一种医药品牌推广系统及方法与流程

1.本发明涉及数据推广技术领域，特别涉及一种医药品牌推广系统及方法。


背景技术：

2.随着社会的发展和科技的进步，医药行业在全球经济中的地位越来越重要。如何将医药产品有效地推广给潜在的患者和医疗专业人士，成为制药公司和相关企业面临的重要挑战。传统的医药品推广主要依赖于广告、销售人员面对面的推销，以及其他营销手段。然而，随着大数据和人工智能等新技术的发展，医药品推广的方式也在发生着深刻的变化。
3.近年来，一些研究者和企业已经开始尝试使用数据分析和机器学习技术来改进医药品的推广。例如，通过收集和分析患者的健康信息、消费行为数据、以及社交网络上的数据，可以更准确地预测患者的需求，从而定制更有效的营销策略。此外，一些企业还尝试使用机器学习算法，如深度学习和强化学习，来自动优化医药品推广的策略。
4.然而，现有的技术仍然存在一些问题。首先，尽管数据分析可以提供有价值的见解，但如何将这些见解转化为实际的营销行动仍然是一个挑战。其次，现有的机器学习方法通常需要大量的数据才能有效，这在医药行业中可能很难获得，因为医疗数据的获取往往受到严格的法规限制。此外，这些方法往往假设数据是静态的，忽略了医疗需求和行为模式随时间的变化。
5.此外，现有的医药品推广策略通常忽略了医疗生态系统中的网络效应。在现实中，医疗专业人员、患者、制药公司和其他相关方是相互联系的，他们的行为会互相影响。例如，医生的推荐可能会影响患者的药品选择，而制药公司的营销策略可能会影响医生的推荐行为。因此，一个有效的医药品推广策略需要考虑到这种网络效应。
6.综上所述，现有的医药品推广方法在数据的获取、处理和利用上，以及在理解和利用医疗生态系统的网络效应上都存在一定的问题。因此，急需一种新的方法，可以更有效地利用数据和新技术，以解决医药品推广中的这些问题。


技术实现要素：

7.本发明的目的是提供一种医药品牌推广系统及方法，通过模拟信息传播过程并自动寻找最优推广策略，能有效地提升医药品推广的精细化程度和个性化效果，同时具备更高的推广效率和效果。
8.为解决上述技术问题，本发明提供一种医药品牌推广系统及方法，包括：一种医药品牌推广系统，所述系统包括：医药品牌数据录入部分、医务人员品牌打分部分、患者品牌打分部分、品牌推广传播网络构建单元和品牌推广单元；所述医药匹配数据录入部分，配置用于录入医药品牌数据；所述医药品牌数据具体包括：医药品牌名称和唯一标识该医药品牌名称的品牌id；医务人员品牌打分部分，配置用于提供给医务人员对录入医药品牌进行打分，每个医务人员在进行打分时，将录入医务人员年龄、医务人员地理位置和医务人员职务；患者品牌打分部分，配置用于提供给患者对录入的医药品牌进行打分，
每个患者在进行打分时，将录入患者年龄、患者地理位置和所患病症；平台推广网络构建单元，配置用于首先对录入的医药品牌数据的患者打分的结果和医务人员打分的结果进行分析，具体包括：将患者打分和医务人员打分均超过设定第一阈值的医药品牌数据进行筛除，将患者打分和医务人员打分均低于设定第二阈值的医药品牌数据进行筛除，将患者打分超过设定第一阈值，而医务人员打分低于设定的第二阈值，或患者打分低于第二阈值，而医务人员打分超过第一阈值的医药品牌数据进行保留，作为优选医药品牌数据，将患者打分和医务人员打分均在第一阈值为上限和第二阈值为下限组成的区间内的医药品牌数据进行保留，作为次优选医药品牌数据；基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点，基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点，将三维空间坐标系中的所有点连接起来，作为传播网络；品牌推广单元，配置用于首先将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大，则记录该传播因子传播的路径，作为品牌推广策略，进行品牌推广，在优选医药品牌数据均处理完成后，则对次优选医药品牌数据重复执行上述过程，进行品牌推广。
