CN110232971A - 一种医生推荐方法及装置 - Google Patents

一种医生推荐方法及装置 Download PDF

Info

Publication number
CN110232971A
CN110232971A CN201910451848.9A CN201910451848A CN110232971A CN 110232971 A CN110232971 A CN 110232971A CN 201910451848 A CN201910451848 A CN 201910451848A CN 110232971 A CN110232971 A CN 110232971A
Authority
CN
China
Prior art keywords
doctor
weight
patient
information
characteristic
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.)
Granted
Application number
CN201910451848.9A
Other languages
English (en)
Other versions
CN110232971B (zh
Inventor
耿爽
战歌
张天阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Pianpian Technology Co Ltd
Original Assignee
Shenzhen Pianpian Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Pianpian Technology Co Ltd filed Critical Shenzhen Pianpian Technology Co Ltd
Publication of CN110232971A publication Critical patent/CN110232971A/zh
Application granted granted Critical
Publication of CN110232971B publication Critical patent/CN110232971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请适用于计算机应用技术领域，提供了一种医生推荐方法及装置，包括：通过获取患者信息和医生信息；从患者信息中提取出患者特征，从医生信息中提取出医生特征；根据患者特征和医生特征构建适应函数，并根据适应函数确定各个医生特征对应的特征权重；根据医生特征对应的特征权重确定与患者信息最匹配的医生信息。以优化最终推荐结果的准确率为目标搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。通过多目标特征选取模型提高了个体识别和分类的准确性和稳定性，也提高了医生与患者之间的匹配度，实现个性化有针对性的医生推荐。

Description

一种医生推荐方法及装置
技术领域
本申请属于计算机应用技术领域，尤其涉及一种医生推荐方法及装置。
背景技术
当前很多病人看病都自己去医院找相关科室的医生进行检查和治疗，这造成很多情况下，病人的病情不能与他所找的医生的擅长专业相符合，而导致病人看病难，看病效率低的问题。现有技术中病人可以通过在医院官网中查找医生的主治领域，并确定与自己病情相关的医生进行就诊，但是这种方法的精确度较低，很容易造成医生信息和病人病情等信息不匹配的问题。
发明内容
有鉴于此，本申请实施例提供了医生推荐方法及装置，以解决现有技术中的医生推荐方法容易造成医生信息和病人病情等信息不匹配的问题。
本申请实施例的第一方面提供了一种医生推荐方法，包括：
获取患者信息和医生信息；
从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；
根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；
根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
本申请实施例的第二方面提供了一种医生推荐装置，包括：
获取单元，用于获取患者信息和医生信息；
提取单元，用于从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；
权重单元，用于根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；
匹配单元，用于根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
本申请实施例的第三方面提供了一种医生推荐装置，包括：处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持装置执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例与现有技术相比存在的有益效果是：通过获取患者信息和医生信息；从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。以优化最终推荐结果的准确率、医生知识多样性为目标，搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。通过开发多目标特征选取模型，提高了个体识别和分类的准确性和稳定性。同时，利用群体协同学习机制和深度学习策略提高了算法性能，也提高了医生与患者之间的匹配度，实现个性化有针对性的医生推荐。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的医生推荐方法的流程图；
图2是本申请实施例二提供的医生推荐方法的流程图；
图3是本申请实施例三提供的医生推荐装置的示意图；
图4是本申请实施例四提供的医生推荐装置的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
参见图1，图1是本申请实施例一提供的一种医生推荐方法的流程图。本实施例中医生推荐方法的执行主体为具有医生推荐功能的装置，包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的医生推荐方法可以包括以下步骤：
S101：获取患者信息和医生信息。
