[发明专利]一种基于行为感知层和共性感知层的医生推荐方法

权利要求书

1.一种基于行为感知层和共性感知层的医生推荐方法，其特征在于：

采用行为感知层和共性感知层对患者多行为序列建模，得到不同层下的患者向量；患者集合是U，医生集合是V，行为种类是B；本方法中涉及的行为种类有浏览和线上问诊行为；患者u_i的行为序列为其中下标l表示患者u_i行为序列的长度，序列中第个t个医生表示为v_t，v_t∈V，b_t表示患者行为序列中第个t个行为的行为种类，b_t＝0表示浏览行为，b_t＝1表示线上问诊行为；对于任一医生v_t的向量表征是x_t；为了对患者的多行为序列进行建模，且对多行为之间的关联进行显示地捕捉，本方法设计出行为感知层和共性感知层；行为感知层的目的是捕捉患者在当前行为下的偏好变化，共性感知层是为了捕捉不同行为的共性，捕捉患者最本质的特点；本场景中患者的多行为有两种：浏览、线上问诊，因此有两层行为感知层，分别为浏览行为感知层和问诊行为感知层；这两种行为感知层的结构相同，以浏览行为感知层为例，若当前行为为浏览行为，即b_t＝0，单元结构公式为：

其中，x_t是当前时间t下的输入，是共性感知层上一个时间t-1下的隐状态，是浏览行为感知层上一个时间t-1下的隐状态；和是浏览行为感知层当前时间t下的记忆单元和隐向量；从公式中可以看出，浏览行为感知层当前时间t下的隐向量受患者共性感知层影响，即受其他行为的影响；和分别是浏览行为感知层的输入门、遗忘门和输出门；是浏览行为感知层当前输入的信息汇集；⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数；W^a和b^a是模型训练参数；若b_t＝1，那么不对浏览行为感知层的隐状态和记忆单元做更新，而是直接复制上一时间的隐状态和记忆单元，即当b_t＝1时，且问诊行为感知层的单元结构和浏览行为感知层的单元结构相同，当b_t＝1时，表示当前行为是问诊行为，即对问诊行为感知层的隐状态和记忆单元进行更新；当b_t＝0时，直接复制上一时间的隐状态和记忆单元；问诊行为感知层的当前时间t下的隐状态表示为共性感知层的作用是对患者所有行为中的共性特征进行抽取，因此该层的单元结构的输入是其他行为感知层的隐向量，具体公式为：

其中，和是问诊行为感知层和浏览行为感知层当前时间t下的隐状态，是共性感知层上一个时间t-1下的隐状态；和是共性感知层当前时间t下的记忆单元和隐向量；和分别是共性感知层的输入门、遗忘门和输出门；是共性感知层当前输入的信息汇集；⊙是元素级别的乘法，tanh是tanh激活函数，σ是sigmoid激活函数；W^s和b^s是模型训练参数；不同层的最后一个隐向量表示患者当前行为下的向量表征，如患者在浏览行为下的向量表示为在线上问诊行为下的向量表示为

预测患者浏览医生主页的概率以及向医生问诊的概率，并设计多任务损失函数；本任务是一个多任务预测，同时对患者的浏览行为和线上问诊行为进行预测，两个任务互相辅助；采用浏览行为感知层的输出来预测患者浏览医生的概率，采用问诊行为感知层的输出来预测患者问诊医生的概率；预测层是一个softmax分类器，具体公式如下：表示医生v_τ成为下一个被浏览医生的可能性，W₁是模型训练参数，的上标表示向量转置操作；损失函数为：其中，代表医生v_τ的是否被浏览的one-hot编码；同样地，医生v_τ成为下一个被问诊医生的可能性为W₂是模型训练参数；损失函数为：其中，代表医生v_τ的是否被问诊的one-hot编码；最终的损失函数为：其中α表示损失函数的重要程度，具体公式如下：

其中，n^a和n^b表示当前序列中患者的浏览行为和线上问诊行为个数，k^a和k^b是模型需要训练的参数；可见，不同序列中不同行为的损失函数的权重不同，取决于该行为在当前序列的行为稀疏度；函数用梯度下降法来最优化。