CN106651517B - 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 PDF

Info

Publication number
CN106651517B
CN106651517B CN201611184351.8A CN201611184351A CN106651517B CN 106651517 B CN106651517 B CN 106651517B CN 201611184351 A CN201611184351 A CN 201611184351A CN 106651517 B CN106651517 B CN 106651517B
Authority
CN
China
Prior art keywords
user
model
state
medicine
sequence
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.)
Active
Application number
CN201611184351.8A
Other languages
English (en)
Other versions
CN106651517A (zh
Inventor
戴青云
罗建桢
蔡君
魏文国
雷方元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN201611184351.8A priority Critical patent/CN106651517B/zh
Publication of CN106651517A publication Critical patent/CN106651517A/zh
Application granted granted Critical
Publication of CN106651517B publication Critical patent/CN106651517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种基于隐半马尔可夫模型的药品推荐方法
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：
Figure BDA0001186005530000031
Figure BDA0001186005530000032
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)；
Figure BDA0001186005530000033
Figure BDA0001186005530000034
5)参数更新公式
Figure BDA0001186005530000035
Figure BDA0001186005530000036
Figure BDA0001186005530000037
其中，当
Figure BDA0001186005530000038
时，
Figure BDA0001186005530000039
否则
Figure BDA00011860055300000310
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：
Figure BDA0001186005530000041
Figure BDA0001186005530000042
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
Figure BDA0001186005530000043
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、通过用户的观测值空间和用户状态的取值空间来进行训练数据预处理，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、以第一步中生成用户行为序列的训练数据集为基础，对药品推荐模型的参数进行估计；
第三步、采集目标用户在医药平台的上网行为序列；
第四步、以第三步中目标用户的上网行为序列为观测值，使用第二步中训练好的药品推荐模型推断目标用户的状态序列；
第五步、计算目标用户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，得到目标用户最关注的前复数个状态，即目标用户最关注的前复数种病情；
第七步、根据目标用户最关注的前复数种病情，向目标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。
CN201611184351.8A 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 Active CN106651517B (zh)

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 CN106651517A (zh) 2017-05-10
CN106651517B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6183737B2 (ja) * 2012-09-27 2017-08-23 国立大学法人 東京大学 最適経路探索装置
US8589164B1 (en) * 2012-10-18 2013-11-19 Google Inc. Methods and systems for speech recognition processing using search query information
US9978362B2 (en) * 2014-09-02 2018-05-22 Microsoft Technology Licensing, Llc Facet recommendations from sentiment-bearing content

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
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

Also Published As

Publication number Publication date
CN106651517A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
Rau et al. An empirical Bayesian method for estimating biological networks from temporal microarray data
Krittanawong et al. Future direction for using artificial intelligence to predict and manage hypertension
CN105701191B (zh) 一种推送信息点击率估计方法和装置
Higgins et al. A re-evaluation of random-effects meta-analysis
CN108537567B (zh) 一种目标用户群体的确定方法和装置
Zaitcev et al. A deep neural network application for improved prediction of $\text {HbA} _ {\text {1c}} $ in type 1 diabetes
CN112231584B (zh) 基于小样本迁移学习的数据推送方法、装置及计算机设备
CN110362715B (zh) 一种基于图卷积网络的未剪辑视频动作时序定位方法
JP2005505031A5 (zh)
CN111966904A (zh) 基于多用户画像模型的信息推荐方法和相关装置
CN108682457B (zh) 患者长期预后定量预测和干预***及方法
EP3639190B1 (fr) Procede d'apprentissage de descripteurs pour la detection et la localisation d'objets dans une video
CN110738650B (zh) 一种传染病感染识别方法、终端设备及存储介质
Cougoul et al. MAGMA: inference of sparse microbial association networks
CN110473636B (zh) 基于深度学习的智能医嘱推荐方法及***
CN106649714B (zh) 针对数据不均匀及数据稀疏的topN推荐***及方法
CN106651517B (zh) 一种基于隐半马尔可夫模型的药品推荐方法
Adama et al. Adaptive segmentation and sequence learning of human activities from skeleton data
CN116959585A (zh) 基于深度学习的全基因组预测方法
Didelot et al. Model design for nonparametric phylodynamic inference and applications to pathogen surveillance
CN107786376B (zh) 内容推送方法、装置及计算机设备
Dupuis et al. Estimating the occupancy rate of spatially rare or hard to detect species: a conditional approach
WO2023047117A1 (en) A computer-implemented method, data processing apparatus, and computer program for active learning for computer vision in digital images
Old et al. Entering the new digital era of intensive care medicine: an overview of interdisciplinary approaches to use artificial intelligence for patients’ benefit
CN114463590A (zh) 信息处理方法、装置、设备、存储介质及程序产品

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

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

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant