卷积神经网络（Convolutional Neural Networks，CNN）模型、循环神经网络（Recurrent Neur al Network，RNN）模型、以及多层前馈神经网络模型等。可以结合有监督的方式来训练上述神经网络模型，其中，用于训练神经网络模型的损失函数（loss function）用于表示预测结果与真实结果之间的差异，损失函数可以是0‑1损失函数、感知损失函数或交叉熵损失函数等。
[0040]对于一些可能的示例而言，就诊往来记录的视觉感官关键内容和服务资源分配指向者的使用者描述是通过同一个机器学习模型提取的；将就诊往来记录的视觉感官关键内容和服务资源分配指向者的使用者描述进行整合处理，以获得可视化医疗服务的就诊服务
10
CN 114627992 A
说 明 书
7/21页
询问描述可以包括：通过机器学习模型，确定就诊往来记录的视觉感官关键内容的局部聚焦影响程度和服务资源分配指向者的使用者描述的局部聚焦影响程度，并根据就诊往来记录的视觉感官关键内容的局部聚焦影响程度和服务资源分配指向者的使用者描述的局部聚焦影响程度，对就诊往来记录的视觉感官关键内容和服务资源分配指向者的使用者描述进行整体性合并，以获得可视化医疗服务的就诊服务询问描述。[0041]对于一些可能的示例而言，机器学习模型可以是具备视觉感官信息关键内容识别功能的任意机器学习模型。例如，本申请实施例的机器学习模型可以是：（1）双向编码器表征模型；（2）轻量级来自变换器的双向编码器表征模型；（3）自编码网络中的编码器；（4）U型网络中的下采样部分。[0042]例如，将体验分享者（即上述的就诊项目参与者）差异化偏好中的视觉感官信息与体验（即上述的就诊往来记录）中的视觉感官信息进行融合，然后通过ALBERT模型（A Lite Bidirectional Encoder Representatio ns from Transformers），对融合后的视觉感官信息进行关键内容识别，以获得视觉感官信息体验表示（即上述的就诊往来记录的视觉感官关键内容）；通过ALBERT模型对融合感官信息询问者（即上述的服务资源分配指向者）差异化偏好中的视觉感官信息进行关键内容识别，以获得询问者的用户特征（即上述的服务资源分配指向者的使用者描述）；基于注意力机制，将询问者的用户特征和视觉感官信息体验表示进行整体性合并，以获得询问者‑在先体验互动表示（即上述的就诊服务询问描述）。相应的，局部聚焦影响程度可以理解为注意力权重。
[0043]本申请实施例基于注意力机制从就诊往来记录、服务资源分配指向者和就诊项目参与者的差异化偏好中提取出能够较大程度评估服务资源分配指向者对就诊往来记录的就诊交互行为的就诊服务询问描述，能够提高后续基于就诊服务询问描述评估服务资源分配指向者针对每个就诊往来记录的服务咨询热度的准确性。[0044]在STEP103中，基于就诊服务询问描述和可视化医疗服务的多样化描述进行整合处理，得到全局性描述。
[0045]对于一些示例性的描述而言，对可视化医疗服务进行关键内容识别，以获得可视化医疗服务的视觉感官关键内容、听觉感官关键内容和融合感官关键内容（比如可以理解为图像特征）；将视觉感官关键内容、听觉感官关键内容和融合感官关键内容进行整合处理，以获得可视化医疗服务的多样化描述；将就诊服务询问描述和可视化医疗服务的多样化描述进行融合处理，以获得全局性描述。比如，可以将就诊服务询问描述和可视化医疗服务的多样化描述进行拼接，得到更加丰富和更加全面的融合特征。[0046]例如，可以将询问者‑在先体验互动表示和融合感官信息多样化描述进行整合表示（即上述的可视化医疗服务的多样化描述）进行融合处理，以获得融合融合感官关键内容（即上述的全局性描述）。
[0047]对于一些可能的示例而言，对可视化医疗服务进行关键内容识别，以获得可视化医疗服务的视觉感官关键内容、听觉感官关键内容和融合感官关键内容，可以包括：从可视化医疗服务中提取视觉感官信息，对视觉感官信息进行关键内容识别，以获得可视化医疗服务的视觉感官关键内容，其中，视觉感官信息包括以下至少之一：主题关键词、流动性评论、背景视觉感官信息、类别、区分标识；从可视化医疗服务中提取多个听觉感官信息片段，并对多个听觉感官信息片段进行关键内容识别，以获得与多个听觉感官信息片段一一对应
11
CN 114627992 A
说 明 书
8/21页
的多个听觉感官信息片段描述，将多个听觉感官信息片段描述进行整合处理，以获得可视化医疗服务的听觉感官关键内容；从可视化医疗服务中提取多个融合感官信息片段，并对多个融合感官信息片段进行关键内容识别，以获得与多个融合感官信息片段一一对应的多个融合感官信息片段描述，将多个融合感官信息片段描述进行整合处理，以获得可视化医疗服务的融合感官关键内容。
[0048]对于一些可能的示例而言，可以通过机器学习模型对视觉感官信息进行关键内容识别，其中，机器学习模型可以是具备视觉感官信息关键内容识别功能的任意机器学习模型，例如，编码器结构的机器学习模型，可以包括：BERT模型、ALBERT模型、自编码网络中的编码器、以及U型网络中的下采样部分等。进一步地，可以通过针对听觉感官信息的关键内容识别模型对听觉感官信息片段进行关键内容识别，其中，针对听觉感官信息的关键内容识别模型可以是具备听觉感官信息关键内容识别功能的任意机器学习模型。例如，超分辨率测试队列网络（Visual Geometry Group Network）和队列生成网络（Wavenet）等。[0049]以一些示例性的角度来看待，从可视化医疗服务中提取听觉感官信息片段AudioPart1、听觉感官信息片段AudioPart2和听觉感官信息片段AudioPart3，通过针对听觉感官信息的关键内容识别模型分别对听觉感官信息片段AudioPart1、听觉感官信息片段AudioPart2和听觉感官信息片段AudioPart3进行关键内容识别，获得与听觉感官信息片段AudioPart1对应的听觉感官信息片段AudioDescription1、与听觉感官信息片段AudioPart2对应的听觉感官信息片段AudioDescription2和与听觉感官信息片段AudioPart3对应的听觉感官信息片段AudioDescription3，将听觉感官信息片段AudioDescription1、听觉感官信息片段AudioDescription2和听觉感官信息片段AudioDescription3进行整合处理，获得听觉感官关键内容。