基于人工智能画像挖掘的推送优化方法及大数据系统与流程

1.本技术涉及智慧医疗技术领域，具体而言，涉及一种基于人工智能画像挖掘的推送优化方法及大数据系统。


背景技术：

2.智慧医疗主要是把大数据、人工智能等技术结合应用到医疗领域，实现医疗信息互联、共享协作、临床创新、诊断科学以及公共卫生预防等。智慧医疗应用场景很多，并且也是一个不断发展的过程，其根本优势是在于医疗资源和医疗数据层面的解放，也就是说智慧医疗可以缓解医生资源紧缺和实现数据集中管理。
3.例如，通过对智慧医疗服务使用过程中相关用户的行为数据进行分析，在获得相关用户的数据授权许可的情况下，可以获知相关用户针对云端提供的智慧医疗服务的兴趣点进而进行针对性信息推送，以便于相关用户了解符合自身需求的推送内容。然而相关技术中，缺乏对推广医疗业务进行业务内容源的优化处理，导致医疗推送内容的内容服务体验不佳。


技术实现要素：

4.为了至少克服现有技术中的上述不足，本技术的目的在于提供一种基于人工智能画像挖掘的推送优化方法及大数据系统。
5.第一方面，本技术提供一种基于人工智能画像挖掘的推送优化方法，应用于大数据系统，所述方法包括：获取任意一个智慧医疗注册平台的医疗业务推广请求关联的目标推广医疗业务的推广画像信息；根据所述推广画像信息对所述目标推广医疗业务进行业务内容源的优化处理，获得业务内容源的优化配置策略；根据所述业务内容源的优化配置策略对所述智慧医疗注册平台进行业务内容更新。
6.在第一方面的一种基于独立构思的实施例中，所述获取任意一个智慧医疗注册平台的医疗业务推广请求关联的目标推广医疗业务的推广画像信息的步骤，包括：根据任意一个智慧医疗注册平台的医疗业务推广请求，获取与所述医疗业务推广请求所对应的目标智慧医疗行为数据，并将所述目标智慧医疗行为数据配置到目标医疗行为分析网络，获得所述目标医疗行为分析网络生成的兴趣点分布信息，所述兴趣点分布信息用于表征所述目标智慧医疗行为数据中挖掘的行为兴趣点标签的数据节点；依据所述兴趣点分布信息，生成对应的兴趣点热力图，所述兴趣点热力图表征所述目标智慧医疗行为数据中的行为兴趣点标签的分布信息；根据所述兴趣点热力图为所述智慧医疗注册平台生成对应的医疗推送数据，并获取所述医疗推送数据对应的互动传播数据；
根据所述医疗推送数据关联的互动传播数据，确定所述医疗业务推广请求关联的目标推广医疗业务的推广画像信息。
7.在第一方面的一种基于独立构思的实施例中，所述所述根据所述医疗推送数据关联的互动传播数据，确定所述医疗业务推广请求关联的目标推广医疗业务的推广画像信息的步骤，包括：解析所述互动传播数据的互动传播事件组合，获得所述互动传播事件组合的第一互动传播知识点向量和第二互动传播知识点向量；所述第一互动传播知识点向量关联的第一传播维度向量区别于所述第二互动传播知识点向量关联的第二传播维度向量；调取可对所述互动传播数据进行推广画像挖掘的推广画像挖掘网络；所述推广画像挖掘网络包括与所述第一传播维度向量存在映射关系的第一画像挖掘网络层以及与该第二传播维度向量存在映射关系的第二画像挖掘网络层；所述第一画像挖掘网络层包括第一画像向量提取单元和第一联系参数评估单元；所述第二画像挖掘网络层包括第二画像向量提取单元和第二联系参数评估单元；将所述第一互动传播知识点向量配置到所述第一画像挖掘网络层，依据所述第一画像向量提取单元对所述第一互动传播知识点向量进行画像向量提取，将提取的第一画像向量配置到所述第一联系参数评估单元，依据该第一联系参数评估单元生成所述互动传播事件组合的第一推广画像联系参数；将所述第二互动传播知识点向量配置到所述第二画像挖掘网络层，依据所述第二画像向量提取单元对所述第二互动传播知识点向量进行画像向量提取，将提取的第二画像向量配置到所述第二联系参数评估单元，依据该第二联系参数评估单元生成所述互动传播事件组合的第二推广画像联系参数；将所述第一推广画像联系参数和所述第二推广画像联系参数进行综合评估，获得所述互动传播事件组合的综合评估信息；所述综合评估信息表征所述互动传播数据的推广画像信息。
8.譬如，在第一方面的一种基于独立构思的实施例中，所述互动传播事件组合包括互动传播事件rx和互动传播事件ry；所述第一画像向量提取单元包括与所述互动传播事件rx所对应的第一提取节点以及与该互动传播事件ry所对应的第二提取节点，且所述第一提取节点与所述第二提取节点具有一致的函数架构；所述将所述第一互动传播知识点向量配置到所述第一画像挖掘网络层，依据所述第一画像向量提取单元对所述第一互动传播知识点向量进行画像向量提取，将提取的第一画像向量配置到所述第一联系参数评估单元，依据该第一联系参数评估单元生成所述互动传播事件组合的第一推广画像联系参数，包括：将所述第一互动传播知识点向量配置到所述第一画像挖掘网络层；所述第一互动传播知识点向量包括对话知识点向量hx和对话知识点向量hy；所述对话知识点向量hx为所述互动传播事件rx在所述第一传播维度向量下的知识点向量；所述对话知识点向量hy为所述互动传播事件ry在所述第一传播维度向量下的知识点向量；依据所述第一画像向量提取单元中的第一提取节点，对所述对话知识点向量hx进行画像向量提取，获得所述对话知识点向量hx对应的画像向量lx；
依据所述第一画像向量提取单元中的第二提取节点，对所述对话知识点向量hy进行画像向量提取，获得所述对话知识点向量hy对应的画像向量ly；将所述画像向量lx和所述画像向量ly作为第一画像向量，且将所述第一画像向量配置到所述第一联系参数评估单元，依据该第一联系参数评估单元生成所述第一画像向量的联系参数；依据所述第一画像向量的联系参数，确定所述互动传播事件组合的第一推广画像联系参数。
9.譬如，在第一方面的一种基于独立构思的实施例中，所述第一提取节点包括第一单元提取节点、第二单元提取节点、第三单元提取节点以及第四单元提取节点；所述依据所述第一画像向量提取单元中的第一提取节点，对所述对话知识点向量hx进行画像向量提取，获得所述对话知识点向量hx对应的画像向量lx，包括：依据所述第一提取节点中的第一单元提取节点，对所述对话知识点向量hx进行线性向量映射，获得所述对话知识点向量hx对应的第一线性映射向量；将所述第一线性映射向量配置到所述第二单元提取节点，依据所述第二单元提取节点对所述第一线性映射向量进行线性向量映射，获得所述第一线性映射向量对应的第二线性映射向量；将所述第二线性映射向量配置到所述第三单元提取节点，依据所述第三单元提取节点对所述第二线性映射向量进行线性向量映射，获得所述第二线性映射向量对应的第三线性映射向量；将所述第三线性映射向量配置到所述第四单元提取节点，依据所述第四单元提取节点中的向量降维节点，对所述第三线性映射向量进行向量降维，获得所述对话知识点向量hx对应的画像向量lx。
