近年来,随着互联网和在线医疗服务的飞速发展,在线问诊平台已逐渐成为满足民众基本医疗问诊的重要渠道。与此同时,随着医患数据的飞速增长,推荐系统被逐渐应用于在线问诊平台中解决其信息过载问题。然而,现有推荐方法存在以下问题:一方...近年来,随着互联网和在线医疗服务的飞速发展,在线问诊平台已逐渐成为满足民众基本医疗问诊的重要渠道。与此同时,随着医患数据的飞速增长,推荐系统被逐渐应用于在线问诊平台中解决其信息过载问题。然而,现有推荐方法存在以下问题:一方面,现有推荐方法主要基于医生热度进行推荐,导致医生资源分配不均;另一方面,现有医生推荐研究主要从单粒度的视角出发,忽略了医生特征的多粒度性和多源性。基于此,该文通过融合多源数据,挖掘医生多粒度特征,提出一种面向多源数据的多步骤三支医生推荐方法(multi-stage doctor recommendation based on three-way decision,3WD-msDRec)。首先,利用Word2Vec和LDA等技术挖掘医生特征,构建多粒度医患推荐信息;其次,引入三支决策的思想,提出多步骤三支推荐方法;最后,通过从好大夫网站中爬取的医患数据验证所提方法的有效性。实验表明,文中方法在提高推荐精度的同时,还能提高推荐系统的覆盖率。展开更多
文摘近年来,随着互联网和在线医疗服务的飞速发展,在线问诊平台已逐渐成为满足民众基本医疗问诊的重要渠道。与此同时,随着医患数据的飞速增长,推荐系统被逐渐应用于在线问诊平台中解决其信息过载问题。然而,现有推荐方法存在以下问题:一方面,现有推荐方法主要基于医生热度进行推荐,导致医生资源分配不均;另一方面,现有医生推荐研究主要从单粒度的视角出发,忽略了医生特征的多粒度性和多源性。基于此,该文通过融合多源数据,挖掘医生多粒度特征,提出一种面向多源数据的多步骤三支医生推荐方法(multi-stage doctor recommendation based on three-way decision,3WD-msDRec)。首先,利用Word2Vec和LDA等技术挖掘医生特征,构建多粒度医患推荐信息;其次,引入三支决策的思想,提出多步骤三支推荐方法;最后,通过从好大夫网站中爬取的医患数据验证所提方法的有效性。实验表明,文中方法在提高推荐精度的同时,还能提高推荐系统的覆盖率。
