CN106777946A - 基于层级模型的个性化健康服务推荐方法 - Google Patents

Abstract

本发明公开了一种基于层级模型的个性化健康服务推荐方法,主要解决现有个性化健康服务推荐中的特征数据选取单一，推荐结果不可靠，推荐结果覆盖面低的问题。其实现方案是：1)利用用户的地理位置信息，构建用户地理位置信息模型；2)用户选择符合自己的标签，构建用户标签模型；3)综合考虑用户的个人基本信息、生理指标和病例信息，利用协同过滤的方法，构建相似用户模型；4)根据上述步骤1)‑3)形成推荐列表；5)根据用户的反馈，及时的更新推荐列表。本发明综合考虑了用户的各方面信息，个性化程度和推荐覆盖性高，能为用户能提供更加可靠的个性化健康服务推荐，可用于为用户提供医疗信息参考。

Description

基于层级模型的个性化健康服务推荐方法

技术领域

本发明属于数据发掘技术领域，更进一步涉及一种个性化健康服务的推荐方法。可用于为用户提供医疗信息参考。

背景技术

目前，随着信息技术的飞速发展，大数据时代随之到来，越来越多的医疗资源呈现出信息化、复杂化、多样化的特点。人们在面对繁多的医疗资源时，无法很快的选择符合自己需求的医疗资源。

中国专利“一种智慧医疗个性化推荐系统及其实现方法”(专利申请号：201410271293.7，公布号CN104036445A)公布了一种智慧医疗个性化推荐系统及其实现方法。该方法涉及无线传感网络和个性化推荐平台，无线传感网络用于采集患者的生理指标并把数据发送至平台，个性化推荐平台根据传感器采集的数据以及患者输入的数据，利用数据挖掘算法，对数据进行分析与挖掘，并根据分析与挖掘的结果向患者进行个性化推荐。该方法的不足是：只考虑了患者的生理指标，其考虑的数据维度过于单一，无法在复杂多样的医疗资源中形成有效可靠的推荐结果。

中国专利“一种在移动医疗系统中向患者推荐医生的方法”(专利申请号：201510696950.7，公布号CN105404763A)公开了一种在移动医疗系统中向患者推荐医生的方法。该方法通过预先存入各个医院的医生数据和曾经使用过该系统的患者数据，在患者输入科室、城市等信息后，筛选出与该患者具有相同年龄、性别、城市的患者，建立相似患者列表。在相似患者列表中得到医生ID，并结合医生数据列表得到诊断过这些相似患者的医生数据列表，最后对患者具有相似信息的同类患者曾经选择的医生信息进行提取并进行排序，估计出更加适合目标患者的医生，形成医生推荐列表，并推荐给用户。该方法存在的不足是：只针对医生的推荐，而没有其他医疗资源的推荐，推荐结果的综合效果不佳。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于层级模型的个性化健康服务推荐方法，以提高个性化医疗推荐结果的可靠性，扩大推荐内容，获得高性能的综合推荐效果。

本发明的思路是：通过建立三层数据模型，结合用户的病历信息，生理指标，诊断信息；运用数据挖掘算法中的协同过滤方法，结合划分中的群体数据，建立相似用户群组，并把用户群组中的其他用户采用的医疗资源形成推荐方案，返还给用户。其实现步骤包括如下：