[0050]对于一些可能的示例而言，可以通过融合感官信息关键内容识别模型对融合感官信息片段进行关键内容识别，其中，融合感官信息关键内容识别模型可以是任意具备融合感官信息关键内容识别功能的机器学习模型，例如，深度神经网络模型，例如深度残差网络（Deep Residual Network）。又例如，多层前馈神经网络模型等。[0051]以一些示例性的角度来看待，从可视化医疗服务中提取融合感官信息片段MixPart1、融合感官信息片段MixPart2和融合感官信息片段MixPart3，通过融合感官信息关键内容识别模型分别对融合感官信息片段MixPart1、融合感官信息片段MixPart2和融合感官信息片段MixPart3进行关键内容识别，获得与融合感官信息片段MixPart1对应的融合感官信息片段描述MixDescription1、与融合感官信息片段MixPart2对应的融合感官信息片段描述MixDescription2和与融合感官信息片段MixPart3对应的融合感官信息片段描述MixDescription3，将融合感官信息片段描述MixDescription1、融合感官信息片段描述MixDescription2和融合感官信息片段描述MixDescription3进行整合处理，获得融合感官关键内容。
[0052]进一步地，以可视化医疗服务是融合感官信息为例，提取融合感官信息的视觉感官信息，并通过ALBERT模型对视觉感官信息进行关键内容识别处理，以获得融合感官信息的视觉感官关键内容。提取融合感官信息的听觉感官信息，并对听觉感官信息进行听觉感官信息分治处理（可以理解为拆分处理），以获得包含多个听觉感官信息片段的听觉感官信息片段队列；通过VGGish模型对听觉感官信息片段队列中的每个听觉感官信息片段进行关
12
CN 114627992 A
说 明 书
9/21页
键内容识别处理，以获得与多个听觉感官信息片段一一对应的多个听觉感官信息片段描述，将多个听觉感官信息片段描述采用平均池化进行整合处理，以获得融合感官信息的听觉感官关键内容。将融合感官信息进行融合感官信息分治处理，以获得包含多个融合感官信息片段的融合感官信息片段队列；通过ResNet模型对融合感官信息片段队列中的每个融合感官信息片段进行关键内容识别处理，以获得与多个融合感官信息片段一一对应的多个融合感官信息片段描述，将多个融合感官信息片段描述采用平均池化进行整合处理，以获得融合感官信息的融合感官关键内容。将视觉感官关键内容、听觉感官关键内容和融合感官关键内容进行整合处理，以获得融合感官信息的多样化描述整合表示。[0053]在STEP104中，基于全局性描述确定服务资源分配指向者针对每个就诊往来记录的服务咨询热度。
[0054]对于一些示例性的描述而言，针对每个就诊往来记录实施如下步骤：将全局性描述转换为就诊往来记录对应不同的就诊交互类别的服务咨询热度（比如可以理解为互动概率或者互动关注度）；其中，就诊交互类别包括以下至少之一：积极性评价、推荐性操作、反馈性互动、持续性关注。
[0055]对于一些可能的示例而言，针对每个就诊往来记录实施如下步骤：通过映射算法（比如激活函数）对全局性描述进行转换（映射），以获得对应不同的就诊交互类别的服务咨询热度。其中，转换为对应不同的就诊交互类别的服务咨询热度所使用的映射算法可以是多个，每个映射算法对应一个就诊交互类别，多个映射算法的类别可以相同或不同。[0056]可以理解的是，将全局性描述分别转换为服务资源分配指向者对体验分享结果的积极性评价可能性（以下简称积极性评价可能性）、服务资源分配指向者对体验分享结果的反馈性互动可能性（以下简称反馈性互动可能性）和服务资源分配指向者对体验分享结果的推荐性操作可能性（以下简称推荐性操作可能性）。
[0057]本申请实施例通过联合就诊项目参与者与服务资源分配指向者的差异化需求，同时对融合感官信息多角度信息与就诊往来记录内容进行深度学习，将服务资源分配指向者对就诊往来记录可能的多种就诊交互行为作为针对性调整的目标进行网络搭建，能够提升就诊往来记录对服务资源分配指向者的吸引程度，从而实现就诊往来记录对应的医疗资源服务的有效分配，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。
[0058]在STEP105中，基于服务咨询热度对多个就诊往来记录进行调整，并基于调整结果输出多个就诊往来记录。
[0059]对于一些示例性的描述而言，可以根据服务咨询热度对多个就诊往来记录进行由小到大或由大到小地调整，并根据调整结果输出全部或部分就诊往来记录。[0060]以一些示例性的角度来看待，服务咨询热度表征服务资源分配指向者针对就诊往来记录实施就诊交互行为的可能性，如此，优先展示服务咨询热度较高的部分就诊往来记录，能够提升就诊往来记录对服务资源分配指向者的吸引程度，从而实现就诊往来记录对应的医疗资源服务的有效分配，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。
[0061]对于一些示例性的描述而言，将每个就诊往来记录对应不同的就诊交互类别的服务咨询热度进行整体性合并，以获得每个就诊往来记录的量化调整评价；根据量化调整评
13
CN 114627992 A
说 明 书
10/21页
价对多个就诊往来记录进行由大到小或由小到大地调整，并根据调整结果输出多个就诊往来记录中的至少部分就诊往来记录。[0062]对于一些可能的示例而言，不同的就诊交互类别的服务咨询热度所对应的影响指数可以相同或不同，影响指数（权重）可以是在神经网络模型的训练过程中所获得的参量，也可以是用户、客户端或服务器设定的值。[0063]以一些示例性的角度来看待，服务咨询热度包括积极性评价可能性、反馈性互动可能性和推荐性操作可能性，其中，积极性评价可能性的影响指数为0.5、反馈性互动可能性的影响指数为0.2、推荐性操作可能性的影响指数为0.3。就诊往来记录record1的积极性评价可能性为0.2、反馈性互动可能性为0.8、推荐性操作可能性为0.6，就诊往来记录record2的积极性评价可能性为0.4、反馈性互动可能性为0.2、推荐性操作可能性为0.5.
