一种排序方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种排序方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着互联网技术的发展，搜索引擎的功能也日趋强大，召回是搜索中的重要环节，根据用户输入的搜索内容，从海量数据中召回与该搜索内容相关的信息。
3.相关技术中，医生在给病患用户问诊后，需要根据经验为病患用户开药，如果没有其他医生开药处方上的信息作为辅助，无法从处方数据库中获取为患者用户召回处方中的推荐药品，从而降低了药品推荐的准确度。
4.因此，如何召回处方中的推荐药品，以提高药品推荐的准确度是目前有待解决的技术问题。


技术实现要素：

5.本发明提供一种排序方法、装置、电子设备及计算机可读存储介质，以至少解决相关技术中由于无法从处方数据库中为患者用户召回处方中的推荐药品，导致排序效率低，同时也降低了药品推荐的准确度的问题。本发明的技术方案如下：
6.根据本发明实施例的第一方面，提供一种排序方法，包括：
7.响应于处方单界面上输入的用户信息，获取所述处方单界面上所述用户的诊断信息；
8.确定与所述诊断信息相关联的多个处方；
9.对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方；
10.确定所述召回处方的相关度分数或相似度分数；
11.按照相关度分数或相似度分数对所述召回处方进行排序；
12.返回排序结果。
13.可选的，所述确定与所述诊断信息相关联的多个处方，包括：
14.根据所述诊断信息查询预先建立的倒排索引库，得到与所述诊断信息相关联的多个处方，其中，所述倒排索引库，是根据多个样本处方数据中的关键字段构建的倒排索引库。
15.可选的，按照下述步骤预先建立倒排索引库：
16.获取多个样本处方的数据中关键字段的元素，所述关键字段至少包括：年龄字段、诊断字段、药品适应症字段，其中，所述年龄字段、诊断字段和药品适应症字段均为数组；
17.利用所述诊断数组中的每个元素构建第一诊断倒排索引a1；或者利用所述诊断数组中每个元素的每一个字构建第二诊断倒排索引a2；以及
18.确定每个样本处方上每种药品的所有适应症；
19.提取所述药品的相同适应症；
20.按照提取的每个相同适应症构建第一适应症倒排索引b1和每个适应症中的每个字构建第二适应症倒排索引b2；其中，所述适应症主要包括疾病或症状；
21.将多个样本处方中的年龄按照键值对进行构建年龄倒排索引，其中，所述键是年龄，值是一个数组，所述数组的每一个元素都对应一个处方。
22.可选的，所述对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方，包括：
23.将所述多个处方中的每个所述处方的诊断字段切分成数组；
24.将切分后的每个数组中的每一个元素作为一个诊断；
25.将每个诊断的多种描述进行归一化处理成标准诊断描述；
26.利用每个标准诊断描述或每个诊断的每个描述分别查找第一诊断倒排索引库，或用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二倒排索引库，每次查找到的结果取并集得到查找到的第一处方；
27.如果查找到的第一处方数量低于预设阈值，则利用每个标准诊断描述或每个诊断的每个描述分别查找第一适应症倒排索引库，或利用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二适应症倒排索引库；
28.基于每次查找到的结果和第一处方取并集得到查找到的第二处方，并第二处方作为召回处方。
29.可选的，所述对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方，还包括：
30.若查找到的第一处方的数量高于预设阈值或者第二处方的数量高于预设阈值，则按照所述用户的年龄段查找年龄倒排索引，得到查找到的第三处方；
31.基于所述第一处方或第二处方，与所述第三处方确定相同内容的处方，并将相同内容的处方作为召回处方。
32.可选的，所述对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方，还包括：
33.若查找到的处方数量低于所述预设阈值，则获取查找到的处方数量低于预设阈值的诊断，并在所述诊断对应的药品适应症字段添加所述用户的诊断，以用来补充知识图谱。
34.可选的，所述确定所述召回处方的相关度分数，包括：
35.根据所述召回处方中所述用户的诊断信息，查找预设的处方诊断得分数据库，得到与所述诊断信息对应的tf/idf值或bm25值，将所述tf/idf值或bm25值作为所述用户的诊断和处方的相关度得分，其中，当诊断有多个时，累加多个诊断的相关度得分。
36.可选的，按照下述步骤预先建立处方诊断得分数据库：
37.获取多个样本处方，所述多个样本处方至少包括构建倒排索引库的样本处方；
38.确定所述多个样本处方中每一个处方诊断的tf/idf值或bm25值；
39.将确定的所述每一个处方诊断的tf/idf值或bm25值作为处方诊断得分数据库中的的每个诊断与对应处方的相关度得分。
40.可选的，所述确定所述召回处方的相似度分数，包括：
41.根据所述召回处方中所述用户的诊断，查找预设的诊断相似度词典，得到相似诊
断对应的相似度得分。
42.可选的，按照下述步骤预先建立诊断相似度词典：
43.获取医疗文本数据；
44.基于所述医疗文本数据利用深度学习模型训练词向量矩阵；
45.枚举所有的诊断样本，将所述诊断样本中的每个字从词向量矩阵中查找到对应的词向量；
46.累加查找到的各个字的词向量，得到所述诊断的词向量；
47.基于词向量计算所有诊断两两之间的相似度得分；
