【技术实现步骤摘要】
本专利技术涉及互联网医疗，尤其涉及一种基于问诊服务质量和公平性的医生推荐方法及介质。
技术介绍
1、为患者推荐一个合适的医生不仅关注是否有回答患者问题的能力，还要关心医生问诊服务质量的高低。然而，无法直接推断医生的问诊服务质量水平，从多维度更加全面准确地提取质量特征并构建动态评价方法是有必要的。模型的决策目标是更准确可靠地给患者推荐高质量医生，只关注推荐的精准度会忽略决策过程中的歧视和不公平问题。不公平问题的存在给平台推荐算法设计带来了新的挑战，即不仅要满足推荐的准确性，还要保证推荐的公平性。然而现有的医疗服务推荐中很少考虑到“马太效应”对部分在线医生的影响，通过建立公平性约束条件优化医生推荐机制。
2、现有的医生推荐研究主要从患者偏好、医生专业技能、医患关系、医疗数据稀疏性和患者隐私保护视角开展。使用协同过滤、混合推荐、矩阵分解推荐、多属性准则分析、离散选择模型、深度学习模型等技术实现。现有推荐技术尚未充分考虑问诊服务质量的动态变化特性，同时对医生排名的公平性优化方法关注不足，先前专利技术提出的交叉排序在改善推荐公平性方面仍具有一定的偶然性。
3、中国专利技术专利：公布号为“cn116705253a”，名称为“面向公平原则的在线问诊服务医生推荐方法”，公开了面向公平原则的在线问诊服务医生推荐方法，包括以下步骤：s1：根据医生的问诊咨询历史数据生成医生特征数据；s2：对患者的描述进行提取分析,生成患者的偏好特征数据和疾病特征数据；s3：将患者的疾病特征与医生特征进行匹配，得到专业匹配的候选医生集；s4：将
4、中国专利技术专利：公布号为“cn115050457a”，名称为“在线问诊服务质量的评估方法、装置、设备、介质及产品”，公开了一种在线问诊服务质量的评估方法、装置、设备、介质及产品，其方法包括：获取问诊信息流数据，其中，问诊信息流数据包括：与目标对象对应的问题信息流数据和与服务对象对应的答复信息流数据；基于问题信息流数据中的提问时刻和答复信息流数据中的第一答复时刻，确定服务对象的第一评估参数；基于问题信息流数据中的问题内容和答复信息流数据中的答复内容,确定服务对象的第二评估参数和第三评估参数；基于第一评估参数、第二评估参数和第三评估参数，确定服务对象的服务质量分值。该技术方案解决了对管家和医生进行单方面的评估，造成服务质量的评估结果不准确的缺陷。但是该技术方案的评估参数仅考虑医生和患者提出问题和答复信息的时间差以及答复内容的匹配度，并未考虑医生的曝光度以及医生的专长与患者咨询问题的匹配度问题，没有解决推荐医生缺乏公平性的问题。
5、中国专利技术专利：公布号为“cn114037321b”，名称为“面向公平性的众包测试人员推荐方法及装置”，公开了一种面向公平性的众包测试人员推荐方法及装置，包括将一众包任务的需求描述表示为描述性术语向量；根据描述性术语向量与待推荐人员的属性信息，预测各待推荐人员在进行众包任务中的缺陷检测概率；设定包含最大化缺陷发现概率和最小化推荐频率差异在内的若干个公平性目标，并进行多目标优化，获取众包测试人员推荐结果。该技术方案能够减轻不公平问题，产生更公平的推荐，而且该技术方案方法在产生更公平推荐的基础上，没有影响缺陷检测效率，还带来了缺陷检测效率的提升。但该技术方案没有考虑到医生的专长与患者咨询问题之间的匹配度，无法适用于互联网医疗中医生推荐领域。
技术实现思路
1、为了解决上述现有技术中推荐医生难以兼顾公平性和准确性的问题，本专利技术提出了一种基于问诊服务质量和公平性的医生推荐方法及介质，旨在通过兼顾问诊服务质量与公平性约束，在保证推荐准确性同时，有效提升推荐系统的公平性。
2、本专利技术是通过以下技术方案实现的：包括如下步骤：
3、s1、根据每位患者上传的疾病问题、每位医生的个人基本属性信息数据、每位医生的历史回答和评论数据，获取属性特征fa、交互特征fi以及评论特征fr，进而使用因子分解机得到医生问诊服务质量得分sco(d)；
4、s2、构建公平价值函数，根据位置模型得到医生的系统曝光水平e和目标曝光水平e*，进而得到医生端的公平性约束fairness；
5、s3、构建医生推荐模型，利用基于改进汤普森采样的多臂老虎机方法，得到最终医生推荐集合，推荐给患者。
6、作为进一步优选，所述步骤s1包括如下具体步骤：