10.譬如，在第一方面的一种基于独立构思的实施例中，所述第一单元提取节点包括第一向量深度挖掘部分、第二向量深度挖掘部分以及时空域向量深度挖掘部分；所述依据所述第一提取节点中的第一单元提取节点，对所述对话知识点向量hx进行线性向量映射，获得所述对话知识点向量hx对应的第一线性映射向量，包括：在将所述对话知识点向量hx配置到所述第一提取节点中的第一单元提取节点时，依据所述时空域向量深度挖掘部分对所述对话知识点向量hx进行向量深度挖掘，获得所述对话知识点向量hx对应的第一深度挖掘向量；依据所述第一向量深度挖掘部分，对所述对话知识点向量hx进行向量深度挖掘，获得所述对话知识点向量hx对应的第二深度挖掘向量，且将所述第二深度挖掘向量配置到所述第二向量深度挖掘部分，依据所述第二向量深度挖掘部分对所述第二深度挖掘向量进行向量深度挖掘，获得第三深度挖掘向量；将所述第一深度挖掘向量和所述第三深度挖掘向量进行融合，获得所述对话知识点向量hx对应的第一线性映射向量。
11.譬如，在第一方面的一种基于独立构思的实施例中，所述参考互动传播事件组合包括第一参考互动传播事件组合和第二参考互动传播事件组合；所述第一参考互动传播事件组合为标注了第一参考推广画像信息的互动传播事件组合；所述第二参考互动传播事件组合为标注了第二参考推广画像信息的互动传播事件组合；所述第一参考推广画像信息和
所述第二参考推广画像信息归属于所述参考推广画像信息；所述挖掘依据信息包括所述第一参考互动传播事件组合的第一挖掘依据信息和所述第二参考互动传播事件组合的第二挖掘依据信息；所述挖掘推广画像信息包括所述第一挖掘依据信息对应的第一挖掘推广画像信息和所述第二挖掘依据信息对应的第二挖掘推广画像信息；所述依据所述挖掘推广画像信息和所述参考推广画像信息，对所述参考推广画像挖掘网络进行循环收敛优化，将循环收敛优化后的参考推广画像挖掘网络配置为对所述互动传播数据进行推广画像挖掘的推广画像挖掘网络，包括：依据所述参考推广画像信息所关联的第一参考互动传播事件组合和所述第二参考互动传播事件组合之间的对比参数，确定与所述参考推广画像挖掘网络的网络收敛评估参数所对应的影响系数信息；依据所述第一挖掘推广画像信息和所述第一参考推广画像信息，获得所述第一参考互动传播事件组合的第一网络收敛评估参数，且依据所述第二挖掘推广画像信息和所述第二参考推广画像信息，获得所述第二参考互动传播事件组合的第二网络收敛评估参数；依据所述第一网络收敛评估参数、所述第二网络收敛评估参数以及所述影响系数信息，获得所述网络收敛评估参数对应的收敛信息，且依据所述收敛信息，对所述参考推广画像挖掘网络进行循环收敛优化，获得循环收敛优化信息；如果确定所述循环收敛优化信息表征循环收敛优化后的参考推广画像挖掘网络匹配部署应用需求，则将匹配所述部署应用需求的参考推广画像挖掘网络配置为对所述互动传播数据进行推广画像挖掘的推广画像挖掘网络；如果确定所述循环收敛优化信息表征循环收敛优化后的参考推广画像挖掘网络不匹配部署应用需求，则依据不匹配所述部署应用需求的网络收敛评估参数，对所述参考推广画像挖掘网络的网络权重信息进行优化更新；将完成网络权重信息的优化更新后的参考推广画像挖掘网络配置为中间态画像挖掘网络，对所述中间态画像挖掘网络进行循环收敛优化，直到循环收敛优化后的中间态画像挖掘网络匹配所述部署应用需求时，将匹配所述部署应用需求的中间态画像挖掘网络配置为对所述互动传播数据进行推广画像挖掘的推广画像挖掘网络。
12.第二方面，本技术实施例还提供一种基于人工智能画像挖掘的推送优化系统，所述基于人工智能画像挖掘的推送优化系统包括大数据系统以及与该大数据系统通信连接的多个智慧医疗注册平台；所述大数据系统，用于：获取任意一个智慧医疗注册平台的医疗业务推广请求关联的目标推广医疗业务的推广画像信息；根据所述推广画像信息对所述目标推广医疗业务进行业务内容源的优化处理，获得业务内容源的优化配置策略；根据所述业务内容源的优化配置策略对所述智慧医疗注册平台进行业务内容更新。
13.基于以上方面，通过获取任意一个智慧医疗注册平台的医疗业务推广请求关联的目标推广医疗业务的推广画像信息，根据推广画像信息对目标推广医疗业务进行业务内容源的优化处理，获得业务内容源的优化配置策略，根据业务内容源的优化配置策略对智慧
医疗注册平台进行业务内容更新。如此，在确定所述医疗业务推广请求关联的目标推广医疗业务的推广画像信息后，可以针对性对目标推广医疗业务进行业务内容源的优化处理，从而提高后续医疗推送内容的内容服务体验。
附图说明
14.图1为本技术实施例提供的基于人工智能画像挖掘的推送优化系统的架构示意图；图2为本技术实施例提供的基于人工智能画像挖掘的推送优化方法的流程示意图；图3为本技术实施例提供的用于实现上述的基于人工智能画像挖掘的推送优化方法的大数据系统的结构示意框图。
具体实施方式
15.图1是本技术一种实施例提供的基于人工智能画像挖掘的推送优化系统10的架构示意图。基于人工智能画像挖掘的推送优化系统10可以包括大数据系统100以及与大数据系统100通信连接的智慧医疗注册平台200。图1所示的基于人工智能画像挖掘的推送优化系统10仅为一种可行的示例，在其它可行的实施例中，该基于人工智能画像挖掘的推送优化系统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。
16.一种基于独立构思的实施例中，请参阅图2，基于人工智能画像挖掘的推送优化系统10中的大数据系统100和智慧医疗注册平台200可以通过配合执行以下方法实施例所描述的基于人工智能画像挖掘的推送优化方法，具体大数据系统100和智慧医疗注册平台200的执行步骤部分可以参照以下方法实施例的详细描述。
17.步骤s110，获取任意一个所述智慧医疗注册平台的医疗业务推广请求关联的目标推广医疗业务的推广画像信息。
18.本实施例中，在确定所述医疗业务推广请求关联的目标推广医疗业务的推广画像信息后，可以确定该目标推广医疗业务的业务内容传播效果，进而可以针对性对目标推广医疗业务进行业务内容源的优化处理，从而提高后续医疗推送内容的内容服务体验。
19.步骤s120，根据所述推广画像信息对所述目标推广医疗业务进行业务内容源的优化处理，获得业务内容源的优化配置策略。
20.例如，可以获取所述推广画像信息在预设时间段内的生成次数，基于所述推广画像信息在预设时间段内的生成次数以及预设的生产次数业务内容源权重之间的映射关系，对所述目标推广医疗业务进行业务内容源的权重调整处理，获得每个业务内容源的优化权重，作为所述业务内容源的优化配置策略。
21.步骤s130，根据所述业务内容源的优化配置策略对所述智慧医疗注册平台进行业务内容更新。
22.例如，可以基于每个业务内容源的优化权重确定每个业务内容源的推送强度、推送频率和推送覆盖范围等参数，从而对所述智慧医疗注册平台进行业务内容更新。
23.基于以上步骤，本实施例通过获取任意一个智慧医疗注册平台的医疗业务推广请
求关联的目标推广医疗业务的推广画像信息，根据推广画像信息对目标推广医疗业务进行业务内容源的优化处理，获得业务内容源的优化配置策略，根据业务内容源的优化配置策略对智慧医疗注册平台进行业务内容更新。如此，在确定所述医疗业务推广请求关联的目标推广医疗业务的推广画像信息后，可以针对性对目标推广医疗业务进行业务内容源的优化处理，从而提高后续医疗推送内容的内容服务体验。
24.在以上描述的基础上，下面对以上步骤s110中关于目标推广医疗业务的推广画像信息的确定方式进行具体说明，例如可以参见以下步骤。
