本發(fā)明涉及計算機技術與人工智能技術領域，特別是涉及一種治療方案推薦方法和系統(tǒng)。

背景技術：

目前，傳統(tǒng)的問題解決溝通模式為用戶需要到專業(yè)機構(gòu)找專家，與專家進行面對面的問題溝通，專家根據(jù)用戶的問題，通過咨詢結(jié)果、自身經(jīng)驗或者專家?guī)熘幸延械臄?shù)據(jù)進行參考推理，得到針對該用戶的問題治療方案推薦給用戶。上述這種方式過于依賴專家或?qū)＜規(guī)斓闹鞴芙?jīng)驗和理論知識，同時，一旦專家或?qū)＜規(guī)斓闹R有誤，則會產(chǎn)生錯誤的治療方案推薦結(jié)果，推薦方案會有偏差，對用戶問題的解決具有不良的影響，延緩了用戶獲得有效治療方案的時效性。

技術實現(xiàn)要素：

基于此，有必要提供一種能夠根據(jù)不同用戶的個性化特征，準確、有效且及時的基于大數(shù)據(jù)知識庫的個性化治療方案推薦方法和系統(tǒng)。

一種治療方案推薦方法，包括以下步驟：

獲取用戶的問題信息與個人信息；其中，所述獲取的用戶的問題信息作為第一問題信息，所述獲取的個人信息作為第一個人信息；

將所述第一問題信息及所述第一個人信息與所述知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的所述解決案例中的治療方案作為第二治療方案；

將所述第二治療方案推薦給用戶。

在其中一個實施例中，還包括：預先創(chuàng)建所述知識庫；

其中，所述知識庫包括至少一個解決案例，且每個解決案例中包括與該個解決案例對應的用戶的問題信息、對應的用戶的個人信息、對應的治療方案、對應的解決效果。

在其中一個實施例中，所述將所述第一問題信息及所述第一個人信息與所述知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的所述解決案例中的治療方案作為第二治療方案的步驟包括：

將所述第一問題信息及所述第一個人信息與所述知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配度大于預設閾值的所述解決案例作為第一解決案例；

比較知識庫中所述多個第一解決案例對應的解決效果，獲得所述解決效果最好的第一解決案例，其中，將所述解決效果最好作為所述第一預設條件；

將符合所述第一預設條件的第一解決案例中的治療方案作為第二治療方案。

在其中一個實施例中，所述將所述第一問題信息及所述第一個人信息與所述知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的所述解決案例中的治療方案作為第二治療方案的步驟包括：

將所述知識庫中的解決案例中的問題信息與所述第一問題信息的匹配度作為P1；

將所述知識庫中的解決案例中的個人信息與所述第一個人信息的匹配度作為P2；

將所述知識庫中的解決案例中的解決效果作為P3；

計算所述知識庫中每個解決案例對應的P1×k1+ P2×k2+P3×k3，作為該個解決案例對應的推薦優(yōu)選度，其中，將所述推薦優(yōu)選度最大作為所述第二預設條件；

將符合所述第二預設條件的所述解決案例中的治療方案作為第二治療方案；

其中，k1、k2和k3為預設的大于或等于0的加權參數(shù)。

在其中一個實施例中，將所述知識庫中的解決案例中的個人信息與所述第一個人信息的匹配度作為P2的步驟包括：

將所述知識庫中的所述解決案例中的個人信息中的用戶年齡與所述第一個人信息中的用戶年齡的差值的絕對值作為P21；

將所述知識庫中的所述解決案例中的個人信息中的用戶所在地與所述第一個人信息中的用戶所在地的距離作為P22；

計算f（P21×k21+P22×k22），作為所述知識庫中的所述解決案例對應的P2；其中，其中，k21和k22為預設的大于或等于0的加權參數(shù)，f為使得p2與（P21×k21+P22×k22）成反比的預設函數(shù)。

在其中一個實施例中，還包括：將所述獲取的用戶的第一問題信息、第一個人信息、推薦的治療方案、實際解決效果作為一個解決案例添加至所述知識庫中；將不少于預設數(shù)值的所述解決案例加入所述知識庫，形成大數(shù)據(jù)知識庫。

一種治療方案推薦系統(tǒng)，包括：

信息獲取模塊，用于獲取用戶的問題信息與個人信息；其中，所述獲取的用戶的問題信息作為第一問題信息，所述獲取的個人信息作為第一個人信息；

治療方案獲取模塊，用于將所述第一問題信息及所述第一個人信息與所述知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的所述解決案例中的治療方案作為第二治療方案；

