一种基于决策树的药品推荐方法、装置、设备及存储介质与流程

1.本技术涉及数字医疗领域，尤其涉及一种基于决策树的药品推荐方法、装置、设备及存储介质。


背景技术：

2.目标，用户购药渠道通常包括线下购买和线上购买。线下购买通常是用户描述相应的症状，药师根据症状描述来推荐药品，那么，不同经验的药师所推荐的药品也会有所不同。线上购买通常是根据症状和药品的适用性进行匹配以得到所要推荐的药品。上述购药模式较为单一，不能从多方面考虑来为用户推荐最为合适的药品。因此，如何提高药品推荐的准确性成为了购药系统中亟需解决的问题。


技术实现要素：

3.本技术实施例提供了一种基于决策树的药品推荐方法、装置、设备及存储介质，可以通过引入用户的用户画像数据，为用户提供个性化的药品推荐，也可以提高药品推荐的准确性；还可以基于用户画像数据自动识别出所需要的药品类型，可以提高购药需求的准确匹配，也可以提高药品推荐的智能化水平。
4.第一方面，本技术实施例公开了一种基于决策树的药品推荐方法，所述方法包括：
5.获取一个或多个训练用户的训练画像数据，并为所述一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，所述训练样本集包括添加训练推荐类型标签的各个训练画像数据；
6.获取目标用户的购药需求，基于所述购药需求确定所述目标用户的初始药品类型，并基于所述初始药品类型从预设的药品库中确定候选药品集合，所述候选药品集合包括多个候选药品；
7.获取所述目标用户的用户画像数据，并调用所述决策树模型对所述用户画像数据进行决策处理，得到所述用户画像数据对应的药品推荐类型；
8.根据所述药品推荐类型从所述候选药品集合中确定推荐药品，并将所述推荐药品推荐给所述目标用户。
9.第二方面，本技术实施例公开了一种基于决策树的药品推荐装置，所述装置包括：
10.构建单元，用于获取一个或多个训练用户的训练画像数据，并为所述一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，所述训练样本集包括添加训练推荐类型标签的各个训练画像数据；
11.确定单元，用于获取目标用户的购药需求，基于所述购药需求确定所述目标用户的初始药品类型，并基于所述初始药品类型从预设的药品库中确定候选药品集合，所述候选药品集合包括多个候选药品；
12.决策单元，用于获取所述目标用户的用户画像数据，并调用所述决策树模型对所述用户画像数据进行决策处理，得到所述用户画像数据对应的药品推荐类型；
13.推荐单元，用于根据所述药品推荐类型从所述候选药品集合中确定推荐药品，并将所述推荐药品推荐给所述目标用户。
14.第三方面，本技术实施例公开了一种推荐设备，包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
15.第四方面，本技术实施例公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
16.本技术实施例中，可以获取一个或多个训练用户的训练画像数据，并为一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，从而可以基于添加训练推荐类型标签的各个训练画像数据构建决策树模型。还可以获取目标用户的购药需求，以基于购药需求确定目标用户的初始药品类型，并基于初始药品类型从预设的药品库中确定候选药品集合，该候选药品集合可以包括多个候选药品。进一步的，可以获取目标用户的用户画像数据，并调用决策树模型对用户画像数据进行决策处理，得到用户画像数据对应的药品推荐类型，从而可以根据药品推荐类型从候选药品集合中确定推荐药品，并将推荐药品推荐给目标用户。上述可知，在确定药品推荐类型时考虑了用户的用户画像数据，药品推荐类型与用户的匹配性较高，则根据药品推荐类型确定的推荐药品与用户的匹配性也就较高，从而利用用户的的用户画像数据，也可以提高药品推荐的准确性，进而提高用户购药体验。同时，可以通过用户不同的购药需求，用户也可以得到各种不同偏好的药品推荐结果，从而可以为用户提供个性化的药品推荐。还可以基于用户画像数据自动识别出所需要的药品类型，也可以提高药品推荐的智能化水平。
附图说明
17.为了更清楚地说明本技术实施例技术方案，下面将对实施例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。
18.图1是本技术实施例提供的一种基于决策树的药品推荐方法的流程示意图；
19.图2是本技术实施例提供的一种画像信息填写界面的界面示意图；
20.图3是本技术实施例提供的一种用户购药界面的界面示意图；
21.图4是本技术实施例提供的另一种基于决策树的药品推荐方法的流程示意图；
22.图5是本技术实施例提供的一种决策树模型的结构示意图；
23.图6是本技术实施例提供的一种基于决策树的药品推荐装置的结构示意图；
24.图7是本技术实施例提供的一种推荐设备的结构示意图。
具体实施方式
25.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。
26.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)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。
27.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。
28.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如，智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等。
