CN106651517A - 一种基于隐半马尔可夫模型的药品推荐方法 - Google Patents
一种基于隐半马尔可夫模型的药品推荐方法 Download PDFInfo
- Publication number
- CN106651517A CN106651517A CN201611184351.8A CN201611184351A CN106651517A CN 106651517 A CN106651517 A CN 106651517A CN 201611184351 A CN201611184351 A CN 201611184351A CN 106651517 A CN106651517 A CN 106651517A
- Authority
- CN
- China
- Prior art keywords
- user
- state
- medicine
- markov model
- hidden semi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于隐半马尔可夫模型的药品推荐方法,其特征在于包括以下步骤:一、训练数据预处理,生成用户行为序列的训练数据集;二、对药品推荐模型的参数进行估计;三、采集用户在医药平台的上网行为序列;四、以用户的上网行为序列为观测值,使用训练好的药品推荐模型推断用户的状态序列;五、计算状态序列的各状态的期望持续时间;六、将所得的各状态的期望持续时间按降序排序,得到用户最关注的前复数个状态;七、根据用户最关注的前复数种病情,向用户推荐相应的药品。本发明由用户在云平台上的在线行为,准确预测用户关注的病情,再根据用户最关注的病情向用户推荐相关的药品,从而提高药品推荐结果的相关性。
Description
技术领域
本发明涉及一种基于隐半马尔可夫模型的药品推荐方法。
背景技术
基于云计算和大数据技术的医药聚合供应链协同平台是药品全产业链大数据资源和公共服务云平台,具有大数据融合和存储、平台大数据挖掘与应用、药品监管和行业信息集成等功能,整合了医药供应链企业的资源,有利于规范医药网上交易市场经济秩序,促进药品全产业链健康、良性地发展。在医药大数据应用服务快速发展的形势下,如何为用户提供精准医药服务成为各大医药平台亟需解决的关键问题,而现有解决方法一般存在推荐结果的相关性不够准确等缺陷。
发明内容
本发明针对现有技术的不足,提供一种基于隐半马尔可夫模型的药品推荐方法。该方法首先根据可观测的用户在云平台上的网络行为序列,预测用户关注的病情,再根据用户最关注的病情向用户推荐相关的药品;其解决医药聚合供应链协同平台上用户药品精准推荐的问题。
为了达到上述目的,本发明一种基于隐半马尔可夫模型的药品推荐方法,主要包括以下步骤:
第一步、训练数据预处理,即对用户在医药平台的上网行为数据进行数据清洗,生成用户行为序列的训练数据集;
第二步、对药品推荐模型的参数进行估计;
第三步、采集用户在医药平台的上网行为序列;
第四步、以用户的上网行为序列为观测值,使用训练好的药品推荐模型推断用户的状态序列;
第五步、计算状态序列的各状态的期望持续时间;
第六步、将所得的各状态的期望持续时间按降序排序,得到用户最关注的前复数个状态,即用户最关注的前复数种病情;
第七步、根据用户最关注的前复数种病情,向用户推荐相应的药品。
优选地,所述药品推荐模型为基于隐半马尔可夫模型的模型。
优选地,所述药品推荐模型的参数模型表示为:θ={π,A,B};其中,π为初始模型的初始状态概率,A为状态转移概率,B为观测概率。
优选地,所述对药品推荐模型的参数进行估计的方法为前向后向算法。
优选地,所述第四步使用训练好的药品推荐模型推断用户的状态序列的推断方法为基于Viterbi算法。
所谓观测值空间,为用户在医药聚合供应链协同平台上的在线行为序列,表示为x=x1,x2,...,xT,包括用户在APP、医药云平台以及机器人等***或平台上的浏览的页面、访问的资源或提出的问题等。所谓状态的取值空间,为用户关注的病情,表示为y=y1,y2,...yn。
本发明由用户在云平台上的在线行为,准确预测用户关注的病情,再根据用户最关注的病情向用户推荐相关的药品,从而提高药品推荐结果的相关性。
附图说明
图1为本发明基于隐半马尔可夫模型的药品推荐方法的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
所谓观测值空间,为用户在医药聚合供应链协同平台上的在线行为序列,表示为x=x1,x2,...,xT,包括用户在APP、医药云平台以及机器人等***或平台上的浏览的页面、访问的资源或提出的问题等。所谓状态的取值空间,为用户关注的病情,表示为y=y1,y2,...yn。
所述药品推荐模型的参数模型表示为:θ={π,A,B};其中,π为初始模型的初始状态概率,A为状态转移概率,B为观测概率。
为了方便描述模型,本发明采用以下表示符号:
1)t:t+d表示从t开始一直到t+d的时间序列,即t,t+1,...,t+d。
2)S[t-d+1:t]=j表示[t-d+1,t]时间区间上的状态为j,且t+1和t-1的状态都不为j。
3)St]=j表时间t及其之前的状态为j,且t+1的状态不为j。
4)S[t=j表示时间t及其之后的状态为j,且t-1的状态不为j。
药品推荐模型的参数估计任务是由采集到的用户在线行为序列估计出对应的隐半马尔可夫模型的参数。本发明采用前向后向算法解决医药推荐模型的参数估计问题,具体如下所述。
1)定义前向后向变量:
αt(j,d)=P[St-d+1:t=j,o1:t|θ];
βt(j,d)=P[ot+1:T|St-d+1:t=j,θ]。
2)前向后向算法的初始化:
α1(j,d)=πj,
βT(j,d)=1。
3)迭代推导过程:
4)计算中间变量:
ηt(j,d)=P[S[t-d+1:t]=j,o1:T|λ]=αt(j,d)βt(j,d);
ξt(i,d';j,d)=P[St]=i,S[t+1:t+d]=j,o1:T|λ]=αt(i,d')a(i,d')(j,d)bj,d(ot+1:t+d)βt+d(j,d);
5)参数更新公式
其中,当时,否则
给定用户的行为序列,是基于Viterbi算法提取较好的用户兴趣序列y=y1,y2,...yt。
计算状态i的期望持续时间为: 可以显示用户在某个状态的总的期望时间,即可以反映了用户关注某种病情的程度。一般地,用户对某个病情的关注程度高低与该病情所对应的状态的期望持续时间长度成正比。
参照图1,本发明实施例一种基于隐半马尔可夫模型的药品推荐方法,主要包括以下步骤:
第一步、训练数据预处理,即对用户在医药平台的上网行为数据进行数据清洗,生成用户行为序列的训练数据集;
第二步、对药品推荐模型的参数进行估计;
第三步、采集用户在医药平台的上网行为序列;
第四步、以用户的上网行为序列为观测值,使用训练好的药品推荐模型推断用户的状态序列;
第五步、计算状态序列的各状态的期望持续时间
第六步、将所得的各状态的期望持续时间按降序排序,得到用户最关注的前N个状态,即用户最关注的前N种病情;
第七步、根据用户最关注的前复数种病情,向用户推荐相应的药品。
所述药品推荐模型为基于隐半马尔可夫模型的模型。所述对药品推荐模型的参数进行估计的方法为前向后向算法。所述第四步使用训练好的药品推荐模型推断用户的状态序列的推断方法为基于Viterbi算法。
本发明实施例由用户在云平台上的在线行为,准确预测用户关注的病情,再根据用户最关注的病情向用户推荐相关的药品,从而提高药品推荐结果的相关性。
以上已将本发明做一详细说明,但显而易见,本领域的技术人员可以进行各种改变和改进,而不背离所附权利要求书所限定的本发明的范围。
Claims (5)
1.一种基于隐半马尔可夫模型的药品推荐方法,其特征在于,主要包括以下步骤:
第一步、训练数据预处理,即对用户在医药平台的上网行为数据进行数据清洗,生成用户行为序列的训练数据集;
第二步、对药品推荐模型的参数进行估计;
第三步、采集用户在医药平台的上网行为序列;
第四步、以用户的上网行为序列为观测值,使用训练好的药品推荐模型推断用户的状态序列;
第五步、计算状态序列的各状态的期望持续时间;
第六步、将所得的各状态的期望持续时间按降序排序,得到用户最关注的前复数个状态,即用户最关注的前复数种病情;
第七步、根据用户最关注的前复数种病情,向用户推荐相应的药品。
2.根据权利要求1所述的一种基于隐半马尔可夫模型的药品推荐方法,其特征在于,所述药品推荐模型为基于隐半马尔可夫模型的模型。
3.根据权利要求1所述的一种基于隐半马尔可夫模型的药品推荐方法,其特征在于,所述药品推荐模型的参数模型表示为:θ={π,A,B};其中,π为初始模型的初始状态概率,A为状态转移概率,B为观测概率。
4.根据权利要求1所述的一种基于隐半马尔可夫模型的药品推荐方法,其特征在于,所述对药品推荐模型的参数进行估计的方法为前向后向算法。
5.根据权利要求1所述的一种基于隐半马尔可夫模型的药品推荐方法,其特征在于,所述第四步使用训练好的药品推荐模型推断用户的状态序列的推断方法为基于Viterbi算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184351.8A CN106651517B (zh) | 2016-12-20 | 2016-12-20 | 一种基于隐半马尔可夫模型的药品推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184351.8A CN106651517B (zh) | 2016-12-20 | 2016-12-20 | 一种基于隐半马尔可夫模型的药品推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651517A true CN106651517A (zh) | 2017-05-10 |
CN106651517B CN106651517B (zh) | 2021-11-30 |
Family
ID=58834723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611184351.8A Active CN106651517B (zh) | 2016-12-20 | 2016-12-20 | 一种基于隐半马尔可夫模型的药品推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651517B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085292A (zh) * | 2019-04-28 | 2019-08-02 | 广东技术师范大学 | 药品推荐方法、装置及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270212A (zh) * | 2011-04-07 | 2011-12-07 | 浙江工商大学 | 一种基于隐半马尔可夫模型的用户兴趣特征提取方法 |
CN103345503A (zh) * | 2013-07-01 | 2013-10-09 | 杭州万事利丝绸科技有限公司 | 一种基于小波网络的丝绸产品个性化推荐方法 |
JP2014066949A (ja) * | 2012-09-27 | 2014-04-17 | Univ Of Tokyo | 最適経路探索装置 |
CN104008203A (zh) * | 2014-06-17 | 2014-08-27 | 浙江工商大学 | 一种融入本体情境的用户兴趣挖掘方法 |
CN104854654A (zh) * | 2012-10-18 | 2015-08-19 | 谷歌公司 | 用于使用搜索查询信息的言语识别处理的方法和*** |
US20160063993A1 (en) * | 2014-09-02 | 2016-03-03 | Microsoft Corporation | Facet recommendations from sentiment-bearing content |
-
2016
- 2016-12-20 CN CN201611184351.8A patent/CN106651517B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270212A (zh) * | 2011-04-07 | 2011-12-07 | 浙江工商大学 | 一种基于隐半马尔可夫模型的用户兴趣特征提取方法 |
JP2014066949A (ja) * | 2012-09-27 | 2014-04-17 | Univ Of Tokyo | 最適経路探索装置 |
CN104854654A (zh) * | 2012-10-18 | 2015-08-19 | 谷歌公司 | 用于使用搜索查询信息的言语识别处理的方法和*** |
CN103345503A (zh) * | 2013-07-01 | 2013-10-09 | 杭州万事利丝绸科技有限公司 | 一种基于小波网络的丝绸产品个性化推荐方法 |
CN104008203A (zh) * | 2014-06-17 | 2014-08-27 | 浙江工商大学 | 一种融入本体情境的用户兴趣挖掘方法 |
US20160063993A1 (en) * | 2014-09-02 | 2016-03-03 | Microsoft Corporation | Facet recommendations from sentiment-bearing content |
Non-Patent Citations (2)
Title |
---|
蒋冬梅 等: "《考虑状态持续时间的改进Viterbi算法及语音识别》", 《西北工业大学学报》 * |
血影雪梦: "《隐马尔可夫(HMM)、前/后向算法、Viterbi算法再次总结》", 《HTTPS://BLOG.CSDN.NET/XUEYINGXUE001/ARTICLE/DETAILS/52396494》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085292A (zh) * | 2019-04-28 | 2019-08-02 | 广东技术师范大学 | 药品推荐方法、装置及计算机可读存储介质 |
CN110085292B (zh) * | 2019-04-28 | 2022-07-26 | 广东技术师范大学 | 药品推荐方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106651517B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ȚĂRANU | Data mining in healthcare: decision making and precision. | |
Ambekar et al. | Disease risk prediction by using convolutional neural network | |
Rau et al. | An empirical Bayesian method for estimating biological networks from temporal microarray data | |
Kaur et al. | Review on heart disease prediction system using data mining techniques | |
CN105574098B (zh) | 知识图谱的生成方法及装置、实体对比方法及装置 | |
Gharehchopogh et al. | Neural network application in diagnosis of patient: a case study | |
Mall et al. | Implementation of machine learning techniques for disease diagnosis | |
CN111066033A (zh) | 用于生成模糊结果的标签的机器学习方法 | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
CN110706822B (zh) | 基于逻辑回归模型和决策树模型的健康管理方法 | |
CN108231146A (zh) | 一种基于深度学习的医疗记录模型构建方法、***及装置 | |
Davin et al. | Separating homophily and peer influence with latent space | |
CN109979568A (zh) | 心理健康预警方法、服务器、家属终端与*** | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及*** | |
Naeem et al. | Recognising activities of daily life using hierarchical plans | |
Reddy et al. | Prediction of heart disease using decision tree approach | |
CN109979592A (zh) | 心理健康预警方法、用户终端、服务器与*** | |
Duflou et al. | Systematic innovation through patent based product aspect analysis | |
Garg et al. | Non-homogeneous Markov models for sequential pattern mining of healthcare data | |
CN106651517A (zh) | 一种基于隐半马尔可夫模型的药品推荐方法 | |
CN103823667A (zh) | 根据可视反馈自动调整值序列分析任务的方法和*** | |
CN116719891A (zh) | 中医信息分组聚类方法、装置、设备及计算机存储介质 | |
Moudani et al. | Intelligent decision support system for osteoporosis prediction | |
CN104200222B (zh) | 一种基于因子图模型的图片中对象识别方法 | |
Saiyed et al. | A survey on naive bayes based prediction of heart disease using risk factors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 510665 No. 293 Shipai Zhongshan Avenue, Tianhe District, Guangzhou City, Guangdong Province Applicant after: GUANGDONG POLYTECHNIC NORMAL University Address before: 510665 No. 293 Shipai Zhongshan Avenue, Tianhe District, Guangzhou City, Guangdong Province Applicant before: GUANGDONG POLYTECHNIC NORMAL University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |