一種基於隱私保護的健康畫像構建方法
2024-04-15 17:23:05
1.本發明涉及信息技術領域，尤其涉及一種基於隱私保護的健康畫像構建方法。
背景技術：
2.用戶畫像是一種常規的平臺推薦技術，但對於藥物的推薦，經常不僅僅要求精準，而且還可能跟用戶的操作環境有關。因為用戶的屏幕，並不是永遠都只有自己能看見。例如，一個痔瘡患者，並不希望自己的病情被旁邊的人知道。因此如果因為他購買了痔瘡藥物，但平臺經常推薦痔瘡相關藥物，就會讓人知道他的隱私和病情，導致病情洩露。但是感冒藥並不會有相同問題，以為它不屬於隱私藥物，因此可以以最精準的方式推薦，不用考慮其他隱私保護因素。因此，有沒有辦法讓藥物推薦具有隱私保護的能力，在推薦不當時，用戶能不能通過自己的選擇，手動修改畫像。在什麼樣的場景下，可以推薦隱私類藥物。這些都是未解決的問題
技術實現要素：
3.本發明提供了一種基於隱私保護的健康畫像構建方法，主要包括：
4.確定藥物畫像，所述確定藥物畫像，具體包括：根據藥品的適用症狀，分析藥品營銷類畫像，根據藥品評論，分析藥品的隱私類畫像，根據藥品價格，銷售量，治療效果及適用症狀，分析藥品的通用類畫像；根據用戶購藥記錄，分析用戶病情；基於用戶病情及用戶信息，確定用戶畫像；根據用戶畫像，分析隱私保護需求，所述根據用戶畫像，分析隱私保護需求，具體包括：根據病情隱私程度，判斷需要保護的畫像的類別和數量，基於差分隱私保護，保護用戶購藥隱私；基於用戶點擊行為，分析不同場景用戶對畫像的敏感程度，所述基於用戶點擊行為，分析不同場景用戶對畫像的敏感程度，具體包括：識別用戶點擊行為，基於用戶點擊行為，分析交互場景，基於點擊行為及使用場景，分析用戶對畫像的敏感程度；基於用戶對藥物畫像的敏感程度，調整用戶畫像；基於用戶畫像及交互場景，進行用戶畫像交互。
5.進一步可選地，所述確定藥物畫像包括：
6.首先，確定藥品畫像的相關數據，包括藥品的價格、銷售量、適用症狀和評論；確定藥物畫像，包括藥品的營銷類畫像，隱私類畫像及通用類畫像；通過對外賣平臺進行數據爬取，獲取藥品的銷售量，價格，適用症狀及評論；根據所述藥品畫像的相關數據進行數據預處理，對數據進行分類並整理歸納；對預處理後的數據利用etl方式進行數據清洗，刪除缺失數據、重複數據與錯誤數據，提取有效數據；包括：根據藥品的適用症狀，分析藥品營銷類畫像；根據藥品評論，分析藥品的隱私類畫像；根據藥品價格，銷售量，治療效果及適用症狀，分析藥品的通用類畫像；
7.所述根據藥品的適用症狀，分析藥品營銷類畫像，具體包括：
8.根據藥品的適用症狀，確定藥品購買者群體的特徵信息，包括藥品購買者群體的年齡段，性別；基於藥品購買者群體的特徵信息及患病症狀，分析藥品購買者群體因患病產
生的生活需求；基於藥品購買者因患病產生的生活需求，分析與其生活需求相關領域並提取對應領域的特徵信息；結合藥品購買者因患病產生的生活需求相關領域的特徵信息，以及藥品購買者群體的特徵信息，採用k-means聚類算法，獲取藥品相對於所述藥品購買者群體的營銷類畫像。
9.所述根據藥品評論，分析藥品的隱私類畫像，具體包括：
