一种多策略融合的医院患者挂号推荐方法与流程

本发明涉及医院患者自助预约挂号服务方法，特别涉及一种多策略融合的医院患者挂号推荐方法，属于医疗智能信息系统
技术领域：
。
背景技术：
：随着“互联网+”技术在医疗行业的深入应用，手机APP及互联网的自助挂号成为现实，患者(用户)可以足不出户即可完成挂号，但是由于患者(用户)缺乏有效的指导，加上对医院诊室设置不甚了解，往往造成就诊科室不当，耽误了患者(用户)宝贵时间，也浪费了医院稀缺的专家资源。在信息系统领域，医院患者挂号推荐旨在为指定患者(用户)自动化推荐挂号科室(项目)，为推荐系统的一种实现。推荐系统主要包括两种主要方法：协同过滤方法使用其他用户的历史评分为当前用户推荐候选项目；基于内容的方法使用用户和项目内容的匹配程度为当前用户推荐候选项目。然而，现有推荐系统方法应用于医院患者挂号推荐中仍存在如下问题：1、精准化推荐效果不足：现有推荐方法的目标项目不包括当前用户的历史选择项目，不满足患者挂号时的复诊需求，导致精准化推荐效果难以令人满意；2、实时化推荐效率低下：现有推荐系统方法在保证较好的推荐结果时，均牺牲较大的计算效率，难以满足大量患者同时挂号的实时化推荐效率需求。技术实现要素：本发明提供一种多策略融合的医院患者挂号推荐装置，以便更好的解决现有医院患者挂号推荐系统中存在的问题(包括精准化推荐效果不足以及实时化推荐效率低下)。本发明提供的技术方案为：一种多策略融合的医院患者挂号推荐方法，其包括步骤：A：对于历史患者挂号记录，自动生成用于表征“历史患者-科室”偏好评分的矩阵化表示；对于当前患者挂号记录，自动生成用于表征“当前患者-科室”偏好评分的向量化表示；B：基于步骤A所得的“患者-科室”偏好评分表示，依据挂号推荐的精准要求和效率要求，采用面向精准推荐策略的基于患者的协同过滤推荐模型，或面向实时推荐策略的基于科室的协同过滤推荐模型，进而得到当前患者对候选科室的偏好评分估计；C：采用面向复诊推荐策略的基于当前患者历史挂号的推荐模型，融合步骤B所得的对候选科室的偏好评分估计，得到当前患者对候选科室的偏好评分预测，进而推荐当前患者候选挂号的科室序列。优选地，所述步骤A中，患者挂号记录体现为患者和科室的关联(挂号)关系。对于患者，形式化表示为集合U，其中u∈U表示一个患者，n＝|U|为患者总数；对于科室，形式化表示为集合I，其中i∈I表示一个科室，m＝|I|为科室总数；在患者挂号推荐系统中，患者总数远大于科室总数：n＞＞m。给定历史患者挂号记录，形式化表示为由n个患者挂号记录组成的集合其中lu表示患者u的挂号记录；患者u的挂号记录lu形式化表示为按挂号时间排列的有序序列其中sj∈I，s1为最近一次挂号科室，为最早一次挂号科室，tu为该患者挂号总次数，并且患者可能重复对同一个科室挂号多次。类似地，当前患者a的挂号记录形式化表示为对于历史患者挂号记录和当前患者挂号记录自动生成用于表征“患者-科室”偏好评分的表示。一般地，给定一个患者u和科室集合I,“患者-科室”偏好评分的向量化表示ru,·的第i维ru,i表示患者u对科室i的偏好评分，定义为科室i在挂号记录lu中出现次数与首现位置的调和。ru,i＝count(i,lu)+(θ-loc(i,lu))·I(loc(i,lu)＜θ)(1.7)其中，count(i,lu)为科室i在挂号记录lu中的出现次数，loc(i,lu)为科室i在挂号记录lu中首次出现的位置；θ为首现位置的上限，I(loc(i,lu)＜θ)为示性函数(若x为真，则I(x)＝1；否则I(x)＝0)，示性函数仅增加首现位置位于θ以内的科室的偏好评分；偏好评分值越大表征患者选择挂号就诊对应科室的可能性越高。