尽管近年来在线医疗发展迅速，并且有了较好的基础，利用个性化知识资源推荐方法推荐医生的研究还处于起步阶段，推荐算法的准确率、搜索效率、智能性仍有待提高。用户行为建模与预测方面。如何解决海量数据造成的矩阵稀疏问题、缺乏用户历史数据造成的冷启动问题、使用户模型能根据数据流实时更新是用户行为建模的重点难点。并且，构建用户模型和进行预测对平台计算能力要求很高，也要求推荐算法具有实时性、鲁棒性和可扩展性。为增加预测准确性，对推荐项目的建模也十分重要，如何处理包含视频、图像、文字、图表的对象信息并提取特征也是目前推荐系统的研究热点。在项目的排序和优化方面。一方面预测准确度对推荐算法的设计和选择十分重要，另一方面用户也关心推荐内容的顺序和推荐方式。这要求推荐内容排序不仅需要高得准确度，还要有较高的覆盖率，迫切需要针对不同指标的优化排序策略。在多用户群组内部，如何平衡不同用户间的兴趣差异，实现推荐结果全局最优也是一个新的挑战。
本实施例利用大数据环境下，海量且丰富的用户数据，构建能够感应用户需求的面向在线医疗平台的个性化医生推荐系统。针对用户多方面的情境数据、社会网络数据，挖掘用户潜在需求，开发融合了群体智能与协同过滤的推荐算法，提取有效的用户特征，从而进行个性化医生推荐。
在根据患者信息进行医生推荐时，我们首先获取患者的患者信息和医生信息。示例性的，本实施例中的患者信息可以包括：年龄、性别以及病例信息等；本实施例中的医生信息可以包括：医生职称、论文数量、执业年限等，此处不做限定。其获取的方式可以是通过医疗系统中的大数据平台获取，也可以是实时采集患者和医生的信息，此处不做限定。
S102：从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征。
在获取到患者信息和医生信息之后，我们从患者信息中提取出患者特征，从医生信息中提取出医生特征。可选的，可以通过自然语言处理(Nature Language Processing，NLP)关键词提取方法提取医生与患者的特征关键词，分别构建医生和患者的特征关键词矩阵，即通过文本特征向量化来得出举证形式的患者特征和医生特征。
NLP从自然语言数据中推导出规则和模型，将文本转化为结构化的编码信息，从而可从患者信息和医生信息中快速提取出对应的特征。在NLP工作过程中涉及了语言学方法(如语法、语义和语境等)和统计方法。虽然多种NLP的具体目标、技术、操作过程不尽相同，但主要工作原理基本相似，均可分为特征提取、特征加工、系统训练和验证。其中，特征提取是指NLP分割文本、识别单个概念，并定义识别出的概念与其它医学概念的关系，输出结构式的数据。
在特征提取过程中，先进行词汇分割，再进行词汇的语义分析，按从大到小的尺度进行词汇分割，示例性地，若本实施例中获取到的患者信息中包括影像报告，则先将整个影像报告分割为若干段落，再分为句子、词组、词汇。在词汇层面上，判定词根、纠正拼写错误以及把缩略语扩充完整。按从局部到整体的尺度进行词汇的语义分析。词汇的特征从局部到整体可分为：概念、词典和知识体系。其中，概念指的是每个词汇被赋予的独特含义，如某种疾病；词典指的是一组有相同含义的概念及其同意词、衍生词和相关术语等，如一体化医学语言系统词典。知识体系指的是每个概念与其它不同概念之间的相互关系，如本概念对其他概念所起到的限定、修饰作用等。通过特征提取，报告中的自然语言被分割为结构式的概念，且每个概念都被定义了与其他概念的关系，进一步用于后续的特征加工、分析和存储。
进一步的，步骤S102中可以具体包括：
对所述患者信息中提取出患者病史，作为所述患者特征；
从所述医生信息中提取出专业领域、医生职称、论文数量以及执业年限，作为所述医生特征。
具体的，本实施例中的患者信息可以包括患者病史，本实施例中的医生信息可以包括专业领域、医生职称、论文数量以及执业年限等，此处不做限定，我们在提取特征时，根据患者信息和医生信息中的信息类型，确定不同信息类型对应的特征，以进行患者特征和医生特征之间的匹配。
本实施例中，通过使用NLP可高效地分析和提取出大数据量情况下的患者信息和医生信息，得到群体的特征性数据。使用传统方法构提取特征数据，需耗费大量时间和人力才能提取数据，而通过NLP的方式可以提高特征提取的效率和精确性。
S103：根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重。
在基于协同过滤的医生推荐系统中，高维度的医生和患者特征往往造成计算结果不准确，为此，本技术提出采用群体智能优化方法对不同特征的权重系数进行调节，预测意义较大的特征(例如，医生专业领域)将获得较高的权重，噪音或无效特征(例如，医生性别)将获得较低的权重，权重系数的调节由多目标菌群优化算法实现，多目标菌群优化算法中，每个细菌位置表示一组可供选择的权重，该细菌的适应值表示该权重系数下的算法表现(医生与患者匹配度、医生知识多样性两个目标，故使用多目标算法)，每一次细菌的游动、翻转、迁移都意味着权重系数的调整，直到所搜索到最佳的权重系数，产生最优的推荐结果。
菌群算法的生物学基础是人体肠道内大肠杆菌或粘细菌在觅食过程中，一边感应自身周围的化学物质浓度，例如，营养液、有毒物质或菌落中个体间传递的信息素，一边做出远离或趋向该种物质的智能行为，遵循了最优觅食理论。菌群算法模仿了细菌觅食的趋向、聚群、复制和驱散等四种智能行为。在生物学上，一个细菌可以依靠它的鞭毛旋转方式呈现出两种不同的位置移动模式，即游动和翻转。该个体或者沿着一个随机选定的方向游动一段时间，或者调整与位置移动相关的参数，例如前进方向、移动步伐等。该个体选择哪种位置移动模式的依据是个体前一次移动带来的环境变化趋势和细菌间的信息素浓度。若S只细菌在n维搜索空间中协作寻找最佳生存环境，在细菌趋向最佳生存环境的过程中，菌落的个体根据接收到的引诱剂判断自己本次移动是否偏离了种群此时的最佳生存环境。若它判断出发生偏离现象，即使本次移动带来了局部环境变好的趋势，也重新选择一个前进方向。这种机理可以避免每一个个体与种群最佳个体渐行渐远的现象。另外，它们还会释放另一种信息素——排斥剂。该种信息素可以通过个体间的相互排斥达到维护种群多样性的目标经过一个周期的趋向操作后，菌落进行复制操作。该操作遵循达尔文的优胜劣汰原理。首先，菌落依据每一只细菌当前周期觅得的总能量和总趋向步长进行排序。然后，获得足够多食物的个体进行分裂，而能量不足的个体将会死去。同时，分裂的个体和死去的个体数量相等，这保证了种群数量的稳定。最后，产生的新一代个体进入下一个趋向操作周期。几次复制操作后，菌落将呈现出几个聚集簇，这会导致种群多样性退化。为了避免这种现象，菌群算法引入了变异操作——驱散行为。该操作模拟了细菌随水流或其他生物迁徙到新环境的生物现象，其运行模式是菌落中的一些个体以小概率，重新在搜索空间中随机选择一个位置。经过驱散操作后的新一代个体进入新的趋向操作周期。