29.本技术实施例能够应用于多种不同的领域中，如医疗产品推荐领域、金融产品推荐领域等。
30.在一种可能实现方式中，在医疗产品推荐领域中，所述数据可以是与医疗产品相关联的医疗数据，如与医疗产品相关联的药品信息，用户画像数据等。
31.在一种可能实现方式中，在智能医疗领域中，本技术实施例提出了一种基于决策树的药品推荐方法，该基于决策树的药品推荐的大致原理如下：可以获取一个或多个训练用户的训练画像数据，并为一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，从而可以基于添加训练推荐类型标签的各个训练画像数据构建决策树模型。还可以获取目标用户的购药需求，以基于购药需求确定目标用户的初始药品类型，并基于初始药品类型从预设的药品库中确定候选药品集合，该候选药品集合可以包括多个候选药品。进一步的，可以获取目标用户的用户画像数据，并调用决策树模型对用户画像数据进行决策处理，得到用户画像数据对应的药品推荐类型，从而可以根据药品推荐类型从候选药品集合中确定推荐药品，并将推荐药品推荐给目标用户。通过引入用户的用户画像数据，为用户提供个性化的药品推荐，也可以提高药品推荐的准确性，而通过利用决策树来预测药品类型，也可以实现药品推荐的智能化。
32.在具体实现中，上述所提及的基于决策树的药品推荐方法的执行主体可以是推荐设备，该推荐设备可以是终端或者服务器。此处所提及的终端可以是智能手机、平板电脑、笔记本电脑、台式电脑等设备；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、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、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。
33.本技术实施例提供的方案涉及人工智能、数字医疗等技术，具体通过如下实施例进行说明：
34.请参阅图1，图1是本技术实施例提供的一种基于决策树的药品推荐方法的流程示意图。本实施例中所描述的基于决策树的药品推荐方法，应用于推荐设备，可由推荐设备执行，该推荐设备可以是服务器，也可以是终端。如图1所示，该基于决策树的药品推荐方法包括以下步骤：
35.s101：获取一个或多个训练用户的训练画像数据，并为一个或多个训练用户的训
练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，训练样本集包括添加训练推荐类型标签的各个训练画像数据。
36.在一种实现方式中，训练用户可以是指历史的药品购买者，训练用户的训练画像数据可以是指训练用户的用户画像数据。用户画像数据是为与用户相关的数据，可以是指用于描述用户特征的数据。可选的，用户画像数据可以包括用户健康画像数据、用户购药偏好画像数据、用户生活习惯画像数据中的一种或多种，本技术主要以用户画像数据包括用户健康画像数据、用户购药偏好画像数据和用户生活习惯画像数据为例进行说明。用户健康画像数据可以是指与用户身体状况相关联的数据，例如用户的体检数据各项指标结果、患病史、家庭遗传病史、过敏史、药物过敏类型等等。用户购药偏好画像数据可以是用户在购药时的一些偏好，例如偏好的制药厂、偏好中药或者西药、偏好价格贵的或者价格低的、偏好进口药或者国产药、偏好胶囊或者片剂、是否有定期购药习惯、购药记录、问诊记录等数据。用户生活习惯画像数据可以是指与用户的生活习惯相关联的数据，例如姓别、年龄、常住位置、习惯周内或周末购药、是否抽烟、是否饮酒、是否经常出差、喜欢自购还是邮寄、是否运动、饮食偏好、是否熬夜等数据。本技术实施例对此不做限定。
37.在一种实现方式中，训练画像数据可以基于在终端所显示的画像信息填写界面执行相关操作所得到数据。例如，本技术中的购药推荐方法可以应用在一个用于购药的应用程序中，而该应用程序中可以包括画像信息填写界面，以便于各个用户可以在该画像信息填写界面上输入相关画像信息。而在检测到某一用户在该画像信息填写界面输入画像信息之后，可以获取用户所输入的画像信息，并基于获取到的画像信息确定用户画像数据。可选的，在获取到任一用户的用户画像数据之后，还可以将其存储于指定位置，并进行加密处理，以保证数据的安全性。其中，关于用户信息安全的问题，用户健康画像数据、用户购药偏好画像数据以及用户生活习惯画像数据，均是经过用户同意授权后进行采集，并且声明数据保密协议，以对用户的个人信息和用户画像数据进行保密。而将各个用户的用户画像数据存储于指定位置，也便于后续需要利用各个用户的用户画像数据时，从该指定位置中获取，从而可实现随取随用。例如，本技术中的一个或多个训练用户的训练画像数据即可以从该指定位置中获取。
38.在一种实现方式中，该画像信息填写界面可以包括健康画像填写区域、购药偏好画像填写区域和生活习惯画像区域中的一种或多种，健康画像填写区域、购药偏好画像填写区域和生活习惯画像区域中也可以分别包括一个或多个画像设置项，以使用户可以在各种画像设置项处填写对应的信息。例如，在健康画像填写区域可以包括：体检数据各项指标结果设置项、患病史设置项，家庭遗传病史设置项、过敏史设置项、药物过敏类型设置项等等。购药偏好画像填写区域可以包括：制药厂设置项(用户偏好的制药厂)，药品成分设置项(偏好中成药或是西药)，价格设置项，地区设置项(偏好进口药或是国产药)，药品形状设置项(偏好胶囊或是片剂)，是否定期购药设置项等等。生活习惯画像区域可以包括：是否邮寄设置项，住址距离设置项，是否饮酒设置项，是否抽烟设置项，是否运动设置项，是否熬夜设置项等等。而当检测到画像信息填写界面中的画像设置项中存在画像信息时，即可以从健康画像填写区域、购药偏好画像填写区域和生活习惯画像区域中分别对应的一个或多个画像设置项中获取画像信息，并将获取到的画像信息作为用户的用户画像数据。