10.基於爬取並進行數據清洗後獲取的藥品評論信息，採用互信息和左右熵，以tire樹為數據結構提取所述藥品評論信息中的關鍵性詞語；基於提取的所述藥品評論信息中的至少一個關鍵性詞語，採用多權tf－idf算法計算各關鍵性詞語對於藥品評論佔據的權重；確定在藥品評論中佔據權重高的關鍵性詞語，並在藥品評論信息中檢索獲取所述權重高的關鍵性詞語的相關評論；根據所述與關鍵性詞語相關評論的評論量及點擊量，建立藥品的隱私性分析模型，即p＝h/c，所述p為隱私度，所述h為點擊量，所述c為評論量；基於藥品的評論關鍵性詞語及隱私性分析模型，獲取藥品的隱私類畫像。
11.所述根據藥品價格，銷售量，治療效果及適用症狀，分析藥品的通用類畫像，具體包括：
12.根據藥品價格，銷售量及適用症狀，提取藥品適用群體的特徵信息；基於藥品適用群體的特徵信息，分析藥品適用群體的購藥需求及消費心理；結合藥品適用群體的購買需求及消費心理，比較相同治療症狀，處於不同價位藥品的銷售量，分析藥品的銷售情況；通過比較同類藥品的銷售情況，治療效果及價格，分析同類不同價位藥品對於藥品適用群體的性價比；根據分析獲取的同類不同價位的藥品性價比，獲取藥品的通用類畫像。
13.進一步可選地，所述根據用戶購藥記錄，分析用戶病情包括：
14.所述用戶病情包括用戶的患病類別，患病嚴重程度，治療的療程；基於用戶的歷史藥品購買記錄獲取藥品信息，按照藥品所屬疾病類型對藥品進行分類及歸納整理，獲取藥品涵蓋的疾病類型；基於已劃分的疾病類型，對應疾病常見症狀及各疾病藥品適用症狀，對比分析用戶所患疾病，對應症狀，以及患病症狀對應疾病的患病嚴重程度；根據用戶患病症狀及患病嚴重程度，結合疾病不同療程階段症狀，對比分析用戶所處的治療療程階段。
15.進一步可選地，所述基於用戶病情及用戶信息，確定用戶畫像包括：
16.首先，確定用戶信息，包括用戶的屬性特徵，用戶評價數據，以及用戶行為數據；所述用戶的屬性特徵，包括用戶的年齡，性別；所述用戶評價數據，包括對應商品是個否有差評、差評率、累計評論數分段信息；所述用戶行為數據，包括對應商品的瀏覽商品詳情頁行為、加購物車行為、刪購物車行為、下單行為、關注行為和點擊行為信息；對用戶的屬性特徵，用戶評價數據，以及用戶行為數據採取獨熱編碼；基於用戶信息及藥品畫像，使用gbdt梯度提升決策樹模型構建用戶畫像預測模型，確定用戶畫像。
17.進一步可選地，所述根據用戶畫像，分析隱私保護需求包括：
18.利用數據挖掘技術，分析用戶畫像包含的特徵欄位，字節的含義；採用k近鄰分類算法對用戶畫像特徵信息對應的缺失信息進行插補；基於用戶畫像，判斷用戶是否具有疾病，以及相應的病情；根據用戶的病情，分析對應患病症狀的治療藥品；根據獲取的對應治療藥品，通過查詢藥品信息，並與同類藥品對比分析，並結合藥品的適用症狀，適用群體特徵，確定藥品的畫像；獲取對應治療藥物的隱私類畫像，並結合用戶畫像，分析用戶所患疾病及病情，通過比較分析獲取需要進行隱私保護的藥物畫像及用戶畫像信息；包括：根據病
情隱私程度，判斷需要保護的畫像的類別和數量；基於差分隱私保護，保護用戶購藥隱私；
19.所述根據病情隱私程度，判斷需要保護的畫像的類別和數量，具體包括：
20.根據用戶患病病情，確定對應症狀治療藥品的畫像，包括營銷類畫像，隱私類畫像，以及通用類畫像；根據用戶患病症狀，以及因患病產生的生活需求領域的隱私性，對比其他藥品，分析藥品營銷類畫像的保護必要程度；根據用戶所患疾病症狀對應治療藥品的評論關鍵詞語，對比分析藥品隱私類畫像的保護必要程度；根據用戶所屬群體的特徵信息，對比分析藥品通用類畫像的保護必要程度；建立用戶隱私性保護模型，將用戶個人信息，所患疾病，對應治療藥品，以及藥品需要進行隱私性保護的畫像類別及數量，進行歸納整理。