本实施例中可以通过如下步骤进行适应函数的处理和计算：
初始化：动态种群规模的机制，在初始化时按最大种群数量进行位置生成。
适应度评估：获取初始位置的适应值。本算法在计算过程中通过适应函数计算适应值，以及通过对比帕累托前沿及精英解而得的虚拟适应值。
达到最大适应值评估次数：算法以最大适应值评估次数作为结束控制，在计算过程中每进行一次适应值计算即增加一次次数，到达设定次数便算法停止。
生成自适应游动步长：设计按迭代次数进行自适应的搜索步长。
生成游动方向：建立了一种游动方向的更新公式，其形式理解为既然每个位置都是最优位置，那么每个细菌都会释放激励信息素吸引其它细菌过来，而每个细菌也都会随机受到一个细菌信息素的作用，进而向其游去。
位置信息交互，生成翻转位置：启发自损失估计的交叉算子，对翻转位置间按维度、按所趋向是细菌Ai进行随机的坐标交换。
菌群翻转并计算适应值：使用翻转位置进行适应值的计算。
游动循环：在游动次数Ns内将当前位置比上次位置更优的细菌进行游动操作。将翻转也算作一次游动，即游动次数Ns的数量包含一次翻转，则在游动循环中Ns从2开始计数。
比较细菌当前位置与上次位置的优劣：使用帕累托解的支配性作为优劣性，当新位置的适应值完全支配旧位置的适应值时，判为更优，否则劣。
获得游动细菌的位置：将细菌当前所停留的位置与其游动方向累加。
基于非支配前沿的动态种群生成算子：
输入三种数据：这一轮计算过适应值的所有位置(包括游动的过程位置)、上一轮计算过适应值的所有位置、当前帕累托前沿。输出新的帕累托前沿及其虚拟适应值，新的前沿作为下一次迭代的种群。
局部复制：对虚拟适应值较低的一半的局部(每个细菌的部分维度)按概率决定是否交换为虚拟适应值较高那一半的对应细菌的对应值。
局部迁移：采用按概率对局部(每个细菌的部分维度)进行重新初始化的方式，来保持搜索趋势，并增加有效多样性。
S104：根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
我们通过计算适应值来对应着最终推荐的评价指标，通过在每次迭代中，不断搜索较优的权重参数，不断提升适应值，在算法收敛时，推荐结果也是最好的。以优化最终推荐结果的准确率、医生知识多样性为目标，搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。
上述方案，通过获取患者信息和医生信息；从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。以优化最终推荐结果的准确率、医生知识多样性为目标，搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。通过开发多目标特征选取模型，提高了个体识别和分类的准确性和稳定性。同时，利用群体协同学习机制和深度学习策略提高了算法性能，实现个性化有针对性的医生推荐。
参见图2，图2是本申请实施例二提供的一种医生推荐方法的流程图。本实施例中医生推荐方法的执行主体为具有医生推荐功能的装置，包括但不限于计算机、服务器、平板电脑或者终端等装置。如图所示的医生推荐方法可以包括以下步骤：
S201：获取患者信息和医生信息。
在本实施例中S201与图1对应的实施例中S101的实现方式完全相同，具体可参考图1对应的实施例中的S101的相关描述，在此不再赘述。
S202：从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征。
在本实施例中S202与图1对应的实施例中S102的实现方式完全相同，具体可参考图1对应的实施例中的S102的相关描述，在此不再赘述。
S203：根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重。
首先，根据患者特征和医生特征之间的匹配关系、各个医生特征之间的相似关系，对参数及细菌种群进行初始化，种群中每个细菌的位置代表一个优化问题的解，即一组可使用的权重系数。本算法有动态种群规模的机制，在初始化时按最大种群数量进行位置生成。
获取初始位置的适应值，适应值对应医生与患者匹配度、医生知识多样性两个指标，本算法为多目标算法，适应值随着迭代的进行不断变化，直到达到较优的适应值，算法趋于收敛。可选的，医生与患者匹配度采用当前权重下的皮尔逊相似度计算，医生知识多样性采用当前权重下推荐列表内，医生间相似度计算，具体也采用皮尔逊相似度。
计算过程中的适应值，也划分为两种适应值，一是通过适应函数计算所得，称为适应值，即患者匹配度、医生知识多样性，在算法中以y表示；二是通过对比帕累托前沿及精英解而得的虚拟适应值，以fitness表示，没有对应现实含义。此操作中只获得y。
具体的，在选取处于帕累托前沿的点时，我们通过基于非支配前沿的动态种群生成算子：
该算子有三个作用：一，获得帕累托前沿；二，获得虚拟适应值；三，获得用于下一次迭代的种群。对于作用一、二，主要依靠递归超立方的方法快速非支配排序算子来进行数据处理。对于作用三则在获得前沿的基础上结合去拥挤算子获取。算子主要通过构建排序细菌集合、递归超立方快速非支配排序算子、生成虚拟适应值以及去拥挤操作四个步骤来实现，具体的数据处理流程如下：
(1)构建排序细菌集合：虚拟适应值是建立在一组数据之间的相对适应值，用于进行对比的数据在这一步构建。所构建数据集为该细菌位置集合对应的适应值向量集合，当前轮所有计算适应值的位置，上一轮所有计算适应值的位置，当前帕累托前沿。之所以使用这三个数据来构建集合是因为算法并非贪心搜索，当前轮位置的适应值并非一定比上一轮要好，而当前帕累托前沿作为对比基准一定要加入。此集合中会出现重复细菌，故会进行去重处理。
(2)递归超立方快速非支配排序算子：该算子用于获得虚拟适应值的基础数据。其输入数据为步骤(1)中构建的集合，其输出为各细菌的选择序号，规则为：第一次递归被去掉被支配的细菌为-1，第二次为-2，以此类推；第一次递归被选中非支配的细菌为1，第二次为2，类推。具体细节留待后续算子解说部分。
(3)生成虚拟适应值：基于超立方排序的虚拟适应值，算法的优化方向是求最小值，同时我们希望获得的虚拟适应值能够区分每一个细菌的好坏，而当前获得的选择序号同一批去留的值一样，无法区分，且非支配解为正数值、支配解为负数值，不符合优值为小的要求。故首先使用公式(1)调整正负及序值，调整后的值满足两个规则：第一是非支配解为负值，最大为-1，且递归中越先被选中的越小；第二是支配解为正值和0，且在递归中越先被去掉的值越大，即效果越差。