25.步骤q110，获取基准示例智慧医疗行为数据、迁移示例智慧医疗行为数据和医疗行为兴趣点携带信息。该基准示例智慧医疗行为数据是该迁移示例智慧医疗行为数据关联的路由行为数据，该医疗行为兴趣点携带信息表征该基准示例智慧医疗行为数据中携带的兴趣点分布的数据节点。
26.其中，以上基准示例智慧医疗行为数据是该迁移示例智慧医疗行为数据关联的路由行为数据，例如可以是基准示例智慧医疗行为数据和迁移示例智慧医疗行为数据具有衔接的医疗行为数据信息，基准示例智慧医疗行为数据的医疗行为数据的跳转次数小于迁移示例智慧医疗行为数据的医疗行为数据的跳转次数。
27.其中，医疗行为兴趣点携带信息可以是用户预先依据基准示例智慧医疗行为数据标定的兴趣点信息。
28.步骤q120，将该基准示例智慧医疗行为数据配置到迁移医疗行为分析网络，获得该迁移医疗行为分析网络生成的迁移医疗行为挖掘数据，和医疗行为兴趣点挖掘信息；该迁移医疗行为挖掘数据是对该基准示例智慧医疗行为数据进行行为迁移路径挖掘后的医疗行为数据；该医疗行为兴趣点挖掘信息表征该基准示例智慧医疗行为数据中挖掘的兴趣点分布的数据节点。
29.一种示例性设计思路中，迁移医疗行为分析网络是预先配置的深度学习网络模型。
30.该迁移医疗行为分析网络可以具有一个入口通道和两个出口通道。入口通道用于输入基准示例智慧医疗行为数据；该迁移医疗行为分析网络用于对基准示例智慧医疗行为数据，挖掘基准示例智慧医疗行为数据中的兴趣点分布的数据节点，并基于一个出口通道生成医疗行为兴趣点挖掘信息，并同时对基准示例智慧医疗行为数据的医疗行为数据迁移状态进行挖掘，并基于另一个出口通道生成迁移医疗行为挖掘数据。
31.其中，以上医疗行为兴趣点挖掘信息与以上医疗行为兴趣点携带信息是同类型的携带信息。
32.步骤q130，依据该迁移示例智慧医疗行为数据、该医疗行为兴趣点携带信息、该迁移医疗行为挖掘数据和该医疗行为兴趣点挖掘信息，确定网络收敛评估参数。
33.一种示例性设计思路中，大数据系统可以结合迁移示例智慧医疗行为数据、该医疗行为兴趣点携带信息、该迁移医疗行为挖掘数据和该医疗行为兴趣点挖掘信息，进行网络收敛评估，获得用于对迁移医疗行为分析网络进行网络配置的网络收敛评估参数。
34.步骤q140，依据该网络收敛评估参数对该迁移医疗行为分析网络进行网络配置；结束配置的该迁移医疗行为分析网络用于获得目标医疗行为分析网络，该目标医疗行为分析网络用于对待分析的目标智慧医疗行为数据进行医疗行为分析，以生成该目标智慧医疗
行为数据的兴趣点分布信息，该兴趣点分布信息表征该目标智慧医疗行为数据中的行为兴趣点标签，该行为兴趣点标签是该兴趣点分布中的一种或者多种组合。
35.基于以上步骤，迁移医疗行为分析网络对配置的基准示例智慧医疗行为数据同时执行兴趣点挖掘和行为迁移路径挖掘，并且同时使用迁移状态的迁移示例智慧医疗行为数据、医疗行为兴趣点携带信息、迁移医疗行为挖掘数据和医疗行为兴趣点挖掘信息对迁移医疗行为分析网络进行网络配置，也即，在配置迁移医疗行为分析网络时进一步考虑到了医疗行为数据迁移状态对于兴趣点挖掘的权重，以便于后续依据结束配置的迁移医疗行为分析网络获得的迁移医疗行为分析网络能够对非完整迁移状态的目标医疗行为数据具有兴趣点挖掘准确度，进而提高对目标医疗行为数据中的兴趣点进行挖掘的精度。
36.依据前述实施例获得迁移医疗行为分析网络后，依据该迁移医疗行为分析网络生成的目标医疗行为分析网络，可以应用于各种对存在潜在兴趣点的医疗行为数据处理并对其中的兴趣点进行挖掘的应用环境。其中，目标医疗行为分析网络用于兴趣点挖掘的实施方式可以参考下述实施例。
37.下面介绍本技术实施例提供的另一种基于人工智能画像挖掘的推送优化方法，该基于人工智能画像挖掘的推送优化方法可以包括如下步骤。
38.步骤q201，根据任意一个智慧医疗注册平台的医疗业务推广请求，获取与所述医疗业务推广请求所对应的目标智慧医疗行为数据，并将所述目标智慧医疗行为数据配置到目标医疗行为分析网络，获得所述目标医疗行为分析网络生成的兴趣点分布信息。
39.本实施例中，目标智慧医疗行为数据可以表示相关用户在使用智慧医疗服务（如医疗咨询服务、买药服务等）的过程中，所述兴趣点分布信息可以用于表征所述目标智慧医疗行为数据中挖掘的行为兴趣点标签的数据节点（例如行为兴趣点触发的数据位置）。
40.步骤q202，依据该兴趣点分布信息，生成兴趣点热力图。
41.一种示例性设计思路中，该兴趣点热力图可以是在表征所述目标智慧医疗行为数据中的行为兴趣点标签的分布信息，例如行为兴趣点标签在每个触发位置对应的业务项目的频次信息。
42.步骤q203，根据所述兴趣点热力图为所述智慧医疗注册平台生成对应的医疗推送数据，并获取所述医疗推送数据对应的互动传播数据。
43.例如，在获得所述兴趣点热力图后，可以基于所述兴趣点热力图中的每个行为兴趣点标签在每个触发位置对应的业务项目的频次信息，基于与该频次信息对应推送强度获取对应业务项目下的医疗推送数据，在此基础上可以针对每次推送的医疗推送数据，获取相关用户针对该医疗推送数据的互动传播数据，这些互动传播数据可以表征相关用户在医疗推送数据的基础上执行各种数据传播行为（如对话行为、分享行为等，但不限于此）所产生的记录数据信息，可以反映所述医疗业务推广请求关联的目标推广医疗业务的推广效果情况。
44.步骤q204，根据所述医疗推送数据关联的互动传播数据，确定所述医疗业务推广请求关联的目标推广医疗业务的推广画像信息。
45.本实施例中，在确定所述医疗业务推广请求关联的目标推广医疗业务的推广画像信息后，可以确定该目标推广医疗业务的业务内容传播效果，进而可以针对性对目标推广医疗业务进行业务内容源的优化处理，从而提高后续医疗推送内容的内容服务体验。
46.基于以上步骤，通过将目标智慧医疗行为数据配置到目标医疗行为分析网络，获得目标医疗行为分析网络生成的兴趣点分布信息，依据兴趣点分布信息，生成对应的兴趣点热力图，兴趣点热力图表征目标智慧医疗行为数据中的行为兴趣点标签的分布信息，根据兴趣点热力图为智慧医疗注册平台生成对应的医疗推送数据，并获取医疗推送数据对应的互动传播数据，根据医疗推送数据关联的互动传播数据，确定医疗业务推广请求关联的目标推广医疗业务的推广画像信息。如此，通过基于兴趣点挖掘进行信息推送后进一步评估推广画像信息，进而确定目标推广医疗业务的业务内容传播效果，可以便于针对性对目标推广医疗业务进行业务内容源的优化处理，从而提高后续医疗推送内容的内容服务体验。
47.其中，该目标医疗行为分析网络是依据结束配置的迁移医疗行为分析网络生成的；配置该迁移医疗行为分析网络的网络收敛评估参数是依据迁移示例智慧医疗行为数据、医疗行为兴趣点携带信息、迁移医疗行为挖掘数据和医疗行为兴趣点挖掘信息确定的；该迁移医疗行为挖掘数据和该医疗行为兴趣点挖掘信息是该迁移医疗行为分析网络对基准示例智慧医疗行为数据进行医疗行为分析后生成的；该基准示例智慧医疗行为数据是该迁移示例智慧医疗行为数据关联的路由行为数据，该医疗行为兴趣点携带信息表征该基准示例智慧医疗行为数据中携带的兴趣点分布的数据节点；该迁移医疗行为挖掘数据是对该基准示例智慧医疗行为数据进行行为迁移路径挖掘后的医疗行为数据；该医疗行为兴趣点挖掘信息表征该基准示例智慧医疗行为数据中挖掘的兴趣点分布的数据节点。
