本發(fā)明涉及一種基于隱半馬爾可夫模型的藥品推薦方法。

背景技術(shù)：

基于云計(jì)算和大數(shù)據(jù)技術(shù)的醫(yī)藥聚合供應(yīng)鏈協(xié)同平臺(tái)是藥品全產(chǎn)業(yè)鏈大數(shù)據(jù)資源和公共服務(wù)云平臺(tái)，具有大數(shù)據(jù)融合和存儲(chǔ)、平臺(tái)大數(shù)據(jù)挖掘與應(yīng)用、藥品監(jiān)管和行業(yè)信息集成等功能，整合了醫(yī)藥供應(yīng)鏈企業(yè)的資源，有利于規(guī)范醫(yī)藥網(wǎng)上交易市場(chǎng)經(jīng)濟(jì)秩序，促進(jìn)藥品全產(chǎn)業(yè)鏈健康、良性地發(fā)展。在醫(yī)藥大數(shù)據(jù)應(yīng)用服務(wù)快速發(fā)展的形勢(shì)下，如何為用戶提供精準(zhǔn)醫(yī)藥服務(wù)成為各大醫(yī)藥平臺(tái)亟需解決的關(guān)鍵問(wèn)題，而現(xiàn)有解決方法一般存在推薦結(jié)果的相關(guān)性不夠準(zhǔn)確等缺陷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于隱半馬爾可夫模型的藥品推薦方法。該方法首先根據(jù)可觀測(cè)的用戶在云平臺(tái)上的網(wǎng)絡(luò)行為序列，預(yù)測(cè)用戶關(guān)注的病情，再根據(jù)用戶最關(guān)注的病情向用戶推薦相關(guān)的藥品；其解決醫(yī)藥聚合供應(yīng)鏈協(xié)同平臺(tái)上用戶藥品精準(zhǔn)推薦的問(wèn)題。

為了達(dá)到上述目的，本發(fā)明一種基于隱半馬爾可夫模型的藥品推薦方法，主要包括以下步驟：

第一步、訓(xùn)練數(shù)據(jù)預(yù)處理，即對(duì)用戶在醫(yī)藥平臺(tái)的上網(wǎng)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，生成用戶行為序列的訓(xùn)練數(shù)據(jù)集；

第二步、對(duì)藥品推薦模型的參數(shù)進(jìn)行估計(jì)；

第三步、采集用戶在醫(yī)藥平臺(tái)的上網(wǎng)行為序列；

第四步、以用戶的上網(wǎng)行為序列為觀測(cè)值，使用訓(xùn)練好的藥品推薦模型推斷用戶的狀態(tài)序列；

第五步、計(jì)算狀態(tài)序列的各狀態(tài)的期望持續(xù)時(shí)間；

第六步、將所得的各狀態(tài)的期望持續(xù)時(shí)間按降序排序，得到用戶最關(guān)注的前復(fù)數(shù)個(gè)狀態(tài)，即用戶最關(guān)注的前復(fù)數(shù)種病情；

第七步、根據(jù)用戶最關(guān)注的前復(fù)數(shù)種病情，向用戶推薦相應(yīng)的藥品。

優(yōu)選地，所述藥品推薦模型為基于隱半馬爾可夫模型的模型。

優(yōu)選地，所述藥品推薦模型的參數(shù)模型表示為：θ＝{π,A,B}；其中，π為初始模型的初始狀態(tài)概率，A為狀態(tài)轉(zhuǎn)移概率，B為觀測(cè)概率。

優(yōu)選地，所述對(duì)藥品推薦模型的參數(shù)進(jìn)行估計(jì)的方法為前向后向算法。

優(yōu)選地，所述第四步使用訓(xùn)練好的藥品推薦模型推斷用戶的狀態(tài)序列的推斷方法為基于Viterbi算法。

所謂觀測(cè)值空間，為用戶在醫(yī)藥聚合供應(yīng)鏈協(xié)同平臺(tái)上的在線行為序列，表示為x＝x₁,x₂,...,x_T，包括用戶在APP、醫(yī)藥云平臺(tái)以及機(jī)器人等系統(tǒng)或平臺(tái)上的瀏覽的頁(yè)面、訪問(wèn)的資源或提出的問(wèn)題等。所謂狀態(tài)的取值空間，為用戶關(guān)注的病情，表示為y＝y(tǒng)₁,y₂,...y_n。

本發(fā)明由用戶在云平臺(tái)上的在線行為，準(zhǔn)確預(yù)測(cè)用戶關(guān)注的病情，再根據(jù)用戶最關(guān)注的病情向用戶推薦相關(guān)的藥品，從而提高藥品推薦結(jié)果的相關(guān)性。

附圖說(shuō)明

圖1為本發(fā)明基于隱半馬爾可夫模型的藥品推薦方法的流程示意圖。

具體實(shí)施方式

以下結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)描述，但不作為對(duì)本發(fā)明的限定。

