CN116662646B - 一种基于行为感知层和共性感知层的医生推荐方法 - Google Patents

一种基于行为感知层和共性感知层的医生推荐方法 Download PDF

Info

Publication number
CN116662646B
CN116662646B CN202310530712.3A CN202310530712A CN116662646B CN 116662646 B CN116662646 B CN 116662646B CN 202310530712 A CN202310530712 A CN 202310530712A CN 116662646 B CN116662646 B CN 116662646B
Authority
CN
China
Prior art keywords
behavior
patient
layer
perception layer
doctor
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
Application number
CN202310530712.3A
Other languages
English (en)
Other versions
CN116662646A (zh
Inventor
曹兴兵
刘琛
赵斌强
董津
林辉
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.)
Zhejiang Nali Shuzhi Health Technology Co ltd
Original Assignee
Zhejiang Nali Shuzhi Health 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 Zhejiang Nali Shuzhi Health Technology Co ltd filed Critical Zhejiang Nali Shuzhi Health Technology Co ltd
Priority to CN202310530712.3A priority Critical patent/CN116662646B/zh
Publication of CN116662646A publication Critical patent/CN116662646A/zh
Application granted granted Critical
Publication of CN116662646B publication Critical patent/CN116662646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/048—Activation functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于行为感知层和共性感知层的医生推荐方法，基于基于患者的浏览、线上问诊等多种行为序列，预测适合该患者的医生。本发明分为两个部分：第一部分采用行为感知层和共性感知层对患者多行为序列建模，得到不同层下的患者向量；第二部分是预测患者浏览医生主页的概率以及向医生问诊的概率，并设计多任务损失函数。

Description

一种基于行为感知层和共性感知层的医生推荐方法
技术领域
本发明属于互联网服务技术领域，尤其是涉及一种基于行为感知层和共性感知层的医生推荐方法。
背景技术
随着医疗信息化的发展，大量的医疗网站开始出现，如好大夫网站、阿里健康和春雨医生等。患者可以很方便地在医疗网站上了解到相关专业的医生信息，并进行在线问诊或者线上挂号。但是随着医生规模的扩大，大量的医患活动信息的产生，患者很难快速地准确识别出优质的医生，因此推荐系统显得尤为重要。本方法是一种序列推荐方法，根据患者历史的交互行为，学习患者对医生的偏好，给患者推荐合适的医生。
现有的序列推荐方法是基于患者的单种行为来进行建模，但是在医疗平台中，患者可以浏览医生主页，也可以进行线上问诊，所以医疗平台上积累了患者的多种行为序列。不同行为序列都一定程度上体现了患者的偏好，可以缓解推荐系统中的数据稀疏性。因此本方法同时考虑患者的多种行为，对患者的偏好进行建模。现有的多行为序列建模方法是分别对患者的多种行为序列进行建模得到患者在不同行为下的偏好，该种方法没有考虑到患者行为的整体性以及不同行为之间的相互作用。
本方法是LSTM网络的变种，LSTM网络是一种常见的单行为序列推荐方法。本方法提出行为感知层和共性感知层相结合的多行为序列推荐方法，行为感知层的作用是对患者的特定行为序列进行建模，行为感知层的层数取决于患者行为序列中的行为种类。共性感知层的作用是抽取患者多种行为的共同属性，患者的不同行为都是出于患者的偏好，因此患者的不同行为中必然蕴含了患者本质特征。共性感知层对患者的行为感知层中信息进行提取，并作为行为感知层的输入，所以本方法可以显式地对不同行为之间的联系进行建模。
发明内容
本方法的问题定义为基于患者的浏览、线上问诊等多种行为序列，预测适合该患者的医生。涉及到的数学符号有：患者集合U，医生集合V，行为种类B。本方法中涉及的行为种类有浏览和线上问诊行为。患者ui的行为序列为其中下标l表示患者ui行为序列/>的长度，序列中第个t个医生表示为vt，vt∈V，bt表示患者行为序列中第个t个行为的行为种类，bt＝0表示浏览行为，bt＝1表示线上问诊行为。对于任一医生vt的向量表征是xt。现有的医生推荐方法只考虑到患者的问诊数据，而问诊数据极为稀疏，因此本方法为了缓解数据稀疏性将患者的浏览数据考虑进来，对患者的多行为序列进行建模。且已有的多行为建模方法没有考虑到多行为之间的关联，本方法考虑到患者行为的整体性以及患者多种行为之间的共性和多种行为之间的互相影响，采用以下技术方案：
采用行为感知层和共性感知层对患者多行为序列建模，得到不同层下的患者向量。患者集合是U，医生集合是V，行为种类是B。本方法中涉及的行为种类有浏览和线上问诊行为。患者ui的行为序列为 其中下标l表示患者ui行为序列/>的长度，序列中第个t个医生表示为vt，vt∈V，bt表示患者行为序列中第个t个行为的行为种类，bt＝0表示浏览行为，bt＝1表示线上问诊行为。对于任一医生vt的向量表征是xt。为了对患者的多行为序列进行建模，且对多行为之间的关联进行显示地捕捉，本方法设计出行为感知层和共性感知层。行为感知层的目的是捕捉患者在当前行为下的偏好变化，共性感知层是为了捕捉不同行为的共性，捕捉患者最本质的特点。本场景中患者的多行为有两种：浏览、线上问诊，因此有两层行为感知层，分别为浏览行为感知层和问诊行为感知层。这两种行为感知层的结构相同，以浏览行为感知层为例，若当前行为为浏览行为，即bt＝0，单元结构公式为：
其中，xt是当前时间t下的输入，是共性感知层上一个时间t-1下的隐状态，/>是浏览行为感知层上一个时间t-1下的隐状态。/>和/>是浏览行为感知层当前时间t下的记忆单元和隐向量。从公式中可以看出，浏览行为感知层当前时间t下的隐向量受患者共性感知层影响，即受其他行为的影响。/>和/>分别是浏览行为感知层的输入门、遗忘门和输出门。/>是浏览行为感知层当前输入的信息汇集。⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数。Wa和ba是模型训练参数。若bt＝1,那么不对浏览行为感知层的隐状态和记忆单元做更新，而是直接复制上一时间的隐状态和记忆单元，即当bt＝1时，且/>问诊行为感知层的单元结构和浏览行为感知层的单元结构相同，当bt＝1时，表示当前行为是问诊行为，即对问诊行为感知层的隐状态和记忆单元进行更新；当bt＝0时，直接复制上一时间的隐状态和记忆单元。问诊行为感知层的当前时间t下的隐状态表示为/>