推薦模塊，用于將所述第二治療方案推薦給用戶。

在其中一個實施例中，還包括，創(chuàng)建模塊，用于預先創(chuàng)建所述知識庫；

其中，所述知識庫包括至少一個解決案例，且每個解決案例中包括與該個解決案例對應的用戶的問題信息、對應的用戶的個人信息、對應的治療方案、對應的解決效果。

在其中一個實施例中，所述治療方案獲取模塊，包括：

信息匹配單元，用于將所述第一問題信息及所述第一個人信息與所述知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配度大于預設閾值的所述解決案例作為第一解決案例；

比較單元，用于比較知識庫中所述多個第一解決案例對應的解決效果，獲得所述解決效果最好的第一解決案例，其中，將所述解決效果最好作為所述第一預設條件；

第一生成單元，用于將符合所述第一預設條件的第一解決案例中的治療方案作為第二治療方案。

在其中一個實施例中，所述治療方案獲取模塊包括：

第一匹配單元，用于將所述知識庫中的解決案例中的問題信息與所述第一問題信息的匹配度作為P1；

第二匹配單元，用于將所述知識庫中的解決案例中的個人信息與所述第一個人信息的匹配度作為P2；

定義單元，用于將所述知識庫中的解決案例中的解決效果作為P3；

第一計算單元，用于計算所述知識庫中每個解決案例對應的P1×k1+ P2×k2+P3×k3，作為該個解決案例對應的推薦優(yōu)選度，其中，將所述推薦優(yōu)選度最大作為所述第二預設條件；

第二生成單元，用于將符合所述第二預設條件的所述解決案例中的治療方案作為第二治療方案；

其中，k1、k2和k3為預設的大于或等于0的加權參數(shù)。

在其中一個實施例中，所述第二匹配單元包括：

年齡信息獲取單元，用于將所述知識庫中的所述解決案例中的個人信息中的用戶年齡與所述第一個人信息中的用戶年齡的差值的絕對值作為P21；

距離信息獲取單元，用于將所述知識庫中的所述解決案例中的個人信息中的用戶所在地與所述第一個人信息中的用戶所在地的距離作為P22；

第二計算單元，用于計算f（P21×k21+P22×k22），作為所述知識庫中的所述解決案例對應的P2；其中，其中，k21和k22為預設的大于或等于0的加權參數(shù)，f為使得p2與（P21×k21+P22×k22）成反比的預設函數(shù)。

在其中一個實施例中，還包括：添加模塊，用于將所述獲取的用戶的第一問題信息、第一個人信息、推薦的治療方案、實際解決效果作為一個解決案例添加至所述知識庫中；將不少于預設數(shù)值的所述解決案例加入所述知識庫，形成大數(shù)據(jù)知識庫。

上述治療方案推薦方法和系統(tǒng)，通過獲取不同用戶的個人信息與問題信息，將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的解決案例中的治療方案作為第二治療方案；將第二治療方案推薦給用戶。上述治療方案推薦方法和系統(tǒng)，實現(xiàn)了獲取最佳治療方案的及時性；治療方案推送的針對性、快捷性；且進一步的，利用已有的解決數(shù)據(jù)，從中搜索出與用戶的個人信息相關聯(lián)的問題最匹配的成功治療方案，不再依賴專家或?qū)＜規(guī)斓闹鞴芙?jīng)驗和理論知識，而是根據(jù)解決的客觀歷史數(shù)據(jù)，會產(chǎn)生更好的治療方案推薦結(jié)果。

附圖說明

圖1為第一實施例中治療方案推薦方法的流程示意圖；

圖2為第二實施例中治療方案推薦方法的流程示意圖；

圖3為第三實施例中治療方案推薦方法的流程示意圖；

圖4為第四實施例中治療方案推薦方法的流程示意圖；

圖5為第五實施例中治療方案推薦方法的流程示意圖；

圖6為第六實施例中治療方案推薦方法的流程示意圖；

圖7為第七實施例中治療方案推薦方法的流程示意圖；

圖8為一個實施例中治療方案推薦系統(tǒng)的結(jié)構(gòu)示意圖；

圖9為另一個實施例中治療方案推薦系統(tǒng)的結(jié)構(gòu)示意圖；

圖10為一個實施例中治療方案推薦系統(tǒng)中治療方案獲取模塊的結(jié)構(gòu)示意圖；

圖11為另一個實施例中治療方案推薦系統(tǒng)中治療方案獲取模塊的結(jié)構(gòu)示意圖；以及

圖12為一個實施例中治療方案推薦系統(tǒng)中第二匹配單元的結(jié)構(gòu)示意圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下通過實施例，并結(jié)合附圖，對本發(fā)明基于大數(shù)據(jù)知識庫的個性化治療方案推薦方法和系統(tǒng)的具體實施方式進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