48.确定所述相似度得分大于相似度阈值的所有诊断；
49.将所述相似度得分大于相似度阈值的所有诊断，与对应的相似度得分构建诊断相似度词典。
50.可选的，所述按照相关度分数或相似度分数对所述召回处方进行排序，包括：
51.根据所述相关度分数对所述召回处方进行排序；或者
52.根据相似诊断逐个查找第一诊断倒排索引，得到对应的处方，并将得到的处方按照相似度分数进行排序。
53.根据本发明实施例的第二方面，提供一种一种排序装置，包括：
54.第一获取模块，用于响应于处方单界面上输入的用户信息，获取所述处方单界面上所述用户的诊断信息；
55.第一确定模块，用于确定与所述诊断信息相关联的多个处方；
56.处理模块，用于对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方；
57.第二确定模块，用于确定所述召回处方的相关度分数或相似度分数；
58.排序模块，用于按照相关度分数或相似度分数对所述召回处方进行排序；
59.返回模块，用于返回所述排序模块排序的排序结果。
60.可选的，所述第二确定模块，具体用于根据所述诊断信息查询预先建立的倒排索引库，得到与所述诊断信息相关联的多个处方，其中，所述倒排索引库，是根据多个样本处方数据中的关键字段构建的倒排索引库。
61.可选，所述方法还包括：第一建立模块，用于按照下述步骤预先建立倒排索引库：
62.元素获取模块，用于获取多个样本处方的数据中关键字段的元素，所述关键字段至少包括：年龄字段、诊断字段、药品适应症字段，其中，所述年龄字段、诊断字段和药品适应症字段均为数组；
63.第一构建模块，用于利用所述诊断数组中的每个元素构建第一诊断倒排索引；或者利用所述诊断数组中每个元素的每一个字构建第二诊断倒排索引；以及
64.适应症确定模块，用于确定每个样本处方上每种药品的所有适应症；
65.提取模块，用于提取所述药品的相同适应症；
66.第二构建模块，用于按照提取的每个相同适应症构建第一适应症倒排索引和每个适应症中的每个字构建第二适应症倒排索引；其中，所述适应症主要包括疾病或症状；
67.第三构建模块，用于将多个样本处方中的年龄按照键值对进行构建年龄倒排索引，其中，所述键是年龄，值是一个数组，所述数组的每一个元素都对应一个处方。
68.可选的，所述处理模块包括：
69.切分模块，用于将所述多个处方中的每个所述处方的诊断字段切分成数组；
70.诊断确定模块，用于将切分后的每个数组中的每一个元素作为一个诊断；
71.归一化模块，用于将每个诊断的多种描述进行归一化处理成标准诊断描述；
72.第一查找模块，用于利用每个标准诊断描述或每个诊断的每个描述分别查找第一诊断倒排索引库，或用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二倒排索引库，每次查找到的结果取并集得到查找到的第一处方；
73.第二查找模块，用于在所述第一查找模块查找到的第一处方的数量低于预设阈值时，利用每个标准诊断描述或每个诊断的每个描述分别查找第一适应症倒排索引库，或利用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二适应症倒排索引库；
74.第一召回处方确定模块，用于基于所述第二查找模块每次查找到的结果和第一处方取并集得到查找到的第二处方，并第二处方作为召回处方。
75.可选的，所述处理模块还包括：
76.第三查找模块，用于在所述第一查找模块查找到的所述第一处方的数量高于预设阈值或者第二处方的数量高于预设阈值时，则按照所述用户的年龄段查找年龄倒排索引，得到查找到的第三处方；
77.第二召回处方确定模块，用于基于所述第一处方或第二处方，与所述第三处方确定相同内容的处方，并将相同内容的处方作为召回处方。
78.可选的，所述处理模块还包括：
79.第二获取模块，用于在所述第一查找模块查找到的处方数量低于所述预设阈值时，获取查找到的处方数量低于预设阈值的诊断；
80.添加模块，用于在所述诊断对应的药品适应症字段添加所述第二获取模块获取到用户的诊断，以用来补充知识图谱。
81.可选的，所述第二确定模块包括：
82.第三查找模块，用于根据所述召回处方中所述用户的诊断信息，查找预设的处方诊断得分数据库，得到与所述诊断信息对应的tf/idf值或bm25值；
83.相关度分数确定模块，用于将所述第三查找模块查找到的所述tf/idf值或bm25值作为所述用户的诊断和处方的相关度得分，当有多个诊断时，累计多个诊断的得分。
84.可选的，还包括第二建立模块，用于按照下述步骤预先建立处方诊断得分数据库：
85.样本处方获取模块，用于获取多个样本处方，所述多个样本处方至少包括构建倒排索引库的样本处方；
86.样本诊断值确定模块，用于确定所述多个样本处方中每一个处方诊断的tf/idf值或bm25值；
87.相关度得分确定模块，用于将确定的所述每一个处方诊断的tf/idf值或bm25值作为处方诊断得分数据库中的的每个诊断与对应处方的相关度得分。
88.可选的，所述第二确定模块，具体用于根据所述召回处方中所述用户的诊断，查找预设的诊断相似度词典，得到相似诊断对应的相似度得分。
89.可选的，还包括第三建立模块，用于按照下述步骤预先建立诊断相似度词典：
90.文本获取模块，用于获取医疗文本数据；
91.训练模块，用于基于所述医疗文本数据利用深度学习模型训练词向量矩阵；
92.枚举模块，用于枚举所有的诊断样本；
93.向量查找模块，用于将枚举的所述诊断样本中的每个字从词向量矩阵中查找到对应的词向量；
94.向量累加模块，用于累加查找到的各个字的词向量，得到所述诊断的词向量；
95.相似度计算模块，用于基于词向量计算所有诊断两两之间的相似度得分；
96.诊断确定模块，用于确定所述相似度得分大于相似度阈值的所有诊断；