递归中的先后顺序指处于递归中的第几层嵌套，越在嵌套外围的越先。在整理好序值之后，通过公式(2)区分相同序值的两个细菌。本算法是以前沿中心的搜索为优先，故式子设计使得相同序值下的细菌，其靠向前沿中心的适应值更小。
本实施例中，通过公式(1)来计算第n个细菌的去留序值：
本实施例中，通过公式(2)适应函数来计算虚拟适应值：
其中，valn用于表示数据中第n个细菌的去留序值，fitnessn用于表示虚拟适应值，n用于表示数据中细菌的总数量，n用于表示对应细菌序号。M用于表示多目标的目标总数，m用于表示对应目标的序号，用于表示第n个细菌第m个目标的适应值。
(4)去拥挤操作：种群具有最大上限，当获得的前沿大于最大种群数量时，将进行去拥挤处理，留下多样性最大的菌群进入下一次迭代。去拥挤规则是：若两个点在空间中最近的点为彼此，只保留其中一个。因为此时这两个点互相间的拥挤是大于其与周围的点，其在空间中显得独立，与其它所有点的距离，都不如彼此靠近。
S204：根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整。
在构建得到适应函数之后，本实施中根据预设的菌群优化算法，对适应函数中的预设权重进行调整，以通过调整得到的权重计算新的适应函数，并在通过适应函数得到适应值之后，识别得到最好效果时的适应函数中的权重为医生特征的特征权重。
步骤S204可以具体包括S2041～S2043：
S2041：获取当前的权重调整次数。
本实施例中在进行各个医生特征对应权重进行调整时，以最大适应值评估次数作为结束控制，在计算过程中每进行一次适应值计算即增加一次迭代数，到达设定次数便算法停止。
进一步的，在步骤S2041之后，S2042之前，还可以包括：
若当前的权重调整次数与预设的次数阈值相同时，则将当前的权重识别为医生特征对应的特征权重。
具体的，本实施例中预先设定有次数阈值，用于通过次数阈值来衡量当前的权重调整的迭代次数，以方式运算无止境的计算下去。本实施例中若当前的权重调整次数与次数阈值相同时，则将当前的权重识别为医生特征对应的特征权重，保证在有限的计算资源里获得较优的结果。
S2042：根据所述权重调整次数、预设的权重调整的原始增量，确定当前调整权重的实时增量。
本实施例中通过计算菌群的游动步长来确定实施增量，在生成自适应游动步长时，随着菌群对最优位置搜索的深入，更优位置往往就在当前位置附近，步长过大容易越高，故本实施例中设定按迭代次数进行自适应的搜索步长。
本实施例中，通过公式(3)来计算自适应变化后的游动步长，即当前调整权重的实施增量：
其中，C用于表示自适应变化后的游动步长，F用于表示原始步长，随迭代次数n增加而缩小，nMax用于表示最大适应迭代次数，即当n大于nMax时，C以由nMax算出的值为准。
S2043：根据所述实时增量调整所述适应函数的权重。
在根据实时增量调整适应函数的权重时，我们主要通过以下步骤进行：生成游动方向、生成翻转位置、菌群翻转并计算适应值、游动循环、比较细菌当前位置与上次位置的优劣、获得游动细菌的位置、基于非支配前沿的动态种群生成算子、局部复制以及局部迁移等步骤来实现。
我们在确定了当前调整权重的实时增量之后，根据该实施增量来调整适应函数中的权重。但是在实际应用中，实施增量只是用来形容细菌游动的长度，同时，我们还需要确定细菌的游动方向。算法动态种群的方式是通过选取处于帕累托前沿的点作为下次迭代种群来实现，于是这里有一个多目标解好坏的判定，即种群中每个点都是最优且不相上下的，且皆为非支配解。基于这个判定我们建立了一种游动方向的更新公式，其形式理解为既然每个位置都是最优位置，那么每个细菌都会释放激励信息素吸引其它细菌过来，而每个细菌也都会随机受到一个细菌信息素的作用，进而向其游去。
本实施例中，通过公式(4)计算细菌i在游动时的游动方向向量第j维的值：
其中，用于表示细菌i游动方向向量第j维的值，i用于表示细菌的序号，j∈{1,2，…，D}用于表示坐标总维度D的对应序号，用于表示细菌i位置中第j维的值，Ai用于表示细菌i所趋向的细菌的序号，且A集合中每个序号只出现一次，且Ai与i不为同值。norminv(·)用于表示高斯分布采样函数，其参数从左到右为采样概率。需要说明的是rand为0到1间的随机数、均值为1、方差P。公式(4)中norminv(rand,1,P)-1作为步长限制的一部分，通过提供随机缩减与负方向的可能性来为游动方向增加多样性。
位置信息交互，生成翻转位置：在原始菌群优化算法中翻转位置即是当前位置加上游动方向而得，如公式(5)：
Xi＝xi+rolli (5)
其中，Xi用于表示翻转之前的位置，xi用于表示翻转之后的位置，rolli用于表示细菌i在游动时的游动方向向量上的值。
而在多目标问题中需要更多的合理多样性，这里启发自差分进化算法的交叉算子，对翻转位置间按维度、按所趋向是细菌Ai进行随机的坐标交换，如公式(6)：
其中，用于表示细菌i位置中第j维的值，Ai用于表示细菌i所趋向的细菌的序号，xi用于表示翻转位置。
菌群翻转并计算适应值使用翻转位置进行适应值的计算。本实施例中预设有游动次数，在游动次数Ns内将当前位置比上次位置更优的细菌进行游动操作。与原始菌群算法不同的地方在于，在本实施例的参数中，我们将翻转也算作一次游动，即游动次数Ns的数量包含一次翻转，则在游动循环中Ns从2开始计数。
本实施例中，通过公式(7)计算第Ns次游动的k细菌的位置：
其中，xNsk,ns用于表示第Ns次游动的k细菌的位置；k∈K，K用于表示当前位Ns次优的细菌的序号集合。
比较细菌当前位置与上次位置的优劣，作为多目标算法，一般使用虚拟适应值来比较适应程度的优劣，但是虚拟适应值是同一批细菌之间的相对适应值，即上一代种群的虚拟适应值与当前代的没有可比性。故这里使用帕累托解的支配性来作为优劣性，当新位置的适应值完全支配旧位置的适应值时，判为更优，否则劣。
获得游动细菌的位置，当选出进行游动的细菌后，将其位置更新至游动后的位置，具体为将细菌当前所停留的位置与其游动方向累加。
基于非支配前沿的动态种群生成算子，输入三种数据：第一种为这一轮计算过适应值的所有位置，包括游动的过程位置；第二种为上一轮计算过适应值的所有位置；第三种为当前帕累托前沿。输出新的帕累托前沿及其虚拟适应值，新的前沿作为下一次迭代的种群。具体细节在对应算子的解说中阐述。
在局部复制中，在原始菌群算法中，复制是直接将种群按优劣进行排序从中间分成两半，将差的那一半种群直接淘汰并用好的那一半来代替。而在当前算法中，动态种群机制下所获得的种群都是在帕累托前沿上，无好坏之分，不适合直接替换。当前采取对虚拟适应值较差的一半的局部(每个细菌的部分维度)按概率Ped2决定是否交换为虚拟适应值较好那一半的对应细菌的对应值。
