数据处理方法、装置、设备及存储介质与流程

1.本技术涉及医疗技术领域，尤其涉及一种数据处理方法、装置、设备及存储介质。


背景技术：

2.目前，随着信息化技术的快速发展，互联网数据已经渗透到当今每一个行业和业务职能领域，互联网数据爆发式的增长。例如，在数字医疗技术领域中，慢病的发病率呈逐年上升的趋势，慢病相关的数字医疗数据爆发增长。然而，现有方案的数据管理方案效率低下。


技术实现要素：

3.本技术实施例提供了一种数据处理方法、装置、设备以及存储介质，可以分组管理用户数据，提升数据管理的效率。
4.第一方面，本技术实施例提供了一种数据处理方法，该数据处理方法包括：
5.获取用户的病历信息，并基于病历信息在医联体系统内确定目标医疗资源；
6.从目标医疗资源内获取目标会话信息，对目标会话信息进行特征提取，确定目标会话信息对应的特征矩阵；
7.调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告；
8.将分析报告与各个用户频道的频道主题进行命中匹配，将命中匹配成功的用户频道确定为目标用户频道，并将用户的关联账号添加至目标用户频道。
9.第二方面，本技术实施例提供了一种数据处理装置，该数据处理装置包括：
10.确定单元，用于获取用户的病历信息，并基于病历信息在医联体系统内确定目标医疗资源；
11.特征提取单元，用于从目标医疗资源内获取目标会话信息，对目标会话信息进行特征提取，确定目标会话信息对应的特征矩阵；
12.处理单元，用于调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告；
13.添加单元，用于将分析报告与各个用户频道的频道主题进行命中匹配，将命中匹配成功的用户频道确定为目标用户频道，并将用户的关联账号添加至目标用户频道。
14.第三方面，本技术实施例提供了一种数据处理设备，该数据处理设备包括输入接口、输出接口，该数据处理设备还包括：
15.处理器，适于实现一条或多条指令；以及，
16.计算机存储介质，该计算机存储介质存储有一条或多条指令，该一条或多条指令适于由处理器加载并执行上述第一方面所述的方法。
17.第四方面，本技术实施例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存储有计算机程序指令，计算机程序指令被处理器执行时，用于执行第一方面所述的方法。
18.在本技术实施例中，数据处理设备可以基于用户的病历信息在医联体系统内确定目标医疗资源，并调用目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理，确定分析结果报告。由于数据处理设备从医联体系统内确定了目标医疗资源，目标医疗资源内的分析模型可以更具针对性，以及目标医疗资源内的目标会话信息更具代表性，那么通过目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理得到的分析结果报告更准确。并且，可以基于分析结果报告从各个用户频道内确定目标用户频道，并将用户的关联账号添加至目标用户频道。当用户的关联账号被添加至用户频道时，一个用户频道内的用户数据可以被统一管理，可以提升数据管理的效率。
附图说明
19.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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，还可以根据这些附图获得其他的附图。
20.图1是本技术实施例提供的一种医联体系统的结构示意图；
21.图2是本技术实施例提供的一种数据处理方法的流程示意图；
22.图3是本技术实施例提供的另一种数据处理方法的流程示意图；
23.图4是本技术实施例提供的一种分析模型的流程示意图；
24.图5是本技术实施例提供的一种数据处理装置的结构示意图；
