近年来,随着智慧医疗的日益普及,在线医疗平台已逐步发展为满足大众基本医疗需求的重要渠道。为患者推荐合适的医生是在线问诊中的一个重要过程,优化推荐能力不仅可以提高患者的满意度,还能够推动在线医疗平台的发展。与传统推荐系统不同,医生推荐领域受到隐私保护限制,无法查看患者曾经的诊疗历史,因此模型训练时仅能利用每位患者最近一次的就诊记录,面临严峻的数据稀疏问题。同样,模型预测时也仅能根据患者当前的疾病描述文本进行推荐,而由于患者对疾病描述方式的差异性,模型对不同患者的推荐能力也存在差异,这会使部分患者的需求无法得到满足,进而影响模型整体的推荐能力。基于此,本文提出了一种基于数据增强的医生推荐方法(sequential three-way decision with data augmentation,STWD-NA),通过引入不匹配的医患交互信息扩充训练数据,并利用序贯三支决策的思想训练模型。具体来说,该方法由两部分组成:一方面引入了不匹配交互信息的方法,以缓解训练冷启动问题;另一方面,提出了一种基于序贯三支决策的训练算法,以动态调整模型训练时的关注度。最后,通过好大夫平台上的真实数据集验证了本文所提STWD-NA方法的有效性。
针对语言的非平衡性、信息的不确定性以及决策者的风险偏好和损失厌恶心理等特点,本文提出了一种基于非平衡语言的扩展序数偏好排序法(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)。首先,采用非平衡语言...
详细信息
针对语言的非平衡性、信息的不确定性以及决策者的风险偏好和损失厌恶心理等特点,本文提出了一种基于非平衡语言的扩展序数偏好排序法(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)。首先,采用非平衡语言刻画决策信息,有效降低信息的损失,因此,刻画决策信息既可以使用已有的基于平衡语言这一假设的语言变量,又可以使用非平衡语言或假设以非平衡语言为基础的语言变量;其次,在使用非平衡语言刻画决策信息的环境下,采用前景理论考虑决策者的心理行为特征;再次,使用D数刻画不确定信息;再将传统的序数偏好排序法(TOPSIS)扩展到用非平衡语言表达决策信息的领域,并对其决策矩阵加以改进,形成扩展的TOPSIS多属性决策方法;将提出的方法用于医生推荐中。结果表明,具有一定的可行性和有效性。
暂无评论