协同过滤推荐在医疗领域的应用研究

摘要

搜索引擎技术越来越成为用户筛选信息的主要途径和方式,同时基于搜索引擎的推荐技术应运而生,通过预测用户的兴趣爱好为用户推荐最为感兴趣或者最为需要的信息。在向用户推荐目标对象方面,应用最为广泛的算法是协同过滤算法。目前,协同过滤推荐算法的应用主要应解决三大技术问题:冷启动、数据稀疏性和大数据增值计算。
　　本文从解决上述三大问题入手,针对用于医疗服务领域的推荐算法进行研究设计。利用hadoop云平台对推荐系统后台数据进行分布式存储,解决海量数据存储问题;在引入层次分析模型对目标对象进行静态评价的基础上,采用用户兴趣聚类与协同过滤技术相结合的方式进行推荐。首先,对目标对象的特征属性进行分析,建立分类标签和对象属性层次模型,通过对比矩阵,实现目标对象的初次静态评分,从而解决冷启动问题;其次,利用对象类之间的相似性以及用户与目标对象的一阶关联,使用k-means方法对用户进行聚类,在聚类的簇内部通过用户的行为日志,挖掘用户兴趣偏好,计算用户间相似度,选择最近邻用户评分最高的若干目标对象,产生推荐列表,缓解数据稀疏性问题。
　　本文从两方面对推荐准确度进行了验证:第一,本文提出的基于用户兴趣聚类的协同过滤推荐算法与传统的协同过滤技术相比,推荐精确度有所提高;第二,对比服务推荐系统和医疗官网中医生和医院的推荐数据,以及系统的用户行为数据流量的变化,本系统有着较高的推荐准确率和较高的用户粘连度。

目录

封面

声明

特别声明

致谢

中文摘要

英文摘要

目录

插图清单

表格清单

第一章 绪 论

1.1研究背景

1.2国内外研究现状及研究意义

1.3 本文的研究内容与创新点

1.4 本文的组织结构

第二章 医疗实体的评价指标模型研究

2.1 评价方法分析

2.2 层次分析模型的构建

2.3 基于层次分析的评价模型的建立

2.4 本章小结

第三章 个性化推荐算法研究

3.1 推荐算法概述

3.2推荐算法面临的问题

3.3 基于用户兴趣聚类的协同过滤推荐算法

3.4 本章小结

第四章 医疗服务推荐系统设计

4.1 系统环境与开发工具

4.2 系统设计

4.3医疗服务推荐系统展示

4.4 医疗服务推荐系统数据结果分析

4.5本章小结

第五章 总结与展望

5.1总结

5.2不足与展望

参考文献

攻读硕士学位期间发表的论文和参与的科研项目