21.所述基於差分隱私保護，保護用戶購藥隱私，具體包括：
22.基於差分隱私保護機制，保護用戶畫像及購藥隱私；根據用戶畫像及藥品畫像，生成符合用戶藥物購買行為規律的主題特徵詞；利用多項先驗分布模型模擬用戶藥物購買行為的決策過程，對用戶決策過程中的行為進行概率預測；針對多項先驗分布中的隱含變量，採用gibbs抽樣方法，迭代計算符合用戶藥物購買行為規律的主題特徵詞的預測模型參數；根據計算獲取的模型參數，向獲取符合用戶藥物購買行為規律的主題特徵詞的採樣過程添加laplace噪聲，影響計數統計結果；通過對計數統計結果的影響，幹擾潛在符合用戶藥物購買行為規律的主題特徵詞的聯合概率分布，降低隱私信息被推斷攻擊的風險，保護用戶畫像與藥品畫像。
23.進一步可選地，所述基於用戶點擊行為，分析不同場景用戶對畫像的敏感程度包括：
24.首先，確定用戶的點擊行為數據，包括用戶對於藥品廣告的點擊行為數據與用戶於當前頁面的點擊行為數據；採集的用戶點擊行為數據利用etl方式進行數據清洗，刪除缺失數據、重複數據與錯誤數據，提取數據連貫完整程度高的用戶有效數據；其中，點擊行為數據包括對頁面的點擊，搜索，分享，下載，評論，上傳行為；根據用戶對於當前頁面的點擊行為數據，分析用戶的接收到廣告時所處的使用場景；基於用戶對於藥品廣告的點擊行為數據，並結合用戶當前的使用場景，通過對比分析相同場景下不同用戶對於藥品廣告的點擊行為數據，對各場景下用戶對於藥品廣告的的敏感程度進行分級劃分；包括：識別用戶點擊行為；基於用戶點擊行為，分析交互場景；基於點擊行為及使用場景，分析用戶對畫像的敏感程度；
25.所述識別用戶點擊行為，具體包括：
26.基於用戶的http流，對網絡端用戶的點擊行為進行識別；從用戶的混合http請求流中提取觀測特徵序列；通過識別模塊把特徵序列映射到由兩個行為模型實例組成的或然概率判決空間；根據判決空間中的綜合行為分類器，判定混合http請求流片段中第一個請求的點擊屬性；根據第一個請求的點擊屬性，將請求流分離為點擊序列和自動請求序列兩種類別；根據請求流的類別不同，採用隱馬爾可夫模型框架的狀態鏈在不同類別下，對用戶點擊行為輪廓進行判定；基於用戶點擊行為輪廓的判定結果，按照不同點擊屬性分類獲取用戶對應的點擊行為數據。
27.所述基於用戶點擊行為，分析交互場景，具體包括：
28.根據不同場景樣本點擊行為數據的標註取值、場景特徵和預設損失函數，訓練場景預測概率數據模型；基於不同場景樣本數據，確定場景預測概率數據模型的訓練樣本與
測試樣本；通過測試集對場景預測概率數據模型進行測試，並且調整參數，不斷訓練，提高模型的精確度；基於用戶點擊行為數據，獲取用戶接收到藥物畫像前後時間段用戶點擊行為數據；根據用戶的點擊行為數據及所述場景預測概率數據模型，對目標用戶的當前的操作場景進行分析預測。
29.所述基於點擊行為及使用場景，分析用戶對畫像的敏感程度，具體包括：
30.獲取用戶接收到藥物畫像後，用戶對於藥物畫像的反應時間間隔，以及進行的點擊行為；基於用戶的點擊行為和場景預測概率數據模型，分析用戶接收到藥物畫像前後時間段的所處的交互場景；基於不同場景下用戶對於藥物畫像敏感度分析的樣本數據，構建敏感程度分析模型；基於用戶接收到藥物畫像前後時間段的交互場景，用戶對於藥物畫像的反應時間間隔，以及進行的點擊行為，分析獲取用戶對於提供的藥物畫像的敏感程度。
