本發(fā)明涉及數(shù)據(jù)處理，具體涉及一種皮膚整形數(shù)據(jù)的智能管理方法。

背景技術(shù)：

1、皮膚整形醫(yī)院會(huì)對進(jìn)行皮膚整形的每一位患者生成對應(yīng)的皮膚醫(yī)療數(shù)據(jù)并進(jìn)行保存，在留存患者皮膚醫(yī)療數(shù)據(jù)的同時(shí)，保護(hù)患者的個(gè)人隱私。為了醫(yī)療工作的順利進(jìn)行和醫(yī)療水平的提升，整形醫(yī)院內(nèi)部不同醫(yī)師、護(hù)士等人員對皮膚整形醫(yī)院保存的所有皮膚醫(yī)療數(shù)據(jù)都有一定的訪問和瀏覽權(quán)限，但是，為了保護(hù)患者個(gè)人隱私，避免皮膚醫(yī)療數(shù)據(jù)的泄露，瀏覽權(quán)限的具體限制是不同的。為了進(jìn)一步保證皮膚醫(yī)療數(shù)據(jù)的安全性，需要對所有擁有皮膚醫(yī)療數(shù)據(jù)訪問權(quán)限的用戶進(jìn)行數(shù)據(jù)安全監(jiān)測，在出現(xiàn)異常訪問數(shù)據(jù)時(shí)及時(shí)對用戶權(quán)限進(jìn)行限制，降低權(quán)限等級，限制訪問內(nèi)容。

2、在對用戶進(jìn)行數(shù)據(jù)安全監(jiān)測的過程中，一般直接將用戶行為與歷史用戶行為進(jìn)行比較，當(dāng)用戶出現(xiàn)與歷史用戶行為差異較大的用戶行為時(shí)，判定出現(xiàn)了異常訪問數(shù)據(jù)。但是用戶在瀏覽皮膚醫(yī)療數(shù)據(jù)時(shí)，查看權(quán)限范圍內(nèi)的所有皮膚醫(yī)療數(shù)據(jù)都是合理的行為，僅僅根據(jù)用戶行為與歷史用戶行為的差異判定是否出現(xiàn)了異常訪問數(shù)據(jù)，獲取的判定結(jié)果往往不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種皮膚整形數(shù)據(jù)的智能管理方法，以解決僅根據(jù)用戶行為與歷史用戶行為的差異判定異常訪問數(shù)據(jù)易出現(xiàn)誤判，導(dǎo)致皮膚整形數(shù)據(jù)管理不合理的問題，所采用的技術(shù)方案具體如下：

2、本發(fā)明一個(gè)實(shí)施例提供了一種皮膚整形數(shù)據(jù)的智能管理方法，該方法包括以下步驟：

3、采集患者的皮膚醫(yī)療數(shù)據(jù)、對患者的皮膚醫(yī)療數(shù)據(jù)有瀏覽權(quán)限的用戶的歷史用戶行為數(shù)據(jù)和用戶行為數(shù)據(jù)，提取患者的皮膚醫(yī)療數(shù)據(jù)的詞向量；

4、根據(jù)所有不同詞向量之間的相似性，確定相似案例聚類簇，根據(jù)所有不同詞向量對應(yīng)的句子含義之間的相似性，確定相似句聚類簇，根據(jù)用戶的瀏覽權(quán)限內(nèi)包含的皮膚醫(yī)療數(shù)據(jù)與相似案例聚類簇和相似句聚類簇之間的關(guān)系，確定用戶在瀏覽權(quán)限下的隱私度，根據(jù)用戶在所有瀏覽權(quán)限下的隱私度，確定用戶的潛在隱患性；

5、根據(jù)用戶的歷史用戶行為數(shù)據(jù)中同一種類的數(shù)據(jù)的波動(dòng)幅度，以及用戶的用戶行為數(shù)據(jù)與歷史用戶行為數(shù)據(jù)中同一種類的數(shù)據(jù)之間的差異，確定用戶的所述同一種類的數(shù)據(jù)的調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異，根據(jù)用戶的所有調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異和用戶的潛在隱患性，確定用戶的實(shí)時(shí)異常指數(shù)；

