买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：纳里健康科技有限公司

摘要：本发明公开了一种用森林超图对医生知识图谱进行建模的医生推荐方法，基于患者在智能导诊平台中的行为序列以及医生知识图谱，给患者推荐合适的医生。本发明的向前传播部分主要由四个部分组成。第一部分是基于医生知识图谱，将患者行为序列划分为若干个子序列；第二部分是基于医生知识图谱和患者的若干个子序列，构建超图森林；第三部分是利用超图森林神经网络得到超图森林中节点向量表征；第四部分是采用序列编码器对患者的行为序列以及若干子序列进行建模，得到患者的局部偏好和全局偏好；第五部分是根据患者偏好，给患者推荐医生。

主权项：1.一种用森林超图对医生知识图谱进行建模的医生推荐方法，其特征在于：基于医生知识图谱，将患者行为序列划分为若干个子序列；根据在线问诊平台上丰富的医生属性信息构建关于医生的知识图谱；本方法只采用医生知识图谱中关于医生所属科室信息，一个医生只属于一个科室；对于患者ui的的行为序列是下标是行为序列的长度，vj是患者ui在行为序列内浏览的第j个医生；行为序列内医生对应的科室属性序列为医生vj的科室属性表示为科室的个数为N，第k个科室下的医生集合表示为Ck，k的取值范围为{1,2,…,N}；根据行为序列内医生对应的科室属性序列患者ui的行为序列被划分为不同科室下的子行为序列,患者ui的行为序列中属于第k个科室的子行为序列表示为且患者ui的行为序列中涉及到的科室集合表示为基于医生知识图谱和患者的若干个子序列，构建超图森林；基于系统中所有患者及其在科室k下的子序列构建科室k超图Gk，患者ui第k个科室下的子行为序列内的所有医生构成科室k超图的节点，患者ui构成科室k超图的患者超边ei,k，且患者超边ei,k连接子序列内的所有医生节点；所有科室超图构成超图森林，超图森林内的超图个数取决于科室个数N，且超图森林内的超图互相独立，互不连接；因为一个医生只属于一个科室，所以一个医生只会出现在一个科室超图内，而一个患者可能会出现在多个科室超图内；利用超图森林神经网络得到超图森林中节点向量表征；医生根据医生ID被初始化为d维向量，对于医生vj，初始化向量为经过l层的信息传递后，医生vj的向量是患者ui在科室k超图中的患者超边ei,k向量为超图森林神经网络的层数由模型超参数L控制，网络更新L层后，最终得到医生vj的向量是患者ui在科室k超图中的向量为科室k超图中的患者超边ei,k包含的医生节点集合用Bei,k表示，包含医生节点vj的患者超边集合用Evj表示；医生vj只属于一个科室超图，一旦医生vj确定，它的所属科室超图也即确定，即对于中患者超边eτ,k的下标k确定且唯一；以下是超图森林神经网络中患者超边和医生节点的信息传递过程： 其中，AGGRnode→edge聚集函数将超图中医生节点的信息聚集到患者超边中，AGGRedge→node聚集函数将超图中患者超边的信息聚集到医生节点中；聚集函数AGGRnode→edge和AGGRedge→node的结构都采用自注意力机制来实现；采用序列编码器对患者的行为序列以及若干子序列进行建模，得到患者的局部偏好和全局偏好；已经由超图森林神经网络得到任一医生vj的向量是患者ui的行为序列是且属于第k个科室的子行为序列是本方法采用门循环单元网络GRU作为编码器，对患者ui的行为序列建模，得到门循环单元网络GRU最后一个隐向量输出作为患者ui涉及所有科室的全局偏好同样采用门循环单元网络GRU作为编码器，对患者ui的子行为序列建模，得到患者ui在该科室下的局部偏好汇集患者所有子序列下的局部偏好，得到患者的局部偏好其中是患者ui的行为序列中涉及到的科室集合，代表集合中元素个数；根据患者偏好，给患者推荐医生；结合患者的局部偏好和全局偏好得到终的患者偏好zu，计算公式是λg和λl代表患者的全局偏好和局部偏好的权重，λg和λl是超参数；再将平台中的医生集合中的医生vτ的向量乘以患者偏好zu，应用softmax函数计算出医生vτ的分数：表示医生vτ成为下一个交互医生的可能性；损失函数为： 其中，yτ代表医生vτ的one-hot编码；函数用梯度下降法来最优化。

全文数据：

权利要求：

百度查询： 纳里健康科技有限公司 一种用森林超图对医生知识图谱进行建模的医生推荐方法