97.第四构建模块，用于将所述相似度得分大于相似度阈值的所有诊断，与对应的相似度得分构建诊断相似度词典。
98.可选的，所述排序模块包括：
99.第一排序模块，用于根据所述相关度分数对所述召回处方进行排序；和/或
100.第二排序模块，用于根据相似诊断逐个查找第一诊断倒排索引，得到对应的处方，并将得到的处方按照相似度分数进行排序。
101.可选的，还提供一种电子设备，包括：
102.处理器；
103.用于存储所述处理器可执行指令的存储器；
104.其中，所述处理器被配置为执行所述指令，以实现如上所述的排序方法。
105.可选的，还提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上所述的排序方法。
106.可选的，还提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上所述的排序方法。
107.本发明的实施例提供的技术方案至少带来以下有益效果：
108.本发明实施例中，响应于处方单界面上输入的用户信息，获取所述处方单界面上所述用户的诊断信息；确定与所述诊断信息相关联的多个处方；对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方；确定所述召回处方的相关度分数或相似度分数；按照相关度分数或相似度分数对所述召回处方进行排序；返回排序结果。也就是说，本发明实施例中，基于患者用户的诊断信息，可以查找到与该诊断信息相关联度比较高的多个处方，并对多个处方进行处理，得到相同内容的处方，作为召回处方，然后通过召回处方的相关度分数或相似度分数对召回处方进行排序，并返回排序结果，从而提高了排序的准确度。
109.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
110.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理，并不构成对本发明的不当限定。
111.图1是本发明实施例提供的一种排序方法的流程图。
112.图2是本发明实施例提供的一种处方单的应用实例的示意图。
113.图3是本发明实施例提供的一种显示处方单上推荐药品的应用示意图。
114.图4是本发明实施例提供的一种排序装置的框图。
115.图5是本发明实施例提供的第一建立模块的框图。
116.图6是本发明实施例提供的处理模块的框图。
117.图7是本发明实施例提供的第二确定模块的框图。
118.图8是本发明实施例提供的一种电子设备的框图。
119.图9是本发明实施例提供的一种用于处方推荐的装置的框图。
具体实施方式
120.为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
121.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
122.近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(artificial intelligence，ai)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、行为识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(slam)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如安防、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
123.推荐系统一般分为召回和精排两个阶段，召回是从库中取出可以推荐的内容，可以看成是粗排序，召回的方法也多种多样，本发明实施例在基于召回技术的应用到处方推荐的场景中。
124.召回的结果可以直接给反馈到处方单界面上，供医生参考，也可以作为精排模块的输入，重新进行精确排序，本发明实施例涉及到处方召回阶段。
125.图1是本发明实施例提供的一种排序方法的流程图，如图1所示，该排序方法包括以下步骤：
126.步骤101：响应于处方单界面上输入的用户信息，获取所述处方单界面上所述用户的诊断信息。
127.步骤102：确定与所述诊断信息相关联的多个处方。
128.步骤103：对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方。
129.步骤104：确定所述召回处方的相关度分数或相似度分数。
130.步骤105：按照相关度分数或相似度分数对所述召回处方进行排序。
131.步骤106：返回排序结果。
132.本发明所述的排序方法可以应用于终端、服务器等，在此不作限制，其终端实施设备可以是智能手机，笔记本电脑、平板电脑等电子设备，在此不作限制。
133.下面结合图1，对本发明实施例提供的一种排序方法的具体实施步骤进行详细说明。
134.在步骤101中，响应于处方单界面上输入的用户信息，获取所述处方单界面上所述用户的诊断信息。
135.该步骤中，在医生在给病患用户问诊后，需要通过终端(比如计算机电脑等)给病患用户开处方单，需要在电脑的处方单界面上输入的用户信息，比如，输入病患用户信息，当然，还可以输入病患用户的禁忌内容，药物过敏史等信息。而此时，终端会检测到医生输入到处方单界面上的信息，之后，根据该信息获取该处方单界面上所述病患用户的诊断信息。
136.其中，本实施例中的所述用户的诊断信息(即患者诊断信息)，可以是诊断短语，也可以是诊断中出现的每一个字。需要说明的是，如果是诊断短语，则后续需要根据该诊断短语去检索短语构建的倒排索引，如果是用诊断中出现的每一个字，去检索字构建的倒排索引，最终都是将得分相加。
137.在步骤102中，确定与所述诊断信息相关联的多个处方。
138.该步骤中，具体的，可以根据所述诊断信息查找预先建立的倒排索引库，得到与所述诊断信息相关联的多个处方，其中，所述倒排索引库，是根据多个样本处方数据的多个关键内容构建的倒排索引库。其查找的目标查找到与该患者信息高度相似的多个处方。其中，所述处方可以诊断和药品名称，该诊断和药品名字位于对应的字段内，当然，还可以包括：患者姓名、年龄、性别、科室、药品的给药方式、药品的用法、药品的用量、药品规格、开药总量、用药频次、医保卡号、费用类别等。本实施例不做限制。
139.其中，该倒排索引库中可以包括根据诊断数组中的每个元素构建的第一诊断倒排索引a1，也可以包括根据诊断数组中每个元素的每一个字构建第二诊断倒排索引a2，第一适应症倒排索引b1和第二适应症倒排索引b2等等。在实际应用中，并不限于此。
140.其中，倒排索引，源于实际应用中需要根据属性的值来查找记录，lucene是基于倒排索引实现的。这种索引表中的每一项都包括一个属性值和具有该属性值的各记录的地址。由于不是由记录来确定属性值，而是由属性值来确定记录的位置，因而称为倒排索引(inverted index)。带有倒排索引的文件我们称为倒排索引文件，简称倒排文件(inverted file)。倒排索引一般表示为一个关键词，然后是它的频度(出现的次数)，位置(出现在哪一篇文章或网页中，及有关的日期，作者等信息)，它相当于为互联网上几千亿页网页做了一个索引，想查找什么，根据该索引就可以直接查找到，而不用一页一页的去查找，节省了查找时间，提高了查找效率。
141.其中，可以按照下述步骤预先建立倒排索引库：获取多个样本处方的数据中关键字段的元素，所述关键字段至少包括：年龄字段、诊断字段、药品适应症字段，其中，所述年龄字段、诊断字段和药品适应症字段均为数组；利用所述诊断数组中的每个元素构建第一诊断倒排索引a1；或者利用所述诊断数组中每个元素的每一个字构建第二诊断倒排索引a2；以及确定每个样本处方上每种药品的所有适应症；提取所述药品的相同适应症；按照提取的每个相同适应症构建第一适应症倒排索引b1和每个适应症中的每个字构建第二适应症倒排索引b2；其中，所述适应症主要包括疾病或症状；将多个样本处方中的年龄按照键值对进行构建年龄倒排索引，其中，所述键是年龄，值是一个数组，所述数组的每一个元素都对应一个处方。
142.也就是说，根据从处方库中获取到的处方数据构建倒排索引。通常情况下，处方上的年龄、诊断、药品名称、药品适应症等都有自己的倒排索引。基于此，本实施例进行如下两点特殊处理：
143.第一点：诊断字段是数组，需要分别按照两种方法构建倒排索引，一种是用数组中的每个元素构建倒排索引a1，另一种是用数组中每个元素的每一个字构建倒排索引a2。第二点：处方中可能有多个药品，每个药品都有多个适应症，故，对药品的适应症取交集(相同内容)，交集内的适应症，按照每个适应症构建对应的倒排索引b1，和每个适应症中的每个字构建倒排索引b2。本实施例中的适应症可以是疾病或症状，与诊断的数据大题相同。其中，所谓年龄倒排索引为一个字典结构，键是年龄，值是一个数组，数组的每一个元素都是一个处方。
144.其中，该实施例中的处方库可以包括：中医处方，也可以包括西药、中成药处方，并将这些处方作为样本处方。处方的来源可以是人工编辑，也可以是获取的医院或者在线问诊的处方。处方中一般至少包括患者姓名、年龄、性别、科室、诊断、药品名称、药品的给药方式、药品的用法、药品的用量、药品规格、开药总量、用药频次、医保卡号、费用类别等。其中本实施例中提供的处方至少诊断、药品名称字段，当然，为了提升推荐效果，该处方中还可以包括其它字段，比如包括患者姓名、年龄、性别、科室、药品的给药方式、药品的用法、药品的用量、药品规格、开药总量、用药频次、医保卡号、费用类别等中的至少一种。其中诊断字段里包括：患者的疾病症状，可能有多个，所以是数组结构，数据结构的每一个元素都是一个标准名称的诊断(标准名称的诊断一般为icd10标准中的诊断)，诊断一般为疾病或者症状。
145.在步骤103中，对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方。
146.具体的，将所述多个处方每个所述处方的诊断字段切分成数组；将切分后的每个数组中的每一个元素作为一个诊断；将每个诊断的描述进行归一化处理成标准诊断描述；利用每个标准诊断描述或每个诊断的每个描述分别查找第一诊断倒排索引库，或用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二倒排索引库，每次查找到的结果取并集得到查找到的第一处方；如果查找到的第一处方的数量低于预设阈值，则利用每个标准诊断描述或每个诊断的每个描述分别查找第一适应症倒排索引库，或利用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二适应症倒排索引库；基于每次查找到的结果和第一处方取并集得到查找到的第
二处方，并第二处方作为召回处方。
147.可选的，在另一实施例中，该实施例在上述实施例的基础上，所述对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方，还可以包括：若查找到的第一处方的数量高于预设阈值或者第二处方的数量高于预设阈值，则按照所述用户的年龄段查找年龄倒排索引，得到查找到的第三处方；基于所述第一处方或第二处方，与所述第三处方确定相同内容的处方，并将相同内容的处方作为召回处方。
148.其中，根据用户年龄段查找年龄倒排索引，假如用户10岁，再假如年龄段划分为0-7岁，7-14岁，14至20岁，20岁至50岁，50岁至70岁，70岁以上，则检索年龄倒排索引库里，索引为7岁，8岁，9岁，10岁，11岁，12岁，13岁的处方。其中年龄段的划分是认为设计的规则。
