CN116523598A - 一种医疗器械推荐方法、系统、存储介质 - Google Patents
一种医疗器械推荐方法、系统、存储介质 Download PDFInfo
- Publication number
- CN116523598A CN116523598A CN202310483109.4A CN202310483109A CN116523598A CN 116523598 A CN116523598 A CN 116523598A CN 202310483109 A CN202310483109 A CN 202310483109A CN 116523598 A CN116523598 A CN 116523598A
- Authority
- CN
- China
- Prior art keywords
- global
- node
- representing
- local
- session
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims description 7
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 230000003993 interaction Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000013479 data entry Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 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 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种医疗器械推荐方法，具体包括以下步骤：S1：从网络数据库中获取用户的历史交互信息，并按照时间间隔划分为不同的第一会话，并生成对应的训练数据集；S2：根据第一会话构建局部子图，得到局部子图中各个节点的局部上下文特征；S3：根据第一会话构建全局超图，得到全局超图中各个节点的全局偏好特征；S4：根据局部上下文特征和全局偏好特征进行融合得到融合特征；S5：根据节点的融合特征生成交易会话样本特征，并从候选项目库中根据相似度生成推荐列表。
Description
技术领域
本发明涉及大数据智能技术领域，特别涉及一种医疗器械推荐方法、系统、存储介质。
背景技术
在如今的医疗器械交易中，提供给客户选择的相关选择相当冗余、繁杂，以口罩为例，便可将其分类为医用外科口罩、医用防护口罩、N95口罩、KN95口罩、一次性口罩等大类，用户很难对于所有医疗器械种类完全掌握并直接检索到所需购置的物品。
在交易过程中，由于医疗器械种类繁复且本身对专业性知识要求较高，而实际生活中很难要求购买客户对医疗器械领域有充足认知。因此，为了更好地服务于客户的医疗健康需求，提高用户的满意度，需要对医疗器械交易建立一个可靠的交易推荐系统辅助用户完成选择。
现有的药品器械交易推荐系统往往需要借助用户自身的一些属性特征辅助用户建模，而在在近年来的医疗器械交易场景中，大量潜在客户为新用户，在系统中并不存在其相关属性特征信息，现有推荐系统难以对用户需求进行准确建模，因此不能准确依靠与用户的交互信息推荐用户需求的物品。
发明内容
针对现有技术为用户推荐医疗机械的准确度较低的问题，本发明提出一种医疗器械推荐方法、系统、存储介质，通过采集真实环境中的用户会话数据，进行分析和挖掘，生成反映用户真实需求和偏好的数据集，更好地了解用户的需求和偏好，从而实现更准确和精细的推荐。
为了实现上述目的，本发明提供以下技术方案：
一种医疗器械推荐方法，具体包括以下步骤：
S1：从网络数据库中获取用户的历史交互信息，并按照时间间隔划分为不同的第一会话，并生成对应的训练数据集；
S2：根据第一会话构建局部子图，得到局部子图中各个节点的局部上下文特征；
S3：根据第一会话构建全局超图，得到全局超图中各个节点的全局偏好特征；
S4：根据局部上下文特征和全局偏好特征进行融合得到融合特征；
S5：根据节点的融合特征生成交易会话样本特征，并从候选项目库中根据相似度生成推荐列表。
优选地，所述S1中，历史交互信息包括搜索、浏览、添加购物车、下单。
优选地，所述S1包括：
S1-1：将获取的用户的历史交互信息按照时间间隔t进行划分，得到n个原始会话，n≥1且为正整数；
S1-2：对n个原始会话进行数据过滤得到m个第一会话：将在n个原始会话中出现次数少于5次的独立项目对应的原始会话过滤、将会话长度小于2的原始会话过滤；
S1-3：将每个第一会话中最后一个独立项目划分为当前第一会话的第一数据标签，将其他的点击项作为第一训练数据，第一训练数据和第一数据标签构成第一数据条目；
S1-4：重复对第一训练数据按照S1-3所述划分方法进行重复划分，直到只剩余一个点击项作为最后的训练数据，构成最后的数据条目；统计所有的数据条目作为第一会话对应的训练数据集。
