[發明專利]一種面向慢病患者的健康知識個性化推薦方法和系統

有效

• 申請號: 201810422102.0
• 申請日: 2018-05-04
• 公開（公告）號: CN108630290B
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 鄧寧;段會龍;呂穎瑩;安繼業;黃浩策;汪哲宇
• 申請（專利權）人: 浙江大學
• 主分類號: G16H10/60
• 分類號: G16H10/60;G16H50/30;G16H50/70
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 忻明年

1.一種面向慢病患者的健康知識個性化推薦方法，其特征在于，包括：

步驟1，建立慢病患者特征分類標簽集合，該患者特征分類標簽集合包括表達健康領域的上層標簽、與各上層標簽相關聯以表達具體健康特征的中層標簽、以及對各中層標簽進行細分且反應患者特征的下層標簽；

步驟2，構建用戶特征向量，用戶特征向量中的每一位對應一個下層標簽，依據患者的下層標簽改寫用戶特征向量中對應位的值，得到相應的患者特征向量；

根據慢病患者特征的危險等級、風險因素和重要程度，為上層標簽和中層標簽確定權重，患者特征向量中的第i位的值為P_i，則：

P_i＝U_i×M_i×W_i

其中，U_i為上層標簽權重；

M_i為中層標簽權重；

W_i為表達患者特征向量中第i位的下層標簽是否出現的值，若出現為1，否則為0；

根據患者的學習記錄，利用如下公式計算患者特征向量的修正值：

B_i＝b×F+a(n)

式中：B_i為患者特征向量中第i位的修正值；

F表示患者是否收藏或分享健康知識，是則為1，否則為0；

b為收藏分析系數；

a(n)表示自變量為閱讀次數n的函數；

匹配度s的計算公式如下：

式中：P_i為患者特征向量中的第i位的值；

M為患者特征向量的長度，也即所有下層標簽的個數；

B_i為患者特征向量中第i位的修正值；

K_i為健康知識特征向量中第i位的值；

步驟3，建立知識特征分類標簽集合，該知識特征分類標簽集合包括：定義健康教育知識主題的知識上層標簽、以及隸屬于知識上層標簽定義主題的知識下層標簽；

步驟4，依據患者特征向量構建健康知識特征向量，健康知識特征向量中的對應位表達相應的知識下層標簽；

步驟5，將患者特征向量與健康知識特征向量相乘，得到匹配度，依據匹配度推薦健康知識。

2.一種面向慢病患者的健康知識個性化推薦系統，其特征在于，包括：

慢病患者特征分類標簽集合生成模塊，用于建立慢病患者特征分類標簽集合，該患者特征分類標簽集合包括表達健康領域的上層標簽、與各上層標簽相關聯以表達具體健康特征的中層標簽、以及對各中層標簽進行細分且反應患者特征的下層標簽；

患者特征向量生成模塊，用于構建用戶特征向量，用戶特征向量中的每一位對應一個下層標簽，依據患者的下層標簽改寫用戶特征向量中對應位的值，得到相應的患者特征向量；

患者特征向量生成模塊包括：

權重計算模塊：根據慢病患者特征的危險等級、風險因素和重要程度，為上層標簽和中層標簽確定權重，患者特征向量中的第i位的值為P_i，則：

P_i＝U_i×M_i×W_i

其中，U_i為上層標簽權重；

M_i為中層標簽權重；

W_i為表達患者特征向量中第i位的下層標簽是否出現的值，若出現為1，否則為0；

修正模塊：根據患者的學習記錄，利用如下公式計算患者特征向量的修正值：

B_i＝b×F+a(n)

式中：B_i為患者特征向量中第i位的修正值；

F表示患者是否收藏或分享健康知識，是則為1，否則為0；

b為收藏分析系數；

a(n)表示自變量為閱讀次數n的函數；

知識特征分類標簽集合生成模塊，用于建立知識特征分類標簽集合，該知識特征分類標簽集合包括：定義健康教育知識主題的知識上層標簽、以及隸屬于知識上層標簽定義主題的知識下層標簽；

健康知識特征向量生成模塊，用于依據患者特征向量構建健康知識特征向量，健康知識特征向量中的對應位表達相應的知識下層標簽；

推薦模塊，用于將患者特征向量與健康知識特征向量相乘，得到匹配度，依據匹配度推薦健康知識；

推薦模塊包括：

匹配度計算模塊：匹配度s的計算公式如下：

式中：P_i為患者特征向量中的第i位的值；

M為患者特征向量的長度，也即所有下層標簽的個數；

B_i為患者特征向量中第i位的修正值；

K_i為健康知識特征向量中第i位的值。