149.也就是说，该实施例中，可以使用患者诊断检索上述构建的倒排索引库，其目的就是检索到跟该患者诊断信息相关度高的处方，为此，本实施例对患者诊断(本实施例中患者诊断可以称为查询query等)做两步处理，第一步是将诊断字段切分成数组(每个患者可能有多个诊断)，切分后数组的每一个元素是一个诊断。第二步是将每个诊断进行归一化，因为同一种疾病，诊断有多种不同的描述，本实施例需要同一种诊断的多种描述归一化成(即修改为)标准诊断描述。比如，将多种诊断描述鼻内异物，鼻异物，鼻腔内异物等统一化为标准诊断描述：鼻腔异物等。然后，用每个诊断检索诊第一断倒排索引库a1和第一适应症倒排索引库b1，若检索出来的处方数量高于预设阈值，则继续按照年龄召回处方。若检索出来的处方数量低于预设阈值，则将该检索诊断记录存储下来，并获取处方数量低于预设阈值的所有诊断，并对每个所述诊断对应的药品适应症字段添加所述用户的诊断，以用来补充知识图谱。然后使用患者诊断中出现的每个字组成字集合检索诊断第一倒排索引库a1和第一适应症倒排索引库b1。
150.其中，使用药品知识图谱中的药品适应症数据，将处方中的药品扩展出适应症，即在现有处方字段的基础上对各药品增加适应症字段，该适应症字段的类型为一个数组，数组的每一个元素是该药所治疗的疾病或症状。
151.需要说明的是，两种检索方法和检索结果是互相独立的。
152.可选的，继续按照年龄召回处方的过程为：本实施例对患者年龄进行了分段，例如：0-3岁一个段，4-7岁一个段，7-14岁一个段，14岁至40岁一个段，40岁至65岁一个段，65岁以上一个段等。若患者10岁，则在7-14这个年龄段内。召回时只召回在该年龄段内的处方。(处方库中的每个处方有年龄字段)。然后年龄召回的处方和诊断召回的处方取交集(交局就是内容相同)。
153.通常情况下，处方中的科室信息也会用到，若患者是儿童，即14周岁以下，则在满足上面年龄条件下再加一个条件是只召回儿科下的处方，如果患者是成人，则在满足上面年龄条件下再加一个条件是去掉召回的儿科下的处方。
154.可选的，在另一实施例中，若查找到的处方数量低于所述预设阈值，则获取查找到的处方数量低于预设阈值的诊断，并在所述诊断对应的药品适应症字段添加所述用户的诊断，以用来补充知识图谱。
155.也就是说，该实施例中，在查找到的处方数量低于所述预设阈值时，获取检索处方数量低于预设阈值的诊断，由专业医疗人员根据该患者信息，补充药物知识图谱(比如给相应的药品适应症字段添加该患者的诊断等)。然后，重新扩展处方中的药品适应症字段，重
新召回。该实施例中的这个召回跟不是实时的，而是下一次再用该诊断检索的时使用。
156.在步骤104中，确定所述召回处方的相关度分数或相似度分数。
157.该步骤中，有两种确定方式，一种情况是确定所述召回处方的相关度分数，具体包括：
158.根据所述召回处方中所述用户的诊断信息，查找预设的处方诊断得分数据库，得到与所述处方诊断对应的tf/idf值或bm25值，将所述tf/idf值或bm25值作为所述用户的诊断和处方的相关度得分，其中，当诊断有多个时，累加多个诊断的相关度得分。
159.也就是说，对于召回文档，使用患者诊断信息，去处方诊断得分数据库中找到tf/idf值或bm25值，并将该值作为患者诊断和处方的相关度得分，并进行排序。当患者诊断有多个时，将多个诊断的得分累加在一起作为相关度得分。
160.本实施例中，召回处方按照相关性计算得分，之后，按照得分由大到小的顺序进行排序，或者将排序后的召回处方返回给精排模块进行精排，并推荐精排后的处方。其中，精排模块进行精排的过程，对于本领域技术人员来说已是熟知技术，在此不再后赘述。
161.其中，该实施例中，可以按照下述步骤预先建立处方诊断得分数据库：获取多个样本处方，所述多个样本处方至少包括构建倒排索引库的样本处方；确定所述多个样本处方中每一个处方诊断的tf/idf值或bm25值；将确定的所述每一个处方诊断的tf/idf值或bm25值作为处方诊断得分数据库中的的每个诊断与对应处方的相关度得分。
162.其中，本实施例中的处方诊断，是指处方中诊断字段中的诊断和/或药品适应症的交集，构建处方诊断得分数据库可以同时使用这两部分数据，也可以使用其中某一部分数据。
163.也即实说，该实施例中，在构建倒排索引时，将全部处方作为样本处方，计算每一个处方诊断的tf/idf值或bm25值，当诊断有多个，计算的tf/idf值或bm25值也有多个，然后，保存与该诊断对应的tf/idf值或bm25值到处方诊断得分数据库，该处方诊断得分数据库行是所有的诊断名称，其中，列是处方库中的每一个处方，处方诊断得分数据库保存的是每一个诊断在该处方下的tf/idf值或bm25值。
164.另一种方式是确定所述召回处方的相似度分数，具体包括：
165.根据所述召回处方中所述用户的诊断，查找预设的诊断相似度词典h，得到相似诊断对应的相似度得分e。
166.也就是说，该实施例中，可以用患者用户的每一个诊断分别在诊断相似度词典h查到其相似诊断及其对应相似度得分e。然后，利用相似诊断逐个再查第一诊断倒排索引a1得到处方。
167.可选的，在另一实施例中，可以按照下述步骤预先建立诊断相似度词典h：获取医疗文本数据；基于所述医疗文本数据利用深度学习模型训练词向量矩阵g；枚举所有的诊断样本，将所述诊断样本中的每个字从词向量矩阵g中查找到对应的词向量；累加查找到的各个字的词向量，得到所述诊断的词向量；基于词向量计算所有诊断两两之间的相似度得分；确定所述相似度得分大于相似度阈值的所有诊断；将所述相似度得分大于相似度阈值的所有诊断，与对应的相似度得分构建诊断相似度词典h。
168.也就是说，先使用医疗文本数据和深度学习模型训练词向量矩阵g，然后枚举所有可能的诊断，将诊断中的每个字从词向量矩阵g中找到对应的词向量，各个字的词向量累加