39.例如参见图2所示：用户所使用的终端可在终端屏幕中显示一个画像信息填写界
面，该画像信息填写界面可以包括由201标记的画像信息填写区域，画像信息填写区域201中具体还可以包括由202标记的健康画像填写区域、由203标记的购药偏好画像填写区域和由204标记的生活习惯画像区域。如图2所示，在画像信息填写区域可以包括多个画像设置项，用户可以在各个画像设置项中填入相应的画像信息。该画像信息填写界面还可以包括由205标记的确认控件，用户在画像信息填写区域201中输入相关画像信息之后，可以对该确认控件205执行触发操作，当检测到确认控件205被触发时，推荐设备可以获取用户在画像信息填写区域201中的填入的画像信息，而在推荐设备获取到画像信息填写区域201中填入的画像信息之后，即可以将该填入的画像信息作为成用户的用户画像数据。
40.在一种实现方式中，在获取到一个或多个训练用户对应的训练画像数据之后，还可以对各个训练画像数据添加对应的训练推荐类型标签，以基于训练样本集构建决策树模型，该训练样本集也就是是添加训练推荐类型标签的各个训练画像数据。可选的，可以基于预设的药品库中各个药品的药品属性确定各个训练画像数据所对应的药品的药品类型。可以理解的是，本技术可以应用在一个用于购药的应用程序上，即后台数据库中可以包括有药品数据库以及药店数据库，药品数据库可以包含各种药品的多种药品信息，例如，药品名称，药店名，药品特性，药品禁忌，药品价格，药品厂商，药品形状(片状或胶囊)等信息。药店数据库可以包含药店的相关信息，例如，药店地址，药店有药品数据库中的哪些药，药店营业时间，是否能刷医保卡，药店品牌等信息。即根据药品数据库和药店数据库可以确定每个药品对应的药品信息以及每个药品对应的药店的药店信息。或者后台数据库中可以直接包括药品库，该药品库可以是指上述药品数据库和药店数据库的组合。即药品库中可以包括药品数据库中所描述的各个药品对应的药品信息以及药店数据库中所描述的各个药品对应的药店的药店信息。在一种实现中，可以将各个药品对应的药品信息以及各个药品对应的药店的药店信息作为药品的药品属性。那么，针对一个或多个训练用户的训练画像数据中的任一训练用户的训练画像数据，可以基于该训练用户的训练画像数据与各个药品的药品属性进行匹配，以确定该训练用户的训练画像数据对应的药品，并可以将与该药品的药品属性相同的药品均归为一个药品类型，该药品类型是最适合推荐给具有训练画像数据的训练用户的药品类型。通过上述方法，可以确定各个训练画像数据所对应的药品的药品类型。进一步的，可以根据各个训练画像数据对应的药品的药品类型，为各个训练画像数据添加对应的训练推荐类型标签。该训练推荐类型标签可以用户指示训练画像数据对应的药品类型。
41.例如，针对某一训练用户的训练画像数据可以为：用户健康画像数据(例如具体的数据可以是无糖尿病，无高血压，无高血脂，无类药过敏，等等)；用户习惯画像数据(例如具体的数据可以是喜欢邮寄，不饮酒，不抽烟，运动，不熬夜等等)；购药偏好画像数据(例如具体的数据可以是喜欢西药，喜欢中成药，喜欢胶囊，喜欢进口药，喜欢更便宜的，等等)。假设基于上述信息以及药品库中各个药品的药品属性，可以确定该训练画像数据对应的药品的药品的药品属性可以是药品价格小于10元，制药厂为药厂a、药品形状为片状、药品成分为中药。则可以基于上述药品的药品属性确定训练画像数据对应的药品的药品类型，既可以基于药品类型确定训练画像数据对应的训练推荐类型标签。
42.s102：获取目标用户的购药需求，基于购药需求确定目标用户的初始药品类型，并基于初始药品类型从预设的药品库中确定候选药品集合。
43.其中，目标用户可以是指需要购药的任一用户。
44.在一种实现方式中，可以是在推荐设备接收到一个购药请求时，确定获取到目标用户的购药需求。例如，目标用户可以向推荐设备发送一个针对某一疾病的购药请求，以使推荐设备接收该购药请求，而在推荐设备接收到该购药请求之后，也就确定获取到该目标用户的购药需求。在一种实现中，当目标用户需要购买药品时，可以通过在终端所显示的用户购药界面执行相关操作，以向推荐设备发送购药请求。具体实现中，可以输出一个用户购药界面，该用户购药界面中可以包括购药设置项，该购药设置项可以用于供药品购买者输入与购药相关联的购药信息，例如，该购药信息可以是某一药品名称，或疾病名称，或生病症状，或治疗处方等等。而当检测到用户购药界面中的购药设置项中存在目标购药信息时，则可以获取该目标购药信息，并基于该目标购药信息生成目标用户的购药需求。该目标购药信息即可以是目标用户的购药需求。
45.例如参见图3所示：目标用户所使用的终端可在终端屏幕中显示一个用户购药界面，该用户购药界面可以至少包括由301标记的购药设置项。若目标用户需要购买药品，则该目标用户可在该购药设置项301中输入与购药相关的购药信息(如药品名称)。该用户购药界面还可以包括由302标记的确认控件，目标用户在购药设置项301中输入购药信息之后，可以对该确认控件302执行触发操作(如点击操作、按压操作等)，从而使得推荐设备可以获取购药设置项301中目标用户所输入的购药信息，并基于该购药信息生成目标用户的购药请求。