优选地，所述S2包括：
S2-1：将第一会话转化为对应的局部子图：将每个独立项目作为局部子图中的各个节点，若两节点之间存在上下文的交互则在两节点之间连线；
S2-2：在局部子图中，应用注意力机制来为邻域节点分配相似度权重，计算公式如下：
eij＝LeakyReLU(aT(xi⊙xj)) (1)
公式(1)中，eij表示节点i和节点j的相似度权重；a表示学习向量；T表示转置；xi表示节点i的嵌入表示；xj表示节点j的嵌入表示；⊙表示点乘操作；
S2-3：更新得到节点在局部子图中的嵌入表示：
公式(2)中，表示在局部子图l中节点i的嵌入表示，即局部上下文特征；Ni表示节点i的邻域集合，即在局部子图中与节点i相邻的节点，与i具有上下文关系的节点集合。
优选地，所述S3包括：
S3-1：将第一会话将之转化为全局超图：将每个独立项目作为全局超图中的各个节点，用一条超边连接所有的节点；
S3-2：计算全局超图中对应的当前会话的初始信息表示：
公式(3)中，s表示当前会话的初始信息表示；|S|表示全局超图中节点的个数；S表示全局超图中节点集合；xj表示节点j的嵌入表示；
S3-3：根据会话的初始信息表示计算节点之间的注意力权重：
πij＝aTσ(W1(xi⊙s)+W2xj+b1) (4)
公式(4)中，πij表示节点i和节点j的注意力权重，即以节点i为主视角，其他节点与节点i的权重；a表示学习向量；T表示转置；σ为激活函数；W1,W2，b表示训练参数；
S3-4：根据注意力权重计算节点在全局超图的嵌入表示，通过在全局超图中进行邻域聚合更新得到节点对应的嵌入表示：
公式(5)中，表示在全局超图g中节点i的嵌入表示，即全局偏好特征；/>表示在全局超图中节点i的所有邻域集合。
优选地，所述S4包括：
S4-1：以局部上下文特征为基础与全局偏好特征的融合过程得到局部融合特征，形式化表示为：
公式(6)中，rt表示GRU网络的重置向量；zt表示GRU网络的更新向量；表示GRU网络的隐藏层向量；σ表示激活函数；Wr、Wz、Wh表示训练参数；/>表示局部子图l中节点在t-1时刻的局部上下文特征；/>表示全局超图g中节点在t时刻的全局偏好特征，/>表示局部子图l中t时刻的局部融合信息表示，即局部融合特征；
S4-2：以全局偏好特征为基础与局部上下文特征的融合过程得到全局融合特征，形式化表示为：
公式(7)中，表示全局超图g中节点在t-1时刻的全局偏好特征，/>示局部子图l中节点在t时刻的局部上下文特征；/>表示t时刻的全局融合信息表示，即全局融合特征；
S4-3：分别将局部融合特征与局部子图的嵌入表示进行加权集合和将全局融合信息表示与全局超图的嵌入表示进行加权集合，从而对节点的嵌入表示进行更新，即：
公式(8)中，分别表示局部子图l中节点更新后的嵌入表示、全局超图g中节点更新后的嵌入表示；/>分别表示局部子图l中节点更新前的嵌入表示、全局超图g中节点更新前的嵌入表示；/>分别表示局部融合特征、全局融合特征；α表示控制融合信息影响的超参数；
S4-4：结合局部子图和全局超图中节点更新后的嵌入表示得到融合特征，计算公式为：
公式(9)中，x'i表示节点i的融合特征。
优选地，所述S5包括：
S5-1：利用软注意力机制和软注意力参数为不同节点分配权重，并计算更新当前会话的整体表示，计算方式为：
公式(10)中，θi表示节点i的权重；f表示可学习的向量；T表示转置；σ表示激活函数；W4、W5、b3表示超参数；s表示当前会话的初始信息表示；x'i表示节点i的融合特征；S'表示当前会话学习更新后的整体表示；m表示节点总数；
S5-2：计算当前会话的整体表示S'与候选库中各品类项目的相似度：
公式(11)中，表示相似度；S'表示当前会话学习更新后的整体表示；T表示转置；xi表示节点i的嵌入表示；
S5-3：将相似度按照得分从高到低进行排序，最终，将排名靠前的K个项目组成医疗器械推荐列表。
优选地，还包括：
S5-4：根据医疗器械推荐列表计算推荐任务损失，对训练参数进行优化；
将交叉熵损失函数作为推荐任务的优化目标，通过反向梯度传播算法更新模型参数，其计算过程可表示为：
公式(12)中，表示损失函数，用反向梯度传播优化；k表示第k个数据条目，其中包括医疗器械推荐列表；N表示数据条目的总数；yk表示真实标签向量；/>表示相似度。
本发明还提供一种医疗器械推荐系统，包括：
数据获取模块，用于从网络数据库中获取用户的历史交互信息；
会话划分模块，用于按照时间间隔将用户的历史交互信息进行划分和过滤，从而得到第一会话；
第一特征计算模块，用于根据第一会话构建局部子图，得到局部子图中各个节点的局部上下文特征；
第二特征计算模块，用于根据第一会话构建全局超图，得到全局超图中各个节点的全局偏好特征；
第三特征计算模块，用于根据局部上下文特征和全局偏好特征进行融合得到融合特征；
推荐模块，用于根据融合特征生成推荐列表。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，该计算机程序被执行时实现一种医疗器械推荐方法的步骤。
