一种基于混合协同过滤医患信息的推荐系统的制作方法

本发明涉及推荐系统技术领域，尤其涉及一种基于混合协同过滤医患信息的推荐系统。

背景技术

“看病难”，是目前医疗领域亟待解决的问题之一。造成“看病难”现象的主要原因有两个，一方面是我国医疗资源的不足，另一方面患者没有有效的途径找到合适的医疗资源。医疗资源的不足需要国家加大对医疗的投入，而为患者推荐合适的医疗资源，从而改善“看病难”这一问题是我们目前可以解决的问题。医疗资源的推荐主要是医院、医生的推荐，本发明基于此，针对为患者推荐合适医生这一课题提出解决方法。

对于寻找合适医生这一问题，患者往往很难找到合适的医生为其诊断。主要原因有多种，首先患者往往只能得知所患疾病大致的类型而很难对自己疾病所属的特定类型有更准确的判断，这也就无法找到最合适的医生；另外患者选择医生的途径较为单一通常为上网查询或亲友推荐，这种选择医生的方法较为盲目没有根据自己的实际情况，往往很难找到较为合适的医生。

目前已有向患者推荐医生的系统之一，只要采用基于患者的协同过滤方法进行推荐，根据患者对医生的评分，相似度计算方法使用皮尔逊相关系数计算目标患者其他患者的相似度，基于相似患者集合计算目标患者对未评分医生的预测评分，最后通过线性组合预测评分，医生能力评分，距离评分得到最后的总评分，并将总评分的前n名医生为患者进行推荐。但当新患者未对任何医生进行评分时，该系统无法为新患者进行推荐。因此该系统具有用户冷启动的问题。另一方面，该系统使用基于患者的协同过滤，当系统数据规模增大患者大量增加时，系统根据评分向量计算患者间的相似度将会消耗大量的计算资源，并会降低系统的响应速度。同时，该系统在患者相似度计算时使用皮尔逊相关系数，该计算方法过于复杂耗时，当系统数据量增大会导致系统的响应时间加长影响用户体验。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种基于混合协同过滤信息的推荐系统，通过将协同过滤的预测评分与基于内容的推荐产生的预测评分进行有效组合，解决传统推荐系统冷启动的的问题，提高了推荐信息的准确度，同时，在保证推荐准确度的同时降低了对计算资源的消耗，提高了系统的响应速度，增强用户的体验感受。

为了解决上述问题，本发明提出了一种基于混合协同过滤医患信息的推荐系统，所述系统包括：

数据库模块，用于存储患者信息、医生信息、患者对医生的评分信息；

相似度计算模块，用于对数据库存储的信息中非数值信息进行转化成向量，对所有信息向量进行计算相似度；

推荐模块，用于根据相似度数据进行计算出预测评分，将最终评分最高的前n个医生进行推荐给目标患者；

反馈模块，用于将接受治疗后的目标患者针对对应医生的医术进行的评分反馈给对应的医生评价信息库中。

优选地，所述系统还包括：

采集模块，用于利用移动终端采集患者信息、医生信息；

传输模块，用于利用蓝牙传输方式将所述患者信息及医生信息进行输送到数据库中。

优选地，所述移动终端可以是手环、手机、平板电脑等设备。

优选地，所述数据库模块中数据库管理系统采用mysql系统。

优选地，所述患者信息主要属性包括：用户id、身高、体重、性别、年龄、血小板相关参数数据、红细胞相关参数数据、酶相关参数数据、患病类型、患病症状。

优选地，所述医生信息主要属性包括：医生id、医生所属医院、医生职称、医生擅长科目、执业经历、医生学历、医生性别。

所述患者对医生的评分信息包括：患者id、医生id、评分数值。

优选地，所述相似度计算模块包括：

非数值信息转化单元，用于对所述患者信息中非数值信息进行转化向量；

患者相似度计算单元，用于计算目标患者于其他患者的相似度；其中，当某些特征缺失时，在计算相似度时将两向量中缺失部分剔除即可。

医生相似度计算单元，用于通过根据患者对医生的评分由高至低的排序，进行计算相似度；其中，当某些用户未对医生进行评分时，计算中两向量均舍弃这一部分。

对比图单元，用于根据患者的相似度及医生的相似度制成对应的相似度分析图表。

优选地，所述推荐模块包括：

患者匹配计算单元，用于根据与目标患者相似度最大的前k个患者，获取所述k个患者对医生的历史评分进行计算与目标患者相似的其他患者对医生的预测评分；

医生查询计算单元，用于根据与欲评分医生相似度最大的前k个医生，获取所述目标患者对其他医生的历史评分进行计算目标患者对未评分医生的预测评分；

协同过滤单元，用于根据所述与目标患者相似的其他患者对医生的预测评分及所述目标患者对未评分医生的预测评分进行计算过滤，获取最终的预测评分按照由高至低排序；

推荐单元，用于最终得分最高的前n个医生推荐给目标患者。

优选地，所述系统进行所述推荐模块前针对目标患者个人信息进行判断，当目标患者是首次进行检索医生评分的，则直接进行医生查询计算单元、患者匹配计算单元、协同过滤单元及推荐单元；当目标患者不是首次进行检索医生评分的，则直接进行患者匹配计算单元及推荐单元。

实施本发明实施例，能够解决传统推荐系统冷启动的的问题，提高了推荐信息的准确度，同时，在保证推荐准确度的同时降低了对计算资源的消耗，提高了系统的响应速度，增强用户的体验感受。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中一种基于混合协同过滤信息的推荐系统的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例的一种基于混合协同过滤信息的推荐系统的结构组成示意图，如图1所示，该系统包括：

数据库模块，用于存储患者信息、医生信息、患者对医生的评分信息；

相似度计算模块，用于对数据库存储的信息中非数值信息进行转化成向量，对所有信息向量进行计算相似度；

推荐模块，用于根据相似度数据进行计算出预测评分，将最终评分最高的前n个医生进行推荐给目标患者；

反馈模块，用于将接受治疗后的目标患者针对对应医生的医术进行的评分反馈给对应的医生评价信息库中。

所述系统还包括：

采集模块，用于利用移动终端采集患者信息、医生信息；

传输模块，用于利用蓝牙传输方式将所述患者信息及医生信息进行输送到数据库中。

所述移动终端可以是手环、手机、平板电脑等设备。

对数据库模块作进一步说明：

所述数据库模块中数据库管理系统采用mysql系统；

所述患者信息主要属性包括：用户id、身高、体重、性别、年龄、血小板相关参数数据、红细胞相关参数数据、酶相关参数数据、患病类型、患病症状；

所述医生信息主要属性包括：医生id、医生所属医院、医生职称、医生擅长科目、执业经历、医生学历、医生性别；

所述患者对医生的评分信息包括：患者id、医生id、评分数值。

对相似度计算模块作进一步说明：

所述相似度计算模块包括：

非数值信息转化单元，用于对所述患者信息中非数值信息进行转化向量；如：对性别[男，女]变换成[1，0]，得到患者特征向量。如患者特征身高180cm，体重60kg，性别男，年龄25，血小板参数数据即血小板计数、血小板评价体积，血小板体积分布宽度(166，9.9，17.4)，红细胞参数数据即红细胞压积、红细胞评价体积，红细胞分布宽度(0.479，91.9，31.9)，酶参数数据即天门冬氨酸氨基转换酶、丙氨酸氨基转换酶(24.96，23.1)，患病类型(胃溃疡，9)，患病症状(胃疼，19)，其对应的特征向量为[180，60，1，25，166，9.9，17.4，0.479，91.9，31.9，24.96，23.1，9，19]。

患者相似度计算单元，用于计算目标患者于其他患者的相似度；其中，当某些特征缺失时，在计算相似度时将两向量中缺失部分剔除即可。

医生相似度计算单元，用于通过根据患者对医生的评分由高至低的排序，进行计算相似度；其中，当某些用户未对医生进行评分时，计算中两向量均舍弃这一部分。如，将所有患者对某一个医生的评分可以作为一个向量,假设三个患者对医生a的评分为(5,6,8)，而这三个患者对医生b的评分为(1,3,4),通过计算可认为两个医生不相似。而如果这三个患者对医生b的评分为(5,6,7)则认为a,b两医生相似。

对比图单元，用于根据患者的相似度及医生的相似度制成对应的相似度分析图表a、b。

对所述推荐模块作进一步说明：

患者匹配计算单元，用于根据与目标患者相似度最大的前k个患者，获取所述k个患者对医生的历史评分进行计算与目标患者相似的其他患者对医生的预测评分；

医生查询计算单元，用于根据与欲评分医生相似度最大的前k个医生，获取所述目标患者对其他医生的历史评分进行计算目标患者对未评分医生的预测评分；

协同过滤单元，用于根据所述与目标患者相似的其他患者对医生的预测评分及所述目标患者对未评分医生的预测评分进行计算过滤，获取最终的预测评分按照由高至低排序；

推荐单元，用于最终得分最高的前n个医生推荐给目标患者。

所述系统进行所述推荐模块前针对目标患者个人信息进行判断，当目标患者是首次进行检索医生评分的，则直接进行医生查询计算单元、患者匹配计算单元、协同过滤单元及推荐单元；当目标患者不是首次进行检索医生评分的，则直接进行患者匹配计算单元及推荐单元。

实施本发明实施例，能够解决传统推荐系统冷启动的的问题，提高了推荐信息的准确度，同时，在保证推荐准确度的同时降低了对计算资源的消耗，提高了系统的响应速度，增强用户的体验感受。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于混合协同过滤医患信息的推荐系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。