46.在一种实现方式中，在获取到目标用户的购药需求之后，可以基于该购药需求确定候选药品集合，该候选药品集合可以包括多个候选药品。例如，可以基于购药需求识别针对目标用户的初始药品类型，而在确定该初始药品类型之后，可以基于该初始药品类型从药品库中筛选出该初始药品类型对应的候选药品集合。该初始药品类型可以是指目标用户在购买药品时所需要的药品的药品类型。可选的，基于购药需求识别针对目标用户的初始药品类型可以是通过调用识别模型对购药需求(目标用户的购药信息)进行识别，以得到目标用户的初始药品类型；也可以根据关键词进行识别，以得到目标用户的初始药品类型，还可以包括其他方式，在本技术不作限定。
47.例如，假设目标用户在用户购药界面中的购药设置项所输入的购药信息是“感康”(药品名称)，则根据该购药信息可以识别出当前目标用户的初始药品类型为感冒药类型；又假设目标用户输入的购药信息可以是“感冒”(所需治疗疾病)，则根据该购药信息可以识别出目标用户的初始药品类型可以为感冒药类型；再假设目标用户输入的购药信息可以是“流鼻涕、咽喉痛”(生病症状)，则根据该购药信息可以识别出目标用户的初始药品类型可以为感冒药类型。
48.又如，假设目标用户在用户购药界面中的购药设置项所输入的购药信息是“胃必治”(药品名称)，则根据该购药信息可以识别出目标用户的初始药品类型可以为胃药类型；又假设目标用户输入的购药信息可以是“胃病”(所需治疗疾病)，则根据该购药信息可以识别出目标用户的初始药品类型为感冒药类型；再假设目标用户输入的信息可以是“胃痛”(生病症状)，则根据该购药信息可以识别出目标用户的初始药品类型为胃药类型。
49.如上述描述，本技术可以应用在一个购药应用程序上，即后台数据中可以存储有药品数据库以及药店数据库，或者说有一个药品库，且药品库中包括各个药品以及各个药
品的药品属性。那么，在根据目标用户所输入的购药信息可以确定目标用户的初始药品类型之后，可以根据该初始药品类型从药品库中筛选出该初始药品类型对应的候选药品集合。例如，该购药需求中包括目标用户的购药信息(如感冒药名称，或者感冒症状)，那么可以先从药品库中选出感冒药类型的药品，上述选中的药品可以是包含各种药品信息的药品。例如，这些药品中有中成药，有西药，有胶囊，有不同厂商的药，假设基于感冒药类型一共筛选了50个药品，则该50个感冒药类型的药品组成了候选药品集合。同时，还可以确定这50个感冒药感冒药类型的药品中每个药品所对应的药店的药店信息，例如药店地址，药店营业时间等。那么，根据目标用户的购药需求可以确定候选药品集合，还可以确定每个候选药品对应的药品信息以及每个候选药品对应的药店的药店信息，以便于后续可以根据这些药品信息和药店信息进行药品推荐。
50.s103：获取目标用户的用户画像数据，并调用决策树模型对用户画像数据进行决策处理，得到用户画像数据对应的药品推荐类型。
51.在一种实现方式中，用户画像数据可以包括用户健康画像数据、用户购药偏好画像数据、用户生活习惯画像数据中的一种或多种，本技术主要以用户画像数据包括用户健康画像数据、用户购药偏好画像数据和用户生活习惯画像数据为例进行说明。例如，目标用户可以通过在终端所显示的画像信息填写界面执行相关操作，以使推荐设备获取到目标用户的用户画像数据。具体实现中，可以输出一个画像信息填写界面，该画像信息填写界面可以参考如图2所示，目标用户可以在如图2所示的画像信息填写界面上的各种画像设置项处填写对应的信息。而当检测到画像信息填写界面中的画像设置项中存在画像信息时，即可以从健康画像填写区域、购药偏好画像填写区域和生活习惯画像区域中分别对应的一个或多个画像设置项中获取画像信息，并将获取到的画像信息作为目标用户的用户画像数据。
52.在一种实现方式中，在获取到目标用户的用户画像数据之后，即可以根据该用户画像数据，得到该用户画像数据对应的药品推荐类型。以便于后续可以根据该药品推荐类型从候选药品集合中筛选出需要向目标用户进行推荐的药品。例如，可以调用决策树模型对用户画像数据进行决策处理，以得到用户画像数据对应的药品推荐类型。
53.s104：根据药品推荐类型从候选药品集合中确定推荐药品，并将推荐药品推荐给目标用户。
54.在一种实现方式中，在得到药品推荐类型之后，可以从候选药品集合中筛选出与药品推荐类型匹配的药品，并将该药品确定为推荐药品。例如，药品推荐类型可以是药品价格小于10元，制药厂为药厂b、药品形状为片状、药品成分为中药，则可以根据该药品推荐类型从候选药品集合中筛选出对应的药品。其中，推荐药品可以包括一个或多个，可以将一个或多个推荐药品均推荐给目标用户，例如，可以将该一个或多个推荐药品显示在用户购药界面上，还可以将每个推荐药品的药品信息和对应的药店的药店信息显示在用户购药界面上，以便目标用户自行选择所要购买的药品。例如，可以将该一个或多个推荐药品以及对应的药品属性(药品信息和药店信息)显示在如图3中由303标记的推荐显示区域。
55.本技术实施例中，可以获取一个或多个训练用户的训练画像数据，并为一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，从而可以基于添加训练推荐类型标签的各个训练画像数据构建决策树模型。还可以获取目标用户的购药需求，以基于购药需求确定目标用户的初始药品类型，并基于初始药品类型从预设的药品
库中确定候选药品集合，该候选药品集合可以包括多个候选药品。进一步的，可以获取目标用户的用户画像数据，并调用决策树模型对用户画像数据进行决策处理，得到用户画像数据对应的药品推荐类型，从而可以根据药品推荐类型从候选药品集合中确定推荐药品，并将推荐药品推荐给目标用户。上述可知，在确定药品推荐类型时考虑了用户的用户画像数据，药品推荐类型与用户的匹配性较高，则根据药品推荐类型确定的推荐药品与用户的匹配性也就较高，从而利用用户的的用户画像数据，也可以提高药品推荐的准确性，进而提高用户购药体验。同时，可以通过用户不同的购药需求，用户也可以得到各种不同偏好的药品推荐结果，从而可以为用户提供个性化的药品推荐。还可以基于用户画像数据自动识别出所需要的药品类型，也可以提高药品推荐的智能化水平。