25.图6是本技术实施例提供的一种数据处理设备的结构示意图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.目前，随着信息化技术的快速发展，互联网数据已经渗透到当今每一个行业和业务职能领域，互联网数据呈爆发式增长。例如，在数字医疗技术领域中，随着社会生存与竞争压力的加大，慢病的发病率呈逐年上升的趋势，慢病相关的数字医疗数据增长速度较快。现有方案中，常常是通过人工方式对数据进行管理，成本高且效率低下。随着计算机技术的发展，各个领域都实现了智能化，因此，可以结合计算机技术管理数据。基于此，本技术实施例提供了一种数据处理方法，在该方法中，数据处理设备可以基于用户的病历信息在医联体系统内确定目标医疗资源，以便从目标医疗资源内获取目标会话信息，并调用目标医疗资源对应的分析模型对目标会话信息处理，确定分析结果报告。最后，可以将该分析报告与各个用户频道的频道主题进行命中匹配，将命中匹配成功的用户频道确定为目标用户频道，并将用户的关联账号添加至目标用户频道。可以高效的管理数据。
28.需要说明，其中，该分析模型可以是基于人工智能(artificial intelligence，ai)技术中的机器学习算法构建的。其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、
方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
29.在一个实施例中，本技术所提及的数据处理方法可以应用于医联体系统内，如图1所示，该医联体系统内可至少包括：终端设备11、数据处理设备12以及医疗资源13。其中，医联体系统是指区域内的医疗联合系统，可以将一定区域内的医疗资源进行整合。通过医联体系统将医疗机构的医疗资源配置到医联体系统内，医联体系统内的医疗资源可以共享，可以提升医疗机构的医疗服务能力。其中，医联体系统可以包括多个医疗机构。该“医疗机构”可以包括用于向患者提供医疗服务的机构，包括医院、第三方独立的临床检验中心、临床影像分析中心等。其中，医院可以包括多个级别的医院，例如，三级甲等医院、二级乙等医院、社区医院、诊所等等。
30.其中，终端设备11是指用户关联的终端设备，用户可以通过终端设备11与医联体系统内的其他设备进行通信。其中，终端设备可以包括但不限于：智能手机、平板电脑、膝上计算机、可穿戴设备、台式计算机，等等。其中，数据处理设备12可以是具有数据处理能力的任意设备，例如，该数据处理设备12可以是如图1所示的服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、内容分发网络(content delivery network，cdn)、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器，等等。其中，医疗资源13可以包括医疗设备、医务人员或者医务人员关联的终端设备等等。
31.请参见图2，是本技术实施例提出的一种数据处理方法的流程示意图。如图2所示，该数据处理方法包括s201-s204：
32.s201：获取用户的病历信息，并基于病历信息在医联体系统内确定目标医疗资源。
33.其中，可选的，用户可以包括慢病患者。该用户的病历信息用于记录慢病患者疾病发生、发展、分析以及治疗情况。该病历信息可以为电子病历信息，即该病历信息可以是用电子设备保存、管理、传输和重现的数字化的医疗记录。可选的，可以基于人工智能模型从海量的电子病历中查询用户的病历信息。
34.其中，不同的医疗资源可能对应分析不同类型的慢病数据。例如，慢病可能包括高血压、糖尿病和抑郁症。医疗资源1可能擅长分析高血压数据，医疗资源2可能擅长分析糖尿病数据以及医疗资源3可能擅长分析抑郁症数据等等。
35.基于此，一个实施例中，可以获取用户的病历信息，根据用户的病历信息确定用户的历史分析结果，并根据历史分析结果从医联体系统包括的多个候选医疗资源中匹配目标医疗资源。具体的，可以对病历信息进行向量转换，得到病历信息对应的特征向量，调用分类模型对病历信息对应的特征向量进行处理，确定历史分析结果，在多个候选医疗资源中查找与用户的历史分析结果匹配的候选医疗资源，并将匹配的候选医疗资源作为目标医疗资源。
36.其中，一种历史分析结果可以对应至少一个候选医疗资源。例如，一种历史分析结果对应一个候选医疗资源，高血压对应候选医疗资源1，糖尿病对应候选医疗资源2，抑郁症
对应候选医疗资源3。当数据处理设备根据用户的病历信息确定用户的历史分析结果为高血压时，可以将高血压对应的候选医疗资源1作为目标医疗资源。当数据处理设备根据用户的病历信息确定用户的历史分析结果为糖尿病时，可以将糖尿病对应的候选医疗资源2作为目标医疗资源。当数据处理设备根据用户的病历信息确定用户的历史分析结果为抑郁症时，可以将抑郁症对应的候选医疗资源3作为目标医疗资源。其中，当一种历史分析结果对应两个或多个候选医疗资源时，可以将历史分析结果对应的两个或多个候选医疗资源中的部分或全部确定为目标医疗资源。这里不做赘述。