在进行局部迁移时，迁移是为了增加解的多样性，其实质是用重新初始化的位置向量来代替当前位置，但对于多目标优化这类梯度较浅的问题，将一个细菌位置整体初始化只会失去当前的搜索趋势，使搜索退步回初始状态，而不是增加有效多样性。故此采用按概率Ped3对局部(每个细菌的部分维度)进行重新初始化的方式，来保持搜索趋势，并增加有效多样性。
S205：根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。
本算子用于处理输入的各细菌适应值，分出其中支配、非支配解，并输出对应选择序号。其对于选择序号的标识规则已在步骤S203中的选取处于帕累托前沿的点部分叙述，此处不做赘述。
S206：根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
在基于协同过滤的医生推荐系统中，高维度的医生和患者特征往往造成计算结果不准确，为此，本技术提出采用群体智能优化方法对不同特征的权重系数进行调节，预测意义较大的特征(例如，医生专业领域)将获得较高的权重，噪音或无效特征将获得较低的权重，权重系数的调节由多目标菌群优化算法实现，多目标菌群优化算法中，每个细菌位置表示一组可供选择的权重，该细菌的适应值表示该权重系数下的算法表现(医生与患者匹配度、医生知识多样性两个目标，故使用多目标算法)，每一次细菌的游动、翻转、迁移都意味着权重系数的调整，直到所搜索到最佳的权重系数，产生最优的推荐结果。以优化最终推荐结果的准确率、医生知识多样性为目标，搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。
上述方案，通过获取患者信息和医生信息；从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。以优化最终推荐结果的准确率为目标搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。通过多目标特征选取模型、群体协同学习机制和深度学习策略，提高了个体识别和分类的准确性和稳定性，也提高了医生与患者之间的匹配度，实现个性化有针对性的医生推荐。
参见图3，图3是本申请实施例三提供的一种装置的示意图。装置300可以为计算机、智能手机、平板电脑等终端。本实施例的装置300包括的各单元用于执行图1对应的实施例中的各步骤，具体请参阅图1及图1对应的实施例中的相关描述，此处不赘述。本实施例的装置300包括：
获取单元301，用于获取患者信息和医生信息；
提取单元302，用于从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；
权重单元303，用于根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；
匹配单元304，用于根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
具体的，所述权重单元303可以包括：
函数构建单元，用于根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；
权重调整单元，用于根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；
权重识别单元，用于根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。
具体的，所述权重调整单元可以包括：
次数单元，用于获取当前的权重调整次数；
增量单元，用于根据所述权重调整次数、预设的权重调整的原始增量，确定当前调整权重的实时增量；
调整单元，用于根据所述实时增量调整所述适应函数的权重。
具体的，所述装置300还可以包括：
次数上限单元，用于若所述当前的权重调整次数与预设的次数阈值相同时，则将当前的权重识别为所述医生特征对应的特征权重。
具体的，所述提取单元302可以包括：
第一特征单元，用于对所述患者信息中提取出患者病史，作为所述患者特征；
第二特征单元，用于从所述医生信息中提取出专业领域、医生职称、论文数量以及执业年限，作为所述医生特征。
上述方案，通过获取患者信息和医生信息；从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。以优化最终推荐结果的准确率为目标搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。通过多目标特征选取模型、群体协同学习机制和深度学习策略，提高了个体识别和分类的准确性和稳定性，也提高了医生与患者之间的匹配度，实现个性化有针对性的医生推荐。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参见图4，图4是本申请实施例四提供的一种医生推荐装置的示意图。如图4所示的本实施例中的医生推荐装置400可以包括：处理器401、存储器402以及存储在存储器402中并可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个医生推荐方法实施例中的步骤。存储器402用于存储计算机程序，所述计算机程序包括程序指令。处理器401用于执行存储器402存储的程序指令。其中，处理器401被配置用于调用所述程序指令执行以下操作：
获取患者信息和医生信息；
从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；
根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；
根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
进一步的，处理器401被配置用于调用所述程序指令具体执行：
根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；
根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；
根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。
进一步的，处理器401被配置用于调用所述程序指令具体执行：
获取当前的权重调整次数；
根据所述权重调整次数、预设的权重调整的原始增量，确定当前调整权重的实时增量；
根据所述实时增量调整所述适应函数的权重。
进一步的，处理器401被配置用于调用所述程序指令具体执行：
若所述当前的权重调整次数与预设的次数阈值相同时，则将当前的权重识别为所述医生特征对应的特征权重。
