面向互联网医疗的智能网上药店药品推荐系统的研究与实现

发布时间：2020-05-12 10:05

【摘要】：随着社会的发展,人们对医疗健康服务的需求不断增加,在这个背景下,中国的互联网药品交易市场规模不断扩大,网上药店已经形成了一种势不可挡的发展趋势。不过,互联网在线购药这种方式还是存在一定的缺陷,主要在于用户缺乏对病症以及药物相关的专业性知识,个人购药往往无法做到对症下药,导致用错药物甚至使病情更加严重。所以针对这一问题,本文提出一种结合专家系统的协同过滤智能推荐方法来构建网上药店药品推荐系统。专家系统保证了药品推荐的“专业性”,以保证能够对症下药,协同过滤方法则主要考虑用户的“个体差异性”,两种方法相结合,以保证药品推荐结果的专业有效。首先,本文介绍了国内外互联网医疗的情况,主要是网上药店的发展现状,并对其发展瓶颈与问题进行介绍,引出本文的研究方向。其次,对专家系统与个性化推荐的国内外的研究与发展进行阐述,明确本文的研究目标与内容。紧接着对专家系统与个性化推荐以及高并发系统构建的相关理论与技术进行介绍,为后续的研究与实现奠定了理论基础。接下来重点研究面向互联网医疗的智能药品推荐算法与系统的设计与实现,包括:(1)专家系统的设计与实现,在专家系统的构建中,采用产生式规则结合XML知识表示法对专家知识进行存储,使用D-S证据合成理论进行不确定推理,并创新性地加入缓存设计对专家系统的结构进行改进,提高知识推导效率;(2)协同过滤推荐算法的设计与实现,详细介绍了数据采集方式,数据处理方式以及最后的推荐结果生成算法,以隐式反馈为主,显式反馈为辅进行数据采集以及“用户-药品”兴趣矩阵的生成与修正,在协同过滤算法的实现中,对传统的相似度计算方法进行改进,提高算法的准确性,并使用阈值判断方法生成目标用户的相似群体,降低算法的时间复杂度,提高算法效率;(3)网上药店系统的设计与实现,包括网上药店的需求分析,总体设计,网上药店的数据库设计与相关核心模块的实现。最后,在系统与算法研究实现的同时,为了验证系统的可用性和推荐算法的改进效果,设计了相关实验进行测试与验证,并对测试结果进行分析。最后,对本文进行总结,并对本文工作的不足之处进行展望与分析。本文提出的结合专家系统的协同过滤智能药品推荐方法是一种针对现有互联网医疗的药品推荐的有效方法,结合本文设计的优化策略,可以提高网上药店在线药品推荐的准确性与效率,为互联网在线购药用户提供更好的医疗健康服务。
【图文】：

药品零售,总额,趋势变化

的医疗服务资源是有限的，在政府不断加大医疗投入的情况下，医还是无法跟上医疗需求增长的速度。导致许多医院出现病患爆满现长龙，甚至出现“病号号贩”的情况，病患就医体验极差，使得“看愈加严峻。为了规避麻烦的就医环节，一些日常常见疾病患者，如疾病患者，开始选择零售医药进行治疗。人口大国，有着庞大的人口基数，据统计，中国人口在 2017 年末，而庞大的人口基数不断促进我国医药市场的发展，使得我国的医市场中处于领先地位。在 2008 年到 2017 年这十年间，我国的年药 1464 亿元增长到 3723 亿元，增长高达 146.4%，图 1.1 描述了我国的具体变化。同时，在医疗改革的推动下，我国处方外流趋势逐渐自我药疗意识不断增强，在国民医药健康体系中，药品零售终端的37230000药品零售总额/亿元

趋势图,逼近函数,趋势图,目标用户

(3-25)图3.2 逼近函数趋势图所以，在 PCC 计算公式中引入该逼近函数，得到改进后的相似度计算方法如公式 3-26 所示。 ( , )′=∑ ( , )( , ) =1√∑ ( , ) =12√∑ ( , ) =12 ( , )(3-26)所以，梳理得到改进后的协同过滤推荐的步骤如下所示：(1) 使用改进后相似度计算方法公式 3-26 依次对目标用户 u 与其他用户的相似度进行计算；(2) 若相似度计算结果大于阈值μ，将该用户加入至目标用户 u 的相似群体中；(3) 当相似群体的数目达到要求，即可停止相似度计算，，通过相似群体中用户对目标用户未评分项的评分，使用公式 3-24 对目标用户的未评分项进行评分预测；(4) 在计算得到用户对产品项的所有评分后，即可通过这些评分进行药品推荐，在常见病诊断模块中，系统已得到一个可用药品集合{D_medicines}，在这个可用药品集合的基础上，通过评分对可用药品集合中的元素进行排序
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F724.6;TP391.3

【参考文献】