CN109064294B - 一种融合时间因素、文本特征和相关性的药品推荐方法 - Google Patents
一种融合时间因素、文本特征和相关性的药品推荐方法 Download PDFInfo
- Publication number
- CN109064294B CN109064294B CN201810953583.8A CN201810953583A CN109064294B CN 109064294 B CN109064294 B CN 109064294B CN 201810953583 A CN201810953583 A CN 201810953583A CN 109064294 B CN109064294 B CN 109064294B
- Authority
- CN
- China
- Prior art keywords
- information
- user
- medicine
- model
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003814 drug Substances 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 32
- 229940079593 drug Drugs 0.000 title claims description 92
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 4
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Epidemiology (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种融合时间因素、文本特征和相关性的药品推荐方法。获取用户和药品的交互信息，所述交互信息包括用户对药品的评分信息以及相对应的时间戳信息；构建时间动态模型，所述时间动态模型包括药品基线偏差值模型、用户基线偏差值模型以及用户潜在兴趣模型；收集并处理第一信息得到第三信息，采用卷积神经网络提取第三信息中的文本特征；构建药品的相关性矩阵；构建个性化推荐模型并进行训练，得到用户和药品的潜在因子矩阵；计算用户对药品的预测评分，将评分高的药品推荐给用户。本发明能有效解决药品推荐准确率低、实时性差的技术问题，将药品实时推荐给所需的用户。
Description
技术领域
本发明涉及医药电商领域，特别涉及一种融合时间因素、文本特征和相关性的药品推荐方法。
背景技术
医药领域是国家的特殊领域之一，直接关系到人们的身体健康和生命安全。新时代发展的医药电商，通过对电子信息网络技术的应用，促进了药品流通，可以有效提高药品的利用效率，降低药品流通费用。然而，由于药品功效及同功效药品种类的多样性，用户想要快速准确筛选到目标药品是困难的。
在医药电商领域，个性化推荐系统在帮助用户筛选无关药品的同时，还可以根据用户的历史记录推荐替代或补充药品。医药知识不足的用户也可以根据需求快速准确定位到目标药品。传统的个性化推荐系统仅仅根据用户和药品的历史评分记录来进行推荐，但是随着药品总量和用户数量的增加，该类方法面临着稀疏性问题，不利于用户信息的统计。并且对于用户和药品来说，其属性都是随着时间不断改变的，目前的药品推荐方法都是根据用户多和药品的历史信息进行计算，不能满足用户对药品的实时需求。
发明内容
本发明提供一种融合时间因素、文本特征和相关性的药品推荐方法，以解决药品推荐准确率低、实时性差的技术问题。
为了实现上述目的，本发明提供了以下技术方案：
一种融合时间因素、文本特征和相关性的药品推荐方法，包括以下步骤：
S1:获取用户和药品的交互信息；
S2：构建时间动态模型；
S3：收集并处理第一信息得到第三信息，采用卷积神经网络提取第三信息中的文本特征；
S4：构建药品的相关性矩阵；
S5：构建个性化推荐模型并进行训练，得到用户和药品的潜在因子矩阵；
S6：计算用户对药品的预测评分，将评分高的药品推荐给用户。
优选的，步骤S1中，所述交互信息包括用户对药品的评分信息以及相对应的时间戳信息。
优选的，步骤S2中，所述时间动态模型包括药品基线偏差值模型、用户基线偏差值模型以及用户潜在兴趣模型。
优选的，步骤S3中，采用以下方法对第一信息进行处理：
采用Python语言对所述第一信息进行预处理，得到第二信息；
将第二信息进行自然连接，得到第三信息；
计算第三信息中每个词的TF-IDF值并进行排序，且排序过程中去掉TF-IDF值中大于0.5的值。
优选的，本发明采用以下步骤对第三信息进行文本特征提取：
将第三信息转化成稠密矩阵，输入卷积神经网络；
通过对词窗口进行卷积操作，从而得到第一特征向量；
对第一特征向量进行最大池化处理，得到第二特征向量；