共性感知层的作用是对患者所有行为中的共性特征进行抽取，因此该层的单元结构的输入是其他行为感知层的隐向量，具体公式为：
其中，和/>是问诊行为感知层和浏览行为感知层当前时间t下的隐状态，/>是共性感知层上一个时间t-1下的隐状态。/>和/>是共性感知层当前时间t下的记忆单元和隐向量。/>和/>分别是共性感知层的输入门、遗忘门和输出门。/>是共性感知层当前输入的信息汇集。⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数。Ws和bs是模型训练参数。不同层的最后一个隐向量表示患者当前行为下的向量表征，如患者在浏览行为下的向量表示为/>在线上问诊行为下的向量表示为/>
预测患者浏览医生主页的概率以及向医生问诊的概率，并设计多任务损失函数。本任务是一个多任务预测，同时对患者的浏览行为和线上问诊行为进行预测，两个任务互相辅助。采用浏览行为感知层的输出来预测患者浏览医生的概率，采用问诊行为感知层的输出来预测患者问诊医生的概率。预测层是一个softmax分类器，具体公式如下： 表示医生vτ成为下一个被浏览医生的可能性,W1是模型训练参数，/>的上标T表示向量转置操作。损失函数为：/> 其中，/>代表医生vτ的是否被浏览的one-hot编码。同样地，医生vτ成为下一个被问诊医生的可能性为/>W$是模型训练参数。损失函数为： 其中，/>代表医生vτ的是否被问诊的one-hot编码。最终的损失函数为：/>其中α表示损失函数/>的重要程度，具体公式如下：
其中，na和nb表示当前序列中患者的浏览行为和线上问诊行为个数，ka和kb是模型需要训练的参数。可见，不同序列中不同行为的损失函数的权重不同，取决于该行为在当前序列的行为稀疏度。函数用梯度下降法来最优化。
本发明的有益技术效果如下：
(1)本方法创新性地提出同时考虑患者的浏览数据和问诊数据，对患者偏好进行建模。并同时对两种任务进行训练，使得两种任务互相促进。
(2)本方法提出行为感知层和共性感知层，行为感知层对当前层的行为偏好进行建模，共性感知层对患者的多种行为中体现的共性特征进行建模。并且通过这两层的信息交互来对不同行为的关联进行显式捕捉。
附图说明
图1为本发明一种基于行为感知层和共性感知层的医生推荐方法的流程示意图；
图2为本发明一种基于行为感知层和共性感知层的医生推荐方法的模型示意图。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种基于行为感知层和共性感知层的医生推荐方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
本方法的问题定义为基于患者的浏览、线上问诊等多种行为序列，预测适合该患者的医生。涉及到的数学符号有：患者集合U,医生集合V，行为种类B。本方法中涉及的行为种类有浏览和线上问诊行为。患者ui的行为序列为其中下标l表示患者ui行为序列/>的长度，序列中第个t个医生表示为vt，vt∈V，bt表示患者行为序列中第个t个行为的行为种类，bt＝0表示浏览行为，bt＝1表示线上问诊行为。对于任一医生vt的向量表征是xt。一种基于行为感知层和共性感知层的医生推荐方法主要由两个部分组成。第一部分是采用行为感知层和共性感知层对患者多行为序列建模，得到不同层下的患者向量；第二部分是预测患者浏览医生主页的概率以及向医生问诊的概率，并设计多任务损失函数。
如图1所示，按照本发明的一个实施例，本方法包括如下步骤：
S100，采用行为感知层和共性感知层对患者多行为序列建模，得到不同层下的患者向量。患者集合是U，医生集合是V，行为种类是B。本方法中涉及的行为种类有浏览和线上问诊行为。患者ui的行为序列为其中下标l表示患者ui行为序列/>的长度，序列中第个t个医生表示为vt，vt∈V，bt表示患者行为序列中第个t个行为的行为种类，bt＝0表示浏览行为，bt＝1表示线上问诊行为。图2展示了某一患者的多行为序列为{v1,v$,v3,v4,v5,v6}，其中{v1,v$,v4,v6}是浏览行为，{v3,v5}是线上问诊行为。对于任一医生vt的向量表征是xt。传统的LSTM网络的输入是单行为序列，具体的单元结构公式为：
ct＝gt⊙it+ct-1⊙ft
ht＝ot⊙tanh(ct)
其中，xt是当前时间t下的输入，it、ft、和ot分别是输入门、遗忘门和输出门。gt是当前输入的信息汇集，ct是当前记忆单元，ht是当前隐藏状态。⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数。W和b是模型训练参数。但是传统的LSTM网络不适用本问题，为了对患者的多行为序列进行建模，且对多行为之间的关联进行显示地捕捉，本方法设计出行为感知层和共性感知层。行为感知层的目的是捕捉患者在当前行为下的偏好变化，共性感知层是为了捕捉不同行为的共性，捕捉患者最本质的特点。本场景中患者的多行为有两种：浏览、线上问诊，因此有两层行为感知层，分别为浏览行为感知层和问诊行为感知层。这两种行为感知层的结构相同，以浏览行为感知层为例，若当前行为为浏览行为，即bt＝0，单元结构公式为：
其中，xt是当前时间t下的输入，是共性感知层上一个时间t-1下的隐状态，/>是浏览行为感知层上一个时间t-1下的隐状态。/>和/>是浏览行为感知层当前时间t下的记忆单元和隐向量。从公式中可以看出，浏览行为感知层当前时间t下的隐向量受患者共性感知层影响，即受其他行为的影响。/>和/>分别是浏览行为感知层的输入门、遗忘门和输出门。/>是浏览行为感知层当前输入的信息汇集。⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数。Wa和ba是模型训练参数。若bt＝1,那么不对浏览行为感知层的隐状态和记忆单元做更新，而是直接复制上一时间的隐状态和记忆单元，即当bt＝1时，且/>问诊行为感知层的单元结构和浏览行为感知层的单元结构相同，当bt＝1时，表示当前行为是问诊行为，即对问诊行为感知层的隐状态和记忆单元进行更新；当bt＝0时，直接复制上一时间的隐状态和记忆单元。问诊行为感知层的当前时间t下的隐状态表示为/>
共性感知层的作用是对患者所有行为中的共性特征进行抽取，因此该层的单元结构的输入是其他行为感知层的隐向量，具体公式为：
其中，和/>是问诊行为感知层和浏览行为感知层当前时间t下的隐状态，/>是共性感知层上一个时间t-1下的隐状态。/>和/>是共性感知层当前时间t下的记忆单元和隐向量。/>和/>分别是共性感知层的输入门、遗忘门和输出门。/>是共性感知层当前输入的信息汇集。⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数。Ws和bs是模型训练参数。不同层的最后一个隐向量表示患者当前行为下的向量表征，如患者在浏览行为下的向量表示为/>在线上问诊行为下的向量表示为/>
S200,预测患者浏览医生主页的概率以及向医生问诊的概率，并设计多任务损失函数。本任务是一个多任务预测，同时对患者的浏览行为和线上问诊行为进行预测，两个任务互相辅助。采用浏览行为感知层的输出来预测患者浏览医生的概率，采用问诊行为感知层的输出来预测患者问诊医生的概率。预测层是一个softmax分类器，具体公式如下： 表示医生vτ成为下一个被浏览医生的可能性,W1是模型训练参数，/>的上标T表示向量转置操作。损失函数为：/> 其中，/>代表医生vτ的是否被浏览的one-hot编码。同样地，医生vτ成为下一个被问诊医生的可能性为/>W$是模型训练参数。损失函数为： 其中，/>代表医生vτ的是否被问诊的one-hot编码。最终的损失函数为：/>其中α表示损失函数/>的重要程度，具体公式如下：
其中，na和nb表示当前序列中患者的浏览行为和线上问诊行为个数，ka和kb是模型需要训练的参数。可见，不同序列中不同行为的损失函数的权重不同，取决于该行为在当前序列的行为稀疏度。函数用梯度下降法来最优化。
上述对实施例的描述是为方便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (1)

