价格适应性的药品关联规则学习及推荐

摘要

传统的关联规则(AR)学习算法根据规则出现的频率为每一个关联规则左端项(LEI)找到在频率意义下最优的右端项(REI)进行推荐。现实生活中影响关联规则重要程度的因素很多,而传统的学习算法仅考虑了频率,因此不能给出个性化的结果;此外,传统算法也没有考虑关联规则右端项之间的关系,无法生成一组左端项相同而右端项类似并且可以相互替代的关联规则,因此通过其他因子对规则进行筛选时会失去一些重要信息。针对这些问题,提出一种价格适应性的药品关联规则学习及推荐算法,考虑子关联规则之间以及子母关联规则之间的关系,计算关联规则右端项之间的互信息,确定了频繁项集置信度的阈值。实验结果表明,利用MIMIC数据库,所提算法挖掘出了数据中左端项相同且右端项为药效相似但价格不同的一系列关联规则,并能根据给定左端项和价格阈值完成关联规则的推荐任务。