得到诊断的词向量；最后，计算所有诊断之间俩俩的相似度。并将计算的相似度分数与设置的相似度阈值进行比较，对每一个诊断，如果计算的相似度分数是否大于相似度阈值，如果大于，则获取大于相似度阈值的所有诊断，构建诊断相似度词典h，该诊断相似度词典h的键是诊断，值是一个数组，数组的每一个元素都是诊断和相似度得分e。
169.在步骤105中，按照相关度分数或相似度分数对所述召回处方进行排序。
170.该实施例中，可以根据所述相关度分数对所述召回处方进行排序；或者根据相似诊断逐个查找第一诊断倒排索引a1，得到对应的处方，并将得到的处方按照相似度分数e进行排序。本实施例中的排序可以理解为粗排序。
171.该实施例中，可以将tf/idf值或bm25值作为患者诊断和处方的相关度得分，并按照相关度得到进行排序，当患者诊断有多个时，将多个诊断的相关度得分累加在一起。进一步，还可以将排序后的处方进入精排模块进行精排序。
172.当然，也可以利用患者的每一个诊断，分别去查找诊断相似度词典h，得到相似诊断及相似度诊断对应的相似度得分e；然后，利用相似诊断逐个再查第一诊断倒排索引a1得到处方，并将得到的处方按照相似度得分e进行排序，进一步，还可以将组排序后的处方进入精排模块进行精排序。
173.在步骤106中，返回排序结果。
174.该实施例中，可以直接将排序结果反馈给处方单界面上，供医生参考；当然，也可以将该排序结果输入到精排模块进行精排序，之后，将精排序的结果反馈到处方单界面上供医生参考。
175.可选的，在另一实施例中，该实施例在上述实施例的基础上，还可以推荐排序后的至少前两个处方或者将排序后的召回处方进行精排序后推荐至少前两个处方到所述处方单界面上。
176.本发明实施例中，响应于处方单界面上输入的用户信息，获取所述处方单界面上所述用户的诊断信息；确定与所述诊断信息相关联的多个处方；对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方；确定所述召回处方的相关度分数或相似度分数；按照相关度分数或相似度分数对所述召回处方进行排序；并反馈排序结果。也就是说，本发明实施例中，基于患者用户的诊断信息，可以查找到与该诊断信息相关联度比较高的多个处方，并对多个处方进行处理，得到相同内容的处方，作为召回处方，然后通过召回处方的相关度分数或相似度分数对召回处方进行排序，提高了排序的效率和处方推荐的准确度。
177.进一步，本发明实施例利用构建倒排索引，以及计算相似度的方法均，将推荐系统应用到处方推荐这个新的场景中，在该场景中，本实施例提供对构建倒排索引和检索的方法均需要对诊断数据和药品适应症进行特殊处理，并离线计算出所有诊断和每一个处方的相关度得分或相似度得分，并相关度得分或相似度得进行处方推荐，从而提高了处方推荐的准确度。
178.还请参阅图2，为本发明实施例提供的一种处方单的应用实例的示意图，假如该实施例获取到三张处方，两张呼吸内科的，一张骨科的，可以按顺序编号标识是1，2和3，本实施例以处方3为例，通常情况下后，终端获取到的处方3为json格式，具体通过如下程序段来表示：
[0179][0180]
之后，终端根据三个处方来构建倒排索引后，其构建过程详见上述，在此不再赘述，其构建后的倒排索引的状态如表1所示，该表1中展示了三个表格，分别对应三个倒排索引表。
[0181]
表1
[0182][0183]
最后，当医生为患者用户诊断后需要开药时，即医生进入开处方单界面(或页面)，如图3所示，图3为本发明实施例提供的一种显示处方单上推荐药品的应用示意图。当医生填写上处方单中的患者用户信息(可以包括身份证号，禁忌症，当然，还可可以包括姓名，性别，过敏史、临床诊断等的)时，即如图3中标号为31所框的部分填写患者用户信息，在该处方单上的左下面(当然也可以该处方单上的其他位置，本实施例不做限制)标号为32所框的部分会出现推荐的药品信息，该药品信息是对召回处方进行排序或精排序后推荐的，本实施例分别以推荐两个召回处方单上的药品为例。
[0184]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本实施公开并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。
[0185]
图4是本发明实施例提供的一种排序装置框图。参照图4，该装置包括：第一获取模块401，第一确定模块402，处理模块403，第二确定模块404，排序模块405和推荐模块406，其中，
[0186]
该第一获取模块401，用于响应于处方单界面上输入的用户信息，获取所述处方单界面上所述用户的诊断信息；
[0187]
该第一确定模块402，用于确定与所述诊断信息相关联的多个处方；
[0188]
该处理模块403，用于对所述多个处方分别进行处理，得到处理后包括相同内容的处方，并将相同内容的处方作为召回处方；
[0189]
该第二确定模块404，用于确定所述召回处方的相关度分数或相似度分数；
[0190]
该排序模块405，用于按照相关度分数或相似度分数对所述召回处方进行排序；
[0191]
该返回模块406，用于返回所述排序模块排序的排序结果；
[0192]
具体的，可以将排序结果中的至少前两个处方到所述处方单界面上，或者将排序后的召回处方进行精排序后推荐至少前两个处方到所述处方单界面上。
[0193]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述第二确定模块404，具体用于根据所述诊断信息查询预先建立的倒排索引库，得到与所述诊断信息相关联的多个处方，其中，所述倒排索引库，是根据多个样本处方数据中的关键字段构建的倒排索引库。
[0194]