采用以上方法，对n个历史患者的挂号记录分别进行偏好评分向量化表示，可得用于表征“历史患者-科室”偏好评分的矩阵化表示Rn×m，其中ru,·表示患者u的偏好评分向量；类似地，对当前患者的挂号记录进行偏好评分向量化表示，可得用于表征“当前患者-科室”偏好评分的向量化表示ra,·。医院患者挂号推荐系统即在给定历史患者偏好评分矩阵Rn×m和当前患者偏好评分向量ra,·时，通过预测当前患者a对任一科室i的偏好评分pa,i，以达到推荐挂号科室的目的。优选地，所述步骤B中，给定历史患者偏好评分矩阵Rn×m和当前患者偏好评分向量ra,·，依据挂号推荐的精准要求和效率要求，选择采用如下步骤得到当前患者对候选科室的偏好评分估计p′a,i：B1：采用面向精准推荐策略的基于患者的协同过滤推荐模型，该模型具有推荐准确度高的优点，但实时推荐效率较低，作为离线挂号推荐方案；B2：采用面向实时推荐策略的基于科室的协同过滤推荐模型，该模型具有实时推荐效率高的优点，但推荐准确度稍有损失，作为在线挂号推荐方案。其中，步骤B1和步骤B2依据推荐系统响应速度决定，若推荐需求频繁，则采用步骤B2完成在线推荐；否在，采用步骤B1实现后台离线推荐。步骤B1和步骤B2均能独立完成当前用户的挂号科室推荐。优选地，所述步骤B1包括步骤：B11：计算当前患者与所有历史患者的皮尔逊相似度：其中wa,u为当前患者a和历史患者u之间的相似度，ru,i为患者u对科室i的偏好评分，为患者u的偏好评分平均值；B12：基于B11所得患者相似度，选取k个与当前患者a最相似的历史患者K；B13：将历史患者集合K对科室i偏好评分的加权平均值作为当前患者a对科室i的偏好评分：优选地，所述步骤B2包括步骤：B21：计算当前患者已挂科室i与科室j的皮尔逊相似度：其中为科室i的偏好评分平均值；B22：基于B21所得科室相似度，选取k个与当前科室i最相似的科室集合K；B23：当前患者a对科室i的偏好评分为：优选地，所述步骤C中，根据步骤B所得的当前患者a对科室i的偏好评分估计p′a,i，融合面向复诊推荐策略的基于当前患者历史挂号的推荐模型，得到当前患者对候选科室的偏好评分预测：pa,i＝λra,i+(1-λ)p′a,i(1.12)其中，λ为历史偏好评分的权重，且0≤λ≤1。当λ＝0时，即为直接利用步骤B所得偏好评分估计作为偏好评分预测；当λ＝1时，即为直接使用历史偏好评分作为偏好评分预测。以当前患者a对科室i的偏好评分预测pa,i为基准，对所有候选科室进行倒序排序，最终得到推荐当前患者候选挂号的科室序列，该序列中科室位置越前，则其推荐程度越高。采用上述技术方案所产生的有益效果在于：本发明的多策略融合的医院患者挂号推荐装置，依据挂号推荐的精准要求，融合面向精准推荐策略的基于患者的协同过滤推荐模型和面向复诊推荐策略的基于当前患者历史挂号的推荐模型，有效解决了精准化推荐效果不足的问题。另一方面，依据挂号推荐的效率要求，通过融合面向实时推荐策略的基于科室的协同过滤推荐模型和面向复诊推荐策略的基于当前患者历史挂号的推荐模型，在保证推荐精准化效果的同时，大大提高了实时化推荐的效率。附图说明下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。图1是本发明的多策略融合的医院患者挂号推荐装置的流程图；图2是本发明的多策略融合的医院患者挂号推荐装置的原理图。具体实施方式以下实施例用于说明本发明，但不用来限制本发明的范围。