6、根據(jù)用戶的實(shí)時(shí)異常指數(shù)管理皮膚整形數(shù)據(jù)。

7、進(jìn)一步，所述根據(jù)所有不同詞向量之間的相似性，確定相似案例聚類簇，包括的具體方法為：

8、將任意一個(gè)患者的皮膚醫(yī)療數(shù)據(jù)的任意一個(gè)詞向量記為目標(biāo)詞向量，將目標(biāo)詞向量與每個(gè)其他詞向量之間的相似性的平均值，記為目標(biāo)詞向量的詞向量相似性，將同一患者的所有詞向量的詞向量相似性的累加和的歸一化值，記為患者的皮膚醫(yī)療數(shù)據(jù)的案例相似性；

9、根據(jù)所有患者的案例相似性，確定相似案例聚類簇。

10、進(jìn)一步，所述根據(jù)所有患者的案例相似性，確定相似案例聚類簇，包括的具體方法為：

11、對所有患者的案例相似性使用isodata聚類算法進(jìn)行聚類，獲取相似案例聚類簇。

12、進(jìn)一步，所述根據(jù)所有不同詞向量對應(yīng)的句子含義之間的相似性，確定相似句聚類簇，包括的具體方法為：

13、將患者的詞向量轉(zhuǎn)換為患者的句向量，對所有患者的句向量進(jìn)行聚類，獲取相似句聚類簇。

14、進(jìn)一步，所述用戶在瀏覽權(quán)限下的隱私度，獲取的具體方法為：

15、將相似案例聚類簇內(nèi)包含的案例相似性的均值，記為相似案例聚類簇的相似性分布，將用戶具有瀏覽權(quán)限的所有皮膚醫(yī)療數(shù)據(jù)對應(yīng)的相似案例聚類簇的相似性分布的累加和，記為用戶的瀏覽權(quán)限相似性分布，將用戶的瀏覽權(quán)限相似性分布的相反數(shù)作為以自然常數(shù)為底數(shù)的指數(shù)函數(shù)的指數(shù)取值，將指數(shù)函數(shù)的計(jì)算值記為用戶在瀏覽權(quán)限下的隱私度。

16、進(jìn)一步，所述確定用戶的潛在隱患性，包括的具體方法為：

17、將用戶在所有瀏覽權(quán)限下的隱私度的最大值，記為用戶的潛在隱患性。

18、進(jìn)一步，所述根據(jù)用戶的歷史用戶行為數(shù)據(jù)中同一種類的數(shù)據(jù)的波動(dòng)幅度，以及用戶的用戶行為數(shù)據(jù)與歷史用戶行為數(shù)據(jù)中同一種類的數(shù)據(jù)之間的差異，確定用戶的所述同一種類的數(shù)據(jù)的調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異，包括的具體方法為：

19、將用戶的歷史用戶行為數(shù)據(jù)中任意一個(gè)種類的歷史用戶行為數(shù)據(jù)，均記為目標(biāo)歷史種類數(shù)據(jù)，計(jì)算任意兩個(gè)目標(biāo)歷史種類數(shù)據(jù)的詞向量之間的相似性，將所有所述目標(biāo)歷史種類數(shù)據(jù)的詞向量之間的相似性的平均值，記為目標(biāo)歷史種類數(shù)據(jù)的波動(dòng)穩(wěn)定性；將目標(biāo)歷史種類數(shù)據(jù)的波動(dòng)穩(wěn)定性的相反數(shù)作為以自然常數(shù)為底數(shù)的指數(shù)函數(shù)的指數(shù)取值，將指數(shù)函數(shù)的計(jì)算值記為目標(biāo)歷史種類數(shù)據(jù)的波動(dòng)幅度；

20、根據(jù)用戶的用戶行為數(shù)據(jù)與同一種類的歷史種類數(shù)據(jù)的波動(dòng)幅度之間的差異，以及用戶的歷史用戶行為數(shù)據(jù)中同一種類的數(shù)據(jù)分布，確定用戶的所述同一種類的數(shù)據(jù)的調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異。