1)用户请求获得个性化健康服务推荐时，判断该用户是否是第一次请求，若是，则执

行步骤2)，否则，执行步骤4)；

2)构建用户地理位置模型：

2a)当前用户按省市区的形式输入自己的地理位置信息，并对其地理位置进行地址解析,得到经纬度；

2b)将该当前用户的经纬度与预先已知的其他用户的经纬度进行余弦相似度计算操作，得到计算后的相似度矩阵L；

2c)将相似度矩阵L的值降序排序，选取排名在前70％的用户构成主要用户数据集合Q，剩下的用户构成次要用户数据集R，完成第一层筛选；

3)构建用户标签模型：

3a)根据2c)得到的主要用户数据集Q和次要用户数据集R定义若干具有代表性的标签，用户根据标签的定义内容选择符合自己特点的标签；

3b)对当前用户已选择的标签构成当前用户标签集W；

3c)在步骤2)得到的主要用户数据集合Q中，计算当前用户标签集和主要用户数据集合Q的每一个用户所选择的标签集的相似度值，将计算的相似度值进行降序排序，选取排名在前50％的用户并加入到数据集合中，构成所有用户数据集合K，完成第二层筛选；

4)构建相似用户模型并形成推荐列表：

4a)当前用户输入其个人信息，包括其姓名、性别、年龄、生理指标、病例信息等。

4b)结合当前用户的个人基本信息、生理指标和病历信息等,对步骤3)得到的所有用户数据集合K进行协同过滤，筛选出与该当前用户相似的其他用户，得到新的用户数据集合K′；

4c)对步骤4b)产生的新的用户数据集合K′中的所有用户进行遍历，得到这些用户曾经使用过以及现在正在使用的医疗资源，形成初始推荐列表；

4d)并对初始推荐列表中的每一项进行结构化分解，得到推荐列表；

5)模型的反馈与更新：

5a)对步骤4d)得到的推荐列表建立评分列表，对列表中的每一项建立1到5的评分，初始默认评分为5，当前用户根据推荐结果的相关性对每一项进行打分；

5b)统计当前用户对推荐列表中的每一项的查看次数，对每次的查看次数进行累加；

5c)用每一项所得到的分数和获得的查看次数，对步骤4)所得到的推荐列表进行以用户关心度值进行降序排序，得到新的推荐列表；

6)将当前用户的地理位置模型数据、标签模型数据、相似用户模型数据以及新的推荐列表保存在数据库，并把新的推荐列表返回给当前用户。

本发明与现有的技术相比具有以下优点：

第一，归类性强，特征数据选取覆盖范围广，推荐结果准确

本发明采用分层次建立数据模型的方法，对不同的类别的数据分别建立其数据模型，

对不同层次的数据模型分别进行数据聚类操作，克服了现有方法中对特征数据选取单一、推荐效果不准确的缺点。

第二，推荐覆盖性广，结果丰富

本发明的推荐结果具有广泛性和普适性，在最终的推荐结果中，对大部分的医疗资源具有覆盖性，提供了多种医疗资源的推荐结果。克服了现有方法中仅仅针对单一医疗资源的推荐的缺点。

附图说明

图1是本发明的使用场景图；

图2是本发明的实现流程图。

具体实施方式

参照图1，本发明的使用场景如下：

本发明使用的场景包括当前使用用户、终端设备、网络设备和个性化健康服务推荐服务器。当前用户使用终端设备提出使用个性化健康服务推荐请求，终端设备通过网络设备将用户的请求转发给个性化健康服务推荐服务器，服务器对当前用户的请求进行处理，并将处理结果通过网络设备返回给终端设备，终端设备再将处理结果呈现给当前用户。

参照图2，本发明的具体实现如下：

步骤1，用户请求获得个性化健康服务推荐。

1.1)当前用户使用终端设备提出使用个性化健康服务的推荐请求；

1.2)判断当前用户是否是第一次提出使用个性化健康服务的推荐请求，若是，则执行步骤2，若不是，则执行步骤5。

步骤2，构建用户地理位置模型。

2.1)当前用户按省市区的形式输入自己的地理位置信息，并将其地理位置信息发送给地理位置信息服务商，解析出前用户所在位置的经纬度；

2.2)查找个性化健康服务推荐服务器中的用户经纬度数据库，取出曾经使用过个性化健康服务推荐的所有其他用户的经纬度值，对当前用户的经纬度和所有其他用户的经纬度值进行余弦相似度计算，计算方法如下：