如此，就诊往来记录record1的量化调整评价是：0.2*0.5+0.8*0.2+0.6*0.3＝0.44。
[0064]就诊往来记录record2的量化调整评价是：
0.4*0.5+0.2*0.2+0.5*0.3＝0.39.因此，可以将就诊往来记录record1调整在就诊往来记录record2之前向服务资源
分配指向者展示或者分配，以使服务资源分配指向者优先处理就诊往来记录record1。[0065]本申请实施例中，就诊往来记录的量化调整评价表征服务资源分配指向者基于该就诊往来记录触发就诊交互行为的可能性，优先展示或者分配量化调整评价较大的就诊往来记录，能够提升就诊往来记录对服务资源分配指向者的吸引程度，从而实现就诊往来记录对应的医疗资源服务的有效分配，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。[0066]对于一些示例性的描述而言，基于图3，在STEP105之前还可以包括STEP106至STEP108，STEP105可以替换为STEP109。[0067]可以理解的是，STEP106至STEP108和STEP101至STEP104之间可以是并行执行，也可以是顺序执行，本申请实施例对此不进行限制，以STEP106至STEP108和STEP101至STEP104顺序执行为例说明。[0068]在STEP106中，对可视化医疗服务进行关键内容识别，以获得可视化医疗服务的多样化描述。
[0069]对于一些示例性的描述而言，从可视化医疗服务中提取视觉感官信息，对视觉感官信息进行关键内容识别，以获得可视化医疗服务的视觉感官关键内容，其中，视觉感官信息包括以下至少之一：主题关键词、流动性评论、背景视觉感官信息、类别、区分标识；从可视化医疗服务中提取多个听觉感官信息片段，并对多个听觉感官信息片段进行关键内容识别，以获得与多个听觉感官信息片段一一对应的多个听觉感官信息片段描述，将多个听觉感官信息片段描述进行整合处理，以获得可视化医疗服务的听觉感官关键内容；从可视化医疗服务中提取多个融合感官信息片段，并对多个融合感官信息片段进行关键内容识别，以获得与多个融合感官信息片段一一对应的多个融合感官信息片段描述，将多个融合感官信息片段描述进行整合处理，以获得可视化医疗服务的融合感官关键内容；将视觉感官关键内容、听觉感官关键内容和融合感官关键内容进行整合处理，以获得可视化医疗服务的多样化描述。这里，提取视觉感官关键内容、听觉感官关键内容和融合感官关键内容的示例
14
CN 114627992 A
说 明 书
11/21页
和STEP103中包含的示例类似，在此将不再进行赘述。[0070]以可视化医疗服务是融合感官信息为例，提取融合感官信息的视觉感官信息，并通过ALBERT模型对视觉感官信息进行关键内容识别处理，以获得融合感官信息的视觉感官关键内容。提取融合感官信息的听觉感官信息，并对听觉感官信息进行听觉感官信息分治处理，以获得包含多个听觉感官信息片段的听觉感官信息片段队列；通过VGGish模型对听觉感官信息片段队列中的每个听觉感官信息片段进行关键内容识别处理，以获得与多个听觉感官信息片段一一对应的多个听觉感官信息片段描述，将多个听觉感官信息片段描述采用平均池化进行整合处理，以获得融合感官信息的听觉感官关键内容。将融合感官信息进行融合感官信息分治处理，以获得包含多个融合感官信息片段的融合感官信息片段队列；通过ResNet模型对融合感官信息片段队列中的每个融合感官信息片段进行关键内容识别处理，以获得与多个融合感官信息片段一一对应的多个融合感官信息片段描述，将多个融合感官信息片段描述采用平均池化进行整合处理，以获得融合感官信息的融合感官关键内
以获得融容。将视觉感官关键内容、听觉感官关键内容和融合感官关键内容进行整合处理，
合感官信息的多样化描述整合表示。[0071]在STEP107中，基于就诊项目参与者的差异化偏好、以及就诊项目参与者针对可视化医疗服务分享的每个就诊往来记录，生成每个就诊往来记录的视觉感官关键内容。[0072]对于一些示例性的描述而言，根据就诊项目参与者所关注的可视化医疗服务，生成就诊项目参与者的差异化偏好；针对每个就诊往来记录实施如下步骤：将就诊项目参与者的差异化偏好中的视觉感官信息和就诊往来记录中的视觉感官信息进行融合处理，并对融合处理得到的视觉感官信息进行关键内容识别，以获得就诊往来记录的视觉感官关键内容。
[0073]对于一些可能的示例而言，所关注的可视化医疗服务包括：在先的可视化医疗服务、被标记的可视化医疗服务、在先的就诊交互（评论、积极性评价或持续性关注等）的可视化医疗服务。
[0074]以一些示例性的角度来看待，就诊项目参与者的差异化偏好是就诊项目参与者的偏好区分标识队列，是基于就诊项目参与者所关注的可视化医疗服务循环学习生成的，例如，通过神经网络模型对就诊项目参与者所关注的可视化医疗服务实施如下步骤：提取所关注的可视化医疗服务的多模态描述特征；将提取的多模态描述特征分别转换为对应多个备选偏好区分标识队列的可能性，并将最大可能性所对应的备选偏好区分标识队列确定为就诊项目参与者的差异化偏好。[0075]这里，神经网络模型是以样本可视化医疗服务、以及针对样本可视化医疗服务标注的偏好区分标识队列为样本训练得到的。如此，使得神经网络模型具有从就诊项目参与者所关注的可视化医疗服务中识别出就诊项目参与者的差异化偏好的能力，从而能够精准确定就诊项目参与者的差异化偏好。[0076]此外，将体验分享者差异化偏好中的视觉感官信息与体验（即上述的就诊往来记录）中的视觉感官信息进行融合，然后通过ALBERT模型，对融合后的视觉感官信息进行关键内容识别，以获得视觉感官信息体验表示。[0077]在STEP108中，基于可视化医疗服务的多样化描述和每个就诊往来记录的视觉感官关键内容，确定每个就诊往来记录与可视化医疗服务之间的关联程度。
15
CN 114627992 A[0078]
说 明 书
12/21页
对于一些示例性的描述而言，针对每个就诊往来记录实施如下步骤：将多样化描
