一种推荐养老护理计划的方法和系统与流程

本发明涉及机器学习，具体涉及一种推荐养老护理计划的方法和系统。

背景技术：

1、机器学习是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。

2、基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据(样本)出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。

3、而大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、nosql数据库、数据仓库、机器学习、并行计算、可视化等各种技术范畴和不同的技术层面。首先给出一个通用化的大数据处理框架，主要分为下面几个方面：数据采集与预处理、数据存储、数据清洗、数据查询分析和数据可视化。

4、目前推荐系统中应用最广泛的协同过滤推荐(collaborative filteringrecommendation)技术，它一般采用最近邻技术，利用用户的历史喜好信息计算用户之间的距离，然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度，系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐、电影。

5、协同过滤是基于这样的假设：为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。其基本思想非常易于理解，在日常生活中，我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到养老护理计划推荐系统中来，基于其他用户对某一内容的评价来向目标用户进行推荐。

6、基于协同过滤的推荐系统可以说是从用户的角度来进行相应推荐的，而且是自动的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。

7、虽然协同过滤作为一种典型的推荐技术有其相当的应用，但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问题(sparsity)和可扩展问题(scalability)。

8、因此，建立在项目的内容信息上作出推荐的，而不需要依据用户对项目的评价意见，更多地需要用机器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料，基于内容的推荐(content-based recommendation)技术逐渐兴起，基于内容的推荐算法是信息过滤技术的延续与发展，在基于内容的推荐系统中，项目或对象是通过相关的特征的属性来定义，系统基于用户评价对象的特征，学习用户的兴趣，考察用户资料与待预测项目的相匹配程度。用户的资料模型取决于所用学习方法，常用的有决策树、神经网络和基于向量的表示方法等。基于内容的用户资料是需要有用户的历史数据，用户资料模型可能随着用户的偏好改变而发生变化。

9、现有技术中基于二次回归模型的交叉推荐算法，由于用户行为数据与用户评分数据之间的关系往往异常复杂，二次回归模型很难对其进行充分地拟合(即数据处于欠学习状态)，从而影响交叉推荐系统的准确率及召回率:而建立更高次的(如三次、四次)回归模型虽可能对数据拟合的比较充分，却容易造成过拟合也会影响交叉推荐系统的准确率及召回率的问题。

技术实现思路

1、本发明针对现有技术中的不足，提供一种推荐养老护理计划的方法和系统，降低护理项-评分矩阵的稀疏性，提高推荐准确率。

2、为实现上述目的，本发明采用以下技术方案：

3、一种推荐养老护理计划的方法，包括以下步骤：

4、s1：根据老人健康档案-护理内容二元组格式构造老人护理计划，所述健康档案包括身体体征、生命体征、生活习惯、既往病逝、过敏原和慢性病，所述护理内容包括护理项和护理时间；所述护理项包括生活护理、医疗护理和康复护理；

5、s2：采用实体和关系分开嵌入的方法，学习老人健康档案、护理内容和护理时间的知识表示，获得护理内容嵌入向量、护理时间嵌入向量和健康属性嵌入向量，同时将护理占比信息以向量形式存储为护理项占比向量，将护理内容嵌入向量、护理时间嵌入向量、健康属性嵌入向量和护理项占比向量作为知识表示的学习结果；

6、s3：将护理内容嵌入向量、护理时间嵌入向量和护理项占比向量配对后输入基于多属性融合的协同过滤推荐网络，预测老人对护理项的评分并用随机梯度下降法更新评分，根据评分找到最适合老人的护理项与护理时间，编排出最适合老人的护理计划。

7、为优化上述技术方案，采取的具体措施还包括：

8、进一步地，所述基于多属性融合的协同过滤推荐网络包括特征提取层、特征融合层、全连接层和sigmoid层；所述特征提取层提取护理内容嵌入向量、护理时间嵌入向量和护理项占比向量的特征，得到处于同一空间的护理内容特征向量和护理时间特征向量；所述特征融合层将护理内容特征向量和护理时间特征向量融合为包含老人与护理计划匹配规律的联合表示向量，所述全连接层和sigmoid层预测老人与护理计划的配对概率。

9、进一步地，s3中，所述预测老人对护理项的评分并用随机梯度下降法更新评分具体为：

10、s3.1：计算所有护理项的平均评分μ；

11、s3.2：计算每个老人对护理项的评分与平均评分μ的偏置值bu；

12、s3.3：计算每个护理项所接受的评分与平均评分μ的偏置值bi；

13、s3.4：预测老人对护理项的预测评分

14、s3.5：利用平方差构建预测评分的损失函数；

15、s3.6：利用随机梯度下降法更新老人对护理项的评分与平均评分μ的偏置值bu和护理项所接受的评分与平均评分μ的偏置值bi，得到更新后的测评分

16、进一步地，s3.5中，所述损失函数具体为：

17、

18、式中，cost表示损失函数，rui表示老人对护理项的实际评分，λ为正则化系数，u为老人个数，i为护理项个数。

19、进一步地，s3.6具体为：

20、令f(bu，bi)＝cost，对损失函数求偏导：

21、

22、更新每个老人对护理项的评分与平均评分μ的偏置值bu：

23、

24、式中，α为学习率；

25、梯度下降更新每个护理项所接受的评分与平均评分μ的偏置值bi的过程与更新bu一致。

26、本发明还提出了一种推荐养老护理计划的系统，包括构造护理计划模块、学习知识表示模块和协同过滤推荐网络模块；

27、所述构造护理计划模块用于根据老人健康档案-护理内容二元组格式构造老人护理计划，所述健康档案包括身体体征、生命体征、生活习惯、既往病逝、过敏原和慢性病，所述护理内容包括护理项和护理时间；所述护理项包括生活护理、医疗护理和康复护理；

28、所述学习知识表示模块采用实体和关系分开嵌入的方法，学习老人健康档案、护理内容和护理时间的知识表示，获得护理内容嵌入向量、护理时间嵌入向量和健康属性嵌入向量，同时将护理占比信息以向量形式存储为护理项占比向量，将护理内容嵌入向量、护理时间嵌入向量、健康属性嵌入向量和护理项占比向量作为知识表示的学习结果；

29、所述协同过滤推荐网络模块用于预测老人对护理项的评分并用随机梯度下降法更新评分，根据评分找到最适合老人的护理项与护理时间，编排出最适合老人的护理计划。

30、本发明的有益效果是：

31、通过推荐算法智能地对老人信息、护理信息大数据持续学习，能够根据老人基本信息自动制定详细的一对一护理计划，释放医生资源，随着中国老龄化严重，需要评估的老人数量庞大，且按照国家要求至少每半年对老人进行一次评估，通过ai养老护理计划智能推荐可以大大减轻医生的投入精力，与体征采集设备相结合的情况下，只需要关注老人医疗相关信息的维护。

32、本发明为一种基于奇异值分解和bp神经网络预测未评分项的改进方法；该方法通过奇异值分解护理项-评分矩阵，有效地降低了矩阵的稀疏性；同时在奇异值分解的基础上，进一步采用bp神经网络对未评分的目标项目进行分值预测。在此基础上，进行相似性计算获取相似邻居列表，将护理项和护理时间推荐给老人，有效地缓解数据稀疏性，使得推荐准确率更高。