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：
本发明通过采集真实环境中的用户会话数据，进行分析和挖掘，生成反映用户真实需求和偏好的数据集，结合用户的局部需求和全局偏好，多层次反映用户的偏好趋向，从而实现更准确和精细的推荐；
同时将局部上下文特征和全局偏好特征进行融合，可以为推荐系统提供更丰富和全面的用户信息，更好地了解用户的购买偏好和需求，从而提高推荐的准确性和效果，同样也可以为用户提供更加多样化的药品和器械产品推荐，避免出现过于单一和重复的推荐结果。
附图说明：
图1为根据本发明示例性实施例的一种医疗器械推荐方法示意图。
图2为根据本发明示例性实施例的局部子图示意图。
图3为根据本发明示例性实施例的全局超图示意图。
图4为根据本发明示例性实施例的一种医疗器械推荐系统示意图。
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。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供一种医疗器械推荐方法，具体包括以下步骤：
S1：从网络数据库中获取用户的历史交互信息，并按照时间间隔划分为不同的第一会话，并生成对应的训练数据集。
本实施例中，用户的历史交互信息来源于真实的网络数据库(例如包含淘宝、亚马逊等在线电子交易平台)，生成包含真实场景和用户行为的数据集。本发明通过收集并处理大量的用户历史交互信息，进行分析和挖掘，生成反映用户真实需求和偏好的训练数据集，具有高准确度。
S1-1：将获取的用户的历史交互信息按照时间间隔t(从开始到结束)进行划分，得到n个原始会话，n≥1且为正整数。
本实施例中，用户的历史交互信息(包括搜索、浏览、添加购物车、下单等多个环节)均带有时间戳，因此可按照时间戳的先后顺序进行划分。
本实施例中，时间间隔t优选为2小时。比如用户在下午1-3点进行的所有交互信息视为在第一个原始会话，在下午3-5点发生的新的交互信息则视为第二个原始会话。
S1-2：对n个原始会话进行数据过滤得到m个第一会话：将在n个原始会话中出现次数少于5次的独立项目对应的原始会话(例如口罩在所有原始会话中只出现3次，则将包含有口罩这个独立项目的原始会话去掉)过滤、将会话长度小于2(即只包含一个独立项目)的原始会话过滤，因为长度为1的原始会话无法划分数据标签，同时因长度为1的原始会话占比很大但价值不高，因此去除后可以节省时间，提高推荐效率。
本实施例中，独立项目指的是不重复的商品种类；以医疗器械为例，独立项目包括各型号的口罩、手术刀、体温计、血压表等。会话长度指的是在会话中浏览独立项目的次数。
例如，原始会话是用户的浏览物品A->B->A->A->A->B，用A和B指示两个独立项目，即手术刀、口罩等物品，这就是一个长度为6的第一会话，其中包含A与B两个独立项目。
S1-3：将每个第一会话中最后一次点击项(选取的最后一个独立项目)划分为当前第一会话的第一数据标签，将其他的点击项作为第一训练数据，第一训练数据和第一数据标签构成第一数据条目；
S1-4：重复对第一训练数据按照S1-3所述划分方法进行重复划分，直到只剩余一个点击项作为最后的训练数据，构成最后的数据条目；统计所有的数据条目作为第一会话对应的训练数据集。
例如，第一会话为“A->B->A->A->A->B”，其中最后一次点击项为“B”，则将“B”作为第一数据标签，“A->B->A->A->A”作为第一训练数据，构成第一数据条目；将“A->B->A->A->A”进行划分，其中最后一次点击项为“A”，则将“A”作为第二数据标签，“A->B->A->A”作为第二训练数据，构成第二数据条目；将“A->B->A->A”进行划分，其中最后一次点击项为“A”，则将“A”作为第三数据标签，“A->B->A”作为第三训练数据，构成第三数据条目；将“A->B->A”进行划分，其中最后一次点击项为“A”，则将“A”作为第四数据标签，“A->B”作为第四训练数据，构成第四数据条目；将“A->B”进行划分，其中最后一次点击项为“B”，则将“B”作为第五数据标签，“A”作为第五训练数据，构成第五数据条目；完成所有训练条目的划分。
S2：根据第一会话构建局部子图，得到局部子图中各个节点的局部上下文特征。
在医疗器械交易过程中，用户的购买行为通常是一个连续的过程，包括搜索、浏览、添加购物车、下单等多个环节。在这个连续的过程中，用户的偏好和需求会随着时间和场景的变化而发生变化，这些变化会反映在用户的交互行为中。因此，捕捉局部上下文特征，即用户在交互过程中偏好的转移、变化过程，可以更好地了解用户的需求和偏好，从而实现更准确和精细的推荐。
S2-1：将每个第一会话转化为对应的局部子图：将每个独立项目作为局部子图中的各个节点，若两节点之间存在上下文的交互(即两节点存在关联)则在两节点之间连线，局部子图中的对应节点更关注上下文交互中的偏移转换。
