Yongjie Yan1,2，Guang Yu1，Xiangbin Yan3
（1.哈尔滨工业大学管理学院，哈尔滨，中国，
2.江西科技师范学院数学与计算机科学学院，南昌，中国，
3.北京科技大学经济管理学院，北京，中国）
在线医疗咨询网站是互联网信息技术和医疗服务业相结合形成的新型公共卫生平台。中国在线医疗网站上的医疗咨询平台越来越多，人们无需出门就可以完成疾病的诊断。这对于偏远山区和缺乏较高医疗条件的农村地区，具有非凡的意义。各种在线医疗保障服务有效减轻了中国区域间医疗资源不均衡的问题。然而，在线医疗平台也还存在许多问题。例如，平台医生的素质参差不齐，以及网站上提出的问题不能在规定的时间内及时回答等。
基于此，本文希望设计得到针对在线医疗咨询网站的医生推荐系统，用于支持患者寻找合适的医院和医生，以促进互联网技术和传统医疗服务的高效融合。现有的推荐模型没有充分使用评论信息的上下文语义特征，仅使用主题模型对评论文本进行特征学习，该方法在稀疏数据的情况下性能较差，因此，本文提出集成卷积神经网络和概率矩阵分解的推荐模型（PMF-CNN），结合医生信息和患者评论充分挖掘医生、患者和服务之间的潜在关系，提高推荐性能。具体来说，使用卷积神经网络（Convolutional Neural Network，CNN）来学习评论文本和医生信息的特征表示，再者使用扩展的矩阵分解模型融合评论信息特征和医生信息的初始值进行推荐。
使用一个中国在线医疗社区，“好大夫在线”（Haodf.com）上的医生数据用于评估我们模型性能。与历史上取得过最优性能的推荐算法相比，PMF-CNN在 “好大夫在线”数据集中表现出更好的性能。分析“好大夫在线”网站的发展现状，认为本文提出的推荐系统能够有效提高平台医生的利用效率和公共卫生资源分配的平衡。
此外，PMF-CNN存在冷启动的问题，只能推荐历史医生，无法评估并推荐新进入医生，未来的研究可以考虑增加就诊咨询类别和患者评论的特征来获得类别和评论的表示，以解决冷启动问题并提高推荐的准确性。使用深度学习集成多个上下文信息进行推荐也将是一个有趣的方向。
资料来源：
根据Yongjie Yan等于2020年发表在Computational Intelligence and Neuroscience期刊题目为《Online Doctor Recommendation with Convolutional Neural Network and Sparse Inputs》的文章缩写整理而成。