48.基于以上步骤，目标医疗行为分析网络是依据迁移医疗行为分析网络获得的，而在迁移医疗行为分析网络的配置流程中，迁移医疗行为分析网络对配置的基准示例智慧医疗行为数据同时执行兴趣点挖掘和行为迁移路径挖掘，并且同时使用迁移状态的迁移示例智慧医疗行为数据、医疗行为兴趣点携带信息、迁移医疗行为挖掘数据和医疗行为兴趣点挖掘信息对迁移医疗行为分析网络进行网络配置，也即，在配置迁移医疗行为分析网络的同时，还考虑了医疗行为数据迁移状态对于兴趣点挖掘的权重，使得后续依据结束配置的迁移医疗行为分析网络获得的迁移医疗行为分析网络能够对非完整迁移状态的目标医疗行为数据具有兴趣点挖掘准确度，从而提高对目标医疗行为数据中的兴趣点进行挖掘的精度。
49.以上基于人工智能画像挖掘的推送优化方案可以包括训练阶段和应用阶段。例如示例性介绍如下。
50.大数据系统预先获取非完整迁移状态的基准示例智慧医疗行为数据a01、迁移状态的迁移示例智慧医疗行为数据a02和基准示例智慧医疗行为数据a01对应的医疗行为兴趣点携带信息a03。其中，医疗行为兴趣点携带信息a03指示基准示例智慧医疗行为数据a01中的多个兴趣点的数据节点。
51.在训练阶段中，大数据系统将基准示例智慧医疗行为数据a01输入到迁移医疗行为分析网络a04，迁移医疗行为分析网络a04分别对基准示例智慧医疗行为数据a01进行兴趣点挖掘和行为迁移路径挖掘，并分别生成挖掘得到的医疗行为兴趣点挖掘信息a05，和，行为迁移路径挖掘后的迁移医疗行为挖掘数据a06；其中，医疗行为兴趣点挖掘信息a05也指示基准示例智慧医疗行为数据a01中挖掘出的多个兴趣点的数据节点；然后，基于迁移示例智慧医疗行为数据a02、医疗行为兴趣点携带信息a03、医疗行为兴趣点挖掘信息a05和迁
移医疗行为挖掘数据a06，计算获得网络收敛评估参数，并基于网络收敛评估参数对迁移医疗行为分析网络a04进行网络配置。迭代进行训练配置，直至迁移医疗行为分析网络a04收敛。
52.在迁移医疗行为分析网络a04收敛后，大数据系统可以依据迁移医疗行为分析网络a04生成目标医疗行为分析网络a07，并对目标医疗行为分析网络a07进行配置。
53.在应用阶段中，大数据系统将目标智慧医疗行为数据a08配置到目标医疗行为分析网络a07，由目标医疗行为分析网络a07生成兴趣点分布信息a09，然后，大数据系统可以基于该兴趣点分布信息a09生成能够指示目标智慧医疗行为数据中的该行为兴趣点标签的兴趣点热力图a10，以基于兴趣点热力图a10进行后续应用。
54.下面介绍另一种基于人工智能画像挖掘的推送优化方法的流程示意图，包括以下步骤。
55.步骤q301，获取基准示例智慧医疗行为数据、迁移示例智慧医疗行为数据和医疗行为兴趣点携带信息。
56.其中，该基准示例智慧医疗行为数据是该迁移示例智慧医疗行为数据关联的路由行为数据，该医疗行为兴趣点携带信息表征该基准示例智慧医疗行为数据中携带的兴趣点分布的数据节点。
57.一种示例性设计思路中，大数据系统可以基于对迁移状态的迁移示例智慧医疗行为数据进行处理，获得非完整迁移状态的基准示例智慧医疗行为数据。
58.步骤q302，将该基准示例智慧医疗行为数据配置到迁移医疗行为分析网络，获得该迁移医疗行为分析网络生成的迁移医疗行为挖掘数据，和医疗行为兴趣点挖掘信息。
59.其中，该迁移医疗行为挖掘数据是对该基准示例智慧医疗行为数据进行行为迁移路径挖掘后的医疗行为数据；该医疗行为兴趣点挖掘信息表征该基准示例智慧医疗行为数据中挖掘的兴趣点分布的数据节点。
60.其中，大数据系统将该基准示例智慧医疗行为数据配置到迁移医疗行为分析网络后，可以基于该迁移医疗行为分析网络中的兴趣点学习层对该基准示例智慧医疗行为数据进行医疗行为分析，获得该兴趣点学习层生成的该医疗行为兴趣点挖掘信息；并基于该迁移医疗行为分析网络中的迁移数据学习层对该基准示例智慧医疗行为数据进行医疗行为分析，获得该迁移数据学习层生成的该迁移医疗行为挖掘数据。
61.一种示例性设计思路中，迁移医疗行为分析网络可以包含两个提取节点，分别为兴趣点学习层和迁移数据学习层；其中，兴趣点学习层用于进行兴趣点挖掘，即挖掘输入医疗行为数据中的各个兴趣点的数据节点；迁移数据学习层用于学习输入的医疗行为数据的医疗行为数据迁移状态。基准示例智慧医疗行为数据被输入迁移医疗行为分析网络之后，迁移医疗行为分析网络基于兴趣点学习层和迁移数据学习层，对基准示例智慧医疗行为数据并行处理，并分别生成迁移医疗行为挖掘数据，和医疗行为兴趣点挖掘信息。
62.一种示例性设计思路中，该兴趣点学习层和该迁移数据学习层共用兴趣深度提取单元，该兴趣点学习层还包含第一兴趣点学习单元，该迁移数据学习层还包含第二兴趣点学习单元。
63.其中，上述兴趣点学习层和该迁移数据学习层共用兴趣深度提取单元，可以是指共用兴趣深度提取单元这个单元层，例如，兴趣点学习层和迁移数据学习层只有一个兴趣
深度提取单元层，兴趣点学习层和迁移数据学习层分别调用该兴趣深度提取单元层进行医疗行为数据处理。
64.或者，上述兴趣点学习层和该迁移数据学习层共用兴趣深度提取单元，可以是指共用兴趣深度提取单元的权重信息，例如，兴趣点学习层和迁移数据学习层分别具有一个兴趣深度提取单元层，且这两个兴趣深度提取单元层中的兴趣深度提取单元的权重信息基本表一致。
65.大数据系统可以依据该迁移示例智慧医疗行为数据、该医疗行为兴趣点携带信息、该迁移医疗行为挖掘数据和该医疗行为兴趣点挖掘信息，确定网络收敛评估参数；该过程可以参考后续步骤q303和步骤q304。
66.步骤q303，依据该医疗行为兴趣点携带信息和该医疗行为兴趣点挖掘信息，获取该网络收敛评估参数中的兴趣点挖掘收敛评估参数。
67.一种示例性设计思路中，大数据系统可以计算医疗行为兴趣点携带信息和该医疗行为兴趣点挖掘信息之间的损失函数，获得网络收敛评估参数中的兴趣点挖掘收敛评估参数。
68.步骤q304，依据该迁移示例智慧医疗行为数据和该迁移医疗行为挖掘数据，获取该网络收敛评估参数中的迁移网络收敛评估参数。
69.一种示例性设计思路中，大数据系统可以计算迁移示例智慧医疗行为数据和该迁移医疗行为挖掘数据之间的损失函数，获得网络收敛评估参数中的迁移网络收敛评估参数。
70.一种示例性设计思路中，该依据该迁移示例智慧医疗行为数据和该迁移医疗行为挖掘数据，获取该网络收敛评估参数中的迁移网络收敛评估参数，包括：依据该迁移示例智慧医疗行为数据和该迁移医疗行为挖掘数据，获取单元网络收敛评估参数；该单元网络收敛评估参数包括第一单元网络收敛评估参数、第二单元网络收敛评估参数和第三单元网络收敛评估参数中的一种或者多种组合；依据该单元网络收敛评估参数获取该迁移网络收敛评估参数；该第一单元网络收敛评估参数表征该迁移示例智慧医疗行为数据与该迁移医疗行为挖掘数据之间的全局区别参数；该第二单元网络收敛评估参数表征该迁移示例智慧医疗行为数据与该迁移医疗行为挖掘数据之间的迁移传递区别参数；该第三单元网络收敛评估参数表征该迁移示例智慧医疗行为数据与该迁移医疗行为挖掘数据分别关联的兴趣点分布的数据区别参数。
71.一种示例性设计思路中，该单元网络收敛评估参数包括该第三单元网络收敛评估参数，该依据该迁移示例智慧医疗行为数据和该迁移医疗行为挖掘数据，获取单元网络收敛评估参数，包括：依据该迁移示例智慧医疗行为数据和该医疗行为兴趣点携带信息获取第一兴趣点定位数据，该第一兴趣点定位数据是该迁移示例智慧医疗行为数据中的兴趣点分布的医疗行为定位数据；依据该迁移医疗行为挖掘数据和该医疗行为兴趣点挖掘信息获取第二兴趣点定位数据，该第二兴趣点定位数据是该迁移医疗行为挖掘数据中的兴趣点分布的医疗行为定
位数据；依据该第一兴趣点定位数据和该第二兴趣点定位数据，获取该第三单元网络收敛评估参数。
72.一种示例性设计思路中，该单元网络收敛评估参数包括第一单元网络收敛评估参数、第二单元网络收敛评估参数和第三单元网络收敛评估参数中的不少于两个评估参数的组合，该依据该单元网络收敛评估参数获取该迁移网络收敛评估参数，包括：对该单元网络收敛评估参数中的不少于两个评估参数的组合进行融合，获得该迁移网络收敛评估参数。
73.步骤q305，依据该网络收敛评估参数对该迁移医疗行为分析网络进行网络配置。
74.一种示例性设计思路中，在依据该网络收敛评估参数对该迁移医疗行为分析网络进行网络配置时，大数据系统可以依据该兴趣点挖掘收敛评估参数和该迁移网络收敛评估参数，对该兴趣深度提取单元进行权重优化，依据该兴趣点挖掘收敛评估参数对该第一兴趣点学习单元进行权重优化，并依据该迁移网络收敛评估参数对该第二兴趣点学习单元进行权重优化。
75.一种示例性设计思路中，该依据该兴趣点挖掘收敛评估参数和该迁移网络收敛评估参数，对该兴趣深度提取单元进行权重优化，包括：对该兴趣点挖掘收敛评估参数和该迁移网络收敛评估参数进行融合，获得目标网络收敛评估参数；依据该目标网络收敛评估参数对该兴趣深度提取单元进行权重优化。
76.一种示例性设计思路中，为了准确学习兴趣点挖掘和医疗行为数据的迁移挖掘过程对兴趣深度提取单元的权重，大数据系统还可以对兴趣点挖掘收敛评估参数和该迁移网络收敛评估参数进行融合。
77.步骤q306，该迁移医疗行为分析网络完成训练，依据迁移医疗行为分析网络生成目标医疗行为分析网络。
78.一种示例性设计思路中，该迁移医疗行为分析网络完成训练，依据该兴趣点学习层生成该目标医疗行为分析网络。
79.其中，该目标医疗行为分析网络用于对待分析的目标智慧医疗行为数据进行医疗行为分析，以生成该目标智慧医疗行为数据的兴趣点分布信息，该兴趣点分布信息表征该目标智慧医疗行为数据中的行为兴趣点标签，该行为兴趣点标签是该兴趣点分布中的一种或者多种组合。
80.一种示例性设计思路中，大数据系统可以将该目标智慧医疗行为数据配置到该目标医疗行为分析网络，获得该目标医疗行为分析网络生成的兴趣点分布信息，该兴趣点分布信息用于表征该目标智慧医疗行为数据中挖掘的该行为兴趣点标签的数据节点；并依据该兴趣点分布信息，生成兴趣点热力图，该兴趣点热力图表征该目标智慧医疗行为数据中的该行为兴趣点标签。
81.基于以上步骤，通过迁移医疗行为分析网络对配置的基准示例智慧医疗行为数据同时执行兴趣点挖掘和行为迁移路径挖掘，并且同时使用迁移状态的迁移示例智慧医疗行为数据、医疗行为兴趣点携带信息、迁移医疗行为挖掘数据和医疗行为兴趣点挖掘信息对迁移医疗行为分析网络进行网络配置，也即，在配置迁移医疗行为分析网络的过程中进一步学习了医疗行为数据迁移状态对于兴趣点挖掘的权重，以便于依据结束配置的迁移医疗
行为分析网络获得的迁移医疗行为分析网络能够对非完整迁移状态的目标医疗行为数据具有更高的兴趣点挖掘准确度，从而提高对目标医疗行为数据中的兴趣点进行挖掘的精度。
82.一种可基于独立构思的实施例中，针对步骤q140，本技术实施例还提供一种基于基于人工智能的智慧医疗推广画像挖掘方法，包括以下步骤。
83.步骤k101，解析所述互动传播数据的互动传播事件组合，获得互动传播事件组合的第一互动传播知识点向量和第二互动传播知识点向量。
84.例如，该大数据系统在获取到互动传播数据时，可以对互动传播数据进行互动传播事件提取，以得到w个互动传播事件。其中，该互动传播数据可以为与大数据系统具有订阅关系的智慧医疗业务平台生成的，本实施例对互动传播数据的获取方式不做具体限定。例如，该大数据系统可以从w个互动传播事件中获取互动传播事件rx和互动传播事件ry，且将互动传播事件rx和互动传播事件ry作为互动传播数据的互动传播事件组合。例如，该大数据系统可以对互动传播事件组合中的每个互动传播事件各自进行第一知识点向量挖掘，获得互动传播事件组合的第一互动传播知识点向量(即任意传播维度向量下的知识点向量)。并且，该大数据系统还可以对互动传播事件组合中的每个互动传播事件各自进行第二知识点向量挖掘，获得互动传播事件组合的第二互动传播知识点向量(即另一传播维度向量下的知识点向量)。
85.值得说明的是，该大数据系统基于推广画像挖掘网络对互动传播数据进行推广画像挖掘的流程中可以包括互动传播事件提取和知识点向量挖掘。由于对互动传播数据进行互动传播事件提取后所得到的互动传播事件的传播路径与后续配置到推广画像挖掘网络的网络输入信息相关，因此，该大数据系统可以基于实际需求来提高推广画像挖掘网络的挖掘效率，合理选择用于对互动传播数据进行互动传播事件提取的提取参数。该大数据系统在对互动传播数据进行互动传播事件提取时，可以先确定该互动传播数据的互动传播路径，由此可以依据互动传播路径，对互动传播数据进行互动传播事件提取，以得到w个互动传播事件。
86.例如，该大数据系统还可以基于互动传播数据的互动传播路径，先对互动传播数据进行互动传播事件提取，以将该互动传播数据确定为多个互动传播事件(例如，起始互动传播事件)，由此对每一个起始互动传播事件再进行间隔互动传播事件提取，直到互动传播事件提取后的起始互动传播事件的互动传播路径结束时，结束对互动传播数据的互动传播事件提取。
87.例如，该大数据系统可以从w个互动传播事件中获取互动传播事件rx和互动传播事件ry，且将互动传播事件rx和互动传播事件ry作为互动传播数据的互动传播事件组合。为了考虑互动传播事件组合的多传播维度向量，该大数据系统不仅可以对互动传播事件组合中的每个互动传播事件各自进行第一知识点向量挖掘，获得互动传播事件组合的第一互动传播知识点向量，还可以对互动传播事件组合中的每个互动传播事件各自进行第二知识点向量挖掘，获得互动传播事件组合的第二互动传播知识点向量。
88.值得说明的是，在第一传播维度向量为对话传播维度向量时，该大数据系统可以将互动传播事件组合中的每个互动传播事件组合应的医疗对话互动活动分别确定为候选医疗对话互动活动，且依据候选医疗对话互动活动的对话轨迹确定关键对话抽取参数。例
如，该大数据系统可以依据关键对话抽取参数对候选医疗对话互动活动进行关键对话抽取，获得与候选医疗对话互动活动所对应的关键医疗对话互动活动。
89.例如，该大数据系统可以获取与对话传播维度向量存在映射关系的对话知识点向量提取网络。其中，这里的对话知识点向量提取网络可以是依据相关的训练数据集进行网络收敛优化获得的。
90.值得说明的是，可以将关键医疗对话互动活动配置到上述对话知识点向量提取网络，由此基于该对话知识点向量提取网络，对关键医疗对话互动活动进行知识点向量提取，以得到关键医疗对话互动活动关联的对话知识点向量。例如，该大数据系统可以依据关键医疗对话互动活动关联的对话知识点向量，获得互动传播事件组合的第一互动传播知识点向量。其中，第一互动传播知识点向量包括互动传播事件rx对应的对话知识点向量hx，以及互动传播事件ry对应的对话知识点向量hy。
91.例如，该大数据系统可以将互动传播事件组合中的互动传播事件rx对应的关键医疗对话互动活动配置到对话知识点向量提取网络，由该对话知识点向量提取网络生成互动传播事件rx对应的对话知识点向量hx。又例如，该大数据系统可以将互动传播事件组合中的互动传播事件ry对应的关键医疗对话互动活动配置到对话知识点向量提取网络，由该对话知识点向量提取网络生成互动传播事件ry对应的对话知识点向量hy。此时，该大数据系统可以将对话知识点向量hx和对话知识点向量hy作为互动传播事件组合的第一互动传播知识点向量。
92.值得说明的是，在第二传播维度向量为分享传播维度向量时，该大数据系统可以将互动传播事件组合中的每个互动传播事件组合应的医疗分享互动活动分别确定为候选医疗分享互动活动，同时对候选医疗分享互动活动进行分享跟踪处理，获得与候选医疗分享互动活动所对应的关键医疗分享互动活动。
93.例如，该大数据系统可以获取与分享传播维度向量存在映射关系的分享知识点向量提取网络。
94.值得说明的是，可以将关键医疗分享互动活动配置到上述分享知识点向量提取网络，通过分享知识点向量提取网络对关键医疗分享互动活动进行知识点向量提取，获得关键医疗分享互动活动关联的分享知识点向量。例如，该大数据系统可以依据关键医疗分享互动活动关联的分享知识点向量，获得互动传播事件组合的第二互动传播知识点向量。其中，第二互动传播知识点向量包括互动传播事件rx对应的分享知识点向量dx，以及互动传播事件ry对应的分享知识点向量dy。
95.例如，该大数据系统可以将互动传播事件组合中的互动传播事件rx对应的关键医疗分享互动活动配置到分享知识点向量提取网络，由该分享知识点向量提取网络生成互动传播事件rx对应的分享知识点向量dx。又例如，该大数据系统可以将互动传播事件组合中的互动传播事件ry对应的关键医疗分享互动活动配置到分享知识点向量提取网络，由该分享知识点向量提取网络生成互动传播事件ry对应的分享知识点向量dy。此时，该大数据系统可以将分享知识点向量dx和分享知识点向量dy作为互动传播事件组合的第二互动传播知识点向量。
96.以上对话知识点向量提取网络和分享知识点向量提取网络可以与推广画像挖掘网络独立部署，也可以是该推广画像挖掘网络中的两个单元网络。
97.步骤k102，调取可对互动传播数据进行推广画像挖掘的推广画像挖掘网络。
98.例如，该大数据系统还可以调取可对互动传播数据进行推广画像挖掘的推广画像挖掘网络。其中，该推广画像挖掘网络可以包括与第一传播维度向量存在映射关系的第一画像挖掘网络层、和与第二传播维度向量存在映射关系的第二画像挖掘网络层，且第一画像挖掘网络层可以包括第一画像向量提取单元和第一联系参数评估单元，第二画像挖掘网络层包括第二画像向量提取单元和第二联系参数评估单元。
99.例如，该第一画像挖掘网络层可以为与对话传播维度向量存在映射关系的联系参数学习网络，该第一画像挖掘网络层被配置为挖掘该互动传播事件组合在对话传播维度向量下的推广画像联系参数，该第二画像挖掘网络层可以为与分享传播维度向量存在映射关系的联系参数学习网络，该第二画像挖掘网络层被配置为挖掘待互动传播事件组合在分享传播维度向量下的推广画像联系参数。
100.步骤k103，将第一互动传播知识点向量配置到第一画像挖掘网络层，基于第一画像向量提取单元对第一互动传播知识点向量进行画像向量提取，将提取的第一画像向量配置到第一联系参数评估单元，由第一联系参数评估单元生成互动传播事件组合的第一推广画像联系参数。
101.其中，该互动传播事件组合可以包括互动传播事件rx和互动传播事件ry。第一画像挖掘网络层中的第一画像向量提取单元可以包括与互动传播事件rx所对应的第一提取节点和与互动传播事件ry所对应的第二提取节点，且该第一提取节点与该第二提取节点具有一致的函数架构。例如，该大数据系统可以将第一互动传播知识点向量配置到第一画像挖掘网络层。第一互动传播知识点向量可以包括对话知识点向量hx和对话知识点向量hy，对话知识点向量hx可以为互动传播事件rx在第一传播维度向量下的知识点向量；对话知识点向量hy可以为互动传播事件ry在第一传播维度向量下的知识点向量。例如，该大数据系统可以基于第一画像向量提取单元中的第一提取节点，对对话知识点向量hx进行画像向量提取，获得对话知识点向量hx对应的画像向量lx。相对应地，该大数据系统可以基于第一画像向量提取单元中的第二提取节点，对对话知识点向量hy进行画像向量提取，获得对话知识点向量hy对应的画像向量ly。例如，该大数据系统可以将画像向量lx和画像向量ly作为第一画像向量，且将第一画像向量配置到第一联系参数评估单元，由第一联系参数评估单元生成第一画像向量的联系参数。此时，该大数据系统可以依据第一画像向量的联系参数，确定互动传播事件组合的第一推广画像联系参数。
102.值得说明的是，在该大数据系统将对话知识点向量hx配置到第一提取节点中的第一单元提取节点时，该大数据系统可以通过时空域向量深度挖掘部分，对对话知识点向量hx进行向量深度挖掘，以得到对话知识点向量hx对应的第一深度挖掘向量。并且，该大数据系统还可以基于第一向量深度挖掘部分，对对话知识点向量hx进行向量深度挖掘，以得到对话知识点向量hx对应的第二深度挖掘向量，且将该第二深度挖掘向量配置到第二向量深度挖掘部分，基于第二向量深度挖掘部分对第二深度挖掘向量进行向量深度挖掘，获得第三深度挖掘向量。此时，该大数据系统可以将第一深度挖掘向量和第三深度挖掘向量进行融合，获得对话知识点向量hx对应的第一线性映射向量。
103.例如，该大数据系统可以先将第一线性映射向量配置到第二单元提取节点，基于第二单元提取节点对第一线性映射向量进行线性向量映射，获得第一线性映射向量对应的
第二线性映射向量。该大数据系统可以将第二线性映射向量配置到第三单元提取节点，基于第三单元提取节点对第二线性映射向量进行线性向量映射，以得到第二线性映射向量对应的第三线性映射向量。最后，该大数据系统再将第三线性映射向量配置到第四单元提取节点，基于第四单元提取节点中的向量降维节点，对第三线性映射向量进行向量降维，以得到对话知识点向量hx对应的画像向量lx。
104.步骤k104，将第二互动传播知识点向量配置到第二画像挖掘网络层，基于第二画像向量提取单元对第二互动传播知识点向量进行画像向量提取，将提取的第二画像向量配置到第二联系参数评估单元，由第二联系参数评估单元生成互动传播事件组合的第二推广画像联系参数。
105.例如，该大数据系统可以将第二互动传播知识点向量配置到与第二传播维度向量存在映射关系的第二画像挖掘网络层。这里的第二互动传播知识点向量可以包括分享知识点向量dx和分享知识点向量dy，分享知识点向量dx可以为互动传播事件rx在第二传播维度向量下的知识点向量；分享知识点向量dy可以为互动传播事件ry在第二传播维度向量下的知识点向量。例如，该大数据系统可以基于第二画像向量提取单元中的与分享知识点向量dx所对应的提取节点(即第三提取节点)，对分享知识点向量dx进行画像向量提取，获得分享知识点向量dx对应的画像向量ex。相对应地，该大数据系统可以基于第二画像向量提取单元中的与分享知识点向量dy相关联提取节点(即第四提取节点)，对分享知识点向量dy进行画像向量提取，获得分享知识点向量dy对应的画像向量ey。例如，该大数据系统可以将画像向量ex和画像向量ey作为第二画像向量，且将第二画像向量配置到第二联系参数评估单元，由第二联系参数评估单元生成第二画像向量的联系参数。此时，该大数据系统可以依据第二画像向量的联系参数，确定互动传播事件组合的第二推广画像联系参数。
