一种基于医嘱信息加权协同过滤的患者膳食推荐方法与流程

1.本发明涉及推荐膳食领域，尤其涉及一种基于医嘱信息加权协同过滤的患者膳食推荐方法。


背景技术：

2.当前在医院里，医生为住院用户开具医嘱信息，患者需要在医院就餐，为了能更好的服务患者，保证患者的饮食健康，医院会根据医嘱信息为患者推荐合适的菜品，但是忽略了患者的日常饮食习惯，患者一般会偏向于自由选择一些爱吃的菜品，从而不能很好的服务于患者。需要在保障患者饮食健康的同时，也必须要考虑患者的饮食偏好，使用推荐系统算法，结合患者的点餐数据和医嘱信息，计算得到患者对菜品喜爱的预测分数，为患者推荐适合的菜品，通过算法技术和医疗服务的融合，提升医疗服务的精准性，提升患者的满意度。
3.当前都是根据患者的医嘱信息为患者推荐菜品，一般是建立医嘱信息和菜品的规则库，根据患者的医嘱直接推荐对应的菜品，没有把医嘱信息和推荐系统算法进行融合，缺乏针对患者饮食习惯行为的分析和预测，不够精准。
4.仅通过规则库的方式，无法精准的为患者提供优质的点餐服务。


技术实现要素：

5.鉴于上述问题，提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种基于医嘱信息加权协同过滤的患者膳食推荐方法。
6.根据本发明的一个方面，提供了一种基于医嘱信息加权协同过滤的患者膳食推荐方法，所述患者膳食推荐方法包括：
7.建立患者医嘱信息相似度；
8.根据所述患者医嘱信息相似度分析患者点餐行为数据，获得分析结果；
9.根据所述分析结果推荐菜品；
10.计算所述推荐菜品的预测分数值。
11.可选的，所述建立患者医嘱信息相似度具体包括：
12.根据医嘱信息和对应的菜谱进行分析，得到医嘱信息的相似度；
13.医嘱间相似度定义为：das；
14.患者间的医嘱相似度定义为：das(a,b)，a∈1
…
n，b∈1
…
n，n代表用户集。
15.可选的，所述根据所述患者医嘱信息相似度分析患者点餐行为数据具体包括：
16.用户集u＝{u1
……
un}；菜品集p＝{p1
……
pn}；
17.r为评分项r
i,j
的n
×
m评分矩阵，i∈1
…
n，j∈1
…
m。
18.可选的，所述计算所述推荐菜品的预测分数值具体包括：
19.采用pearson相关系数法，计算不同患者点餐行为的相似度，目标患者a和患者b的相似度用sim(a,b)来表示，如下公式，为用户a平均评分，为用户b平均评分，r
a,p
为用
户a对菜品p的评分，r
b,p
为用户b对菜品p的评分；
[0020][0021]
计算所有患者和目标患者的相似度，使用患者间医嘱信息的相似度进行加权：sim(a,b)＝sim(a,b)*das(a,b)；
[0022]
计算目标患者对于菜品的预测偏向分值：
[0023][0024]
预测分值越大表明目标患者越喜欢这个菜品，对患者进行推荐。
[0025]
本发明提供的一种基于医嘱信息加权协同过滤的患者膳食推荐方法，所述患者膳食推荐方法包括：建立患者医嘱信息相似度；根据所述患者医嘱信息相似度分析患者点餐行为数据，获得分析结果；根据所述分析结果推荐菜品；计算所述推荐菜品的预测分数值。通过协同过滤推荐和患者医嘱信息相似度的加权，来提升为患者点餐推荐的精准度。
[0026]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
[0027]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0028]
图1为本发明实施例提供的一种基于医嘱信息加权协同过滤的患者膳食推荐方法的流程图。
具体实施方式
[0029]
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0030]
本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。
[0031]
下面结合附图和实施例，对本发明的技术方案做进一步的详细描述。
[0032]
如图1所示，本发明主要通过协同过滤推荐算法和医嘱信息融合的计算方法为患者推荐合适的菜品，以下是主要内容：
[0033]
建立患者医嘱信息相似度
[0034]
根据医嘱信息和对应的菜谱进行分析，得到如下医嘱信息的相似度。
[0035][0036]
医嘱间相似度定义为：das；
[0037]
患者间的医嘱相似度定义为：das(a,b)，a∈1
…
n，b∈1
…
n，n代表用户集。
[0038]
分析患者点餐行为数据
[0039][0040]
注：表格中是患者对菜品的点餐次数，计为每个患者偏向于点这个菜品的分数，目标是测算目标患者对于“上汤娃娃菜”的偏向分值。
[0041]
用u＝{u1
……
un}代表用户集；
[0042]
用p＝{p1
……
pn}代表菜品集；
[0043]
用r代表评分项r
i,j
的n
×
m评分矩阵，这里i∈1
…
n，j∈1
…
m。
[0044]
计算推荐菜品预测分数值
[0045]
采用pearson相关系数法，计算不同患者点餐行为的相似度，目标患者a和患者b的相似度用sim(a,b)来表示，如下公式，代表用户a平均评分，代表用户b平均评分，r
a,p
代表用户a对菜品p的评分，r
b,p
代表用户b对菜品p的评分。
[0046][0047]
计算所有患者和目标患者的相似度，在基础上使用患者间医嘱信息的相似度进行
加权：sim(a,b)＝sim(a,b)*das(a,b)。
[0048]
计算目标患者对于菜品的预测偏向分值：
[0049][0050]
预测分值越大表明目标患者越喜欢这个菜品，可以对患者进行推荐。
[0051]
有益效果：通过协同过滤推荐算法，结合患者历史的点餐信息，计算患者间点餐行为的相似度分数，使用患者间的医嘱相似度进行加权，干预患者间的相似度分数，保证结果的精准性，最后为患者计算菜品的预测分值，分值越大说明推荐菜品越精准。通过协同过滤推荐和患者医嘱信息相似度的加权，来提升为患者点餐推荐的精准度。
[0052]
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于医嘱信息加权协同过滤的患者膳食推荐方法，其特征在于，所述患者膳食推荐方法包括：建立患者医嘱信息相似度；根据所述患者医嘱信息相似度分析患者点餐行为数据，获得分析结果；根据所述分析结果推荐菜品；计算所述推荐菜品的预测分数值。2.根据权利要求1所述的一种基于医嘱信息加权协同过滤的患者膳食推荐方法，其特征在于，所述建立患者医嘱信息相似度具体包括：根据医嘱信息和对应的菜谱进行分析，得到医嘱信息的相似度；医嘱间相似度定义为：das；患者间的医嘱相似度定义为：das(a,b)，a∈1
…
n，b∈1
…
n，n代表用户集。3.根据权利要求1所述的一种基于医嘱信息加权协同过滤的患者膳食推荐方法，其特征在于，所述根据所述患者医嘱信息相似度分析患者点餐行为数据具体包括：用户集u＝{u1
……
un}；菜品集p＝{p1
……
pn}；r为评分项r
i,j
的n
×
m评分矩阵，i∈1
…
n，j∈1
…
m。4.根据权利要求1所述的一种基于医嘱信息加权协同过滤的患者膳食推荐方法，其特征在于，所述计算所述推荐菜品的预测分数值具体包括：采用pearson相关系数法，计算不同患者点餐行为的相似度，目标患者a和患者b的相似度用sim(a,b)来表示，如下公式，r
a
为用户a平均评分，r
b
为用户b平均评分，r
a,p
为用户a对菜品p的评分，r
b,p
为用户b对菜品p的评分；计算所有患者和目标患者的相似度，使用患者间医嘱信息的相似度进行加权：sim(a,b)＝sim(a,b)*das(a,b)；计算目标患者对于菜品的预测偏向分值：预测分值越大表明目标患者越喜欢这个菜品，对患者进行推荐。

技术总结
本发明提供的一种基于医嘱信息加权协同过滤的患者膳食推荐方法，所述患者膳食推荐方法包括：建立患者医嘱信息相似度；根据所述患者医嘱信息相似度分析患者点餐行为数据，获得分析结果；根据所述分析结果推荐菜品；计算所述推荐菜品的预测分数值。通过协同过滤推荐和患者医嘱信息相似度的加权，来提升为患者点餐推荐的精准度。推荐的精准度。推荐的精准度。


技术研发人员：梁景明
受保护的技术使用者：北银金融科技有限责任公司
技术研发日：2023.04.28
技术公布日：2023/7/12