37.s202：从目标医疗资源内获取目标会话信息，对目标会话信息进行特征提取，确定目标会话信息对应的特征矩阵。
38.在一个实施例中，用户可以通过其关联的终端设备在医联体系统中注册账号，并获得用户在医联体系统内的关联账号。当用户通过关联账号登录医联体系统时，用户可以通过其关联的终端设备与医联体系统内的医疗资源进行会话交互。基于此，数据处理设备可以从医疗资源中获取会话信息。在另一个实施例中，目标医疗资源内存储有用户对应的目标会话信息，可以直接从目标医疗资源内获取该用户对应的目标会话信息。
39.其中，会话信息可以包括任意模态的会话信息，即会话信息可以为任意描述角度的会话信息，例如，会话信息可以包括文本类型的会话信息、语音类型的会话信息、图像类型的会话信息中的一种或多种。会话信息可以包括至少一个模态的会话信息。
40.一个实施例中，会话信息可以包括多模态的会话信息。该多模态的会话信息可以包括文本类型的会话信息、语音类型的会话信息以及图像类型的会话信息中的多项。需要明白，多模态的会话信息中包括的模态越多，通过该多模态的会话信息确定的分析报告越准确。当会话信息包括多模态的会话信息时，可以分别对会话信息包括的每个模态的会话信息进行向量转换，得到每个模态的特征向量，并基于注意力机制对各个模态的特征向量进行向量融合，得到会话信息对应的特征矩阵。其中，注意力机制是指可以通过注意力权重将注意力集中在实际重要的特征上。一个模态的会话信息较重要，就将该模态的特征向量的注意力权重设置较高。
41.例如，当多模态的会话信息包括文本类型的会话信息、语音类型的会话信息以及图像类型的会话信息时，可以对文本类型的会话信息进行向量转换得到第一特征向量，对语音类型的会话信息进行向量转换得到第二特征向量以及对图像类型的会话信息进行向量转换得到第三特征向量，获取各个模态特征向量的注意力权重(即获取第一特征向量的注意力权重、第二特征向量的注意力权重以及第三特征向量的注意力权重)，并基于各个模态特征向量的注意力权重对各个模态的特征向量进行向量融合得到会话信息对应的特征矩阵。(即根据第一特征向量的注意力权重、第二特征向量的注意力权重以及第三特征向量的注意力权重将第一特征向量、第二特征向量以及第三特征向量进行融合得到特征矩阵)。
42.s203：调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告。
43.其中，基于s201所述可知，不同的医疗资源可能擅长分析不同类型的慢病数据。因此为了提升分析模型的准确性，可以针对不同的候选医疗资源训练不同的分析模型。当确定目标医疗资源时，可以调用目标医疗资源的分析资源对应的分析模型对特征矩阵进行处理确定分析结果报告。例如，承接前述的示例，可以针对候选医疗资源1训练分析模型1，针
对候选医疗资源2训练分析模型2，针对候选医疗资源3训练分析模型3。当目标医疗资源为候选医疗资源1时，可以调用分析模型1对特征矩阵进行处理，确定分析结果报告。当目标医疗资源为候选医疗资源2时，可以调用分析模型2对特征矩阵进行处理，确定分析结果报告。当目标医疗资源为候选医疗资源3时，可以调用分析模型3对特征矩阵进行处理，确定分析结果报告。
44.在一个可行的实施方式中，为了防止数据丢失，可以将分析结果报告写入区块链。具体的，可以将分析结果报告封装为区块，并添加在已有区块链的末端，通过共识算法保证每个节点新添加的区块是完全相同的。每个区块内记录了若干个分析结果报告，同时包含了前一个区块的哈希(hash)值，所有区块就是通过这种方式保存前一个区块中的hash值，按顺序相连，组成了区块链。区块链中下一个区块的区块头中会存储前一个区块的哈希值，当前一个区块中的分析结果报告发生变化时，本区块的哈希值也会随之改变，因此上传至区块链中的分析结果报告难以被篡改，提高了数据的可靠性。
45.s204：将分析结果报告与各个用户频道的频道主题进行命中匹配，将命中匹配成功的用户频道确定为目标用户频道，并将用户的关联账号添加至目标用户频道。
46.其中，用户频道可以是指针对具有某种特征的用户的相关数据的空间。可以针对用户频道内用户关联的终端设备进行内容推送，用户频道还可以支持用户通过关联的终端设备进行社交，提升用户体验。等等。