采用非线性投影从第二特征向量中提取出文本特征。
优选的，步骤S4中，将PMI模型与SIM模型相结合，构建所述药品的相关性矩阵。
优选的，所述药品的相关性矩阵的表达函数为：
Co＝PMI(i,j)+sim(i,j)
式中Co表示相关性矩阵计算的药品之间的相关性；PMI(i,j)表示PMI模型计算的药品之间的相关性；sim(i,j)表示SIM模型计算的药品之间的相关性。
优选的，步骤S5中，将所述时间动态模型、文本特征和相关性矩阵与LFM模型相结合，构建所述的个性化推荐模型。
优选的，所述个性化推荐模型的表达函数为：
式中，LTmTeCo表示个性化推荐模型；min表示取最小值函数；
表示评分预测函数；rui用户u对药品i的评分；λ、λc、λγ、λv为正则化参数；Ω(Ψ)表示正则化部分；qi表示药品i的潜在因子向量；yj是药品j的相关性向量；mij表示药品i，j间的相关性；cnn(W,Dj)表示提取的文本特征。
综上所述，由于采用了上述技术方案，与现有技术相比，本发明至少具有以下有益效果：
1.本发明通过构建相关性矩阵，挖掘出药品之间的关联性，约束药品的属性，提高药品推荐的准确率；
2.本发明在基本的矩阵分解模型中引入时间因素，构建时间动态模型，便于了解用户在不同时间段的潜在需求，从而实时推荐药品给用户。
附图说明：
图1为根据本发明示例性实施例的一种药品推荐方法流程示意图。
图2为根据本发明示例性实施例的一种信息处理方法流程示意图。
图3为根据本发明示例性实施例的一种提取文本特征方法流程示意图。
具体实施方式
下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
图1示出了本发明示例性实施例的一种药品推荐方法流程示意图，包括以下步骤：
步骤S1：获取用户和药品的交互信息。
本实施例中，所述的交互信息包括用户对药品的评分信息以及相对应的时间戳信息。
所述用户对药品的评分信息是用户按照五级评分标准对药品进行评分，用于构建评分矩阵。例如，本实施例采用非常满意、满意、一般、差、非常差的评分标准，则非常满意为5分、满意为4分、一般为3分、差为2分、非常差为1分，不评分记为0分。随着日益增加的用户和药品数量，用户对药品的评分记录是非常稀疏的，因此本实施例中采用稀疏矩阵的结构保存评分数据，缓解服务器的存储压力，加快运算速度。
所述对应的时间戳信息是用户对药品评分的时间记录，用于构建时间矩阵。用户和药品的属性是随着时间的流逝而不断变化的，本发明构建的时间矩阵可以用于反映用户在不同时刻下的潜在需求，及时推荐给用户所需的药品。具体的，本实施例的时间矩阵的基数为天，需要先把时间戳信息转换成普通时间信息，然后采用稀疏矩阵的结构保存普通时间信息。例如，时间戳1533110140秒可转化为北京时间2018/8/115:55:40。
步骤S2：构建时间动态模型。
本实施例中，所述时间动态模型包括药品基线偏差值模型、用户基线偏差值模型以及用户潜在兴趣模型。
具体的，用户的需求和药品的属性是随着时间而变化的，为更好地将药品推荐给用户，本发明需对用户不同时刻的需求和药品的属性进行分析，构建时间动态模型。
所述药品基线偏差值模型，用于反映药品属性不同时刻的变化。药品属性的特征是固定的，但其基线值会随时间缓慢、阶段性的变化，从而产生基线偏差值。药品基线偏差值的函数为以下公式：
bi(t)＝bi+bi,Bin(t) (1)
公式(1)中bi(t)是指药品i在t时刻下的基线偏差值；bi是药品的静态部分；bi,Bin(t)是对药品阶段性变化的建模，Bin(t)是时间点t所处的时间片，bi,Bin(t)指药品i在Bin(t)时间段内的基线偏差值。
所述用户基线偏差值模型，用于反映用户的变化。用户的变化是更频繁且复杂的，因此需建立一个具有静态部分、长期动态变化以及瞬时变化的模型。
用户基线偏差值模型的函数为以下公式：
bu(t)＝bu+αu*devu(t)+bu,t (2)
公式(2)中,bu(t)表示用户u在时刻t下的基线偏移；bu是表示静态不变的部分；αu*devu(t)用于对用户基线偏差值的长期动态变化进行捕捉，αu是一个尺度参数；bu,t表示用户u在时刻t下的瞬时变化。
其中，
devu(t)＝sign(t-tu)·|t-tu|β (3)
公式(3)中sign表示符号函数，t表示评分时间，tu是用户u的平均评分时间，β表示超参数。
所述用户潜在兴趣模型，用于反映用户潜在需求随时间的变化，包括静态部分、长期动态变化以及瞬时变化。
用户潜在兴趣模型的函数为以下公式：
pu,k(t)＝pu,k+αu,k*devu(t)+pu,k,t (4)
公式(4)中pu,k(t)指用户u在时刻t下的第k维潜在因子的值；pu,k表示静态部分；αu,k*devu(t)用于对用户第k维潜在因子向量的长期动态变化部分进行捕捉，αu,k是一个尺度参数；pu,k,t表示用户u在时刻t下的第k维向量的瞬时变化。