9.进一步的，所述基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点的过程具体包括：将患者年龄作为x轴坐标，患者地理位置的经纬度的经度和维度的均值作为y轴坐标；将所患病症赋予一个唯一标识的病症数值作为z轴坐标；不同所患病症对应病症数值均不同。
10.进一步的，所述基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点的过程具体包括：将医务人员年龄作为x轴坐标，医务人员地理位置的经纬度的经度和维度的均值作为y轴坐标；将医务人员职务赋予一个唯一标识的职务数值作为z轴坐标；不同医务人员职务对应职务数值均不同。
11.进一步的，所述品牌推广单元，将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大的方法包括：步骤s1：定义状态表示：将每个医务人员和患者映射到三维空间坐标系中的点，状态表示为，其中表示年龄，表示地理位置，对于医务人员，表示职务，对于患者，表示所患病症。
12.步骤s2：定义动作空间：在传播网络中随机选择一个起始节点，将优选医药品牌数据作为传播因子；并在设定的传播模型的驱动下进行传播；其中，定义动作表示为传播因子到达传播网络中某个节点时的推广值；并定义设定的时间区间为；所述推广值定义为以该节点为中心，以设定阈值为半径，覆盖的圆周区域内的其他节点的数量乘以节点权值；当节点为医务人员映射得到的节点时，节点权值为；当节点为患者映射得到的节点时，节点权值为。
13.步骤s3：定义奖励函数：奖励函数衡量传播因子在状态执行动作后的效果指标。
14.步骤s4：定义q值函数：q值函数表示传播因子在状态执行动作后所能获得的预期累积奖励；使用一个神经网络来估计q值函数，表示为，其中是神经网络的参数。
15.步骤s5：在收集在设定的时间内的状态-动作-奖励序列，形成经验回放缓冲区；然后，使用dqn算法更新神经网络的参数，以最小化q值函数与目标q值函数之间的均方误差；此时，传播因子经过的节点数量最大。
16.进一步的，所述目标q值函数的使用如下公式进行表示：。
17.其中，表示执行动作后的下一个状态，表示目标神经网络的参数，是折扣因子，用于平衡即时奖励和未来奖励的重要性；为目标q值函数；为下一个动作；传播网络复杂度。
18.进一步的，所述步骤s5中使用dqn算法更新神经网络的参数，以最小化q值函数与目标q值函数之间的均方误差时，所述均方误差使用如下公式进行表示：。
19.其中，为均方误差，表示经验回放缓冲区中的设定的时间内的状态-动作-奖励序列，是缓冲区的大小；为下标序号，取值为正整数，初始值为1。
20.进一步的，所述q值函数的更新公式为：。
21.其中，是学习率，用于控制更新的步长。
22.进一步的，所述当节点为医务人员映射得到的节点时，节点权值等于0.6；当节点为患者映射得到的节点时，节点权值为0.4；所述传播因子使用每个医药品牌数据的品牌id来表示。
23.进一步的，所述传播网络复杂度的计算公式为：。
24.其中，为传播网络的总节点数量；为患者映射的节点数量；为医务人员映射的节点数量。
25.一种医药推广方法，所述方法包括：录入医药品牌数据；所述医药品牌数据具体包括：医药品牌名称和唯一标识该医药品牌名称的品牌id；医务人员对录入医药品牌进行打分，每个医务人员在进行打分时，将录入医务人员年龄、医务人员地理位置和医务人员职务；患者对录入的医药品牌进行打分，每个患者在进行打分时，将录入患者年龄、患者地理位置和所患病症；首先对录入的医药品牌数据的患者打分的结果和医务人员打分的结果进行分析，具体包括：将患者打分和医务人员打分均超过设定第一阈值的医药品牌数据进行筛除，将患者打分和医务人员打分均低
于设定第二阈值的医药品牌数据进行筛除，将患者打分超过设定第一阈值，而医务人员打分低于设定的第二阈值，或患者打分低于第二阈值，而医务人员打分超过第一阈值的医药品牌数据进行保留，作为优选医药品牌数据，将患者打分和医务人员打分均在第一阈值为上限和第二阈值为下限组成的区间内的医药品牌数据进行保留，作为次优选医药品牌数据；基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点，基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点，将三维空间坐标系中的所有点连接起来，作为传播网络；首先将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大，则记录该传播因子传播的路径，作为品牌推广策略，进行品牌推广，在优选医药品牌数据均处理完成后，则对次优选医药品牌数据重复执行上述过程，进行品牌推广。
