李清明　段富

摘 要： 隨著智能手機用戶量的不斷上升，醫(yī)療信息服務(wù)逐漸應(yīng)用于客戶端上，同時伴隨著醫(yī)療服務(wù)信息量的日益增長，移動醫(yī)療信息服務(wù)應(yīng)用中出現(xiàn)了信息過載和用戶訪問效率偏低的現(xiàn)象。針對這種情況，對現(xiàn)有醫(yī)療信息服務(wù)平臺在智能手機上的應(yīng)用進行研究，并根據(jù)移動應(yīng)用中基于地理位置服務(wù)的特殊性和LBS推薦系統(tǒng)的特殊要求，提出基于情境信息的醫(yī)療信息服務(wù)推薦系統(tǒng)框架。通過對獲取到的用戶位置及當(dāng)前時間、天氣、環(huán)境、交通等豐富的情境信息進行分析，使用基于規(guī)則的推薦方法以降低計算量，實現(xiàn)在線個性化智能推薦服務(wù)。結(jié)果表明，融合了豐富情境信息的移動醫(yī)療信息服務(wù)平臺中的推薦，使得推薦更加個性化，更加符合用戶需求。

關(guān)鍵詞： 基于位置服務(wù)推薦； 基于規(guī)則的推薦； 情境信息； 醫(yī)療信息服務(wù)平臺

中圖分類號： TN911?34； TP399 文獻標(biāo)識碼： A 文章編號： 1004?373X（2016）24?0058?05

Study and implement of context?aware recommendation in application of

medical information service

LI Qingming， DUAN Fu

（School of Computer Science and Technology， Taiyuan University of Technology， Jinzhong 030600， China）

Abstract： With the increasing of the intelligent mobile phone users， the medical information service is gradually applied to the client， and at the same time， along with the increasing of medical service information， the phenomena of information overload and low efficiency of user access appear in application of mobile medical information service. According to the particularity of location?based services and the special requirements of LBS recommendation system in mobile applications， the medical information service recommendation system framework based on the situational information was presented. Based on the analysis of the acquired user′s location， and the current time， weather， environment， transportation and other rich situational information， rule?based recommended method is used to reduce the amount of calculation， and implement the online personalized intelligent recommendation service. The recommendation of mobile medical information service platform combined with rich situational information makes recommendation more personalized， and meet users′ requirement more.

Keywords： LBS recommendation； rule based recommendation； situational information； medical information service platform

0 引 言

在當(dāng)今各行各業(yè)逐漸信息化的趨勢下，醫(yī)療服務(wù)行業(yè)也趨于信息化。隨著智能手機使用量的不斷增加，智能手機中的移動應(yīng)用需要不斷地創(chuàng)新和發(fā)展，醫(yī)療服務(wù)的信息化也逐漸應(yīng)用于智能手機上。面對大量的醫(yī)療服務(wù)信息，如何快速處理信息成為一大難題，嵌入移動應(yīng)用中的推薦系統(tǒng)應(yīng)運而生，基于位置服務(wù)（Location Based Service，LBS）的推薦系統(tǒng)即為其中一種。LBS推薦系統(tǒng)將基于位置系統(tǒng)與推薦系統(tǒng)巧妙融合起來，以便滿足智能手機用戶從移動應(yīng)用中獲取大量信息的需求[1]。在移動醫(yī)療服務(wù)信息應(yīng)用中，融入LBS推薦系統(tǒng)，必須滿足應(yīng)用的新用戶快速學(xué)會使用的前提下成功降低冷啟動問題的影響，否則會流失大量用戶[2]。同時，鑒于用戶需要及時獲取當(dāng)前所處環(huán)境的信息，因此一款好的LBS推薦系統(tǒng)必須能夠?qū)崟r分析了解用戶當(dāng)前的偏好，并能夠有效分析用戶當(dāng)前情境信息，實現(xiàn)向用戶推薦個性化信息。目前移動醫(yī)療信息服務(wù)應(yīng)用有易診、好大夫等，這類應(yīng)用已成功將位置服務(wù)推薦嵌入，但情境信息僅限于位置，使得推薦略顯單一，融合多種情景信息進行推薦，可以使得推薦更加個性化。因此，本文提出融合位置、時間、天氣、環(huán)境、交通等多種情境信息的醫(yī)療信息服務(wù)應(yīng)用，能夠使得用戶獲得更加個性化的服務(wù)。

