融合药品语义的混合推荐算法

摘要

传统的矩阵分解算法对药品进行推荐时,由于存在数据稀疏性问题,导致推荐结果不准确.因此提出了一种融合药品语义的混合推荐算法(H-DS).首先利用药品的类别信息构建出药品的分类矩阵,从而计算出药品的类别关联度;然后预处理药品主治功能的描述文本,使用卷积神经网络进行训练,得到其对应的特征;最后用概率矩阵分解算法结合药品类别和功能两方面的语义信息来改进模型,修正矩阵分解的项目隐因子特征,从而实现了对药品的精准推荐.实验表明,在MAE和RMSE评价指标上,H-DS较传统的概率矩阵分解算法(PMF)误差降低了6％ ～7％左右;与卷积矩阵分解(ConvMF)等PMF经典改进模型相比误差也降低了2％ ～3％左右.与上述算法相比,该算法充分利用了药品的语义信息,可以有效缓解数据稀疏性,在进行药品推荐时效果更好.