述和就诊往来记录的视觉感官关键内容进行整合处理，以获得关联程度全局性描述；将关联程度全局性描述转换为分别对应于不同的备选关联程度的可能性，将最大可能性所对应的备选关联程度确定为就诊往来记录与可视化医疗服务之间的关联程度（相关度）。[0079]例如，可以将融合感官信息的多样化描述整合表示和视觉感官信息体验表示进行整合，将整合后的特征输入至全连接层网络，通过全连接层网络将整合后的特征转换为对应的融合感官信息‑服务体验关联程度（即上述的就诊往来记录与可视化医疗服务之间的关联程度）。
[0080]在STEP109中，基于服务咨询热度和关联程度，对多个就诊往来记录进行调整，并基于调整结果输出多个就诊往来记录。[0081]对于一些示例性的描述而言，将每个就诊往来记录对应的服务咨询热度和关联程度进行整体性合并，以获得每个就诊往来记录的量化调整评价，并根据量化调整评价对多个就诊往来记录进行由大到小或由小到大地调整，并根据调整结果输出多个就诊往来记录中的至少部分就诊往来记录。
[0082]对于一些可能的示例而言，服务咨询热度和关联程度对应的影响指数可以相同或不同，影响指数（权重）可以是在神经网络模型的训练过程中所获得的参量，也可以是用户、客户端或服务器设定的值。
[0083]对于一些可能的示例而言，就诊往来记录对应的服务咨询热度可以是将就诊往来记录对应不同的就诊交互类别的服务咨询热度进行整体性合并所获得的。[0084]以一些示例性的角度来看待，服务咨询热度包括积极性评价可能性、反馈性互动可能性和推荐性操作可能性，其中，积极性评价可能性的影响指数为0.5、反馈性互动可能性的影响指数为0.2、推荐性操作可能性的影响指数为0.3、关联程度的影响指数为0.6。就诊往来记录record1的积极性评价可能性为0.2、反馈性互动可能性为0.8、推荐性操作可能性为0.6、关联程度为0.7，就诊往来记录record2的积极性评价可能性为0.4、反馈性互动可能性为0.2、推荐性操作可能性为0.5、关联程度为0.4。[0085]如此，就诊往来记录record1的量化调整评价是：
0.2*0.5+0.8*0.2+0.6*0.3+0.7*0.6＝0.86。
[0086]就诊往来记录record2的量化调整评价是：
0.4*0.5+0.2*0.2+0.5*0.3+0.4*0.6＝0.63。
[0087]因此，可以将就诊往来记录record1调整在就诊往来记录record2之前向服务资源分配指向者展示或者分配，以使服务资源分配指向者优先处理就诊往来记录record1。[0088]本申请实施例中，就诊往来记录与可视化医疗服务之间的关联程度越高表征就诊往来记录和可视化医疗服务之间的相关性越高，关注可视化医疗服务的服务资源分配指向者是对可视化医疗服务所匹配的服务资源分配指向者，那么这些服务资源分配指向者同样会对与可视化医疗服务关联程度较高的就诊往来记录感兴趣，因此，基于关联程度和服务咨询热度对就诊往来记录进行调整能够进一步提高服务资源分配指向者对优先展示的就诊往来记录进行就诊交互行为处理的可能性，从而实现就诊往来记录对应的医疗资源服务的有效分配，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。
16
CN 114627992 A[0089]
说 明 书
13/21页
对于一些示例性的描述而言，在STEP109之前还可以包括STEP110至STEP111，
STEP109可以替换为STEP112。[0090]可以理解的是，STEP110至STEP111和STEP106至STEP108之间可以是并行执行，也可以是顺序执行，本申请实施例对此不进行限制，以STEP110至STEP111和STEP106至STEP108顺序执行为例说明。[0091]在STEP110中，确定每个就诊往来记录的就诊交互情绪信息。[0092]对于一些示例性的描述而言，通过神经网络模型对每个就诊往来记录实施如下步骤：对就诊往来记录进行关键内容识别，以获得就诊往来记录的视觉感官关键内容；将视觉感官关键内容转换为分别对应于不同的备选就诊交互情绪信息的可能性；将最大可能性所对应的备选就诊交互情绪信息确定为就诊往来记录的就诊交互情绪信息。例如，就诊交互情绪信息可以理解为就诊交互极性信息。[0093]对于一些可能的示例而言，神经网络模型是以样本就诊往来记录、以及针对样本就诊往来记录标注的就诊交互情绪信息训练得到的。如此，使得神经网络模型具有从就诊往来记录中识别出就诊交互情绪信息的能力，从而能够精准确定就诊往来记录的就诊交互情绪信息。对于一些可能的示例而言，神经网络模型可以包括各种类别，例如，CNN模型、RNN模型、以及多层前馈神经网络模型等。可以结合有监督的方式来训练上述神经网络模型，其中，用于训练神经网络模型的损失函数用于表示预测结果与真实结果之间的差异，损失函数可以是0‑1损失函数、感知损失函数或交叉熵损失函数等。[0094]比如，可以通过ALBERT模型对视觉感官信息体验进行关键内容识别，以获得视觉感官信息体验表示，并将视觉感官信息体验表示转换为对应的服务体验情绪反馈（即上述
。的就诊交互情绪信息）
[0095]本申请实施例中的就诊交互情绪信息表征就诊往来记录对服务资源分配指向者的情绪指引，将就诊交互情绪描述值较高的就诊往来记录优先展示给服务资源分配指向者，能够对服务资源分配指向者有较积极的指引，从而提高服务资源分配指向者对优先展示的就诊往来记录进行就诊交互行为处理的可能性，实现就诊往来记录对应的医疗资源服务的有效分配，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。