比如用户浏览了手术刀、口罩、显微镜：手术刀与口罩之间存在上下文的交互，代表两者的节点进行连线；手术刀与显微镜之间不存在上下文的交互，两者不进行连线。
本实施例中，如图2所示，例如局部子图中包括多个节点(独立项目)，节点分别为V1、V2、V3、V4、V5、V6，V1和V2之间存在上下文的交互，V2和V3之间存在上下文的交互，V3分别和V4、V5之间存在上下文的交互，V4和V6之间存在上下文的交互，V6和V5之间存在上下文的交互。
S2-2：在局部子图中，只关注与当前节点存在直接上下文关系的节点，则本发明应用注意力机制来为邻域节点分配不同相似度权重，计算公式如下：
eij＝LeakyReLU(aT(xi⊙xj)) (1)
公式(1)中，eij表示节点i和节点j的相似度权重；a表示可学习的向量；T表示转置；xi表示节点i的嵌入表示；xj表示节点j的嵌入表示；⊙表示点乘操作。
S2-3：为各节点进行邻域聚合，学习局部子图内(即在局部子图中进行相关操作)节点的嵌入表示，通过对注意力系数做softmax归一化处理，聚合邻域信息更新节点在局部图中的嵌入表示，可将会话局部子图各个节点的更新过程形式化为：
公式(2)中，表示在局部子图l中节点i的嵌入表示，即局部上下文特征；Ni表示节点i的邻域集合，即在局部子图中与节点i相邻的节点，与i具有上下文关系的节点集合；
本实施例中，计算得到局部子图内独立项目的嵌入表示(即节点i的向量表示，在计算机空间中表示节点i)，其可以通过在浏览交互信息时产生的局部上下文转换准确描述用户的潜在兴趣定位，即在医疗器械交易过程中用户意图偏移的局部上下文特征。
S3：根据第一会话构建全局超图，得到全局超图中各个节点的全局偏好特征。
在医疗器械交易推荐系统中，用户的全局偏好通常指的是用户在交易中反映的整体意图。这些偏好可能与用户在当前会话中的整体意图趋向有关，是一个综合性的概念。全局偏好和局部上下文特征都是医疗器械交易会话推荐中的重要因素，但全局偏好通常用于捕捉用户相对稳定的购买意向和偏好，是一个相对静态的概念，相对稳定地反映了用户的购买倾向和偏好，通常不会因为会话中浏览项目影响而发生大的改变；局部上下文特征则用于捕捉用户在当前会话中的交互行为，是相对动态的概念，会随着用户交互的变化而不断发生变化。通过两者共同作用，能够从多层次反映用户的偏好趋向。
S3-1：将第一会话将之转化为全局超图(即每个第一会话对应一个全局超图)：将每个独立项目作为全局超图中的各个节点，用一条超边连接所有的节点。则么个独立项目的邻域集合包含其他的独立项目，这样有助于学习会话的整体倾向。
本实施例中，常规的边从节点1连接到节点2，只包括两个节点；但超边可以连接多个不同节点，节点1通过一条超边同时与节点2/3/4等相连。
如图3所示，例如全局超图包括多个独立项目作为节点，节点分别为V1、V2、V3、V4、V5、V6，将所有的节点通过超边连接，最终效果为节点与其他节点互相全连接。
S3-2：计算全局超图中对应的当前会话的初始信息表示。
本实施例中，为了强调全局信息与整体会话的兴趣倾向的一致性，先对会话整体进行学习。在本发明中对会话中所有独立项目的嵌入表示取均值作为初始信息表示，其过程可以表示为：
公式(3)中，s表示当前会话的初始信息表示；|S|表示全局超图中节点的个数；S表示全局超图中节点集合；xj表示节点j的嵌入表示。
S3-3：根据会话的初始信息表示计算节点之间的注意力权重。
本实施例中，通过类似软注意力机制的方法，为当前节点与整体会话信息贡献更高的全局邻域节点表示分配更高的权重系数，将之形式化表示为：
πij＝aTσ(W1(xi⊙s)+W2xj+b1) (4)
公式(4)中，πij表示节点i和节点j的注意力权重，即以节点i为主视角，其他节点与节点i的权重；a表示可学习的向量；T表示转置；σ为激活函数；W1,W2，b表示训练参数；
S3-4：根据注意力权重计算节点在全局超图(即在全局超图中进行相关操作)的嵌入表示，通过在全局超图中进行邻域聚合更新得到节点对应的嵌入表示：
公式(5)中，表示在全局超图g中节点i的嵌入表示，即全局偏好特征；/>表示在全局超图中节点i的所有邻域集合。
本实施例中，节点在全局超图中的嵌入表示(全局偏好特征)能够反映用户在医疗器械交易会话交互过程中较主观、明确的短期准确交互意图，可以更好地理解用户的购买偏好和需求，从而更好地进行个性化推荐，提高用户的购买满意度。
S4：根据局部上下文特征和全局偏好特征进行融合得到融合特征。
在医疗器械交易会话推荐中，全局偏好特征和局部上下文特征都是非常重要的因素。全局偏好特征可以揭示用户的整体购买偏好和需求，而局部上下文特征可以考虑用户在当前交互过程中的实时行为和偏好。全局偏好特征和局部上下文特征的有效融合可以实现互补增强，全局偏好特征和局部上下文特征的融合可以为推荐系统提供更丰富和全面的用户信息，更好地了解用户的购买偏好和需求，从而提高推荐的准确性和效果，同样也可以为用户提供更加多样化的药品和器械产品推荐，避免出现过于单一和重复的推荐结果。
S4-1：为了强化序列会话中全局信息与局部信息的逐层扩散关系，本发明通过门控循环单元(Gate Recurrent Unit,GRU)实现全局偏好特征和局部上下文特征的细粒度逐级融合。
本实施例中，以局部上下文特征为基础，将节点的局部上下文特征表示作为GRU网络的输入，GRU网络中每一层的隐藏层输入为对应全局偏好特征的输出，通过GRU网络捕获序列长、短期(即全局偏好特征和局部上下文特征)的依赖关系，细粒度地将全局信息注入到局部特征表示中。
本实施例中，以局部上下文特征为基础的融合过程可形式化表示为：
公式(6)中，rt表示GRU网络的重置向量；zt表示GRU网络的更新向量；表示GRU网络的隐藏层向量；σ表示激活函数；Wr、Wz、Wh表示训练参数；/>表示局部子图l中节点在t-1时刻的局部上下文特征；/>表示全局超图g中节点在t时刻的全局偏好特征，/>表示局部子图l中t时刻的局部融合信息表示，即局部融合特征。
S4-2：对于全局偏好特征，同样将局部上下文特征作为对应GRU网络中隐藏层输入，学习全局偏好特征为基础的融合嵌入表示，再将融合嵌入表示与全局偏好特征表示结合，其计算过程与之类似，即：
公式(7)中，表示全局超图g中节点在t-1时刻的全局偏好特征，/>示局部子图l中节点在t时刻的局部上下文特征；/>表示t时刻的全局融合信息表示，即全局融合特征。
S4-3：分别将局部融合特征与局部子图的嵌入表示进行加权集合和将全局融合信息表示与全局超图的嵌入表示进行加权集合，从而对节点的嵌入表示进行更新，即：
公式(8)中，分别表示局部子图l中节点更新后的嵌入表示、全局超图g中节点更新后的嵌入表示；/>分别表示局部子图l中节点更新前的嵌入表示、全局超图g中节点更新前的嵌入表示；/>分别表示局部融合特征、全局融合特征；α表示控制融合信息影响的超参数。
S4-4：结合局部子图和全局超图中节点更新后的嵌入表示得到融合特征(即融合嵌入表示)，计算公式为：
公式(9)中，x'i表示节点i的融合特征。
本实施例中，x'i表示结合了全局整体偏好信息与局部兴趣转换信息，通过全局特征与局部特征的互补增强有效提高节点表示的泛化能力，有助于后续推荐任务准确性的提升。全局偏好特征和局部上下文特征的互补融合可以帮助推荐系统更好地了解用户的购买偏好和需求，提高个性化推荐效果和多样性，促进用户忠诚度和复购率的提高，进而提高药品器械交易平台的销售额和市场竞争力。
S5：根据节点的融合特征生成交易会话样本特征，并从候选项目库中根据相似度生成推荐列表。
S5-1：利用软注意力机制和软注意力参数为不同节点分配权重，并计算更新当前会话的整体表示，计算方式为：
公式(10)中，θi表示节点i的权重；f表示可学习的向量；T表示转置；σ表示激活函数；W4、W5、b3表示超参数；s表示当前会话的初始信息表示；x'i表示节点i的融合特征；S'表示当前会话学习更新后的整体表示；m表示节点总数。
S5-2：计算当前会话的整体表示S'与候选库中各品类项目的相似度，并以此作为推荐置信度的度量指标，认为具有更高相似度的相关项目更容易作为客户可能的点击项目：
公式(11)中，表示相似度；S'表示当前会话学习更新后的整体表示；T表示转置；xi表示节点i。
S5-3：将相似度按照得分从高到低进行排序，最终，将排名靠前的K个项目组成医疗器械推荐列表作为返回结果，供用户进行选择和购买。
S5-4：根据返回结果计算推荐任务损失，对训练参数(例如W1,W2，b)进行优化，进一步提高推荐准确率。
本实施例中，将推荐系统中常用的交叉熵损失(Cross Entropy Loss)函数作为推荐任务的优化目标，希望模型能将给定对应正确标签的候选项目高置信度评分，通过反向梯度传播算法更新模型参数，其计算过程可表示为：
公式(12)中，表示损失函数，用反向梯度传播优化；k表示第k个数据条目，其中包括医疗器械推荐列表；N表示数据条目的总数；yk表示真实标签向量，比如第一条目为{v1,v2,v3,v4}，第一数据为{v1,v2,v3}，其真实的第一数据标签为v4，则对v4来说，其yk为1，对v5来说yk为0；/>表示相似度。
基于上述的一种医疗器械推荐方法，如图4所示，本发明还提供一种医疗器械推荐系统，包括数据获取模块、会话划分模块、第一特征计算模块、第二特征计算模块、第三特征计算模块和推荐模块；数据获取模块的输出端与会话划分模块的输入端连接，会话划分模块的输出端分别与第一特征计算模块的输入端和第二特征计算模块的输入端连接，第一特征计算模块的输出端和第二特征计算模块的输出端分别与第三特征计算模块的输入端连接，第三特征计算模块的输出端与推荐模块的输入端连接。
数据获取模块，用于从网络数据库中获取用户的历史交互信息，包括搜索、浏览、添加购物车、下单等多个环节；
会话划分模块，用于按照时间间隔将用户的历史交互信息进行划分和过滤，从而得到第一会话；
第一特征计算模块，用于根据第一会话构建局部子图，得到局部子图中各个节点的局部上下文特征；
第二特征计算模块，用于根据第一会话构建全局超图，得到全局超图中各个节点的全局偏好特征；
第三特征计算模块，用于根据局部上下文特征和全局偏好特征进行融合得到融合特征；