其中，s_i表示第i个用户与当前用户的相似度值，x₀表示当前用户的经度值，x_i表示第i个用户的经度值，y₀表示当前用户的纬度值，y_i表示第i个用户的纬度值。

2.3)构造一个1×n的矩阵[a₁,a₂…a_i…a_n]，将计算出的相似度值s_i赋值给矩阵的a_i，得到相似度矩阵L，其表示形式如下：

L＝[s₁,s₂…s_i…s_n]，

其中a_i表示初始值，i＝1,2…n，n表示用户的个数；

2.4)将2.3)得到的相似度矩阵L进行降序排序，选取排序后的前70％的用户构成主要用户数据集合Q，剩下的用户构成次要用户数据集合R。

步骤3，构建用户标签模型。

3.1)对步骤2得到的主要用户数据集合Q中的所有用户选择的标签的次数进行降序排序，选择次数最多的10个标签作为候选项，构成主要标签集合A；

3.2)对步骤2得到的次要用户数据集合R中的所有用户选择的标签的次数进行降序排序，选取前10个标签，构成次要标签集合B，剩下的标签构成备选标签集合V；

3.3)将次要标签集合B和主要标签集合A相减，得到差值集合C；

3.4)判断差值集合C中的元素个数是否为10,如果不为10，则向C集合中添加备选标签集合V中的标签，直到C集合中的元素个数为10或取完备选标签集合V中的所有标签；

3.5)将差值集合C与主要标签集合A相交，得到初始标签集U，以供用户进行选择；

3.6)当前用户在初始标签集U中选择自己相应的标签，用已选择的标签构成当前用户选择的标签集W；

3.7)计算当前用户选择的标签集W与步骤2中产生的主要用户数据集合Q中的每一个用户选择的标签集的相似度值S：

其中，Y_i代表主要用户数据集合Q中的第i个用户所选择的标签集，i＝1,2…n，n表示主要用户数据集合Q中的用户个数；

3.8)根据相似度值进行降序排序，并选取前50％的用户构成标签模型数据集合I。

步骤4，构建相似用户模型。

4.1)结构化处理用户个人信息，形成二维表并存入数据库；

4.2)使用协同过滤对用户和对步骤3产生的标签模型数据集合I进行过滤，得到相似用户数据集合E。

步骤5，形成推荐列表。

对步骤4得到的相似用户数据集合E中的所有用户曾经使用过以及现在正在使用的医疗资源进行提取，得到推荐列表A₁A₂…A_i…A_n，其中，A_i代表提取后的第i项推荐结果。

步骤6，模型的反馈与更新。

6.1)对步骤5得到的推荐列表A₁A₂…A_i…A_n中的每一项建立评分体系，以数字1至5代表非常不满意，不满意，一般，满意，非常满意五个结果，默认初始分数为5，用户对每一项推荐的结果按照上述规则进行打分；

6.2)当用户点击某一项的推荐结果时，对用户的这次点击进行记录，并从数据库中取出历史点击次数，再对历史记录点击数进行加一操作，之后再把加一后的数据存回数据库；

6.3)用上述两步的打分结果与点击数，计算用户关心度P：

P＝q×r_q+(k×r_k)modt

其中，q代表用户的打分结果，k代表用户的点击数，r_q代表打分所占的权重，r_k代表点击所占的权重，mod t代表对n取余数运算，t代表点击次数的位数长度；

6.4)更新步骤5得到的推荐列表A₁A₂…A_i…A_n,以用户关心度值P进行降序排序，形成最终推荐列表B₁B₂…B_i…B_n,B_i代表排序后第i项推荐结果。

步骤7，结果保存与返回。

7.1)将当前用户的地理位置模型数据、标签模型数据、相似用户模型数据以及最终推荐列表B₁B₂…B_i…B_n保存在数据库；

7.2)将最终推荐列表B₁B₂…B_i…B_n返回给当前用户。

通过步骤1到步骤7的操作，完成个性化健康服务的推荐。

Claims (4)