所謂觀測(cè)值空間，為用戶在醫(yī)藥聚合供應(yīng)鏈協(xié)同平臺(tái)上的在線行為序列，表示為x＝x₁,x₂,...,x_T，包括用戶在APP、醫(yī)藥云平臺(tái)以及機(jī)器人等系統(tǒng)或平臺(tái)上的瀏覽的頁(yè)面、訪問(wèn)的資源或提出的問(wèn)題等。所謂狀態(tài)的取值空間，為用戶關(guān)注的病情，表示為y＝y(tǒng)₁,y₂,...y_n。

所述藥品推薦模型的參數(shù)模型表示為：θ＝{π,A,B}；其中，π為初始模型的初始狀態(tài)概率，A為狀態(tài)轉(zhuǎn)移概率，B為觀測(cè)概率。

為了方便描述模型，本發(fā)明采用以下表示符號(hào)：

1)t:t+d表示從t開始一直到t+d的時(shí)間序列，即t,t+1,...,t+d。

2)S_[t-d+1:t]＝j(luò)表示[t-d+1,t]時(shí)間區(qū)間上的狀態(tài)為j，且t+1和t-1的狀態(tài)都不為j。

3)S_t]＝j(luò)表時(shí)間t及其之前的狀態(tài)為j，且t+1的狀態(tài)不為j。

4)S_[t＝j(luò)表示時(shí)間t及其之后的狀態(tài)為j，且t-1的狀態(tài)不為j。

藥品推薦模型的參數(shù)估計(jì)任務(wù)是由采集到的用戶在線行為序列估計(jì)出對(duì)應(yīng)的隱半馬爾可夫模型的參數(shù)。本發(fā)明采用前向后向算法解決醫(yī)藥推薦模型的參數(shù)估計(jì)問(wèn)題，具體如下所述。

1)定義前向后向變量：

α_t(j,d)＝P[S_t-d+1:t＝j(luò),o_1:t|θ]；

β_t(j,d)＝P[o_t+1:T|S_t-d+1:t＝j(luò),θ]。

2)前向后向算法的初始化：

α₁(j,d)＝π_j，

β_T(j,d)＝1。

3)迭代推導(dǎo)過(guò)程：

4)計(jì)算中間變量：

η_t(j,d)＝P[S_[t-d+1:t]＝j(luò),o_1:T|λ]＝α_t(j,d)β_t(j,d)；

ξ_t(i,d'；j,d)＝P[S_t]＝i,S_[t+1:t+d]＝j(luò),o_1:T|λ]＝α_t(i,d')a_(i,d')(j,d)b_j,d(o_t+1:t+d)β_t+d(j,d)；

5)參數(shù)更新公式

其中，當(dāng)時(shí)，否則

給定用戶的行為序列，是基于Viterbi算法提取較好的用戶興趣序列y＝y(tǒng)₁,y₂,...y_t。

計(jì)算狀態(tài)i的期望持續(xù)時(shí)間為：可以顯示用戶在某個(gè)狀態(tài)的總的期望時(shí)間，即可以反映了用戶關(guān)注某種病情的程度。一般地，用戶對(duì)某個(gè)病情的關(guān)注程度高低與該病情所對(duì)應(yīng)的狀態(tài)的期望持續(xù)時(shí)間長(zhǎng)度成正比。

參照?qǐng)D1，本發(fā)明實(shí)施例一種基于隱半馬爾可夫模型的藥品推薦方法，主要包括以下步驟：

第一步、訓(xùn)練數(shù)據(jù)預(yù)處理，即對(duì)用戶在醫(yī)藥平臺(tái)的上網(wǎng)行為數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，生成用戶行為序列的訓(xùn)練數(shù)據(jù)集；

第二步、對(duì)藥品推薦模型的參數(shù)進(jìn)行估計(jì)；

第三步、采集用戶在醫(yī)藥平臺(tái)的上網(wǎng)行為序列；

第四步、以用戶的上網(wǎng)行為序列為觀測(cè)值，使用訓(xùn)練好的藥品推薦模型推斷用戶的狀態(tài)序列；

第五步、計(jì)算狀態(tài)序列的各狀態(tài)的期望持續(xù)時(shí)間

第六步、將所得的各狀態(tài)的期望持續(xù)時(shí)間按降序排序，得到用戶最關(guān)注的前N個(gè)狀態(tài)，即用戶最關(guān)注的前N種病情；

第七步、根據(jù)用戶最關(guān)注的前復(fù)數(shù)種病情，向用戶推薦相應(yīng)的藥品。

所述藥品推薦模型為基于隱半馬爾可夫模型的模型。所述對(duì)藥品推薦模型的參數(shù)進(jìn)行估計(jì)的方法為前向后向算法。所述第四步使用訓(xùn)練好的藥品推薦模型推斷用戶的狀態(tài)序列的推斷方法為基于Viterbi算法。

本發(fā)明實(shí)施例由用戶在云平臺(tái)上的在線行為，準(zhǔn)確預(yù)測(cè)用戶關(guān)注的病情，再根據(jù)用戶最關(guān)注的病情向用戶推薦相關(guān)的藥品，從而提高藥品推薦結(jié)果的相關(guān)性。

以上已將本發(fā)明做一詳細(xì)說(shuō)明，但顯而易見，本領(lǐng)域的技術(shù)人員可以進(jìn)行各種改變和改進(jìn)，而不背離所附權(quán)利要求書所限定的本發(fā)明的范圍。