[0096]在STEP111中，基于每个就诊往来记录的就诊交互状态、以及就诊项目参与者的就诊交互状态，确定每个就诊往来记录的受关注信息。[0097]对于一些示例性的描述而言，针对每个就诊往来记录实施如下步骤：根据就诊往来记录的第一就诊交互次数，确定就诊往来记录的就诊交互状态；根据就诊项目参与者的第二就诊交互次数，确定就诊项目参与者的就诊交互状态；将就诊往来记录的就诊交互状态、以及就诊项目参与者的就诊交互状态进行整体性合并，并将整体性合并的结果确定为就诊往来记录的受关注信息。例如，受关注信息可以理解为热度信息。[0098]对于一些可能的示例而言，就诊往来记录的就诊交互状态、以及就诊项目参与者的就诊交互状态对应的影响指数可以相同或不同，影响指数（权重）可以是在神经网络模型的训练过程中所获得的参量，也可以是用户、客户端或服务器设定的值。[0099]以可视化医疗服务是融合感官信息、且就诊往来记录是体验反馈为例，每条体验反馈的整体性热度值（即上述的受关注信息）rate＝weight1*体验分享者就诊交互程度（即
17
CN 114627992 A
说 明 书
14/21页
上述的就诊项目参与者的就诊交互状态）+weight2*此体验分享交互热度（即上述的就诊往来记录的就诊交互状态），其中，weight1、weight2是权重（影响指数）。[0100]对于一些可能的示例而言，根据就诊往来记录的第一就诊交互次数，确定就诊往来记录的就诊交互状态可以包括：将就诊往来记录的目标积极性评价次数、目标反馈性互动次数和目标推荐性操作次数进行整体性合并，并将整体性合并的结果与可视化医疗服务的分配次数之间的量化比例确定为第一量化比例；当第一量化比例大于第一设定比例值时，将第一设定比例值确定为就诊往来记录的就诊交互状态；当第一量化比例不大于第一设定比例值时，将第一量化比例确定为就诊往来记录的就诊交互状态（比如互动程度）。[0101]以一些示例性的角度来看待，第一设定比例值可以是在神经网络模型的训练过程中所获得的参量，也可以是用户、客户端或服务器设定的值，第一设定比例值可以是任意数。
[0102]以第一设定比例值是1、可视化医疗服务是融合感官信息、且就诊往来记录是体验反馈为例，体验分享交互热度＝min（（q1*体验分享积极性评价数+q2*体验分享反馈性互动数+q3体验分享推荐性操作数）/当前融合感官信息分配累计值，1），其中，q1、q2、q3是权重。[0103]对于一些可能的示例而言，根据就诊项目参与者的第二就诊交互次数，确定就诊项目参与者的就诊交互状态可以包括：将就诊项目参与者分享的可视化医疗服务被分配次数、分享就诊往来记录的次数、以及分享的就诊往来记录被使用的次数进行整体性合并，并将整体性合并的结果与就诊交互变量之间的量化比例确定为第二量化比例；当第二量化比例大于第二设定比例值时，将第二设定比例值确定为就诊项目参与者的就诊交互状态；当第二量化比例不大于第二设定比例值时，将第二量化比例确定为就诊项目参与者的就诊交互状态。
[0104]以一些示例性的角度来看待，就诊交互变量是在与多个就诊项目参与者一一对应的多个就诊交互结果中选取的最大值，就诊交互结果是对就诊项目参与者分享的可视化医疗服务被分配次数、分享就诊往来记录的次数、以及分享的就诊往来记录被使用的次数进行整体性合并得到的。第二设定比例值可以是在神经网络模型的训练过程中所获得的参量，也可以是用户、客户端或服务器设定的值，第二设定比例值可以是任意数。[0105]以第一设定比例值是1、可视化医疗服务是融合感官信息、且就诊往来记录是体验反馈为例，体验分享者就诊交互程度＝min（（in1*体验分享者分享的融合感官体验信息的被分配总累计值+in2*体验分享者分享的体验次数+in3*体验分享者分享的体验反馈被积极性评价/反馈性互动/推荐性操作总累计值）/X，1）。[0106]其中，in1、in2、in3是权重；X是一个常数，例如，可以选用所有体验分享者中计算的（in1*体验分享者分享的融合感官体验信息的被分配总累计值+in2*体验分享者分享的体验次数+in3*体验分享者分享的体验反馈被积极性评价/反馈性互动/推荐性操作总累计值）的最大值作为X。
[0107]就诊往来记录的全局性热度不仅和就诊往来记录的就诊交互情况相关，也和分享该就诊往来记录的就诊项目参与者相关，因此本申请实施例综合就诊往来记录的就诊交互情况和分享该就诊往来记录的就诊项目参与者的就诊交互情况来确定就诊往来记录的全局性热度，能够提高确定的就诊往来记录的全局性热度的准确性。[0108]在STEP112中，基于就诊交互情绪信息、受关注信息、服务咨询热度、以及关联程
18
CN 114627992 A
说 明 书
15/21页
度，对多个就诊往来记录进行调整。[0109]对于一些示例性的描述而言，将每个就诊往来记录对应的就诊交互情绪信息、关联程度、服务咨询热度、以及受关注信息进行整体性合并，以获得每个就诊往来记录的量化调整评价；根据量化调整评价对多个就诊往来记录进行由大到小或由小到大地调整，并基于调整结果输出多个就诊往来记录。[0110]对于一些可能的示例而言，就诊交互情绪表征就诊往来记录对用户的情绪指引，就诊交互情绪对应的极性值越高表征对应的就诊往来记录对服务资源分配指向者的情绪指引越有效，即服务资源分配指向者对该就诊往来记录的关注度越高。受关注信息表征就诊往来记录的受关注程度，受关注信息对应的关注热度越高表征对应的就诊往来记录是服务资源分配指向者感兴趣的就诊往来记录的可能性越高。[0111]对于一些可能的示例而言，就诊交互情绪信息、关联程度、服务咨询热度、以及受关注信息对应的影响指数可以相同或不同，权重可以是在神经网络模型的训练过程中所获得的参量，也可以是用户、客户端或服务器设定的值。[0112]对于一些可能的示例而言，就诊往来记录对应的服务咨询热度可以是将就诊往来记录对应不同的就诊交互类别的服务咨询热度进行整体性合并所获得的。[0113]以一些示例性的角度来看待，服务咨询热度包括积极性评价可能性、反馈性互动可能性和推荐性操作可能性，其中，积极性评价可能性的影响指数为0.5、反馈性互动可能性的影响指数为0.2、推荐性操作可能性的影响指数为0.3、关联程度的影响指数为0.6、就诊交互情绪信息的影响指数为0.2、受关注信息的影响指数为0.4。就诊往来记录record1的积极性评价可能性为0.2、反馈性互动可能性为0.8、推荐性操作可能性为0.6、关联程度为0.7、就诊交互情绪信息为0.4、受关注信息为0.3，就诊往来记录record2的积极性评价可能性为0.4、反馈性互动可能性为0.2、推荐性操作可能性为0.5、关联程度为0.4、就诊交互情绪信息为0.6、受关注信息为0.2。[0114]如此，就诊往来记录record1的量化调整评价是：