47.其中，用户频道的特征可以通过频道主题进行描述。该频道主题可以包括多种维度。频道主题可以包括慢病类型维度、等级维度、用户年龄维度、地点维度中的一项或多项。其中，慢病类型维度可以用于指示针对慢病类型的用户频道。例如，针对高血压的用户频道、针对糖尿病的用户频道、针对抑郁症的用户频道。其中，等级维度可以用于指示慢病等级的用户频道。例如，针对轻度慢病的用户频道、针对中度慢病的用户频道以及针对重度慢病的用户频道等等。其中，用户年龄维度可以用于指示用户频道内的用户的年龄。例如，针对儿童的用户频道、针对青少年的用户频道、针对中年人的用户频道以及针对老年人的用户频道等等。其中，地点维度可以指示用于用户频道的用户的位置信息，例如，针对地点a的用户频道、针对地点b的用户频道以及针对地点c的用户频道等等。
48.在一个实施例中，可以基于关键词识别算法将分析结果报告分别与各个用户频道的频道主题进行命中匹配，将命中匹配成功的用户频道确定为目标用户频道，并将用户的关联账号添加至目标用户频道。其中，命中匹配成功的用户频道也可以是指分析结果报告与用户频道的频道主题匹配性较高。如当一个用户频道的频道主题为青少年抑郁症时，若分析结果报告中包括抑郁症，且用户的年龄为青少年，那么该分析结果报告与这一个用户频道的频道主题匹配性较高。
49.进一步的，可以获取目标用户频道内的各个用户的用户指标，并基于目标用户频道的频道主题以及各个用户的用户指标制定康复计划，将康复计划推送至目标用户频道内各个用户的关联账号，以使得目标用户频道内各个用户基于康复计划进行康复治疗。其中，康复计划可以包括但不限于会话交流计划、体育锻炼计划、饮食计划和用药计划中的一项或多项。
50.其中，由于用户频道内的用户具有相似的特征，所以可以基于用户频道的频道主题制定康复计划。例如，当用户频道的频道主题包括慢病类型维度时，可以针对包括不同慢
病类型的用户频道制定不同的康复计划。又例如，当用户频道的频道主题包括用户年龄维度时，可以针对不同用户年龄的用户频道制定不同的康复计划。
51.其中，由于用户频道内的用户存在个体差异，在制定康复计划时还应该考虑到个体差异。因此，可以结合用户频道内的各个用户的用户指标制定康复计划。其中，用户指标可以包括但不限于身高、体重、年龄、位置信息、禁忌药物、心率、血压以及睡眠数据中的一项或多项。
52.在本技术实施例中，数据处理设备可以基于用户的病历信息在医联体系统内确定目标医疗资源，并调用目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理，确定分析结果报告。由于数据处理设备从医联体系统内确定了目标医疗资源，目标医疗资源内的分析模型可以更具针对性，以及目标医疗资源内的目标会话信息更具代表性，那么通过目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理得到的分析结果报告更准确。并且，可以基于分析结果报告从各个用户频道内确定目标用户频道，并将用户的关联账号添加至目标用户频道。当用户的关联账号被添加至用户频道时，一个用户频道内的用户数据可以被统一管理，可以提升数据管理的效率。
53.参见上述图2所示的方法实施例的相关描述可知，图2所示的数据处理方法中，可以通过分析模型对特征矩阵进行处理，确定分析结果报告。为了提升分析结果报告的准确性，可以结合分类任务的分类信息和标签任务的标签信息确定分析结果报告。基于此，本技术实施例还提供了另一种数据处理方法，参见图3所示，该数据处理方法可包括s301-s303：
54.s301：调用目标医疗资源的分析模型对特征矩阵进行分类处理，确定分类信息。
55.在一个实施例中，本技术实施例的分析模型可以包括多个任务，例如，可以包括分类任务和标签任务。需要说明的是，随着业务的发展，该分析模型还可以包括其他任务，本技术对此不做限定。
56.其中，分类任务可以用于确定分析结果报告的分类信息，分类信息用于指示慢病数据的类型。在一个实施例中，分类任务可以为一个多分类任务，数据处理设备可以调用目标医疗资源的分析模型对特征矩阵进行分类处理，确定为分类信息。
57.s302：调用目标医疗资源的分析模型对特征矩阵进行标签识别处理，确定标签信息。
58.其中，标签任务用于确定标签信息，标签信息用于指示慢病数据的标签。在一个实施例中，标签任务可以为多个二分类任务的组合，一个二分类任务可以用于判断是否包含这一个二分类任务对应的标签。具体的，数据处理设备可以利用目标二分类任务确定包含目标标签的概率，若包含目标标签的概率大于概率阈值，则确定标签信息包含目标标签；若包含目标标签的概率小于或等于概率阈值，则确定标签信息不包含目标标签。其中，目标标签可以为任意一个候选标签，目标二分类任务可以为目标标签对应的二分类任务。