可选，在另一实施例中，该实施例在上述实施例的基础上，所述装置还包括：第一建立模块500，其结构框图如图5所示，该第一建立模块500用于按照下述步骤预先建立倒排索引库：具体包括：元素获取模块501，第一构建模块502，适应症确定模块503，提取模块504，第二构建模块505和第三构建模块506，其中，
[0195]
元素获取模块501，用于获取多个样本处方的数据中关键字段的元素，所述关键字段至少包括：年龄字段、诊断字段、药品适应症字段，其中，所述年龄字段、诊断字段和药品适应症字段均为数组；
[0196]
第一构建模块502，用于利用所述诊断数组中的每个元素构建第一诊断倒排索引a1；或者利用所述诊断数组中每个元素的每一个字构建第二诊断倒排索引a2；以及
[0197]
适应症确定模块503，用于确定每个样本处方上每种药品的所有适应症；
[0198]
提取模块504，用于提取所述药品的相同适应症；
[0199]
第二构建模块505，用于按照提取的每个相同适应症构建第一适应症倒排索引b1和每个适应症中的每个字构建第二适应症倒排索引b2；其中，所述适应症主要包括疾病或症状；
[0200]
第三构建模块506，用于将多个样本处方中的年龄按照键值对进行构建年龄倒排索引，其中，所述键是年龄，值是一个数组，所述数组的每一个元素都对应一个处方。
[0201]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述处理模块403包括：切分模块601，诊断确定模块602，归一化模块603，第一查找模块604，第二查找模块605和第一召回处方确定模块606，其结构框图如图6所示，其中，
[0202]
切分模块601，用于将所述多个处方中的每个所述处方的诊断字段切分成数组；
[0203]
诊断确定模块602，用于将切分后的每个数组中的每一个元素作为一个诊断；
[0204]
归一化模块603，用于将每个诊断的多种描述进行归一化处理成标准诊断描述；
[0205]
第一查找模块604，用于利用每个标准诊断描述或每个诊断的每个描述分别查找第一诊断倒排索引库，或用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二倒排索引库，每次查找到的结果取并集得到查找到的第一处方；
[0206]
第二查找模块605，用于在所述第一查找模块604查找到的第一处方的数量低于预设阈值时，利用每个标准诊断描述或每个诊断的每个描述分别查找第一适应症倒排索引库，或利用每个标准诊断描述中出现的每个字或每个诊断的每个描述中出现的每个字分别查找第二适应症倒排索引库；
[0207]
第一召回处方确定模块606，用于基于所述第二查找模块605每次查找到的结果和第一处方取并集得到查找到的第二处方，并第二处方作为召回处方。
[0208]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述处理模块还包括：第三查找模块和第二召回处方确定模块，其中，
[0209]
该第三查找模块，用于在所述第一查找模块查找到的所述第一处方的数量高于预设阈值或者第二处方的数量高于预设阈值时，则按照所述用户的年龄段查找年龄倒排索
引，得到查找到的第三处方；
[0210]
该第二召回处方确定模块，用于基于所述第一处方或第二处方，与所述第三处方确定相同内容的处方，并将相同内容的处方作为召回处方。
[0211]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述处理模块403还包括：第二获取模块和添加模块，其中，
[0212]
第二获取模块，用于在所述第一查找模块604查找到的处方数量低于所述预设阈值时，获取查找到的处方数量低于预设阈值的诊断；
[0213]
添加模块，用于在所述诊断对应的药品适应症字段添加所述第二获取模块获取到用户的诊断，以用来补充知识图谱。
[0214]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述第二确定模块404包括：第三查找模块701和相关度分数确定模块702，其结构框图如图7所示，其中，
[0215]
第三查找模块701，用于根据所述召回处方中所述用户的诊断信息，查找预设的处方诊断得分数据库，得到与所述诊断信息对应的tf/idf值或bm25值；
[0216]
相关度分数确定模块702用于将所述第三查找模块701查找到的所述tf/idf值或bm25值作为所述用户的诊断和处方的相关度得分，当有多个诊断时，累计多个诊断的得分。
[0217]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还包括第二建立模块，用于按照下述步骤预先建立处方诊断得分数据库：包括：样本处方获取模块，样本诊断值确定模块和相关度得分确定模块，其中，
[0218]
样本处方获取模块，用于获取多个样本处方，所述多个样本处方至少包括构建倒排索引库的样本处方；
[0219]
样本诊断值确定模块，用于确定所述多个样本处方中每一个处方诊断的tf/idf值或bm25值；
[0220]
相关度得分确定模块，用于将确定的所述每一个处方诊断的tf/idf值或bm25值作为处方诊断得分数据库中的的每个诊断与对应处方的相关度得分。
[0221]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述第二确定模块，具体用于根据所述召回处方中所述用户的诊断，查找预设的诊断相似度词典h，得到相似诊断对应的相似度得分e。
[0222]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述装置还包括第三建立模块，用于按照下述步骤预先建立诊断相似度词典h：包括：文本获取模块，训练模块，枚举模块，向量查找模块，向量累加模块，相似度计算模块，诊断确定模块和第四构建模块，其中，