步骤S3：收集并处理第一信息得到第三信息，采用卷积神经网络提取第三信息中的文本特征。
本实施例中，通过网络爬取收集药品的说明文本信息及评论信息(第一信息)，所述第一信息不仅用于反映药品的功能属性，还对药品的潜在属性进行补充说明。但所述第一信息含有错误数据、残缺数据以及重复数据，因此需对第一信息进行处理，便于对有效信息进行计算处理，从而提高运算速度。
本实施例结合图2对第一信息处理过程进行说明：
S3-1-1:采用Python语言对所述第一信息进行预处理(例如，清洗、去重、分词、去停词)，得到第二信息。
S3-1-2:将第二信息进行自然连接，得到第三信息。所述第三信息的函数表达式如下：
公式(5)中Di表示药品i的完整文档；x1:n表示将文档中第1至第n个词自然连接；xn表示药品i的第n个词；
为自然连接符号。
S3-1-3:计算第三信息中每个词的TF-IDF值(Term Frequency–Inverse DocumentFrequency，术语频率-逆向文档频率)。根据TF-IDF值进行排序，且排序过程中去掉TF-IDF值中大于0.5的值。
本实施例中，为更好地对药品的属性进行约束，通过将卷积神经网络与推荐系统进行关联，采用反向传播的方法对卷积神经网络进行训练，从而提取出有效反映药品属性的文本特征。
文本特征提取公式为以下公式：
θi＝cnn(W,Di) (6)
公式(6)中，θi表示文本特征；cnn表示卷积神经网络；W表示待调参数，Di表示药品i的第三信息。
具体的，本实施例结合图3对文本特征提取过程进行说明：
S3-2-1:将第三信息转化成稠密矩阵，输入卷积神经网络。
具体的，本发明采用Glove对第三信息中每个词进行预训练，用于将每个词转化成相对应的词向量(维度可设置为50)，从而将第三信息转化成一个稠密矩阵，作为卷积神经网络的输入。
S3-2-2:通过对词窗口进行卷积操作，从而得到第一特征向量。
具体的，本实施例选用三种长度(例如大小为3,4,5)的词窗口，用于检索药品的上下文信息。通过对每一个词窗口卷积操作，得到相对应的内容特征：ci＝f(w*xi:i+h-1+b)，ci表示得到的内容特征，f为非线性函数ReLU，w表示共享权重，*表示卷积操作，xi:i+h-1表示从第i个词开始、长度为h的词窗口，b表示偏差值；根据得到的内容特征，从而得到第一特征向量。
第一特征向量的表达式为：
a＝[c1,c2…ci] (7)
公式(7)中a表示第一特征向量；ci表示得到的内容特征。
S3-2-3:对第一特征向量进行最大池化处理，得到第二特征向量。
具体的，第一特征向量中含有许多的特征向量值，不利于药品推荐模型的建立和计算，因此需对第一特征向量进行最大池化，取特征向量值的最大值，得到第二特征向量。
第二特征向量的表达式为：
r＝[max(c1),max(c2).......max(ci)] (8)
公式(8)中，r表示第二特征向量；max表示取最大值函数；ci表示得到的内容特征。
S3-2-4:采用非线性投影从第二特征向量中提取文本特征。
文本特征的表达式为以下公式：
公式(9)中，θ表示提取的文本特征；tanh表示双曲正切函数；f1、f2为投影中间维度；
分别为投影矩阵，
为
的偏置向量；
为
的偏置向量。
步骤S4：构建药品的相关性矩阵。
具体的，传统的PMI模型使用点互信息来计算词语间的相关性，但忽略了评分值之间的差异性。本实施例选用改进的余弦相似度方法来构建SIM模型，用于计算药品之间的相关性，并将SIM模型和PMI模型相结合，用于构建药品的相关性矩阵，通过相关性矩阵计算药品之间的相关性并保存。
PMI模型计算相关性函数表达式为以下公式：
公式(10)中，PMI(i,j)表示PMI模型计算的药品之间的相关性；#(i,j)表示同时购买了药品i和药品j的总用户数；#(i)表示购买了药品i的总用户数；#(j)表示购买了药品j的总用户数；D是矩阵中的药品-药品总对数。
SIM模型计算相关性函数表达式为以下公式：
公式(11)中sim(i,j)表示SIM模型计算的药品之间的相关性；rui表示用户u对商品i的评分；ruj表示用户u对商品j的评分；
表示第u个用户的评分均值。
药品的相关性矩阵的表达式为以下公式:
Co＝PMI(i,j)+sim(i,j) (12)
公式(12)中Co表示相关性矩阵计算的药品之间的相关性；PMI(i,j)表示PMI模型计算的药品之间的相关性；sim(i,j)表示SIM模型计算的药品之间的相关性。
S5：构建个性化推荐模型并进行训练，得到用户和药品的潜在因子矩阵。
具体的，本实施例在基本的矩阵分解模型(例如LFM模型)上，引入时间因素、文本特征及药品间的相关性，构建个性化推荐模型，并采用梯度下降法对所述个性化推荐模型进行训练，对用户和药品潜在向量不断优化，直到误差小于设定阈值，停止迭代，从而得到关于用户和药品的潜在因子矩阵。
公式(13)中，LTmTeCo表示个性化推荐模型；min表示取最小值函数；
表示评分预测函数；rui用户u对药品i的评分；λ、λc、λγ、λv为正则化参数；Ω(Ψ)表示正则化部分；qi表示药品i的潜在因子向量；yj是药品j的相关性向量；mij表示药品i，j间的相关性；cnn(W,Dj)表示提取的文本特征。
其中，评分预测函数
表达式为：
公式(14)中，μ表示平均分；bi(t)是药品i在时刻t下的动态基线偏移；bu(t)是用户u在时刻t下的动态基线偏移；qi是药品i的潜在因子向量；pu(t)是用户u在时刻t下的动态潜在因子向量；T表示矩阵转置。
S6：计算用户对药品的预测评分，将评分高的药品推荐给用户。
具体的，本实施例采用评分预测函数
计算用户对未知药品的预测评分，并按照评分分值高低对未知药品进行排序，将评分分值高的药品推荐给用户，满足用户的潜在需求。
Claims (8)
1.一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，包括以下步骤：
S1:获取用户和药品的交互信息；
S2：构建时间动态模型；
S3：收集并处理第一信息得到第三信息，采用卷积神经网络提取第三信息中的文本特征；
S4：构建药品的相关性矩阵；
S5：构建个性化推荐模型并进行训练，得到用户和药品的潜在因子矩阵；
所述个性化推荐模型的表达函数为：
式中，LTmTeCo表示个性化推荐模型；min表示取最小值函数；
表示评分预测函数；t表示时刻；；rui用户u对药品i的评分；λ、λc、λγ、λv为正则化参数；Ω(Ψ)表示正则化部分；qi表示药品i的潜在因子向量；yj是药品j的相关性向量；mij表示药品i，j间的相关性；cnn(W,Dj)表示提取的文本特征，cnn表示卷积神经网络；W表示待调参数，Dj表示药品j的第三信息；
其中，评分预测函数
表达式为：
μ表示平均分；bi(t)是药品i在时刻t下的动态基线偏移；bu(t)是用户u在时刻t下的动态基线偏移；qi是药品i的潜在因子向量；pu(t)是用户u在时刻t下的动态潜在因子向量；T表示矩阵转置；
S6：计算用户对药品的预测评分，将评分高的药品推荐给用户。
2.如权利要求1所述的一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，所述S1中，所述交互信息包括用户对药品的评分信息以及相对应的时间戳信息。
3.如权利要求1所述的一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，所述S2中，所述时间动态模型包括药品基线偏差值模型、用户基线偏差值模型以及用户潜在兴趣模型。
4.如权利要求1所述的一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，所述S3中，采用以下方法对第一信息进行处理：
采用Python语言对所述第一信息进行预处理，得到第二信息；
将第二信息进行自然连接，得到第三信息；
计算第三信息中每个词的TF-IDF值并进行排序，且排序过程中去掉TF-IDF值中大于0.5的值。
5.如权利要求1或4所述的一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，所述S3中，采用以下步骤对第三信息进行文本特征提取：
将第三信息转化成稠密矩阵，输入卷积神经网络；
通过对词窗口进行卷积操作，从而得到第一特征向量；
对第一特征向量进行最大池化处理，得到第二特征向量；
采用非线性投影从第二特征向量中提取出文本特征。
6.如权利要求1所述的一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，所述S4中，将PMI模型与SIM模型相结合，构建所述药品的相关性矩阵。
7.如权利要求1或6所述的一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，所述药品的相关性矩阵的表达函数为：
Co＝PMI(i,j)+sim(i,j)
式中Co表示相关性矩阵计算的药品之间的相关性；PMI(i,j)表示PMI模型计算的药品之间的相关性；sim(i,j)表示SIM模型计算的药品之间的相关性。
8.如权利要求1所述的一种融合时间因素、文本特征和相关性的药品推荐方法，其特征在于，所述S5中，将所述时间动态模型、文本特征和相关性矩阵与LFM模型相结合，构建所述的个性化推荐模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810953583.8A CN109064294B (zh) | 2018-08-21 | 2018-08-21 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810953583.8A CN109064294B (zh) | 2018-08-21 | 2018-08-21 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064294A CN109064294A (zh) | 2018-12-21 |
