一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法技术

本发明专利技术公开了一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，包括：步骤一、建立糖尿病患者的饮食偏好特征集合U＝{u1,u2,…,un}和食物的属性特征集合V＝{v1,v2,…,vm}，记录糖尿病患者饮食，提取偏好特征和食物属性特征，形成糖尿病患者饮食偏好矩阵U∈RK×M和食物属性特征V∈RK×N；步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度；步骤三、对所述关联度进行权值分布得到基本分类后，训练数据集更新权值分布，将所有关联度赋予权重进行分类排除不必要的食物，得到最终的如下关联度分类：

A personalized diet recommendation method based on Adaboost probability matrix

The invention discloses a method for personalized diet recommendation of diabetes mellitus by introducing Adaboost probability matrix decomposition. The method comprises the following steps: 1. Establishing a set of dietary preference characteristics U ={u1, u2,... The attribute characteristics of un} and food are V = {v1, V2,... The dietary preference matrix U * RK * M and the food attribute characteristic V * RK * N were formed by recording the dietary preference of diabetic patients and extracting the preference characteristics and food attribute characteristics. Thirdly, after the weight distribution of the correlation degree is classified, the training data set updates the weight distribution, assigns all the correlation degree to the weight to classify and exclude unnecessary food, and obtains the final classification of the correlation degree as follows:

【技术实现步骤摘要】
一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法
本专利技术涉及智能医药领域，具体涉及一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法。
技术介绍
随着网络时代的步伐逐渐加快伴随而来的是信息量的暴涨，为用户提供推荐服务的技术也相应的被运用到各种领域，从而帮助用户更精确地找到他们想要的信息。当前针对糖尿病患者的饮食推荐方法主要是基于关联规则的推荐、基于内容的推荐、协同过滤推荐、基于约束的推荐等方法：(1)基于关联规则的推荐主要代表就是Apriori算法，其核心思想就是在频集中产生强关联规则，定义出来的规则必须满足最小置信度和最小支持度，关联分析的目的是找出数据中隐藏的关联网，是对数据之间的关系的一种描述；但是，当设置了最小支持度阈值和最小置信度阈值的时候，进行关联分析，只要关联规则的最小置信度和最小支持度不满足事先设置好的阈值，就会采取“剪枝”处理，人为设置的最小置信度和最小支持度，必然会导致在“剪枝”处理过程中丢失一些食物的属性对糖尿病患者的饮食偏好特征的贡献因子，再就是，基于关联规则的推荐其规则提取较为复杂、同义性问题不好处理、个性化程度不高；(2)基于内容的推荐是将糖尿病患者和食物分别建模，然后通过糖尿病患者对食物的历史行为产生信息再与食物模型进行比较，将相似度高的食物推荐给糖尿病患者；虽然基于内容的推荐方法没有人为的参与是一个无监督学习的过程，体现出高度的自动化，能够处理复杂的对象，但是，面对新添加的糖尿病患者，则无法进行学习建模；因此，基于内容的推荐在冷启动和扩展性问题上存在不足；(3)协同过滤推荐方法必须是在有用户对项目的评分或者是行为基础上进行的，根据评分记录计算用户或者项目之间相似度，通过相似度计算目标用户或者目标项目的最近邻数据集，再从最近邻数据集中的用户或者项目计算目标用户对待选择的项目的喜好程度，据此推荐；但是，如果项目的属性变得复杂，无法再通过用户对项目的一个评分或者是行为计算相似度。该方法没有对属性的权重进行分配，并且项目的属性针对不同用户重要性行也不同。所以说协同过滤推荐方法针对复杂的事物属性处理极其困难；(4)基于约束的推荐方法主要是依靠项目的属性，就是从项目集合中推荐能够匹配用户需求、偏好特征和硬性需求的项目，通过一些标准硬性约束了糖尿病患者的饮食结构，虽然看上去既符合患者在医学上的指标要求，又符合患者对食物的偏好特征；其实不然，在约束求解过程中如果出现需求冲突或者是空解时，基于约束求解可能处理问题就比较麻烦了，即使在后续对基于约束的推荐方法的改进，即采取通过计算冲突需求来逐渐放宽约束限制来获取解，虽然避免了需求冲突和空解，但是由于放宽了约束限制，就可能会导致个别的在医学上针对某个糖尿病患者的饮食标准不吻合的食物渗入到推荐数据集中。由于因多种原因使糖尿病患者的身体状况指标不定期变化，导致以上一些传统方法存在一定的局限性：(1)传统的糖尿病饮食推荐方法，在食物选取上容易丢失一些对糖尿病患者有价值的食物；(2)传统的糖尿病饮食推荐方法对待糖尿病患者的方式具有普遍性，忽略了患者的特殊性；(3)传统的糖尿病饮食推荐方法在医学指标和糖尿病患者的意愿上无法平衡，要么一味地追求患者的饮食偏好特征实现个性化要求，要么以医学标准为主，忽视了患者个性化的饮食偏好特征，导致患者厌恶而无法入食，展示出“伪推荐”效果。
技术实现思路
本专利技术设计开发了一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，本专利技术的专利技术目的将根据患者的饮食偏好特征和食物所具备的属性之间的关联度进行个性化饮食推荐。本专利技术提供的技术方案为：一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，包括如下步骤：步骤一、建立糖尿病患者的饮食偏好特征集合U＝{u1,u2,…,un}和食物的属性特征集合V＝{v1,v2,…,vm}，记录糖尿病患者饮食，提取偏好特征和食物属性特征，形成糖尿病患者饮食偏好矩阵U∈RK×M和食物属性特征V∈RK×N；其中，K＜＜min{M，N}；步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度；其中，所述关联度rij量化表示为：式中，Ν(x|μ,σ2)为均值μ、方差σ2的高斯分布密度函数；观测关联强度的条件概率表示为：式中，Iij为指示函数，如果糖尿病患者i对食物j有过行为，则Iij取值为1，否则取值为0；步骤三、对所述关联度进行权值分布得到基本分类后，训练数据集更新权值分布，将所有关联度赋予权重进行分类排除不必要的食物，得到最终的如下关联度分类：式中，Gm(x)为基本分类，αm为Gm(x)在最终关联度rij集合中的重要程度em为训练数据集上的分类误差率，提取所有的关联度rij(rij≠0)分别对应x1,x2,…,xN，形成集合为T＝{(x1,y1),(x2,y2),…,(xN,yN)}，yi为标记集合{+1，-1}；步骤四、根据所述条件概率和所述关联度分类得到所述个性化饮食，表示如下：优选的是，在所述步骤三中，排除不必要的食物是通过筛选归类过程中排除不符合的关联度，在排除过程中不断减少误差e满足以下条件：优选的是，在所述步骤三中，进行权值分布时，关联度rij开始均赋予相同的权重，均为1/N。优选的是，在所述步骤三中，更新训练数据集的权值分布使关联度集合特征要不断逼近直接影响糖尿病患者的阈值，在新的权值分布的训练数据集下，用于下一次迭代，包括：式中，Zm是规范化因子，本专利技术与现有技术相比较所具有的有益效果：1、本专利技术在研究传统糖尿病饮食推荐方法的基础上，引用了概率矩阵分解并引入Adaboost分类器因子进行强化，将二者相结合提出了糖尿病个性化饮食推荐方法，该方法充分考虑到了临床患者的饮食偏好特征与在医学领域身体各项指标的彼此约束关系，更进一步做到了个性化推荐；2、相比传统的糖尿病饮食推荐方法，在准确率和患者的满意度上(多样性方面)具有很大的优势；3、较传统的糖尿病饮食推荐方法，虽然在个性化上虽然打了折扣，但是仍然不失个性化的表现，正是因为糖尿病个性化饮食推荐方法考虑了多种因素，而这些因素又是极其复杂的，推荐出的食物结果集既符合医学指标，又满足了糖尿病患者的饮食偏好需求，所以糖尿病个性化饮食推荐方法才真正做到了“个性化”饮食推荐的效果；4、该方法具有的良好的可移植性和拓展性，未来可以进一步优化。附图说明图1为本专利技术所述的评分分布图。图2为本专利技术所述的多样化比较图。图3为本专利技术所述的个性化饮食准确率分布图。图4为本专利技术所述的医学指标饮食准确率分布图。图5为本专利技术所述的准确率与多样性的关系图。图6为本专利技术所述的血浆葡萄糖含量走势图。图7为本专利技术所述的体重走势图。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。本专利技术提供一种基于引入Adaboost概率矩阵分解糖尿病个性化饮食的方法，根据患者的饮食偏好特征和食物所具备的属性之间的关联度，寻找对关联度具有贡献的隐因子，在将具备贡献的隐因子进行分类，找出贡献更大的隐因子，那么这些隐因子所对应的糖尿病患者和食物的关联就更符合医学指标和个性化饮食二者的要求；Adaboost是一种迭代算法，其核心思想是针对本文档来自技高网...