7、s1-1、根据每位医生的个人基本属性信息数据，采用独热编码提取属性特征fa并向量化表示；
8、s1-2、根据每位患者上传的疾病问题和每位医生的历史回答，采用文本挖掘和情感分析方法基于沟通适应理论、信号理论和社会临场感理论从信息支持、情感支持以及回复速度构建面向医患在线行为的交互特征fi；
9、s1-3、根据患者评论数据，采用图卷积神经网络得到评论特征fr；
10、s1-4、根据属性特征fa、交互特征fi以及评论特征fr，引入时间衰减机制和时间窗口机制，利用因子分解机得到医生问诊服务质量得分sco(d)，所述属性特征fa、交互特征fi以及评论特征fr为质量特征。
11、作为进一步优选，所述步骤s1-4中医生问诊服务质量得分sco(d)公式如下：
12、
13、其中d为第d个医生，fa，fb∈{fa，fi，fr}，ω0为模型参数，表示全局偏置，ωa表示第a个质量特征的权重，n1为问诊服务质量特征数量，fa和fb分别为a个和b个质量特征的值；矩阵和分别代表第a个质量特征和第b个质量特征的隐向量，使用k个描述特征的因子来描述第a维和第b维特征，其中隐向量的长度k1是一个超参数，而表示是两个长度为k1的向量内积。
14、作为进一步优选，所述步骤s2包含如下具体步骤：
15、s2-1、根据如下公式得到医患匹配度分数sim(i，d)：
16、
17、式中que表示患者的问题，ans表示每位医生的历史回答，i表示第i个患者，d表示第d个医生；
18、s2-2、对医患匹配度分数sim(i，d)降序排列，得到所有患者i的医生排序矩阵r，采用基于位置模型，得到医生的系统曝光水平e＝γr，其中γ为患者在给出的推荐医生列表中浏览长度的耐心因子，假定患者数量是i，得到平台给出的医生推荐集合e，如下式：
【技术保护点】
1.一种基于问诊服务质量和公平性的医生推荐方法，其特征在于，包含如下步骤：
2.根据权利要求1所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤S1包括如下具体步骤：
3.根据权利要求2所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤S1-4中医生问诊服务质量得分Sco(d)公式如下：
4.根据权利要求3所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤S2包含如下具体步骤：
5.根据权利要求4所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤S3包括如下具体步骤：
6.根据权利要求5所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤S3-1中模型预期奖励r(i,d)的公式如下：
7.根据权利要求6所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述φ的取值范围为(0，1)。
8.根据权利要求7所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述改进汤普森采样策略是对原
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行权利要求1-8任一项所述的一种基于问诊服务质量和公平性的医生推荐方法。
...【技术特征摘要】
1.一种基于问诊服务质量和公平性的医生推荐方法，其特征在于，包含如下步骤：
2.根据权利要求1所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤s1包括如下具体步骤：
3.根据权利要求2所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤s1-4中医生问诊服务质量得分sco(d)公式如下：
4.根据权利要求3所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤s2包含如下具体步骤：
5.根据权利要求4所述的一种基于问诊服务质量和公平性的医生推荐方法，其特征在于：所述步骤s3包括如下具体步骤：
6.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。