推荐模块，用于根据融合特征生成推荐列表。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，该计算机程序被执行时实现一种医疗器械推荐方法的步骤。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。
Claims (10)
1.一种医疗器械推荐方法，其特征在于，具体包括以下步骤：
S1：从网络数据库中获取用户的历史交互信息，并按照时间间隔划分为不同的第一会话，并生成对应的训练数据集；
S2：根据第一会话构建局部子图，得到局部子图中各个节点的局部上下文特征；
S3：根据第一会话构建全局超图，得到全局超图中各个节点的全局偏好特征；
S4：根据局部上下文特征和全局偏好特征进行融合得到融合特征；
S5：根据节点的融合特征生成交易会话样本特征，并从候选项目库中根据相似度生成推荐列表。
2.如权利要求1所述的一种医疗器械推荐方法，其特征在于，所述S1中，历史交互信息包括搜索、浏览、添加购物车、下单。
3.如权利要求1所述的一种医疗器械推荐方法，其特征在于，所述S1包括：
S1-1：将获取的用户的历史交互信息按照时间间隔t进行划分，得到n个原始会话，n≥1且为正整数；
S1-2：对n个原始会话进行数据过滤得到m个第一会话：将在n个原始会话中出现次数少于5次的独立项目对应的原始会话过滤、将会话长度小于2的原始会话过滤；
S1-3：将每个第一会话中最后一个独立项目划分为当前第一会话的第一数据标签，将其他的点击项作为第一训练数据，第一训练数据和第一数据标签构成第一数据条目；
S1-4：重复对第一训练数据按照S1-3所述划分方法进行重复划分，直到只剩余一个点击项作为最后的训练数据，构成最后的数据条目；统计所有的数据条目作为第一会话对应的训练数据集。
4.如权利要求1所述的一种医疗器械推荐方法，其特征在于，所述S2包括：
S2-1：将第一会话转化为对应的局部子图：将每个独立项目作为局部子图中的各个节点，若两节点之间存在上下文的交互则在两节点之间连线；
S2-2：在局部子图中，应用注意力机制来为邻域节点分配相似度权重，计算公式如下：
eij＝LeakyReLU(aT(xi⊙xj)) (1)
公式(1)中，eij表示节点i和节点j的相似度权重；a表示学习向量；T表示转置；xi表示节点i的嵌入表示；xj表示节点j的嵌入表示；⊙表示点乘操作；
S2-3：更新得到节点在局部子图中的嵌入表示：
公式(2)中，表示在局部子图l中节点i的嵌入表示，即局部上下文特征；Ni表示节点i的邻域集合，即在局部子图中与节点i相邻的节点，与i具有上下文关系的节点集合。
5.如权利要求1所述的一种医疗器械推荐方法，其特征在于，所述S3包括：
S3-1：将第一会话将之转化为全局超图：将每个独立项目作为全局超图中的各个节点，用一条超边连接所有的节点；
S3-2：计算全局超图中对应的当前会话的初始信息表示：
公式(3)中，s表示当前会话的初始信息表示；|S|表示全局超图中节点的个数；S表示全局超图中节点集合；xj表示节点j的嵌入表示；
S3-3：根据会话的初始信息表示计算节点之间的注意力权重：
πij＝aTσ(W1(xi⊙s)+W2xj+b1) (4)
公式(4)中，πij表示节点i和节点j的注意力权重，即以节点i为主视角，其他节点与节点i的权重；a表示学习向量；T表示转置；σ为激活函数；W1,W2，b表示训练参数；
S3-4：根据注意力权重计算节点在全局超图的嵌入表示，通过在全局超图中进行邻域聚合更新得到节点对应的嵌入表示：
公式(5)中，表示在全局超图g中节点i的嵌入表示，即全局偏好特征；/>表示在全局超图中节点i的所有邻域集合。
6.如权利要求1所述的一种医疗器械推荐方法，其特征在于，所述S4包括：
S4-1：以局部上下文特征为基础与全局偏好特征的融合过程得到局部融合特征，形式化表示为：
公式(6)中，rt表示GRU网络的重置向量；zt表示GRU网络的更新向量；表示GRU网络的隐藏层向量；σ表示激活函数；Wr、Wz、Wh表示训练参数；/>表示局部子图l中节点在t-1时刻的局部上下文特征；/>表示全局超图g中节点在t时刻的全局偏好特征，/>表示局部子图l中t时刻的局部融合信息表示，即局部融合特征；
S4-2：以全局偏好特征为基础与局部上下文特征的融合过程得到全局融合特征，形式化表示为：
公式(7)中，表示全局超图g中节点在t-1时刻的全局偏好特征，/>示局部子图l中节点在t时刻的局部上下文特征；/>表示t时刻的全局融合信息表示，即全局融合特征；
S4-3：分别将局部融合特征与局部子图的嵌入表示进行加权集合和将全局融合信息表示与全局超图的嵌入表示进行加权集合，从而对节点的嵌入表示进行更新，即：
公式(8)中，分别表示局部子图l中节点更新后的嵌入表示、全局超图g中节点更新后的嵌入表示；/>分别表示局部子图l中节点更新前的嵌入表示、全局超图g中节点更新前的嵌入表示；/>分别表示局部融合特征、全局融合特征；α表示控制融合信息影响的超参数；
