一种基于隐半马尔可夫模型的药品推荐方法技术

本发明专利技术涉及一种基于隐半马尔可夫模型的药品推荐方法，其特征在于包括以下步骤：一、训练数据预处理，生成用户行为序列的训练数据集；二、对药品推荐模型的参数进行估计；三、采集用户在医药平台的上网行为序列；四、以用户的上网行为序列为观测值，使用训练好的药品推荐模型推断用户的状态序列；五、计算状态序列的各状态的期望持续时间；六、将所得的各状态的期望持续时间按降序排序，得到用户最关注的前复数个状态；七、根据用户最关注的前复数种病情，向用户推荐相应的药品。本发明专利技术由用户在云平台上的在线行为，准确预测用户关注的病情，再根据用户最关注的病情向用户推荐相关的药品，从而提高药品推荐结果的相关性。

A method of drug recommendation based on hidden semi Markov model

The invention relates to a recommendation method based on hidden semi Markov model drug, which comprises the following steps: first, training data preprocessing, training data to generate user behavior sequence set; two, to estimate the parameters of drugs recommended model; three, acquisition of Internet users in the medical behavior sequence of platform; four, to the Internet user behavior sequence as the observation value, state sequence using the recommended model to infer user training good medicine; the five, calculating the state sequence of the desired duration; six, the state of the expected duration in descending order, get the user most concern before seven, according to a plurality of state; the complex disease most concerned about the user, recommend the corresponding medicine to the user. According to the online behavior of the user on the cloud platform, the user can accurately predict the condition of the user's attention, and then, the user can be used to recommend the relevant medicine to the user according to the condition of the most attention, so as to improve the relevance of the drug recommendation result.

【技术实现步骤摘要】

本专利技术涉及一种基于隐半马尔可夫模型的药品推荐方法。
技术介绍
基于云计算和大数据技术的医药聚合供应链协同平台是药品全产业链大数据资源和公共服务云平台，具有大数据融合和存储、平台大数据挖掘与应用、药品监管和行业信息集成等功能，整合了医药供应链企业的资源，有利于规范医药网上交易市场经济秩序，促进药品全产业链健康、良性地发展。在医药大数据应用服务快速发展的形势下，如何为用户提供精准医药服务成为各大医药平台亟需解决的关键问题，而现有解决方法一般存在推荐结果的相关性不够准确等缺陷。
技术实现思路
本专利技术针对现有技术的不足，提供一种基于隐半马尔可夫模型的药品推荐方法。该方法首先根据可观测的用户在云平台上的网络行为序列，预测用户关注的病情，再根据用户最关注的病情向用户推荐相关的药品；其解决医药聚合供应链协同平台上用户药品精准推荐的问题。为了达到上述目的，本专利技术一种基于隐半马尔可夫模型的药品推荐方法，主要包括以下步骤：第一步、训练数据预处理，即对用户在医药平台的上网行为数据进行数据清洗，生成用户行为序列的训练数据集；第二步、对药品推荐模型的参数进行估计；第三步、采集用户在医药平台的上网行为序列；第四步、以用户的上网行为序列为观测值，使用训练好的药品推荐模型推断用户的状态序列；第五步、计算状态序列的各状态的期望持续时间；第六步、将所得的各状态的期望持续时间按降序排序，得到用户最关注的前复数个状态，即用户最关注的前复数种病情；第七步、根据用户最关注的前复数种病情，向用户推荐相应的药品。优选地，所述药品推荐模型为基于隐半马尔可夫模型的模型。优选地，所述药品推荐模型的参数模型表示为：θ＝{π,A,B本文档来自技高网...

【技术保护点】
一种基于隐半马尔可夫模型的药品推荐方法，其特征在于，主要包括以下步骤：第一步、训练数据预处理，即对用户在医药平台的上网行为数据进行数据清洗，生成用户行为序列的训练数据集；第二步、对药品推荐模型的参数进行估计；第三步、采集用户在医药平台的上网行为序列；第四步、以用户的上网行为序列为观测值，使用训练好的药品推荐模型推断用户的状态序列；第五步、计算状态序列的各状态的期望持续时间；第六步、将所得的各状态的期望持续时间按降序排序，得到用户最关注的前复数个状态，即用户最关注的前复数种病情；第七步、根据用户最关注的前复数种病情，向用户推荐相应的药品。

【技术特征摘要】
1.一种基于隐半马尔可夫模型的药品推荐方法，其特征在于，主要包括以下步骤：第一步、训练数据预处理，即对用户在医药平台的上网行为数据进行数据清洗，生成用户行为序列的训练数据集；第二步、对药品推荐模型的参数进行估计；第三步、采集用户在医药平台的上网行为序列；第四步、以用户的上网行为序列为观测值，使用训练好的药品推荐模型推断用户的状态序列；第五步、计算状态序列的各状态的期望持续时间；第六步、将所得的...

【专利技术属性】
技术研发人员：戴青云，罗建桢，蔡君，魏文国，雷方元，
申请(专利权)人：广东技术师范学院，
类型：发明
国别省市：广东;44