59.需要注意的是，可选的，分类任务和标签任务可以是并列的任务，例如，可以同时执行分类任务确定分类信息和执行标签任务确定标签信息。可选的，也可以先执行分类任务确定分类信息，再执行标签任务确定标签信息。可选的，还可以先执行标签任务确定标签信息，再执行分类任务确定分类信息。本技术对此不做限定。
60.一个实施例中，由于分类任务相比标签任务简单得多，分类任务的准确率比较高。标签任务虽然更加具体，但由于标签任务的候选标签数目过大、粒度细、长尾分布严重等问
题，标签任务不具有分类任务的鲁棒特征。因此，还可以将分类任务作为标签任务的一种辅助过程。引入分类任务的分类信息后，通过标签识别处理得到的标签信息更具鲁棒性。具体的，可以调用目标医疗资源对应的分析模型基于分类信息指示的类型以及特征矩阵进行标签识别处理，得到标签信息，该标签信息与分类信息指示的类型相匹配。也就是说，可以将分类任务和标签任务设置为一个级联结构，分类任务是标签任务的辅助任务。
61.请参见图4所示，图4示出了级联结构的分析模型的流程示意图。其中，图4的上侧图示出了分类任务的流程示意图。数据处理设备可以基于特征矩阵确定分类信息。其中，图4的下侧图示出了标签任务的流程示意图。在标签任务中，可以基于分类任务确定的分类信息以及特征矩阵确定标签信息。如图4所示，分类任务对应的分类信息以及特征矩阵均输入到分析模型的标签任务中。此时，数据处理设备可以调用分析模型中的标签任务，根据分类信息指示的类型以及特征矩阵进行标签识别处理，得到标签信息，标签信息与分类信息指示的类型相匹配。
62.该标签信息与分类信息指示的类型相匹配。例如，若分类信息指示的慢病数据类型为“产后抑郁症”，那么标签信息中的各个标签将会与“产后抑郁症”相匹配，标签信息中会包括“妊娠”、“难产”、“婴儿”等产后抑郁症相关的标签。这种情况下，标签信息与分类信息指示的类型相匹配，标签信息中存在互斥标签的情况也大大减少。避免了单独的标签任务中，标签信息同时包括多个类型下的标签。例如，在单独的标签任务中，标签信息可能同时包括“产后抑郁症”类型下的标签和“青少年抑郁症”类型下的标签，标签信息的准确率较低。由于分类任务相比标签任务会简单得多，分类任务的准确率比较高。当以分类任务得到的分类信息指示的类型为基准时，不会出现多个类型下的标签，标签信息的准确性更高。
63.s303：根据分类信息以及标签信息确定分析结果报告。
64.其中，该分析结果报告中包括分类信息和标签信息。
65.在一个实施例中，在调用目标医疗资源的分析模型对特征矩阵进行处理，确定分析结果报告之前，还需要对初始模型进行训练得到目标医疗资源的分析模型。训练过程可以包括s11-s14。
66.s11：获取训练样本，该训练样本包括样本会话信息、样本会话信息的基准分类以及样本会话信息的基准标签。
67.其中，可以对样本会话信息进行标注，获得样本会话信息的基准分类以及基准标签。针对目标医疗资源对应的分析模型，训练样本可以是目标医疗资源内的会话信息。
68.s12：通过初始模型对样本会话信息进行分类处理，得到样本会话信息的分类信息，以及通过初始模型对样本会话信息进行标签识别处理，得到样本会话信息的标签信息。
69.具体的实现方式可以参考s301和s302的相关实施例，本技术对此不做赘述。
70.s13：根据样本会话信息的基准分类和分类信息确定第一损失值，以及根据样本会话信息的基准标签和标签信息确定第二损失值。
71.其中，第一损失值可以为分类任务对应的损失值。由前述可知，分类任务可以是一个多分类任务，那么数据处理设备根据样本会话信息的基准分类和分类信息确定的第一损失值可以为多分类交叉熵损失值。
72.其中，第二损失值可以为标签任务对应的损失值。由前述可知，标签任务是多个二分类任务的组合，那么数据处理设备根据样本会话信息的基准标签和标签信息确定的第二
损失值可以包括多个二分类交叉熵损失值。
73.s14：基于第一损失值和第二损失值确定初始模型的损失值，并基于初始模型的损失值对初始模型进行训练，得到目标医疗资源对应的分析模型。
74.在一个实施例中，数据处理设备可以获取分类任务对应的权重因子以及标签任务对应的权重因子，并基于分类任务对应的权重因子以及标签任务对应的权重因子对第一损失值和第二损失值进行处理，得到初始模型的损失值。