106.其中，该大数据系统确定目标互动传播事件的第二推广画像联系参数的执行步骤可以参阅签署步骤k103中确定目标互动传播事件的第一推广画像联系参数的执行步骤。
107.步骤k105，将第一推广画像联系参数和第二推广画像联系参数进行综合评估，获得互动传播事件组合的综合评估信息。
108.例如，该大数据系统可以将第一推广画像联系参数和第二推广画像联系参数进行综合评估。如果确定第一推广画像联系参数指示互动传播事件组合在第一传播维度向量下存在联系，且第二推广画像联系参数指示互动传播事件组合在第二传播维度向量下存在联系，则该大数据系统可以得到互动传播事件组合的联系推广画像。例如，如果确定第一推广画像联系参数指示互动传播事件组合在第一传播维度向量下不存在联系，或者第二推广画像联系参数指示互动传播事件组合在第二传播维度向量下不存在联系，则该大数据系统可以得到互动传播事件组合的非联系推广画像。此时，该大数据系统可以将联系推广画像或者非联系推广画像确定为互动传播事件组合的综合评估信息。其中，互动传播事件组合的综合评估信息可以表征互动传播数据的推广画像信息。
109.该大数据系统在对互动传播数据进行推广画像挖掘时，可以预先解析所述互动传播数据的互动传播事件组合，并确定互动传播事件组合的第一互动传播知识点向量以及第二互动传播知识点向量。其中，第一互动传播知识点向量对应的第一传播维度向量(例如，对话传播维度向量)区别于第二互动传播知识点向量对应的第二传播维度向量(例如，分享传播维度向量)。在提取到用于对互动传播数据进行画像挖掘的推广画像挖掘网络时，该大
数据系统可以利用该互动传播事件组合的对话行为特征信息，即不仅可以基于推广画像挖掘网络中的第一画像挖掘网络层，确定该互动传播事件组合在第一传播维度向量下的第一推广画像联系参数，还可以基于推广画像挖掘网络中的第二画像挖掘网络层，确定该互动传播事件组合在第二传播维度向量下的第二推广画像联系参数。例如，该大数据系统可以将该第一推广画像联系参数和第二推广画像联系参数进行综合评估，从而精确获得该互动传播事件组合的综合评估信息，由此提高对话推广画像挖掘的精度。
110.一种可基于独立构思的实施例中，本技术实施例还提供一种基于人工智能的智慧医疗推广画像挖掘方法，可以包括以下步骤。
111.步骤k201，解析所述互动传播数据的互动传播事件组合，获得互动传播事件组合的第一互动传播知识点向量和第二互动传播知识点向量。
112.步骤k202，调取可对互动传播数据进行推广画像挖掘的推广画像挖掘网络。
113.步骤k203，将第一互动传播知识点向量配置到第一画像挖掘网络层，基于第一画像向量提取单元对第一互动传播知识点向量进行画像向量提取，将提取的第一画像向量配置到第一联系参数评估单元，由第一联系参数评估单元生成互动传播事件组合的第一推广画像联系参数。
114.步骤k204，将第二互动传播知识点向量配置到第二画像挖掘网络层，基于第二画像向量提取单元对第二互动传播知识点向量进行画像向量提取，将提取的第二画像向量配置到第二联系参数评估单元，由第二联系参数评估单元生成互动传播事件组合的第二推广画像联系参数。
115.步骤k205，将第一推广画像联系参数和第二推广画像联系参数进行综合评估，获得互动传播事件组合的综合评估信息。
116.如果确定综合评估信息为联系推广画像，则该大数据系统可以确定互动传播数据的推广画像信息为可挖掘推广画像信息，例如，该大数据系统还可以依据可挖掘推广画像信息获得对应的挖掘基础数据。
117.步骤k206，搜集被配置为对参考推广画像挖掘网络进行网络收敛优化的参考互动传播事件组合以及参考互动传播事件组合的参考推广画像信息。
118.例如，该大数据系统可以从参考互动传播事件序列中随机获取一个互动传播事件(例如，互动传播事件a)，以作为基准参考互动传播事件。例如，该大数据系统可以对该基准参考互动传播事件进行数据扩展，获得该基准参考互动传播事件组合应的目标参考互动传播事件。例如，该大数据系统可以为这一基准参考互动传播事件和这一目标参考互动传播事件所组成的互动传播事件组合进行标注，以得到具有第一参考推广画像信息(例如，第一参考推广画像信息)的互动传播事件组合。其中，将标注第一参考推广画像信息的互动传播事件组合称之为第一参考互动传播事件组合。此外，该大数据系统还可以从参考互动传播事件集中选择多个与基准参考互动传播事件不重复的互动传播事件，进而可以分别对选择的多个互动传播事件中的每个互动传播事件与该基准参考互动传播事件进行标注，以得到多个携带第二参考推广画像信息(例如，第二参考推广画像信息)的互动传播事件组合。其中，可以将标注第二参考推广画像信息的互动传播事件组合称之为第二参考互动传播事件组合。例如，该大数据系统可以将第一参考互动传播事件组合和第二参考互动传播事件组合配置为训练参考推广画像挖掘网络的参考互动传播事件组合，且将第一参考推广画像信
息和第二参考推广画像信息均称之为对应参考互动传播事件组合的参考推广画像信息。
119.步骤k207，分别获取参考互动传播事件组合在第一传播维度向量下的第一参考知识点向量和在第二传播维度向量下的第二参考知识点向量。
120.例如，该大数据系统可以对参考互动传播事件组合中的每个互动传播事件各自进行第一知识点向量挖掘，获得参考互动传播事件组合的第一参考知识点向量(即第一传播维度向量下的知识点向量)。并且，该大数据系统还可以对参考互动传播事件组合中的每个互动传播事件各自进行第二知识点向量挖掘，获得参考互动传播事件组合的第二参考知识点向量(即第二传播维度向量下的知识点向量)。
121.其中，参考互动传播事件组合可以包括第一参考互动传播事件(例如，互动传播事件a)和第二参考互动传播事件(例如，互动传播事件b)。该参考互动传播事件组合的第一参考知识点向量可以包括互动传播事件a在第一传播维度向量下的对话知识点向量(例如，对话知识点向量ha)、以及互动传播事件b在第一传播维度向量下的对话知识点向量(例如，对话知识点向量hb)。该参考互动传播事件组合的第二参考知识点向量可以包括互动传播事件a在第二传播维度向量下的对话知识点向量(例如，分享知识点向量da)、以及互动传播事件b在第二传播维度向量下的对话知识点向量(例如，分享知识点向量db)。
122.步骤k208，将第一参考知识点向量配置到第一参考画像挖掘网络层，基于第一参考画像挖掘网络层中的第一画像向量提取单元和第一联系参数评估单元，生成参考互动传播事件组合的第一挖掘联系参数。