S4-4：结合局部子图和全局超图中节点更新后的嵌入表示得到融合特征，计算公式为：
公式(9)中，x'i表示节点i的融合特征。
7.如权利要求1所述的一种医疗器械推荐方法，其特征在于，所述S5包括：
S5-1：利用软注意力机制和软注意力参数为不同节点分配权重，并计算更新当前会话的整体表示，计算方式为：
公式(10)中，θi表示节点i的权重；f表示可学习的向量；T表示转置；σ表示激活函数；W4、W5、b3表示超参数；s表示当前会话的初始信息表示；x'i表示节点i的融合特征；S'表示当前会话学习更新后的整体表示；m表示节点总数；
S5-2：计算当前会话的整体表示S'与候选库中各品类项目的相似度：
公式(11)中，表示相似度；S'表示当前会话学习更新后的整体表示；T表示转置；xi表示节点i的嵌入表示；
S5-3：将相似度按照得分从高到低进行排序，最终，将排名靠前的K个项目组成医疗器械推荐列表。
8.如权利要求7所述的一种医疗器械推荐方法，其特征在于，还包括：
S5-4：根据医疗器械推荐列表计算推荐任务损失，对训练参数进行优化；
将交叉熵损失函数作为推荐任务的优化目标，通过反向梯度传播算法更新模型参数，其计算过程可表示为：
公式(12)中，表示损失函数，用反向梯度传播优化；k表示第k个数据条目，其中包括医疗器械推荐列表；N表示数据条目的总数；yk表示真实标签向量；/>表示相似度。
9.基于权利要求1-8任一项所述方法的一种医疗器械推荐系统，其特征在于，包括：
数据获取模块，用于从网络数据库中获取用户的历史交互信息；
会话划分模块，用于按照时间间隔将用户的历史交互信息进行划分和过滤，从而得到第一会话；
第一特征计算模块，用于根据第一会话构建局部子图，得到局部子图中各个节点的局部上下文特征；
第二特征计算模块，用于根据第一会话构建全局超图，得到全局超图中各个节点的全局偏好特征；
第三特征计算模块，用于根据局部上下文特征和全局偏好特征进行融合得到融合特征；
推荐模块，用于根据融合特征生成推荐列表。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，该计算机程序被执行时实现权利要求1-8任一项所述一种医疗器械推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483109.4A CN116523598A (zh) | 2023-05-04 | 2023-05-04 | 一种医疗器械推荐方法、系统、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310483109.4A CN116523598A (zh) | 2023-05-04 | 2023-05-04 | 一种医疗器械推荐方法、系统、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116523598A true CN116523598A (zh) | 2023-08-01 |
Family
ID=87398887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310483109.4A Pending CN116523598A (zh) | 2023-05-04 | 2023-05-04 | 一种医疗器械推荐方法、系统、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523598A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894125A (zh) * | 2023-09-11 | 2023-10-17 | 江苏优创生物医学科技有限公司 | 一种基于人工智能的医疗器械推荐方法及系统 |
-
2023
- 2023-05-04 CN CN202310483109.4A patent/CN116523598A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894125A (zh) * | 2023-09-11 | 2023-10-17 | 江苏优创生物医学科技有限公司 | 一种基于人工智能的医疗器械推荐方法及系统 |
| CN116894125B (zh) * | 2023-09-11 | 2023-11-21 | 江苏优创生物医学科技有限公司 | 一种基于人工智能的医疗器械推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Atrank: An attention-based user behavior modeling framework for recommendation | |
| CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