在當(dāng)前研究并實現(xiàn)的推薦系統(tǒng)中，普遍存在如下問題[3]：推薦類別和屬性單一；用戶學(xué)習(xí)成本高；缺少融合情境信息；冷啟動問題仍然存在。

本文將針對這些問題，使用基于規(guī)則的LBS推薦模型，并將其應(yīng)用于開發(fā)的醫(yī)療信息服務(wù)平臺中，實現(xiàn)為用戶提供實時醫(yī)療信息服務(wù)方面上的有效推薦。

1 相關(guān)研究

1.1 基于規(guī)則的推薦

傳統(tǒng)的推薦方法有基于內(nèi)容和基于協(xié)同過濾兩種推薦方法。這兩種推薦方法已得到了廣泛的應(yīng)用，但是在LBS推薦系統(tǒng)中，這兩種推薦算法不能夠有效地解決“冷啟動”問題[4]。而基于規(guī)則的推薦不依賴于用戶評分等歷史信息，不存在“冷啟動”問題，因此在本系統(tǒng)的開發(fā)與研究中，使用基于規(guī)則的推薦給用戶提供所需信息。

基于規(guī)則的推薦，是基于知識推薦中的一種，在本系統(tǒng)中，通過將帶推薦醫(yī)院與醫(yī)生的屬性與用戶的屬性進行匹配來推薦，抑或是通過自定義或關(guān)聯(lián)計算得到的規(guī)則來推薦[5]。基于知識的推薦需要解決的問題[6]：

（1） 知識的統(tǒng)一表示及有效獲取。該系統(tǒng)中的所有要素，需使用規(guī)范的方式來描述，包括用戶信息（姓名、性別、郵箱、手機號碼、QQ號碼、家庭住址、病史等）、用戶的情境信息（所處地理位置、所處位置交通情況、天氣、溫度等）、醫(yī)院信息（所處地理位置、科室分布、醫(yī)生信息等）等系統(tǒng)要素，以及所有要素之間的關(guān)系。除此之外，還需要統(tǒng)一描述推薦方法以及在推薦方法中上述所有系統(tǒng)要素之間的交互。

（2） 合適的推理機制的生成，推理出結(jié)果。在該醫(yī)療服務(wù)信息推薦系統(tǒng)中，由用戶信息、情景信息及醫(yī)院信息，結(jié)合規(guī)則庫中的規(guī)則進行推理并產(chǎn)生推薦列表。由此所得的推薦列表可能含有多條信息，亦可能為空，需結(jié)合各種情況，綜合考慮使用適當(dāng)?shù)耐扑]方法。

（3） 知識的規(guī)范聚合。在該系統(tǒng)中，用戶屬性、醫(yī)院屬性等處于持續(xù)動態(tài)變化中，因此，需要使用有效的手段對所有知識進行管理來控制知識的信息量爆炸。

1.2 位置的獲取及計算

本文設(shè)計開發(fā)的醫(yī)療信息服務(wù)應(yīng)用使用百度地圖Android定位SDK對該應(yīng)用用戶所處位置進行定位，使用百度地圖定位SDK能夠進行精確、實時定位。

1.2.1 獲取位置

基本定位功能，返回用戶當(dāng)前位置，包含GPS和網(wǎng)絡(luò)定位（WiFi和基站定位）功能，同時還支持定位結(jié)果的反地理編碼、離線定位、位置提醒功能和地理圍欄功能。