1.基于层级模型的个性化健康服务推荐方法，包括：

1)用户请求获得个性化健康服务推荐时，判断该用户是否是第一次请求，若是，则执

行步骤2)，否则，执行步骤4)；

2)构建用户地理位置模型：

2a)当前用户按省市区的形式输入自己的地理位置信息，并对其地理位置进行地址解析,得到经纬度；

2b)将该当前用户的经纬度与预先已知的其他用户的经纬度进行余弦相似度计算操作，得到计算后的相似度矩阵L；

2c)将相似度矩阵L的值降序排序，选取排名在前70％的用户构成主要用户数据集合Q，剩下的用户构成次要用户数据集R，完成第一层筛选；

3)构建用户标签模型：

3a)根据2c)得到的主要用户数据集Q和次要用户数据集R定义若干具有代表性的标签，用户根据标签的定义内容选择符合自己特点的标签；

3b)对当前用户已选择的标签构成当前用户标签集W；

3c)在步骤2)得到的主要用户数据集合Q中，计算当前用户标签集和主要用户数据集合Q的每一个用户所选择的标签集的相似度值，将计算的相似度值进行降序排序，选取排名在前50％的用户并加入到数据集合中，构成所有用户数据集合K，完成第二层筛选；

4)构建相似用户模型并形成推荐列表：

4a)当前用户输入其个人信息，包括其姓名、性别、年龄、生理指标、病例信息等。

4b)结合当前用户的个人基本信息、生理指标和病历信息等,对步骤3)得到的所有用户数据集合K进行协同过滤，筛选出与该当前用户相似的其他用户，得到新的用户数据集合K′；

4c)对步骤4b)产生的新的用户数据集合K′中的所有用户进行遍历，得到这些用户曾经使用过以及现在正在使用的医疗资源，形成初始推荐列表；

4d)并对初始推荐列表中的每一项进行结构化分解，得到推荐列表；

5)模型的反馈与更新：

5a)对步骤4d)得到的推荐列表建立评分列表，对列表中的每一项建立1到5的评分，初始默认评分为5，当前用户根据推荐结果的相关性对每一项进行打分；

5b)统计当前用户对推荐列表中的每一项的查看次数，对每次的查看次数进行累加；

5c)用每一项所得到的分数和获得的查看次数，对步骤4)所得到的推荐列表进行以用户关心度值进行降序排序，得到新的推荐列表；

6)将当前用户的地理位置模型数据、标签模型数据、相似用户模型数据以及新的推荐列表保存在数据库，并把新的推荐列表返回给当前用户。

2.根据权利要求1所述的方法，其特征在于：在步骤2b)中的相似度矩阵L是由以下步骤得出：

2b1)构造一个1×n的矩阵[a₁,a₂…a_i…a_n]；

2b2)将计算的相似度值赋值给矩阵[a₁,a₂…a_i…a_n]得到相似度矩阵L：

L＝[s₁,s₂…s_i…s_n]，

其中s_i表示第i个用户与当前用户的相似度值，i＝1,2…n，n表示用户的个数。

3.根据权利要求1所述的方法，其特征在于：步骤3c)中计算当前用户标签集和主要用户数据集合Q的每一个用户所选择的标签集的相似度值，通过下式计算：

$S=\frac{\left|A\∩B\right|}{\left|A\∪B\right|}$

其中S代表计算的相似度值，A,B分别代表两个用户的标签集合。

4.根据权利要求1所述的方法，其特征在于：在步骤5c)中的用户关心度，按如下公式计算：

P＝q×r_q+(k×r_k)modt

其中，q代表用户的打分结果，k代表用户对推荐列表中的当前项的点击数，r_q代表打分所占的权重，r_k代表点击数所占的权重，t代表点击次数的位数长度，P表示用户关心度值。