一种基于神经网络学习的药品数据推荐方法、系统和介质与流程

本发明涉及大数据分析领域，尤其涉及一种基于神经网络学习的药品数据推荐方法、系统和介质。

背景技术：

1、现有技术为了在数据库中获取大量相匹配的数据信息，尤其在医药数据领域。由于海量数据并不能自动匹配用户需求，导致广大的用户群体无法从海量的药品sku中通过多维度的药品属性搜索匹配到自己想要的药品,无法针对品名、厂家、规格、适应症描述等主观性很强的组合条件完成搜索，如能将这些数据转化成有价值的信息、知识，对疾病和药品适应症精准匹配到目标药品对药品搜索将有极大的提升帮助。在cn110085292a中根据隐式特征信息和操作行为信息获取目标函数，通过处理后的神经网络得到待推荐药品，但是如果在数据库中查询所需的数据，由于数据运算方法的不匹配导致推荐内容越来越慢，无法帮助用户检索出希望查询的数据，增加了用户等待时间，降低了工作效率，是本领域技术人员亟需解决的技术问题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于神经网络学习的药品数据推荐方法、系统和介质。

2、为了实现本发明的上述目的，本发明提供了一种基于神经网络学习的药品数据推荐方法，包括：

3、s1，建立药品数据库时，使用标准化的医学术语集来确保术语的一致性和准确性，通过idf进行药品关键词集合的重要性统计；

4、s2，基于专家推荐药品数据或专家知识准确估计主节点与子节点之间的关联概率；通过重要性统计计算关联度；

5、s3，根据关键词重要性统计和关联度设置推荐权重，根据设定的推荐权重进行药品数据推荐操作。

6、上述技术方案优选的，所述s1包括：

7、使用检索和文本挖掘的idf计算，所述idf为逆文档频率，确定药品数据库的药品数据集合，根据药品关键词的重要性统计，idf公式为：

8、

9、t为特定药品词；d为药品词集合；n为药品词集合中的词语总数；

10、∣{d∈d:t∈d}∣中的d为包含特定药品词t的词语数量，k为平滑因子，有助于增强算法的健壮性。

11、设置最小药品词出现频率阈值cmin，计算在cmin个药品词集合中出现的关键词的idf值。调整过滤掉过于稀疏的关键词，从而提高推荐系统的性能。

12、如果特定药品词t出现的药品集合少于cmin，则将其idf值设为0，表示这个药品词在推荐系统中不被考虑。

13、上述技术方案优选的，所述s1还包括：

14、设置为：

15、

16、上述技术方案优选的，所述s2包括：

17、关联概率的计算基于条件概率，需要考虑用户输入关键词的偏好信息：

18、关联概率pb(a|b)：基于先验知识计算得到的用户输入关键词a与相关药品b之间的关联概率。

19、为同时考虑用户偏好、药品类别以及专家知识对操作行为事件的影响，计算概率函数计算得到的专家知识i对专家推荐药品j的操作行为事件属于特定事件集合e的概率，ηij为专家知识i对专家推荐药品j的操作行为事件，km为专家知识的特征矩阵，ln为专家推荐药品的特征矩阵，ωmi为用户偏好m对专家知识i的行为权重；cnj为专家推荐药品j的所属类别n对专家知识的影响权重，，ksi为专家知识i的特征向量，lsj为专家推荐药品j的特征向量，f(*)为关联函数，用于计算相互之间的作用，πf(*)为连乘，用于计算所有相关因素的综合影响。

20、上述技术方案优选的，所述s2还包括：

21、为了将融入到用户输入关键词a与相关药品b之间的关联概率中，

22、使用加权平均的方法来融合这些信息。具体步骤如下：

23、计算加权平均：

24、对于每个专家知识i，我们将其专家知识对专家推荐药品的操作行为事件概率作为权重，与基本的关联概率pb(a|b)相乘，然后将所有结果相加，得到加权平均的概率；

25、weighted average＝∑i,jp(ηij∈e|km,ln,ωmi,cnj)·pb(a|b)，

26、进行归一化处理，将每个专家知识的概率都乘以pb(a|b)，

27、

28、从而得到了融合后的疾病与药品的关联概率pf(a|b)。

29、上述技术方案优选的，所述s3包括：

30、综合推荐权重的计算是一个加权和的形式，其中idf和条件概率分别乘以不同的权重系数，以反映它们在推荐中的重要性。具体公式如下：

31、q＝α·idf(t,d)+β·pfinal(a|b)，

32、其中，α为重要性统计的权重，β为关联概率的权重。

33、本发明还公开一种基于神经网络学习的药品数据推荐系统，包括：

34、重要性统计模块，用于建立药品数据库时，使用标准化的医学术语集确保术语的一致性和准确性，通过idf进行药品关键词集合的重要性统计；

35、关联模块，用于基于专家推荐药品数据或专家知识准确估计主节点与子节点之间的关联概率；通过重要性统计计算关联度；

36、综合推荐模块，用于根据关键词重要性统计和关联度设置推荐权重，根据设定的推荐权重进行药品数据推荐操作。

37、本发明还公开一种计算机可读存储介质，所述计算机可读存储介质中存储包括权利要求1所述方法的处理程序。

38、综上所述，由于采用了上述技术方案，本发明的有益效果是：

39、本发明提高推荐数据一致性和准确性，使用标准化的医学术语集来建立药品数据库，这有助于减少因术语不一致或错误导致的误解和混淆，从而提高数据处理和分析的可靠性。采用idf(逆文档频率)进行药品关键词集合的重要性统计，能够更准确地反映出各个关键词在特定上下文中的相对重要性。通过专家推荐药品数据或专家知识来准确估计主节点与子节点之间的关联概率，并结合重要性统计来计算关联度，该方法能够更深入地挖掘药品数据之间的内在联系和规律。这有助于提高推荐系统的准确性和有效性。根据关键词重要性统计和关联度设置推荐权重，并根据这些权重进行药品数据推荐操作，该方法能够更加个性化和精准地满足用户的需求。这有助于提升用户体验和满意度，同时也有助于提高药品匹配数据效率。

40、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于神经网络学习的药品数据推荐方法，其特征在于，包括：

2.根据权利要求1所述的基于神经网络学习的药品数据推荐方法，其特征在于，所述s1包括：

3.根据权利要求2所述的基于神经网络学习的药品数据推荐方法，其特征在于，所述s1还包括：

4.根据权利要求1所述的基于神经网络学习的药品数据推荐方法，其特征在于，所述s2包括：

5.根据权利要求4所述的基于神经网络学习的药品数据推荐方法，其特征在于，所述s2还包括：

6.根据权利要求1所述的基于神经网络学习的药品数据推荐方法，其特征在于，所述s3包括：

7.一种基于神经网络学习的药品数据推荐系统，其特征在于，包括：

8.一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中存储包括权利要求1所述方法的处理程序。

技术总结本发明提出了一种基于神经网络学习的药品数据推荐方法、系统和介质，包括：S1，建立药品数据库时，使用标准化的医学术语集来确保术语的一致性和准确性，通过IDF进行药品关键词集合的重要性统计；S2，基于专家推荐药品数据或专家知识准确估计主节点与子节点之间的关联概率；通过重要性统计计算关联度；S3，根据关键词重要性统计和关联度设置推荐权重，根据设定的推荐权重进行药品数据推荐操作。技术研发人员：王俊骥,陈江,周东受保护的技术使用者：重庆普健医药有限公司技术研发日：技术公布日：2025/1/6