1.一种基于行为感知层和共性感知层的医生推荐方法，其特征在于：
采用行为感知层和共性感知层对患者多行为序列建模，得到不同层下的患者向量；患者集合是U，医生集合是V，行为种类是B；本方法中涉及的行为种类有浏览和线上问诊行为；患者ui的行为序列为 其中下标l表示患者ui行为序列/>的长度，序列中第个t个医生表示为vt，vt∈V，bt表示患者行为序列中第个t个行为的行为种类，bt＝0表示浏览行为，bt＝1表示线上问诊行为；对于任一医生vt的向量表征是xt；为了对患者的多行为序列进行建模，且对多行为之间的关联进行显示地捕捉，本方法设计出行为感知层和共性感知层；行为感知层的目的是捕捉患者在当前行为下的偏好变化，共性感知层是为了捕捉不同行为的共性，捕捉患者最本质的特点；本场景中患者的多行为有两种：浏览、线上问诊，因此有两层行为感知层，分别为浏览行为感知层和问诊行为感知层；这两种行为感知层的结构相同，以浏览行为感知层为例，若当前行为为浏览行为，即bt＝0，单元结构公式为：
其中，xt是当前时间t下的输入，是共性感知层上一个时间t-1下的隐状态，/>是浏览行为感知层上一个时间t-1下的隐状态；/>和/>是浏览行为感知层当前时间t下的记忆单元和隐向量；从公式中可以看出，浏览行为感知层当前时间t下的隐向量受患者共性感知层影响，即受其他行为的影响；/>和/>分别是浏览行为感知层的输入门、遗忘门和输出门；是浏览行为感知层当前输入的信息汇集；⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数；Wa和ba是模型训练参数；若bt＝1，那么不对浏览行为感知层的隐状态和记忆单元做更新，而是直接复制上一时间的隐状态和记忆单元，即当bt＝1时，/>且问诊行为感知层的单元结构和浏览行为感知层的单元结构相同，当bt＝1时，表示当前行为是问诊行为，即对问诊行为感知层的隐状态和记忆单元进行更新；当bt＝0时，直接复制上一时间的隐状态和记忆单元；问诊行为感知层的当前时间t下的隐状态表示为/>共性感知层的作用是对患者所有行为中的共性特征进行抽取，因此该层的单元结构的输入是其他行为感知层的隐向量，具体公式为：
其中，和/>是问诊行为感知层和浏览行为感知层当前时间t下的隐状态，/>是共性感知层上一个时间t-1下的隐状态；/>和/>是共性感知层当前时间t下的记忆单元和隐向量；和/>分别是共性感知层的输入门、遗忘门和输出门；/>是共性感知层当前输入的信息汇集；⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数；Ws和bs是模型训练参数；不同层的最后一个隐向量表示患者当前行为下的向量表征，如患者在浏览行为下的向量表示为/>在线上问诊行为下的向量表示为/>
预测患者浏览医生主页的概率以及向医生问诊的概率，并设计多任务损失函数；本任务是一个多任务预测，同时对患者的浏览行为和线上问诊行为进行预测，两个任务互相辅助；采用浏览行为感知层的输出来预测患者浏览医生的概率，采用问诊行为感知层的输出来预测患者问诊医生的概率；预测层是一个softmax分类器，具体公式如下：表示医生vτ成为下一个被浏览医生的可能性，W1是模型训练参数，/>的上标/>表示向量转置操作；损失函数为：/> 其中，/>代表医生vτ的是否被浏览的one-hot编码；同样地，医生vτ成为下一个被问诊医生的可能性为/>W2是模型训练参数；损失函数为： 其中，/>代表医生vτ的是否被问诊的one-hot编码；最终的损失函数为：/>其中α表示损失函数/>的重要程度，具体公式如下：
其中，na和nb表示当前序列中患者的浏览行为和线上问诊行为个数，ka和kb是模型需要训练的参数；可见，不同序列中不同行为的损失函数的权重不同，取决于该行为在当前序列的行为稀疏度；函数用梯度下降法来最优化。
CN202310530712.3A 2023-05-11 2023-05-11 一种基于行为感知层和共性感知层的医生推荐方法 Active CN116662646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310530712.3A CN116662646B (zh) 2023-05-11 2023-05-11 一种基于行为感知层和共性感知层的医生推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310530712.3A CN116662646B (zh) 2023-05-11 2023-05-11 一种基于行为感知层和共性感知层的医生推荐方法