【技术保护点】
1.一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，其特征在于，包括如下步骤：步骤一、建立糖尿病患者的饮食偏好特征集合U＝{u1,u2,…,un}和食物的属性特征集合V＝{v1,v2,…,vm}，记录糖尿病患者饮食，提取偏好特征和食物属性特征，形成糖尿病患者饮食偏好矩阵U∈RK×M和食物属性特征V∈RK×N；其中，K＜＜min{M，N}；步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度；其中，所述关联度rij量化表示为：

【技术特征摘要】
1.一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，其特征在于，包括如下步骤：步骤一、建立糖尿病患者的饮食偏好特征集合U＝{u1,u2,…,un}和食物的属性特征集合V＝{v1,v2,…,vm}，记录糖尿病患者饮食，提取偏好特征和食物属性特征，形成糖尿病患者饮食偏好矩阵U∈RK×M和食物属性特征V∈RK×N；其中，K＜＜min{M，N}；步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度；其中，所述关联度rij量化表示为：式中，Ν(x|μ,σ2)为均值μ、方差σ2的高斯分布密度函数；观测关联强度的条件概率表示为：式中，Iij为指示函数，如果糖尿病患者i对食物j有过行为，则Iij取值为1，否则取值为0；步骤三、对所述关联度进行权值分布得到基本分类后，训练数据集更新权值分布，将所有关联度赋予权重进行分类排除不必要的食物，得到最终的如下关联度分类：式中，Gm(x)为基本分类，αm为Gm(x)在最终关联度rij集合中的重要程度em为训练数据集上的分类误差率...

【专利技术属性】
技术研发人员：何丽莉，欧阳丹彤，李轩，白洪涛，姜宇，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22