LocationClient類是百度地圖定位SDK的核心，具體方法為LocationClient（Context）；使用getLongitude（ ）方法獲取經(jīng)度坐標(biāo)，返回結(jié)果為長整型數(shù)據(jù)；使用getLatitude（ ）獲取緯度坐標(biāo)，返回結(jié)果為長整型數(shù)據(jù)；使用hasRadius（ ）方法獲取定位的精度，并判斷是否有定位經(jīng)度半徑，返回結(jié)果為布爾型；使用getRadius（ ）方法獲取定位精度半徑，返回結(jié)果為浮點數(shù)類型，單位是m；使用getAddrStr（ ）方法獲取文字描述的地址，返回結(jié)果為字符串類型數(shù)據(jù)。

在百度地圖SDK中，分為三種定位模式，分別為：高精度定位模式（Hight_Accuracy），低功耗定位模式（Battery_Saving）和僅用設(shè)備定位模式（Device_Sensors），本文開發(fā)的系統(tǒng)使用高精度定位模式。

1.2.2 位置距離計算

設(shè)A點的經(jīng)度為LonA，緯度為LatA；B點的經(jīng)度為LonB，緯度為LatB，以零度經(jīng)線為0，東經(jīng)為正數(shù)，西經(jīng)為負數(shù)，以零度緯線為0，北緯為90-Latitude，南緯為90+Latitude，則經(jīng)過上述處理過后的兩點被記為（MLonA，MLatA）和（MLonB，MLatB）。根據(jù)式（1）、式（2）計算A點與B點之間的距離[7]：

[C=sin（MLatA）?sin（MLatB）?cos（MLonA-MLonB）+ cos（MLonA）?cos（MLonB）]

[D=R?csc（C）?π180] （2）

式中，R為地球半徑，值為6 378.137 km。

1.3 融合情境信息的推薦系統(tǒng)

在傳統(tǒng)的推薦系統(tǒng)中，沒有融入情境信息，其推薦過程如圖1所示。

在圖1中，使用函數(shù)描述該過程，其輸入為用戶屬性，輸出為使用推薦方法得到的個性化用戶推薦列表[8]。

本文所研究開發(fā)的醫(yī)療服務(wù)信息推薦系統(tǒng)應(yīng)用中，融入了位置、天氣等情景信息，因此需將各種情境信息融入到圖1中。如圖2所示，所有研究過的推薦中，以情景信息放入推薦系統(tǒng)中的位置為依據(jù)，分為前置情境過濾、后置情境過濾以及情境過濾三種范式[9]。

傳統(tǒng)的推薦系統(tǒng)采用的模型為三維范式，其表述形式為<用戶，項目，評分>，在此模型中，對于同一個用戶，其對同一個項目的評分保持穩(wěn)定。而在移動平臺中，需要考慮到各種情境信息，融入了情境信息的推薦系統(tǒng)，對于同一個用戶，其對同一個項目的評分需要隨著情景信息的不同而發(fā)生變化，因此需要將上述模型修改為四維范式，在其中加入情境信息這一項。在本文所研究開發(fā)的系統(tǒng)中，不涉及到用戶對項目的評分，使用的是用戶對于醫(yī)院屬性偏好規(guī)則，并且使用上述三種范式中的前置情境規(guī)律方法。首先根據(jù)用戶當(dāng)前位置判斷與其距離在一定范圍內(nèi)的醫(yī)院，對備選項進行過濾，刪除距離大于用戶考慮范圍的醫(yī)院，再根據(jù)當(dāng)前時間刪除此時不營業(yè)的醫(yī)院；接著根據(jù)規(guī)則庫中的規(guī)則判斷用戶偏好的醫(yī)院類別、醫(yī)院科室以及科室醫(yī)生。