0.2*0.5+0.8*0.2+0.6*0.3+0.7*0.6+0.4*0.2+0.3*0.4＝1.06。
[0115]就诊往来记录record2的量化调整评价是：
0.4*0.5+0.2*0.2+0.5*0.3+0.4*0.6+0.6*0.2+0.2*0.4＝0.83。
[0116]因此，可以将就诊往来记录record1调整在就诊往来记录record2之前向服务资源分配指向者展示或者分配，以使服务资源分配指向者优先处理就诊往来记录record1。[0117]本申请实施例中，就诊交互情绪对应的极性值越高表征对应的就诊往来记录对服务资源分配指向者的情绪指引越有效，即服务资源分配指向者对该就诊往来记录的关注度越高，热度越高表征对应的就诊往来记录是服务资源分配指向者所关注的就诊往来记录的可能性越高，因此，基于就诊交互情绪信息、关联程度、服务咨询热度、以及受关注信息对就诊往来记录进行调整能够更进一步提高服务资源分配指向者对优先展示的就诊往来记录进行就诊交互行为处理的可能性，从而实现就诊往来记录对应的医疗资源服务的有效分配，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。
[0118]对于一些示例性的描述而言，在STEP112之前还可以包括将每个就诊往来记录的就诊交互情绪信息、关联程度、以及受关注信息进行整体性合并，以获得每个就诊往来记录
19
CN 114627992 A
说 明 书
16/21页
的前置量化调整评价；根据前置量化调整评价（预先得到的排序分数）对多个就诊往来记录进行由小到大调整，并将由小到大调整结果中在前的部分就诊往来记录进行清洗。[0119]本申请实施例中，如果就诊往来记录的数量较多，通过预调整可以选出较优质的部分就诊往来记录，从而可以节约STEP112中进行就诊往来记录调整的运算开销。[0120]可以理解的是，本申请实施例通过联合体验分享者（就诊项目参与者）与当前询问者用户（服务资源分配指向者）的差异化需求，同时对融合感官信息多角度信息与体验内容进行深度学习，将询问者对融合感官信息体验可能的多种就诊交互行为作为针对性调整的目标进行网络搭建，提升融合感官信息体验列表对服务资源分配指向者的吸引程度，提升服务资源分配指向者与服务体验的适配性。[0121]在上述内容的基础上，在一些选择性的且可独立实施的技术方案中，在STEP105之后，该方法还可以包括STEP106。[0122]在STEP106中，响应于所述服务资源分配指向者从输出的所述多个就诊往来记录中选定的目标就诊往来记录，确定所述目标就诊往来记录所对应的医疗资源服务信息；基于所述医疗资源服务信息以及所述医疗资源服务信息的在先使用记录，确定与所述服务资源分配指向者适配的医疗资源服务项目。[0123]可以理解的是，在确定出目标就诊往来记录所对应的医疗资源服务信息之后，通过考虑医疗资源服务信息的在先使用记录，能够进一步挖掘与服务资源分配指向者适配的医疗资源服务项目，从而进一步提高医疗资源服务项目推送的精度。[0124]在一些选择性的且可独立实施的技术方案中，STEP106中所描述的基于所述医疗资源服务信息以及所述医疗资源服务信息的在先使用记录，确定与所述服务资源分配指向者适配的医疗资源服务项目，可以包括以下STEP1061、STEP1062、STEP1063和STEP1064。[0125]在STEP1061中，获取医疗资源服务信息中的各第一医疗资源服务项目在前一就诊交互时段的医疗互动数据。[0126]可以理解的是，所述医疗互动数据包括患者流向评估信息和服务下发关联数据中的至少一项，所述服务下发关联数据包括前一就诊交互时段的历史服务下发量、医疗资源服务项目的服务下发影响信息或目标服务下发量中的至少一项，所述医疗资源服务信息包括至少一个第一类别的第一医疗资源服务项目和至少一个第二类别的第二医疗资源服务项目。
[0127]在STEP1062中，对于每一所述第一医疗资源服务项目，基于所述第一医疗资源服务项目在前一就诊交互时段的医疗互动数据，确定所述第一医疗资源服务项目在当前就诊交互时段的第一服务下发检测结果。[0128]在STEP1063中，获取各所述第二医疗资源服务项目在当前就诊交互时段的第二服务下发检测结果。
[0129]可以理解的是，对于所述第一医疗资源服务项目或第二医疗资源服务项目对应的服务下发检测结果，服务下发检测结果表征了医疗资源服务项目的被下发的可能性。[0130]在STEP1064中，根据各所述第一医疗资源服务项目对应的第一服务下发检测结果以及各所述第二医疗资源服务项目的对应的第二服务下发检测结果，从所述医疗资源服务信息中确定出当前就诊交互时段的与所述服务资源分配指向者适配的医疗资源服务项目。[0131]可以理解的是，在确定出目标就诊往来记录所对应的医疗资源服务信息之后，通
20
CN 114627992 A
说 明 书
17/21页
过考虑医疗资源服务信息的在先使用记录（第一医疗资源服务项目在前一就诊交互时段的医疗互动数据），能够进一步挖掘与服务资源分配指向者适配的医疗资源服务项目，从而进一步提高医疗资源服务项目推送的精度。
[0132]在一些选择性的且可独立实施的技术方案中，所述服务下发影响信息包括所述医疗资源服务信息的各医疗资源服务项目的以下信息中的至少一项：前一就诊交互时段的收藏记录；前一就诊交互时段的使用记录；前一就诊交互时段的分享记录；前一就诊交互时段的服务下发检测结果。