26.本发明的一种医药品牌推广系统及方法，具有以下有益效果：首先，本发明通过定义状态表示、动作空间、奖励函数和q值函数，将医药品牌推广问题转化为强化学习问题。这种转化使得我们可以利用强化学习算法来自动寻找最优的推广策略，而不需要人为地设定复杂的规则或进行大量的手工调优。这不仅大大降低了推广策略设计的难度和工作量，也使得推广策略可以更好地适应市场环境的变化。
27.其次，本发明利用神经网络来估计q值函数，可以有效地处理高维度和连续的状态空间和动作空间。这意味着我们的推广模型可以处理包括年龄、地理位置、职务、病症等多种复杂的因素，从而使得推广策略更加精细和个性化。同时，神经网络的参数通过经验回放和dqn算法进行更新，可以有效地解决强化学习中的样本效率问题和非平稳问题。
28.再次，本发明考虑了医药品推广中的网络效应。传播因子在网络中的传播模拟了医药品信息在医疗生态系统中的扩散过程，医务人员和患者的映射节点权值的设定反映了他们在网络中的重要性和影响力。这种网络效应的考虑使得我们的推广策略更符合医疗生态系统的实际情况。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
30.图1为本发明实施例提供的一种医药品牌推广系统的系统结构示意图。
具体实施方式
31.本发明的核心是提供一种基于混合树形滤波的立体匹配方法及系统，能够有效地解决弱纹理区域误匹配的问题，并在室外场景中也能取得较好的匹配效果。
32.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
33.实施例1：一种医药品牌推广系统，所述系统包括：医药品牌数据录入部分、医务人员品牌打分部分、患者品牌打分部分、品牌推广传播网络构建单元和品牌推广单元；所述医药匹配数据录入部分，配置用于录入医药品牌数据；所述医药品牌数据具体包括：医药品牌名称和唯一标识该医药品牌名称的品牌id；医务人员品牌打分部分，配置用于提供给医务人员对录入医药品牌进行打分，每个医务人员在进行打分时，将录入医务人员年龄、医务人员地理位置和医务人员职务；患者品牌打分部分，配置用于提供给患者对录入的医药品牌进行打分，每个患者在进行打分时，将录入患者年龄、患者地理位置和所患病症；平台推广网络构建单元，配置用于首先对录入的医药品牌数据的患者打分的结果和医务人员打分的结果进行分析，具体包括：将患者打分和医务人员打分均超过设定第一阈值的医药品牌数据进行筛除，将患者打分和医务人员打分均低于设定第二阈值的医药品牌数据进行筛除，将患者打分超过设定第一阈值，而医务人员打分低于设定的第二阈值，或患者打分低于第二阈值，而医务人员打分超过第一阈值的医药品牌数据进行保留，作为优选医药品牌数据，将患者打分和医务人员打分均在第一阈值为上限和第二阈值为下限组成的区间内的医药品牌数据进行保留，作为次优选医药品牌数据；基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点，基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点，将三维空间坐标系中的所有点连接起来，作为传播网络；品牌推广单元，配置用于首先将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大，则记录该传播因子传播的路径，作为品牌推广策略，进行品牌推广，在优选医药品牌数据均处理完成后，则对次优选医药品牌数据重复执行上述过程，进行品牌推广。
34.具体的，对于医药品牌来说，如果一个医药品牌受到患者和医护人员的高评价，意味着这种医药品牌已经不需要进行推广。因此，本发明通过设定两个阈值来判断和筛选。而如果一个医药品牌在患者和医护人员中评价都较低，则这种品牌也不具备推广的价值。通过阈值筛选，可以很好筛选出有推广价值的医药品牌。提升推广的效果。
35.系统通过在传播网络中随机选择一个节点开始，让优选医药品品牌数据作为传播因子在网络中传播。记录下在设定时间区间内传播因子经过的节点数量最多的路径，作为品牌推广策略。这种方法基于社会网络理论，认为信息在社会网络中的传播是一个复杂的过程，通过模拟这个过程，可以找到最优的推广路径。
36.将医药品品牌推广看作是一个在传播网络中的信息传播过程，并利用数据科学的理论和方法来管理和处理数据，使得推广活动更加精确和有效。此外，通过使用阈值进行数据筛选，可以避免极端数据对评价结果的影响，提高评价的公正性和准确性。
37.实施例2：在上一实施例的基础上，所述基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点的过程具体包括：将患者年龄作为x轴坐标，患者地理位置的经纬度的经度和维度的均值作为y轴坐标；将所患病症赋予一个唯一标识的病症数值作为z轴坐标；不同所患病症对应病症数值均不同。
38.实施例3：在上一实施例的基础上，所述基于每个医务人员的医务人员年龄、医务
人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点的过程具体包括：将医务人员年龄作为x轴坐标，医务人员地理位置的经纬度的经度和维度的均值作为y轴坐标；将医务人员职务赋予一个唯一标识的职务数值作为z轴坐标；不同医务人员职务对应职务数值均不同。
39.具体的，这种方法可以看作是一种特征工程的过程。特征工程是将原始数据转化为更能反映其底层结构的特征的过程，常常用于提高机器学习算法的性能。在这种情况下，患者和医务人员的年龄、地理位置和病症或职务被提取出来，作为他们在三维空间中位置的代表。这样可以更好地捕捉他们的主要特征，并便于后续的分析和处理。
40.将这些点连接起来，就形成了一个复杂的网络。这个网络可以被用来模拟和理解医药品品牌在社会中的传播模式。因此，这个方法可以帮助找到最有效的推广策略，提高医药品品牌的知名度和接受度。
41.实施例4：在上一实施例的基础上，所述品牌推广单元，将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大的方法包括：步骤s1：定义状态表示：将每个医务人员和患者映射到三维空间坐标系中的点，状态表示为，其中表示年龄，表示地理位置，对于医务人员，表示职务，对于患者，表示所患病症。
42.步骤s2：定义动作空间：在传播网络中随机选择一个起始节点，将优选医药品牌数据作为传播因子；并在设定的传播模型的驱动下进行传播；其中，定义动作表示为传播因子到达传播网络中某个节点时的推广值；并定义设定的时间区间为；所述推广值定义为以该节点为中心，以设定阈值为半径，覆盖的圆周区域内的其他节点的数量乘以节点权值；当节点为医务人员映射得到的节点时，节点权值为；当节点为患者映射得到的节点时，节点权值为。
43.步骤s3：定义奖励函数：奖励函数衡量传播因子在状态执行动作后的效果指标。
44.步骤s4：定义q值函数：q值函数表示传播因子在状态执行动作后所能获得的预期累积奖励；使用一个神经网络来估计q值函数，表示为，其中是神经网络的参数。
45.步骤s5：在收集在设定的时间内的状态-动作-奖励序列，形成经验回放缓冲区；然后，使用dqn算法更新神经网络的参数，以最小化q值函数与目标q值函数之间的均方误差；此时，传播因子经过的节点数量最大。
46.具体的，把品牌推广问题转化为了一个强化学习问题。强化学习是机器学习的一种，目标是让智能体（agent）通过与环境的交互来学习最优的行为策略。在这个问题中，智能体就是医药品品牌，环境就是医务人员和患者组成的网络，状态就是智能体在环境中的位置，动作就是智能体在每个位置可以进行的推广活动，奖励就是每个动作带来的效果。通过学习，智能体就可以找到一种策略，使得在设定的时间区间内，传播因子经过的节点数量最大，从而最大化品牌推广的效果。
47.强化学习是机器学习的一个重要分支，其中的智能体（这里是医药品品牌推广系
统）通过与环境（这里是医务人员和患者的网络）交互，来学习并优化其行为策略。