參見圖1，一個實施例中，治療方案推薦方法可以包括以下步驟：

步驟S100，獲取用戶的個人信息與問題信息。其中，獲取的用戶的問題信息作為第一問題信息，獲取的個人信息作為第一個人信息。其中，獲取用戶的個人信息與問題信息為通過終端機錄入用戶的個人信息與問題信息?？梢岳斫獾氖牵颂幍慕K端機可以為計算機或其他可以進行用戶的個人信息與問題信息錄入、上傳的電子終端設備，例如智能手機、穿戴式智能設備、平板電腦等。

具體的，在終端機上可運行用戶問題管理系統(tǒng)，通過該系統(tǒng)對用戶的個人信息與問題信息進行錄入。其中，可以錄入用戶的個人信息包括但不限于用戶的姓名、年齡、所在地；可以錄入的問題信息包括但不限于用戶的癥狀、用戶的生命體征值等。

步驟S200，將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的解決案例中的治療方案作為第二治療方案。其中，知識庫包括至少一個解決案例，且每個解決案例中包括與該個解決案例對應的用戶的問題信息、對應的用戶的個人信息、對應的治療方案、對應的解決效果。

需要說明的是，在本發(fā)明中，知識庫為預先創(chuàng)建的。由此，提高了將獲取的針對用戶的個人信息的問題信息與大數(shù)據(jù)知識庫中的多種問題信息進行匹配的適用性。

步驟S300，將第二治療方案推薦給用戶。其中，治療方案信息利用局部網(wǎng)絡或互聯(lián)網(wǎng)可以將治療方案信息推送至用戶。由此，可以實現(xiàn)信息化、個性化、遠程管理控制和智能化推送治療方案信息的目的。

上述治療方案推薦方法，通過獲取不同用戶的個人信息與問題信息，將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的解決案例中的治療方案作為第二治療方案；將第二治療方案推薦給用戶。上述治療方案推薦方法，實現(xiàn)了獲取最佳治療方案的及時性；治療方案推送的針對性、快捷性；且進一步的，利用已有的解決數(shù)據(jù)，從中搜索出與用戶的個人信息相關聯(lián)的問題最匹配的成功治療方案，不再依賴專家或?qū)＜規(guī)斓闹鞴芙?jīng)驗和理論知識，而是根據(jù)解決的客觀歷史數(shù)據(jù)，會產(chǎn)生更好的治療方案推薦結(jié)果。

此外，參見圖2，一個實施例中，治療方案推薦方法還可以包括以下步驟：

步驟S400，將獲取的用戶的第一問題信息、第一個人信息、推薦的治療方案、實際解決效果作為一個解決案例添加至知識庫中；將不少于預設數(shù)值的解決案例加入知識庫，形成大數(shù)據(jù)知識庫。

進一步地，參見圖3，在一個實施例中，步驟S200中，將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的解決案例中的治療方案作為第二治療方案的步驟包括：

步驟S201，將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配度最大的解決案例作為第一解決案例。

步驟S202，比較知識庫中多個第一解決案例對應的解決效果，獲得解決效果最好的第一解決案例。其中，將解決效果最好作為第一預設條件。

步驟S203，將符合第一預設條件的第一解決案例中的治療方案作為第二治療方案。

需要說明的是，多種問題信息對應的預先存儲在大數(shù)據(jù)知識庫中的治療方案信息可以為一種或多種，也可以為空。其中，如果治療方案信息為空，則不需要計算該問題信息對應的治療方案的成功度，而是認為設置成功度為大于0.5，小于1的正數(shù)，且進一步的，治療方案信息包括但不限于藥物名稱、藥物的單次劑量、用藥時間、給藥途徑、聯(lián)合用藥方案等信息。其中，本發(fā)明中大數(shù)據(jù)知識庫為治療方案大數(shù)據(jù)知識庫，治療方案大數(shù)據(jù)知識庫是知識工程中結(jié)構(gòu)化、易操作、易利用、全面有組織的知識集群，是針對專業(yè)領域問題求解的需要，采用專業(yè)知識表示方式在計算機存儲器中存儲、組織、管理和使用的互相聯(lián)系的知識片集合。這些知識片包括與專業(yè)領域相關的理論知識、事實數(shù)據(jù)，由專家經(jīng)驗得到的啟發(fā)式知識，例如，專業(yè)領域內(nèi)有關的定義、定理和運算法則以及常識性知識等。