2 系統(tǒng)設(shè)計

2.1 系統(tǒng)推薦流程

由于向用戶推薦的結(jié)果需要在命中率、多樣性、實時性等評價指標(biāo)間達到平衡，在向用戶推送的結(jié)果集中，應(yīng)包含各種類型的醫(yī)院，除了與用戶病史相關(guān)的醫(yī)院信息，按時間片推送的醫(yī)生信息以外，還可加入可網(wǎng)上掛號的醫(yī)院信息以改善結(jié)果的質(zhì)量。本推薦系統(tǒng)綜合了用戶屬性及用戶的各種情境信息，并與醫(yī)院的類別、科室及醫(yī)生進行匹配，確定出在某一時間某一地點適合用戶的醫(yī)院信息，實現(xiàn)對于用戶的個性化推薦。圖3為本推薦系統(tǒng)的流程。流程說明：

第一步：強制篩選。根據(jù)強制篩選規(guī)則集，刪除不匹配醫(yī)院。表1中，舉例說明了本推薦系統(tǒng)中的部分強制篩選規(guī)則。

第二步：結(jié)合偏好規(guī)則集1、偏好規(guī)則集2和偏好規(guī)則集3，并行確定三種概率值。

（1） 根據(jù)用戶屬性，計算用戶對于各類醫(yī)院的偏好概率；

（2） 根據(jù)用戶屬性和科室屬性，定義用戶對于醫(yī)院各個科室的偏好權(quán)重；

（3） 根據(jù)用戶屬性和醫(yī)院科室醫(yī)生的屬性，計算用戶對于醫(yī)生的偏好概率。

第三步：由第二步得到的三種概率，結(jié)合偏好規(guī)則集4確定用戶對醫(yī)院列表中每個醫(yī)院的偏好概率，得出給用戶所推薦的醫(yī)院列表。

2.2 偏好建模

在分析與設(shè)計規(guī)則集和推薦算法前，需要完成對用戶的偏好建模這一過程。根據(jù)移動應(yīng)用與基于位置服務(wù)推薦綜合的特點，本文的推薦系統(tǒng)在融合了情境信息的基礎(chǔ)上將用戶的偏好分為兩類，分別為短期偏好和長期偏好。其中短期偏好有更新周期短，并且對情境信息比較敏感的特點；長期偏好有更新周期長，用戶習(xí)慣偏好比較穩(wěn)定之特點。醫(yī)院的屬性信息包括有無停車位、環(huán)境氛圍、科室名稱、科室醫(yī)生性別、可否在線掛號等離散屬性，就醫(yī)費用區(qū)間、科室醫(yī)生就醫(yī)年齡區(qū)間、與用戶位置距離屬性等區(qū)間屬性，用如下矩陣表示：

[a11…a1m???an1…anm] （3）

式中，區(qū)間屬性[an1]的取值范圍為：

[[min（a*l），max（a*l）]， 1≤l≤r] （4）

離散屬性[an1]的取值范圍為：

[a*l（r+1≤l≤r+s）] （5）

對醫(yī)院屬性進行建模后，可以用一組向量來表示用戶的偏好模型，可以表示為[<，…，，g1，…，cs>]，比如某用戶的興趣模型為<[0～200]，[0，2 000]，有免費WiFi，有停車位，內(nèi)科，醫(yī)生就醫(yī)3年以上>，表示該用戶偏好的價格區(qū)間為0～200元，可接受的距離為2 000 m以內(nèi)，能夠提供免費WiFi，有停車位，要看內(nèi)科并且該科室醫(yī)生的就醫(yī)年齡在3年以上。

2.3 情境信息建模

為了方便情境信息模型的創(chuàng)建，需要做以下工作：首先須定義情景信息，即確定在本推薦系統(tǒng)中需要獲取哪些情境信息；然后確認(rèn)如何采集這些情境信息。本文中，本推薦系統(tǒng)需要的情境信息包括：用戶當(dāng)前位置、當(dāng)前時間、當(dāng)前天氣情況、周圍交通情況等。