75.可选的，分类任务对应的权重因子和标签任务对应的权重因子之和可以等于基准数值，那么数据处理设备可以基于分类任务对应的权重因子以及标签任务对应的权重因子对第一损失值和第二损失值进行加权求和，得到初始模型的损失值。
76.可选的，分类任务对应的权重因子和标签任务对应的权重因子均可以为基准数值，数据处理设备可以直接将第一损失值和第二损失值相加得到初始模型的损失值。
77.本技术实施例可以调用分析模型的分类任务确定分类信息以及调用分析模型的标签任务确定标签信息，结合分类任务和标签任务的分析结果报告更准确更全面。除此之外，还可以根据分类信息指示的类型进行标签识别处理，得到标签信息。该标签信息与分类信息指示的类型相匹配，由于分类任务相比标签任务会简单得多，分类任务的准确率比较高。当以分类任务得到的分类信息指示的类型为基准时，提升了标签信息的准确性。
78.请参见图5，图5为本技术实施例提供的一种数据处理装置的结构示意图。该数据处理装置可以为运行于上述所提及的数据处理设备中的一个计算机程序(包括程序代码)。该数据处理装置可以执行图2或图3所示的方法。请参见图5，所述数据处理装置可以运行如下单元：确定单元501、特征提取单元502、处理单元503以及添加单元504。
79.确定单元501，用于获取用户的病历信息，并基于病历信息在医联体系统内确定目标医疗资源。
80.特征提取单元502，用于从目标医疗资源内获取目标会话信息，对目标会话信息进行特征提取，确定目标会话信息对应的特征矩阵。
81.处理单元503，用于调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告。
82.添加单元504，用于将分析结果报告与各个用户频道的频道主题进行命中匹配，将命中匹配成功的用户频道确定为目标用户频道，并将用户的关联账号添加至目标用户频道。
83.在一个可行的实施方式中，处理单元503用于调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告，包括：
84.调用目标医疗资源的分析模型对特征矩阵进行分类处理，确定分类信息，以及调用目标医疗资源的分析模型对特征矩阵进行标签识别处理，确定标签信息；
85.根据分类信息以及标签信息确定分析结果报告。
86.在一个可行的实施方式中，处理单元503用于调用目标医疗资源对应的分析模型对特征矩阵进行标签识别处理，确定标签信息，包括：
87.调用目标医疗资源对应的分析模型基于分类信息指示的类型以及特征矩阵进行标签识别处理，得到标签信息，该标签信息与分类信息指示的类型相匹配。
88.在一个可行的实施方式中，处理单元503用于调用目标医疗资源对应的分析模型
对特征矩阵进行处理，确定分析结果报告之前，处理单元503还用于：
89.获取训练样本，该训练样本包括样本会话信息、样本会话信息的基准分类以及样本会话信息的基准标签；
90.通过初始模型对样本会话信息进行分类处理，得到样本会话信息的分类信息，以及通过初始模型对样本会话信息进行标签识别处理，得到样本会话信息的标签信息；
91.根据样本会话信息的基准分类和分类信息确定第一损失值，以及根据样本会话信息的基准标签和标签信息确定第二损失值；
92.基于第一损失值和第二损失值确定初始模型的损失值，并基于初始模型的损失值对初始模型进行训练，得到目标医疗资源对应的分析模型。
93.在一个可行的实施方式中，该目标会话信息包括多模态的会话信息，特征提取单元502用于对目标会话信息进行特征提取，确定目标会话信息对应的特征矩阵，包括：
94.分别对目标会话信息包括的每个模态的目标会话信息进行向量转换，得到每个模态的特征向量；
95.基于注意力机制对各个模态的特征向量进行向量融合，得到目标会话信息对应的特征矩阵。
96.在一个可行的实施方式中，医联体系统包括多个候选医疗资源，确定单元501用于基于病历信息在医联体系统内确定目标医疗资源，包括：
97.对病历信息进行向量转换，得到病历信息对应的特征向量；
98.调用分类模型对病历信息对应的特征向量进行处理，确定用户的历史分析结果；
99.在多个候选医疗资源中查找与用户的历史分析结果匹配的候选医疗资源，并将匹配的候选医疗资源作为目标医疗资源。
100.在一个可行的实施方式中，添加单元504用于将用户的关联账号添加至目标用户频道之后，该添加单元504还用于：
101.获取目标用户频道内的各个用户的用户指标，并基于目标用户频道的频道主题以及各个用户的用户指标制定康复计划；