此外，參見圖4，在一個實施例中，將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合第一預設條件的解決案例中的治療方案作為第二治療方案的步驟包括：

步驟S201’，將知識庫中的解決案例中的問題信息與第一問題信息的匹配度作為P1。

步驟S202’，將知識庫中的解決案例中的個人信息與第一個人信息的匹配度作為P2。

步驟S203’，將知識庫中的解決案例中的解決效果作為P3。

步驟S204’，計算知識庫中每個解決案例對應的P1×k1+ P2×k2+P3×k3，作為該個解決案例對應的推薦優(yōu)選度，其中，將推薦優(yōu)選度最大作為第二預設條件，且k1、k2和k3為預設的大于或等于0的加權參數(shù)。

步驟S205’ 將符合第二預設條件的解決案例中的治療方案作為第二治療方案。

本實施例中，如圖5所示，在大數(shù)據(jù)知識庫中搜索出與獲取的用戶的個人信息與問題信息的第一匹配度大于預設值的問題信息集合具體包括：

步驟S2011，從大數(shù)據(jù)知識庫中抽取出用于搜索多種問題信息中的任意一個信息的關鍵詞，即為第一關鍵詞。其中，關鍵詞可以為但不限于字符串。

步驟S2012，從獲取的用戶的問題信息中抽取關鍵詞，即為第二關鍵詞。

步驟S2013，對第一關鍵詞與第二關鍵詞進行匹配。其中，對第一關鍵詞與第二關鍵詞通過精確匹配或模糊匹配方式進行匹配。由此，提高了匹配的多選擇性與適用性。

步驟S2014，將匹配成功的關鍵詞數(shù)在第二關鍵詞數(shù)中占比數(shù)作為第一匹配度，第一匹配度用P1表示。由此，提高了問題匹配過程中的高效性與準確性。

基于上述同樣的原理，參見圖6，在本實施例中，計算問題信息集合中每一個問題信息與獲取的用戶的問題信息的第二匹配度具體包括：

步驟S2021，從問題信息集合中每一個問題信息中抽取任意一個信息的關鍵詞，即為第三關鍵詞。其中，關鍵詞可以為但不限于字符串。

步驟S2022，從獲取的用戶的問題信息中抽取關鍵詞，即為第二關鍵詞。

步驟S2023，對第三關鍵詞與第二關鍵詞進行匹配。其中，對第三關鍵詞與第二關鍵詞通過精確匹配或模糊匹配方式進行匹配。由此，提高了匹配的多選擇性與適用性。

步驟S2024，將匹配成功的關鍵詞數(shù)在第二關鍵詞數(shù)中占比數(shù)作為第二匹配度，第二匹配度用P2表示。由此，提高了問題匹配過程中的高效性與準確性。

更進一步地，在一個實施例中，參見圖7，將知識庫中的解決案例中的個人信息與第一個人信息的匹配度作為P2的步驟包括：

步驟S2031，將知識庫中的解決案例中的個人信息中的用戶年齡與第一個人信息中的用戶年齡的差值的絕對值作為P21。

步驟S2032，將知識庫中的解決案例中的個人信息中的用戶所在地與第一個人信息中的用戶所在地的距離作為P22。

步驟S2033，計算f（P21×k21+P22×k22），作為知識庫中的解決案例對應的P2；其中， k21和k22為預設的大于或等于0的加權參數(shù)，f為使得p2與（P21×k21+P22×k22）成反比的預設函數(shù)。

為了更好的理解與應用本發(fā)明提出的一種治療方案推薦方法，進行以下示例，需要說明的是，本發(fā)明所保護的范圍不局限以下示例。

例如，獲取甲用戶的問題信息，李XX、26歲、北京市朝陽區(qū)、咽喉痛、頭暈頭痛、流涕癥狀、生命體征值（體溫41.9℃），在預存儲在大數(shù)據(jù)知識庫中的多種問題信息中進行匹配。