21、進(jìn)一步，所述根據(jù)用戶的用戶行為數(shù)據(jù)與同一種類的歷史種類數(shù)據(jù)的波動(dòng)幅度之間的差異，以及用戶的歷史用戶行為數(shù)據(jù)中同一種類的數(shù)據(jù)分布，確定用戶的所述同一種類的數(shù)據(jù)的調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異，包括的具體方法為：

22、將用戶的所有歷史用戶行為數(shù)據(jù)中目標(biāo)種類數(shù)據(jù)的詞向量的均值，記為用戶的歷史標(biāo)準(zhǔn)數(shù)據(jù)，對于目標(biāo)歷史種類數(shù)據(jù)，將用戶的用戶行為數(shù)據(jù)的詞向量與用戶的歷史標(biāo)準(zhǔn)數(shù)據(jù)的差值的絕對值，記為目標(biāo)歷史種類數(shù)據(jù)下用戶的實(shí)時(shí)行為數(shù)據(jù)差異；

23、將目標(biāo)歷史種類數(shù)據(jù)下用戶的實(shí)時(shí)行為數(shù)據(jù)差異與用戶的歷史標(biāo)準(zhǔn)數(shù)據(jù)的比值，記為用戶的目標(biāo)歷史種類數(shù)據(jù)的調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異。

24、進(jìn)一步，所述確定用戶的實(shí)時(shí)異常指數(shù)，包括的具體方法為：

25、將用戶在所有歷史種類數(shù)據(jù)的調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異的累加和與用戶的潛在隱患性的乘積，記為用戶的實(shí)時(shí)異常指數(shù)。

26、進(jìn)一步，所述根據(jù)用戶的實(shí)時(shí)異常指數(shù)管理皮膚整形數(shù)據(jù)，包括的具體方法為：

27、當(dāng)用戶的實(shí)時(shí)異常指數(shù)大于異常閾值時(shí)，關(guān)閉用戶的所有訪問和瀏覽權(quán)限；

28、當(dāng)用戶的實(shí)時(shí)異常指數(shù)小于等于異常閾值時(shí)，不對用戶的權(quán)限進(jìn)行調(diào)整。

29、本發(fā)明的有益效果是：

30、本技術(shù)根據(jù)常規(guī)性的皮膚醫(yī)療數(shù)據(jù)表達(dá)的信息具有普適性，不涉及病理問題且隱私性較弱的特征，根據(jù)詞向量之間的相似性，以及不同詞向量對應(yīng)的句子含義之間的相似性，對用戶的瀏覽權(quán)限中信息的隱私程度進(jìn)行評價(jià)，獲取用戶在瀏覽權(quán)限下的隱私度，考慮到用戶的賬號發(fā)生異常、出現(xiàn)了數(shù)據(jù)泄露的問題時(shí)，產(chǎn)生的危害后果應(yīng)該由瀏覽權(quán)限下的隱私度的最大值確定，獲取用戶的潛在隱患性；由于用戶查看權(quán)限范圍內(nèi)的所有皮膚醫(yī)療數(shù)據(jù)都是合理的行為，為了避免根據(jù)用戶的用戶行為數(shù)據(jù)與歷史用戶行為數(shù)據(jù)差異，確定異常訪問評價(jià)結(jié)果易出現(xiàn)誤判的問題，將用戶的用戶行為數(shù)據(jù)與歷史用戶行為數(shù)據(jù)差異結(jié)合數(shù)據(jù)本身的穩(wěn)定性進(jìn)行分析，確定用戶的調(diào)整實(shí)時(shí)行為數(shù)據(jù)差異，并結(jié)合用戶的潛在隱患性，確定用戶的實(shí)時(shí)異常指數(shù)，用戶的實(shí)時(shí)異常指數(shù)是對用戶當(dāng)前的瀏覽行為異常程度的綜合評價(jià)；最后，根據(jù)用戶的實(shí)時(shí)異常指數(shù)管理皮膚整形數(shù)據(jù)，解決僅根據(jù)用戶行為與歷史用戶行為的差異判定異常訪問數(shù)據(jù)易出現(xiàn)誤判，導(dǎo)致皮膚整形數(shù)據(jù)管理不合理的問題，提升異常訪問數(shù)據(jù)識(shí)別的準(zhǔn)確性，實(shí)現(xiàn)皮膚整形數(shù)據(jù)的合理管理。