48.步骤s1使用医务人员和患者的年龄、地理位置以及职务或所患病症等信息，将他们映射到三维空间的点上，定义了状态s。这种状态表示方法有助于挖掘医务人员和患者的个体特征以及他们之间的相互关系，为医药品品牌的精准推广提供可能。
49.步骤s2中动作a被定义为传播因子m到达传播网络中某个节点时的推广值。这种设置实质上把医药品品牌的推广过程看作是一个决策过程：在每个状态下，系统都需要决定采取什么样的推广策略（即动作），以最大化其推广效果（即奖励）。
50.步骤s3中奖励函数r(s,a,m)衡量了在状态s下执行动作a后，传播因子m所能带来的效果。这个效果可能包括但不限于传播范围的广度、影响力的深度等。奖励函数是强化学习中的关键组成部分，通过优化奖励函数，可以让系统学会采取更有效的推广策略。
51.步骤s4中q值函数q(s,a,m)表示了在状态s下执行动作a后，传播因子m所能获得的预期累积奖励。q值函数在强化学习中起着关键的作用，它可以帮助系统评估并选择最优的动作。在这里，通过神经网络来估计q值函数，使得系统能更好地适应复杂的真实环境。
52.步骤s5中系统首先会在一段时间内收集数据，然后通过应用深度q网络（dqn）算法来优化神经网络的参数，使得q值函数与目标q值函数之间的均方误差最小。这一过程是基于经验回放和q学习两种强化学习技术，旨在实现更有效的学习过程，提高系统的推广效果。
53.实施例5：在上一实施例的基础上，所述目标q值函数的使用如下公式进行表示：。
54.其中，表示执行动作后的下一个状态，表示目标神经网络的参数，是折扣因子，用于平衡即时奖励和未来奖励的重要性；为目标q值函数；为下一个动作；传播网络复杂度。
55.这个公式是基于强化学习中的贝尔曼方程，它描述了一个agent在状态，执行动作后，能够期望获得的奖励值（也就是q值）。其中，是当前的即时奖励，是折扣因子，用于平衡当前的奖励和未来的奖励，是未来状态下的最大q值。此处的代表了传播网络的复杂度，复杂度越高，对当前的奖励的影响越大。
56.具体的，在医药品品牌推广的环境中，传播网络的复杂度可能会对推广效果产生影响。例如，如果网络非常复杂，信息的传播可能会更加困难。因此，通过引入这个复杂度因子，可以使模型更好地适应复杂的传播环境。
57.通过这个公式，可以看出，在确定动作的过程中，系统不仅会考虑当前的奖励和未来的预期奖励，还会考虑传播网络的复杂度。这使得系统能更好地处理医药品品牌推广的特殊性，例如，不同的医务人员和患者可能有不同的接收信息的方式和效率，而这正是通过网络复杂度因子来体现的。
58.此外，这个公式中还用到了目标神经网络的参数，这是在深度q学习（dqn）中常见的一个技巧，被称为"固定q目标"。在训练过程中，为了增加稳定性，会使用一个固定的、延后更新的目标网络来计算目标q值。
59.实施例6：在上一实施例的基础上，所述步骤s5中使用dqn算法更新神经网络的参数，以最小化q值函数与目标q值函数之间的均方误差时，所述均方误差使用如下公式进行表示：。
60.其中，为均方误差，表示经验回放缓冲区中的设定的时间内的状态-动作-奖励序列，是缓冲区的大小；为下标序号，取值为正整数，初始值为1。
61.具体的，定义：首先，表示从经验回放缓冲区中采样的状态-动作-奖励序列，这些数据是在过去的时间步内收集的。缓冲区的大小为，而是表示这些数据的下标序号。
62.这个公式是神经网络训练中的损失函数，在本发明中被用于强化学习中的dqn算法中。在这个公式中，尝试最小化预测的q值和目标q值之间的误差，乘以相应的奖励。这个误差的平方和然后被平均（通过除以）并乘以时间，得到最终的损失函数。
63.计算预测的q值和目标q值：利用神经网络计算当前状态-动作对的预测q值，并且已经有了之前计算出的目标q值。
64.计算误差：接着，计算预测的q值和目标q值之间的误差，并将误差平方，这样可以确保误差总是正的，并且对于较大的误差给予更大的惩罚。
65.计算平均误差：然后，计算经验回放缓冲区中所有数据的误差的平均值，再乘以时间步数。这样可以考虑到在不同的时间步，模型可能对误差的敏感度不同。
66.更新神经网络参数：最后，使用梯度下降或者其他优化算法来最小化这个损失函数，从而更新神经网络的参数。
67.这个过程是深度q学习算法的关键部分，目的是让神经网络更好地近似q值函数，从而让医药品品牌推广系统能更好地选择动作，实现更有效的推广。
68.实施例7：在上一实施例的基础上，所述q值函数的更新公式为：。
69.其中，是学习率，用于控制更新的步长。
70.具体的，在q学习中，这个公式的目的是通过考虑当前奖励和预期未来奖励来更新q值。这里的是学习率，这是一个超参数，用于控制每次更新q值的步长。较高的学习率意味着模型将在单步更新中学习更多的信息，而较低的学习率则会使学习过程更平稳，但可能需要更多的时间步来收敛。是折扣因子，用于确定未来奖励的重要性。如果接近1，模型将更重视未来的奖励，而如果较小，模型将更重视即时奖励。
71.实施例8：在上一实施例的基础上，所述当节点为医务人员映射得到的节点时，节点权值等于0.6；当节点为患者映射得到的节点时，节点权值为0.4；所述传播因子使
用每个医药品牌数据的品牌id来表示。
72.具体的，权重值是一种策略，用于确定不同类型节点在传播网络中的重要性。医务人员的节点权值被设置为0.6，而患者的节点权值被设置为0.4，这意味着在此推广策略中，医务人员比患者更重要。这可能是因为医务人员能够直接影响更多患者的医疗决策，因此给予他们更高的权重。传播因子被定义为每个医药品牌数据的品牌id，这意味着每个品牌都有自己的唯一标识符，这将有助于在推广过程中识别和跟踪不同的品牌。
73.实施例9：在上一实施例的基础上，所述传播网络复杂度的计算公式为：。
74.其中，为传播网络的总节点数量；为患者映射的节点数量；为医务人员映射的节点数量。
75.具体的，: 这是传播网络的总节点数量，通常表示网络的规模。规模越大，复杂度一般来说也会越大。
76.: 这部分是以患者映射的节点数量为基础，通过对数变换和线性变换得到。对数变换常用于处理分布极度不均匀的情况，能够缩小极大和极小值之间的距离，从而让模型更加稳健。
77.: 这部分是指数函数对医务人员映射的节点数量的映射。由于指数函数的特性，当增加时，复杂度会快速增加。因为医务人员在医药品的推广中起到关键作用，他们的增加会极大地提高网络的复杂性。
78.总的来说，这个公式结合了网络的总节点数，患者节点数和医务人员节点数，通过一系列数学变换来计算传播网络的复杂度。在医药品品牌推广的背景下，这个复杂度可以帮助了解推广信息在网络中传播的难度，从而更好地设计和调整推广策略。
79.实施例10：一种医药推广方法，所述方法包括：录入医药品牌数据；所述医药品牌数据具体包括：医药品牌名称和唯一标识该医药品牌名称的品牌id；医务人员对录入医药品牌进行打分，每个医务人员在进行打分时，将录入医务人员年龄、医务人员地理位置和医务人员职务；患者对录入的医药品牌进行打分，每个患者在进行打分时，将录入患者年龄、患者地理位置和所患病症；首先对录入的医药品牌数据的患者打分的结果和医务人员打分的结果进行分析，具体包括：将患者打分和医务人员打分均超过设定第一阈值的医药品牌数据进行筛除，将患者打分和医务人员打分均低于设定第二阈值的医药品牌数据进行筛除，将患者打分超过设定第一阈值，而医务人员打分低于设定的第二阈值，或患者打分低于第二阈值，而医务人员打分超过第一阈值的医药品牌数据进行保留，作为优选医药品牌数据，将患者打分和医务人员打分均在第一阈值为上限和第二阈值为下限组成的区间内的医药品牌数据进行保留，作为次优选医药品牌数据；基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点，基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点，将三维空间坐标系中的所有点连接起来，作为传播网络；首先将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大，则记录该传播因子传播的路径，作为品牌推广策
略，进行品牌推广，在优选医药品牌数据均处理完成后，则对次优选医药品牌数据重复执行上述过程，进行品牌推广。
80.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
81.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
82.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
83.以上对本发明进行了详细介绍。本文中应用了具体个例对本发明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发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

技术特征：
1.一种医药品牌推广系统，其特征在于，所述系统包括：医药品牌数据录入部分、医务人员品牌打分部分、患者品牌打分部分、品牌推广传播网络构建单元和品牌推广单元；所述医药匹配数据录入部分，配置用于录入医药品牌数据；所述医药品牌数据具体包括：医药品牌名称和唯一标识该医药品牌名称的品牌id；医务人员品牌打分部分，配置用于提供给医务人员对录入医药品牌进行打分，每个医务人员在进行打分时，将录入医务人员年龄、医务人员地理位置和医务人员职务；患者品牌打分部分，配置用于提供给患者对录入的医药品牌进行打分，每个患者在进行打分时，将录入患者年龄、患者地理位置和所患病症；平台推广网络构建单元，配置用于首先对录入的医药品牌数据的患者打分的结果和医务人员打分的结果进行分析，具体包括：将患者打分和医务人员打分均超过设定第一阈值的医药品牌数据进行筛除，将患者打分和医务人员打分均低于设定第二阈值的医药品牌数据进行筛除，将患者打分超过设定第一阈值，而医务人员打分低于设定的第二阈值，或患者打分低于第二阈值，而医务人员打分超过第一阈值的医药品牌数据进行保留，作为优选医药品牌数据，将患者打分和医务人员打分均在第一阈值为上限和第二阈值为下限组成的区间内的医药品牌数据进行保留，作为次优选医药品牌数据；基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点，基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点，将三维空间坐标系中的所有点连接起来，作为传播网络；品牌推广单元，配置用于首先将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大，则记录该传播因子传播的路径，作为品牌推广策略，进行品牌推广，在优选医药品牌数据均处理完成后，则对次优选医药品牌数据重复执行上述过程，进行品牌推广。2.如权利要求1所述的医药品牌推广系统，其特征在于，所述基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点的过程具体包括：将患者年龄作为x轴坐标，患者地理位置的经纬度的经度和维度的均值作为y轴坐标；将所患病症赋予一个唯一标识的病症数值作为z轴坐标；不同所患病症对应病症数值均不同。3.如权利要求2所述的医药品牌推广系统，其特征在于，所述基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点的过程具体包括：将医务人员年龄作为x轴坐标，医务人员地理位置的经纬度的经度和维度的均值作为y轴坐标；将医务人员职务赋予一个唯一标识的职务数值作为z轴坐标；不同医务人员职务对应职务数值均不同。4.如权利要求3所述的医药品牌推广系统，其特征在于，所述品牌推广单元，将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大的方法包括：步骤s1：定义状态表示：将每个医务人员和患者映射到三维空间坐标系中的点，状态表示为，其中表示年龄，表示地理位置，对于医务人员，表示职务，对于患者，表示所患病症；
步骤s2：定义动作空间：在传播网络中随机选择一个起始节点，将优选医药品牌数据作为传播因子；并在设定的传播模型的驱动下进行传播；其中，定义动作表示为传播因子到达传播网络中某个节点时的推广值；并定义设定的时间区间为；所述推广值定义为以该节点为中心，以设定阈值为半径，覆盖的圆周区域内的其他节点的数量乘以节点权值；当节点为医务人员映射得到的节点时，节点权值为；当节点为患者映射得到的节点时，节点权值为；步骤s3：定义奖励函数：奖励函数衡量传播因子在状态执行动作后的效果指标；步骤s4：定义q值函数：q值函数表示传播因子在状态执行动作后所能获得的预期累积奖励；使用一个神经网络来估计q值函数，表示为，其中是神经网络的参数；步骤s5：在收集在设定的时间内的状态-动作-奖励序列，形成经验回放缓冲区；然后，使用dqn算法更新神经网络的参数，以最小化q值函数与目标q值函数之间的均方误差；此时，传播因子经过的节点数量最大。5.如权利要求4所述的医药品牌推广系统，其特征在于，所述目标q值函数的使用如下公式进行表示：；其中，表示执行动作后的下一个状态，表示目标神经网络的参数，是折扣因子，用于平衡即时奖励和未来奖励的重要性；为目标q值函数；为下一个动作；传播网络复杂度。6.如权利要求5所述的医药品牌推广系统，其特征在于，所述步骤s5中使用dqn算法更新神经网络的参数，以最小化q值函数与目标q值函数之间的均方误差时，所述均方误差使用如下公式进行表示：；其中，为均方误差，表示经验回放缓冲区中的设定的时间内的状态-动作-奖励序列，是缓冲区的大小；为下标序号，取值为正整数，初始值为1。7.如权利要求6所述的医药品牌推广系统，其特征在于，所述q值函数的更新公式为：；其中，是学习率，用于控制更新的步长。8.如权利要求7所述的医药品牌推广系统，其特征在于，所述当节点为医务人员映射得到的节点时，节点权值等于0.6；当节点为患者映射得到的节点时，节点权值为0.4；所述传播因子使用每个医药品牌数据的品牌id来表示。
9.如权利要求5所述的医药品牌推广系统，其特征在于，所述传播网络复杂度的计算公式为：；其中，为传播网络的总节点数量；为患者映射的节点数量；为医务人员映射的节点数量。10.一种用于实现权利要求1至9任意一项所述医药推广系统的方法，其特征在于，所述方法包括：录入医药品牌数据；所述医药品牌数据具体包括：医药品牌名称和唯一标识该医药品牌名称的品牌id；医务人员对录入医药品牌进行打分，每个医务人员在进行打分时，将录入医务人员年龄、医务人员地理位置和医务人员职务；患者对录入的医药品牌进行打分，每个患者在进行打分时，将录入患者年龄、患者地理位置和所患病症；首先对录入的医药品牌数据的患者打分的结果和医务人员打分的结果进行分析，具体包括：将患者打分和医务人员打分均超过设定第一阈值的医药品牌数据进行筛除，将患者打分和医务人员打分均低于设定第二阈值的医药品牌数据进行筛除，将患者打分超过设定第一阈值，而医务人员打分低于设定的第二阈值，或患者打分低于第二阈值，而医务人员打分超过第一阈值的医药品牌数据进行保留，作为优选医药品牌数据，将患者打分和医务人员打分均在第一阈值为上限和第二阈值为下限组成的区间内的医药品牌数据进行保留，作为次优选医药品牌数据；基于每个患者对应的患者年龄、患者地理位置和所患病症，将每个患者映射到三维空间坐标系中的一个点，基于每个医务人员的医务人员年龄、医务人员地理位置和医务人员职务，将每个医务人员映射到三维空间坐标系中的一个点，将三维空间坐标系中的所有点连接起来，作为传播网络；首先将优选医药品牌数据作为传播因子，在传播网络中随机选择一个起始节点，让传播因子在设定的传播模型的驱动下，在传播网络中传播，使得在设定的时间区间内，传播因子经过的节点数量最大，则记录该传播因子传播的路径，作为品牌推广策略，进行品牌推广，在优选医药品牌数据均处理完成后，则对次优选医药品牌数据重复执行上述过程，进行品牌推广。

技术总结
本发明公开了一种医药品牌推广系统及方法，涉及数据推广技术领域，所述系统包括：医药品牌数据录入部分、医务人员品牌打分部分、患者品牌打分部分、品牌推广传播网络构建单元和品牌推广单元；所述医药匹配数据录入部分，配置用于录入医药品牌数据；所述医药品牌数据具体包括：医药品牌名称和唯一标识该医药品牌名称的品牌ID；医务人员品牌打分部分，配置用于提供给医务人员对录入医药品牌进行打分，每个医务人员在进行打分时，将录入医务人员年龄、医务人员地理位置和医务人员职务。本发明通过模拟信息传播过程并自动寻找最优推广策略，能有效地提升医药品推广的精细化程度和个性化效果，同时具备更高的推广效率和效果。同时具备更高的推广效率和效果。同时具备更高的推广效率和效果。


技术研发人员：韩聪 董玉昊 王玉峰
受保护的技术使用者：山东资略信息技术有限公司
技术研发日：2023.08.09
技术公布日：2023/10/15