[发明专利]一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法

说明书

本发明公开了一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法，该方法依据线性回归张量因子对医疗机构—居住区就诊量矩阵进行处理，得到医疗机构推荐目标模型；进而采用隐性特征模型对多元异构的推荐用原始数据进行活化数据挖掘，得到隐性特征矩阵；最后通过迭代计算医疗机构—居住区就诊量矩阵是否达到收敛，若收敛，则采用推荐标准误差模型进行计算修正后的医疗机构—居住区就诊量矩阵，从而将推荐结果提供给用户。本发明应用在推荐系统中有效提高了对医疗机构的推荐准确度，从而提高医疗机构互联网数据对于智慧城市的建设的利用价值，解决残缺数据对大部分智慧城市的智能化建设的影响。

技术领域

本发明涉及医疗机构技术领域，更特别地说，是指一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法。

背景技术

数据活化之非负矩阵分解(Non-negative Matrix Factorization，NMF)由D.Lee等在1999年正式提出的(即Lee D D，Seung H S.Learning the parts of objects bynon-negativ matrix factorization[J].Nature，1999，401(6755):788-91.)，经过了十余年的发展，现在已经成为了相对完善的数据分析方法。并且，NMF方法还在图像分析、文本聚类、数据挖掘、语音处理等方面得到了广泛的应用。由于NMF方法具有快速和有效等特性，在模式识别领域中被广泛用于特征提取与数据降维。在图像处理方向，NMF方法被用于研究机器人对外界感知这一课题。因为非负性约束的存在，分解结果中有大量的元素为零，故这种表示方法属于稀疏编码，具有节省存储空间的特点。

线性回归是一种回归分析方法，这种分析利用线性回归方程的最小平方函数，对一个或多个自变量与一个因变量之间的关系进行建模。线性回归方法基于数理统计中的回归分析，是广泛应用的一种用来确定两个或两个以上变量之间关系的统计方法之一。在实际应用中，只有一个自变量的线性回归为一元线性回归，而有多个自变量的线性回归为多元线性回归。

医疗机构，是指依法定程序设立的从事疾病诊断、治疗活动的卫生机构的总称。对于医疗机构在进行注册或审批时，在审批部门将留下名称、地址、网址、服务特长等相关信息的数据。或者经地理位置信息软件(如百度地图、谷歌地图)分析获得医疗机构的地理信息。

面对互联网上的海量信息，普通用户往往无所适从。为了满足用户的信息需求，计算机科学家发明了两项意义深远的技术：一是搜索技术，它帮助计算机系统被动地应答用户的查询，将与之最相关、最重要的信息返回给用户；二是推荐系统技术，它根据用户的兴趣、行为、情景等信息，把用户最可能感兴趣的内容主动推送给用户。近年来，推荐系统技术得到了长足的发展，不但成为学术研究的热点之一，而且在电子商务、在线广告、社交网络等重要的互联网应用中大显身手。推荐系统(Recommender System，RS)是为用户推荐所需物品的软件工具的技术。

发明内容

为了解决医疗机构在推荐系统的互联网应用中出现的推荐准确度差的问题，本发明提出了一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法。本发明方法是通过解决具有多源异构性和极高稀疏性的数据的预测技术难点，同时优化算法改善多系数调参难以达到全局最优的困难，使模型获得更优解，提高了数据预测的准确性。本发明应用在推荐系统中有效提高了对医疗机构的推荐准确度，从而提高医疗机构互联网数据对于智慧城市的建设的利用价值，解决残缺数据对大部分智慧城市的智能化建设的影响。

本发明提出的一种基于线性回归因子非负矩阵分解模型的医疗机构推荐方法，包括有下列步骤：

步骤A：初始化医疗机构推荐系统，并从GPS地理信息模块、医疗机构信息模块、病患就诊信息模块和手机基站信息模块中获取推荐用原始数据；

步骤B：应用步骤A获取的推荐用原始数据构建二维医疗机构—居住区就诊量矩阵；

在本发明中，医疗机构—居住区就诊量矩阵记为