31.進一步可選地，所述基於用戶對藥物畫像的敏感程度，調整用戶畫像包括：
32.基於用戶畫像，將藥物畫像發送至對應用戶畫像的用戶客戶端；根據用戶對於藥物畫像的點擊行為數據，及當前的交互場景，分析用戶對於藥物畫像的敏感程度；基於用戶對於接收到的藥物畫像的敏感程度，分析用戶對於當前藥物畫像的購買意向；根據用戶對於當前藥物畫像的購買意向，對於用戶畫像進行相應的調整；根據調整後的用戶畫像，對於藥物畫像的推薦頻率，種類，時間，設計界面進行調整。
33.一種基於隱私保護的健康畫像構建方法其特徵在於，所述系統包括：
34.基於用戶畫像及當前用戶的交互場景，分析用戶對於藥物畫像的敏感程度；基於用戶對於藥物畫像的敏感程度，及調整後的用戶畫像，對於藥物畫像的交互方式進行調整；根據使用場景及用戶畫像，選擇適當的藥物畫像推薦場景，時間及頻率；並制定對應的銷售策略，包括調整藥品價格，制定個性化廣告內容，選取廣告投放平臺及網頁界面；根據同類治療症狀，對於處於不同價位的藥品的銷售量，對於藥品的價格進行調整。
35.本發明實施例提供的技術方案可以包括以下有益效果：
36.本發明通過對藥物隱私類的用戶畫像推薦進行針對性判斷，使用戶畫像得到修正，並且判斷推薦場景，使用戶隱私得到最大保護，並使用戶樂於接受用戶畫像的藥物推薦。
附圖說明
37.圖1為本發明的一種基於隱私保護的健康畫像構建方法的流程圖。
38.圖2為本發明的一種基於隱私保護的健康畫像構建方法的示意圖。
具體實施方式
39.為了使本發明的目的、技術方案和優點更加清楚，下面結合附圖和具體實施例對本發明進行詳細描述。
40.圖1為本發明的一種基於隱私保護的健康畫像構建方法流程圖。如圖1所示，本實施例一種基於隱私保護的健康畫像構建方法具體可以包括：
41.步驟101，確定藥物畫像。
42.首先，確定藥品畫像的相關數據，包括藥品的價格、銷售量、適用症狀和評論；確定藥物畫像，包括藥品的營銷類畫像，隱私類畫像及通用類畫像；通過對外賣平臺進行數據爬
取，獲取藥品的銷售量，價格，適用症狀及評論；根據所述藥品畫像的相關數據進行數據預處理，對數據進行分類並整理歸納。對預處理後的數據利用etl方式進行數據清洗，刪除缺失數據、重複數據與錯誤數據，提取有效數據；例如，通過美團買藥爬取的藥品畫像的相關數據，若獲得的藥品評論信息有多條評價為默認評價，則不計入評價信息。例如，剔除評論中的無效信息，包括存在的空格，表情，特殊符號。
43.根據藥品的適用症狀，分析藥品營銷類畫像。
44.根據藥品的適用症狀，確定藥品購買者群體的特徵信息，包括藥品購買者群體的年齡段，性別；基於藥品購買者群體的特徵信息及患病症狀，分析藥品購買者群體因患病產生的生活需求；基於藥品購買者因患病產生的生活需求，分析與其生活需求相關領域並提取對應領域的特徵信息；結合藥品購買者因患病產生的生活需求相關領域的特徵信息，以及藥品購買者群體的特徵信息，採用k-means聚類算法，獲取藥品相對於所述藥品購買者群體的營銷類畫像；藥品購買者群體的營銷類畫像，包括藥品適用群體因患病產生的生活需求相關領域；其中，生活需求相關領域包括，生活需求用品的適用場景，購買途徑，類型，使用方式，價格定位；例如，痔瘡患者張三的症狀對應生活需求相關領域為衛生用品領域，適用於上廁所情景，可通過超市及電商平臺購買，對應類型為衛生用品，價格定位為低價商品，具體對應的需求用品為衛生紙，則衛生紙的特徵信息包括吸水性強，無致病菌，質地柔軟，衛生用品，抽紙，捲紙，生活必需品，低價，環保；例如，痔瘡患者張三，男，年齡35歲，因患有痔瘡，因而對於衛生紙的品質要求較高，因此可提取衛生紙銷售領域的特徵信息，以及處於30-40歲年齡段的男性消費群體的特徵信息，用來構建藥品的個性化營銷類畫像，獲取其側重領域及關注點。
45.根據藥品評論，分析藥品的隱私類畫像。
46.基於爬取並進行數據清洗後獲取的藥品評論信息，採用互信息和左右熵，以tire樹為數據結構提取所述藥品評論信息中的關鍵性詞語；基於提取的所述藥品評論信息中的至少一個關鍵性詞語，採用多權tf－idf算法計算各關鍵性詞語對於藥品評論佔據的權重；確定在藥品評論中佔據權重高的關鍵性詞語，並在藥品評論信息中檢索獲取所述權重高的關鍵性詞語的相關評論；根據所述與關鍵性詞語相關評論的評論量及點擊量，建立藥品的隱私性分析模型，即p＝h/c，所述p為隱私度，所述h為點擊量，所述c為評論量；基於藥品的評論關鍵性詞語及隱私性分析模型，獲取藥品的隱私類畫像；關鍵性詞語為除去語氣助詞，連詞等功能性詞語，在評論信息中出現頻率高，具有一定情緒表達及功能描述性的詞語；例如，評論「這個藥品太好用了」，則提取關鍵詞可得「好用」一詞；互信息是一個詞語中包含的關於另一個詞語的信息量，即兩個詞共同出現的概率。左右熵衡量預選詞的自由度，左右熵越大，說明該預選詞越有可能是獨立詞語。例如，痔瘡藥馬應龍的點擊量為5000，而評論量為20，痔瘡藥的隱私度為250，感冒藥的點擊量為5000，評論量為250，則感冒藥的隱私度為20，可見馬應龍的隱私性高。
47.根據藥品價格，銷售量，治療效果及適用症狀，分析藥品的通用類畫像。
48.根據藥品價格，銷售量及適用症狀，提取藥品適用群體的特徵信息；基於藥品適用群體的特徵信息，分析藥品適用群體的購藥需求及消費心理；結合藥品適用群體的購買需求及消費心理，比較相同治療症狀，處於不同價位藥品的銷售量，分析藥品的銷售情況；通過比較同類藥品的銷售情況，治療效果及價格，分析同類不同價位藥品對於藥品適用群體
的性價比；根據分析獲取的同類不同價位的藥品性價比，獲取藥品的通用類畫像；藥品適用群體的特徵信息，指適用群體代表性特徵，包括該群體所處的年齡分段，性別，經濟狀況，地區，家庭狀況；藥品的通用類畫像包括藥品的性價比，治療症狀特徵，適用群體特徵；例如，陽痿患者普遍為50歲左右的男性，該藥品適用群體均對於對應治療藥品需求較高，且具有較高經濟基礎，因此對應藥品價格普遍高，而藥品a售價200元，月銷售量5w，藥品b售價300元，月銷售量1w，而藥品a與藥品b的治療效果相近，因此藥品a的性價比更高。
49.步驟102，根據用戶購藥記錄，分析用戶病情。
50.所述用戶病情包括用戶的患病類別，患病嚴重程度，治療的療程；基於用戶的歷史藥品購買記錄獲取藥品信息，按照藥品所屬疾病類型對藥品進行分類及歸納整理，獲取藥品涵蓋的疾病類型；基於已劃分的疾病類型，對應疾病常見症狀及各疾病藥品適用症狀，對比分析用戶所患疾病，對應症狀，以及患病症狀對應疾病的患病嚴重程度；根據用戶患病症狀及患病嚴重程度，結合疾病不同療程階段症狀，對比分析用戶所處的治療療程階段；例如，藥品代購人想要購買的藥品為阿司匹林、西樂葆、雙氯芬酸鈉、倍他樂克、硝酸異山梨酯、維拉帕米，分析可得有類風溼性關炎緩解急性期關節腫脹、疼痛，且處於冠心病穩定期，有發作性的胸痛,同時伴有胸悶不適。