| CN109064294B true CN109064294B (zh) | 2021-11-12 |
Family
ID=64687591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810953583.8A Active CN109064294B (zh) | 2018-08-21 | 2018-08-21 | 一种融合时间因素、文本特征和相关性的药品推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064294B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111694949B (zh) * | 2019-03-14 | 2023-12-05 | 京东科技控股股份有限公司 | 一种多文本分类方法和装置 |
| CN110085292B (zh) * | 2019-04-28 | 2022-07-26 | 广东技术师范大学 | 药品推荐方法、装置及计算机可读存储介质 |
| CN110490686A (zh) * | 2019-07-08 | 2019-11-22 | 西北大学 | 一种基于时间感知的商品评分模型构建、推荐方法及系统 |
| CN110413894B (zh) * | 2019-07-31 | 2023-09-26 | 腾讯科技（深圳）有限公司 | 内容推荐模型的训练方法、内容推荐的方法及相关装置 |
| CN110852846A (zh) * | 2019-11-11 | 2020-02-28 | 京东数字科技控股有限公司 | 用于推荐对象的处理方法及装置、电子设备、存储介质 |
| US11763946B2 (en) | 2020-02-27 | 2023-09-19 | Optum, Inc. | Graph-based predictive inference |
| CN111383732B (zh) * | 2020-03-23 | 2023-04-18 | 平安医疗健康管理股份有限公司 | 一种基于互斥识别的药品审核方法、装置、计算机系统及可读存储介质 |
| CN114579712B (zh) * | 2022-05-05 | 2022-07-15 | 中科雨辰科技有限公司 | 基于动态模型的文本属性提取匹配方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104915399A (zh) * | 2015-05-29 | 2015-09-16 | 百度在线网络技术（北京）有限公司 | 基于新闻标题的推荐数据处理方法及系统 |
| WO2016141214A1 (en) * | 2015-03-03 | 2016-09-09 | Nantomics, Llc | Ensemble-based research recommendation systems and methods |
| CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
| CN107256508A (zh) * | 2017-05-27 | 2017-10-17 | 上海交通大学 | 基于时间场景的商品推荐系统及其方法 |
| CN108198041A (zh) * | 2018-01-23 | 2018-06-22 | 重庆裕嘉隆大数据产业有限公司 | 一种基于时间衰减器的商品推荐方法、终端和介质 |
-
2018
- 2018-08-21 CN CN201810953583.8A patent/CN109064294B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016141214A1 (en) * | 2015-03-03 | 2016-09-09 | Nantomics, Llc | Ensemble-based research recommendation systems and methods |
| CN104915399A (zh) * | 2015-05-29 | 2015-09-16 | 百度在线网络技术（北京）有限公司 | 基于新闻标题的推荐数据处理方法及系统 |