102.将康复计划推送至目标用户频道内各个用户的关联账号，以使得目标用户频道内各个用户基于所述康复计划进行康复治疗。
103.根据本技术的一个实施例，图2或图3所示的方法所涉及的各个步骤均可以是由图5所示的数据处理装置中的各个单元执行的。例如，图2所示的s201由图5中所示的确定单元501来执行，s202由图5中所示的特征提取单元502来执行，s203由图5中所示的处理单元503来执行以及s204由图5中所示的添加单元504来执行。又如，图3所示的s301-s303由图5中所示的处理单元503来执行。
104.根据本技术的另一个实施例，图5所示的数据处理装置中的各个单元可以分别或者全部合并为一个或若干个另外的单元来构成，或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成，这可以实现同样的操作，而不影响本技术实施例的技术效果的实现。上述单元是基于逻辑功能划分的，在实际应用中，一个单元的功能也可以是由多个单元来实现，或者多个单元的功能由一个单元实现。在本技术的其他实施例中，基于数据处理装置也可以包括其他单元，在实际应用中，这些功能也可以由其他单元协助实现，并且可以由多个单元协作实现。
105.根据本技术的另一个实施例，可以通过包括中央处理单元(central processing unit，cpu)，随机存取存储介质(ram)、只读存储介质(rom)等处理元件和存储元件。例如计算机的通用计算设备上运行能够执行如图2或图3中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码)，来构造如图5所示的数据处理装置，以及来实现本技术实施例的数据处理方法。所述的计算机程序可以记载于例如计算机可读记录介质上，并通过计算机可读记录介质装载于上述数据处理设备中，并在其中运行。
106.在本技术实施例中，数据处理装置可以基于用户的病历信息在医联体系统内确定目标医疗资源，并调用目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理，确定分析结果报告。由于数据处理装置从医联体系统内确定了目标医疗资源，目标医疗资源内的分析模型可以更具针对性，以及目标医疗资源内的目标会话信息更具代表性，那么通过目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理得到的分析结果报告更准确。并且，可以基于分析结果报告从各个用户频道内确定目标用户频道，并将用户的关联账号添加至目标用户频道。当用户的关联账号被添加至用户频道时，一个用户频道内的用户数据可以被统一管理，可以提升数据管理的效率。
107.基于上述数据处理方法实施例的描述，本技术实施例还公开了一种数据处理设备。请参见图6，该数据处理设备至少包括处理器601、输入接口602、输出接口603以及存储器604可通过总线或其他方式连接。
108.所述存储器604是数据处理设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器604既可以包括数据处理设备的内置存储介质，当然也可以包括数据处理设备支持的扩展存储介质。存储器604提供存储空间，该存储空间存储了数据处理设备的操作系统。并且，在该存储空间中还存放了适于被处理器601加载并执行的一条或多条指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的存储器可以是高速ram存储器；可选的，还可以是至少一个远离前述处理器的存储器、所述处理器可以称为中央处理单元(central processing unit，cpu)，是数据处理设备的核心以及控制中心，适于被实现一条或多条指令，具体加载并执行一条或多条指令从而实现相应的方法流程或功能。
109.在一个实施例中，可由处理器601加载并执行存储器604中存放的一条或多条指令，以实现执行如图2或图3中所示的相应方法所涉及的各步骤，具体实现中，存储器604中的一条或多条指令由处理器601加载并执行以下步骤：
110.获取用户的病历信息，并基于病历信息在医联体系统内确定目标医疗资源。
111.从目标医疗资源内获取目标会话信息，对目标会话信息进行特征提取，确定目标会话信息对应的特征矩阵。
112.调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告。
113.将分析结果报告与各个用户频道的频道主题进行命中匹配，将命中匹配成功的用户频道确定为目标用户频道，并将用户的关联账号添加至目标用户频道。
114.在一个可行的实施方式中，处理器601用于调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告，包括：
115.调用目标医疗资源的分析模型对特征矩阵进行分类处理，确定分类信息，以及调用目标医疗资源的分析模型对特征矩阵进行标签识别处理，确定标签信息；
116.根据分类信息以及标签信息确定分析结果报告。
117.在一个可行的实施方式中，处理器601用于调用目标医疗资源对应的分析模型对特征矩阵进行标签识别处理，确定标签信息，包括：
118.调用目标医疗资源对应的分析模型基于分类信息指示的类型以及特征矩阵进行标签识别处理，得到标签信息，该标签信息与分类信息指示的类型相匹配。
119.在一个可行的实施方式中，处理器601用于调用目标医疗资源对应的分析模型对特征矩阵进行处理，确定分析结果报告之前，处理器601还用于：
120.获取训练样本，该训练样本包括样本会话信息、样本会话信息的基准分类以及样本会话信息的基准标签；
121.通过初始模型对样本会话信息进行分类处理，得到样本会话信息的分类信息，以及通过初始模型对样本会话信息进行标签识别处理，得到样本会话信息的标签信息；
122.根据样本会话信息的基准分类和分类信息确定第一损失值，以及根据样本会话信息的基准标签和标签信息确定第二损失值；
123.基于第一损失值和第二损失值确定初始模型的损失值，并基于初始模型的损失值对初始模型进行训练，得到目标医疗资源对应的分析模型。
124.在一个可行的实施方式中，该目标会话信息包括多模态的会话信息，处理器601用于对目标会话信息进行特征提取，确定目标会话信息对应的特征矩阵，包括：
125.分别对目标会话信息包括的每个模态的目标会话信息进行向量转换，得到每个模态的特征向量；
126.基于注意力机制对各个模态的特征向量进行向量融合，得到目标会话信息对应的特征矩阵。
127.在一个可行的实施方式中，医联体系统包括多个候选医疗资源，处理器601用于基于病历信息在医联体系统内确定目标医疗资源，包括：
128.对病历信息进行向量转换，得到病历信息对应的特征向量；
129.调用分类模型对病历信息对应的特征向量进行处理，确定用户的历史分析结果；
130.在多个候选医疗资源中查找与用户的历史分析结果匹配的候选医疗资源，并将匹配的候选医疗资源作为目标医疗资源。
131.在一个可行的实施方式中，处理器601用于将用户的关联账号添加至目标用户频道之后，该处理器601还用于：
132.获取目标用户频道内的各个用户的用户指标，并基于目标用户频道的频道主题以及各个用户的用户指标制定康复计划；
133.将康复计划推送至目标用户频道内各个用户的关联账号，以使得目标用户频道内各个用户基于所述康复计划进行康复治疗。
134.在本技术实施例中，数据处理设备可以基于用户的病历信息在医联体系统内确定目标医疗资源，并调用目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理，确定分析结果报告。由于数据处理设备从医联体系统内确定了目标医疗资源，目标医疗资源内的分析模型可以更具针对性，以及目标医疗资源内的目标会话信息更具代表性，那么通过目标医疗资源对应的分析模型对目标医疗资源内的目标会话信息进行处理得到的分析结果报告更准确。并且，可以基于分析结果报告从各个用户频道内确定目标用户
频道，并将用户的关联账号添加至目标用户频道。当用户的关联账号被添加至用户频道时，一个用户频道内的用户数据可以被统一管理，可以提升数据管理的效率。
135.需要说明的是，本技术实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。数据处理设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该数据处理设备执行上述数据处理方法实施例图2或图3中所执行的步骤。
136.以上所揭露的仅为本技术一种较佳实施例而已，当然不能以此来限定本技术之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本技术权利要求所作的等同变化，仍属于申请所涵盖的范围。