51.步驟103，基於用戶病情及用戶信息，確定用戶畫像。
52.首先，確定用戶信息，包括用戶的屬性特徵，用戶評價數據，以及用戶行為數據；所述用戶的屬性特徵，包括用戶的年齡，性別；所述用戶評價數據，包括對應商品是個否有差評、差評率、累計評論數分段信息；所述用戶行為數據，包括對應商品的瀏覽商品詳情頁行為、加購物車行為、刪購物車行為、下單行為、關注行為和點擊行為信息；對用戶的屬性特徵，用戶評價數據，以及用戶行為數據採取獨熱編碼；基於用戶信息及藥品畫像，使用gbdt梯度提升決策樹模型構建用戶畫像預測模型，確定用戶畫像；用戶畫像為詳細的刻畫一個人的特性，包括年齡，性別，職業，身高，體重等，同時也包括一個人習慣及偏好；gbdt梯度提升決策樹模型不僅具有分類預測功能，也能實現回歸預測，決策樹的學習率設置為0.05；用戶畫像確定機器學習的訓練樣本與測試樣本；通過測試集對用戶畫像預測模型進行測試並且調整參數，不斷訓練，提高模型的精確度。
53.步驟104，根據用戶畫像，分析隱私保護需求。
54.利用數據挖掘技術，分析用戶畫像包含的特徵欄位，字節的含義；採用k近鄰分類算法對用戶畫像特徵信息對應的缺失信息進行插補；基於用戶畫像，判斷用戶是否具有疾病，以及相應的病情；根據用戶的病情，分析對應患病症狀的治療藥品；根據獲取的對應治療藥品，通過查詢藥品信息，並與同類藥品對比分析，並結合藥品的適用症狀，適用群體特徵，確定藥品的畫像；獲取對應治療藥物的隱私類畫像，並結合用戶畫像，分析用戶所患疾病及病情，通過比較分析獲取需要進行隱私保護的藥物畫像及用戶畫像信息；例如，對於張三的畫像由於採集數據不全面，得出的畫像信息並不具有代表性，採用k近鄰分類算法進行插補，首先尋找與張三特徵信息最相近的k個樣本，其次將這k個樣本的相應變量值眾數作為張三缺失的畫像信息，對張三畫像信息進行插補。以感冒藥的隱私性為劃分界限，結合隱私類畫像評定隱私性的方式，對於隱私性高於感冒藥的藥品評定為需進行隱私保護。
55.根據病情隱私程度，判斷需要保護的畫像的類別和數量。
56.根據用戶患病病情，確定對應症狀治療藥品的畫像，包括營銷類畫像，隱私類畫
像，以及通用類畫像；根據用戶患病症狀，以及因患病產生的生活需求領域的隱私性，對比其他藥品，分析藥品營銷類畫像的保護必要程度；根據用戶所患疾病症狀對應治療藥品的評論關鍵詞語，對比分析藥品隱私類畫像的保護必要程度；根據用戶所屬群體的特徵信息，對比分析藥品通用類畫像的保護必要程度；建立用戶隱私性保護模型，將用戶個人信息，所患疾病，對應治療藥品，以及藥品需要進行隱私性保護的畫像類別及數量，進行歸納整理；默認用戶的個人信息是需進行隱私保護；以感冒藥作的藥物畫像為界限，通過與感冒藥的各類畫像信息進行比較，劃分用戶患病症狀對應的治療藥品，是否達到需要進行保護的程度。
57.基於差分隱私保護，保護用戶購藥隱私。
58.基於差分隱私保護機制，保護用戶畫像及購藥隱私；根據用戶畫像及藥品畫像，生成符合用戶藥物購買行為規律的主題特徵詞；利用多項先驗分布模型模擬用戶藥物購買行為的決策過程，對用戶決策過程中的行為進行概率預測；針對多項先驗分布中的隱含變量，採用gibbs抽樣方法，迭代計算符合用戶藥物購買行為規律的主題特徵詞的預測模型參數；根據計算獲取的模型參數，向獲取符合用戶藥物購買行為規律的主題特徵詞的採樣過程添加laplace噪聲，影響計數統計結果；通過對計數統計結果的影響，幹擾潛在符合用戶藥物購買行為規律的主題特徵詞的聯合概率分布，降低隱私信息被推斷攻擊的風險，保護用戶畫像與藥品畫像；差分隱私保護是密碼學中的一種手段，旨在提供一種當從統計資料庫查詢時，最大化數據查詢的準確性，同時最大限度減少識別其記錄的機會；符合用戶藥物購買行為規律的主題特徵詞包括時間，內容，空間，社會關係，地理位置；由於多項先驗分布模型存在隱含變量，適用最大似然估計聯合概率分布中的參數困難，則採用gibbs方法對數據進行多維採樣，迭代計算出變量參數；例如，張三符合用戶藥物購買行為規律的特徵詞為夜晚網頁瀏覽率高，高薪階層，瀏覽新聞頁面頻率高，點擊廣告頻率低，網絡購物平臺點擊率高；在添加laplace噪聲時，將差分隱私因子平均分配到每次的採樣計算中；為了保護用戶主題偏好的隱私性，防止攻擊者獲取活動項目的排名，採用噪聲加擾的方法保護用戶畫像與藥物畫像中行為的排序輸出順序。
59.步驟105，基於用戶點擊行為，分析不同場景用戶對畫像的敏感程度。
60.首先，確定用戶的點擊行為數據，包括用戶對於藥品廣告的點擊行為數據與用戶於當前頁面的點擊行為數據；採集的用戶點擊行為數據利用etl方式進行數據清洗，刪除缺失數據、重複數據與錯誤數據，提取數據連貫完整程度高的用戶有效數據；其中，點擊行為數據包括對頁面的點擊，搜索，分享，下載，評論，上傳行為；根據用戶對於當前頁面的點擊行為數據，分析用戶的接收到廣告時所處的使用場景；基於用戶對於藥品廣告的點擊行為數據，並結合用戶當前的使用場景，通過對比分析相同場景下不同用戶對於藥品廣告的點擊行為數據，對各場景下用戶對於藥品廣告的的敏感程度進行分級劃分；僅在用戶接收到藥物畫像的前後5分鐘的時間段範圍內，對用戶點擊行為進行針對性的識別獲取，並在此基礎上，對於獲取的用戶點擊行為數據進行進一步分析，分析用戶對於藥物畫像的敏感程度；完整程度高的用戶有效數據，需具備點擊行為的時間，次數，當前頁面，導向連結，內容信息。
61.識別用戶點擊行為。
62.基於用戶的http流，對網絡端用戶的點擊行為進行識別；從用戶的混合http請求
流中提取觀測特徵序列；通過識別模塊把特徵序列映射到由兩個行為模型實例組成的或然概率判決空間；根據判決空間中的綜合行為分類器，判定混合http請求流片段中第一個請求的點擊屬性；根據第一個請求的點擊屬性，將請求流分離為點擊序列和自動請求序列兩種類別；根據請求流的類別不同，採用隱馬爾可夫模型框架的狀態鏈在不同類別下，對用戶點擊行為輪廓進行判定；基於用戶點擊行為輪廓的判定結果，按照不同點擊屬性分類獲取用戶對應的點擊行為數據；在不涉及用戶隱私的條件下獲取用戶完整的點擊路徑；隱馬爾可夫模型架構，描述點擊流與非點擊流的時變行為過程，模型的隱狀態代表驅動網絡流的行為模式，隱狀態的跳轉代表行為模式的變化，隱馬爾可夫模型架構的觀測值表示在特定驅動模式下，網絡流的外在行為特徵。
63.基於用戶點擊行為，分析交互場景。
64.根據不同場景樣本點擊行為數據的標註取值、場景特徵和預設損失函數，訓練場景預測概率數據模型；基於不同場景樣本數據，確定場景預測概率數據模型的訓練樣本與測試樣本；通過測試集對場景預測概率數據模型進行測試，並且調整參數，不斷訓練，提高模型的精確度；基於用戶點擊行為數據，獲取用戶接收到藥物畫像前後時間段用戶點擊行為數據；根據用戶的點擊行為數據及所述場景預測概率數據模型，對目標用戶的當前的操作場景進行分析預測；例如，基於用戶的點擊行為數據，使用場景預測概率數據模型，對張三和李四當前的使用場景進行分析預測，得出張三在進行辦公，李四在觀看網頁視頻。
65.基於點擊行為及使用場景，分析用戶對畫像的敏感程度。
66.獲取用戶接收到藥物畫像後，用戶對於藥物畫像的反應時間間隔，以及進行的點擊行為；基於用戶的點擊行為和場景預測概率數據模型，分析用戶接收到藥物畫像前後時間段的所處的交互場景；基於不同場景下用戶對於藥物畫像敏感度分析的樣本數據，構建敏感程度分析模型；基於用戶接收到藥物畫像前後時間段的交互場景，用戶對於藥物畫像的反應時間間隔，以及進行的點擊行為，分析獲取用戶對於提供的藥物畫像的敏感程度；對於使用場景的分析預測，基於用戶接收到藥物畫像的前後5分鐘的點擊行為數據進行分析；例如，用戶接收到藥物畫像時正在打遊戲，注意力集中，沒有注意到藥物畫像，在該交互場景下的用戶對於藥物畫像的敏感程度反應時間劃分標準時間增加30s。
67.步驟106，基於用戶對藥物畫像的敏感程度，調整用戶畫像。
68.基於用戶畫像，將藥物畫像發送至對應用戶畫像的用戶客戶端；根據用戶對於藥物畫像的點擊行為數據，及當前的交互場景，分析用戶對於藥物畫像的敏感程度；基於用戶對於接收到的藥物畫像的敏感程度，分析用戶對於當前藥物畫像的購買意向；根據用戶對於當前藥物畫像的購買意向，對於用戶畫像進行相應的調整；根據調整後的用戶畫像，對於藥物畫像的推薦頻率，種類，時間，設計界面進行調整；例如，獲取的用戶點擊行為數據顯示，張三在接收到藥物馬應龍的藥物畫像時，正在辦公，且接收到藥物畫像3s後即關閉，則表明在當前場景下，張三對於藥物畫像的購買意向低，改變藥物畫像的發送時間及降低頻率；例如，獲取的用戶點擊行為數據顯示，李四在接收到藥物馬應龍的藥物畫像時，正在打遊戲，且接收到藥物畫像3s後即點擊廣告頁面詳情，則表明在當前場景下，張三對於藥物畫像的購買意向高，提高藥物畫像的發送頻率。
69.步驟107，基於用戶畫像及交互場景，進行用戶畫像交互。
70.基於用戶畫像及當前用戶的交互場景，分析用戶對於藥物畫像的敏感程度；基於
用戶對於藥物畫像的敏感程度，及調整後的用戶畫像，對於藥物畫像的交互方式進行調整；根據使用場景及用戶畫像，選擇適當的藥物畫像推薦場景，時間及頻率；並制定對應的銷售策略，包括調整藥品價格，制定個性化廣告內容，選取廣告投放平臺及網頁界面；根據同類治療症狀，對於處於不同價位的藥品的銷售量，對於藥品的價格進行調整；例如，痔瘡患者張三同時收到兩種馬應龍推薦畫像，產品a廣告界面鮮明且價格較低，產品b廣告內容直白且含有較多敏感詞彙，則張三會傾向於選擇產品a；張三在白天工作時間辦公場景下，對於藥物a的畫像的敏感程度較高，因此需調整至下班居家時間對於張三進行藥物畫像的推送。
71.以上僅列舉了本發明的一些優選實施方式，但本發明並不局限於此，還可以作出許多的改進和變換。只要是在本發明基本原理基礎上所作出的改進與變換，均應視為落入本發明的保護範圍內。