| Shi et al. | Employing rough sets and association rule mining in KANSEI knowledge extraction | |
| Vrotsou et al. | Activitree: Interactive visual exploration of sequences in event-based data using graph similarity | |
| CN110532479A (zh) | 一种信息推荐方法、装置及设备 | |
| Yan et al. | Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm | |
| Liu et al. | User preference modeling based on meta paths and diversity regularization in heterogeneous information networks | |
| CN116523598A (zh) | 一种医疗器械推荐方法、系统、存储介质 | |
| Zheng et al. | Graph-convolved factorization machines for personalized recommendation | |
| Wu et al. | RETRACTED ARTICLE: Artificial neural network based high dimensional data visualization technique for interactive data exploration in E-commerce | |
| Purkaystha et al. | Rating prediction for recommendation: Constructing user profiles and item characteristics using backpropagation | |
| Ekka et al. | Big data analytics tools and applications for modern business world | |
| CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
| Qu et al. | Learning demand curves in B2B pricing: A new framework and case study | |
| CN114429384A (zh) | 基于电商平台的产品智能推荐方法及系统 | |
| CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
| Bai | A Hierarchical Model of E-Commerce Sellers Based on Data Mining. | |
| Zhou et al. | A factorisation-based recommendation model for customised products configuration design | |
| CN111460300A (zh) | 网络内容推送方法、装置及存储介质 | |
| Priya et al. | User preference Based Personalized Collaborative Filtering for Large Scale Recommender Systems | |
| Nguyen et al. | A knowledge-based framework for developing smart interfaces for smart service systems | |
| Astuti et al. | Classification and Clustering of Internet Quota Sales Data Using C4. 5 Algorithm and K-Means | |
| Mangat et al. | Relevance of data mining techniques in real life | |
| Thakur et al. | Online product prediction and recommendation using probability graphical model and collaborative filtering: A new approach | |
| Mongia et al. | Recommendation System and Big Data: Its Types and Applications |
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 |