如图1、图2所示，该方法包括：步骤A：对于历史患者挂号记录，自动生成用于表征“历史患者-科室”偏好评分的矩阵化表示；对于当前患者挂号记录，自动生成用于表征“当前患者-科室”偏好评分的向量化表示；患者挂号记录体现为患者和科室的关联(挂号)关系。对于患者，形式化表示为集合U，其中u∈U表示一个患者，n＝|U|为患者总数；对于科室，形式化表示为集合I，其中i∈I表示一个科室，m＝|I|为科室总数。在患者挂号推荐系统中，患者总数远大于科室总数：n＞＞m。给定历史患者挂号记录，形式化表示为由n个患者挂号记录组成的集合其中lu表示患者u的挂号记录；患者u的挂号记录lu形式化表示为按挂号时间排列的有序序列其中sj∈I，s1为最近一次挂号科室，为最早一次挂号科室，tu为该患者挂号总次数，并且患者可能重复对同一个科室挂号多次。类似地，当前患者a的挂号记录形式化表示为如la＝<1,1,2,2>表示当前患者a的最近挂号科室依次为<科室1，科室1，科室2，科室2>。给定一个患者u和科室集合I,“患者-科室”偏好评分的向量化表示ru,·的第i维ru,i表示患者u对科室i的偏好评分，定义为科室i在挂号记录lu中出现次数与首现位置的调和。ru,i＝count(i,lu)+(θ-loc(i,lu))·I(loc(i,lu)＜θ)(1.13)其中，count(i,lu)为科室i在挂号记录lu中的出现次数，loc(i,lu)为科室i在挂号记录lu中首次出现的位置；θ为首现位置的上限，I(loc(i,lu)＜θ)为示性函数(若x为真，则I(x)＝1；否则I(x)＝0)，示性函数仅增加首现位置位于θ以内的科室的偏好评分；偏好评分值越大表征患者选择挂号就诊对应科室的可能性越高。若la＝<1,1,2,2>且设定θ为3，则当前患者a的科室偏好评分为ra,1＝5,ra,2＝2。采用以上方法，对n个历史患者的挂号记录分别进行偏好评分向量化表示，可得用于表征“历史患者-科室”偏好评分的矩阵化表示Rn×m，其中ru,·表示患者u的偏好评分向量；类似地，对当前患者的挂号记录进行偏好评分向量化表示，可得用于表征“当前患者-科室”偏好评分的向量化表示ra,·。步骤B：基于步骤A所得的历史患者偏好评分矩阵Rn×m和当前患者偏好评分向量ra,·，依据挂号推荐的精准要求和效率要求，选择采用如下步骤得到当前患者对候选科室的偏好评分估计p′a,i：B1：采用面向精准推荐策略的基于患者的协同过滤推荐模型，该模型具有推荐准确度高的优点，但实时推荐效率较低，作为离线挂号推荐方案，包括步骤：B11：计算当前患者与所有历史患者的皮尔逊相似度：其中wa,u为当前患者a和历史患者u之间的相似度，ru,i为患者u对科室i的偏好评分，为患者u的偏好评分平均值；B12：基于B11所得患者相似度，选取k个与当前患者a最相似的历史患者K；B13：将历史患者集合K对科室i偏好评分的加权平均值作为当前患者a对科室i的偏好评分：B2：采用面向实时推荐策略的基于科室的协同过滤推荐模型，该模型具有实时推荐效率高的优点，但推荐准确度稍有损失，作为在线挂号推荐方案，包括步骤：B21：计算当前患者已挂科室i与科室j的皮尔逊相似度其中为科室i的偏好评分平均值；B22：基于B21所得科室相似度，选取k个与当前科室i最相似的科室集合K；B23：当前患者a对科室i的偏好评分为：其中，步骤B1和步骤B2依据推荐系统响应速度决定，若推荐需求频繁，则采用步骤B2完成在线推荐；否在，采用步骤B1实现后台离线推荐。步骤B1和步骤B2均能独立完成当前用户的挂号科室推荐。步骤C：根据步骤B所得的当前患者a对科室i的偏好评分估计p′a,i，融合面向复诊推荐策略的基于当前患者历史挂号的推荐模型，得到当前患者对候选科室的偏好评分预测：pa,i＝λra,i+(1-λ)p′a,i(1.18)其中，λ为历史偏好评分的权重，且0≤λ≤1。当λ＝0时，即为直接利用步骤B所得偏好评分估计作为偏好评分预测；当λ＝1时，即为直接使用历史偏好评分作为偏好评分预测。以当前患者a对科室i的偏好评分预测pa,i为基准，对所有候选科室进行倒序排序，最终得到推荐当前患者候选挂号的科室序列，该序列中科室位置越前，则其推荐程度越高。采用本发明的方法进行了实验，具体实验过程如下：1、数据集介绍。实验采用秦皇岛市第一医院2015年5月至2016年5月的真实患者挂号数据集。患者挂号记录包括患者编号、患者姓名、挂号时间、科室编号、科室名称、病情编号以及病情名称。基于此数据集，进一步过滤去除了挂号次数少于5次的患者，得到用于本实验的数据集Registration[2016]。患者挂号数据集Registration[2016]的详细统计信息见表1。表1数据集相关统计数据集患者数科室数挂号记录总数Registration20164374647436012、实验设置。实验评测模拟真实患者挂号的实际情况——挂号科室预测：即给定一个当前患者及其历史挂号记录，预测该患者下一次挂号的科室。该任务首先对所有候选科室通过计算偏好评分的大小进行排序，进而以正确的科室所在位置作为评测指标，包括平均排序和前α命中率。平均排序(MeanRank)即正确科室排序位置的平均值，前α命中率(Hits@α)即正确实体排序位置位居前α的百分比。具体地，分别评测了Hits@1、Hits@3和Hits@5的效果。易知，更低的平均排序和更高的前α命中率体现了更优秀的表示学习方法。同时，使用单次推荐所需时间(Time)作为速率评测指标。首现位置的上限设置为θ＝3，历史偏好评分的权重设置为λ＝2/3。本实验硬件环境为Intel(R)Core(TM)i3-6100CPU@3.70GHz，4.00GB内存。软件环境为32位Windows7旗舰版，JDK_1.8.0_91。3、实验结果与分析采用以上数据集和实验设置，使用5折交叉验证方法进行试验，其结果如表2所示。其中，“精准推荐”和“实时推荐”策略分别对应步骤B1和B2，“精准+历史”和“实时+历史”为本发明公布的基本方法，是在步骤B1和B2的基础上融合了步骤C所述的历史推荐模型。表2实验结果分析由表2可知，在单一策略方法中，精准推荐在推荐结果的准确性上大幅度优于实时推荐，但单次推荐所需时间也大幅增加；本发明公布的“精准+历史”和“实时+历史”的策略融合方法在综合效果上均优于单一策略的方法，单次推荐所需时间与相应单一策略方法相比增幅不大；“精准+历史”的推荐结果在MeanRank和Hits@α上最优，符合精准推荐的目的；“实时+历史”的推荐结果与“精准+历史”相比损失不大，但在单次推荐所需时间上提升明显，特别地，在Hits@5上达到与“精准+历史”相近的效果，符合实时推荐的目的。本发明实施例所述的多策略融合的医院患者挂号推荐装置，依据挂号推荐的精准要求，融合面向精准推荐策略的基于患者的协同过滤推荐模型和面向复诊推荐策略的基于当前患者历史挂号的推荐模型，有效解决了精准化推荐效果不足的问题。另一方面，依据挂号推荐的效率要求，通过融合面向实时推荐策略的基于科室的协同过滤推荐模型和面向复诊推荐策略的基于当前患者历史挂号的推荐模型，在保证推荐精准化效果的同时，大大提高了实时化推荐的效率。以上实施方式仅用于说明本发明，而并非对本发明的限制，有关
技术领域：
的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。当前第1页1 2 3