123.其中，第一参考画像挖掘网络层中的第一画像向量提取单元可以包括与互动传播事件a所对应的第一提取节点和与互动传播事件b所对应的第二提取节点，且该第一提取节点与该第二提取节点具有一致的函数架构。例如，该大数据系统可以将第一参考知识点向量配置到第一参考画像挖掘网络层。例如，该大数据系统可以基于第一参考画像挖掘网络层中的第一画像向量提取单元中的第一提取节点，对对话知识点向量ha进行画像向量提取，获得对话知识点向量ha对应的画像向量la。相对应地，该大数据系统可以基于第一画像向量提取单元中的第二提取节点，对对话知识点向量hb进行画像向量提取，获得对话知识点向量hb对应的画像向量lb。例如，该大数据系统可以将画像向量la和画像向量lb作为第一参考画像向量，且将第一参考画像向量配置到第一联系参数评估单元，由第一联系参数评估单元生成第一参考画像向量的联系参数。此时，该大数据系统可以依据第一参考画像向量的联系参数，确定参考互动传播事件组合的第一挖掘联系参数。
124.步骤k209，将第二参考知识点向量配置到第二参考画像挖掘网络层，基于第二参考画像挖掘网络层中的第二画像向量提取单元和第二联系参数评估单元，生成参考互动传播事件组合的第二挖掘联系参数。
125.例如，该大数据系统可以将第二参考知识点向量配置到与第二传播维度向量存在映射关系的第二参考画像挖掘网络层。例如，该大数据系统可以基于第二画像向量提取单元中的与分享知识点向量da所对应的提取节点(即第三提取节点)，对分享知识点向量da进行画像向量提取，获得分享知识点向量da对应的画像向量ea。相对应地，该大数据系统可以基于第二画像向量提取单元中的与分享知识点向量db相关联提取节点(即第四提取节点)，对分享知识点向量db进行画像向量提取，获得分享知识点向量db对应的画像向量eb。例如，该大数据系统可以将画像向量ea和画像向量eb作为第二参考画像向量，且将第二参考画像
向量配置到第二联系参数评估单元，由第二联系参数评估单元生成第二参考画像向量的联系参数。此时，该大数据系统可以依据第二参考画像向量的联系参数，确定参考互动传播事件组合的第二挖掘联系参数。
126.步骤k210，将第一挖掘联系参数和第二挖掘联系参数进行综合评估，获得参考互动传播事件组合的挖掘依据信息对应的挖掘推广画像信息。
127.例如，该大数据系统可以将第一挖掘联系参数和第二挖掘联系参数进行综合评估。如果确定第一挖掘联系参数指示参考互动传播事件组合在第一传播维度向量下存在联系，且第二挖掘联系参数指示参考互动传播事件组合在第二传播维度向量下存在联系，则该大数据系统可以得到参考互动传播事件组合的联系推广画像。例如，如果确定第一挖掘联系参数指示参考互动传播事件组合在第一传播维度向量下不存在联系，或者第二挖掘联系参数指示参考互动传播事件组合在第二传播维度向量下不存在联系，则该大数据系统可以得到参考互动传播事件组合的非联系推广画像。此时，该大数据系统可以将联系推广画像或者非联系推广画像确定为参考互动传播事件组合的挖掘依据信息，进而可以依据挖掘依据信息确定参考互动传播事件组合对应的挖掘推广画像信息。
128.其中，这里的挖掘依据信息可以包括第一参考互动传播事件组合的第一挖掘依据信息和第二参考互动传播事件组合的第二挖掘依据信息；这里的挖掘推广画像信息可以包括第一挖掘依据信息对应的第一挖掘推广画像信息和第二挖掘依据信息对应的第二挖掘推广画像信息。
129.步骤k211，依据挖掘推广画像信息和参考推广画像信息，对参考推广画像挖掘网络进行循环收敛优化，将循环收敛优化后的参考推广画像挖掘网络配置为对互动传播数据进行推广画像挖掘的推广画像挖掘网络。
130.例如，该大数据系统可以依据参考推广画像信息所关联的第一参考互动传播事件组合和第二参考互动传播事件组合之间的对比参数，确定与参考推广画像挖掘网络的网络收敛评估参数所对应的影响系数信息。例如，该大数据系统可以依据第一挖掘推广画像信息和第一参考推广画像信息，获得第一参考互动传播事件组合的第一网络收敛评估参数，且依据第二挖掘推广画像信息和第二参考推广画像信息，获得第二参考互动传播事件组合的第二网络收敛评估参数。此时，该大数据系统可以依据第一网络收敛评估参数、第二网络收敛评估参数以及影响系数信息，以得到网络收敛评估参数对应的收敛信息，进而可以依据收敛信息，对参考推广画像挖掘网络进行循环收敛优化，获得循环收敛优化信息。例如，该大数据系统可以依据循环收敛优化信息，确定用于对互动传播数据进行推广画像挖掘的推广画像挖掘网络。
131.其中，该大数据系统还可以获取与参考推广画像挖掘网络所对应的部署应用需求，其中，该部署应用需求可以为收敛信息在预设论述之后未发生变化，则结束收敛优化。例如，该部署应用需求还可以为收敛信息中的损失函数值小于部署应用需求中的目标损失函数值，则结束收敛优化。
132.值得说明的是，如果确定循环收敛优化信息表征循环收敛优化后的参考推广画像挖掘网络匹配部署应用需求，则将匹配部署应用需求的参考推广画像挖掘网络配置为对互动传播数据进行推广画像挖掘的推广画像挖掘网络。例如，如果确定循环收敛优化信息表征循环收敛优化后的参考推广画像挖掘网络不匹配部署应用需求，则该大数据系统可以依
据不匹配部署应用需求的网络收敛评估参数，对参考推广画像挖掘网络的网络权重信息进行优化更新。例如，该大数据系统可以将完成网络权重信息的优化更新后的参考推广画像挖掘网络配置为中间态画像挖掘网络，对中间态画像挖掘网络进行循环收敛优化，直到循环收敛优化后的中间态画像挖掘网络匹配部署应用需求时，将匹配部署应用需求的中间态画像挖掘网络配置为对互动传播数据进行推广画像挖掘的推广画像挖掘网络。
133.基于以上步骤，大数据系统通过对参考互动传播事件组合的参考知识点向量(即第一参考知识点向量和第二参考知识点向量)，对参考推广画像挖掘网络进行循环优化，以得到用于对互动传播数据进行推广画像挖掘的推广画像挖掘网络，当存在大量互动传播数据时，可以进行推广画像挖掘，可以基于该推广画像挖掘网络，快速确定互动传播数据的推广画像信息，以判断该互动传播数据的推广画像信息，进而可以提高对话推广画像挖掘的效率。此外，由于完成收敛优化的推广画像挖掘网络是依据不同传播维度向量的参考知识点向量所优化的，因此，训练好的推广画像挖掘网络在进行推广画像挖掘时，能够充分利用互动传播数据的多传播维度向量，提高推广画像挖掘的精度。
134.一种可基于独立构思的实施例中，参见图3所示，该大数据系统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系统100执行上述前述任意一种实施例中提供的基于人工智能画像挖掘的推送优化方法的程序，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。
135.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。
136.其中，所述大数据系统100的架构中还可以包括通信单元103，用于该大数据系统100与其它设备或通信网络通信（例如智慧医疗注册平台200）。
137.另外，本技术实施例提供了一种计算机存储介质，用于储存上述大数据系统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基于人工智能画像挖掘的推送优化方法所涉及的程序。
138.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围。