进一步的，处理器401被配置用于调用所述程序指令具体执行：
对所述患者信息中提取出患者病史，作为所述患者特征；
从所述医生信息中提取出专业领域、医生职称、论文数量以及执业年限，作为所述医生特征。
上述方案，通过获取患者信息和医生信息；从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。以优化最终推荐结果的准确率为目标搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。通过多目标特征选取模型、群体协同学习机制和深度学习策略，提高了个体识别和分类的准确性和稳定性，也提高了医生与患者之间的匹配度，实现个性化有针对性的医生推荐。
应当理解，在本申请实施例中，所称处理器401可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器402可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器402的一部分还可以包括非易失性随机存取存储器。例如，存储器402还可以存储设备类型的信息。
具体实现中，本申请实施例中所描述的处理器401、存储器402、计算机程序403可执行本申请实施例提供的医生推荐方法的第一实施例和第二实施例中所描述的实现方式，也可执行本申请实施例所描述的终端的实现方式，在此不再赘述。
在本申请的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：
获取患者信息和医生信息；
从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；
根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；
根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
进一步的，所述计算机程序被处理器执行时还实现：
根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；
根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；
根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。
进一步的，所述计算机程序被处理器执行时还实现：
获取当前的权重调整次数；
根据所述权重调整次数、预设的权重调整的原始增量，确定当前调整权重的实时增量；
根据所述实时增量调整所述适应函数的权重。
进一步的，所述计算机程序被处理器执行时还实现：
若所述当前的权重调整次数与预设的次数阈值相同时，则将当前的权重识别为所述医生特征对应的特征权重。
进一步的，所述计算机程序被处理器执行时还实现：
对所述患者信息中提取出患者病史，作为所述患者特征；
从所述医生信息中提取出专业领域、医生职称、论文数量以及执业年限，作为所述医生特征。
上述方案，通过获取患者信息和医生信息；从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。以优化最终推荐结果的准确率为目标搜索最优权重组合，进而利用权重法将协同过滤算法中的各特征相似度计算结果进行合并，输出与患者最匹配的医生推荐排序结果。通过多目标特征选取模型、群体协同学习机制和深度学习策略，提高了个体识别和分类的准确性和稳定性，也提高了医生与患者之间的匹配度，实现个性化有针对性的医生推荐。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，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申请的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种医生推荐方法，其特征在于，包括：
获取患者信息和医生信息；
从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；
根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；
根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
2.如权利要求1所述的医生推荐方法，其特征在于，所述根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重，包括：
根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；
根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；
根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。
3.如权利要求2所述的医生推荐方法，其特征在于，所述根据预设的菌群优化算法，对所述适应函数中的权重进行调整，包括：
获取当前的权重调整次数；
根据所述权重调整次数、预设的权重调整的原始增量，确定当前调整权重的实时增量；
根据所述实时增量调整所述适应函数的权重。
4.如权利要求3所述的医生推荐方法，其特征在于，所述获取当前的权重调整次数之后，还包括：
若所述当前的权重调整次数与预设的次数阈值相同时，则将当前的权重识别为所述医生特征对应的特征权重。
5.如权利要求1-4任一项所述的医生推荐方法，其特征在于，所述从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征，包括：
对所述患者信息中提取出患者病史，作为所述患者特征；
从所述医生信息中提取出专业领域、医生职称、论文数量以及执业年限，作为所述医生特征。
6.一种医生推荐装置，其特征在于，包括：
获取单元，用于获取患者信息和医生信息；
提取单元，用于从所述患者信息中提取出患者特征，从所述医生信息中提取出医生特征；
权重单元，用于根据所述患者特征和所述医生特征构建适应函数，并根据所述适应函数确定各个医生特征对应的特征权重；
匹配单元，用于根据所述医生特征对应的特征权重，确定与所述患者信息最匹配的医生信息。
7.如权利要求6所述的医生推荐装置，其特征在于，所述权重单元包括：
函数构建单元，用于根据所述患者特征和所述医生特征之间的匹配关系、各个所述医生特征之间的相似关系，构建所述适应函数；所述适应函数中包括针对每个所述医生特征的预设权重；
权重调整单元，用于根据预设的菌群优化算法，对所述适应函数中的预设权重进行调整；
