面向医疗健康的个性化推荐算法研究

发布时间：2020-06-13 11:52

【摘要】：医疗信息及互联网技术的发展,产生了大量医疗健康数据,依托数据分析挖掘有用信息成为促进医疗健康领域发展的重要手段。推荐系统是这方面的一个重要应用。本文针对药物数据以及护理措施数据,进行药物与护理措施推荐,从而辅助药物研发,降低护理措施方案制定的门槛。具体工作如下:1)药物及健康护理措施数据的获取与预处理。处理公开的药物数据集,获取所需数据,并对疾病进行了特征标注;另外,从两本健康护理指南中提取症状特征信息和对应的护理措施并处理,并统计相关数据用于分析健康护理数据集特点。2)提出了一种基于药物和疾病特征关联的药物重定位混合推荐算法。在利用协同过滤推荐和基于人口统计学推荐的基础上,通过引入疾病特征向量并构建药物-疾病特征矩阵,最后利用此矩阵进行药物相似度计算,从而发现药物疗效,并与药物实际疗效进行对比分析。对比实验表明所提算法降低了数据稀疏性对推荐效果的影响,推荐效果有较大提升,整体推荐准确率达到95%以上。3)提出了一种护理措施推荐算法。通过使用自然语言工具包和训练word2vec模型辅助计算文本相似度,用以度量症状间的相似度,对于一个目标症状,分别使用两种方法寻找邻居集并混合,以此产生最终推荐,并在健康护理数据集上进行了对比实验,实验结果表明混合后的方法具有明显优势,整体推荐准确率较单独使用自然语言工具包提升18%,较单独使用word2vec模型提升25%。
【图文】：

推荐算法,推荐系统

搜索引擎在使用同一个关键字进行信息搜索时，搜索的结果往往是相户对信息新颖性的需求却日益增大，这使得通过搜索引擎获得的结果无满足用户的实际需求。同时，信息过载和搜索引擎本身存在的种种问题让的价值也大大降低。鉴于信息检索系统仍然无法很好地解决信息过载问题推荐系统应运而生，并且被广泛应用于其他领域，其中极具特色和潜力的商务领域和音乐领域。推荐系统的研究热度在不断升高，推荐算法作为推核心更是受到广泛关注，各种专家学者都在致力于推荐算法性能优化的当今社会，从电子商务、音乐、视频到广告、社交网络或其他领域，推荐十分重要的功能模块，一个好的推荐算法显得格外重要。目前，推荐算法泛集成到了很多的商业应用中，国外如 Amazon，Netflix，YouTube，Hulu公司都十分重视自身产品的推荐系统，有些公司甚至举办巨额奖金的推赛以期提升他们的推荐系统。国内如淘宝，京东，豆瓣，网易云音乐等平不开推荐系统，如图 1.1 所示。推荐算法的优劣在某种程度上可能直接影的经济效益，亚马逊作为美国最大的一家网络电子商务公司，曾经发布数网络书城的推荐算法为其每年贡献近三十个百分点的创收。协同过滤算

示意图,协同过滤,推荐算法,示意图

2.1 推荐算法概述推荐算法作为一个推荐系统最核心的模块，推荐算法的好坏在很大程度上决定了一个推荐系统的性能，，所以大量的论文和著作都在关注推荐算法模块，推荐算法也存在很多种类，彼此之间也各有优劣，本节主要介绍以下几种推荐算法：协同过滤推荐、基于内容的推荐、基于人口统计学的推荐以及混合推荐等。2.1.1 基于协同过滤的推荐算法协同过滤推荐是个性化推荐中最热门也是最成功的策略[17]，曾在亚马逊[18]、GroupLens 新闻推荐系统[19]以及 MovieLens 电影推荐系统[20]中都有所应用，而协同过滤推荐一般还可以分为基于相似类型的协同过滤和基于模型的协同过滤两种。（一）基于相似类型的协同过滤主要分为基于用户和基于项目的协同推荐，其中基于用户的协同推荐的基本思路是两个相似的用户可能对同样的东西有兴趣。首先找到和目标用户相似的最近邻居，然后根据这些最近邻居的行为来预测目标用户的行为，从而为目标用户推荐更加符合其兴趣的项目。
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.3;R-05

【参考文献】