3 規(guī)則庫的分析與設(shè)計

本文所涉及的規(guī)則庫中規(guī)則的形式均為：[A→B（P）]，即若A則B同時伴有一個概率值P，其中A為用戶的屬性或者情境信息，B為醫(yī)院的屬性，P表示醫(yī)院匹配用戶需求的程度及用戶與當(dāng)前情境對某個醫(yī)院屬性的偏好概率。如規(guī)則庫中的某條規(guī)則：若60則[0～2 000]（0.64）。該規(guī)則表示，如果用戶年齡為60，那么為其推薦距離在2 000 m以內(nèi)的醫(yī)院概率為0.64。

3.1 獲得個性化用戶短期偏好

根據(jù)用戶當(dāng)前的時間、天氣、位置、環(huán)境屬性，確定用戶短期偏好矩陣，并根據(jù)用戶偏好，由偏好規(guī)則集1作用后，對該矩陣進行修正，得到如下矩陣：

[T1T2T3…W1W2W3…L1L2L3…E1E2E3…] （6）

式中，[Ti]，[Wi]，[Li]和[Ei]分別表示在當(dāng)前時間、當(dāng)前天氣、用戶當(dāng)前位置和當(dāng)前所處環(huán)境下，用戶對于i類醫(yī)院的偏好概率。

用戶對于所有醫(yī)院的推薦概率排序根據(jù)下式：

[Ki=14（Ti+Wi+Li+Ei）] （7）

得到醫(yī)院類別的推薦排序表。

3.2 獲得用戶長期偏好

根據(jù)偏好規(guī)則集2，將用戶屬性與規(guī)則庫中的規(guī)則進行匹配，以得到對某醫(yī)院科室的偏好概率為：

[Q11…Q1n???Qm1…QmnQij] （8）

式中：m行表示用戶的m個屬性；n列表示n個醫(yī)院的科室；[Qij]表示用戶的屬性i對醫(yī)院的科室j的偏好程度。由式（9）可計算出用戶對于醫(yī)院科室的偏好權(quán)重：

[Xj=i=1nQijn] （9）

根據(jù)偏好規(guī)則集3，將用戶屬性與規(guī)則庫中的規(guī)則進行匹配，得到用戶對醫(yī)院科室醫(yī)生的偏好概率，得到如下矩陣：

[q11…q1n???qm1…qmn] （10）

將由規(guī)則集2及各種屬性計算所得的用戶對醫(yī)院科室的偏好權(quán)重與由規(guī)則集3及各種屬性計算所得的用戶對醫(yī)院科室醫(yī)生的偏好概率相乘，獲得用戶對醫(yī)生屬性的偏好概率。將此偏好概率進行排序，最高偏好概率對應(yīng)的醫(yī)生即為用戶的長期偏好。

3.3 確定每個醫(yī)院的推薦概率

根據(jù)規(guī)則集4，將推薦列表中的各個醫(yī)院與規(guī)則進行匹配，其各個屬性的偏好概率加權(quán)平均，由此得到用戶對醫(yī)院的偏好概率，將此值與對于醫(yī)院類別的偏好概率相乘，得到的結(jié)果即為對用戶推薦某醫(yī)院的概率值。

醫(yī)院用戶的興趣不斷發(fā)生改變，則會出現(xiàn)新的關(guān)聯(lián)規(guī)則。新規(guī)則產(chǎn)生遵循以下三個原則：舊規(guī)則不再出現(xiàn)；有新的規(guī)則；規(guī)則在一定的時間內(nèi)重復(fù)。

當(dāng)用戶搜索某一醫(yī)院時，算法會提供關(guān)于該醫(yī)院所具有的關(guān)聯(lián)規(guī)則，并將推薦概率高的n個醫(yī)生推薦給用戶，用戶從這n個醫(yī)生中選擇適合自己病情的醫(yī)生，此時就會導(dǎo)致所用規(guī)則的推薦概率發(fā)生改變。如此循環(huán)，系統(tǒng)會有針對性地向用戶推薦醫(yī)生，提高醫(yī)院與醫(yī)生的知名度，并且提高推薦的準(zhǔn)確率。