权重识别单元，用于根据调整之后的权重计算所述适应函数的适应值，当所述适应值最大时，识别所述调整之后的权重为所述医生特征对应的特征权重。
8.如权利要求6所述的医生推荐装置，其特征在于，所述权重调整单元包括：
次数单元，用于获取当前的权重调整次数；
增量单元，用于根据所述权重调整次数、预设的权重调整的原始增量，确定当前调整权重的实时增量；
调整单元，用于根据所述实时增量调整所述适应函数的权重。
9.一种装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201910451848.9A 2019-05-24 2019-05-28 一种医生推荐方法及装置 Active CN110232971B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019104404064 2019-05-24
CN201910440406 2019-05-24

Publications (2)

Publication Number Publication Date
CN110232971A true CN110232971A (zh) 2019-09-13
CN110232971B CN110232971B (zh) 2022-04-12

Family

ID=67858662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910451848.9A Active CN110232971B (zh) 2019-05-24 2019-05-28 一种医生推荐方法及装置

Country Status (1)

Country Link
CN (1) CN110232971B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475713A (zh) * 2020-03-13 2020-07-31 京东方科技集团股份有限公司 医生信息推荐方法、装置、电子设备、系统及存储介质
CN111554387A (zh) * 2020-04-26 2020-08-18 医渡云（北京）技术有限公司 医生信息推荐的方法、装置、存储介质及电子设备
CN111931641A (zh) * 2020-08-07 2020-11-13 华南理工大学 基于权重多样性正则化的行人重识别方法及其应用
CN112035741A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 基于用户体检数据的预约方法、装置、设备及存储介质
CN112836058A (zh) * 2019-11-25 2021-05-25 北京搜狗科技发展有限公司 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置
CN113764080A (zh) * 2021-01-29 2021-12-07 北京京东拓先科技有限公司 资源分配方法、装置以及存储介质
CN113782163A (zh) * 2021-03-29 2021-12-10 北京京东拓先科技有限公司 信息推送方法、装置和计算机可读存储介质
CN114171162A (zh) * 2021-12-03 2022-03-11 广州穗海新峰医疗设备制造股份有限公司 一种基于大数据分析的镜像神经元康复训练的方法及系统
CN114220537A (zh) * 2022-02-18 2022-03-22 橙意家人科技（天津）有限公司 一种基于互联网医院的ai智能在线诊断方法及云系统
CN114981803A (zh) * 2020-12-25 2022-08-30 京东方科技集团股份有限公司 一种体检信息分配方法、装置、电子设备、计算机可读存储介质以及计算机程序产品
CN114996487A (zh) * 2022-05-24 2022-09-02 北京达佳互联信息技术有限公司 媒体资源推荐方法、装置、电子设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227880A (zh) * 2016-08-01 2016-12-14 挂号网（杭州）科技有限公司 医生搜索推荐的实现方法
CN107563120A (zh) * 2017-09-13 2018-01-09 青岛海信医疗设备股份有限公司 针对患者的医生推荐方法及装置
CN108830370A (zh) * 2018-05-24 2018-11-16 东北大学 基于增强学习型菌群觅食算法的特征选择方法
CN109102867A (zh) * 2018-08-13 2018-12-28 贵阳叁玖互联网医疗有限公司 远程医疗的智能分诊方法及智能分诊平台

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227880A (zh) * 2016-08-01 2016-12-14 挂号网（杭州）科技有限公司 医生搜索推荐的实现方法
CN107563120A (zh) * 2017-09-13 2018-01-09 青岛海信医疗设备股份有限公司 针对患者的医生推荐方法及装置
CN108830370A (zh) * 2018-05-24 2018-11-16 东北大学 基于增强学习型菌群觅食算法的特征选择方法
CN109102867A (zh) * 2018-08-13 2018-12-28 贵阳叁玖互联网医疗有限公司 远程医疗的智能分诊方法及智能分诊平台

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836058A (zh) * 2019-11-25 2021-05-25 北京搜狗科技发展有限公司 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置
CN111475713A (zh) * 2020-03-13 2020-07-31 京东方科技集团股份有限公司 医生信息推荐方法、装置、电子设备、系统及存储介质
CN111554387A (zh) * 2020-04-26 2020-08-18 医渡云（北京）技术有限公司 医生信息推荐的方法、装置、存储介质及电子设备
CN111931641A (zh) * 2020-08-07 2020-11-13 华南理工大学 基于权重多样性正则化的行人重识别方法及其应用
CN111931641B (zh) * 2020-08-07 2023-08-22 华南理工大学 基于权重多样性正则化的行人重识别方法及其应用
