【摘要】：醫(yī)療信息及互聯(lián)網(wǎng)技術(shù)的發(fā)展,產(chǎn)生了大量醫(yī)療健康數(shù)據(jù),依托數(shù)據(jù)分析挖掘有用信息成為促進(jìn)醫(yī)療健康領(lǐng)域發(fā)展的重要手段。推薦系統(tǒng)是這方面的一個重要應(yīng)用。本文針對藥物數(shù)據(jù)以及護(hù)理措施數(shù)據(jù),進(jìn)行藥物與護(hù)理措施推薦,從而輔助藥物研發(fā),降低護(hù)理措施方案制定的門檻。具體工作如下:1)藥物及健康護(hù)理措施數(shù)據(jù)的獲取與預(yù)處理。處理公開的藥物數(shù)據(jù)集,獲取所需數(shù)據(jù),并對疾病進(jìn)行了特征標(biāo)注;另外,從兩本健康護(hù)理指南中提取癥狀特征信息和對應(yīng)的護(hù)理措施并處理,并統(tǒng)計相關(guān)數(shù)據(jù)用于分析健康護(hù)理數(shù)據(jù)集特點。2)提出了一種基于藥物和疾病特征關(guān)聯(lián)的藥物重定位混合推薦算法。在利用協(xié)同過濾推薦和基于人口統(tǒng)計學(xué)推薦的基礎(chǔ)上,通過引入疾病特征向量并構(gòu)建藥物-疾病特征矩陣,最后利用此矩陣進(jìn)行藥物相似度計算,從而發(fā)現(xiàn)藥物療效,并與藥物實際療效進(jìn)行對比分析。對比實驗表明所提算法降低了數(shù)據(jù)稀疏性對推薦效果的影響,推薦效果有較大提升,整體推薦準(zhǔn)確率達(dá)到95%以上。3)提出了一種護(hù)理措施推薦算法。通過使用自然語言工具包和訓(xùn)練word2vec模型輔助計算文本相似度,用以度量癥狀間的相似度,對于一個目標(biāo)癥狀,分別使用兩種方法尋找鄰居集并混合,以此產(chǎn)生最終推薦,并在健康護(hù)理數(shù)據(jù)集上進(jìn)行了對比實驗,實驗結(jié)果表明混合后的方法具有明顯優(yōu)勢,整體推薦準(zhǔn)確率較單獨使用自然語言工具包提升18%,較單獨使用word2vec模型提升25%。
【圖文】：

搜索引擎在使用同一個關(guān)鍵字進(jìn)行信息搜索時，搜索的結(jié)果往往是相戶對信息新穎性的需求卻日益增大，這使得通過搜索引擎獲得的結(jié)果無滿足用戶的實際需求。同時，信息過載和搜索引擎本身存在的種種問題讓的價值也大大降低。鑒于信息檢索系統(tǒng)仍然無法很好地解決信息過載問題推薦系統(tǒng)應(yīng)運而生，并且被廣泛應(yīng)用于其他領(lǐng)域，其中極具特色和潛力的商務(wù)領(lǐng)域和音樂領(lǐng)域。推薦系統(tǒng)的研究熱度在不斷升高，推薦算法作為推核心更是受到廣泛關(guān)注，各種專家學(xué)者都在致力于推薦算法性能優(yōu)化的當(dāng)今社會，從電子商務(wù)、音樂、視頻到廣告、社交網(wǎng)絡(luò)或其他領(lǐng)域，推薦十分重要的功能模塊，一個好的推薦算法顯得格外重要。目前，推薦算法泛集成到了很多的商業(yè)應(yīng)用中，國外如 Amazon，Netflix，YouTube，Hulu公司都十分重視自身產(chǎn)品的推薦系統(tǒng)，有些公司甚至舉辦巨額獎金的推賽以期提升他們的推薦系統(tǒng)。國內(nèi)如淘寶，京東，豆瓣，網(wǎng)易云音樂等平不開推薦系統(tǒng)，如圖 1.1 所示。推薦算法的優(yōu)劣在某種程度上可能直接影的經(jīng)濟效益，亞馬遜作為美國最大的一家網(wǎng)絡(luò)電子商務(wù)公司，曾經(jīng)發(fā)布數(shù)網(wǎng)絡(luò)書城的推薦算法為其每年貢獻(xiàn)近三十個百分點的創(chuàng)收。協(xié)同過濾算

2.1 推薦算法概述推薦算法作為一個推薦系統(tǒng)最核心的模塊，推薦算法的好壞在很大程度上決定了一個推薦系統(tǒng)的性能，，所以大量的論文和著作都在關(guān)注推薦算法模塊，推薦算法也存在很多種類，彼此之間也各有優(yōu)劣，本節(jié)主要介紹以下幾種推薦算法：協(xié)同過濾推薦、基于內(nèi)容的推薦、基于人口統(tǒng)計學(xué)的推薦以及混合推薦等。2.1.1 基于協(xié)同過濾的推薦算法協(xié)同過濾推薦是個性化推薦中最熱門也是最成功的策略[17]，曾在亞馬遜[18]、GroupLens 新聞推薦系統(tǒng)[19]以及 MovieLens 電影推薦系統(tǒng)[20]中都有所應(yīng)用，而協(xié)同過濾推薦一般還可以分為基于相似類型的協(xié)同過濾和基于模型的協(xié)同過濾兩種。（一）基于相似類型的協(xié)同過濾主要分為基于用戶和基于項目的協(xié)同推薦，其中基于用戶的協(xié)同推薦的基本思路是兩個相似的用戶可能對同樣的東西有興趣。首先找到和目標(biāo)用戶相似的最近鄰居，然后根據(jù)這些最近鄰居的行為來預(yù)測目標(biāo)用戶的行為，從而為目標(biāo)用戶推薦更加符合其興趣的項目。
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.3;R-05

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林耀進(jìn);張佳;林夢雷;李進(jìn)金;;基于協(xié)同過濾的藥物重定位算法[J];南京大學(xué)學(xué)報(自然科學(xué));2015年04期

2 楊超;艾聰聰;蔣斌;李仁發(fā);;一種融合人口統(tǒng)計屬性的協(xié)同過濾算法[J];小型微型計算機系統(tǒng);2015年04期

3 孫天昊;黎安能;李明;朱慶生;;基于Hadoop分布式改進(jìn)聚類協(xié)同過濾推薦算法研究[J];計算機工程與應(yīng)用;2015年15期

4 張馳;陳剛;王慧敏;;基于混合推薦技術(shù)的推薦模型[J];計算機工程;2010年22期

5 佘名高;張照亮;胡錦紅;;基于領(lǐng)域本體的個性化推薦在健康系統(tǒng)中的研究[J];電子設(shè)計工程;2010年11期

6 吳一帆;王浩然;;結(jié)合用戶背景信息的協(xié)同過濾推薦算法[J];計算機應(yīng)用;2008年11期

7 龐秀麗;馮玉強;姜維;;電子商務(wù)個性化文檔推薦技術(shù)研究[J];中國管理科學(xué);2008年S1期

8 周立寧;營造安全文化 防范護(hù)理差錯[J];中華護(hù)理雜志;2004年03期

9 左月燃;對加強護(hù)理安全管理的認(rèn)識和思考[J];中華護(hù)理雜志;2004年03期

10 陸權(quán),張泓,季芳,陸敏;頭孢曲松對肺炎鏈球菌和流感嗜血桿菌體外抗菌活性的研究[J];臨床兒科雜志;2001年05期

相關(guān)博士學(xué)位論文 前1條

1 鄧愛林;電子商務(wù)推薦系統(tǒng)關(guān)鍵技術(shù)研究[D];復(fù)旦大學(xué);2003年

本文編號：2711137