[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

摘要

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。

主权项

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，其特征在于包括有下列步骤：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；医疗机构—居住区就诊量矩阵记为步骤C：根据步骤B得到的医疗机构—居住区就诊量设计适用于时空多维度条件下，多尺度与多粒度的海量数据的线性回归张量因子；线性回归张量因子记为FR＝[Rr,Rs,Rt]b×a×3；所述距离因子所述就诊量因子所述人流量因子r表示距离标识，s表示就诊量标识，r表示人流量标识；b的取值为321，a的取值为1343；步骤D：依据步骤C的线性回归张量因子重新对步骤B的医疗机构—居住区就诊量矩阵进行处理，得到医疗机构推荐目标模型；医疗机构推荐目标模型记为F表示范数，即Frobenius范数；γ表示医院隐性特征矩阵的系数；θ表示对FR张量因子的学习系数；δ表示居住区隐性特征矩阵的系数；Weight缺失表示缺失值权重；步骤E：在医疗机构推荐系统中应用步骤D的医疗机构推荐目标模型，并初始化；然后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；隐性特征有2个，即医疗机构的隐性特征记为表示Doctor1跟re1之间就诊量预测的隐性特征值，最大迭代次数记为m，且m＝500；每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：α表示梯度下降系数；表示Doctor1跟re2之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：表示Doctor1跟rea之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：表示Doctor2跟re1之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：表示Doctor2跟re2之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：表示Doctor2跟rea之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：表示Doctorb跟re1之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：表示Doctorb跟re2之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：表示Doctorb跟rea之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示Q特征矩阵的转置；计算公式：即居住区域的隐性特征记为表示Doctor1跟re1之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctor1跟re2之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctor1跟rea之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctor2跟re1之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctor2跟re2之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctor2跟rea之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctorb跟re1之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctorb跟re2之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：表示Doctorb跟rea之间就诊量预测的隐性特征值，迭代m次循环计算，每一轮的都由前一轮的隐性特征值通过以下公式更新，第一轮的表示随机产生的一个初始数值，表示P特征矩阵的转置；计算公式：步骤F：通过步骤E得到的隐性特征矩阵，迭代计算医疗机构—居住区就诊量矩阵；若未达到收敛，则返回步骤E，重新计算隐性特征矩阵偏导；若收敛，则修正医疗机构—居住区就诊量矩阵；以来修正步骤B构建的医疗机构‑居住区域就诊量矩阵，记为Tm就诊量_重构；表示经修正后的就诊量；表示经修正后的就诊量；表示经修正后的就诊量；表示经修正后的就诊量；表示经修正后的就诊量；表示经修正后的就诊量；表示经修正后的就诊量；表示经修正后的就诊量；表示经修正后的就诊量；步骤G：以推荐标准误差模型对经步骤F修正后的医疗机构—居住区就诊量矩阵进行推荐标准误差的计算，若标准误差小于0.3，则将获得推荐结果提供给用户；推荐标准误差模型记为计算推荐标准误差模型RMSE就诊量_误差作为算法准确度的评判标准，如果Weight缺失中为0，则通过所述RMSE就诊量_误差来对和进行相似度衡量。