| CN107092797A (zh) * | 2017-04-26 | 2017-08-25 | 广东亿荣电子商务有限公司 | 一种基于深度学习的药品推荐算法 |
| CN107256508A (zh) * | 2017-05-27 | 2017-10-17 | 上海交通大学 | 基于时间场景的商品推荐系统及其方法 |
| CN108198041A (zh) * | 2018-01-23 | 2018-06-22 | 重庆裕嘉隆大数据产业有限公司 | 一种基于时间衰减器的商品推荐方法、终端和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于用户识别特征模型的中医药健康养老信息推送算法;邰蕾蕾 等;《运筹与管理》;20171231;第26卷(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064294A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109064294B (zh) | 一种融合时间因素、文本特征和相关性的药品推荐方法 | |
| Dermouche et al. | A joint model for topic-sentiment evolution over time | |
| CN107608956A (zh) | 一种基于cnn‑grnn的读者情绪分布预测算法 | |
| WO2018112696A1 (zh) | 一种内容推荐方法及内容推荐系统 | |
| CN108319734A (zh) | 一种基于线性组合器的产品特征结构树自动构建方法 | |
| Zhuang et al. | Token-level dynamic self-attention network for multi-passage reading comprehension | |
| CN114048354B (zh) | 基于多元表征和度量学习的试题检索方法、装置及介质 | |
| CN112232065A (zh) | 挖掘同义词的方法及装置 | |
| CN113380360B (zh) | 一种基于多模态病历图的相似病历检索方法及系统 | |
| CN111242033A (zh) | 一种基于视频和文字对判别分析的视频特征学习方法 | |
| CN107480194B (zh) | 多模态知识表示自动学习模型的构建方法及系统 | |
| CN109740158A (zh) | 一种文本语义解析方法及装置 | |
| Kawintiranon et al. | PoliBERTweet: a pre-trained language model for analyzing political content on Twitter | |
| CN109145085A (zh) | 语义相似度的计算方法及系统 | |
| CN113569018A (zh) | 问答对挖掘方法及装置 | |
| CN115775349A (zh) | 基于多模态融合的假新闻检测方法和装置 | |
| Gencoglu | Deep representation learning for clustering of health tweets | |
| Wankerl et al. | f2tag—Can Tags be Predicted Using Formulas? | |
| MeshuWelde et al. | Counting-based visual question answering with serial cascaded attention deep learning | |
| CN112668481A (zh) | 一种遥感图像语义抽取方法 | |
| CN116109980A (zh) | 一种基于视频文本匹配的动作识别方法 | |
| Phoan et al. | Sentiment Analysis Of Comments On Sexual Harassment In Colleges On Four Popular Social Media | |
| Toshevska et al. | Question answering with deep learning: a survey | |
| Shchuka et al. | Dish-ID: A neural-based method for ingredient extraction and further recipe suggestion | |
| CN113345557A (zh) | 一种数据处理方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |