基于語(yǔ)義的醫(yī)療資源均衡推薦算法

徐守坤，吳偉偉

(常州大學(xué)信息科學(xué)與工程學(xué)院，江蘇常州213164)

1 概述

中國(guó)是一個(gè)人口大國(guó)，擁有13億多的人口，占世界人口的22%，醫(yī)療資源僅占世界資源的2%，因此，醫(yī)療資源的稀缺性不言而喻，而且在中國(guó)30%的城市人口占有80%的醫(yī)療資源，大部分集中在沿海發(fā)達(dá)城市，可以看出醫(yī)療資源的分配也不合理。眾多疑難病患者要想看病，尤其是看專(zhuān)家、名醫(yī)，就都涌入一線城市求醫(yī)。在這種情況下，各種針對(duì)醫(yī)療領(lǐng)域的網(wǎng)絡(luò)信息平臺(tái)應(yīng)運(yùn)而生，以便使普通民眾能夠及時(shí)獲取醫(yī)學(xué)知識(shí)和醫(yī)療領(lǐng)域信息。

在傳統(tǒng)的醫(yī)療信息系統(tǒng)中，獲取醫(yī)療知識(shí)的主要手段是基于關(guān)鍵詞的查詢(xún)方法［1-3］。但是隨著醫(yī)療資源信息的快速增長(zhǎng)，此種方法已經(jīng)很難找到符合患者需求的信息。最近研究得到的一些系統(tǒng)中已經(jīng)開(kāi)始使用自動(dòng)推薦［4-5］的技術(shù)來(lái)獲取醫(yī)療資源信息。文獻(xiàn)［6］提出了一種基于用戶屬性的協(xié)同過(guò)濾推薦方法，對(duì)于有特定疾病的患者，這種推薦方法的效率較高。文獻(xiàn)［7］提出了一種基于協(xié)作的醫(yī)學(xué)知識(shí)推薦方法，此種方法主要依據(jù)對(duì)臨床醫(yī)學(xué)的歷史評(píng)級(jí)來(lái)產(chǎn)生一個(gè)信任因子，進(jìn)而把這種信任因素融入到協(xié)同過(guò)濾的推薦算法中，從而為患者推薦出符合自身需求的醫(yī)生，這種方法既解決了醫(yī)生信息過(guò)載問(wèn)題，又提高了推薦質(zhì)量。文獻(xiàn)［8］通過(guò)對(duì)用戶興趣偏好的行為進(jìn)行分析，對(duì)現(xiàn)有的用戶文檔進(jìn)行信息抽取，形成了用戶本體，并根據(jù)醫(yī)療信息建立了一個(gè)本體知識(shí)庫(kù)，然后依據(jù)協(xié)同過(guò)濾推薦方法，實(shí)現(xiàn)了符合用戶需求的醫(yī)療資源推薦。

考慮到在現(xiàn)有的推薦系統(tǒng)平臺(tái)中，所運(yùn)用的推薦算法大都是一種最佳的個(gè)性化推薦算法，推薦效果是最好的，因此，會(huì)造成最佳資源的過(guò)度集中。另一方面，一般的個(gè)性化推薦算法沒(méi)有考慮大規(guī)模應(yīng)用的情況，在大規(guī)模應(yīng)用時(shí)，會(huì)出現(xiàn)資源瓶頸問(wèn)題。例如:在醫(yī)療信息系統(tǒng)中，醫(yī)院和醫(yī)生的資源是有限的。因此，為了合理利用醫(yī)療資源，使得病患能夠通過(guò)網(wǎng)絡(luò)信息載體獲取咨詢(xún)?cè)\療的機(jī)會(huì)，本文運(yùn)用一種穩(wěn)定匹配算法，并把這種算法與語(yǔ)義本體技術(shù)相結(jié)合，使得每一個(gè)病患都能找到替其看病的醫(yī)生，并且符合推薦的結(jié)果。

2 穩(wěn)定匹配算法

穩(wěn)定匹配算法算法是由2012年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)的得主 Alvin E．Roth和 Lloyd Shaley最先提出的，主要應(yīng)用在計(jì)算經(jīng)濟(jì)學(xué)領(lǐng)域［9］。該算法首先要有一個(gè)匹配市場(chǎng)，涉及2個(gè)不相交的個(gè)體集，并且個(gè)體集中有偏好對(duì)應(yīng)。

該算法的具體設(shè)計(jì)思想如下:一個(gè)市場(chǎng)具有兩方，一方按照自身偏好的先后次序?qū)α硪环降膫€(gè)體做出提議，那些獲得比他們能接受數(shù)目更多提議的個(gè)體，會(huì)拒絕那些他們最不喜歡的個(gè)體的提議，但他們不立即接受他們拒絕的個(gè)體;相反，他們?cè)诓蛔鞒鋈魏螞Q定的情況下留住這些建議，直到算法結(jié)束，然后作出接受的決定［10］。

3 語(yǔ)義建模

3．1 醫(yī)療資源建模

本文中醫(yī)療資源是推薦的內(nèi)容，其中最主要的推薦資源是醫(yī)生資源，為此，引入語(yǔ)義網(wǎng)中的關(guān)鍵技術(shù)——本體［11-13］來(lái)描述醫(yī)療資源。本體是一種共享概念的形式化規(guī)范化說(shuō)明，它能有效地表達(dá)概念的層次結(jié)構(gòu)和語(yǔ)義，并且提供了良好的數(shù)據(jù)整合與互操作性。它的目標(biāo)是獲取相關(guān)領(lǐng)域的知識(shí)，提供對(duì)該領(lǐng)域的知識(shí)理解，確定對(duì)該領(lǐng)域共同認(rèn)證的術(shù)語(yǔ)，并定義出這些術(shù)語(yǔ)間的關(guān)系。醫(yī)療資源內(nèi)容豐富，而依據(jù)本文的研究目的，建立本體的著重點(diǎn)在醫(yī)生資源，因此在建立過(guò)程中會(huì)考慮加入一些有利于醫(yī)生資源推薦的概念。如此，本體的主要概念會(huì)有醫(yī)生的科室、職稱(chēng)、擅長(zhǎng)、信譽(yù)等級(jí)等。目前，較為成熟的是一體化醫(yī)學(xué)語(yǔ)言系統(tǒng)(Unified Medical Language System，UMLS)，它是由美國(guó)國(guó)立醫(yī)學(xué)圖書(shū)館(NLM)研究和開(kāi)發(fā)的，主要包括4個(gè)部分:超級(jí)敘詞表(metathesaurus)，語(yǔ)義網(wǎng)絡(luò)(semantic network)，情報(bào)源圖譜(information sources map)和專(zhuān)家詞典(SPECIALIST Lexicon)，其中超級(jí)敘詞表是由術(shù)語(yǔ)、生物醫(yī)學(xué)概念、詞匯及其等級(jí)范疇、含義集成的。本文是以UMLS中的標(biāo)準(zhǔn)化概念為基礎(chǔ)而建立的本體，在構(gòu)建階段采用斯坦福大學(xué)醫(yī)學(xué)院開(kāi)發(fā)本體時(shí)所用的七步法，并借助了Protege本體建模工具，如圖1所示。

圖1 醫(yī)療資源本體

在圖1中的數(shù)據(jù)詞典可以根據(jù)本體中定義的概念，來(lái)映射日常生活中使用的一些意義相同或相似但表達(dá)不一樣的的概念。例如:“Credit Rating”可以表達(dá)醫(yī)生的信譽(yù)等級(jí)，相對(duì)應(yīng)于日常生活中所使用的“信譽(yù)度”、“評(píng)級(jí)”等概念，為了把用戶的查詢(xún)需求轉(zhuǎn)變?yōu)榭梢岳玫耐扑]信息，當(dāng)用戶表達(dá)的需求比較模糊和相近時(shí)，可以使用數(shù)據(jù)詞典來(lái)識(shí)別用戶的需求。

3．2 用戶建模

患者是推薦的對(duì)象，本文采用一種新的匹配方法——穩(wěn)定匹配算法來(lái)處理推薦過(guò)程中的個(gè)性化匹配問(wèn)題。這種方式需要建立篩選規(guī)則，這些規(guī)則需要有效的數(shù)據(jù)源來(lái)進(jìn)行篩選匹配。因此，需要建立一個(gè)患者資料本體。建立的患者本體應(yīng)該有利于使用篩選規(guī)則，因此，在設(shè)計(jì)的過(guò)程中，患者對(duì)于自身疾病的描述尤為重要，所以，需要考慮到醫(yī)療本體中與之相關(guān)聯(lián)的概念。用戶首先要將這些基本信息映射到本體中，即要進(jìn)行信息注冊(cè)，因此，需要用到的建模概念有患者、聯(lián)系方式、病情描述等。建好用戶本體是應(yīng)用規(guī)則的前提，它可以對(duì)用戶進(jìn)行統(tǒng)一描述，并把需要的用戶屬性應(yīng)用到推薦中。用戶本體的建模工具與醫(yī)療本體相同，一個(gè)患者實(shí)例的基本信息描述如下:

3．3 規(guī)則集建立

本體一般描述一件事物，但是它提供了一組描述邏輯推理的服務(wù)［14］，因此，可以通過(guò)建立推理規(guī)則，使得本體中概念與概念之間的關(guān)系清晰的表達(dá)出來(lái)，并返回與用戶需求真正語(yǔ)義相關(guān)的結(jié)果。規(guī)則集針對(duì)用戶本體建立，取出用戶本體中表示用戶偏好的屬性，再依據(jù)屬性建立具體的規(guī)則，推理得到的結(jié)果就是醫(yī)生的特性［15］。例如，一個(gè)病患P經(jīng)過(guò)多次測(cè)量血壓值，測(cè)得結(jié)果是舒張壓大于等于90 mmHg且小于等于99 mmHg，則推斷這個(gè)患者P是一名輕度的高血壓患者。在這個(gè)規(guī)則中，要描述出P是一個(gè)患者，還要描述出所測(cè)患者的舒張壓，以及舒張壓的范圍，最后得出推斷結(jié)果。這個(gè)規(guī)則描述如下:

4 推薦算法

4．1 算法描述

本文的推薦算法首先是對(duì)病患的需求進(jìn)行處理，獲取病患的偏好信息，然后篩選規(guī)則將這些信息轉(zhuǎn)換成對(duì)應(yīng)的醫(yī)生資源特性，作為一種匹配條件。從而對(duì)醫(yī)生與病患作出一種穩(wěn)定的匹配，最后經(jīng)過(guò)匹配獲取既滿足病患的需求，又能充分考慮醫(yī)生承載能力的推薦結(jié)果。

對(duì)于病患來(lái)說(shuō)，每個(gè)人都想選擇專(zhuān)業(yè)素質(zhì)強(qiáng)、信譽(yù)度好的醫(yī)生看病?？梢园汛朔N行為看做是一種用戶的自私行為。那么所尋求的推薦結(jié)果應(yīng)是滿足以下要求的:每一個(gè)病患都能找到替其看病的醫(yī)生，并且不存在某一個(gè)病患比起被現(xiàn)有的醫(yī)生治療，更愿意被其他醫(yī)生診療的情況;而對(duì)于醫(yī)生來(lái)說(shuō)，在自己的專(zhuān)業(yè)領(lǐng)域內(nèi)，盡可能多地為病患診治，但是不會(huì)使尋求自己治療的病患出現(xiàn)擁堵現(xiàn)象，即需要診治的病患能夠及時(shí)就醫(yī)。具體的算法如下:

(1)提取用戶偏好的需求元素qei，i∈N，獲取病患的偏好需求。

(2)偏好需求分類(lèi)，將qei與概念中的內(nèi)容進(jìn)行匹配，找到qei所對(duì)應(yīng)的類(lèi)別class，獲取過(guò)濾條件。在類(lèi)別classi對(duì)應(yīng)的概念中找到與qei相同的全部概念 ci，j，i，j∈N+，表示為(classi，ci，j)的形式;若病患的需求描述比較模糊，則需要在數(shù)據(jù)詞典中進(jìn)行查找分類(lèi)，然后進(jìn)行檢索過(guò)濾。

(3)檢索符合條件的醫(yī)生特性。首先按照集合(classi，ci，j)得到一個(gè)醫(yī)生特性的集合 DP=(dp1，dp2，…，dpn)。

(4)再次檢索。在不作出任何承諾的情況下保留上述的檢索結(jié)果，按照規(guī)則集R進(jìn)行二次篩選。直到把集合DP中的所有特性篩選一遍，將DP換成一個(gè)新的醫(yī)生個(gè)體集合 D=(D1，D2，…，DN)。

(5)此時(shí)，醫(yī)生可以從自己的病人集合P=(P1，P2，…，Pn)，n∈N+∩n≤25(這里的25 是規(guī)定醫(yī)生每天可以診治的病患人數(shù)閾值)中，選出最符合自己的專(zhuān)業(yè)擅長(zhǎng)領(lǐng)域并且最需要救治的一個(gè)病人，并且拒絕其他的病患，但是，這個(gè)醫(yī)生并不立刻接收當(dāng)下的病患的問(wèn)診需求，而是將其作為保留人選，給下一輪病患(又可能存在需要急診的病患)更好的問(wèn)診機(jī)會(huì);然后，進(jìn)入第2個(gè)階段，在第1輪看病中被拒絕的病人，可以向自己醫(yī)生集合中的第2個(gè)選擇問(wèn)診，收到診治要求的醫(yī)生，從新的病患和保留的病患中，選出符合自己的專(zhuān)業(yè)擅長(zhǎng)領(lǐng)域并且最需要救治的一個(gè)病人，同樣再次拒絕其他的病患;接下來(lái)，以同樣地方式繼續(xù)，在第2個(gè)階段中被拒絕的病患，向自己的再次一個(gè)問(wèn)診，醫(yī)生仍然只從保留的病患和新的病患中選出最符合自己的專(zhuān)業(yè)擅長(zhǎng)領(lǐng)域并且最需要救治的病人，把其加入自己的候補(bǔ)名單中，拒絕掉其他人;最終，當(dāng)醫(yī)生的候補(bǔ)名單中出現(xiàn)25個(gè)病患時(shí)，問(wèn)診咨詢(xún)就結(jié)束了。這里規(guī)定:每一個(gè)病患不能夠?qū)ν粋€(gè)醫(yī)生提出超過(guò)一次問(wèn)診。這樣可以確保每個(gè)病患至少能夠獲得一個(gè)匹配的結(jié)果。

4．2 結(jié)果排序算法

結(jié)果排序算法的具體步驟如下:

(1)獲取推薦結(jié)果集Result Sets中的醫(yī)生實(shí)例D以及醫(yī)療本體中醫(yī)生的特性dpj以及該醫(yī)生的權(quán)威級(jí)別authorityj。

(2)利用式(1)計(jì)算醫(yī)生的被選擇度:

其中，權(quán)重wij表示用戶考慮選擇醫(yī)生時(shí)，其偏好需求對(duì)于醫(yī)生特性和醫(yī)生權(quán)威級(jí)別的契合度，初始值為1。

(3)通過(guò)計(jì)算結(jié)果集中每個(gè)醫(yī)生的被選擇度，將結(jié)果集中的醫(yī)生實(shí)例按照權(quán)重值遞減排列。

(4)作出最終推薦。

推薦流程如圖2所示。

圖2 過(guò)濾推薦流程

5 實(shí)驗(yàn)驗(yàn)證

5．1 評(píng)價(jià)方法

為了驗(yàn)證本文提出的推薦方法是否具有令人滿意的表現(xiàn)，本文進(jìn)行2組實(shí)驗(yàn)，實(shí)驗(yàn)方案如下:第一組實(shí)驗(yàn)是把本文的推薦算法與文獻(xiàn)［16］中所采用的基于約束的推薦算法做出對(duì)比，分別對(duì)應(yīng)用本文提出的方法與基于約束的推薦算法所推薦的結(jié)果做出統(tǒng)計(jì)，即統(tǒng)計(jì)出推薦醫(yī)生被用戶所選擇的次數(shù)。然后進(jìn)行對(duì)比分析。并且對(duì)第1次測(cè)試中應(yīng)用本文系統(tǒng)的用戶(包括病患和醫(yī)生)做出基于網(wǎng)絡(luò)的反饋調(diào)查，得到用戶對(duì)推薦結(jié)果的認(rèn)同程度。第2組實(shí)驗(yàn)是對(duì)比本文提出的推薦算法與Item_based的協(xié)同過(guò)濾推薦算法，對(duì)他們的推薦性能做出測(cè)評(píng)，本文所采用的評(píng)價(jià)推薦算法的性能指標(biāo)為查準(zhǔn)率(precision)、查全率(recall)和F1值(F1)，定義如下:

其中，CorrectDoctorFound表示符合用戶需求的醫(yī)生數(shù)量;TotalDoctorFound表示算法搜索到的醫(yī)生數(shù)量;TotalDoctor表示醫(yī)生數(shù)目。

5．2 實(shí)驗(yàn)及結(jié)果分析

實(shí)驗(yàn)1實(shí)驗(yàn)數(shù)據(jù)源選取300個(gè)在校身體不適的學(xué)生來(lái)選擇合適的醫(yī)生，這些學(xué)生被分為3組，每組100人，身體不適的原因分別是胃腸不適、骨科以及口腔牙齒疼痛。醫(yī)生樣本選取中國(guó)江蘇省常州市的5個(gè)醫(yī)院的15名醫(yī)生，來(lái)自的科室分別是胃腸外科5位、骨科5位、口腔科5位。這些醫(yī)院的醫(yī)生信息來(lái)自目前比較流行的醫(yī)藥信息網(wǎng)站“尋醫(yī)問(wèn)藥網(wǎng)”。

第1次測(cè)試應(yīng)用本文所提到的推薦方法，以病患的選擇為標(biāo)準(zhǔn)，在所得到的最終結(jié)果中，病患選擇被推薦醫(yī)生次數(shù)統(tǒng)計(jì)如圖3所示。

圖3 本文算法中病患選擇醫(yī)生次數(shù)

從此次測(cè)試結(jié)果來(lái)看，15個(gè)被推薦醫(yī)生被病患選擇的次數(shù)均分布在17次～23次之間，其中，被選擇推薦醫(yī)生次數(shù)多集中在19次～21次。從圖中可以看出，這一段曲線相對(duì)平滑，波蕩不大。也就是說(shuō)，每個(gè)醫(yī)生看病的人數(shù)大致處在一個(gè)均衡的水平，不會(huì)出現(xiàn)某個(gè)醫(yī)生診治特別多病人的情況。

為了考察用戶對(duì)推薦解決方案的認(rèn)同程度，推薦結(jié)束后，采取網(wǎng)絡(luò)問(wèn)卷調(diào)查的形式，獲取用戶的評(píng)價(jià)。表1給出了病患評(píng)價(jià)的6個(gè)問(wèn)題的因素。對(duì)于醫(yī)生，其評(píng)價(jià)標(biāo)準(zhǔn)主要是就診病患是否是該醫(yī)生職業(yè)領(lǐng)域所擅長(zhǎng)診治。

表1 評(píng)價(jià)因素

調(diào)查結(jié)束，對(duì)結(jié)果進(jìn)行統(tǒng)計(jì)分析。經(jīng)計(jì)算有71．2%的病患對(duì)系統(tǒng)推薦的醫(yī)生診療水平感到滿意，認(rèn)為符合自己的需求;78．9%的醫(yī)生認(rèn)為系統(tǒng)分配的病患集合符合執(zhí)業(yè)領(lǐng)域。這是因?yàn)橐话愕拈T(mén)戶網(wǎng)站對(duì)用戶需求進(jìn)行檢索時(shí)，由于用戶的專(zhuān)業(yè)術(shù)語(yǔ)以及用詞習(xí)慣等問(wèn)題，其存在匹配不全面、不準(zhǔn)確的問(wèn)題。本文中系統(tǒng)采取一種基于本體論的語(yǔ)義建模，能夠?yàn)橛脩粜枨笮畔⒌谋硎?、處理提供一個(gè)較為合理的標(biāo)準(zhǔn)，使機(jī)器理解用戶需求信息中的語(yǔ)義，較好的處理需求信息中的概念和邏輯關(guān)系造成的誤解。

第2次測(cè)試應(yīng)用文獻(xiàn)［16］提出的算法，此種算法要求收集當(dāng)前用戶的需求以便做出推薦，主要是利用領(lǐng)域知識(shí)為用戶找到合適的推薦結(jié)果。具體是先顯示地定義約束，把推薦任務(wù)看做是一個(gè)約束滿足問(wèn)題的過(guò)程，滿足約束的候選項(xiàng)就推薦給用戶。此處規(guī)定每個(gè)用戶選擇其推薦列表中的第1個(gè)醫(yī)生，即被推薦次數(shù)最高的醫(yī)生。實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)如圖4所示。

圖4 對(duì)比算法中病患選擇醫(yī)生次數(shù)

從此次測(cè)試結(jié)果來(lái)看，3種疾病的患者的推薦列表中第1位的分別是doc4，doc8，doc14，也就是說(shuō)，大部分的患者選擇的都是最優(yōu)的結(jié)果。相比較第1次測(cè)試來(lái)看，應(yīng)用此種算法推薦的是最佳資源，但推薦的結(jié)果相對(duì)集中，若是大規(guī)模應(yīng)用，就會(huì)顯現(xiàn)弊端。

綜合上述2次測(cè)試可以看出，本文中的方法推薦效果較好，而且在不影響推薦效果的基礎(chǔ)上，能夠使醫(yī)療資源分配平衡，得到合理的運(yùn)用。

實(shí)驗(yàn)2本組實(shí)驗(yàn)是與Item_based推薦方法做出測(cè)試比較。Item-based的協(xié)同過(guò)濾推薦算法首先計(jì)算項(xiàng)目及相關(guān)項(xiàng)目之間的相似性，再通過(guò)用戶評(píng)分相關(guān)項(xiàng)目，預(yù)測(cè)出未給分項(xiàng)目的分值，最后再作出推薦。

具體的實(shí)驗(yàn)方法是，選取5名學(xué)生病患和10個(gè)醫(yī)生加入到實(shí)驗(yàn)樣本中，其中，P表示病患集、D表示醫(yī)生集;RP表示重新加入學(xué)生病患的病患集，RD表示重新加入醫(yī)生后的醫(yī)生集，它們被用作參考樣本預(yù)測(cè)評(píng)分。表2是一個(gè)示例，表示了應(yīng)用對(duì)比算法通過(guò)病患rp1與實(shí)驗(yàn)病患p1對(duì)于醫(yī)生rd1和rd2的評(píng)分，評(píng)分的最高分值不超過(guò)5分，來(lái)計(jì)算他們之間的相似性，從而預(yù)測(cè)出實(shí)驗(yàn)病患p1對(duì)實(shí)驗(yàn)醫(yī)生d1的評(píng)分。

在表2 中，rpi，i∈［1，5］是 RP 中的學(xué)生病患實(shí)例;rdi，i∈［1，10］是 RD 中的醫(yī)生實(shí)例;pi，i∈［1，300］是 P 中的學(xué)生病患實(shí)例;di，i∈［1，15］是 D中的醫(yī)生實(shí)例，“?”是預(yù)測(cè)值，代表P中的實(shí)驗(yàn)學(xué)生病患p1對(duì)D中醫(yī)生d1的評(píng)分。計(jì)算預(yù)測(cè)值的公式如下:

其中，sim(u，n)是用戶u與用戶n之間的相似性;Rn，i表示用戶n對(duì)項(xiàng)目 i的評(píng)分;表示用戶u對(duì)項(xiàng)目的平均評(píng)分;表示用戶n對(duì)項(xiàng)目的平均評(píng)分;sim(u，n)的計(jì)算公式如下:

經(jīng)計(jì)算，表 2 中“?”的值為3．5。

表2 應(yīng)用item-based的協(xié)同過(guò)濾推薦算法示例

對(duì)表1擴(kuò)充，加入學(xué)生病患參考集RP與醫(yī)生集RD中全部實(shí)例，預(yù)測(cè)出實(shí)驗(yàn)學(xué)生病患集P中每一個(gè)學(xué)生病患對(duì)醫(yī)生集D中的1 500個(gè)評(píng)分，按分值遞減排列，每一組中取前2個(gè)推薦給pi。計(jì)算precision，recall和F1，選取第1組實(shí)驗(yàn)中病患選擇的醫(yī)生作為式(2)和式(3)中的CorrectDoctorsFound，并與應(yīng)用本文的推薦算法所得出的結(jié)果做出比較。由圖5的比較結(jié)果可以看出，在presicion，recall和F1方面，本文方法優(yōu)于Item-based的協(xié)同過(guò)濾推薦算法。使用Itembased的協(xié)同過(guò)濾推薦算法效果不理想的原因可能是:Item-based推薦算法的一個(gè)關(guān)鍵問(wèn)題是如何計(jì)算病患之間的相似性。當(dāng)病患的歷史數(shù)據(jù)不包含對(duì)于醫(yī)生的評(píng)分時(shí)，就會(huì)造成數(shù)據(jù)稀疏，從而影響預(yù)測(cè)評(píng)分值。

圖5 對(duì)比實(shí)驗(yàn)結(jié)果數(shù)據(jù)

6 結(jié)束語(yǔ)

本文提出一種將穩(wěn)定匹配方法與單獨(dú)的個(gè)性化推薦方法相融合的算法，既兼顧了用戶的需求，又合理分配了醫(yī)療資源，使得醫(yī)療資源不會(huì)相對(duì)集中，從理論上解決了某些醫(yī)療資源的“瓶頸”問(wèn)題。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文推薦算法的有效性，表明其能滿足用戶對(duì)于稀缺醫(yī)療資源的需求。下一步將擴(kuò)大該算法的應(yīng)用范圍，使其能夠針對(duì)更多的醫(yī)療資源，為用戶提供服務(wù)。

［1］ 朱凡微，吳明暉，金蒼宏，等．基于關(guān)鍵字的數(shù)據(jù)庫(kù)搜索研究綜述［J］．計(jì)算機(jī)應(yīng)用研究，2008，25(11):3238-3242．

［2］ 林子雨，楊東青，王騰蛟，等．基于關(guān)系數(shù)據(jù)庫(kù)的關(guān)鍵字查詢(xún)［J］．軟件學(xué)報(bào)，2010，21(10):2454-2476．

［3］ Liu Fang，Yu C，Meng Weiyi．Effective Keyword Search in Relational Databases［C］//Proceedings of 2006 ACM SIGMOD International Conference on Management of Data．New York，USA:ACM Press，2006:563-574．

［4］ Aciar S V，Serarols-Tarres C，Royo-Vela M，et al．Increaing Effeactiveness in E-commerce:Recommendations Applying Intelligent Agents［J］．International Journal of Busniness and Systems Research，2007，1(1):81-97．

［5］ Lenar M，Sobecki J．Using Recommendation to Improve Negotiations in Agent Based Systems［J］．Journal of Universal Computer Science，2007，13(2):267-286．

［6］ Lopez-Nores M，Blanco-Fernandez Y．Property-based Collaborative Filtering for Health-aware Recommender Systems［J］．Expert Systems with Applications，2012，39(1):7451-7457．

［7］ Huang Zhengxing，Lu Xudong，Duan Huilong，et al．Collsboration-based MedicalKnowledge Recommendation［J］．Artificial Intelligence in Medicine，2012，55(10):13-24．

［8］ Bhatt M，Rahayu W，Sonl S P，et al．Ontology Driven Semantic Profiling and Retrieval in Medical Information Systems［J］．Web Semantics:Services and Agents on the World Wide Web，2009，7(5):317-331．

［9］ Roth A E，Peranson E．The Redesin of the Matching Market for American Physicias:Some Engineering Aspects of Economic Design［J］．American Economic Review，1999，89(4):748-780．

［10］ 陳 寧，李夢(mèng)玲．穩(wěn)定匹配算法的研究和演變［J］．中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊，2013，9(10):15-17．

［11］ Gruber T R．A Translation Approach to Portable Ontology Specification［J］．Knowledge Acquisition，1993，5(2):199-220．

［12］ Vesin B，Ivanovic M，Klasnja-Milicevic A，et al．Protus 2．0:Ontology-based Semantic Recommendation in Progra-mmig Tutoring System［J］．Expert Systems with Applications，2012，39(4):12229-12246．

［13］ Ochoa J L，Valencia-Garcia R，Perez-Soltero A，et al．Asemantic Role Labeling-based Framewok for Learning Ontologies from Spanish Documents［J］．Expert Systems with Applications，2013，40(10):2058-2068．

［14］ Horrocks I，Patel-Schneider P F，Boley H，et al．SWRL:A Semantic Web Rule Language Combining OWL and RuleML［EB/OL］．(2004-05-21)．http://www．w3．org/TR/owl-features．

［15］ Eiter T，Ianni G，Krennwallner T，et al．Rules and Ontoligies for the Semantic Web［C］//Proceedings of Conference on Reasoning Web．Heidelberg，Germany:Springer，2008:1-53．

［16］ Felfernig A，Burke R D．Constraint-based Recommender Systems:Technologies and Research Issues［C］//Proceedings of ACM International Conference on Electronic Commerce．New York，USA:ACM Press，2008:1-10．