具體的，在大數(shù)據(jù)知識庫中搜索出與獲取的用戶的個人信息與問題信息上述問題信息的匹配度大于預設值60%的問題信息集合，或在大數(shù)據(jù)知識庫中搜索出預設值為10個與問題信息匹配的問題信息集合，即大數(shù)據(jù)知識庫中搜索出的用戶的問題信息包括但不限于：咽喉痛、頭暈頭痛、流涕癥狀、生命體征值（體溫41.9℃）；且進一步在大數(shù)據(jù)知識庫中搜索出的用戶的個人信息包括但不限于：李XX、26歲、北京市朝陽區(qū)；繼而計算問題信息集合中每一個問題信息與獲取的用戶的問題信息的匹配度，例如，大于預設值60%的問題信息集合中抽取到了腮腺炎中的腮腺腫大的問題信息，與甲用戶咽喉痛、頭暈頭痛、流涕癥狀、生命體征值（體溫41.9℃）中抽取的任意信息進行匹配，都無法實現(xiàn)匹配，即腮腺炎特征排除。

基于同樣的原理，最終在大于預設值60%的問題信息集合中抽取到的問題信息與甲用戶咽喉痛、頭暈頭痛、流涕癥狀、生命體征值（體溫41.9℃）中抽取的任意信息進行匹配，實現(xiàn)絕大部分或者全部匹配，即確定為甲用戶的問題信息為耳鼻喉科中的感冒特征（重度感冒）。

進一步的，通過計算第一系數(shù)（預設大于或等于0的數(shù)值）與問題信息匹配度的乘積，第二系數(shù)（預設大于或等于0的數(shù)值）與個人信息匹配度的乘積，以及第三系數(shù)（預設大于或等于0的數(shù)值）與治療方案優(yōu)先度的乘積，將上述三個乘積進行加和處理，最終計算問題信息集合中每一個問題信息的第一優(yōu)先度；獲取優(yōu)先度中的最大值對應的問題信息，作為與獲取針對用戶的準確的個人信息與用戶的問題信息匹配成功的問題信息。需要說明的是，在大數(shù)據(jù)知識庫中，與耳鼻喉科中的感冒特征（重度感冒）相關聯(lián)的治療方案信息對應的方式可以為一對一映射關系，例如，針對耳鼻喉科中的感冒特征（重度感冒）第一治療方案為：口服XXX感冒沖劑，與對乙酰氨基酚、柴胡注射液進行聯(lián)合用藥，一天三次，飯前服用，成功度優(yōu)秀（評分：5分）。即獲取檢索到的治療方案信息，并將治療方案信息推送至用戶。

此外，需要說明的是，其中的優(yōu)先度為大數(shù)據(jù)知識庫中與匹配成功的問題信息以及與問題信息相對應的治療方案的優(yōu)先度較高的治療方案評價變量，該評價變量可以通過評分或評級的方式進行存儲或展示。

基于同一發(fā)明構(gòu)思，在一個實施例中，還提出一種治療方案推薦系統(tǒng)。參見圖8，該基于大數(shù)據(jù)的治療方案推薦系統(tǒng)可以包括信息獲取模塊110、治療方案獲取模塊120和推薦模塊130。

其中，信息獲取模塊110用于獲取用戶的問題信息與個人信息；其中，獲取的用戶的問題信息作為第一問題信息，獲取的個人信息作為第一個人信息；治療方案獲取模塊120用于將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合預設條件的解決案例中的治療方案作為第二治療方案；推薦模塊130用于將第二治療方案推薦給用戶。

此外，參見圖9，該治療方案推薦系統(tǒng)還可以包括創(chuàng)建模塊140和添加模塊150。

其中，創(chuàng)建模塊140用于預先創(chuàng)建知識庫；其中，其中，知識庫包括至少一個解決案例，且每個解決案例中包括與該個解決案例對應的用戶的問題信息、對應的用戶的個人信息、對應的治療方案、對應的解決效果；添加模塊150用于將獲取的用戶的第一問題信息、第一個人信息、推薦的治療方案、實際解決效果作為一個解決案例添加至知識庫中；將不少于預設數(shù)值的解決案例加入知識庫，形成大數(shù)據(jù)知識庫。由此，提高了基于大數(shù)據(jù)知識庫進行針對用戶問題信息的治療方案的查詢的實時性與易用性。

另外，參見圖10，在一個實施例中，一種治療方案推薦系統(tǒng)中治療方案獲取模塊120包括：信息匹配單元1210、比較單元1220、第一生成單元1230。

其中，信息匹配單元1210用于將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配度最大的解決案例作為第一解決案例；比較單元1220用于比較知識庫中多個第一解決案例對應的解決效果，獲得解決效果最好的第一解決案例，其中，將解決效果最好作為第一預設條件；第一生成單元1230用于將符合第一預設條件的第一解決案例中的治療方案作為第二治療方案。

