CN108877946A - 一种基于网络特征的医生专家推荐方法 - Google Patents

Abstract

一种基于网络特征的医生专家推荐方法，包括以下步骤：步骤1：获取上海市医院医生公开数据，包含所在医院和擅长疾病属性，并对其进行数据清洗；步骤2：提取医生擅长项属性构建特征网络；步骤3：利用node2vec将特征网络中的特征映射到高维空间向量化表示，并累加相关特征向量得到医生病人向量；步骤4：利用余弦相似度将病人向量与医生向量进行匹配进而推荐最匹配医生。本发明考虑特征之间关联性，通过属性特征结合网络特征来对医生，病人属性进行定位，对于相似属性具有较高的精度的定义。有利于更精确更可信的找到相似属性进而找到与病人所患疾病匹配的医生专家。

Description

一种基于网络特征的医生专家推荐方法

技术领域

本发明涉及数据挖掘、网络科学、机器学习技术，特别是涉及一种基于网络特征的医生专家推荐方法。

背景技术

健康是人类生存和繁衍的基本条件，而疾病是威胁人类健康的最大隐患，当人类的健康受到威胁，医疗却得不到保障时，将危及整个社会的安全和发展。医疗卫生是伴随人类存在的永恒话题，任何一个国家都在为制定合适的医疗制度而努力。

目前我国医疗制度已经比较完善，但还存在着不少的改进空间，主要体现在以下几点：首先就医难，包括医疗费用较高，不能或者无法找到对应疾病适合的主治医生等问题；其次医疗资源分配不均，影响力较大的医院，著名的主治医生相对比较集中，但患者相对分散，这就造成了不能及时或方便就医的问题，尤其一些地方医院其实医生水平足以应付当前疾病，但患者不明就里，这也是患者就医过程中不可忽视的一个问题，直接导致就医效率及时效性上大打折扣；最后，医生专家定义不够精准，现有大多医院多以职称来评定医生专家，考虑擅长项因素比较模糊，这一点可以采用数据挖掘技术更好的改进。

发明内容

为了更好的解决就医效率，就医扎堆，均衡医院热度(少数被大量关注，多数关注量较少)，定义更加权威、精确的医生专家等问题，本发明提出一种有效提升就医效率、提升就医体验的基于网络特征的医生专家推荐方法。。

本发明解决其技术问题所采用的技术方案如下：

一种基于网络特征的医生专家推荐方法，包括如下步骤：

步骤1：获取医院医生公开数据，包括所在医院和擅长疾病属性，并对其进

行数据清洗；

步骤2：提取医生擅长项属性构建特征网络；

步骤3：利用node2vec将特征网络中的特征映射到高维空间向量化表示，并

累加相关特征向量得到医生与疾病的向量；

步骤4：利用余弦相似度将病人向量与医生向量进行匹配进而推荐最匹配医生。

进一步，所述步骤1中，获取途径为网络爬虫爬取，该方法得到的数据是半结构化的，需要经过数据格式化并且清洗不必要及无意义词，方法为使用结巴分词工具将格式化数据中的不必要和无意义的停止词放入构造字典，数据中存在这些词就剔除掉，并且得到相对准确代表疾病名词。

所述步骤2中，根据步骤1所得数据，以人为单位，个人擅长项中的疾病两两关联，最终就得到一个关于疾病的全局特征网络，记为G(d1,d2,w)，连边权重为两个关联词出现频率，d1，d2分别表示一个关联词，w表示d1，d2之间的权重。

再进一步，所述步骤3中，以特征邻边以及权重即G(d1,d2,w)为输入，利用node2vec方法，将特征映射到一个高维空间V，在此空间中，每个特征表示为一个向量v＝{v₁,v₂,…,v_N}，理解为该词在特征网络中的位置，在此基础上以人(医生/疾病簇)为单位聚合特征的向量，为体现医生不同擅长疾病重要程度，聚合时赋予每个疾病出现在医生擅长项中的频次，最终得到医生和疾病向量

所述步骤4中，利用余弦相似性去衡量医生向量与疾病簇向量的匹配程度，这里涉及余弦相似度的计算，余弦相似度定义如下：

疾病簇向量及医生标签向量分别为：

至此，计算疾病簇与医生两个向量的相似度，然后对相似度降序进行排列，取前k个最匹配的医院科室医生作为合适专家推荐给该疾病簇即可。

因此，为了让病人解决以上问题，使病人拥有更好的就医体验。本发明提出一种基于网络特征的医生专家推荐方法解决以下两个基本问题：(1)提取医生与疾病属性信息形成初期的网络特征和相关属性特征对医生和疾病的刻画；(2)匹配症状与相关擅长项的医生，完成推荐。

本发明将医生属性信息(如擅长项，职称等)通过特定网络特征提取方法映射到网络中，形成特征网络，利用该网络对疾病与医生擅长疾病属性进行匹配，挑选最匹配的几位主治医生推荐给病人，完成对指定病人的医生专家的推荐。