[0133]在一些选择性的且可独立实施的技术方案中，所述服务下发影响信息包括前一就诊交互时段的服务下发检测结果，对于任一所述第一医疗资源服务项目，所述基于所述第一医疗资源服务项目的医疗互动数据，确定所述第一医疗资源服务项目在当前就诊交互时段的第一服务下发检测结果，包括：根据所述医疗互动数据，对所述第一医疗资源服务项目前一就诊交互时段的服务下发检测结果进行调整，得到所述第一医疗资源服务项目在当前
如此，可以确保所述第一医疗资源服务项目在当就诊交互时段的第一服务下发检测结果。
前就诊交互时段的第一服务下发检测结果的完整性。[0134]在一些选择性的且可独立实施的技术方案中，所述方法还包括：确定各所述第一医疗资源服务项目在当前就诊交互时段的被分享可能性；所述根据各所述第一医疗资源服务项目对应的第一服务下发检测结果以及各所述第二医疗资源服务项目的对应的第二服务下发检测结果，从所述医疗资源服务信息中确定出当前就诊交互时段的与所述服务资源分配指向者适配的医疗资源服务项目，包括：基于各所述第一医疗资源服务项目对应的第一服务下发检测结果、所述被分享可能性以及各所述第二医疗资源服务项目对应的第二服务下发检测结果，从所述各待定医疗资源服务项目中确定出当前就诊交互时段对应的与所述服务资源分配指向者适配的医疗资源服务项目。如此，可以确保当前就诊交互时段对应的与所述服务资源分配指向者适配的医疗资源服务项目的时效性。[0135]在一些选择性的且可独立实施的技术方案中，所述确定各所述第一医疗资源服务项目在当前就诊交互时段的被分享可能性，包括：对于每一所述第一医疗资源服务项目，获取所述第一医疗资源服务项目对应于当前就诊交互时段的输出评价，其中，所述输出评价
对于每一所述第一医疗资源是指影响所述第一医疗资源服务项目的被分享可能性的信息；
服务项目，根据所述第一医疗资源服务项目对应的输出评价，确定所述第一医疗资源服务项目在当前就诊交互时段的被分享可能性。如此十二级，可以确保各所述第一医疗资源服务项目在当前就诊交互时段的被分享可能性的精度。[0136]在一些选择性的且可独立实施的技术方案中，所述对于每一所述第一医疗资源服务项目，基于所述第一医疗资源服务项目在前一就诊交互时段的医疗互动数据，确定所述第一医疗资源服务项目在当前就诊交互时段的第一服务下发检测结果，是通过医疗资源服务项目测试网络实现的，所述医疗资源服务项目测试网络是通过以下方式训练得到的：获取样本训练集，其中，所述样本训练集中的每个训练样本包括一个第一类别的第三医疗资源服务项目在初始就诊交互时段的样本医疗互动数据；将各所述第三医疗资源服务项目在初始就诊交互时段的样本医疗互动数据传入至原始信息测试网络中，得到各所述第三医疗资源服务项目在所述初始就诊交互时段的下一就诊交互时段的服务下发测试结果；对于每个所述第三医疗资源服务项目，基于所述第三医疗资源服务项目在初始就诊交互时段的样
21
CN 114627992 A
说 明 书
18/21页
本医疗互动数据和下一就诊交互时段的服务下发测试结果，确定所述第三医疗资源服务项目对应的第一测试结果评价值；基于各所述第三医疗资源服务项目对应的第一测试结果评价值，确定所述信息测试网络对应的第一全局代价；基于各所述训练样本和第一全局代价对所述信息测试网络进行反复训练，直至所述全局代价满足预设的第一训练终止条件，得到所述医疗资源服务项目测试网络。如此设计，可以确保医疗资源服务项目测试网络的性能稳定性，从而确保医疗资源服务项目测试结果的准确性和可信度。[0137]在一些选择性的且可独立实施的技术方案中，每个所述训练样本还包括所述第三医疗资源服务项目在初始就诊交互时段的下一就诊交互时段的真实服务下发检测结果、初始就诊交互时段的下一就诊交互时段的实际结果评价值和所述初始就诊交互时段的第一就诊交互时段的样本医疗互动数据，其中，所述第一就诊交互时段为下一就诊交互时段的
其中，对于每个所述第三医疗资源服务项目，基于所述第三医疗资源服下一就诊交互时段；
务项目在初始就诊交互时段的样本医疗互动数据和服务下发测试结果，确定所述第三医疗资源服务项目对应的第一测试结果评价值，是通过服务质量测试网络实现的，所述服务质量测试网络是通过以下方式训练得到的：将各所述第三医疗资源服务项目在第一就诊交互时段的样本医疗互动数据传入至原始信息测试网络中，得到各所述第三医疗资源服务项目在第一就诊交互时段的第二服务下发测试结果；将各所述第三医疗资源服务项目在初始就诊交互时段的第一就诊交互时段的样本医疗互动数据和对应的第二服务下发测试结果传入至初始服务质量测试网络中，得到各所述第三医疗资源服务项目对应的第二测试结果评价值；对于每个所述第三医疗资源服务项目，基于所述实际结果评价值和所述第二测试结果评价值，确定所述第三医疗资源服务项目对应的第一服务质量评价值，基于所述第三医疗资源服务项目在初始就诊交互时段的样本医疗互动数据和初始就诊交互时段的下一就诊交互时段的真实服务下发检测结果，通过服务质量测试网络，得到所述第三医疗资源服务项目对应的第二服务质量评价值；基于各所述第三医疗资源服务项目对应的第一服务质量评价值和第二服务质量评价值，确定所述服务质量测试网络对应的第二全局代价；基于各所述训练样本和所述第二全局代价，对服务质量测试网络进行反复训练，直至满足预设的第二训练终止条件。如此，可以确保服务质量测试网络的网络性能，提高服务质量测试网络的抗干扰能力。
[0138]在一些选择性的且可独立实施的技术方案中，每个所述训练样本还包括所述第三医疗资源服务项目所对应的至少一个第二类别的第四医疗资源服务项目在所述初始就诊交互时段的下一就诊交互时段的服务下发量化测评数据，对于任一所述第三医疗资源服务项目，所述实际结果评价值是通过以下方式得到的：获取所述第三医疗资源服务项目的目标服务下发量以及所述初始就诊交互时段的下一就诊交互时段对应的已服务下发量；根据所述目标服务下发量和所述已服务下发量，确定所述第三医疗资源服务项目的服务下发量化测评数据；根据所述第三医疗资源服务项目的服务下发量化测评数据和所述第三医疗资源服务项目对应的各第四医疗资源服务项目的各服务下发量化测评数据，确定所述实际结果评价值。如此设计，可以确保实际结果评价值的准确性和可信度。[0139]综上，基于服务资源分配指向者和就诊项目参与者的互动特征信息以及可视化医疗服务的自有特征信息来确定服务资源分配指向者针对就诊往来记录的服务咨询热度，进而根据服务咨询热度对就诊往来记录进行输出，使得输出的就诊往来记录的优先级情况满
22
CN 114627992 A
说 明 书
19/21页
足服务资源分配指向者的差异性医疗服务需求，相较于常规技术中根据单一的、片面的判断标准对就诊往来记录进行调整，能够提高就诊往来记录对应的服务资源分配准确性，进而能够在一定程度上减少用于分配和展示就诊往来记录所占用的运算开销和网络资源。[0140]<系统实施例>
在上述的方法实施例的基础上，本申请实施例还提出了一种系统实施例，也即应
用于数字化医疗的服务资源处理系统，请结合参阅图4，应用于数字化医疗的服务资源处理系统30可以包括互相通信的智慧医疗服务器100和智慧医疗客户端200。进一步地，应用于数字化医疗的服务资源处理系统30的功能性描述如下。[0141]智慧医疗服务器100获取针对可视化医疗服务的多个就诊往来记录；基于所述可视化医疗服务的服务资源分配指向者和就诊项目参与者的差异化偏好、以及所述就诊项目参与者针对所述可视化医疗服务分享的每个就诊往来记录，生成所述可视化医疗服务的就诊服务询问描述；基于所述就诊服务询问描述和所述可视化医疗服务的多样化描述进行整
基于所述全局性描述确定所述服务资源分配指向者针对所述每合处理，得到全局性描述；
个就诊往来记录的服务咨询热度；基于所述服务咨询热度对所述多个就诊往来记录进行调整，并基于调整结果输出所述多个就诊往来记录。在本申请实施例中，智慧医疗客户端200可以理解为服务资源分配指向者和/或就诊项目参与者。[0142]本领域技术人员公知的是，随着诸如大规模集成电路技术的电子信息技术的发展和软件硬件化的趋势，要明确划分计算机系统软、硬件界限已经显得比较困难了。因为，任何操作可以软件来实现，也可以由硬件来实现。任何指令的执行可以由硬件完成，同样也可以由软件来完成。对于某一机器功能采用硬件实现方案还是软件实现方案，取决于价格、速度、可靠性、存储容量、变更周期等非技术性因素。因此，对于电子信息技术领域的普通技术人员来说，更为直接和清楚地描述一个技术方案的方式是描述该方案中的各个操作。在知道所要执行的操作的情况下，本领域技术人员可以基于对所述非技术性因素的考虑直接设计出期望的产品。
[0143]本申请可以是系统、方法和/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，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。[0144]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。
[0145]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
23
CN 114627992 A
说 明 书
20/21页
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。[0146]用于执行本申请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，所述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，从而实现本申请的各个方面。
[0147]这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。[0148]这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，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器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/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/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
[0149]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/或框图中的一个或多个方框中规定的功能/动作。
[0150]附图中的流程图和框图显示了根据本申请的多个实施例的系统、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，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、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，方框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，两个连续的方框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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
24
CN 114627992 A[0151]
说 明 书
21/21页
以上已经描述了本申请的各实施例，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。本申请的范围由所附权利要求来限定。
25
CN 114627992 A
说 明 书 附 图
1/2页
图1
图2
26
CN 114627992 A
说 明 书 附 图
2/2页
图3
图4
27
因篇幅问题不能全部显示，请点此查看更多更全内容