56.请参阅图4，图4是本技术实施例提供的另一种基于决策树的药品推荐方法的流程示意图。本实施例中所描述的基于决策树的药品推荐方法，应用于推荐设备，可由推荐设备执行，该推荐设备可以是服务器，也可以是终端。如图4所示，该基于决策树的药品推荐方法包括以下步骤：
57.s401：获取一个或多个训练用户的训练画像数据，并为一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，训练样本集包括添加训练推荐类型标签的各个训练画像数据。
58.s402：从添加训练推荐类型标签的各个训练画像数据中提取第一画像特征集合。
59.s403：根据训练样本集计算第一画像特征集合中各个画像特征对应的第一信息增益，并基于各个画像特征对应的第一信息增益构建决策树模型。
60.在步骤s403和步骤s403中，可以理解的是，决策树模型通常可以包括多个树节点，树节点可以包括根节点、中间节点和叶子节点，根节点和中间节点均存在对应的节点特征，而叶子节点用于指示对应的分类结果，例如分类结果可以是训练药品推荐类型。即可以根据训练样本集确定决策树模型中所包括的树节点以及树节点对应的节点特征。为方便后续描述，可以将决策树从上到下的树节点分为第一级树节点、第二级树节点、
…
，依次类推。具体实现中，可以从添加训练推荐类型标签的各个训练画像数据中提取第一画像特征集合，该第一画像特征集合可以包括添加训练推荐标签的各个训练画像数据对应的画像特征，画像特征的数量可以为一个或多个。例如，画像特征可以药品价格、药品厂商、药品形状(片状/胶囊)、药品成分(中药/西药)等等，以用该画像特征构建决策树模型中的树节点。
61.在一种实现方式中，为方便后续描述，可以将训练样本集理解为由一个或多个训练样本对组成，其中，每一个训练样本对可以包括训练样本和该训练样本对应的标签信息，而对于某一个训练样本对而言，该训练样本对中的训练样本可以包括一个训练用户的训练画像数据，该训练样本对中的标签信息可以用于指示该训练画像数据对应的训练药品推荐类型。
62.在一种实现方式中，可以利用递归的原则构建决策树：在得到训练样本集之后，可以基于最好的特征数据(也就是分类能力最好的画像特征，而画像特征的分类能力的好坏是基于画像特征对应的信息增益来判定的，信息增益越大，则表明画像特征的分类能力越好)划分训练样本集，在以训练样本集的基础上计算出分类能力最好的画像特征，并将该分类能力最好的画像特征作为决策树的第一级树节点(即根节点)对应的的节点特征。然后再基于该画像特征对训练样本集进行第一次划分，在第一次划分之后，并基于划分后的训练
样本集构建决策树的第二级树节点，并在划分后所得到的训练样本集的基础上确定分类能力最好的画像特征，以确定每个第二级树节点对应的的节点特征。接着，在第二级树节点的基础上再次划分数据，依次类推，直到训练样本集不能再次被划分，则构建了一棵完整的决策树。
63.在一种实现方式中，基于各个画像特征对应的第一信息增益，构建决策树模型的具体实施方式可以包括：从各个画像特征对应的第一信息增益中确定最大第一信息增益，并将最大第一信息增益对应的画像特征确定为决策树模型的根节点的节点特征。然后再基于最大第一信息增益对应的画像特征对训练样本集进行划分，得到多个训练子样本集。针对多个训练子样本集中的任一训练子样本集，可以计算第二画像特征集合中各个画像特征的第二信息增益，其中，该第二画像特征集合可以是指：除最大第一信息增益对应的画像特征之外的其他画像特征。在得到第二信息增益之后，可以根据第二信息增益从第二画像特征集合中确定决策树模型的中间节点所对应的节点特征。例如，可以将最大第二信息增益对应的画像特征确定为中间节点；当所有的画像特征均对应于一个树节点的节点特征时，则将当前构建的树形结构确定为决策树模型。例如，图5所示为所构建的决策树模型。
64.在一种实现方式中，以第一画像特征集合中任一画像特征对应的第一信息增益的计算为例进行说明，可以先基于训练样本集所包括的训练样本确定该任一画像特征下所包括的一个或多个画像子特征，并基于训练样本集确定一个或多个画像子特征中各个画像子特征分别对应的特征占比。然后再根据各个画像子特征分别对应的特征占比，计算各个画像子特征分别对应的信息熵，并基于训练样本集计算训练样本集对应的信息熵。从而可以根据各个画像子特征分别对应的信息熵以及训练样本集对应的信息熵，计算该任一画像特征的第一信息增益。其中，第二信息增益的计算可以参考计算第一信息增益的描述，只是在计算第二信息增益时所利用到的样本集是将训练样本集经过划分后的样本集，同理，后续在计算第三信息增益、第四信息增益也是同计算第一信息增益的方式。
65.其中，任一画像子特征的特征占比包括：画像子特征在各种训练药品推荐类型下的特征占比。例如，训练药品推荐类型包括类型y1、类型y2、类型y3，则画像子特征的特征占比包括：在类型y1下的特征占比、在类型y2下的特征占比、以及在类型y3下的特征占比。可选的，计算画像子特征在任一训练药品推荐类型下的特征占比的具体实现方式可以是：确定训练样本集中包括该画像子特征的训练样本对的数量(可将该数量称之为第一数量)。在包括该画像子特征的训练样本对的基础上，确定画像子特征所对应的任一训练药品推荐类型下的数量(可将该数量称之为第二数量)。在确定第一数量和第二数量之后，可以将第二数量和第一数量之间的比值确定为该画像子特征在该任一训练药品推荐类型下的特征占比。