進一步地，參見圖11，在另一個實施例中，一種治療方案推薦系統(tǒng)中治療方案獲取模塊120還包括：第一匹配單元1240、第二匹配單元1250、定義單元1260、第一計算單元1270以及第二生成單元1280。

其中，第一匹配單元1240用于將知識庫中的解決案例中的問題信息與第一問題信息的匹配度作為P1；第二匹配單元1250用于將知識庫中的解決案例中的個人信息與第一個人信息的匹配度作為P2；定義單元1260用于將知識庫中的解決案例中的解決效果作為P3；第一計算單元1270用于計算知識庫中每個解決案例對應的P1×k1+ P2×k2+P3×k3，作為該個解決案例對應的推薦優(yōu)選度，其中，將推薦優(yōu)選度最大作為第二預設條件；第二生成單元1280用于將符合第二預設條件的解決案例中的治療方案作為第二治療方案；其中，k1、k2和k3為預設的大于或等于0的加權參數(shù)。

更進一步地，參見圖12，在一個實施例中，提供的一種治療方案推薦系統(tǒng)中第二匹配單元1250包括：年齡信息獲取單元1251、距離信息獲取單元1252以及第二計算單元1253。

其中，年齡信息獲取單元1251用于將知識庫中的解決案例中的個人信息中的用戶年齡與第一個人信息中的用戶年齡的差值的絕對值作為P21；距離信息獲取單元1252用于將知識庫中的解決案例中的個人信息中的用戶所在地與第一個人信息中的用戶所在地的距離作為P22；第二計算單元1253用于計算f（P21×k21+P22×k22），作為知識庫中的解決案例對應的P2；其中，其中，k21和k22為預設的大于或等于0的加權參數(shù)，f為使得p2與（P21×k21+P22×k22）成反比的預設函數(shù)。

另外，本實施例中，一種治療方案推薦系統(tǒng)中第一匹配單元包括：第一抽取子單元、第二抽取子單元、第一匹配子單元和第一生成子單元。

其中，第一抽取子單元用于從大數(shù)據(jù)知識庫中抽取出用于搜索多種問題信息中的任意一個信息的關鍵詞，即為第一關鍵詞；第二抽取子單元從獲取的用戶的問題信息中抽取關鍵詞，即為第二關鍵詞；第一匹配子單元用于對第一關鍵詞與第二關鍵詞進行匹配；第一生成子單元用于將匹配成功的關鍵詞數(shù)在第二關鍵詞數(shù)中占比數(shù)作為第一匹配度，第一匹配度用P1表示；其中，對第一關鍵詞與第二關鍵詞通過精確匹配或模糊匹配方式進行匹配。

基于上述同樣原理，本實施例中，一種治療方案推薦系統(tǒng)中第二匹配單元還可以包括：第三抽取子單元、第二匹配子單元和第二生成子單元。

其中，第三抽取子單元用于從問題信息集合中每一個問題信息中抽取任意一個信息的關鍵詞，即為第三關鍵詞；第二匹配子單元用于對第三關鍵詞與第二抽取子單元抽取的第二關鍵詞進行匹配；第二生成子單元用于將匹配成功的關鍵詞數(shù)在第二關鍵詞數(shù)中占比數(shù)作為第二匹配度，第二匹配度用P2表示；其中，對第三關鍵詞與第二關鍵詞通過精確匹配或模糊匹配方式進行匹配。

上述治療方案推薦系統(tǒng)，首先通過信息獲取模塊110獲取用戶的個人信息與問題信息；再通過治療方案獲取模塊120將第一問題信息及第一個人信息與知識庫中的各解決案例中的問題信息及個人信息進行匹配，獲取匹配成功且符合預設條件的解決案例中的治療方案作為第二治療方案；最終通過推薦模塊130將第二治療方案推薦給用戶。本實施例中達到了匹配問題信息的準確性；實現(xiàn)了獲取最佳治療方案的及時性；最終將最佳治療方案信息推送至用戶，實現(xiàn)了治療方案推送的針對性、快捷性；且進一步的，利用已有的解決數(shù)據(jù)，從中搜索出與用戶的個人信息相關聯(lián)的問題最匹配的成功治療方案，不再依賴專家或?qū)＜規(guī)斓闹鞴芙?jīng)驗和理論知識，而是根據(jù)解決的客觀歷史數(shù)據(jù)，會產(chǎn)生更好的治療方案推薦結(jié)果。

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對本發(fā)明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應以所附權利要求為準。