4 系統(tǒng)實現(xiàn)與應(yīng)用

本應(yīng)用由配置在Windows操作系統(tǒng)上的Tomcat服務(wù)器提供Web服務(wù)，客戶端應(yīng)用使用HTTP協(xié)議進行訪問獲取信息。客戶端應(yīng)用采用Eclipse為Android客戶端開發(fā)工具，Myeclipse 10為服務(wù)端開發(fā)工具，具有應(yīng)用顯示與后臺程序和服務(wù)端程序相分離，使得整個應(yīng)用框架清晰、易于維護、擴展性強。數(shù)據(jù)存儲在SQL Server 2008數(shù)據(jù)庫中，使用存儲過程處理應(yīng)用中的業(yè)務(wù)流程，避免了寫在服務(wù)器代碼中而出現(xiàn)的頻繁編譯與部署等弊端，提高其維護性。本系統(tǒng)錄入了山西省晉中市榆次區(qū)的各個醫(yī)院信息，推薦結(jié)果界面如圖4和圖5所示。圖4為該應(yīng)用的首頁展示，其中醫(yī)院專區(qū)的結(jié)果為根據(jù)用戶屬性信息推薦的兩個醫(yī)院；圖5為在醫(yī)院類別中搜索診所得出的推薦列表。

5 結(jié) 語

目前醫(yī)療信息服務(wù)中的信息化進程相對落后，基于位置針對醫(yī)院及其科室的推薦系統(tǒng)還比較少見，不論是用戶的訪問記錄還是評價反饋都較難獲取，因此如何應(yīng)對應(yīng)用的“冷啟動”問題對于LBS醫(yī)療信息服務(wù)推薦系統(tǒng)來說是一個重大挑戰(zhàn)。本文提出了基于規(guī)則的醫(yī)療推薦，不僅會降低用戶學(xué)習(xí)成本，還不存在“冷啟動”問題。本文給出所提出推薦系統(tǒng)的流程圖，并對用戶的偏好進行建模，基于此建立相應(yīng)的規(guī)則庫，并對新產(chǎn)生的規(guī)則進行定義。推薦系統(tǒng)的優(yōu)劣評價實質(zhì)上是很復(fù)雜的，依賴于應(yīng)用的使用程度及商業(yè)效果，系統(tǒng)最終會通過在實踐應(yīng)用中進行不斷的優(yōu)化。

參考文獻

[1] 李迎辰.基于社交網(wǎng)絡(luò)的移動應(yīng)用推薦系統(tǒng)研究及應(yīng)用[D].重慶：重慶大學(xué)，2014.

[2] RICCI F. Mobile recommender systems [J]. Information technology & tourism， 2010， 12（6）： 205?231.

[3] TIWARI S， KAUSHIK S， TIWARI S. Location based recommender systems： architecture， trends and research areas [C]// Proceedings of IET International Conference on Wireless Communications and Applications （ICWCA 2012）. Huangshan， China： IET Digital Library， 2012： 71?77.

[4] SHABIB N， KROGSTIE J. The use of data mining techniques in location?based recommender system [C]// Proceedings of the International Conference on Web Intelligence. Nanjing： Mining and Semantics ACM， 2011： 71?81.

[5] GE M， DELGADO?BATTENFELD C， JANNACH D. Beyond accuracy： evaluating recommender systems by coverage and serendipity [C]// Proceedings of the Fourth ACM Conference on Recommender systems. Barcelona： ACM， 2010： 257?260.

[6] 劉平峰，陳冬林.基于知識的電子商務(wù)智能推薦系統(tǒng)平臺設(shè)計[J].計算機工程與應(yīng)用，2007（19）：199?201.

[7] 韓忠民.知經(jīng)緯度計算兩點精確距離[J].科技傳播，2011（11）：211.

[8] 王偉.基于LBS的個性化推薦系統(tǒng)研究[D].北京：北京郵電大學(xué)，2012.

[9] 張文瑩.移動應(yīng)用中基于規(guī)則的LBS推薦系統(tǒng)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013.