66.举例来说，部分训练样本集可以如表1所示，该表1中的每一列可以表示一个训练样本对，每一列可以显示训练样本对中训练样本和训练训练药品推荐类型之间的对应关系。以画像特征为药品形状为例进行说明，药品形状的画像子特征包括：片状和胶囊；假设训练样本集中训练样本对的数量为20，训练药品推荐类型包括类型y1、类型y2、类型y3。其中，20个训练样本对中包括该片状的训练样本对的数量为13，并且在该13个训练样本对中，训练样本中药品形状为片状时，所对应的训练药品推荐类型为类型y1的数量有6个，则画像子特征(片状)在训练药品推荐类型为类型y1下的特征占比为6/13。同理，若药品形状为片
状时，所对应的训练药品推荐类型为类型y2的数量有3个，则画像子特征(片状)在训练药品推荐类型为类型y2下的特征占比为3/13。若药品形状为片状时，所对应的训练药品推荐类型为类型y3的数量有4个，则画像子特征(片状)在训练药品推荐类型为类型y2下的特征占比为4/13。
67.表1
68.药品价格药品形状高血压
…
训练药品推荐类型高片状有
…
类型y2低胶囊有
…
类型y1高片状无
…
类型y3高片状无
…
类型y2
……………
69.各个画像子特征分别对应的信息熵的计算可以如公式1所示：
[0070][0071]
其中，k表示训练药品推荐类型的类型，p
k
表示画像子特征在某一训练药品推荐类型下的特征占比。d
n
表示在计算第n种画像子特征的信息熵时，所利用到的样本集。
[0072]
例如，以上述例子进行说明，对于画像子特征为片状而言：训练药品推荐类型为类型y1的特征占比为6/13，训练药品推荐类型为类型y2的特征占比为3/13，训练药品推荐类型为类型y3的特征占比为4/13，则根据公式1可知，对于片状的信息熵为通过公式1还可以计算出画像子特征为胶囊的信息熵h(d2)。
[0073]
然后，再计算训练样本集的信息熵，具体实现中，可以确定训练样本集中每一种训练药品推荐类型的占比(任一种训练药品推荐类型的数量与所有的训练药品推荐类型的数量)，再根据每一种训练药品推荐类型的占比确定训练样本集的信息熵，其计算也可以如公式1所示。例如，总共有20个训练样本对，其中，训练药品推荐类型为类型y1的占比为11/20，训练药品推荐类型为类型y2的占比为5/20，训练药品推荐类型为类型y3的占比为4/20，则训练样本集的信息熵可以为
[0074]
然后，再计算画像特征为药品形状的第一信息增益，其中，画像特征对应的第一信息增益的计算可以如公式2所示：
[0075][0076]
其中，h(d
n
)表示第n种画像子特征对应的信息熵；w
n
表示包括第n种画像子特征的训练样本对的数量与训练样本的总数量。例如，假设训练样本集中包括20个训练样本，则w
n
＝13/20，其中，20个训练样本对中包括片状的训练样本对的数量为13，包括该胶囊的训练样本对的数量为7，则w
n
＝7/20。
[0077]
在一种实现方式中，用户购药界面上还可以包括条件筛选设置项，例如条件筛选设置项可以是价格优先，距离优先，进口优先，中成药优先，口碑优先，某一药厂优先等条件筛选设置项。那么，在目标用户选择某一条件筛选的基础上，可以根据该某一条件筛选确定该某一条件筛选对应的决策树模型，即可以根据目标用户所选择的条件筛选，获取针对性的决策树模型。该某一条件筛选对应的决策树模型的根节点的节点特征是该条件筛选对应的画像特征。例如，假设目标用户在用户购药界面上的条件筛选设置项选择了价格优先，则获取到决策树模型的根节点的节点特征是价格，又如，假设目标用户在用户购药界面上的条件筛选设置项选择了距离优先，则获取到决策树模型的根节点的节点特征是距离。
[0078]
s404：获取目标用户的购药需求，基于购药需求确定目标用户的初始药品类型，并基于初始药品类型从预设的药品库中确定候选药品集合。
[0079]
s405：获取目标用户的用户画像数据，将用户画像数据输入决策树模型，得到用户画像数据对应的药品推荐类型。
[0080]
s406：根据药品推荐类型从候选药品集合中确定推荐药品，并将推荐药品推荐给目标用户。
[0081]
其中，步骤s401、s404
‑
s406的具体实施方式可以参见上述实施例步骤s101、s102
‑
s104的具体描述，此处不再赘述。
[0082]
本技术实施例中，可以借助神经网络模型，实现对训练用户的训练用户画像数据进行学习，以构建可以对目标用户的用户画像数据进行决策处理的决策树模型，使得可以根据决策树模型预测用户画像数据对应的药品推荐类型，从而可以实现药品推荐的智能化。
[0083]
请参阅图6，图6是本技术实施例提供的一种基于决策树的药品推荐装置的结构示意图。所述基于决策树的药品推荐装置包括：
[0084]
构建单元601，用于获取一个或多个训练用户的训练画像数据，并为所述一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，所述训练样本集包括添加训练推荐类型标签的各个训练画像数据；
[0085]
确定单元602，用于获取目标用户的购药需求，基于所述购药需求确定所述目标用户的初始药品类型，并基于所述初始药品类型从预设的药品库中确定候选药品集合，所述候选药品集合包括多个候选药品；
[0086]
决策单元603，用于获取所述目标用户的用户画像数据，并调用所述决策树模型对所述用户画像数据进行决策处理，得到所述用户画像数据对应的药品推荐类型；
[0087]
推荐单元604，用于根据所述药品推荐类型从所述候选药品集合中确定推荐药品，并将所述推荐药品推荐给所述目标用户。
[0088]
在一种实现方式中，所述构建单元601，具体用于：
[0089]
基于所述预设的药品库中各个药品的药品属性确定所述各个训练画像数据所对应的药品的药品类型；
[0090]
根据所述各个训练画像数据对应的药品的药品类型，为所述各个训练画像数据添加对应的训练推荐类型标签。
[0091]
在一种实现方式中，所述构建单元601，具体用于：
[0092]
从所述添加训练推荐类型标签的各个训练画像数据中提取第一画像特征集合，所
述画像特征集合包括所述添加训练推荐标签的各个训练画像数据对应的画像特征；
[0093]
根据所述训练样本集计算所述第一画像特征集合中各个画像特征对应的第一信息增益，并基于所述各个画像特征对应的第一信息增益构建所述决策树模型。
[0094]
在一种实现方式中，所述构建单元601，具体用于：
[0095]
针对所述第一画像特征集合中任一画像特征，基于所述训练样本集所包括的训练画像数据确定所述任一画像特征下所包括的一个或多个画像子特征；
[0096]
基于所述训练样本集确定所述一个或多个画像子特征中各个画像子特征分别对应的特征占比；
[0097]
根据所述各个画像子特征分别对应的特征占比，计算所述各个画像子特征分别对应的信息熵，并基于所述训练样本集计算所述训练样本集对应的信息熵；
[0098]
根据所述各个画像子特征分别对应的信息熵以及所述训练样本集对应的信息熵，计算所述任一画像特征的第一信息增益。
[0099]
在一种实现方式中，所述决策树模型包括多个树节点，所述树节点包括根节点、中间节点和叶子节点，所述根节点和所述中间节点均存在对应的节点特征，所述叶子节点用于指示训练药品推荐类型；所述构建单元601，具体用于：
[0100]
从所述各个画像特征对应的第一信息增益中确定最大第一信息增益，并将所述最大第一信息增益对应的画像特征确定为所述决策树模型的根节点的节点特征；
[0101]
基于所述最大第一信息增益对应的画像特征对所述训练样本集进行划分，得到多个训练子样本集；
[0102]
针对所述多个训练子样本集中的任一训练子样本集，计算第二画像特征集合中各个画像特征的第二信息增益，所述第二画像特征集合包括：除所述最大第一信息增益对应的画像特征之外的其他画像特征；
[0103]
根据所述第二信息增益从所述第二画像特征集合中确定所述决策树模型的中间节点所对应的节点特征。
[0104]
在一种实现方式中，所述确定单元602，具体用于：
[0105]
输出用户购药界面，所述用户购药界面中包括购药设置项，所述购药设置项用于供所述目标用户输入与购药相关联的购药信息；
[0106]
当检测到所述用户购药界面中的购药设置项中存在目标购药信息，则获取所述目标购药信息，并基于所述目标购药信息生成所述目标用户的购药需求。
[0107]
在一种实现方式中，所述决策单元603，具体用于：
[0108]
输出画像信息填写界面，所述画像信息填写界面包括健康画像填写区域、购药偏好画像填写区域和生活习惯画像区域中的一种或多种，所述健康画像填写区域、所述购药偏好画像填写区域和所述生活习惯画像区域中分别包括一个或多个画像设置项；
[0109]
从所述健康画像填写区域、所述购药偏好画像填写区域和所述生活习惯画像区域中分别对应的一个或多个画像设置项中获取画像信息，并将获取到的画像信息作为所述目标用户的用户画像数据。
[0110]
可以理解的是，本技术实施例所描述的基于决策树的药品推荐装置的各功能单元的功能可根据图1或图4所述的方法实施例中的方法具体实现，其具体实现过程可以参照图1或图4的方法实施例的相关描述，此处不再赘述。
[0111]
本技术实施例中，构建单元601获取一个或多个训练用户的训练画像数据，并为所述一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，所述训练样本集包括添加训练推荐类型标签的各个训练画像数据；确定单元602获取目标用户的购药需求，基于所述购药需求确定所述目标用户的初始药品类型，并基于所述初始药品类型从预设的药品库中确定候选药品集合，所述候选药品集合包括多个候选药品；决策单元603获取所述目标用户的用户画像数据，并调用所述决策树模型对所述用户画像数据进行决策处理，得到所述用户画像数据对应的药品推荐类型；推荐单元604根据所述药品推荐类型从所述候选药品集合中确定推荐药品，并将所述推荐药品推荐给所述目标用户。可以为用户提供个性化的药品推荐，提高推荐的准确性，实现药品推荐的智能化。
[0112]
请参阅图7，图7是本技术实施例提供的一种推荐设备的结构示意图。该推荐设备包括：处理器701、存储器702以及网络接口703。上述处理器701、存储器702以及网络接口703之间可以交互数据。
[0113]
上述处理器701可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0114]
上述存储器702可以包括只读存储器和随机存取存储器，并向处理器701提供程序指令和数据。存储器702的一部分还可以包括随机存取存储器。其中，所述处理器701调用所述程序指令时用于执行：
[0115]
获取一个或多个训练用户的训练画像数据，并为所述一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，所述训练样本集包括添加训练推荐类型标签的各个训练画像数据；
[0116]
获取目标用户的购药需求，基于所述购药需求确定所述目标用户的初始药品类型，并基于所述初始药品类型从预设的药品库中确定候选药品集合，所述候选药品集合包括多个候选药品；
[0117]
获取所述目标用户的用户画像数据，并调用所述决策树模型对所述用户画像数据进行决策处理，得到所述用户画像数据对应的药品推荐类型；
[0118]
根据所述药品推荐类型从所述候选药品集合中确定推荐药品，并将所述推荐药品推荐给所述目标用户。
[0119]
在一种实现方式中，所述处理器701，具体用于：
[0120]
基于所述预设的药品库中各个药品的药品属性确定所述各个训练画像数据所对应的药品的药品类型；
[0121]
根据所述各个训练画像数据对应的药品的药品类型，为所述各个训练画像数据添加对应的训练推荐类型标签。
[0122]
在一种实现方式中，所述处理器701，具体用于：
[0123]
从所述添加训练推荐类型标签的各个训练画像数据中提取第一画像特征集合，所
述画像特征集合包括所述添加训练推荐标签的各个训练画像数据对应的画像特征；
[0124]
根据所述训练样本集计算所述第一画像特征集合中各个画像特征对应的第一信息增益，并基于所述各个画像特征对应的第一信息增益构建所述决策树模型。
[0125]
在一种实现方式中，所述处理器701，具体用于：
[0126]
针对所述第一画像特征集合中任一画像特征，基于所述训练样本集所包括的训练画像数据确定所述任一画像特征下所包括的一个或多个画像子特征；
[0127]
基于所述训练样本集确定所述一个或多个画像子特征中各个画像子特征分别对应的特征占比；
[0128]
根据所述各个画像子特征分别对应的特征占比，计算所述各个画像子特征分别对应的信息熵，并基于所述训练样本集计算所述训练样本集对应的信息熵；
[0129]
根据所述各个画像子特征分别对应的信息熵以及所述训练样本集对应的信息熵，计算所述任一画像特征的第一信息增益。
[0130]
在一种实现方式中，所述决策树模型包括多个树节点，所述树节点包括根节点、中间节点和叶子节点，所述根节点和所述中间节点均存在对应的节点特征，所述叶子节点用于指示训练药品推荐类型；所述处理器701，具体用于：
[0131]
从所述各个画像特征对应的第一信息增益中确定最大第一信息增益，并将所述最大第一信息增益对应的画像特征确定为所述决策树模型的根节点的节点特征；
[0132]
基于所述最大第一信息增益对应的画像特征对所述训练样本集进行划分，得到多个训练子样本集；
[0133]
针对所述多个训练子样本集中的任一训练子样本集，计算第二画像特征集合中各个画像特征的第二信息增益，所述第二画像特征集合包括：除所述最大第一信息增益对应的画像特征之外的其他画像特征；
[0134]
根据所述第二信息增益从所述第二画像特征集合中确定所述决策树模型的中间节点所对应的节点特征。
[0135]
在一种实现方式中，所述处理器701，具体用于：
[0136]
输出用户购药界面，所述用户购药界面中包括购药设置项，所述购药设置项用于供所述目标用户输入与购药相关联的购药信息；
[0137]
当检测到所述用户购药界面中的购药设置项中存在目标购药信息，则获取所述目标购药信息，并基于所述目标购药信息生成所述目标用户的购药需求。
[0138]
在一种实现方式中，所述处理器701，具体用于：
[0139]
输出画像信息填写界面，所述画像信息填写界面包括健康画像填写区域、购药偏好画像填写区域和生活习惯画像区域中的一种或多种，所述健康画像填写区域、所述购药偏好画像填写区域和所述生活习惯画像区域中分别包括一个或多个画像设置项；
[0140]
从所述健康画像填写区域、所述购药偏好画像填写区域和所述生活习惯画像区域中分别对应的一个或多个画像设置项中获取画像信息，并将获取到的画像信息作为所述目标用户的用户画像数据。
[0141]
具体实现中，本技术实施例中所描述的处理器701和存储器702可执行本技术实施例图1或图4提供的基于决策树的药品推荐方法中所描述的实现方式，也可执行本技术实施例图5所描述的基于决策树的药品推荐装置的实现方式，在此不再赘述。
[0142]
本技术实施例中，处理器701可以获取一个或多个训练用户的训练画像数据，并为所述一个或多个训练用户的训练画像数据中的各个训练画像数据添加训练推荐类型标签，基于训练样本集构建决策树模型，所述训练样本集包括添加训练推荐类型标签的各个训练画像数据；获取目标用户的购药需求，基于所述购药需求确定所述目标用户的初始药品类型，并基于所述初始药品类型从预设的药品库中确定候选药品集合，所述候选药品集合包括多个候选药品；获取所述目标用户的用户画像数据，并调用所述决策树模型对所述用户画像数据进行决策处理，得到所述用户画像数据对应的药品推荐类型；根据所述药品推荐类型从所述候选药品集合中确定推荐药品，并将所述推荐药品推荐给所述目标用户。可以为用户提供个性化的药品推荐，提高推荐的准确性，实现药品推荐的智能化。
[0143]
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中存储有程序指令，所述程序执行时可包括如图1或图4对应实施例中的基于决策树的药品推荐方法的部分或全部步骤。
[0144]
需要说明的是，对于前述的各个方法实施例，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，本技术并不受所描述的动作顺序的限制，因为依据本技术，某一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，所涉及的动作和模块并不一定是本技术所必须的。
[0145]
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read
‑
only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0146]
需要强调的是，为进一步保证上述数据的私密和安全性，上述数据还可以存储于一区块链的节点中。其中，本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0147]
以上对本技术实施例所提供的一种基于决策树的药品推荐方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。