·356· 智能系统学报 第13卷 表21000种疾病时辅助诊断结果 纬度数值随机生成，只要将其限制在上述的矩形区 Table 2 The results of auxiliary diagnoses on 1 000 dis- 域即可，医院和疾病的等级信息也随机生成。 eases ②医院的诊疗效果(effect)、收费水平(charge)、 位置 初步 优化 位置 初步 优化 服务态度(attitude)都是医院的固有属性，因此事先 105 116 7 2 2 生成医院擅长治疗的疾病与医院之间的对应集合 2 43 39 8 3 1 S,、收费较低的医院集合S2、服务态度好的医院集 3 14 22 9 3 0 合S 4 7 8 10 1 1 ③对每条评价记录，effect、charge、attitude初始 5 2 其他 > 的评价都是5分。 ④按式(8)~(1O)更新effect、charge、attitude的 6 0 值。 实验结果表明，所选测试数据在此统计策略 (1+)effect, (disease,hospital)ES effect (8) 下，当数据库中疾病种类为100时，召回率为95%， (1-41)effect, (disease,hospital) 准确率为85%，在优化诊断之后，准确率达到95%， charge (1+42)charge,hospital eS2 召回率达到100%；当数据库中疾病种类为1000 (1-42)charge, hospital (9) 时，召回率为91.5%，准确率为81%，在优化诊断之 (1+42)attitude, attitude hospital∈S3 (1-2)attitude,hospitalS3 (10) 后，准确率达到88.5%，召回率达到96%。 5.2推荐技术实验 ⑤给每一项再加一个小的正负随机的扰动4， 推荐算法的质量衡量方法一直是存在争议的， 以模拟评分时的噪音。 甚至有人认为推荐系统的质量根本就不可能直接衡 5.2.2实验方案 量，因为有太多的目标函数。目前最主流的评估方 使用上面生成的模拟数据作为训练数据，再随 案是根据电影领域用户历史评分来估计不同算法的 机选择100名用户，每人2种疾病，距离用户=15km 实验方法，EachMovie数据集和Netfliⅸ数据集是其 的医院作为候选医院，在该测试数据集上运行推荐 中的典型代表，但是很显然，这些数据不可能应用 算法，并记录推荐结果中前3位。 到本文中的推荐算法上，因为文中提出的推荐算法 前面已经说过，就诊时的关注点主要有距离和 是和医疗与导诊密切相关的。基于以上原因，本文 医院的质量，因此，一方面对距离用户范围R内的 中使用合成的数据集，并采用定量和定性结合的方 医院按照距离和治疗对应疾病的综合评分分别排 式评估算法质量。 序，统计推荐的医院在两个序列中的具体分布情 5.2.1生成实验数据 况：另一方面查看并统计推荐的医院在上述S、S2 1)合理性分析 S?这3个集合中分布情况，以此来定性地确定推荐 经过查阅相关医学资料以及调查问卷的方式， 的医院的质量。最终，通过对以上两个指标分布的 得出在选择医院时人们主要关注的有两点：医院与 分析，来半定量地评估推荐算法。 自己的距离，一般对于常见疾病人们倾向于选择距 5.2.3实验结果 离自己近的医院就诊：在医院质量方面，患者主要 推荐结果中排前三的医院在按照评分距离和评 关心的因素是诊疗效果、收费水平、服务态度，对这 分排序的两个序列中的具体分布情况如图2所示。 三者的关注度权重接近于5：3：2。既然人们在就诊 60 口第一次推荐 选择时有这样的倾向性，实际的数据分布也会体现 50 ▣第二次推荐 40 口第三次推着 出这样的特点，那么我们就能按照上面的原则模拟 30 生成实验数据，并且这样的数据具有一定的合理性。 2)数据规模 假定地域范围是44×44km2的一个矩形，有 1...0oo 4 5678910其他 50家医院，医院的等级共有10级，有50种疾病，疾 推荐排名 病的严重等级共有10级，有5000个病人，每人有 图2推荐结果在两个序列中的分布 10条就诊评价记录，共有50000条记录。 Fig.2 The distribution of recommended results in two lists 3)生成数据 由统计结果可得：排名第一的推荐结果两个序 ①医院和用户的地域信息使用经纬度表示，经 列中前6位出现的概率是87%，在前3位出现的概表 2 1 000 种疾病时辅助诊断结果 Table 2 The results of auxiliary diagnoses on 1 000 dis￾eases 位置 初步 优化 位置 初步 优化 1 105 116 7 2 3 2 43 39 8 3 1 3 14 22 9 3 0 4 7 8 10 1 1 5 1 2 其他 17 8 6 4 0 实验结果表明，所选测试数据在此统计策略 下，当数据库中疾病种类为 100 时，召回率为 95%， 准确率为 85%，在优化诊断之后，准确率达到 95%， 召回率达到 100%；当数据库中疾病种类为 1 000 时，召回率为 91.5%，准确率为 81%，在优化诊断之 后，准确率达到 88.5%，召回率达到 96%。 5.2 推荐技术实验 推荐算法的质量衡量方法一直是存在争议的， 甚至有人认为推荐系统的质量根本就不可能直接衡 量，因为有太多的目标函数。目前最主流的评估方 案是根据电影领域用户历史评分来估计不同算法的 实验方法，EachMovie 数据集和 Netflix 数据集是其 中的典型代表，但是很显然，这些数据不可能应用 到本文中的推荐算法上，因为文中提出的推荐算法 是和医疗与导诊密切相关的。基于以上原因，本文 中使用合成的数据集，并采用定量和定性结合的方 式评估算法质量。 5.2.1 生成实验数据 1) 合理性分析 经过查阅相关医学资料以及调查问卷的方式， 得出在选择医院时人们主要关注的有两点:医院与 自己的距离，一般对于常见疾病人们倾向于选择距 离自己近的医院就诊；在医院质量方面，患者主要 关心的因素是诊疗效果、收费水平、服务态度，对这 三者的关注度权重接近于 5:3:2。既然人们在就诊 选择时有这样的倾向性，实际的数据分布也会体现 出这样的特点，那么我们就能按照上面的原则模拟 生成实验数据，并且这样的数据具有一定的合理性。 2) 数据规模 假定地域范围是 44×44 km2 的一个矩形，有 50 家医院，医院的等级共有 10 级，有 50 种疾病，疾 病的严重等级共有 10 级，有 5 000 个病人，每人有 10 条就诊评价记录，共有 50 000 条记录。 3) 生成数据 ① 医院和用户的地域信息使用经纬度表示，经 纬度数值随机生成，只要将其限制在上述的矩形区 域即可，医院和疾病的等级信息也随机生成。 ② 医院的诊疗效果 (effect)、收费水平 (charge)、 服务态度 (attitude) 都是医院的固有属性，因此事先 生成医院擅长治疗的疾病与医院之间的对应集合 S1、收费较低的医院集合 S2、服务态度好的医院集 合 S3。 ③对每条评价记录，effect、charge、attitude 初始 的评价都是 5 分。 ④按式 (8)～(10) 更新 effect、charge、attitude 的 值。 effect = { (1+∆1)effect, ⟨ disease,hospital⟩ ∈ S 1 (1−∆1)effect, ⟨ disease,hospital⟩ < S 1 (8) charge = { (1+∆2)charge, hospital ∈ S 2 (1−∆2)charge, hospital < S 2 (9) attitude = { (1+∆2)attitude, hospital ∈ S 3 (1−∆2)attitude, hospital < S 3 (10) ⑤ 给每一项再加一个小的正负随机的扰动 Δ0， 以模拟评分时的噪音。 5.2.2 实验方案 使用上面生成的模拟数据作为训练数据，再随 机选择 100 名用户，每人 2 种疾病，距离用户 R=15 km 的医院作为候选医院，在该测试数据集上运行推荐 算法，并记录推荐结果中前 3 位。 前面已经说过，就诊时的关注点主要有距离和 医院的质量，因此，一方面对距离用户范围 R 内的 医院按照距离和治疗对应疾病的综合评分分别排 序，统计推荐的医院在两个序列中的具体分布情 况；另一方面查看并统计推荐的医院在上述 S1、S2、 S3 这 3 个集合中分布情况，以此来定性地确定推荐 的医院的质量。最终，通过对以上两个指标分布的 分析，来半定量地评估推荐算法。 5.2.3 实验结果 推荐结果中排前三的医院在按照评分距离和评 分排序的两个序列中的具体分布情况如图 2 所示。 0 10 20 30 40 50 60 1 2 3 4 5 6 7 8 9 10 ڢЂ じ̬⁍ᣔ㡼 じθ⁍ᣔ㡼 じ̵⁍ᣔ㡼 Ắ⢳/% ᣔ㡼ᢾह 图 2 推荐结果在两个序列中的分布 Fig. 2 The distribution of recommended results in two lists 由统计结果可得：排名第一的推荐结果两个序 列中前 6 位出现的概率是 87%，在前 3 位出现的概 ·356· 智 能 系 统 学 报 第 13 卷