[发明专利]平行智能病例推荐模型的建模方法

说明书

本发明涉及一种平行智能病例推荐模型的建模方法，其步骤如下：从电子病例数据库中获取已有的患者病例，对患者病例进行去噪处理、聚类处理、分词处理后，建立患者病例语料数据库；定义TFIDF_i,j表示一个字或词语在患者病例语料数据库中的一份病例的重要程度，根据TFIDF_i,j建立LSI向量空间模型，同时根据患者病例语料数据库中的所有字和词语建立BOW词袋模型；通过LSI向量空间模型和BOW词袋模型计算患者病例语料数据库中的历史病例向量和待处理病例向量；计算历史患者病例间的余弦相似度，并进行存储；计算待处理病例向量与历史患者病例向量之间的余弦相似度，根据余弦相似度寻找待处理病例的相似病例。采用本发明方法建立的模型的准确性高、误差小，推荐结果质量高。

技术领域

本发明涉及医学数据挖掘技术领域，涉及一种用于辅助诊断的病例推荐模型，具体地说，涉及一种病例推荐模型的建模方法。

背景技术

医生在日常工作中，常常需要根据当前患者的症状参考已有病例的治疗方案。患者的体征数据和检验检查数据共同构成了多维的疾病特征向量，相似病例的搜索意味着从庞大的病例数据库中找到相匹配的特征向量，显然传统的基于关键词的搜索方式无法满足多维特征快速匹配并进行推荐的需求。

另一方面，数据挖掘技术作为数据库知识发现的重要过程，已被广泛应用在诸多领域，例如：电子商务、社交网络、广告推荐、搜索引擎等，通过建立相应的挖掘模型，可以解决现实中的分类、预测、推荐等各类问题。

现有的挖掘模型采用的推荐算法大多数为基于协同过滤的推荐算法，该算法具有以下几个显著的优点：

(1)不需要对物品或者用户进行严格的建模，而且不要求物品的描述是机器可以理解的，因此，该方法与技术领域无关；

(2)该算法计算出来的推荐时开放的，可以共用他人的经验，很好的支持用户发现潜在的兴趣偏好。

同时，基于协同过滤的推荐算法存在的缺点也十分明显，具体表现为：

(1)用户的行为数据存在较大稀疏性，准确性差；

(2)很难对用户新行为进行快速响应，如果要响应用户新的行为记录，就必须重新计算user-user或者item-item相似度矩阵，而这两个矩阵的计算时间复杂度是非常高的，需要遍历整个user-item矩阵；

(3)可扩展性差，由于随着user或者item数量的增大，user-item矩阵不断增大，相似度矩阵也不断增大，最终推荐系统会因为空间不足或者计算时间太长而无法继续使用；

(4)质量取决于历史数据，协同过滤算法依赖的是用例历史行为记录，当历史数据缺乏或者噪声比较大的时候，协同过滤算法就会失效；

(5)由于缺乏充足而准确的历史数据，系统开始时推荐质量差。

发明内容

本发明的目的在于克服现有技术存在的数据准确性差、对用户新行为响应速度慢、模型推荐质量差等上述缺陷和不足，提供了一种平行智能病例推荐模型的建模方法，采用该方法建立的平行智能病例推荐模型用于辅助医师诊断，不仅能够有效解决普通病例的推荐问题，同时也能够有效解决特殊病例的推荐问题。

为了达到上述目的，本发明提供了一种平行智能病例推荐模型的建模方法，含有以下步骤：

步骤1：从电子病例数据库中获取已有的患者病例，对患者病例进行去噪处理后，对患者病例中的检验检查指标数据进行聚类处理，并同时将患者病例中的文本信息进行分词处理，获得患者病例数据，根据获得的患者病例数据建立患者病例语料数据库；

步骤2：定义TFIDF_i,j表示一个字或词语在患者病例语料数据库中的一份病例的重要程度，按照下述公式计算TFIDF_i,j：