[0223]
文本获取模块，用于获取医疗文本数据；
[0224]
训练模块，用于基于所述医疗文本数据利用深度学习模型训练词向量矩阵g；
[0225]
枚举模块，用于枚举所有的诊断样本；
[0226]
向量查找模块，用于将枚举的所述诊断样本中的每个字从词向量矩阵g中查找到对应的词向量；
[0227]
向量累加模块，用于累加查找到的各个字的词向量，得到所述诊断的词向量；
[0228]
相似度计算模块，用于基于词向量计算所有诊断两两之间的相似度得分；
[0229]
诊断确定模块，用于确定所述相似度得分大于相似度阈值的所有诊断；
[0230]
第四构建模块，用于将所述相似度得分大于相似度阈值的所有诊断，与对应的相似度得分构建诊断相似度词典h。
[0231]
可选的，在另一实施例中，该实施例在上述实施例的基础上，所述排序模块包括：第一排序模块和第二排序模块，其中，
[0232]
第一排序模块，用于根据所述相关度分数对所述召回处方进行排序；和/或
[0233]
第二排序模块，用于根据相似诊断逐个查找第一诊断倒排索引a1，得到对应的处方，并将得到的处方按照相似度分数e进行排序。
[0234]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0235]
可选的，本发明实施例还提供一种电子设备，包括：
[0236]
处理器；
[0237]
用于存储所述处理器可执行指令的存储器；
[0238]
其中，所述处理器被配置为执行所述指令，以实现如上所述的排序方法。
[0239]
可选的，本发明实施例还提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上所述的排序方法。可选地，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0240]
可选的，本发明实施例还提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现如上所述的排序方法。
[0241]
图8是本发明实施例提供的一种电子设备800的框图。例如，电子设备800可以为移动终端也可以为服务器，本发明实施例中以电子设备为移动终端为例进行说明。例如,电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0242]
参照图8，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。
[0243]
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
[0244]
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0245]
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
[0246]
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0247]
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
[0248]
i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0249]
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0250]
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，运营商网络(如2g、3g、4g或5g)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0251]
在实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述所示的排序方法。
[0252]
在实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述所示的排序方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0253]
在实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备800的处理器820执行时，使得电子设备800执行上述所示的排序方法。
[0254]
图9是本发明实施例提供的一种用于处方推荐的装置900的框图。例如，装置900可
以被提供为一服务器。参照图9，装置900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述方法。
[0255]
装置900还可以包括一个电源组件926被配置为执行装置900的电源管理，一个有线或无线网络接口950被配置为将装置900连接到网络，和一个输入输出(i/o)接口958。装置900可以操作基于存储在存储器932的操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm或类似。
[0256]
本发明所涉及的用户信息(包括但不限于用户的设备信息、用户个人信息等)、相关数据等均为经用户授权或经各方授权后的信息。
[0257]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0258]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。