【技术实现步骤摘要】
考虑隐性反馈和人机交互的医疗案例知识推荐方法及系统
[0001]本专利技术涉及医疗数据处理
,具体涉及一种考虑隐性反馈和人机交互的医疗案例知识推荐方法及系统。
技术介绍
[0002]互联网的快速发展,产生了大量的数据和信息,人们也愈来愈依赖这些数据和信息。而大多数网络应用正是基于各种推荐系统与算法向人们推荐相关信息以满足不同用户的需求。例如在医疗健康领域,可基于人体的生理数据和病情特征,利用案例知识推荐系统从案例知识库中匹配出合适的治疗案例向该个体推荐,并参照该案例对个体进行治疗。
[0003]目前,在医疗健康领域,推荐算法的研究与应用主要面向的是患者,与医护人员关系较弱。一方面,在为医护人员推荐案例时,由于医护人员层次、能力参差不齐,偏好不同,以及缺乏必要的人机交互,导致现有技术无法为医护人员提供个性化案例知识推荐服务,存在精度不高、用户满意度低等问题;另一方面,案例推荐技术为了确保其推荐结果的准确性会向医生用户和患者收集各种数据信息,这些数据信息如果无法妥善保管,将存在隐私泄露的风险。
[0004]由此可见,现有技术中的医疗案例知识推荐技术无法在为医生用户精准推荐个性化案例的同时保护个人隐私。
技术实现思路
[0005](一)解决的技术问题
[0006]针对现有技术的不足,本专利技术提供了一种考虑隐性反馈和人机交互的医疗案例知识推荐方法及系统,解决了现有医疗案例知识推荐技术存在无法在为医生用户精准推荐个性化案例的同时保护个人隐私的问题。
[0007](二)技术 ...
【技术保护点】
【技术特征摘要】
1.一种考虑隐性反馈和人机交互的医疗案例知识推荐方法,其特征在于,所述方法包括:获取用户浏览案例的历史行为数据并进行预处理和加密处理;所述历史行为数据包括显性反馈数据和隐性反馈数据;基于所述显性反馈数据获取用户的案例评分矩阵和不同案例间的相似度,基于所述隐性反馈数据利用融合了注意力机制的GMF和MLP的混合推荐模型获取用户
‑
案例交互矩阵,以及对所述用户
‑
案例交互矩阵和案例数据进行加密;基于所述相似度、用户的案例评分矩阵,以及所述用户
‑
案例交互矩阵获取初步推荐列表;基于所述初步推荐列表,结合用户交互行为获取最终推荐列表。2.如权利要求1所述的方法,其特征在于,所述方法还包括:在获取案例推荐列表时对用户身份和权限进行识别认证。3.如权利要求1所述的方法,其特征在于,所述对所述用户
‑
案例交互矩阵和案例数据进行加密包括:采用基于随机响应的差分隐私保护模型对所述用户
‑
案例交互矩阵进行保护。4.如权利要求1所述的方法,其特征在于,所述获取不同案例间的相似度,包括:利用修正余弦相似度和皮尔森相似度分别计算不同案例间的相似度,再根据一定权重对两种相似度计算结果进行拟合获得最终的相似度,其中,皮尔森相似度的计算公式如下:其中,U表示对案例i和案例j都评分过的用户集合;R
u,i
表示用户U对案例i的评分;R
u,j
表示用户U对案例j的评分;表示案例i的平均得分;表示案例j的平均得分;修正余弦相似度的计算公式如下:其中,U表示对案例i和案例j都评分过的用户集合;R
u,i
表示用户U对案例i的评分;R
u,j
表示用户U对案例j的评分;表示用户U的平均评分;对皮尔森相似度和修正余弦相似度计算结果进行拟合可以计算不同案例间最终的相似度Sim
k
(i,j),用公式表示如下:
Sim
k
(i,j)=f(Sim
r
(i,j),Sim
c
(i,j))其中,Sim
r
(i,j)为案例i和案例j的皮尔森相似度;Sim
c
(i,j)为案例i和案例j的修正余弦相似度。5.如权利要求4所述的方法,其特征在于,所述方法还包括:在对皮尔森相似度和修正余弦相似度计算结果进行拟合之前,利用spss进行交互分析获得交互系数,然后根据交互系数的值确定拟合方式,若交互系数大于0.05,使用一般线性回归方程对皮尔森相似度和修正余弦相似度计算结果进行拟合:Sim
k
(i,j)=a0+a1Sim
r
(i,j)+a2Sim
c
(i,j)其中,a0,a1,a2为常数;若交互系数小于0.05,加入交互系数对皮尔森相似度和修正余弦相似度计算结果进行拟合:Sim
k
(i,j)=a0+a1Sim
r
(i,j)+a2Sim
c
(i,j)+a3(Sim
r
(i.j)Sim
c
(i,j))其中,a0,a1,a2为常数,a3为交互系数。6.一种考虑隐性反馈和人机交互的医疗案例知识推荐系统,其特征在于,所述系统包括:数据获取与预处理模块,用...
【专利技术属性】
技术研发人员:顾东晓,钱锦,刘虎,李敏,丁帅,李霄剑,欧阳波,鲁超,赵卉,刘红艳,赵旺,苏凯翔,黄智勇,丁彬彬,周翔,程玮玲,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。