Publications (2)

Publication Number Publication Date
CN116662646A CN116662646A (zh) 2023-08-29
CN116662646B true CN116662646B (zh) 2024-04-05

Family

ID=87727047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310530712.3A Active CN116662646B (zh) 2023-05-11 2023-05-11 一种基于行为感知层和共性感知层的医生推荐方法

Country Status (1)

Country Link
CN (1) CN116662646B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106911787A (zh) * 2017-03-07 2017-06-30 中国联合网络通信集团有限公司 推荐方法及其推荐系统
CN110533467A (zh) * 2019-08-27 2019-12-03 江南大学 基于大数据分析的用户行为分析平台及其工作方法
CN113285831A (zh) * 2021-05-24 2021-08-20 广州大学 网络行为知识智能学习方法、装置、计算机设备及存储介质
CN115516519A (zh) * 2020-05-06 2022-12-23 伊莱利利公司 用于视觉感知的基于层次的对象识别的方法和装置
CN115563577A (zh) * 2022-09-29 2023-01-03 哈尔滨理工大学 融合多视图用户行为预测的移动群智感知任务推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11062222B2 (en) * 2017-03-28 2021-07-13 International Business Machines Corporation Cross-user dashboard behavior analysis and dashboard recommendations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106911787A (zh) * 2017-03-07 2017-06-30 中国联合网络通信集团有限公司 推荐方法及其推荐系统
CN110533467A (zh) * 2019-08-27 2019-12-03 江南大学 基于大数据分析的用户行为分析平台及其工作方法
CN115516519A (zh) * 2020-05-06 2022-12-23 伊莱利利公司 用于视觉感知的基于层次的对象识别的方法和装置
CN113285831A (zh) * 2021-05-24 2021-08-20 广州大学 网络行为知识智能学习方法、装置、计算机设备及存储介质
CN115563577A (zh) * 2022-09-29 2023-01-03 哈尔滨理工大学 融合多视图用户行为预测的移动群智感知任务推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A study on attention-based lstm for abnormal behavior recognition with variable pooling;Koi Zhou 等;《Image and vision computing》;20210430;第第108卷卷;第1-2页 *
基于富语义的数字图书馆个性化推荐服务系统构建;伍涛;《情报探索》;20220315(第3期);第123-128页 *

Also Published As

Publication number Publication date
CN116662646A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Liu et al. Multi-behavioral sequential prediction with recurrent log-bilinear model
Confalonieri et al. A historical perspective of explainable Artificial Intelligence
Zhao et al. Recommendations with negative feedback via pairwise deep reinforcement learning
Fu et al. SNIF-ACT: A cognitive model of user navigation on the World Wide Web
Lin et al. Personalized news recommendation via implicit social experts
Kositanurit et al. An exploration of factors that impact individual performance in an ERP environment: an analysis using multiple analytical techniques
Baesens et al. Neural network survival analysis for personal loan data
CN113196314B (zh) 适配预测模型
US20120158613A1 (en) Predicting economic trends via network communication mood tracking
US20070265870A1 (en) Methods and systems for utilizing a time factor and/or asymmetric user behavior patterns for data analysis
Oravecz et al. Fitting growth curve models in the Bayesian framework
US11741358B2 (en) Application recommendation machine learning system
CN110291542B (zh) 主要原因估计装置、主要原因估计系统以及主要原因估计方法
Scott et al. Do fee descriptors influence treatment choices in general practice? A multilevel discrete choice model
Gao et al. Robust conversational AI with grounded text generation
Harvey et al. A farewell to R: time-series models for tracking and forecasting epidemics
Hwang et al. A time scale-oriented approach for building medical expert systems
CN111429161A (zh) 特征提取方法、特征提取装置、存储介质及电子设备
Shen et al. Enhancing stochastic kriging for queueing simulation with stylized models
Yadav et al. A framework for reliability prediction during product development process incorporating engineering judgments
CN117495482B (zh) 一种基于用户画像的二手手机销售推荐方法及系统
CN116662646B (zh) 一种基于行为感知层和共性感知层的医生推荐方法
Asenjo Web user behavior analysis
Tsaur Fuzzy grey GM (1, 1) model under fuzzy system
JP7527784B2 (ja) 予測システム、予測方法、及びプログラム

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