CN112035741A (zh) * 2020-08-28 2020-12-04 康键信息技术（深圳）有限公司 基于用户体检数据的预约方法、装置、设备及存储介质
CN112035741B (zh) * 2020-08-28 2022-08-30 康键信息技术（深圳）有限公司 基于用户体检数据的预约方法、装置、设备及存储介质
CN114981803A (zh) * 2020-12-25 2022-08-30 京东方科技集团股份有限公司 一种体检信息分配方法、装置、电子设备、计算机可读存储介质以及计算机程序产品
CN113764080A (zh) * 2021-01-29 2021-12-07 北京京东拓先科技有限公司 资源分配方法、装置以及存储介质
CN113782163A (zh) * 2021-03-29 2021-12-10 北京京东拓先科技有限公司 信息推送方法、装置和计算机可读存储介质
CN114171162A (zh) * 2021-12-03 2022-03-11 广州穗海新峰医疗设备制造股份有限公司 一种基于大数据分析的镜像神经元康复训练的方法及系统
CN114171162B (zh) * 2021-12-03 2022-10-11 广州穗海新峰医疗设备制造股份有限公司 一种基于大数据分析的镜像神经元康复训练的方法及系统
CN114220537A (zh) * 2022-02-18 2022-03-22 橙意家人科技（天津）有限公司 一种基于互联网医院的ai智能在线诊断方法及云系统
CN114996487A (zh) * 2022-05-24 2022-09-02 北京达佳互联信息技术有限公司 媒体资源推荐方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
CN110232971B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN110232971B (zh) 一种医生推荐方法及装置
Khamparia et al. Seasonal crops disease prediction and classification using deep convolutional encoder network
Alzubi et al. Machine learning from theory to algorithms: an overview
Polson et al. Deep learning: A Bayesian perspective
US11544591B2 (en) Framework for a computing system that alters user behavior
Emary et al. Feature subset selection approach by gray-wolf optimization
US7967731B2 (en) System and method for motivating users to improve their wellness
CN109902222A (zh) 一种推荐方法及装置
Keshtkar Langaroudi et al. Sports result prediction based on machine learning and computational intelligence approaches: A survey
CN117198466B (zh) 针对肾病患者的饮食管理方法及系统
CN110737730B (zh) 基于无监督学习的用户分类方法、装置、设备及存储介质
Li et al. Prediction and informative risk factor selection of bone diseases
Panda et al. Hybrid evolutionary algorithms for classification data mining
Seth et al. Particle swarm optimization assisted support vector machine based diagnostic system for lung cancer prediction at the early stage
Pradhan et al. Diabetes mellitus prediction and classifier comparitive study
Yildirim A novel grid-based many-objective swarm intelligence approach for sentiment analysis in social media
CN108256030B (zh) 一种基于本体的密度自适应概念语义相似度计算方法
Afshar et al. Presenting a new multiclass classifier based on learning automata
Alif et al. Crop prediction based on geographical and climatic data using machine learning and deep learning
Velichkov et al. Deep learning contextual models for prediction of sport event outcome from sportsman’s interviews
CN113836444B (zh) 一种线性时间好友推荐方法、系统、终端以及存储介质
Agrawal et al. Lung transplant outcome prediction using unos data
Young Imputation for random forests
Salleh et al. An imputation for missing data features based on fuzzy swarm approach in heart disease classification
Spanakis et al. Enhancing classification of ecological momentary assessment data using bagging and boosting

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