本发明的有益效果为：考虑特征之间关联性，通过属性特征结合网络特征来对医生，病人属性进行定位，对于相似属性具有较高的精度的定义。有利于更精确更可信的找到相似属性进而找到与病人所患疾病匹配的医生专家。

附图说明

图1为本发明实施方法的流程图；

图2为本发明实施中的标签向量化到用户向量化的过程。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。

参照图1和图2，本一种基于网络特征的医生专家推荐方法，，基于真实医疗数据，其中图1其整个方法框架。图2为利用真实数据利用node2vec方法提取网络特征的过程。本发明在通过在网络爬虫爬取的真实数据集上进行实例分析，原始数据中包含但不限于医生，职称，就职医院，擅长项，所属门诊。

本发明具体分为以下五个步骤：

步骤1：数据集筛选及预处理；

步骤2：构建医生擅长项全局网络；

步骤3：利用node2vec方法基于步骤2将医生与疾病簇向量化表示；

步骤4：计算向量化后的疾病簇与医生相似度，得到推荐列表。

所述步骤1中，具体操作过程如下：使用结巴分词工具将格式化数据中的不必要和无意义的停止词如“研究，的，等，合理，应用，部分，介入”等放入一个字典，数据中存在这些词就剔除掉，并且得到相对准确代表疾病名词。

所述步骤2中，根据步骤1所得数据以人为单位，每个人擅长项中的疾病两两关联，最终就得到一个关于疾病的全局特征网络，连边权重为两个关联词出现频率。

所述步骤3中，以特征邻边以及权重为输入，利用node2vec方法，将特征映射到一个高维空间V，在此空间中，每个特征表示为一个向量v＝{v₁,v₂,…,v_N}，可以理解为该词在特征网络中的位置，在此基础上以人(医生/疾病簇(患有一类并不一定唯一的疾病种类簇))为单位聚合特征的向量，为体现医生不同擅长疾病重要程度，聚合时赋予每个疾病出现在医生擅长项中的频次，最终得到医生(疾病簇)向量。此处说明两个关联单位只要有连边就可以(这里的连边即标签共同出现次数)，整个网络不必要全联通。

所述步骤4中，利用余弦相似性去衡量医生向量与疾病簇向量的匹配程度，这里涉及余弦相似度的计算，余弦相似度定义如下：

疾病簇向量及医生标签向量分别为：

至此，只要需要计算疾病簇与医生两个向量的相似度，然后对相似度降序进行排列，取前k个最匹配的医院科室医生作为合适专家推荐给该疾病簇即可。因为本方法将用户特征描述构建网络，极大限度的减少了“字同意不同”之类问题的发生，并且提出不必要甚至干扰文本的词使相似性更加精准可靠，相较以往定义医生专家的方法更为科学合理。

对发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims (5)

1.一种基于网络特征的医生专家推荐方法，其特征在于，所述方法包括如下步骤：

步骤1：获取医院医生公开数据，包括所在医院和擅长疾病属性，并对其进行数据清洗；

步骤2：提取医生擅长项属性构建特征网络；

步骤3：利用node2vec将特征网络中的特征映射到高维空间向量化表示，并累加相关特征向量得到医生与疾病的向量；

步骤4：利用余弦相似度将病人向量与医生向量进行匹配进而推荐最匹配医生。

2.如权利要求1所述的一种基于网络特征的医生专家推荐方法，其特征在于，所述步骤1中，获取途径为网络爬虫爬取，该方法得到的数据是半结构化的，需要经过数据格式化并且清洗不必要及无意义词，方法为使用结巴分词工具将格式化数据中的不必要和无意义的停止词放入构造字典，数据中存在这些词就剔除掉，并且得到相对准确代表疾病名词。

3.如权利要求1或2所述的一种基于网络特征的医生专家推荐方法，其特征在于，所述步骤2中，根据步骤1所得数据，以人为单位，个人擅长项中的疾病两两关联，最终就得到一个关于疾病的全局特征网络，记为G(d1,d2,w)，连边权重为两个关联词出现频率，d1，d2分别表示一个关联词，w表示d1，d2之间的权重。

4.如权利要求3所述的一种基于网络特征的医生专家推荐方法，其特征在于，所述步骤3中，以特征邻边以及权重即G(d1,d2,w)为输入，利用node2vec方法，将特征映射到一个高维空间V，在此空间中，每个特征表示为一个向量v＝{v₁,v₂,…,v_N}，理解为该词在特征网络中的位置，在此基础上以人(医生/疾病簇)为单位聚合特征的向量，为体现医生不同擅长疾病重要程度，聚合时赋予每个疾病出现在医生擅长项中的频次，最终得到医生和疾病向量

5.如权利要求1或2所述的一种基于网络特征的医生专家推荐方法，其特征在于，所述步骤4中，利用余弦相似性去衡量医生向量与疾病簇向量的匹配程度，这里涉及余弦相似度的计算，余弦相似度定义如下：

疾病簇向量及医生标签向量分别为：

至此，计算疾病簇与医生两个向量的相似度，然后对相似度降序进行排列，取前k个最匹配的医院科室医生作为合适专家推荐给该疾病簇即可。